Muse Spark od Mety pomógł zamknąć 5 otwartych problemów matematycznych
Meta opublikowała sześć prac matematycznych napisanych z Muse Spark w zwykłym czacie meta.ai. Pięć rozwiązuje otwarte problemy - sprawdzam, ile w tym zasługi modelu.

👁 155 przeczytań
Meta opublikowała 2 października 2026 r. sześć prac matematycznych, które ludzie napisali razem z modelem Muse Spark - pięć z nich rozwiązuje problemy uznawane dotąd za otwarte. Matematycy nie używali żadnego specjalnego laboratorium, tylko zwykłego czatu meta.ai w trybie Thinking.
Ogłoszenie ukazało się na blogu Meta Research pod tytułem „Solving Open Research Problems Together”, a listę prac rozesłał na X szef Meta Superintelligence Labs Alexandr Wang. Zespół korzystał z Muse Spark 1.1 i 1.2 w trybie Thinking. Każda praca oznacza, które fragmenty napisali ludzie, a które model, a wyniki sprawdzała osobna grupa matematyków.
Zobacz wpis na X
Sześć prac i co w nich jest
- Dopasowanie elipsoidy do punktów gaussowskich (Aykut Arslan) - wyznaczono ostry próg: dopasowanie udaje się z dużym prawdopodobieństwem poniżej około d²/4 punktów, a powyżej zawodzi. Zachowanie dokładnie na progu pozostaje otwarte. Meta przyznaje, że w sierpniu 2026 r. trzy niezależne zespoły doszły do podobnych wyników innymi metodami.
- Zapadanie się fal w biharmonicznym nieliniowym równaniu Schrödingera (Leonard Dinh) - dowód, że symetryczne rozwiązania o ujemnej energii zapadają się w skończonym czasie. Problem był otwarty od 2015 r., a potwierdza symulacje komputerowe z 2002 r.
- Grupy semiabelowe nie muszą być monomialne (Joseph Phillip Brennan, Milana Golich) - Muse Spark napisał program w systemie GAP, który znalazł kontrprzykład z 384 elementami do hipotezy M. Kidy z 2024 r. Inny agent AI (Nilradical) 16 września niezależnie znalazł inny kontrprzykład.
- Relaksacja oparta na cyklach (Aykut Arslan) - odpowiedź na pytanie postawione w 2026 r. przez Del Pię i Khajavirada o to, kiedy przybliżenia w optymalizacji wielomianowej są dokładne.
- Funkcja dwupunktowa struny a funkcja wysokości na krzywej (pięciu autorów) - praca z pogranicza teorii strun i teorii liczb. Nie zamyka otwartego problemu, tylko rozwija znane powiązanie. Model wygenerował kandydackie dowody i napisał szkice trzech sekcji technicznych.
- Rozwiązywalne algebry ewolucyjne (Andres Barei) - trójwymiarowy kontrprzykład do hipotezy Garcíi-Martíneza i Péreza-Rodrígueza. Tu też inni badacze (Hu i Wen) równolegle zgłosili kontrprzykłady.
- 5 z 6 prac odpowiada na problem uznawany za otwarty
- najstarszy: od 2015 r. (równanie Schrödingera)
- kontrprzykład z 384 elementami do hipotezy z 2024 r.
- 3 z 6 wyników równolegle uzyskali inni (w tym inny agent AI)
- problemy wybierali i nadzorowali ludzie
- nie zmierzono oszczędności czasu ani odsetka błędów
Gdzie są granice tego wyniku
Przeczytałem wpis Mety i komentarze i widzę trzy zastrzeżenia, o których nagłówki milczą:
- To nie model wybierał problemy ani sam sprawdzał wyniki. Kierunek nadawali matematycy, a weryfikowała druga grupa ludzi.
- W trzech z sześciu przypadków inni doszli do podobnych wyników w tym samym czasie, w tym inny agent AI. Te problemy były „dojrzałe” do rozwiązania.
- Nikt nie zmierzył, ile czasu model oszczędził ani jak często jego propozycje były błędne. Serwis AlphaSignal zwraca uwagę, że to dowód użytecznego wkładu pod ścisłym nadzorem eksperta, a nie autonomicznego odkrywania.
Mimo to sam kontrprzykład z 384 elementami to dobry przykład tego, w czym modele są dziś mocne. Nie „wymyślają matematyki”, tylko szybko piszą program przeszukujący i proponują argumenty, które człowiek może sprawdzić. Podobną drogą szło wcześniej OpenAI, o czym pisałem przy problemach matematycznych rozwiązanych z modelem Astra.
Following gold-medal-level performance from our AI models across five competitions in mathematics, physics, and chemistry, we asked a harder question: can AI contribute when a problem is genuinely open?
- AI at Meta (@AIatMeta) 2 października 2026
Co to znaczy dla Ciebie
Najciekawsze jest to, że badacze korzystali ze zwykłego czatu meta.ai, a nie z narzędzia dla laboratoriów. Muse Spark i jego dostępność w Polsce opisałem w przewodniku Muse Spark 1.3 od Mety, a co z Meta AI działa nad Wisłą - w tekście Meta AI w Polsce. Jeśli uczysz się matematyki, pamiętaj o lekcji z tych prac: model jest dobry do pisania kodu przeszukującego i szkicowania dowodu, ale każdy krok trzeba sprawdzić. Które modele najrzadziej mylą się w szkolnych zadaniach, sprawdziłem w teście 9 modeli.
Źródła: Meta Research, „Solving Open Research Problems Together” (2.10.2026); wpis Alexandra Wanga na X; AlphaSignal. Sprawdzone 4 października 2026.

Autor
Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.
Czytaj dalej
Newsy · AI wygrywa z matematykami pamięcią roboczą, nie inteligencjąDavide Piffer stawia tezę, że przewaga AI w matematyce wynika nie z lepszego rozumowania, lecz z dostępu do praktycznie nieograniczonej symbolicznej...
Newsy · Twój nowy kolega z pracy nie potrzebuje przepustki. I to jest problemNewCore wychodzi z ukrycia z 66 mln dolarów i tezą, że agenci AI to nie narzędzia, tylko pracownicy - którym ktoś musi w końcu wydać identyfikator.
Newsy · Halucynacje nie znikną. Pramaana Labs chce je po prostu obstawić matematykąStartup z 27 mln dolarów od Khosla Ventures stawia tezę, że najtrudniejsze problemy AI nie są nierozwiązywalne, tylko niesformalizowane.- przelomowy.plTest 10 modeli AI w zakupach: więcej rozumowania podnosi pewność, nie trafność wyboru
- generatornia.plŻyczenia świąteczne obrazek: jak zrobić kartkę AI na komunikatory
- przewagi.plAutomatyzacja faktur: zacznij od obiegu i wyjątków, potem dodaj AI
- jutropis.plKE konsultuje formularz oceny wpływu AI na prawa podstawowe



