Google DeepMind: Gemini løser tiår-gamle matematiske problemer forskere ikke klarte

AI løser det menneskene gav opp på

Google DeepMind har publisert en ny forskningsartikkel som viser at en avansert versjon av Gemini Deep Think har hjulpet til med å løse 18 langvarige vitenskapelige flaskehalser — mange av dem problemer som eksperter hadde strevd med i over et tiår.

Dette er ikke spådommer om fremtidig potensial. Det er dokumenterte resultater, nå.

Hva Gemini faktisk løste

Matematisk kreativitet på tvers av felt: To klassiske dataproblemer — «Max-Cut» (effektiv nettverksdeling) og «Steiner Tree» (punktforbindelser i høydimensjonalt rom) — hadde ligget fastlåst. Gemini løste begge ved å hente verktøy fra helt andre grener av matematikken: Kirszbraun-teoremet, målingsteori og Stone-Weierstrass-teoremet.

En konjektur fra 2015 motbevist: I et tiår hadde eksperter trodd at en bestemt regel om datastrømmer var åpenbart sann. Gemini konstruerte et presis moteksempel med tre elementer og beviste at den menneskelige intuisjonen var feil.

Automatisk ML-optimalisering forklart: Forskere hadde laget en teknikk som fungerte uten at de forsto hvorfor. Gemini analyserte ligningene og beviste at metoden lykkes ved å generere sin egen adaptive «straff» dynamisk.

Utvidet auksjonsteori: Et «Revelation Principle» for AI-token-auksjonering fungerte bare for rasjonelle tall. Gemini brukte avansert topologi og ordningsteori for å utvide beviset til kontinuerlige reelle tall.

Hva dette betyr

DeepMinds funn er ikke bare akademiske. De peker mot en ny rolle for AI i vitenskapelig arbeid: ikke som søkemotor eller skrivehjelp, men som faktisk forsker som kan gjøre originale bidrag.

For norsk næringsliv og offentlig sektor representerer dette en fundamental endring i hva AI kan brukes til — fra automatisering av rutinearbeid til akselerering av innovasjon i kjernevirksomheten.

Artikkelen «Accelerating Research with Gemini» er tilgjengelig på arXiv (2602.03837).