AI-doorbraken schudden wiskundeonderzoek en opleiding op

Een nieuwe aflevering van The Verge-podcast Decoder laat zien hoe snel geavanceerde AI het wiskundeonderzoek opschudt. Aanleiding is Astra, een nog niet uitgebracht model van OpenAI dat volgens het bedrijf tien langlopende problemen in de wiskunde en theoretische informatica heeft opgelost of wezenlijk verder heeft gebracht.

Voor Nederlandse en Belgische universiteiten, lerarenopleidingen en wiskundedocenten zit het nieuws niet alleen in die tien resultaten. De grotere vraag is wat studenten en promovendi straks nog zelf moeten kunnen aantonen wanneer een model onderzoeksmatige bewijzen kan voorstellen én formeel kan laten controleren. Tegelijk is er geen reden om basisvaardigheden af te schrijven: de prestaties van AI blijven sterk verschillen per soort wiskundige taak.

Wat er nieuw is

The Verge publiceerde de podcast en het transcript op 20 augustus 2026. De nieuwe aflevering bouwt voort op eerdere verslaggeving van dezelfde redactie en op OpenAI's aankondiging van 1 augustus. De actualiteit zit daarom vooral in de journalistieke duiding van de gevolgen voor het vakgebied, niet in een nieuwe productlancering.

OpenAI schrijft dat een interne versie van Astra resultaten produceerde in onder meer meetkunde in hoge dimensies, codeertheorie, groepentheorie, kwantumcomplexiteit en roostercryptografie. Mensen hielpen de argumenten om te zetten in manuscripten. Het model formaliseerde ze daarna in Lean-certificaten, die OpenAI ook openbaar maakte.

Lean is een programmeertaal en bewijsassistent waarmee een precies geformaliseerde stelling en bewijsstappen machinaal kunnen worden gecontroleerd. Dat is sterk bewijs voor de logische geldigheid van de formele versie. Het bepaalt niet automatisch of de gekozen stelling belangrijk of nieuw is, of de natuurlijke-taalclaim exact overeenkomt met de formalisering en of alle eerdere menselijke bijdragen goed zijn toegeschreven.

The Verge sprak voor de onderliggende verslaggeving met bijna een dozijn wiskundigen. Onderzoekers uit de behandelde vakgebieden vonden de resultaten overwegend indrukwekkend. Tegelijk blijven belangrijke zaken onbekend: Astra is niet publiek beschikbaar, OpenAI meldt niet hoeveel problemen of oplossingsroutes zijn geprobeerd en het is niet duidelijk hoeveel vakinhoudelijke sturing vooraf nodig was. The Verge beschrijft bovendien dat OpenAI een te ruime claim over het ontbreken van eerdere vooruitgang heeft aangepast nadat onderzoekers op recent werk wezen.

De kansen voor onderwijs en onderzoek

Voor het hoger onderwijs kan AI een nieuw soort onderzoeksinstrument worden. Een student of onderzoeker kan een model gebruiken om verbanden tussen deelgebieden te verkennen, tegenvoorbeelden te zoeken, een bewijsstrategie te bekritiseren of een informele redenering voor te bereiden op formalisering. Een bewijsassistent voegt daar een controleerbare laag aan toe die een gewone vloeiende chatbotuitleg niet heeft.

Dat biedt ook didactische mogelijkheden. In een vak over bewijzen kunnen studenten bijvoorbeeld:

• een door AI voorgestelde redenering stap voor stap controleren;
• opsporen waar een informele aanname niet in de formele stelling terugkomt;
• twee bewijsroutes vergelijken op helderheid, generaliseerbaarheid en benodigde voorkennis;
• uitleggen welke menselijke keuze de richting van het bewijs bepaalde;
• ervaren waarom een machinaal geldig bewijs nog niet vanzelf een betekenisvolle onderzoeksvraag oplevert.

Voor talentvolle bachelorstudenten en onderzoekers buiten de best gefinancierde instellingen kan zulke ondersteuning de toegang tot specialistische methoden verbreden. The Verge noemt voorbeelden van studenten die met AI werk op een hoger niveau konden uitvoeren. Die democratisering is echter alleen geloofwaardig wanneer toegang, rekenkosten en begeleiding niet uitsluitend bij een kleine groep rijke instellingen of commerciële laboratoria liggen.

Opleiden en toetsen worden ingewikkelder

De grootste onderwijsuitdaging is dat wiskundige vorming meer omvat dan een eindbewijs. Studenten leren een goede vraag kiezen, voorbeelden bouwen, mislukte routes herkennen, definities aanscherpen, literatuur verbinden en beoordelen waarom een resultaat ertoe doet. Juist die vaardigheden zijn nodig om AI-uitvoer te kunnen sturen en controleren.

Bij beoordeling wordt een keurig eindproduct daarom minder overtuigend als zelfstandig bewijs van beheersing. Opleidingen kunnen vaker vragen om een procesdossier met probleemkeuze, tussenstappen, mislukte pogingen, gebruikte bronnen, AI-interacties, menselijke correcties en de exacte formele verklaring die is gecontroleerd. Een korte mondelinge verdediging kan zichtbaar maken of een student de kern van het argument begrijpt en op nieuwe bezwaren kan reageren.

Voor promotietrajecten is de onzekerheid groter. Een onderzoeksvraag die bij de start geschikt lijkt, kan tijdens een vierjarig traject binnen bereik van krachtigere modellen komen. Dat betekent niet dat de promovendus overbodig wordt. Het betekent wel dat begeleiders vaker meerdere onderzoekslijnen, herbruikbare methoden en expliciete leerdoelen nodig hebben, zodat een traject niet volledig afhangt van één open probleem.

Ook de publicatiedruk verandert. The Verge meldt dat wiskundigen al veel AI-ondersteunde manuscripten en vragen ontvangen die de indiener zelf niet kan controleren. Meer productie zonder voldoende vakkennis verschuift werk naar begeleiders, reviewers en redacties. Onderwijs in onderzoeksintegriteit moet daarom niet alleen gaan over het vermelden van AI, maar ook over verantwoordelijkheid voor juistheid, bronverwijzingen en de hoeveelheid menselijke verificatie.

Kosten, toegang en afhankelijkheid

OpenAI schat dat de tokens voor de gevonden oplossingen ongeveer 2.000 dollar zouden kosten tegen de API-prijs van Sol. Dat bedrag omvat niet vanzelfsprekend modelontwikkeling, specialistisch personeel en alle niet-gerapporteerde zoek- of mislukte oplossingsroutes. Het is dus geen betrouwbare raming voor wat een universiteit nodig heeft om zulke resultaten te reproduceren.

Daarmee ontstaat een nieuw toegankelijkheidsvraagstuk. Traditioneel wiskundeonderzoek kan soms met weinig meer dan tijd, literatuur en een schoolbord. Wanneer onderzoek afhankelijk wordt van kostbare modellen, rekencapaciteit en gesloten laboratoria, kunnen promovendi en instellingen ongelijke kansen krijgen. Astra is bovendien nog niet uitgebracht, waardoor onafhankelijke onderzoekers het beschreven systeem niet zelf onder dezelfde omstandigheden kunnen testen.

Vertrouwelijkheid blijft eveneens relevant. Ongepubliceerde ideeën, conceptbewijzen, referee-rapporten, subsidieaanvragen en samenwerkingsnotities horen niet zonder toestemming en passende instellingsafspraken in een commerciële AI-omgeving. Ook bij zuivere wiskunde kan vroegtijdig delen gevolgen hebben voor auteurschap, publicatie en intellectueel eigendom.

Wat teams nu kunnen afspreken

• Leg per vak en opdracht vast of AI mag helpen bij verkennen, bewijzen, formaliseren of controleren, en welk denkwerk aantoonbaar van de student moet blijven.
• Vraag bij beoordeeld werk om procesbewijs en een mondelinge toelichting wanneer eigen begrip centraal staat.
• Laat studenten modelversie, prompts, bronmateriaal, menselijke ingrepen en gebruikte Lean-omgeving documenteren als die relevant zijn voor reproduceerbaarheid.
• Behandel een formeel certificaat als controle van een precieze formele claim, niet als automatisch bewijs van nieuwheid, belang of correcte bronvermelding.
• Investeer in basisvaardigheden, bewijsbegrip en vakkennis; zonder die basis wordt overtuigende AI-uitvoer juist moeilijker te beoordelen.
• Bespreek in onderzoeks- en promotieteams vooraf wat er gebeurt wanneer AI een gekozen probleem onverwacht oplost of de onderzoeksvraag ingrijpend verandert.
• Maak institutionele afspraken over toegang, kosten, vertrouwelijke concepten, auteurschap en verantwoordelijkheid voordat een gesloten onderzoeksmodel onderdeel wordt van de workflow.

De kern

De resultaten rond Astra zijn een serieus signaal dat AI niet alleen bekende sommen kan oefenen, maar ook kan bijdragen aan onderzoeksmatige wiskunde. De nieuwe verslaggeving van The Verge laat tegelijk zien hoeveel nog onbekend is over selectie, menselijke sturing, kosten en herhaalbaarheid. Voor het onderwijs is de beste reactie daarom niet minder wiskunde leren, maar scherper onderwijzen wat een goede vraag, een controleerbaar bewijs en verantwoord onderzoek werkelijk zijn.