HurDetFunkar

När maskinerna började lösa matematikens svåraste gåtor

Från HurDetFunkar, den gamla skolhjälpen som fått nytt liv. För nyfikenhet är något som aldrig åldras. Senast uppdaterad den 31 oktober 2026.

Anna Malmberg

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: gåtan i marginalen

Alla som gått i skolan känner igen Pythagoras sats. I en rätvinklig triangel är 3² + 4² = 5², alltså 9 + 16 = 25. Det finns oändligt många sådana heltal som går jämnt ut.

Men byt kvadraterna mot kuber, och det tar tvärstopp. Det finns inga hela tal där a³ + b³ = c³. Inte heller med upphöjt till fyra, fem eller något högre tal. Det påståendet är Fermats stora sats.

År 1637 skrev den franske juristen och amatörmatematikern Pierre de Fermat det i marginalen till en gammal matematikbok. Han lade till att han hade ett verkligt underbart bevis, men att marginalen var för smal för att rymma det. Sedan dog han, och beviset hittades aldrig.

I över 350 år försökte de skarpaste hjärnorna i världen. Påståendet var så enkelt att ett barn kan förstå det, men ingen kunde bevisa det. Datorer kontrollerade miljontals tal, och det stämde varje gång. Men att det stämmer för många tal är inte ett bevis. Matematiken kräver att det stämmer för alla.

Ett exempel visar varför. 31 är ett primtal. Så är 331, 3 331, 33 331 och de tre som följer efter. Sju primtal i rad, i ett vackert mönster. Men det åttonde, 333 333 331, är inte ett primtal. Det är 17 × 19 607 843. Mönstret höll precis länge nog för att lura oss. Det är därför matematiker inte nöjer sig med mönster.

En pojke i England, Andrew Wiles, läste om gåtan som tioåring på biblioteket och bestämde sig för att lösa den. Som vuxen matematiker arbetade han i sju år, mest i hemlighet. År 1993 berättade han att han var klar. Sedan hittades ett fel i beviset. Efter ett års slit, med hjälp av en tidigare elev, lagade han det. Beviset gick via en bro mellan två helt olika delar av matematiken, som ingen tidigare lyckats bygga.

Beviset är över hundra sidor långt och så svårt att bara ett fåtal i världen kan följa det rad för rad.

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.

Två sorters bibliotek

Lean har ett gemensamt bibliotek som heter Mathlib. Där samlas all matematik som någon redan har kontrollerat: definitioner, satser och bevis. Den som vill bevisa något nytt slipper börja från noll med att förklara för datorn vad ett tal är. Man bygger vidare på det som redan finns. Mathlib har vuxit under ungefär tio år, och hundratals matematiker världen över har bidragit, ungefär som när många hjälps åt med ett uppslagsverk.

Den som har programmerat känner kanske igen ordet bibliotek från något annat håll. I programspråket Python skriver man import math för att få tillgång till kvadratrötter, sinus och pi. Men det är två helt olika saker:

Det ena svarar på frågan hur mycket. Det andra svarar på frågan är det sant, alltid.

När AI:n kontrollerade Fermats stora sats byggde den långt utanför det som redan fanns i Mathlib. Beviset blev korrekt men rörigt, ungefär som ett hus där allt håller men inget står på sin rätta plats. Att städa in det i biblioteket, så att andra kan bygga vidare på det, är ett arbete som människor nu har framför sig.

De sju millennieproblemen

År 2000 valde Clay-institutet i USA ut sju matematiska problem som de ansåg vara de viktigaste olösta. Den som löser ett av dem får en miljon dollar. Så här såg det ut i oktober 2026:

  1. P mot NP. Är allt som är lätt att kontrollera också lätt att lösa? Olöst.
  2. Riemannhypotesen. Gömmer primtalen ett perfekt mönster? Olöst. AI har bevisat en svagare variant.
  3. Navier–Stokes. Kan en virvel i vatten snurra oändligt fort? AI har visat det i en variant där vätskan får en knuff utifrån. Om det räcker för priset är inte avgjort.
  4. Yang–Mills. Matematiken bakom kraften som håller ihop atomkärnor. AI har bevisat ena halvan, att teorin kan finnas. Den andra halvan återstår.
  5. Hodgeförmodan. Hur former i högre dimensioner kan byggas av enklare delar. Olöst. AI har bevisat ett specialfall.
  6. Birch och Swinnerton-Dyer. När har vissa ekvationer oändligt många lösningar i bråktal? Olöst.
  7. Poincaréförmodan. Kan varje form utan hål plattas ut till en sfär? Löst av ryssen Grigori Perelman 2003. Han tackade nej till miljonen.

Ett problem är alltså helt löst, och det av en människa. AI har bitit i fyra av de andra utan att något av dem är helt avgjort. Takten är så hög att listan kan vara inaktuell när du läser det här. Fråga gärna en AI vad som hänt sedan dess.

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.

Golfbollen

Den svenske filosofen Nick Bostrom har funderat på just det här. Tänk dig en värld där maskinerna kan göra allt, och där det finns en genväg till varje mål. Vad finns det då kvar för oss att göra?

Hans svar är golf. Målet i golf är att få en boll i arton hål. Det skulle vara mycket enklare att plocka upp bollen och lägga den där. Men då har man inte spelat golf. Hela poängen är att göra det på det svåra sättet, med en klubba och med egen träning.

Kanske är det samma sak med matematik. En maskin kan ta oss till toppen med helikopter. Men den som vill få känna det Wiles kände vid sitt skrivbord måste fortfarande gå själv. Och det är inte meningslöst bara för att det finns en genväg.

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.

Solnedgången från ett annat solsystem

Fysikern Richard Feynman ställde en gång en fråga som är värd att ta med sig. Vi kan skriva ner ekvationerna som styr ljus, vatten och materia. Men om du aldrig hade varit på jorden och bara hade ekvationerna, skulle du då kunna förutse en solnedgång? Tidvattnet? En storm?

Tänk dig att du sitter i ett annat solsystem, tillsammans med världens smartaste AI. Ni har löst varje matematiskt problem som finns. Kan ni därifrån se en sommarkväll vid en sjö i Värmland?

En solnedgång, ja. Ur ekvationerna går det att räkna ut att himlen blir röd när solen står lågt. Ljuset går då genom mer luft, och det blå sprids bort på vägen. Det går också att räkna ut att månen lägger en glittrande gata över vattnet, och att en blank sjö speglar medan ett stormigt hav splittrar ljuset i tusen bitar.

Den här solnedgången, nej. För att se just den här kvällen behöver du veta var varje moln, varje vindpust och varje krusning befinner sig. Vädret är kaotiskt. En pytteliten skillnad i början blir en helt annan himmel några dagar senare. Det räcker inte att vara smartast. Du skulle behöva mäta hela jorden in i minsta detalj.

Att den är vacker, kanske aldrig. Kanske går det till och med att räkna ut att det sitter människor vid sjön, och hur deras ögon och sinnen fungerar. Men inte ens två människor ser samma solnedgång med samma känsla. En stannar, förundras, tar en bild och märker inte ens att myggen biter. En annan flyr myggen och går hellre in och ser på tv. Ingen ekvation säger vem som är vem. Det vet vi bara för att någon står där och känner det.

Att kunna alla regler är inte samma sak som att förstå allt som reglerna kan skapa. Maskinerna kommer att lösa fler och fler av matematikens gåtor. Men att stanna upp vid vattnet och titta, det får vi fortfarande göra själva.

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