OpenAI julkaisi 722 matematiikkakäsikirjoitusta – tarkastus alkaa nyt

OpenAI julkaisi 6. lokakuuta 2026 GitHubissa 722 matematiikkakäsikirjoitusta 372 tulosperheessä ja veti seuraavana päivänä kolme pois sekä korjasi 14 muuta, kertoo Retraction Watch. Luvut kuvaavat julkaistua tutkimusaineistoa ja sen ensimmäisiä muutoksia, eivät riippumattomasti hyväksyttyjen tulosten määrää.

OpenAI kuvaa julkistuksessaan julkaisemattoman sisäisen huippumallinsa tuottaman aineiston tavoitteeksi ”to push the frontier of human knowledge and enable further progress in mathematics” ja kertoo julkaisevansa myös kymmenen tiivistelmää mallin päättelystä. Käsikirjoitusten rinnalla on koneellisesti tarkistettavia Lean-formalisaatioita, mutta tulokset ovat eri vaiheissa matemaattista arviointia.

722 käsikirjoitusta kuuluu 372 tulosperheeseen

Käsikirjoitus on yksittäinen teksti; tulosperhe kokoaa samaan tutkimukselliseen kokonaisuuteen päätuloksen, sitä tukevia argumentteja, seurauksia tai vaihtoehtoisia todistuksia. Julkaisun kaksi lukua mittaavat siis eri asioita. Perhe voi sisältää useita tekstejä, ja yhden väitteen perustelu voi nojata toisessa käsikirjoituksessa esitettyyn tulokseen. Siksi asiakirjojen laskeminen ei kerro, kuinka monta erillistä avointa ongelmaa on ratkaistu.

Aineisto kattaa muun muassa geometrian, algebran ja teoreettisen tietojenkäsittelytieteen kysymyksiä. Nämä alat vaativat erilaista taustatietoa: väitteen uutuus riippuu aiemmasta kirjallisuudesta ja todistuksen pätevyys sen täsmällisistä oletuksista. Yhteen koottu julkaisu helpottaa materiaalin löytämistä, mutta samalla se siirtää huomattavan arviointityön eri alojen matemaatikoille. Laaja kokoelma voi sisältää sekä vahvoja että korjausta vaativia tuloksia, vaikka kaikki kirjoitukset näkyvät samassa luettelossa.

GitHub-julkaisu tarjoaa käsikirjoitusten PDF-tiedostot, lähdetiedostot ja kirjoituskohtaiset viittausohjeet. Niiden avulla väitteen sanamuotoa voi verrata myöhempään versioon ja tutkimusviitteeseen, joka käyttää sitä. Tämä on olennaista etenkin silloin, kun saman tulosperheen tekstit rakentuvat toistensa varaan: muutos päätuloksessa voi vaikuttaa myös sen varaan kirjoitettuun seuraukseen.

Poisvedot paljastivat todistusten riippuvuudet

OpenAI:n muutoshistorian mukaan etumerkkivirhe mitätöi yhden käsikirjoituksen argumentin sekä kahden siitä riippuvan kirjoituksen konstruktion; lisäksi yhtiö korjasi 14 muuta käsikirjoitusta ja päivitti 13 kirjoituksen viitteet korjattuihin versioihin. Nykyisessä luettelossa on 719 käsikirjoitusta, ja muutoshistorian mukaan 300 päätulosta eli noin 42 prosenttia on formalisoitu Leanilla. Alkuperäinen julkaisumäärä ja nykyinen luettelomäärä kuvaavat siten saman aineiston eri vaiheita.

Virhe ei koskenut vain irrallista laskua. Kun todistus käyttää aiempaa rakennetta lähtökohtanaan, siinä tehty korjaus voi muuttaa myöhemmän tekstin väitettä tai poistaa perusteen koko johtopäätökseltä. Tämän vuoksi poisvedettyjen käsikirjoitusten merkitys selviää vasta, kun nähdään, mitä tulosperheen muut kirjoitukset niistä lainaavat. Sama riippuvuus toimii myös toiseen suuntaan: tekstin paikallinen korjaus ei automaattisesti kumoa sen ympärillä olevia erillisiä tuloksia.

Lipschitz-korkeuksia ja Ashkin–Teller-virtoja käsittelevissä teksteissä paikattiin esimerkiksi reunakiinnitystä, ehdollistamista ja suppenemista koskevia argumentteja. Kählerin minimaalisten mallien kirjoituksissa taas laajennettiin positiivisuuteen ja supistuksiin liittyviä perusteluja sekä täsmennettiin, millä oletuksilla aiempia tuloksia käytetään. Kyse ei siis ollut vain kirjoitusasun siistimisestä: korjausten luonne määräytyy sen mukaan, mihin todistusvaiheeseen tai riippuvuuteen ne osuvat.

Poisvedetyt tekstit sisältävät ilmoituksen havaitusta aukosta ja linkin arkistoituun käsikirjoitukseen. Korjattujen kirjoitusten aiemmat versiot pysyvät nähtävillä, ja muutokset kirjataan uusiin versioihin. Myöhempi tutkija voi siksi yksilöidä, mihin väitteen muotoon hänen käyttämänsä viite perustuu, vaikka argumentti olisi sittemmin muuttunut.

Lean tarkistaa muodon, vertaisarviointi merkityksen

Lean-formalisaatio on tärkeä osa tarkastusta: tietokone voi käydä täsmälliseen kieleen kirjoitetun todistuksen läpi sen käyttämien sääntöjen ja oletusten puitteissa. Tällainen tarkistus antaa vahvaa näyttöä siitä, että formalisoitu johtopäätös seuraa formalisoiduista lähtökohdista. Se ei kuitenkaan yksin ratkaise, vastaavatko lähtökohdat alkuperäistä avointa ongelmaa tai onko käsikirjoituksen laajempi väite sama kuin koneellisesti tarkistettu lause.

Osasta kokoelman päätuloksia on formalisaatio, osasta ei. Myös formalisoidun tuloksen kohdalla matemaatikon on arvioitava väitteen tulkinta, suhteet aiempiin tutkimuksiin ja se, onko menetelmä aidosti uusi. Jos käsikirjoitus vetoaa apulauseeseen, riippumaton arviointi seuraa myös tämän apulauseen oletuksia ja sen paikkaa todistusketjussa. Julkinen tarkistettavuus ja valmis vertaisarviointi ovat siten eri vaiheita samassa tutkimusprosessissa.

Aineiston koko tekee erosta erityisen tärkeän. Yksittäinen asiantuntija ei voi tuntea kaikkien käsiteltyjen alojen kirjallisuutta yhtä tarkasti, eikä onnistunut formaalinen tarkistus anna arviota tuloksen merkityksestä muille tutkijoille. Joillekin väitteille olennaisin kysymys on todistuksen aukko, toisille väitteen oikea rajaus tai aiemman työn osuus. Arvo alkaa hahmottua vasta tuloskohtaisessa keskustelussa, kun samaa tekstiä arvioidaan myös sen omalla tutkimusalalla.

Yksittäisen väitteen asema ratkaisee kokoelman arvon

Tutkijalle olennaista on yksilöidä tarkasteltava lause, sen tulosperhe ja käytetty käsikirjoitusversio. Sen jälkeen voidaan erottaa, onko kyse päätuloksesta vai toisen todistuksen tarvitsemasta apuväitteestä, mitkä oletukset kuuluvat väitteeseen ja mikä osa siitä on formalisoitu. Tämä ketju kertoo enemmän kuin tieto siitä, että teksti ylipäätään kuuluu julkaistuun kokoelmaan. Samalla se näyttää, mihin mahdollinen korjaus vaikuttaisi.

Riippumattomat matemaatikot joutuvat lisäksi arvioimaan, ratkaiseeko kirjoituksessa todistettu lause juuri sen ongelman, johon se liitetään, ja mitä asiasta tiedettiin jo ennen julkaisua. Kyse on sekä oikeellisuudesta että uutuudesta: täysin pätevä todistus voi käsitellä ennestään tunnettua tulosta, kun taas kiinnostava uusi väite voi vielä odottaa aukotonta perustelua. Seuraavat ratkaisevat tiedot ovat uudet korjaukset, lisäformalisaatiot ja alaansa tuntevien tutkijoiden yksilöidyt arviot.

Lue myös:

• OpenAI-agentit muokkasivat Wikimediaa – murtoa ei silti löytynyt
• OpenAI API vai Claude API? Halpa token ei kerro tehtävän hintaa
• 15 miljoonaa Instagram-julkaisua: tilin tyyppi ennusti sitoutumista