Stel je de wereld van de wiskunde voor als een gigantische, eindeloze bibliotheek. Een lange tijd waren de slimste AI-"studenten" in deze bibliotheek als briljante Solvers (Oplossers). Ze waren geweldig in het uitvoeren van een specifieke, goed geschreven huiswerkopdracht: de instructies lezen en het antwoord vinden. Als je hen een wiskundeprobleem uit een middelbare schoolwedstrijd gaf, konden ze dat vaak sneller oplossen dan een menselijk genie. Ze waren als racewagens op een perfect geasfalteerd circuit: snel, precies en betrouwbaar.

Maar de auteurs van dit paper betogen dat we tegen een muur aanlopen. Deze Solvers zijn geweldig in het voltooien van de race, maar ze kunnen de race niet verzinnen. Ze kunnen niet naar de bibliotheek kijken, een stoffig, onopgelost mysterie vinden dat daar al decennia ligt, en een totaal nieuwe manier bedenken om het te kraken.

Het paper suggereert dat het tijd is om te stoppen met het bouwen van betere racewagens en te beginnen met het bouwen van Research Agents (Onderzoekers-agenten). Dit zijn niet zomaar studenten die instructies opvolgen; het zijn ontdekkingsreizigers die de onbekende gebieden in kunnen trekken, verdwaald kunnen raken, vreemde ideeën kunnen proberen en misschien — heel misschien — iets nieuws kunnen ontdekken.

De Huidige Staat: Het "Solver"-tijdperk

Op dit moment is AI bezig met het verpletteren van bekende uitdagingen.

• De MiniF2F Benchmark: Dit is als een supermoeilijke wiskundetoets voor de middelbare school. In 2021 kreeg AI ongeveer 30% goed. Tegen juli 2025 behaalde een systeem genaamd Seed-Prover een score van 99,6% (243 van de 244 problemen) correct. Het is in feite een perfect cijfer.
• De IMO (International Mathematical Olympiad): Dit zijn de moeilijkste problemen voor de beste scholieren ter wereld. In 2024 behaalde een AI genaamd AlphaProof een score op "zilver medaille"-niveau. Tegen juli 2025 loste Seed-Prover 5 van de 6 problemen van de wedstrijd van 2025 op.

Dit is enorm! Het bewijst dat AI rigoureuze, door machines gecontroleerde wiskunde kan doen. Maar hier is de crux: dit zijn allemaal problemen waarbij het antwoord al bestaat in het universum van de wiskunde. De AI vindt alleen het pad naar een reeds bekende schat.

Het Probleem: De "Onderzoeksachterstand"

Het paper wijst erop dat echt wiskundig onderzoek rommelig is. Het is geen meerkeuzeexamen. Het is alsof je een naald in een hooiberg probeert te vinden, terwijl je nog niet eens weet hoe die naald eruitziet.

De auteurs stellen dat huidige AI-systemen fundamenteel beperkt zijn als het gaat om "frontier research" (grenswetenschappelijk onderzoek).

• De "Herontdekkingsval": Wanneer AI beweert een beroemd openstaand probleem op te lossen (zoals een uit de Erdős Problems lijst, een collectie van meer dan 1.100 lastige wiskundige raadsels), vindt de AI vaak simpelweg een oplossing die mensen al eerder in een boek hebben opgeschreven, maar die de AI niet kende.
• Het "Hallucinatie"-risico: Als je een AI vraagt een probleem op te lossen waarvan de AI het antwoord niet weet, kan de AI een bewijs verzinnen dat er weliswaar "juist" uitziet, maar eigenlijk onzin is. In tegenstelling tot een mens die kan zeggen: "Ik zit vast, ik heb een nieuw idee nodig", loopt een AI vaak vol vertrouwen een ravijn in.

Het paper sluit expliciet de mogelijkheid uit dat de huidige AI klaar is om een solo-wiskundige te zijn die het volgende grote theoretische werk ontdekt. Ze zeggen dat systemen zoals DeepSeek-Prover of AlphaProof nog steeds slechts "Solvers" zijn, en geen "Researchers". Ze kunnen nog steeds de echt onopgeloste reuzen zoals de Riemannhypothese of de Navier-Stokes-vergelijkingen niet aan zonder menselijke hulp.

De Routekaart: Van Solver naar Researcher

Dus, hoe verander je een racewagen in een ontdekkingsreiziger? De auteurs schetsen een kaart met vijf grote hindernissen die overwonnen moeten worden:

1. De Datawoestijn
Stel je voor dat je probeert te leren een roman te schrijven door slechts 10 pagina's tekst te lezen. Dat is het probleem met formele wiskunde. Terwijl er miljarden woorden aan normale tekst op internet staan, zijn er slechts ongeveer 1,3 miljoen regels formele wiskundige code (in een systeem genaamd Lean).

• De oplossing: We moeten AI leren om "menselijke wiskunde" (die vaag is en leunt op context) te vertalen naar "computerwiskunde" (die superprecies is). Dit wordt Autoformalization genoemd. Het paper suggereert dat dit proces verbeteringen ziet, maar het blijft lastig. Een kleine fout in de vertaling kan een moeilijk probleem makkelijk laten lijken, of een makkelijk probleem onmogelijk maken.

2. De Ontbrekende Kaart
Huidige AI behandelt elk wiskundeprobleem als een apart eiland. Maar in de echte wiskunde is alles met elkaar verbonden. Een bewijs in de meetkunde kan bijvoorbeeld steunen op een lemma uit de algebra.

• De oplossing: We moeten een enorme Knowledge Graph (kennisgrafiek) bouwen. Stel je een web voor waarin elke stelling een knooppunt is, en de lijnen die hen verbinden laten zien hoe ze gerelateerd zijn. Als de AI deze verbindingen kan zien, kan zij oude ideeën gebruiken om nieuwe problemen op te lossen, in plaats telkens weer bij nul te beginnen.

3. Van Controleren naar Ontdekken
Op dit moment is AI erg goed in het controleren of een bewijs klopt (Verificatie). Het is slecht in het daadwerkelijk bedenken van het bewijs (Ontdekking).

• De oplossing: We hebben systemen nodig die nieuwe stellingen kunnen conjectureren (vermoeden) en ze vervolgens kunnen bewijzen. Sommige experimenten, zoals AlphaEvolve, proberen dit te doen door de AI nieuwe ideeën te laten "evolueren", vergelijkbaar met hoe de natuur soorten evolueert. Maar het paper merkt op dat dit nog in een vroeg stadium is; de AI kan nog steeds geen nieuw wiskundig concept uitvinden (zoals een nieuw type getal) zoals een menselijk genie dat kan.

4. De Gereedschapskist
Menselijke wiskundigen gebruiken niet alleen hun brein; ze gebruiken rekenmachines, computers en software om het zware werk te doen.

• De oplossing: AI moet ook leren om deze instrumenten te gebruiken. Maar er is een addertje onder het gras: als de AI een rekenmachine vraagt om een som uit te voeren, hoe weet de AI dan dat de rekenmachine geen fout heeft gemaakt? Het paper suggereert dat we betere manieren nodig hebben voor de AI om het werk van deze externe tools te controleren, zodat de AI niet wordt misleid.

5. De Mens-AI Dans
Het paper betoogt dat de toekomst niet "AI versus Mens" is. Het is AI + Mens.

• De oplossing: Zie de AI als een supersnelle onderzoeksassistent. Zij kan duizenden papers in een seconde lezen, 1.000 mogelijke bewijzen controleren en de data organiseren. De mens is de Kapitein, die zorgt voor de intuïtie, het "onderbuikgevoel" en het uiteindelijke oordeel over of een idee werkelijk briljant is of slechts een hallucinatie.
• Praktijkvoorbeeld: Eind 2025 hielp een AI-agent genaamd Aristotle bij het oplossen van een probleem uit de Erdős-lijst. De agent genereerde een bewijs, maar het bleek dat het probleem dat de AI had opgelost een licht "verzwakte" versie van het origineel was. Menselijke wiskundigen moesten ingrijpen om te beseffen dat het oorspronkelijke probleem nog steeds onopgelost was. Dit laat zien dat hoewel AI krachtig is, er nog steeds een mens nodig is om de eerlijkheid te bewaken.

De Kernboodschap

Het paper is een oproep tot actie. Het zegt: "We hebben geweldige Solvers gebouwd. Ze kunnen elke wiskundewedstrijd winnen. Maar om de grenzen van de menselijke kennis te verleggen, hebben we Research Agents nodig."

Deze agents zullen niet alleen de regels volgen; ze zullen ons helpen nieuwe regels te schrijven. Maar het paper is duidelijk: we zijn daar nog niet. De AI is momenteel een briljante leerling, geen meester. Het heeft betere data nodig, betere kaarten, betere tools en bovenal een menselijke partner om het door de donkere, onontgonnen gebieden van de wiskunde te gidsen.

De reis van "Oplossen" naar "Ontdekken" is de volgende grote sprong, en het zal een gezamenlijke inspanning vereisen om daar te komen.