Jihao Liu twierdzi, że AI obaliła hipotezę YTD, ale rzeczywisty wynik jest bardziej precyzyjny

Jihao Liu twierdzi, że generatywna AI pomogła skonstruować pierwszy kontrprzykład w jego 79-stronicowym preprincie dotyczącym YTD, mimo dziesięcioleci prac wspierających różne wersje tej hipotezy. Artykuł przedstawia gładką projektywną pięciowymiarową rozmaitość, która jest K-polystabilna, lecz rzekomo nie posiada metryki Kählera o stałej krzywiźnie skalarnej. Jeśli dowód przetrwa ekspercką ocenę, obiekt ten obala klasyczne ogólne sformułowanie hipotezy Yau-Tiana-Donaldsona.

Liu przesłał artykuł do arXiv 19 sierpnia 2026 roku o 17:19 UTC. Streszczenie przypisuje GPT-5.6-sol, Fable 5 i systemowi Danus uzyskanie głównego wyniku. Dodatek napisany wspólnie z Bin Dongiem i Guoxiongiem Gao omawia sposób wykorzystania generatywnej AI.

To ujawnienie wyjaśnia, dlaczego historia szybko się rozeszła. Samo w sobie nie rozstrzyga jednak kwestii matematycznych. Artykuł jest nowym preprintem, a nie publikacją recenzowaną, a deklarowany kontrprzykład wymaga specjalistycznej weryfikacji na kilku technicznych poziomach.

Głębsza historia jest też węższa niż wiralowe podsumowanie, że „AI obaliła YTD”. Wynik dotyczy równoważności między zwykłą K-polystabilnością a istnieniem metryk Kählera o stałej krzywiźnie skalarnej dla ogólnych spolaryzowanych rozmaitości. Ważne twierdzenia YTD dotyczące rozmaitości Fano pozostają nienaruszone, podczas gdy silniejsze sformułowania stabilności już wcześniej zastępowały klasyczne stwierdzenie.

Co faktycznie twierdzi preprint YTD wspomagany przez AI

Centralne twierdzenie dotyczy konkretnej matematycznej niezgodności, a nie ogólnej deklaracji, że dziesięciolecia geometrii Kählera były błędne.

Hipoteza Yau-Tiana-Donaldsona łączy dwa różne opisy obiektu geometrycznego. Jedna strona pyta, czy spolaryzowana rozmaitość posiada kanoniczną metrykę. Druga pyta, czy ta rozmaitość spełnia algebraiczny warunek stabilności.

Spolaryzowana rozmaitość to rozmaitość projektywna sparowana z obfitą wiązką liniową, która dostarcza danych o osadzeniu wykorzystywanych w geometrii algebraicznej. Rozpatrywana metryka ma stałą krzywiznę skalarną, co oznacza, że jej krzywizna skalarna pozostaje jednolita na bazowej rozmaitości Kählera.

Atrakcyjność hipotezy wynika z tego pomostu. Trudny nieliniowy analityczny problem istnienia stałby się równoważny algebraicznemu kryterium nazywanemu K-polystabilnością. Matematycy mogliby badać geometrię kanoniczną przez degeneracje i niezmienniki liczbowe, zamiast bezpośrednio rozwiązywać równanie różniczkowe.

Preprint YTD Liu twierdzi, że rozdziela te dwie strony. Konstruuje spolaryzowaną gładką projektywną pięciowymiarową rozmaitość, czyli zespoloną rozmaitość projektywną o wymiarze zespolonym pięć, która przechodzi test K-polystabilności, ale nie posiada oczekiwanej metryki Kählera o stałej krzywiźnie skalarnej.

Wystarczy jeden poprawny przykład. Równoważność zawodzi, gdy jeden obiekt spełnia proponowany warunek, lecz nie ma obiecanego następstwa.

Rozróżnienie między „K-polystabilnością” a „brakiem metryki o stałej krzywiźnie skalarnej” niesie więc cały wynik. Jeśli którakolwiek połowa zawodzi, artykuł nie obala klasycznej hipotezy. Recenzenci muszą sprawdzić konstrukcję, obliczenie stabilności, przeszkodę analityczną oraz logiczne połączenie między nimi.

Data preprintu ma znaczenie, ponieważ trend na Bilibili pojawił się zaledwie kilka dni po zgłoszeniu do arXiv. Według stanu na 23 sierpnia artykuł nie miał czasu przejść konwencjonalnej recenzji czasopismowej. Obecność w arXiv potwierdza, że twierdzenie zostało publicznie opublikowane, a nie że argument został poświadczony.

Autor nie jest anonimowym kontem w mediach społecznościowych. Liu jest geometrą algebraicznym na Uniwersytecie Pekińskim i członkiem Beijing International Center for Mathematical Research. Jego profil badawczy wymienia geometrię biracjonalną, osobliwości, foliacje oraz jawną geometrię algebraiczną jako główne zainteresowania.

To zaplecze podnosi wiarygodność twierdzenia ponad niepoparty odpowiedź chatbota. Nadal pozostawia jednak lukę weryfikacyjną. Profesjonalni autorzy mogą popełniać błędy, argumenty wygenerowane przez AI mogą skrywać subtelne pomyłki, a arXiv prowadzi moderację, a nie pełną recenzję naukową.

Właściwy nagłówek powinien więc być warunkowy. Liu i jego artykuł twierdzą, że doszło do obalenia, podczas gdy niezależny matematyczny konsensus wciąż się kształtuje.

Dlaczego YTD już wcześniej było bardziej złożone niż jedna hipoteza

Sformułowanie „hipoteza YTD” obejmuje dziś kilka twierdzeń o różnych zakresach, pojęciach stabilności i ustalonych wynikach.

Szeroka idea rozwinęła się z prac związanych z Shing-Tung Yau, Gangiem Tianem i Simonem Donaldsonem. Przewiduje ona, że istnienie kanonicznych metryk Kählera powinno odpowiadać stabilności algebraicznej.

Zasada ta doprowadziła do ważnych twierdzeń. Nie jest pojedynczą, nietkniętą propozycją, która przetrwała bez zmian, aż jeden system AI znalazł kontrprzykład.

Dla rozmaitości Fano udowodniono ważne sformułowania YTD łączące K-polystabilność z metrykami Kählera-Einsteina. Rozmaitość Fano ma obfitą wiązkę antykanoniczną, co umieszcza ją w szczególnym ustawieniu geometrycznym o dodatkowej strukturze. Deklarowany przykład Liu nie unieważnia tych twierdzeń.

Nowy preprint dotyczy szerszego problemu stałej krzywizny skalarnej dla ogólnych spolaryzowanych rozmaitości. To ustawienie jest trudniejsze, ponieważ istotne przestrzenie analityczne i algebraiczne są bardziej złożone. Właściwa definicja stabilności również pozostaje centralnym punktem debaty.

Zwykła K-stabilność bada spolaryzowaną rozmaitość przez algebraiczne degeneracje zwane konfiguracjami testowymi. Każda konfiguracja otrzymuje niezmiennik liczbowy. W przybliżeniu zachowanie ujemne ujawnia destabilizującą degenerację, podczas gdy polystabilność dopuszcza jedynie określone trywialne przypadki na brzegu.

Problem polega na tym, czy ten zbiór testów algebraicznych wychwytuje każdy analityczny sposób, w jaki metryka może nie istnieć. Proponowany przykład Liu mówi, że nie. Rozmaitość spełnia zwykłą K-polystabilność, lecz pozostaje przeszkoda analityczna.

Ta możliwość nie pojawiła się bez ostrzeżenia. Badacze rozwinęli silniejsze pojęcia, w tym jednostajną K-stabilność i sformułowania niearchimedesowe. Warunki te ilościowo określają stabilność, zamiast jedynie wymagać nieujemnego niezmiennika.

Sébastien Boucksom i Mattias Jonsson opisali wersję opartą na jednostajnej zmodyfikowanej K-stabilności w swoim podejściu niearchimedesowym z 2026 roku. Ich ramy pracują z dopełnioną przestrzenią niearchimedesowych metryk, wykraczając poza klasyczne konfiguracje testowe.

Oddzielny preprint z maja 2026 roku przedstawił jednostajne sformułowanie łączące metryki o stałej krzywiźnie skalarnej z dostosowaną do automorfizmów formą jednostajnej K-stabilności. Praca ta ilustruje, dlaczego eksperci mogą postrzegać wynik Liu jako korektę warunku stabilności, a nie upadek całego programu YTD.

To kluczowy podział interpretacyjny. Wiralowa wersja mówi, że AI pokonała słynną hipotezę. Wersja techniczna mówi, że zwykła K-polystabilność wydaje się zbyt słaba dla najbardziej ogólnego problemu stałej krzywizny skalarnej.

Te stwierdzenia różnią się zakresem. Pierwsze przyciąga uwagę, drugie zaś mówi matematykom, co musi się zmienić.

Poprawny kontrprzykład pokazałby, że pierwotny test algebraiczny pominął pewne zachowanie destabilizujące. Wzmocniłby argument za dopełnionymi, jednostajnymi lub opartymi na filtracjach pojęciami stabilności, które dostrzegają więcej niż standardowe konfiguracje testowe.

Wynik mógłby więc wspierać szerszą filozofię YTD. Stabilność algebraiczna nadal może charakteryzować metryki kanoniczne, lecz właściwa definicja algebraiczna musi być silniejsza.

Rzeczywistym przeciwnikiem jest zwykła K-polystabilność

Ten artykuł przeciwstawia zwykłą K-polystabilność silniejszym ramom stabilności, a nie AI każdemu ludzkiemu dowodowi YTD.

Klasyczne sformułowanie obiecuje, że K-polystabilność jest wystarczająca dla istnienia metryki Kählera o stałej krzywiźnie skalarnej. Pięciowymiarowa rozmaitość Liu rzekomo ujawnia przypadek, w którym ta obietnica zawodzi.

Silniejsze ramy odpowiadają przez rozszerzenie tego, co uznaje się za kierunek destabilizujący. Zamiast sprawdzać wyłącznie konwencjonalne algebraiczne konfiguracje testowe, badają filtracje, niearchimedesowe metryki lub ilościowe dolne ograniczenia.

Różnica ta może brzmieć abstrakcyjnie, lecz jej funkcja jest prosta. Test stabilności jest użyteczny tylko wtedy, gdy wykrywa każdą przeszkodę istotną dla istnienia metryki. Test, który pomija jedną klasę degeneracji, może uznać obiekt za stabilny, gdy geometria analityczna mówi co innego.

Konstrukcja Liu podobno wykorzystuje dokładnie tę lukę. Spolaryzowana pięciowymiarowa rozmaitość jest K-polystabilna według zwykłej definicji. Artykuł argumentuje jednak, że nie spełnia silniejszego warunku jednostajnego potrzebnego do zagwarantowania metryki.

Jeśli ten argument jest poprawny, kontrprzykład nie pozostawia dziedziny bez zastępstwa. Wskazuje granicę między słabszym warunkiem a warunkiem zaprojektowanym tak, by uchwycić brakujące zachowanie analityczne.

Dlatego wymiary i kategoria mają znaczenie. Pięciowymiarowa rozmaitość jest daleka od najprostszych powierzchni lub trójwymiarowych rozmaitości, które często kierują intuicją geometryczną. Konstrukcje wyższego wymiaru mogą łączyć wiązki, symetrię i dane przecięć w sposób niedostępny dla przykładów o niższym wymiarze.

Przykład z artykułu nie oznacza też, że zwykła K-polystabilność jest bezużyteczna. Pozostaje konieczna w szerokich ustawieniach i wystarczająca w ważnych przypadkach szczególnych. Rzekoma porażka dotyczy wystarczalności w pełnej ogólności.

Potraktujmy to rozróżnienie jak test diagnostyczny. Wynik ujemny może wiarygodnie wskazać problem, podczas gdy wynik dodatni nadal pomija jeden rzadki warunek. Test zachowuje wartość, lecz jego pozytywna prognoza wymaga silniejszego progu.

Takie ujęcie wyjaśnia również, dlaczego wcześniejsze wyniki pozytywne nie są automatycznie sprzeczne. Twierdzenie udowodnione przy założeniu Fano, warunku dyskretności lub jednostajnej stabilności pozostaje twierdzeniem. Ogólny kontrprzykład obala wyłącznie stwierdzenia, których założenia obejmują nowy przykład.

Wiadomości matematyczne często gubią te kwantyfikatory. „Dla każdej spolaryzowanej gładkiej projektywnej rozmaitości” staje się „YTD”, a „K-polystabilna” staje się „stabilna”. Gdy te szczegóły znikają, korekta jednego sformułowania brzmi jak odrzucenie całego programu badawczego.

Najbardziej doniosłym rezultatem byłby zrewidowany konsensus: zwykła K-polystabilność jest konieczna, lecz niewystarczająca, podczas gdy rozszerzony warunek niearchimedesowy lub jednostajny daje właściwą równoważność.

Nadal byłby to ważny wynik. Przekierowałby dowody, przykłady i pytania o moduły ku silniejszemu niezmiennikowi. Wyjaśniłby również, dlaczego wcześniejsze próby udowodnienia zwykłego sformułowania napotykały trwałe bariery techniczne.

Kontrprzykład mógłby stać się obiektem wzorcowym. Badacze pytaliby, które definicje stabilności go odrzucają, które niezmienniki ujawniają przeszkodę i czy pokrewne przykłady istnieją w niższych wymiarach.

Te pytania mają większe znaczenie niż to, czy wydarzenie liczy się jako zwycięstwo jednego dostawcy AI. Trwała wartość matematyczna leży w zdiagnozowaniu brakującego warunku.

Jak GPT-5.6-sol, Fable 5 i Danus weszły do tej pracy

Artykuł przedstawia AI jako część systemu badawczego, podczas gdy wskazany z imienia matematyk pozostaje odpowiedzialny za opublikowany dowód i jego twierdzenia.

Streszczenie konkretnie wymienia GPT-5.6-sol, Fable 5 i Danus. Taki poziom ujawnienia jest niezwykle bezpośredni w porównaniu z artykułami, które przyznają jedynie ogólną pomoc modeli językowych.

GPT-5.6-sol i Fable 5 są opisywane jako modele generatywne wykorzystane do uzyskania głównego wyniku. Danus to framework programistyczny służący do koordynowania matematycznych badań prowadzonych z pomocą AI. Jego publiczne repozytorium Danus zapewnia konkretny artefakt, który badacze mogą sprawdzić i dostosować.

Przepływ pracy z wieloma modelami może podzielić zadania matematyczne na generowanie kandydatów, wyszukiwanie literatury, manipulacje symboliczne, krytykę i rewizję. Jeden model proponuje konstrukcję, drugi atakuje jej założenia, a orkiestrator utrzymuje ewoluujący stan.

Proces ten różni się od zadania jednego pytania konsumenckiemu chatbotowi. Długie argumenty matematyczne wymagają stabilnej notacji, trwałych celów i wielokrotnego sprawdzania. Warstwa orkiestracji może zachowywać twierdzenia pośrednie i kierować je przez wiele prób.

Orkiestracja nie zamienia jednak wyników modeli w twierdzenie. Modele językowe mogą odtwarzać wiarygodnie brzmiące definicje, jednocześnie odwracając kwantyfikator, stosując wynik poza zakresem jego założeń lub pomijając przypadek osobliwy.

Konstrukcja pięciowymiarowej rozmaitości musi zatem bronić się niezależnie od procesu jej odkrycia. Czytelnicy powinni móc zweryfikować każdy lemat bez zaufania do modeli, które go zasugerowały.

Zasada ta zapobiega również dwóm przeciwstawnym błędom. Sceptycy nie powinni odrzucać dowodu wyłącznie dlatego, że AI pomogła go odkryć. Entuzjaści nie powinni zaś akceptować dowodu tylko dlatego, że uczestniczyło w nim kilka zaawansowanych modeli.

Matematyka ostatecznie ocenia zapisany argument. Poprawny dowód pozostaje poprawny niezależnie od tego, czy jego pierwsza idea pochodziła od człowieka, wyszukiwania komputerowego czy modelu językowego.

Trudniejsza jest kwestia przypisania zasług. Wpis w arXiv wymienia Liu jako autora artykułu, podczas gdy Dong i Gao dołączają do aneksu dotyczącego użycia AI. Modele są uznawane za narzędzia, a nie autorów, ponieważ nie mogą przyjąć odpowiedzialności, rozstrzygać kwestii redakcyjnych ani odpowiadać na zastrzeżenia.

Przepływ pracy nadal sygnalizuje zmianę w praktyce badawczej. Specjalista może teraz poprosić modele o przegląd pokrewnych konstrukcji, łączenie technik i poszukiwanie wyjątków w skali, która pochłonęłaby znaczną ilość ludzkiego czasu.

Kontrprzykłady są szczególnie dobrze dopasowane do tego stylu. System potrzebuje jednego obiektu spełniającego skończony zbiór własności. Gdy zostanie zaproponowany, obiekt ten można czasem sprawdzić za pomocą jawnych obliczeń i uznanych twierdzeń.

Dowód uniwersalny stawia inne wymagania. Musi obejmować każdy obiekt w danej klasie i uwzględniać każdy przypadek wyjątkowy. Płynny, lecz niepełny argument może przetrwać wiele etapów recenzji, zanim ujawni się jego ukryta luka.

Twierdzenie Liu znajduje się pomiędzy tymi kategoriami. Istnienie jednej pięciowymiarowej rozmaitości obaliłoby równoważność, lecz wykazanie, że nie istnieje dla niej metryka analityczna, wymaga czegoś więcej niż przedstawienia prostego świadectwa numerycznego.

Dlatego pracy tej nie należy opisywać jako zautomatyzowanego wyszukiwania, które daje natychmiast sprawdzalną odpowiedź. Według artykułu jest to długi argument geometryczny, w którego odkryciu, syntezie i redagowaniu pomogła AI.

To rozróżnienie ma znaczenie dla przedsiębiorstw oceniających agentów badawczych AI. Istotną zdolnością nie jest bezobsługowe wytwarzanie prawdy. Jest nią przyspieszone generowanie hipotez połączone z ekspercką weryfikacją i audytowalną dokumentacją.

Zespoły wdrażające podobne przepływy pracy muszą zachowywać prompty, wersje modeli, wyniki pośrednie, nieudane gałęzie i ludzkie poprawki. Przeszukiwalna baza wiedzy AI może pomóc utrzymać tę historię pochodzenia, choć nie jest w stanie zweryfikować matematyki.

Najważniejsza lekcja ma charakter operacyjny. Modele mogą poszerzać przestrzeń poszukiwań, lecz odpowiedzialność pozostaje po stronie badaczy, którzy wybierają, sprawdzają i publikują wynik.

Czego twierdzenie YTD nadal nie dowodzi

Nowe zgłoszenie do arXiv może ustanowić pierwszeństwo dla danego twierdzenia, ale nie może zastąpić niezależnej eksperckiej weryfikacji.

Według stanu na 23 sierpnia od daty zgłoszenia do obecnej analizy minęły zaledwie cztery dni. To zbyt mało czasu na zwykły cykl dyskusji seminaryjnych, sprawdzania wiersz po wierszu, rewizji i recenzji czasopismowej.

Najbardziej oczywista niepewność dotyczy tego, czy pięciowymiarowa rozmaitość jest rzeczywiście K-polistabilna zgodnie z dokładną definicją stosowaną w klasycznej hipotezie. Obliczenia stabilności mogą zależeć od wszystkich możliwych konfiguracji testowych, a nie tylko od jednej oczywistej rodziny.

Druga niepewność dotyczy deklarowanego braku metryki Kählera o stałej krzywiźnie skalarnej. Przeszkoda musi dotyczyć określonej polaryzacji i przetrwać wszelkie istotne kwestie symetrii lub automorfizmów.

Trzecia dotyczy pomostu między zwykłą a jednostajną stabilnością. Jeśli dowód po cichu wykorzystuje twierdzenie o silniejszym założeniu, konstrukcja może ujawniać niezgodność definicji, a nie kontrprzykład.

Nie są to oskarżenia o błąd. To standardowe pytania stawiane ambitnemu preprintowi, którym poświęca się dodatkową uwagę, ponieważ systemy generatywne pomogły stworzyć argument.

Ujawnienie użycia AI stwarza również problem odtwarzalności. Wymienienie modeli mówi czytelnikom, które systemy uczestniczyły w pracy, ale nie mówi, czy inni badacze mogą odtworzyć ścieżkę odkrycia. Modele hostowane się zmieniają, wersje wewnętrzne mogą być niedostępne, a wyniki stochastyczne są zmienne.

Nawet kompletny zapis promptów nie uczyniłby dowodu prawdziwym. Pokazałby, jak autorzy do niego doszli, i pomógł ustalić, które kroki otrzymały rzeczywiście znaczącą ludzką kontrolę.

Formalna weryfikacja mogłaby rozwiązać część tych obaw, lecz preprint nie jest przedstawiany jako dowód sprawdzony maszynowo w systemie takim jak Lean. Przełożenie zaawansowanej geometrii Kählera i geometrii algebraicznej na asystenta dowodów samo w sobie wymagałoby znacznej pracy fundamentowej.

Recenzja naukowa również nie jest nieomylna. Lepszym standardem jest zbieżna weryfikacja przez specjalistów, którzy próbują odtworzyć analizę stabilności, podważyć przeszkodę analityczną i uprościć konstrukcję.

Publiczna dyskusja już pokazała zarówno entuzjazm, jak i ostrożność. Niektórzy matematycy traktują wspomagane przez AI kontrprzykłady jako dowód, że automatyzacja badań przyspiesza. Inni podkreślają, że specjalistyczne wskazówki i sprawdzanie dowodu nadal stanowią większość intelektualnego ciężaru.

Obie opinie mogą być prawdziwe. AI mogła wygenerować decydującą konstrukcję, podczas gdy ludzka wiedza ekspercka pozostaje konieczna, aby rozpoznać jej znaczenie i ustanowić każde twierdzenie wokół niej.

Czytelnicy powinni też powstrzymać się od wyciągania wniosków dotyczących rynku pracy na podstawie jednego artykułu. Wynik wspomagany przez model w silnie ustrukturyzowanej dziedzinie nie pokazuje, że systemy autonomiczne potrafią wybierać wartościowe problemy, prowadzić program badawczy lub szkolić kolejne pokolenie matematyków.

Wydarzenie to pokazuje jednak, że lekceważenie nie jest już wystarczające. Gdy uznany badacz publicznie przypisuje wielu modelom udział w wyniku na poziomie ważnej hipotezy, społeczność badawcza musi poważnie ocenić zarówno dowód, jak i przepływ pracy.

Najbezpieczniejszy obecny werdykt jest precyzyjny: wiarygodny ekspert opublikował szczegółowe twierdzenie o obaleniu wspomaganym przez AI, ale twierdzenie to nie zgromadziło jeszcze niezależnego potwierdzenia proporcjonalnego do jego znaczenia.

Trzy sygnały, które zdecydują, jak ten wynik zostanie zapamiętany

Kolejnym etapem nie będzie następny viralowy nagłówek. Będą nim eksperckie odtworzenie wyniku, zrewidowana mapa stabilności i trwały opis przepływu pracy AI.

Pierwszym sygnałem jest niezależna weryfikacja matematyczna. Specjaliści muszą potwierdzić konstrukcję pięciowymiarowej rozmaitości, jej zwykłą K-polistabilność oraz nieistnienie deklarowanej metryki. Zwięzły niezależny dowód, konsensus seminaryjny lub publiczna korekta będą miały większą wagę niż liczby zaangażowania.

Jeśli eksperci odtworzą argument, interpretacja natychmiast się wzmocni. Jeśli wskażą lukę możliwą do naprawienia, uwaga przesunie się na pytanie, czy konstrukcję da się uratować. Jeśli zawiedzie centralne twierdzenie o stabilności lub przeszkodzie, obalenie nie utrzyma się.

Drugim sygnałem będzie to, jak badacze umiejscowią przykład względem silniejszych sformułowań YTD. Użyteczny kontrprzykład powinien dokładnie ujawniać, który wzmocniony warunek wykrywa jego niestabilność.

To porównanie zdecyduje, czy artykuł zamyka pewien program, czy go wyostrza. Najbardziej prawdopodobna trwała interpretacja jest taka, że zwykła K-polistabilność była zbyt słaba, podczas gdy jednostajna lub domknięta niearchimedesowa stabilność ujmuje brakujący kierunek.

Warto obserwować kolejne artykuły obliczające te silniejsze niezmienniki dla przykładu Liu. Warto też śledzić próby zmniejszenia jego wymiaru lub stworzenia szerszej rodziny kontrprzykładów. Każdy z tych kierunków pokazałby, że obiekt ujawnia granicę strukturalną, a nie odosobnioną anomalię.

Trzecim sygnałem jest jakość ujawnianych informacji. Aneks tworzy precedens, wymieniając modele i system orkiestracji. Przyszłe rewizje mogą uczynić ten zapis bardziej użytecznym, oddzielając propozycje maszynowe, interwencje ludzi, odrzucone argumenty i końcową weryfikację.

Te dowody ukształtują sposób, w jaki czasopisma i instytucje badawcze będą oceniać matematykę wspomaganą przez AI. Przejrzyste przepływy pracy mogą wspierać przypisywanie zasług i analizę błędów. Niejasne twierdzenia, że „AI to rozwiązała”, nie mogą.

Dla programistów i pracowników wiedzy bezpośrednia lekcja polega na traktowaniu historii pochodzenia jako części wyniku. Zachowuj materiały źródłowe, kontekst modelu, decyzje i poprawki w ramach zdyscyplinowanego przepływu pracy badawczej. Ta sama praktyka ma zastosowanie, gdy AI analizuje kod, umowy, eksperymenty lub dane rynkowe.

Historia YTD nie jest więc ani czystym triumfem maszyny, ani powodem, by ignorować badania generowane przez AI. To żywy test procesu hybrydowego: modele wyszukują i syntetyzują, eksperci wybierają i weryfikują, a szersza społeczność próbuje podważyć wynik.

Pytanie, które należy zadać w nadchodzących miesiącach, jest konkretne. Czy niezależni geometrzy potrafią zweryfikować pięciowymiarową rozmaitość, wskazać silniejszy warunek stabilności, który ona narusza, oraz odtworzyć wystarczającą część procesu AI, aby zaufać sposobowi uzyskania wyniku?