Przejdź do treści
Sklep

Newsy

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.

Tekst: 4 min czytania
Muse Spark od Mety pomógł zamknąć 5 otwartych problemów matematycznych
Spis treści 3
  1. Sześć prac i co w nich jest
  2. Gdzie są granice tego wyniku
  3. Co to znaczy dla Ciebie

👁 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.

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.
Sześć prac z Muse Spark w liczbach
Co zamknięto
  • 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.
Gdzie są zastrzeżenia
  • 3 z 6 wyników równolegle uzyskali inni (w tym inny agent AI)
  • problemy wybierali i nadzorowali ludzie
  • nie zmierzono oszczędności czasu ani odsetka błędów
Źródło: Meta Research, 2.10.2026. Grafika: promptowy.com.

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.

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.

Piotr Olszewski

Autor

Twórca i autor Promptowego, polskiego serwisu o sztucznej inteligencji. Codziennie śledzi premiery modeli, narzędzia i regulacje AI, i tłumaczy je prostym, konkretnym językiem.

O mnie →Wszystkie teksty →

Czytaj dalej

Narzędzia do tego tematu

darmowe, bez kontaWszystkie 29 →
z sieci - nowe teksty w moich serwisach

Wszystkie moje projekty →

Najczęściej czytane

7 dni
  1. 1GPT-6.2 Astra vs Claude Fable 5.2 vs Gemini 4 Carbon: benchmarki i mój test na 7 modelach (z Opus 5.5)
  2. 2Plakat festiwalu z polskim napisem: prompt i test 6 generatorów obrazu (Prompt dnia 14.11)
  3. 330 promptów do ChatGPT Images i 10 do przerabiania zdjęć
🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →