תגליות מתמטיות של OpenAI: המודלים פתרו בעיות פתוחות, כולל התקדמות בבעיית מילניום

ב-27 באוקטובר הודיעה OpenAI כי המודלים שלה השיגו שלוש תגליות מתמטיות ומדעיות חדשות במתמטיקה, מדעי המחשב ופיזיקה, ובראשן הוכחה של השערת ה-local smoothing באנליזה הרמונית בכל ממד מרחבי, וכן התקדמות הקשורה לאחת מבעיות המילניום. התוצאות הועברו לקהילות האקדמיות לבדיקה עצמאית, כפי שדווח ב-Al Jazeera. במאמר הזה נפרק מה בדיוק נטען, איך מודל שפה מגיע להוכחה מתמטית, מה תהליך האימות שצפוי עכשיו, ומה כל זה אומר בפועל למי שבונה מערכות על גבי מודלים אלה בפרודקשן.

מה בדיוק הכריזה OpenAI ב-27 באוקטובר?

ההכרזה כוללת שלוש תוצאות נפרדות: הוכחה מלאה של השערת ה-local smoothing באנליזה הרמונית בכל ממד מרחבי, תוצאה במדעי המחשב ותוצאה בפיזיקה. לפי הדיווח, אחת מהתוצאות נוגעת להתקדמות חלקית בבעיה מתוך רשימת בעיות פרס המילניום של מכון קליי, רשימה של שבע בעיות שעל פתרון כל אחת מהן מוצע פרס של מיליון דולר. חשוב להדגיש: מדובר בטענה של החברה, לא בתוצאה מאומתת.

OpenAI נקטה כאן צעד נכון מבחינה מדעית: במקום להסתפק בהודעה לעיתונות, היא העבירה את ההוכחות לקהילות המחקר הרלוונטיות לבדיקה. זה ההבדל בין הישג שיווקי לבין תרומה מדעית. תהליך ביקורת עמיתים בהוכחות מתמטיות ברמה הזו עשוי להימשך חודשים, ולעיתים יותר, במיוחד כשההוכחה ארוכה או משתמשת בטכניקות לא שגרתיות.

אם הטענות יאומתו, זהו מעבר פאזה: עד כה מודלים הפגינו יכולת לפתור בעיות שהפתרון שלהן קיים בספרות או ניתן לגזירה ממנה. כאן הטענה היא לייצור ידע מתמטי חדש שלא היה קיים קודם, כלומר הרחבה של גבול הידע האנושי ולא רק דחיסה שלו.

מהי השערת ה-local smoothing ולמה היא נחשבת בעיה קשה?

השערת ה-local smoothing היא בעיה פתוחה מרכזית באנליזה הרמונית, תחום מתמטי שעוסק בפירוק פונקציות לרכיבי תדר, בדומה להתמרת פורייה שמוכרת לכל מהנדס עיבוד אותות. ההשערה, שנוסחה על ידי כריסטופר סוֹגֶה בתחילת שנות התשעים, עוסקת בשאלה כמה "חלקים" הופכים פתרונות של משוואת הגלים כאשר ממצעים אותם לאורך זמן, ומנוסחת כחסמים על נורמות מסוג L^p של הפתרון.

הקושי נובע מכך שההשערה קשורה בקשרים הדוקים לבעיות פתוחות מפורסמות אחרות, ובהן השערת קאקייה והשערת ה-restriction של התמרת פורייה. התקדמות ב-local smoothing גוררת לרוב תובנות לבעיות השכנות. עד היום הוכחו מקרים חלקיים בלבד: המקרה הדו-ממדי הוכרע ב-2020 על ידי לארי גוּת, הונג וואנג וג'ושוע זאל, בעבודה שנחשבה פריצת דרך. טענה להוכחה בכל ממד מרחבי היא אפוא קפיצה משמעותית מעבר למצב הידע הקיים.

בדיוק בגלל הרשת הזו של תלויות בין השערות, לקהילה המתמטית יש כלים טובים לבדוק את הטענה: הוכחה אמיתית צריכה להשתלב בעקביות עם כל מה שכבר ידוע, וכל סתירה תצוף מהר.

אנליזה הרמונית

תחום מתמטי שעוסק בפירוק פונקציות לרכיבי תדר, בדומה להתמרת פורייה המוכרת ממהנדסי עיבוד אותות.

השערת ה-local smoothing

השערה שנוסחה על ידי כריסטופר סוגה בתחילת שנות התשעים, העוסקת בכמה 'חלקים' הופכים פתרונות של משוואת הגלים כאשר ממצעים אותם לאורך זמן.

בעיות פרס המילניום

רשימה של שבע בעיות פתוחות שהגדיר מכון קליי, שעל פתרון כל אחת מהן מוצע פרס של מיליון דולר.

מודלי היסק (reasoning models)

מודלים שמוקצה להם תקציב חישוב גדול בזמן ההרצה, כך שהם מייצרים שרשראות חשיבה ארוכות, בוחנים כיווני התקפה מרובים ונסוגים ממבואות סתומים.

Lean 4

שפת הוכחות פורמלית שבה כל צעד לוגי נבדק מכנית על ידי קומפיילר - הוכחה שעוברת קומפילציה נחשבת מאומתת מכנית.

איך מודל שפה מגיע להוכחה מתמטית חדשה?

היכולת הזו לא צמחה מאימון רגיל על טקסט, אלא משילוב של שלושה רכיבים ארכיטקטוניים שהבשילו בשנתיים האחרונות. הראשון הוא מודלי היסק (reasoning models) שמוקצה להם תקציב חישוב גדול בזמן ההרצה (test-time compute), כך שהם מייצרים שרשראות חשיבה ארוכות, בוחנים כיווני התקפה מרובים ונסוגים ממבואות סתומים. השני הוא למידת חיזוק על בעיות עם תוצאה ניתנת לאימות, שמלמדת את המודל להעדיף מהלכים שמתקדמים לעבר הוכחה תקפה. השלישי הוא לולאת חיפוש: המודל מייצר אלפי ניסיונות חלקיים, מדרג אותם ומרחיב את המבטיחים שבהם.

אימות פורמלי: למה Lean משנה את התמונה

רכיב קריטי בתהליך הוא אימות פורמלי באמצעות מערכות כמו Lean 4, שפת הוכחות שבה כל צעד לוגי נבדק מכנית על ידי קומפיילר. כשהוכחה כתובה ב-Lean, השאלה "האם היא נכונה" הופכת מבעיה של שיפוט אנושי לבעיה של קומפילציה: או שהקוד עובר או שלא. DeepMind הדגימה את הגישה הזו עם AlphaProof, שהשיג ב-2024 תוצאה ברמת מדליית כסף באולימפיאדת המתמטיקה הבינלאומית, וב-2025 הגיעו מודלים של OpenAI ו-Google לרמת מדליית זהב באותה תחרות. אם ההוכחות החדשות של OpenAI מלוות בגרסה פורמלית, תהליך האימות האקדמי יתקצר דרמטית. אם מדובר בהוכחות בשפה טבעית בלבד, הבדיקה האנושית תהיה ארוכה וזהירה יותר.

מה תהליך האימות האקדמי, ומה עלול להשתבש?

התשובה הקצרה: עד שמומחים בלתי תלויים יעברו על כל שורה, הטענות נשארות בגדר טענות. להיסטוריה של המתמטיקה יש שובל ארוך של הוכחות שקרסו בבדיקה, גם כשהגיעו ממתמטיקאים מהשורה הראשונה. אצל מודלי שפה הסיכון ספציפי יותר: הזיות (hallucinations) בצורת צעד לוגי שנראה משכנע, מנוסח בביטחון מלא, אך מכיל פער דק. בהוכחה בת עשרות עמודים מספיק פער אחד כזה כדי להפיל את הכול.

לכן סביר שהבדיקה תתנהל בכמה שכבות: קריאה של מומחי אנליזה הרמונית, ניסיון לפרמל קטעים קריטיים במערכת הוכחות מכנית, ובחינת העקביות של התוצאה מול תוצאות ידועות בתחום. גם תרחיש ביניים אפשרי: ההוכחה מכילה רעיון מרכזי חדש ונכון, אך עם פערים טכניים שמתמטיקאים אנושיים ישלימו. גם תרחיש כזה ייחשב תרומה ממשית, בדומה לאופן שבו תוצרי AlphaFold של DeepMind שימשו נקודת פתיחה למחקר אנושי בביולוגיה מבנית.

מנקודת מבט של בוני מוצר, זה שיעור חשוב: ככל שהתוצר של המודל יקר יותר לאימות אנושי, כך גדל הערך של אימות אוטומטי כחלק מהצינור. זה נכון להוכחות מתמטיות וזה נכון לקוד שנכתב בפרודקשן.

מה המשמעות המעשית למי שבונה מוצרים על מודלי AI?

ההכרזה הזו, גם לפני אימות, משרטטת את כיוון התנועה של היכולות, ויש לכך השלכות ארכיטקטוניות קונקרטיות. ראשית, הפער בין משימות "אחזור ידע" למשימות "יצירת ידע" מצטמצם, אבל במחיר: מודלי היסק עם תקציב חשיבה גבוה יקרים בסדרי גודל מקריאת API סטנדרטית, עם זמני תגובה של דקות ולעיתים שעות. בתכנון מערכת, המשמעות היא הפרדה בין מסלול מהיר וזול לשאילתות שגרתיות לבין מסלול "עומק" אסינכרוני לבעיות קשות, עם תורים, callbacks וניהול עלויות ברמת המשימה.

שנית, תבנית העבודה שהוכיחה את עצמה במתמטיקה, כלומר ייצור מועמדים בכמות גדולה ואימות מכני, ניתנת להעתקה לדומיינים עסקיים: ייצור קוד שנבדק מול חבילת טסטים, ייצור קונפיגורציות שנבדקות מול סכמה, ייצור שאילתות שמאומתות מול מסד נתונים. העיקרון זהה: אל תסמכו על פלט בודד של מודל, בנו לולאה של generate-verify-refine שבה המאמת הוא קוד דטרמיניסטי ולא מודל נוסף.

שלישית, שווה לעקוב אחרי בנצ'מרקים ייעודיים כמו FrontierMath של Epoch AI, שנבנה במיוחד כדי למדוד יכולת מתמטית ברמת מחקר. מדדים כאלה נותנים אינדיקציה אמינה יותר מהודעות לעיתונות לגבי מה המודלים באמת יודעים לעשות, ומתי נכון לשדרג רכיב במערכת שלכם למודל חדש.

איך ההישג משתלב במרוץ ה-AI המדעי של 2026?

ההכרזה של OpenAI אינה מתרחשת בוואקום, אלא בתוך תחרות ישירה על הבכורה ב-AI מדעי. Google DeepMind מובילה שנים את הנתיב הזה: AlphaFold פתר את בעיית קיפול החלבונים וזיכה את מפתחיו בפרס נובל לכימיה ב-2024, AlphaProof ו-AlphaGeometry התקדמו בהוכחות פורמליות, ו-AlphaEvolve הדגים שיפור אלגוריתמים בשימוש פנימי בגוגל. במקביל, מעבדות נוספות משקיעות במודלים ייעודיים למדע, והטענה ליצירת תגלית מקורית הפכה למטבע היוקרתי ביותר בתעשייה.

ההקשר הזה חשוב כדי לקרוא את ההכרזה במידתיות: לחברות יש תמריץ עסקי חזק להכריז מוקדם ובניסוח מרשים, במיוחד סביב סבבי גיוס ותחרות על לקוחות ארגוניים. העברת התוצאות לבדיקה אקדמית היא בדיוק המנגנון שמאזן את התמריץ הזה. מי שעוקב אחרי התחום צריך להחזיק שני דברים במקביל: ספקנות בריאה לגבי כל טענה לא מאומתת, והכרה בכך שמגמת העומק של היכולות המתמטיות אמיתית ומתועדת היטב בבנצ'מרקים ובתחרויות פומביות.

אם אפילו אחת משלוש התוצאות תאומת, יווצר תקדים שישנה את אופן העבודה במחקר: מתמטיקאים יתחילו להריץ מודלים על רשימות הבעיות הפתוחות שלהם באופן שיטתי, וקרנות מחקר יצטרכו לנסח מדיניות לגבי קרדיט, אחריות ושקיפות בתגליות שמקורן במכונה.

מבט קדימה: מה כדאי לכם לעשות עם המידע הזה עכשיו

בחודשים הקרובים שווה לעקוב אחרי שלושה סימנים: פרסום ההוכחות המלאות באופן פומבי, תגובות של מומחי אנליזה הרמונית מובילים, וקיומה או היעדרה של גרסה פורמלית ב-Lean. אלה האינדיקטורים שיקבעו אם מדובר ברגע מכונן או בפרק נוסף בסאגת ההכרזות של התעשייה. בינתיים, התבנית ההנדסית שמאחורי ההישג, כלומר הקצאת חישוב בזמן הרצה, חיפוש רחב ואימות מכני, זמינה לכם כבר היום לשימוש במערכות אמיתיות.

מה לבדוק בחודשים הקרובים

• עקבו אחרי פרסום פומבי של ההוכחות המלאות - לא רק הודעות לעיתונות.
• חפשו תגובות של מומחי אנליזה הרמונית מובילים לטענת ההוכחה.
• בדקו אם קיימת גרסה פורמלית ב-Lean - היא תקצר דרמטית את האימות.
• השוו טענות יכולת מול בנצ'מרקים ייעודיים כמו FrontierMath לפני שדרוג מודל במערכת שלכם.
• החזיקו ספקנות בריאה לגבי טענות לא מאומתות לצד הכרה במגמת העומק המתועדת של היכולות.

מי שרוצה להעמיק ביסודות של מודלי היסק, הנדסת פרומפטים ובניית צינורות אימות ימצא את זה בקורסי הבינה המלאכותית המעשיים שלנו, ולמעקב שוטף אחרי אימות התוצאות, מהלכי DeepMind והתפתחויות נוספות בחזית ה-AI המדעי, המשיכו לקרוא במגזין ה-AI של AICourse.