Muse Spark i matematycy. Pięć otwartych problemów rozwiązanych

Co opublikowała Meta

Zespół Meta AI Research zebrał na swoim blogu sześć prac, w których model Muse Spark występuje obok ludzkich autorów. W każdej z nich badacz lub zespół badaczy wybrał problem i prowadził pracę, a druga grupa matematyków przejrzała gotowe argumenty. Nazwiska recenzentów podano przy każdej pracy, ale wpis nie określa ich afiliacji.

Meta podkreśla, że badacze nie używali żadnego specjalnego środowiska badawczego, tylko zwykłego czatu meta.ai z modelem w trybie Thinking, czyli z wydłużonym rozumowaniem przed odpowiedzią. To odróżnia ten eksperyment od wcześniejszych projektów, w których laboratoria budowały dla modeli osobne systemy do przeszukiwania dowodów.

Muse Spark to ten sam model, który napędza osobistego agenta Meta Muse. Wersję 1.3 firma udostępniła 2 września 2026 roku, ale prace matematyczne powstały na starszych wersjach 1.1 i 1.2.

Jakie problemy matematyczne rozstrzygnięto

Prace dotyczą sześciu różnych dziedzin. Pięć odpowiada na wcześniej otwarte pytania, a szósta rozszerza istniejącą teorię na szerszą klasę obiektów:

• Probabilistyka - praca Aykuta Arslana wskazuje ostry próg liczby losowych punktów gaussowskich, które da się dopasować do elipsoidy w wysokim wymiarze. Zachowanie dokładnie na progu pozostaje nierozstrzygnięte.
• Równania różniczkowe - Leonard Dinh wykazał, że w modelu inspirowanym fizyką laserów, w dwóch i więcej wymiarach, symetryczne fale o ujemnej energii muszą zapaść się w skończonym czasie. Pytanie pozostawało otwarte od 2015 roku.
• Teoria grup - Joseph Phillip Brennan i Milana Golich obalili hipotezę M. Kidy z 2024 roku, że każda skończona grupa semiabelowa jest monomialna. Kontrprzykład ma 384 elementy.
• Optymalizacja - Aykut Arslan odpowiedział na pytanie Del Pii i Khajavirada z 2026 roku o to, kiedy relaksacja problemu optymalizacji wielomianowej dokładnie odtwarza problem wyjściowy.
• Fizyka arytmetyczna - pięcioosobowy zespół rozszerzył znany dla krzywej Tate'a związek między teorią liczb a p-adyczną teorią strun na znacznie szerszą klasę krzywych. To kierunek, który zarysował Jurij Manin w latach 80.
• Algebra niełączna - Andres Barei pokazał trójwymiarowy kontrprzykład do hipotezy Garcíi-Martíneza i Pérez-Rodrígueza o rozpoznawaniu rozwiązalnych algebr ewolucyjnych i zaproponował inne kryterium.

Co zrobiła AI, a co ludzie

Według Meta matematycy odpowiadali za wybór problemów, poprawianie błędów i ostateczną weryfikację. Model pomagał na różnych etapach, zależnie od pracy. W teorii grup napisał program w systemie GAP, który znalazł kontrprzykład. W algebrze ewolucyjnej sam wygenerował kontrprzykład i zaproponował alternatywne charakterystyki wraz z dowodami.

Najdalej idzie praca z fizyki arytmetycznej. Muse Spark pomógł tam dostrzec związek między dwoma obliczeniami, generował kandydackie dowody i napisał szkice trzech głównych sekcji technicznych, które badacze następnie sprawdzili i poprawili. W pracy o równaniu Schrödingera rola modelu była mniejsza: autor sam wybrał kluczowe idee dowodu, a model pomagał w obliczeniach i testowaniu argumentów.

W każdej pracy oznaczono fragmenty napisane głównie przez badaczy i przez AI. To praktyka, której wymagają coraz częściej wydawnictwa naukowe. Na przykład Springer Nature nie uznaje modeli językowych za autorów i oczekuje opisania ich użycia w tekście.

Ograniczenia i informacje niepotwierdzone

Wyniki są ciekawe, ale ich znaczenie łatwo przecenić. Wpis Meta jest materiałem firmy, która promuje własny model, a kilka faktów wymaga ostrożności:

• Prace opublikowano na stronie Meta. Wpis nie informuje o zgłoszeniu ich do recenzowanych czasopism ani o formalnej weryfikacji dowodów w asystencie dowodzenia, takim jak Lean.
• Problem dopasowania elipsoidy w sierpniu 2026 roku niezależnie rozwiązały trzy inne zespoły, m.in. Theodor Misiakiewicz i Garrett G. Wen. Inny kontrprzykład do hipotezy Kidy podał 16 września 2026 roku agent AI Nilradical, a hipotezę o algebrach ewolucyjnych obalili też Hu i Wen.
• Meta nie podała, ile problemów badacze próbowali rozwiązać z modelem bez powodzenia. Bez tej liczby trudno ocenić, jak często taka współpraca daje wynik.
• Większość rozstrzygniętych pytań jest wąska i znana głównie specjalistom. To realne wyniki badawcze, ale nie przełom porównywalny z rozwiązaniem słynnych problemów milenijnych.

Co to oznacza dla naukowców w Polsce

W naszej ocenie najważniejszy jest sposób pracy, a nie sam model. Wyniki powstały w zwykłym czacie, więc podobne podejście może przetestować każdy badacz z dostępem do modelu z wydłużonym rozumowaniem, także Claude, GPT czy Gemini. Meta nie podała, czy tryb Thinking modelu Muse Spark działa w meta.ai dla użytkowników w Polsce.

Prace Meta pokazują też, gdzie model daje najwięcej: w szukaniu kontrprzykładów, pisaniu programów do przeszukiwania i sprawdzaniu wielu wariantów argumentu. Badacz, który chce pracować w ten sposób, powinien:

1. wybrać problem dobrze opisany w literaturze, z jasnym kryterium sukcesu, na przykład hipotezę, którą można obalić kontrprzykładem,
2. zlecać modelowi kod w systemach takich jak GAP lub SageMath i uruchamiać go samodzielnie, zamiast przyjmować wynik na słowo,
3. sprawdzać każdy krok dowodu ręcznie albo w asystencie dowodzenia,
4. przed publikacją przejrzeć bazę arXiv pod kątem równoległych wyników, bo jak pokazuje przypadek Meta, inni mogą rozwiązywać ten sam problem w tym samym czasie,
5. opisać udział AI zgodnie z zasadami wybranego czasopisma.