Gepubliceerd op 12 oktober 2026 | Internationaal — Wetenschap, wiskunde en kunstmatige intelligentie

Kunstmatige intelligentie speelt een steeds grotere rol bij wetenschappelijk onderzoek. AI-systemen kunnen patronen herkennen, mogelijke oplossingen voorstellen en onderzoekers helpen bij ingewikkelde berekeningen. Maar een ontwikkeling rond OpenAI heeft volgens berichtgeving van de Franse krant Le Monde op 12 oktober ook nieuwe vragen opgeroepen binnen de wiskundige gemeenschap. De krant beschreef een omvangrijke verzameling door AI gegenereerde wiskundige manuscripten, waarbij onderzoekers zich afvroegen hoe de claims moesten worden beoordeeld en gecontroleerd. De discussie raakt aan een fundamentele vraag: kan AI wetenschappelijke ontdekkingen versnellen zonder dat de controle op juistheid en betrouwbaarheid achterblijft?

Wat is er precies gebeurd?

Volgens Le Monde publiceerde OpenAI meer dan 719 manuscripten, verdeeld over 372 onderzoeksthema’s. De documenten behandelden uiteenlopende wiskundige vraagstukken. Sommige bevatten uitgebreide voorstellen voor vervolgonderzoek, terwijl andere betrekking hadden op complexe problemen die al langere tijd de aandacht van wiskundigen trekken.

De berichtgeving beschreef onder meer discussie over claims rond moeilijke open problemen, waaronder een vraagstuk dat verband houdt met de Navier-Stokes-vergelijkingen. Deze vergelijkingen spelen een belangrijke rol bij de wiskundige beschrijving van vloeistofstromingen.

De omvang van de publicatie is een belangrijk onderdeel van de discussie. Wiskundig onderzoek bestaat niet alleen uit het formuleren van een mogelijke oplossing. Onderzoekers moeten aannames controleren, tussenstappen verifiëren, bestaande literatuur bestuderen en vaststellen of een bewijs werkelijk klopt.

Wanneer honderden manuscripten tegelijk verschijnen, kan het voor specialisten moeilijk zijn om alle beweringen grondig te onderzoeken. Een overtuigend geschreven document is immers niet automatisch een correct bewijs.

De gerapporteerde hoeveelheid werk betekent daarom niet dat honderden belangrijke wiskundige problemen daadwerkelijk zijn opgelost. Elk resultaat moet afzonderlijk worden beoordeeld op juistheid, originaliteit en de geldigheid van de gebruikte redenering.

Waarom zijn wiskundige bewijzen anders dan gewone AI-antwoorden?

Bij veel AI-toepassingen kan een antwoord bruikbaar zijn zonder volledig perfect te zijn. Een samenvatting kan bijvoorbeeld waardevol blijven wanneer een minder belangrijk detail ontbreekt.

Bij wiskunde gelden strengere eisen. Een bewijs moet aantonen dat een conclusie logisch volgt uit de uitgangspunten. Eén ongeldige stap kan voldoende zijn om een volledige redenering onderuit te halen.

Dat vormt een uitdaging voor AI-systemen die teksten genereren op basis van patronen in gegevens. Een model kan een overtuigende uitleg produceren, maar daarmee is nog niet bewezen dat iedere stap wiskundig geldig is.

Toch kan AI wetenschappers op verschillende manieren ondersteunen. Systemen kunnen helpen bij het verkennen van vermoedens, het bedenken van mogelijke oplossingen, het vinden van patronen en het formuleren van tussenresultaten. Ook kunnen ze onderzoekers helpen bij het vertalen van een informele redenering naar een vorm die met gespecialiseerde software kan worden gecontroleerd.

Daarbij speelt formele verificatie een belangrijke rol. Met formele bewijscontrole kan worden nagegaan of een bewijs voldoet aan vastgelegde logische regels. Dat biedt sterkere garanties dan uitsluitend vertrouwen op een overtuigende tekst, al lost het niet automatisch alle problemen rond wetenschappelijke ontdekking op.

De meest veelbelovende aanpak is daarom waarschijnlijk samenwerking tussen AI-systemen, menselijke onderzoekers en software voor formele bewijscontrole.

Achtergrond: AI verandert het tempo van wetenschappelijk onderzoek

Traditioneel werken onderzoekers soms maanden of jaren aan één ingewikkeld vraagstuk. Ze bestuderen eerdere publicaties, ontwikkelen ideeën, toetsen hypotheses en bespreken hun bevindingen met collega’s.

AI kan het produceren van mogelijke onderzoeksideeën versnellen. Een systeem kan in korte tijd veel verschillende benaderingen voorstellen. Dat biedt kansen, maar verandert ook waar het meeste werk zit.

Als een AI-model honderden mogelijke onderzoeksrichtingen genereert, moeten mensen nog steeds bepalen welke ideeën werkelijk nieuw zijn, welke argumenten kloppen en welke resultaten de moeite waard zijn om verder te onderzoeken.

Snellere productie betekent dus niet automatisch snellere wetenschappelijke vooruitgang. De controle en interpretatie van resultaten kunnen juist de nieuwe bottleneck worden.

Ook de manier waarop onderzoeksresultaten worden gepresenteerd, is belangrijk. Wetenschappers en technologiebedrijven moeten duidelijk aangeven welke resultaten voorlopig zijn, welke claims onafhankelijk zijn bevestigd en welke nog nader onderzoek vereisen.

Zonder dat onderscheid kan een grote hoeveelheid AI-gegenereerd materiaal de indruk wekken dat er meer wetenschappelijke vooruitgang is geboekt dan daadwerkelijk is aangetoond.

Wat betekent dit voor universiteiten en onderzoekers?

Universiteiten kunnen AI gebruiken om studenten moeilijke concepten uit te leggen, voorbeelden te genereren en verschillende oplossingsmethoden te onderzoeken. Onderzoekers kunnen de technologie inzetten om literatuur te doorzoeken of mogelijke verbanden tussen onderzoeksgebieden te ontdekken.

Daarvoor is wel een kritische houding nodig. Studenten moeten leren om AI-antwoorden te controleren en niet simpelweg over te nemen. Wie uitsluitend vertrouwt op overtuigend geformuleerde oplossingen, loopt het risico belangrijke denkvaardigheden onvoldoende te ontwikkelen.

Onderzoeksinstellingen moeten daarnaast nadenken over transparantie, auteurschap en verantwoordelijkheid. Wanneer een wetenschappelijk artikel met behulp van AI wordt geschreven of ontwikkeld, blijven de menselijke onderzoekers verantwoordelijk voor de claims die zij indienen of onderschrijven.

Ook de opleiding van jonge wetenschappers kan veranderen. Wiskundigen leren hun vak onder meer door moeilijke problemen zelfstandig te onderzoeken, argumenten te beoordelen en met collega’s over oplossingen te discussiëren. Onderwijsinstellingen moeten ervoor zorgen dat AI die leerprocessen ondersteunt in plaats van vervangt.

De uitdaging is dus niet om AI buiten de wetenschap te houden. Het gaat erom de voordelen te benutten zonder de normen te verzwakken die wetenschappelijke kennis betrouwbaar maken.

Verschillende perspectieven: doorbraak of waarschuwing?

Voorstanders zien AI als een hulpmiddel waarmee onderzoekers vraagstukken kunnen onderzoeken die lange tijd moeilijk toegankelijk waren. Als systemen nieuwe vermoedens kunnen formuleren, verborgen verbanden vinden of helpen bij complexe bewijzen, kunnen ze de mogelijkheden van wetenschappelijk onderzoek vergroten.

Critici waarschuwen dat indrukwekkende documenten niet mogen worden verward met bewezen ontdekkingen. Een grote stroom manuscripten kan bovendien de beperkte tijd van deskundige beoordelaars opslokken en de aandacht afleiden van resultaten die al onafhankelijk zijn bevestigd.

Beide perspectieven zijn relevant. AI kan een waardevolle onderzoekspartner worden, maar de wetenschappelijke betekenis van het werk moet worden beoordeeld op juistheid, originaliteit en reproduceerbaarheid, niet op het aantal geproduceerde pagina’s.

De discussie maakt ook duidelijk dat wetenschappers behoefte hebben aan transparante communicatie over de mogelijkheden en beperkingen van AI. Dat is essentieel om vertrouwen in wetenschappelijk onderzoek te behouden.

Wat gebeurt er hierna?

De afzonderlijke wiskundige claims moeten onafhankelijk worden onderzocht. Specialisten zullen bewijzen moeten controleren, bestaande publicaties moeten vergelijken en moeten vaststellen welke resultaten daadwerkelijk nieuw en correct zijn.

Ook de manier waarop OpenAI documentatie verstrekt en op wetenschappelijke kritiek reageert, kan van invloed zijn op de beoordeling van het project. Duidelijke methoden, controleerbare resultaten en transparantie over beperkingen helpen om betekenisvolle bijdragen te onderscheiden van voorlopige output.

Voor universiteiten, onderzoekers en wetenschappelijke uitgevers is de belangrijkste les dat AI-ondersteund onderzoek duidelijke normen nodig heeft. Kunstmatige intelligentie kan wetenschappelijk werk versnellen, maar de uiteindelijke conclusies moeten aan dezelfde eisen van bewijs en controle voldoen als andere onderzoeksresultaten.

Bron

– Le Monde — OpenAI’s latest blow to mathematicians: concerns over AI-generated research