Kunstmatige intelligentie verandert het wiskundig onderzoek momenteel in hoog tempo. Afgelopen week verscheen in de Volkskrant een reportage van George van Hal over hoe AI-modellen van onder meer OpenAI steeds complexere problemen aanpakken, waaronder het beroemde Navier-Stokesprobleem. De wetenschappelijke geldigheid van sommige geclaimde doorbraken wordt nog beoordeeld, maar ondertussen laat onderzoek van Google DeepMind zien dat AI-systemen met behulp van formele bewijscontrole nieuwe wiskundige resultaten kunnen genereren.
Een hulpmiddel daarbij is Lean, open-source software waarmee wiskundige bewijzen formeel kunnen worden gecontroleerd. Maar zoals VU-wiskundige Sander Dahmen benadrukt, betekent een technisch correct bewijs niet automatisch dat de oorspronkelijke stelling daadwerkelijk is bewezen. Bij de vertaling naar formele computertaal kunnen fouten ontstaan. Bovendien zijn AI-gegenereerde bewijzen vaak moeilijk te doorgronden. Ze bevatten soms uitgebreide redeneringen zonder een duidelijke strategie. Wetenschappelijke betrouwbaarheid vraagt daarom om zorgvuldige controle en inhoudelijke beoordeling door onderzoekers.

De reportage in de Volkskrant laat zien hoe verschillend wiskundigen deze ontwikkeling ervaren. Céline Swennenhuis vreest dat onderzoekers vooral controleurs van AI-resultaten worden en daarmee een belangrijk deel van hun werkplezier verliezen. Promovendus Jorre Thé benadrukt het belang van wiskundige intuïtie en de schoonheid van het vak. Emeritus hoogleraar Hendrik Lenstra ziet AI juist als een verrijking die onderzoek versnelt. Raffaella Mulas beschrijft hoe zij samen met een collega en AI een jarenlang onopgelost probleem wist te kraken. De onderzoekers bepaalden zelf de richting en namen verantwoordelijkheid voor het resultaat.
Deze uiteenlopende ervaringen staan niet op zichzelf. De Leiden Declaration on Artificial Intelligence and Mathematics waarschuwt dat commerciële AI-systemen invloed kunnen krijgen op de autonomie van onderzoekers en de keuze van onderzoeksvragen. Ook de verdeling van wetenschappelijke erkenning kan veranderen. In A Severe Misalignment of AI in Mathematics benadrukken vooraanstaande wiskundigen dat het werken aan moeilijke problemen essentieel is voor de ontwikkeling van begrip en nieuwe ideeën. Wanneer AI rechtstreeks oplossingen levert, dreigt een deel van dat leerproces verloren te gaan.
Onderzoek naar AI-gebruik en leren maakt deze zorg concreter. In mijn blog Wat doet AI met ons denkvermogen? verwees ik al naar diverse studies waaruit blijkt dat betere prestaties met AI niet vanzelf leiden tot betere zelfstandige prestaties. Dit raakt aan cognitive offloading: het uitbesteden van cognitieve activiteiten aan externe hulpmiddelen. De effecten hangen mede af van de manier waarop AI wordt ingezet. Eerst zelf redeneren en vervolgens AI gebruiken voor feedback kan andere leerresultaten opleveren dan direct antwoorden overnemen. Of vergelijkbare effecten optreden bij professionele wiskundigen, is nog onvoldoende onderzocht.
Terence Tao wijst daarbij op de paradox van AI-efficiëntie. Sneller problemen oplossen leidt niet vanzelf tot evenredig meer wetenschappelijk inzicht. Tijdens het zoeken naar oplossingen ontdekken onderzoekers onverwachte verbanden en ontwikkelen ze nieuwe vragen. AI kan dat proces ondersteunen, maar mogelijk ook gedeeltelijk overslaan. Tao waarschuwt ook voor proof indigestion: een situatie waarin AI sneller bewijzen produceert dan onderzoekers ze kunnen begrijpen en verwerken.
De recente ontwikkelingen rond de quasi-Riemannhypothese laten een andere mogelijkheid zien. AI kan bestaande wiskundige technieken op onverwachte manieren combineren, waarna onderzoekers de bewijzen reconstrueren en proberen te begrijpen. Zo kan AI bijdragen aan ontdekkingen die aanleiding geven tot nieuwe wetenschappelijke inzichten, mits de resultaten standhouden bij onafhankelijke verificatie.
Robbert Dijkgraaf verbindt deze ontwikkeling aan de betekenis van wetenschappelijk werk. Zijn column over de laatste wiskundige roept de vraag op waarom mensen problemen willen oplossen wanneer machines dat steeds beter kunnen. De waarde van onderzoek ligt vanuit dit perspectief ook in de ervaring van het zoeken en het inzicht dat daardoor ontstaat. Dat raakt aan de intrinsieke waarde van nieuwsgierigheid en intellectuele inspanning, ongeacht de praktische opbrengst.
De centrale vraag is daarmee hoe AI de ontwikkeling van wetenschappelijke kennis verandert en wat dit betekent voor menselijke expertise. AI kan nieuwe ontdekkingen mogelijk maken en onderzoekers helpen sneller resultaten te bereiken. De wetenschappelijke betekenis van die resultaten hangt mede af van het vermogen om ze te begrijpen en erop voort te bouwen. Dat vermogen moet worden ontwikkeld en onderhouden. De uitdaging voor wetenschap en onderwijs is daarom om AI zo in te zetten dat het zelfstandig denkvermogen wordt versterkt en onderzoekers ruimte houden om betekenisvolle vragen te stellen. Daarbij verdient ook de waarde van het onderzoeksproces zelf aandacht, los van de snelheid waarmee resultaten worden bereikt.
Bronnen
- Avila, A., Bhargava, M., Birkar, C., et al. (2026). A severe misalignment of AI in mathematics [Verklaring]. Zenodo.
- Derksen, M. (2026a, 28 september). De paradox van AI-efficiëntie: AI maakt wetenschap sneller, maar niet vanzelf beter. Marco’s Substack.
- Derksen, M. (2026b, 1 november). Wat doet AI met ons denkvermogen? Upstream.
- Dijkgraaf, R. (2026, 24 september). Wat betekent het om wiskundige te zijn? De komst van AI dwingt ons over die vraag na te denken. NRC.
- Alper, J., Barany, M., Chavarri Villarello, A., Dahmen, S., Dean, W., Ganapathy, K., Harris, M., Holmes, D., Jamnik, M., Kelk, S., Kra, B., Martin, U., Naskręcki, B., Ochigame, R., Portegies, J., & Schmitt, J. (2026). Leiden declaration on artificial intelligence and mathematics [Verklaring]. Zenodo.
- Kakaes, K. (2026, 19 oktober). AI proved the quasi-Riemann hypothesis. What happens now? Quanta Magazine.
- Scientias. (2026a, 6 november). Het wonderjaar: hoe AI de wetenschap voor altijd veranderde, deel 1 (Aflevering 95) [Podcastaflevering]. In Scientias Podcast.
- Scientias. (2026b, 13 november). Kunstmatige intelligentie en het trimestre mirabile, deel 2 (Aflevering 96) [Podcastaflevering]. In Scientias Podcast.
- Tao, T. (2026, 22 oktober). Can maths survive AI? Fields medallist Terence Tao calls for a ‘Maths 2.0’ world. Nature.
- Tsoukalas, G., et al. (2026). Advancing mathematics research with AI-driven formal proof search. Science, 394(6820), 234–239. 3
- Van Hal, G. (2026, 12 november). Hoe AI het werk van wiskundigen voorgoed heeft veranderd: ‘Het is nu jij, ik en de AI’. de Volkskrant.