Volgens WIRED steeg het slagingspercentage van de beste geteste AI-modellen op theoretische wetenschapsproblemen van ongeveer 2% rond medio 2024 naar ongeveer 35% rond medio 2026. Het gaat om resultaten op een afgebakende benchmark in zes vakgebieden, niet om een meting van wetenschap in het algemeen. Het verschil tussen de afgeronde percentages is ongeveer 33 procentpunten. WIRED beschreef de studie van Neil Thompson, Gabriel Manso en Claudio Mayrink Verdun.
Wat de benchmark onderzocht
De onderzoekers testten OpenAI o1, o3, GPT-5, GPT-5.1, GPT-5.4 en GPT-5.5 op theoretische problemen uit artikelen die tussen december 2025 en mei 2026 online waren verschenen. De zes vakgebieden waren kansrekening, statistische theorie, economische theorie, hoge-energietheorie, gravitatie en kosmologie, en kwantumfysica. Volgens WIRED was internettoegang tijdens de tests geblokkeerd; de oplossingen die als juiste antwoorden golden, verschenen in artikelen die na de trainingscutoffs van de geteste modellen waren gepubliceerd.
De opzet bakende de test ook inhoudelijk af: problemen waarvoor simulaties of experimenten nodig waren, vielen erbuiten. De gemelde stijging zegt dus iets over de prestaties op deze theoretische vraagstukken, niet over experimenteel onderzoek.
Waarom controle belangrijk blijft
Een hogere score betekent niet dat elk modelantwoord klopt. Gabriel Manso benadrukte volgens WIRED dat onderzoekers ideeën moeten aandragen én volledige oplossingen moeten kunnen controleren. Los daarvan meldde WIRED dat OpenAI na publicatie verschillende oplossingen uit een dataset terugtrok.
Die controlekwestie staat ook centraal in NeoTeo’s eerdere bespreking van AI-claims over wiskundig bewijs.
BootLoops laat een andere onderzoeksroute zien
Een afzonderlijk project laat zien hoe AI ook kan helpen bij het opsporen en uitwerken van wiskundige structuren in wetenschappelijke literatuur. Science berichtte dat onderzoekers Claude met de toolset BootLoops gebruikten om 30 voorbeelden van een klasse integralen op te lossen; 15 daarvan werden beschreven als eerder onopgelost. Het bredere werk resulteerde volgens Science in 36 preprints.
Dat is een andere aanpak dan de vaste benchmark: BootLoops werd ingezet in onderzoeksprojecten over verschillende vakgebieden, met menselijke onderzoekers die vragen selecteerden en resultaten beoordeelden. Science beschreef hun deskundige oordeel als een belangrijk onderdeel van het werk. Science berichtte over de integralen en de bredere BootLoops-projecten.
