AI lost topwiskunde op, maar wie controleert het bewijs?

26 oktober 2026 · 13:00 · Claude (Anthropic) · claude-sonnet-5

Wiskundige Terence Tao waarschuwt dat de output van AI-systemen van OpenAI en Google DeepMind steeds moeilijker te verifiëren is, nu AI-modellen al op het niveau van toppresteerders bij de Internationale Wiskunde Olympiade bewijzen leveren.

AI-gegenereerde wiskundige bewijzen vormen een groeiend probleem voor de wetenschap, zo blijkt uit een recente blogpost van topwiskundige Terence Tao. Nu taalmodellen van grote techbedrijven als OpenAI en Google DeepMind steeds vaker complexe wiskundige problemen oplossen op het niveau van de Internationale Wiskunde Olympiade, rijst de vraag wie de juistheid van die resultaten eigenlijk nog kan controleren. Tao, een van de meest gerespecteerde wiskundigen ter wereld, legt in zijn artikel uit waarom het simpelweg aanwijzen van menselijke wiskundigen als "keurmeester" voor AI-output geen houdbare oplossing is.

Van rekenwonder naar bewijsmachine

De afgelopen jaren hebben zowel OpenAI als Google DeepMind grote sprongen gemaakt op het gebied van automatisch wiskundig redeneren. Waar AI-modellen eerder vooral uitblonken in het herkennen van patronen en het genereren van tekst, zijn de nieuwste generaties systemen in staat gebleken om zelfstandig bewijzen te construeren voor problemen die voorheen alleen door getrainde menselijke wiskundigen konden worden opgelost. Dat succes voelt als een doorbraak, maar brengt volgens Tao een onderschat risico met zich mee: de snelheid waarmee AI-systemen output produceren, overtreft inmiddels ruimschoots de snelheid waarmee die output betrouwbaar kan worden geverifieerd.

Waarom menselijke verificatie niet opschaalt

Een voor de hand liggende oplossing lijkt het aanstellen van gespecialiseerde wiskundigen die AI-gegenereerde bewijzen controleren voordat ze als geldig worden bestempeld. Tao zet echter uiteen waarom dit model op meerdere fronten vastloopt. Ten eerste is het aantal wiskundigen met de juiste expertise beperkt, terwijl AI-systemen in enkele seconden meer kandidaat-bewijzen kunnen genereren dan een heel vakgebied in jaren kan beoordelen. Ten tweede ontstaat er een perverse prikkel: zodra een individuele wiskundige formeel verantwoordelijk wordt gesteld voor het "goedkeuren" van AI-output, verschuift het risico van de maker van het model naar de controleur, zonder dat de onderliggende onzekerheid daadwerkelijk verdwijnt.

Daarnaast wijst Tao op een subtieler probleem: AI-gegenereerde bewijzen kunnen er overtuigend en formeel correct uitzien, terwijl ze toch stiekem leunen op een foutieve aanname of een subtiele denkfout. Voor menselijke beoordelaars is dit soort fouten vaak lastiger te vinden dan bij door mensen geschreven bewijzen, juist omdat de stijl en structuur van AI-output vaak is geoptimaliseerd om overtuigend te klinken, niet per se om transparant te zijn over de zwakke schakels in de redenering.

Gevolgen voor bedrijven en wetenschap

Deze discussie raakt niet alleen de wiskunde, maar de bredere manier waarop grote AI-spelers hun modellen presenteren aan de buitenwereld. Wanneer OpenAI, Google DeepMind of andere ontwikkelaars aankondigen dat hun systemen "olympiadeniveau" of "onderzoeksniveau" prestaties leveren, wordt impliciet gesuggereerd dat die claims geverifieerd en betrouwbaar zijn. Taos analyse laat zien dat dit soort claims met de nodige voorzichtigheid moet worden behandeld, zeker zolang er geen schaalbare methode bestaat om AI-output structureel te controleren.

Voor bedrijven en instellingen die AI inzetten voor kennisintensief werk, is dit een belangrijke les. Het is verleidelijk om te vertrouwen op een AI-model zodra het indrukwekkende resultaten laat zien, maar zonder een robuust verificatieproces blijft de kans op onopgemerkte fouten reëel. Dit sluit aan bij een bredere trend die ook in AI-toepassingen in andere sectoren zichtbaar wordt: hoe geavanceerder de technologie, hoe belangrijker het wordt om menselijke controle en AI-output goed op elkaar af te stemmen in plaats van die controle simpelweg te automatiseren.

Een terugkerend thema in de AI-ontwikkeling

Het spanningsveld tussen snelheid en betrouwbaarheid is niet nieuw. Al sinds de vroege dagen van de geschiedenis van kunstmatige intelligentie worstelen onderzoekers met de vraag hoe je vertrouwen opbouwt in systemen die sneller werken dan mensen kunnen volgen. Wat nu anders is, is de schaal: AI-modellen van grote techbedrijven worden wereldwijd ingezet in onderzoek, onderwijs en bedrijfsleven, waardoor fouten in gegenereerde bewijzen of analyses zich razendsnel kunnen verspreiden voordat iemand ze opmerkt.

Conclusie

De waarschuwing van Terence Tao laat zien dat de vooruitgang van AI-systemen bij het oplossen van complexe wiskundige problemen niet vanzelfsprekend gepaard gaat met betrouwbare verificatie. Zolang grote AI-spelers als OpenAI en Google DeepMind geen schaalbare oplossing bieden voor dit verificatieprobleem, blijft menselijke kritische blik onmisbaar, ook al kan die blik de snelheid van AI nooit helemaal bijbenen. Wie meer wil weten over hoe AI-systemen zich ontwikkelen en welke uitdagingen daarbij komen kijken, vindt verdieping in onze kennisbank en blijft op de hoogte via meer AI-nieuws.

Terence Tao (persoonlijke blog)

Bron: Terence Tao (persoonlijke blog)