OpenAI: מצאנו פתרונות לבעיות פתוחות — החוקרים זועמים

OpenAI עושה את זה שוב. החברה פרסמה שלוש תוצאות פורצות דרך במתמטיקה, במדעי המחשב ובפיזיקה — כולן נוצרו על ידי מודלים של AI. במקום לשחרר את הכול בבת אחת, הפעם הוחלט לעבוד עם מומחים חיצוניים. אבל הקהילה האקדמית? פחות מתרשמת מהשיטה.

שלוש תוצאות — כולן עשויות לפצח בעיות פתוחות

מתמטיקה: השערת קאקיה נפתרת בכל ממד

בואו נתחיל ממה שעשוי להיות הסיפור הגדול ביותר. התוצאה המתמטית עוסקת ב-harmonic analysis, וטוענת לפתרון של local smoothing conjecture בכל ממד — מה שפותר גם את השערת קאקיה וגם את השערת Stein's restriction.

מהי השערת קאקיה? בערך הכי פשוט שאפשר לתאר: כמה שטח מינימלי נדרש כדי לסובב מקל בכל כיוון וכיוון? ההשערה אומרת — אפס. הבעיה הזו מעסיקה מתמטיקאים מאז שנות ה-20 של המאה הקודמת.

ב-2019, חוקרים (Guth, Wang, Zhang) הוכיחו את local smoothing conjecture בשני ממדים. השנה, Wang ו-Zahl הוכיחו את השערת קאקיה בשלושה ממדים. OpenAI טוענת שהמודל שלה הוכיח את התוצאה בכל ממד — ולכן פתר את שתי השערות הפתוחות. ״ההוכחה מבוססת על משוואה דיפרנציאלית חלקית חדשה״, נכתב בהודעה.

התוצאה הושגה ב-18 באוקטובר 2026, ופורמלזה ב-Lean (מערכת לאימות פורמלי) כבר למחרת. פרופסור Brendan Hassett מאוניברסיטת Brown אמר ל-The Verge שהטענות ״נראות well-supported״, אם כי טרם בדק את הפורמליזציה.

מדעי המחשב: ETH מת

התוצאה השנייה טוענת להפרכת Exponential Time Hypothesis — אחת ההנחות החשובות ביותר במדעי המחשב התיאורטיים.

מה זה ETH? זו ההנחה שבעיות מסוימות (כמו SAT) אינן ניתנות לפתרון מהר משמעותית מ-brute force. ההנחה הזו שימשה במאות מאמרים להוכחות מותנות של קושי חישובי בגאולוגיה, בביולוגיה חישובית, במסדי נתונים ועוד.

מה הקשר ל-P מול NP? ETH חזקה יותר — אם ETH שגויה, זה לא פותר את שאלת P מול NP, אבל זה מסיר מכשול משמעותי מהדרך.

OpenAI פרסמה את פלט המודל (כולל הוכחה באנגלית ופורמליזציה ב-Lean) ישירות ל-GitHub.

פיזיקה: Yang-Mills

התוצאה השלישית עוסקת ב-quantum chromodynamics — התיאוריה של הכוח הגרעיני החזק — וב-Yang-Mills theory, שהיא אחת מבעיות פרס המילניום במתמטיקה.

כאן OpenAI עדיין לא שחררה את החומרים. קבוצת מומחים חיצונית תחליט מתי ואיך.

---

אז מה בעצם קרה כאן?

OpenAI פרסמה את התוצאות ב-27 באוקטובר 2026 — אלא שהפעם, במקום להטיל מאות עבודות על הקהילה, כפי שעשתה לפני כמה שבועות, היא בחרה ב-״shepherds״ — מומחים שמובילים את שיתופי הפעולה.

לכל תוצאה יש אסטרטגיית שחרור שונה:

• מתמטיקה: הפלט של AI שוחרר לציבור. חוקרים חופשיים לארגן מאמצים משלהם להבנת התוצאה.
• מדעי המחשב: קבוצה חיצונית הוקמה כדי להסביר את התוצאה, וכן שוחררה מיד פורמליזציה ב-Lean.
• פיזיקה: קבוצה חיצונית הוקמה, וחבריה הם המחליטים הבלעדיים על מועד השחרור.

OpenAI הכריזה על עקרונות מנחים:

• שקיפות: אי-ייחוס, שיתוף חופשי של עבודת ביניים ופרסומים.
• ללא קרדיט אקדמי: OpenAI לא לוקחת קרדיט על הגילויים.
• עצמאות: המשתתפים מתנדבים ללא תשלום.
• הכרה: הקבוצה זוכה להכרה על עבודתה.

הביקורת: ״אסון״ ו״שערורייה״

ובכל זאת, הקהילה לא שותקת.

Constantin Kogler, חוקר ב-Institute for Advanced Study, אמר:

״אין היגיון בכך שרק מדענים מובילים יכולים לראות את זה תחילה.״

Andreas Karch, פרופסור לפיזיקה באוניברסיטת טקסס באוסטין, היה חריף יותר:

״העובדה שהם בוחרים את הקבוצה היא אסון. למעבדות הגדולות יש מספיק כוח כפי שזה. הן לא צריכות לבחור מי מנצח ומי מפסיד.״

Karch גם שאל מדוע OpenAI לא יכולה ״לשחרר את ההוכחה עכשיו״, בנוסף להרכב צוות מומחים. ״זה יהפוך את הגישה לדמוקרטית יותר, ועדיין יראה שאכפת להם להעניק לתוצאות משמעות והבנה״, אמר.

שיעור מהעבר

OpenAI עצמה הודתה ש״לכל גישה יש trade-offs״. בחירת מובילים מעצבת מי נחשף ראשון ויוצרת ״asymmetry of information״.

זה נשמע מוכר? בתחילת אוקטובר 2026, OpenAI הטילה מאות preprints לא מתואמים על הקהילה המתמטית. התוצאה הייתה ביקורת חריפה. הפעם, גישה אחרת — אבל לא כולם מרוצים.

שלוש גישות, שלוש שאלות

האם שחרור מלא (מתמטיקה) עובד? האם קבוצה חיצונית עם גישה פתוחה (מדעי המחשב) עדיפה? או שקבוצה חיצונית סגורה (פיזיקה) היא הדרך?

OpenAI אמרה בגלוי: ״איננו יודעים עדיין איזו מהגישות הללו תהיה השימושית ביותר.״ היא מזמינה פידבק.

ההשלכות? ענקיות. אם התוצאות נכונות, מדובר בפריצות דרך תיאורטיות בתחומים שאינם ״פתורים״ כבר עשרות שנים.

מה הלאה?

המתמטיקה כבר ב-GitHub. מדעי המחשב — עם הוכחה צמודה ב-Lean. הפיזיקה? החומרים עדיין סגורים.

OpenAI מדגישה: ״אנו מזמינים שיתוף פעולה להרחבת ההשתתפות ולשיפור התהליך.״

בינתיים, הקהילה ממשיכה לחקור — ולבקר.