HurDetFunkar

När maskinerna började lösa matematikens svåraste gåtor

Från HurDetFunkar, den gamla skolhjälpen som fått nytt liv. För nyfikenhet är något som aldrig åldras.

Anna Malmberg · 27 oktober 2026

Cykellåset

Tänk dig att du hittar ett gammalt cykellås i en låda. Fyra små hjul med siffrorna 0 till 9. Koden har du glömt.

Du kan börja på 0000 och vrida dig fram. Förr eller senare klickar det. Med ett hjul tar det högst tio försök. Med två hjul hundra. Med fyra hjul tiotusen, en lång och tråkig kväll. Med tjugo hjul skulle du inte bli klar ens om du vred tills solen slocknade.

Men lägg märke till en sak. Om någon viskar koden till dig tar det en sekund att kolla om den stämmer.

Svårt att hitta. Lätt att kontrollera. Det är egentligen hela berättelsen.

Två bokstäver som delar världen i två

Matematiker har namn på det här. De kallar det P och NP.

Allt som är lätt att lösa är förstås också lätt att kontrollera. Den stora frågan är tvärtom: är allt som är lätt att kontrollera också lätt att lösa? Det kallas P mot NP, och det är ett av de sju så kallade millennieproblemen. Den som löser det får en miljon dollar.

Nästan alla tror att svaret är nej. Att det finns lås som bara går att öppna genom att vrida igenom alla hjul.

Därför spelar det roll för dig

Bankkoder, kortbetalningar och krypterade meddelanden vilar på just den skillnaden. Den som vill bryta sig in måste vrida igenom alla hjul. Den som har nyckeln kommer in direkt.

Om det visade sig att varje lås har en genväg skulle mycket av nätets säkerhet behöva byggas om. Samtidigt skulle enorma problem plötsligt bli lösbara: schemaläggning, transporter, läkemedelsdesign. Det är därför frågan både skrämmer och lockar.

Berget och tunneln

Tänk dig två byar på var sin sida om ett högt berg. Avståndet fågelvägen är kort, men vägen går över toppen. Ju längre bort grannbyn ligger, desto högre blir berget, och det växer inte lite utan explosivt.

Så har matematiker länge sett på de svåraste låsen. Det finns ingen genväg. Man måste upp över toppen.

Vissa har drömt om en tunnel rakt igenom berget. Det vore att P är lika med NP: varje lås som är lätt att kontrollera skulle också vara lätt att öppna.

Hypotesen som föll

På 1990-talet formulerade två datavetare, Russell Impagliazzo och Ramamohan Paturi, en skarpare version av tanken om berget. Den kallas exponentialtidshypotesen, på engelska Exponential Time Hypothesis, förkortat ETH.

Den säger ungefär så här: för en viss sorts logikpussel finns det ingen väg som är märkbart kortare än att gå över toppen. Arbetet måste växa explosivt när pusslet blir större.

Hundratals forskningsartiklar har byggt vidare på det antagandet. Det har fungerat som en grund att bygga hus på.

Nu har ett AI-system visat att hypotesen inte stämmer. Det finns en genväg. Beviset är kontrollerat i datorprogrammet Lean, och just nu granskas det av forskare, bland dem en av de två som en gång formulerade hypotesen.

Vad genvägen är, och inte är

Tillbaka till cykellåset. Att vrida igenom alla hjul blint är att gå över toppen. Genvägen liknar mer att lyssna på mekaniken inuti låset. Om första siffran är en nia kan den tredje inte vara en fyra. Plötsligt slipper man pröva stora mängder kombinationer utan att någonsin röra dem.

Det viktiga är vad genvägen inte är. Den är ingen tunnel rakt igenom. Berget är fortfarande högt, men det finns ett pass lägre ner än någon trodde. Arbetet växer fortfarande snabbt, bara inte lika explosivt.

P är alltså med största sannolikhet fortfarande inte lika med NP. Nätets säkerhet faller inte i morgon. Men en vägg som alla trodde var en naturlag visade sig ha en dörr. Och ingen vet ännu var den leder.

Fler gåtor som föll

ETH var inte ensam. Under några veckor kom hundratals lösningar på en gång. Här är fyra som säger något om vidden.

Navier–Stokes-ekvationerna beskriver hur vätskor och gaser rör sig: luften runt en flygplansvinge, blodet i ett hjärta, vädret. I grunden är de bara Newtons gamla regel om kraft och rörelse, tillämpad på något som flyter.

De är lätta att skriva ner men nästan omöjliga att räkna igenom. Den öppna frågan var om en virvel i teorin kan snurra allt snabbare tills den blir oändligt snabb, på ändlig tid.

AI-systemet konstruerade ett sådant fall, i en variant där vätskan dessutom får en jämn knuff utifrån. Tänk på en konståkare som drar in armarna och snurrar fortare. Virveln sträcks ut och blir allt tunnare, tills den på ett enda ställe snurrar oändligt fort.

För den som bygger flygplan eller konstgjorda hjärtan ändras ingenting i morgon. Virvlar är lika svåra att förutsäga som förut. Men vi vet mer om vad ekvationerna rymmer.

Riemannhypotesen: primtalens musik

Primtal är tal som bara går att dela med sig själva och ett: 2, 3, 5, 7, 11. De är multiplikationens byggstenar, och de dyker upp till synes på måfå.

På 1800-talet upptäckte Bernhard Riemann att primtalen döljer ett mönster, ungefär som musik. Tänk dig en orkester där varje instrument spelar en ton, och alla toner tillsammans bildar primtalen. Riemannhypotesen säger att alla instrument spelar exakt lika starkt. Ingen har kunnat bevisa det på över 160 år.

AI-systemet bevisade inte hela hypotesen. Det bevisade en svagare version, en kvasi-Riemannhypotes: inget instrument spelar orimligt starkt. Det låter litet, men ingen trodde att det skulle hända under vår livstid. Hela hypotesen kräver fortfarande en idé som ingen har.

Unique Games: när det är lönlöst att leta bättre

Många problem går inte att lösa perfekt, så man nöjer sig med ett tillräckligt bra svar. Men hur bra kan det bli? Unique Games-förmodan från 2002 skulle, om den stämde, ge svaret för en mängd sådana problem på en gång.

Forskarvärlden har bytt åsikt om den år från år. Nu visade AI-systemet att den stämmer, med hjälp av stora steg som människor redan tagit på vägen.

Fermats stora sats: kontrollerad rad för rad

Fermats stora sats löstes av människan Andrew Wiles 1994, efter sju års ensamt arbete. Beviset är så långt och svårt att få kan följa det.

Nu har ett AI-system skrivit om hela beviset i Lean, ett datorprogram som kontrollerar varje logiskt steg ända ner till grunden. Det blev ungefär 13 miljoner rader. Experter trodde att det skulle ta flera år till. Det tog elva dagar.

Ballongen och plattorna

En naturlig fråga är om maskinen hittar på något nytt, eller om den bara pusslar ihop det vi redan vet.

Tänk dig allt som mänsklig matematik har kommit fram till som en ballong. Allt inuti går att nå genom att kombinera idéer vi redan har. Kritiker säger att AI bara rör sig inuti ballongen. Den har läst varje artikel som skrivits, något ingen människa hinner, och kombinerar dem skickligt. Men den blåser inte upp ballongen.

En annan bild är golvplattor. Du har ett antal plattor, alltså kända idéer, och får lägga en ny platta bredvid en gammal, åt vilket håll du vill. Det låter begränsat. Men med tillräckligt många plattor i rätt ordning når man oväntat långt bort.

När forskare läser beviset för kvasi-Riemannhypotesen ser de mest kända drag. Det häpnadsväckande är kedjan: drag efter drag i en ordning ingen människa kom på. Flera forskare hade varit nära samma väg tjugo år tidigare.

Dimman som lättar

Kanske är frågan om ballongen mindre viktig än den låter. Ballongen är nämligen inte genomskinlig. Ingen vet hur stor den är, eller vad som ligger bredvid vad därinne. Att kunna se in i den är redan enormt.

Och även ett svar som "bara" kombinerar gammalt kan ändra kartan. När ett problem som alla trodde var svårt visar sig vara lätt, får hela forskningsområden tänka om vilka frågor som är värda att ställa.

Det som fortfarande verkar mänskligt är att hitta på helt nya begrepp, att dra i ballongens kant så att den får en ny form. Det har AI inte visat ännu. Ingen vet om det kommer.

Dörrvakten

Ett fint hotell funderar på att spara pengar. "Vi betalar någon för att öppna en dörr. En automatisk dörr gör samma sak billigare."

Men dörrvakten gjorde mycket mer. Hälsade gästerna välkomna och kände igen stamkunderna. Bar väskor, ropade in taxi, höll obehöriga borta. Fick folk att känna sig väl omhändertagna. Allt det försvann med den automatiska dörren.

Det här kallas dörrvaktsfelet: att krympa ett yrke till dess mest synliga uppgift och tro att man kan ersätta hela jobbet genom att automatisera just den.

Vad gör en matematiker?

Den synliga uppgiften är att bevisa satser. Det är den AI nu gör, och gör förbluffande bra.

Men en matematiker är snarare någon som tänker djupt. Bevisen är en biprodukt. Lika viktigt är att ställa rätt frågor, hitta nya sätt att se på gamla saker, se kopplingar mellan områden och förklara för andra så att förståelsen sprider sig.

Fram till nyligen gick allt det hand i hand. Den som kunde lösa svåra problem hade nästan alltid också djup förståelse. Nu kan man trycka på en knapp och få lösningen utan förståelsen.

Varför, inte bara att

Det finns en gammal pjäs skriven av en matematiker. John von Neumann, en av 1900-talets skarpaste hjärnor, dör och kommer till himlen. Han får ställa en fråga till Gud och frågar om Riemannhypotesen är sann. Gud svarar ja. Alla andas ut.

Men von Neumann är inte nöjd. "Hur vet du det?" Gud svarar att han helt enkelt vet var alla nollställen ligger. Det räcker inte för von Neumann.

Det säger något om vad matematik är. Den handlar inte om fakta utan om varför. Att få veta att något stämmer, utan att förstå varför, har inte lärt oss någonting.

Ett maskinbevis kan vara korrekt rad för rad och ändå vara obegripligt, som att följa en vägbeskrivning i mörker. Det människor vill ha är berättelsen: var man fastnade, varför man valde vänster i stället för höger, vad man lärde sig på vägen.

Helikoptern på toppen

Tänk dig att du i flera år har tränat för att bestiga ett berg. Du har gått lite högre för varje tur. Så en dag landar en helikopter och släpper av dig på toppen.

Utsikten är densamma. Men något viktigt saknas.

Andrew Wiles har beskrivit ögonblicket när han vid sitt skrivbord äntligen såg hur beviset för Fermats sats skulle gå ihop. Han sa att inget ögonblick i hans liv någonsin skulle bli lika starkt igen. Det ögonblicket går inte att få genom att trycka på en knapp.

Det som går förlorat

Många unga forskare har lagt år på tålmodigt arbete mot ett känt problem. Plötsligt är problemet löst över en natt, av en maskin. Det är lite som en spoiler för en film: man kan inte glömma den. Det är svårt att utforska en väg med samma glädje när man vet var den slutar.

Det gamla receptet för en forskarkarriär var enkelt. En ung forskare valde ett känt problem som många brydde sig om och kom lite längre än någon före. Resultatet blev en uppmärksammad artikel, och plötsligt visste folk vem hen var. Det gav tjänster, anslag och nästa steg i karriären.

Nu fungerar det receptet allt sämre. Ett problem som en doktorand kunde ha ägnat flera år åt kan en maskin lösa över en natt. Och när hundratals AI-lösningar kommer på en gång är det svårt för en enskild människas framsteg att synas. Ingen har ännu skrivit ett nytt recept. Det skapar oro och en frestelse att jaga snabba resultat, i stället för att tålmodigt plantera frön som en dag kan bli ekar.

Det finns en risk till: att forskare börjar hålla sina bästa idéer hemliga, av rädsla för att en maskin ska ta sista steget. Matematiken har alltid varit ovanligt öppen. Det vore sorgligt att förlora.

Men också något som vinns

Att veta att en lösning finns kan också sporra. Om vi fick veta att ett annat land uppfunnit teleportering skulle vi sannolikt lista ut den själva inom några år.

Och verktyget är en fantastisk lärare. Den som läser en svår text kan fråga en AI om varje ord den inte förstår, tills den hittar precis nästa steg den behöver. För nyfikna människor, unga som gamla, har det aldrig varit lättare att lära sig något nytt.

Gångertabellen

Miniräknaren kom för länge sedan, och barn lär sig fortfarande gångertabellen. Där man slutade med det blev det sämre, inte bättre. Att kunna något själv ger frihet, även när en maskin kan göra det åt en.

På universiteten syns redan en klyfta. Studenter som använder AI för att kolla sin förståelse, "förhör mig på det här", får bättre resultat än någonsin. Studenter som låter AI göra läxan åt dem halkar efter.

Kanske är det rådet som håller bäst i en osäker tid: var nyfiken, lär dig grunderna själv, tillåt dig att ha tråkigt ibland. Och fundera på vad du skulle göra om du redan hade vunnit, om du inte behövde bevisa något för någon. Gör det.

Det vi inte vet än

När det händer så mycket så fort är det lätt att ryckas med. Här är det som fortfarande är osäkert.

En sak går ändå att säga säkert. Kraftfulla verktyg kräver omdöme. Ett felaktigt matematiskt bevis skadar ingen, eftersom det kan kontrolleras. Men ju mer vi lämnar över till maskiner där misstag får verkliga följder, desto viktigare blir det att vi människor förstår vad de gör.

Frågor att ta vidare

Den här texten är skriven för att delas. Klistra in den i en AI och ställ en av frågorna nedan, eller ta upp dem vid köksbordet.

  1. Ge mig ett eget vardagsexempel på något som är svårt att lösa men lätt att kontrollera.
  2. Varför skulle det vara så farligt för internet om P var lika med NP?
  3. Om en maskin bevisar något som ingen människa förstår, är det då ett bevis?
  4. Vilka yrken riskerar dörrvaktsfelet, och vad gör de människorna egentligen som syns minst?
  5. Vad är skillnaden mellan att veta att något stämmer och att förstå varför?
  6. Hur kan jag använda AI för att lära mig mer, i stället för att tänka mindre?
  7. Vad skulle jag ägna mig åt om jag inte behövde bevisa något för någon?

Källor

Videor