In het interview van 12 september 2026 beschreef Steven Strogatz hoe AI het begrip van bewijzen en de professionele identiteit van wiskundigen verandert. Op 8 september 2026 meldde OpenAI dat zijn AI-systemen een analytisch bewijs en een Lean-formalisering hadden geproduceerd voor een singulariteit in gedwongen, driedimensionale onsamendrukbare Navier–Stokes-vergelijkingen. Dat is nog geen onafhankelijk aanvaarde oplossing van het Millenniumprobleem. Een paar dagen eerder, op 4 september, meldde Anthropic dat Claude een bestaand bewijs van Fermats Laatste Stelling had geformaliseerd. Indrukwekkend? Zeker. Een nieuwe stelling ontdekt? Nee.
De twee ontwikkelingen laten vooral zien dat “AI lost wiskunde op” te grof is als samenvatting. Een systeem kan nieuw ogend onderzoek versnellen, bestaand werk in een formele taal gieten of duizenden kleine bewijsstappen controleren. Dat zijn verschillende prestaties — met verschillende eisen aan menselijke beoordeling.
Niet elke AI-doorbraak is hetzelfde
De kern van het verhaal zit in het onderscheid tussen een gerapporteerde onderzoeksclaim, een formalisering van bestaande wiskunde en een door de gemeenschap aanvaarde stelling.
| Onderwerp | Wiskundig doel | Huidige status | Wat experts moeten beoordelen | Menselijke bijdrage |
| OpenAI en Navier–Stokes | Een singulariteit in eindige tijd aantonen onder gedwongen, driedimensionale en onsamendrukbare Navier–Stokes-voorwaarden | OpenAI meldde het resultaat; het is nog niet onafhankelijk aanvaard | Of de constructie het juiste wiskundige probleem behandelt en standhoudt onder deskundige controle | Reikwijdte, aannames en betekenis van het resultaat beoordelen |
| Anthropic en Claude | Een bestaand bewijs van Fermats Laatste Stelling formaliseren in Lean | Formalisering van gevestigde wiskunde | Of de formele ontwikkeling het bestaande bewijs en de gebruikte aannames correct weergeeft | Het bewijs begrijpen, uitleggen en in context plaatsen |
Wat OpenAI over Navier–Stokes meldde
OpenAI beschreef een resultaat over de Navier–Stokes-vergelijkingen: vergelijkingen die onder meer stroming, druk, viscositeit en externe krachten modelleren. In de gemelde constructie ging het om een singulariteit in eindige tijd, waarbij de snelheid onder de opgegeven voorwaarden onbeperkt zou worden.
Dat raakt aan het Navier–Stokes-bestaan- en gladheidsprobleem, een van de zeven Millenniumproblemen van het Clay Mathematics Institute. Aan elk probleem is een prijs van 1 miljoen Amerikaanse dollar verbonden. Maar de aankondiging van OpenAI maakt het probleem niet automatisch opgelost. De voorwaarden voor toekenning van het Millenniumprijzengeld staan los van de vraag of wiskundigen een argument correct vinden; een bedrijfsbericht beslist geen van beide.
Het antwoord op de praktische vraag is dus eenvoudig: nee, de aankondiging van OpenAI betekent niet dat het Millenniumprobleem is opgelost. De onderneming meldde een specifieke constructie en een formalisering; de onafhankelijke wiskundige beoordeling bepaalt of die de bedoelde vraag daadwerkelijk beantwoordt.
Wat Claude met Fermats bewijs deed
Anthropic meldde op 4 september 2026 dat Claude een bestaand bewijs van Fermats Laatste Stelling in Lean had geformaliseerd. Daarbij werden ongeveer 29.500 tussenstellingen in het uiteindelijke bewijs gebruikt; in totaal werden volgens Anthropic ongeveer 30.300 tussenstellingen bewezen.
Claude ontdekte Fermats Laatste Stelling dus niet. De stelling was al bewezen door Andrew Wiles, samen met Richard Taylor. De prestatie van Claude lag in het omzetten van bestaande wiskunde naar een vorm die een formeel systeem stap voor stap kan controleren.
Dat verschil is geen semantisch detail. Nieuwe wiskunde vinden vraagt om een inhoudelijke doorbraak. Een bestaand bewijs formaliseren vraagt om enorme precisie, technische volharding en controle van alle tussenstappen. Beide kunnen waardevol zijn, maar ze beantwoorden niet dezelfde vraag.
Wat Lean wel en niet controleert
Lean is een bewijsassistent: software die formeel opgeschreven bewijsstappen mechanisch controleert. Het systeem werkt met gecodeerde definities, axioma’s en aannames. Als de formele ontwikkeling klopt, kan Lean controleren dat de ene stap uit de vorige volgt.
Daarmee verdwijnen menselijke beoordelaars niet uit beeld. Een fout in de vertaling van het oorspronkelijke probleem kan buiten de afzonderlijke stapcontroles vallen. Ook moet iemand beoordelen of de gekozen definities en aannames werkelijk overeenkomen met de wiskundige vraag die men wilde beantwoorden.
Een Lean-formalisering bewijst dus dat de ingevoerde keten binnen het formele systeem werkt. Ze bepaalt niet zelfstandig of de juiste vraag is geformaliseerd, of de aanpak wiskundig betekenisvol is, of de gemeenschap het resultaat als oplossing aanvaardt. De computer controleert de steentjes; mensen moeten nog steeds beoordelen of het bouwwerk het juiste gebouw is.
De menselijke prijs van AI-wiskunde
Steven Strogatz ziet in deze ontwikkelingen zowel versnelling als gevaar. Hij beschrijft menselijke experts voorlopig als de mensen die machinegegenereerde bewijzen begrijpelijk moeten maken — een proces dat hij “proof digestion” noemt. In natuurlijk Nederlands: bewijzen verteren, zodat anderen niet alleen kunnen zien dát de stappen kloppen, maar ook begrijpen waarom ze ertoe doen.
Strogatz waarschuwde bovendien dat onderzoekers in de toekomst mogelijk niet meer kunnen concurreren zonder AI wanneer ze baanbrekende wiskunde willen bedrijven. Zijn zorg gaat daarmee verder dan productiviteit. Het gaat om begrip, motivatie en de vraag wie nog aan de grens van de kennis staat.
Alex Townsend beschreef een vergelijkbare spanning vanuit zijn eigen loopbaan. Na vijftien jaar onderzoek zei hij dat een AI-systeem zijn vroegere piekniveau leek te overstijgen. AI kan moeilijk onderzoek haalbaarder maken, maar kan onderzoekers tegelijk het gevoel geven dat zij niet langer zelf de frontier van hun vakgebied bepalen.
Dat is geen bewijs dat menselijke wiskundigen verdwijnen. Het is wel een concrete waarschuwing over hoe de waarde van hun werk kan verschuiven: van zelf elke stap vinden naar problemen kiezen, resultaten interpreteren, fouten opsporen en betekenis geven aan bewijs dat deels door machines is gegenereerd.
De volgende stap is begrip
De recente ontwikkelingen maken AI niet tot één soort wiskundige uitvinder. OpenAI meldde een ambitieuze, nog niet onafhankelijk aanvaarde Navier–Stokes-constructie. Anthropic meldde een grootschalige formalisering van bestaand werk rond Fermats Laatste Stelling. Lean kan formele stappen nauwgezet controleren, maar menselijke experts moeten de reikwijdte, aannames en betekenis blijven beoordelen.
Voor de wiskunde ligt de echte grens daarom niet alleen bij het produceren van meer bewijs. De doorslaggevende vraag is of mensen de resultaten nog kunnen reconstrueren, uitleggen en verantwoord erkennen. Zolang dat nodig blijft, hebben menselijke wiskundigen geen bijrol — hun werk verandert vooral van vorm.
