Det här är artikeln jag tänkte skriva förra veckan, men blev hindrad av den tjocka pessimistdimman som brett ut sig kring AI. Dimman ligger fortfarande tät och jag kommer framöver bemöta flera delar av teknikpaniken kring AI, men nu struntar jag i den – för något viktigt har hänt.

Något som är viktigt för oss som är vanliga AI-användare.

Många som skriver om AI fokuserar på när det släpps nya modeller. De tittar i tabeller och jämför hur den klarar sig mot konkurrenterna. De tänker inte på hur förmågorna ska användas i verkliga livet. Det där navelskådandet gör att de riskerar missa de riktigt stora framstegen.

Nu har ett sådant skett. Det allra största klivet sedan ChatGPT släpptes.

Jag skrev om försteget till detta för bara tre veckor sedan. Hur ChatGPT hjälper mig att se till att jag svarar på mejl och lägger in föreläsningsbokningar i kalendern, från uppgifter i just mejlen. Även hur jag kunde semi-automatisera översättning och utskick av min bok till utländska förlag.

Det var stort i sig, men ett litet steg jämfört med detta sjumilakliv.

För bara lite drygt en vecka efter den artikeln släppte OpenAI en ny modell, ChatGPT-6, med namnet Astra.

Använder din dator

Nu kan du skriva till ChatGPT att använda din webbläsare och dator för att utföra uppgifter. Du behöver inte göra något mer. Inte koppla ihop något, hitta någon server, ingenting. Du skriver, den gör. Precis som ChatGPT funkar i övrigt.

Jag bad exempelvis den gå in på mitt webbhotell och kolla igenom det.

Jag är oteknisk, förstår mig inte på webbhotell och rör det därför helst inte alls. Men ibland måste man och då är det alltid en massa googlande, försöka fatta vad som är DNS och var några siffror ska skrivas in. Det blir alltid fel och så får jag hitta någon kompis eller min bror som kan hjälpa mig.

Så jag anade att det var rörigt där inne och att det sannolikt fanns tjänster och hemsidor jag inte använde längre. Men så länge det funkade, lät jag det vara.

Nu gick ChatGPT in där och kollade runt. Det tog sisådär en kvart, sedan fick jag en rapport. Där stod bland annat att jag hade flera hemsidesadresser jag inte använde längre. En hade till och med tagits över av någon annan, men jag betalade ändå en årlig avgift för den. Dessutom hade jag flera extratjänster och paket jag inte behövde.

De föreslagna ändringarna skulle spara mig 5000 kronor om året.

En bra början, men nu blir det ännu bättre. Det är inte jag som behöver säga upp alla adresser och ändra paketen. Jag bad ChatGPT göra det – och några minuter senare var det klart.

Omedelbart bad jag den kolla igenom Google Workspace (6000 kronor i besparingar) och att analysera och förbättra besöksstatistik i Google Analytics och att förbättra sökoptimering. Det visade att jag saknade ett verktyg, som den fixade åt mig.

Jag hade sedan tidigare bestämt mig för att flytta Warp News från nuvarande plattform till Substack. Ett jätteprojekt då det involverar 20 000 prenumeranter, varav flera är betalande, cirka 7000 artiklar inklusive ämnestaggar och ett 50-tal skribenter. Dessutom ska sidorna på Substack sättas upp, få en design, och hela systemet med ämnen, sektioner, nyhetsbrev, betalmedlemskap, med mera.

Då jag insett att detta inte är något jag vare sig klarar av eller vill våga mig på har jag två alternativ. Att köpa tjänsten eller att be om hjälp. Det senare hade varit det billigaste, men kvalitén därefter. Att köpa den hade kostat mig tusentals kronor.

Men nu! Nu bad jag ChatGPT titta på detta och vi har satt igång. Vi tar allting i små steg och är nitiska i kontrollen att det blir rätt. Hittills går det mycket bra.

Du kan börja använda avancerade program

Det jag beskriver här är inte så avancerat, men gränsen för vad Astra kan göra går inte där. Den kan använda alla program du har på din dator.

Exempelvis kan du AI-generera en bild av en tecknad figur. Säg sedan till Astra att göra en 3D-modell av bilden i programmet Blender.

Astra går då in i Blender och använder programmet, som en människa skulle gjort.

Du kan sedan ta designen i Blender och skriva ut den i en 3D-skrivare.

Vet du inte hur man använder en 3D-skrivare? Det vet Astra. Än så länge får du själv sätta i sladdarna och allt annat fysiskt arbete, men när det är gjort kan ChatGPT sköta resten.

Eller så tar du 3D-designen från Blender och stoppar in i Unreal Engine. En grafikmotor som används för att skapa spel som Fortnite, Mass Effect och Final Fantasy. Där kan din 3D-figur alltså användas i en spelvärld, som Astra bygger i Unreal.

Riktigt avancerade program

Det stannar inte där. Tekla Structural Designer är ett konstruktionsprogram där du bygger en 3D-modell av byggnadens bärande system och programmet kan analysera hela konstruktionen och dimensionera stål, betong, väggar, pelare, balkar och grundläggning. Det kan automatiskt kontrollera bland annat stabilitet, nedböjning, svaj, vind, seismik och golvvibrationer.

Olika länders byggnormer finns inbyggda. Programmet räknar alltså inte bara ut att ”den här balken verkar hålla”, utan använder de föreskrivna säkerhetsfaktorerna, lastkombinationerna och dimensioneringsreglerna.

Tekla kostar 75 000 kronor per år. Det är inget program för amatörer. Men nu kan amatörer börja använda det, eftersom Astra kan använda det.

Star Trek-datorn är här

Ni som kollar på Star Trek vet att de säger Computer, gör ditt och datt. Typ: "Computer, design a probe capable of entering the nebula."

Nu kan vi skriva eller säga till vår dator att göra saker och den gör det. Så länge programmet finns på datorn kan Astra använda det. (Jag tror inte Astra är duktig på precis alla program, en del är väldigt smala, men ni förstår poängen.)

Frigör mänsklig potential

Min grundtes om generativ AI är att den frigör mänsklig potential och kreativitet. Med AI kan vi göra saker som tidigare krävde hundratals eller tusentals timmars träning. Det skrev jag en månad efter att ChatGPT släpptes och det har varit kärnan i de två böcker om AI jag skrivit.

Det är därför jag menar att detta är det största som hänt inom (generativ) AI sedan ChatGPT släpptes. Mängden förmågor vi fått tillgång till nu har ökat dramatiskt och därmed får vi ut mer av både vår potential och kreativitet.

Men detta har ju funnits ett tag, vad är skillnaden?

Early adopters kan nu invända att det jag beskriver till stor del har funnits förut. AI har kunnat använda webbläsaren och göra saker, till exempel.

Det stämmer, men skillnaden nu är enkelheten.

Tidigare behövde du ofta koppla ihop program, installera tillägg och ordna åtkomst innan AI:n kunde börja arbeta. Enkelt för vissa, en jättejobbig tröskel för andra (som mig.)

För ett år sedan visade jag ett företag hur de kunde använda AI för att transkribera kundsamtal och lägga in uppgifterna därifrån i ett CRM-system. Det funkade, men jag var tvungen att beskriva rätt mycket i detalj vad AI:n skulle göra i varje steg. För en process som görs hundratals gånger per dag och där tidsbesparingen är stor var det värt arbetet, men för mycket annat inte.

Nu försvinner mycket av detta krångel. Nu räcker det att skriva eller säga vad du vill ha gjort.

Det är den enkelheten som är hela skillnaden.

Ska man släppa lös en AI i sin dator?

Du kanske tycker det känns läskigt att släppa in en AI i din dator. Jag kan förstå det, men tror det mycket är en känsla för att det är nytt. Jag är inte immun mot den. Första gångerna AI:n jobbade i datorn satt jag och följde allt den gjorde, men fingret ovanför avbryt-knappen. Men man vänjer sig och slappnar snart av.

Jag förespråkar emellertid inte att du bara låter AI:n blåsa på. Den får inte göra något jag inte uttryckligt bett den om och alla beslut går genom mig.

En sak jag noterat är att AI:n har begränsat sunt förnuft.

När vi stötte på ett problem med en uppladdning, då mitt webbhotell blockerade tillgången, så föreslog AI:n att jag skulle skaffa ett nytt webbhotell. Det verkade rätt omfattande för ett så litet problem.

Räcker det inte med att vi hämtar filen från Dropbox istället, undrade jag?
Jovisst, vad smart, tyckte AI:n.

Jag tog mig för pannan.

Detta är ett nytt sätt att använda AI, såklart ska vi gå försiktigt fram. Särskilt om du jobbar i stora system.

Avståndet mellan idé och genomförande minskar

Ett annat sätt att se på detta är att avståndet mellan idé och genomförande minskar.

Detta är inte unikt för AI, utan gäller det mesta ny teknik. Stenyxan gjorde det lättare att döda djur, skrapa av hud och hugga ner träd. Datorn hjälper oss att utföra beräkningar som skulle tagit miljontals år för hand.

När ChatGPT släpptes började en acceleration av avståndsminskningen inom flera områden. Förutom text har avståndet minskat för att skapa mjukvara genom programmering, rita bilder, göra video, ljud och musik, med mera.

I och med Astra tar vi ett skutt framåt när flera av de förmågor som redan är tillgängliga blir kraftfullare och en del som inte fanns tillgängliga förut läggs till.

Eftersom det just är så enkelt och bygger på vårt mänskliga språk är det för alla. Det är inte bara någras avstånd som minskar, utan potentiellt för alla med en internetuppkoppling.

Därför tror jag att det är detta kliv framåt som gör att AI:s effekter verkligen kommer börja synas på samhällsnivå. Inte över en natt, vi ska börja använda det också, men när vi gör det kommer det ge tydliga effekter.

Vi står i början på mänsklighetens femte acceleration.

Mathias Sundin
Arge optimisten

Just nu fylls medierna med negativa påståenden om AI. För tillfället är det den möjliga domedagen som är i centrum, men där finns också ett ökat motstånd mot datacenter (i USA), förbrukning av vatten och energi samt risk för arbetslöshet.

Det trummas på så hårt att ett par prenumeranter hört av sig till mig. Varav en hade tydlig ångest inför hotet mot mänskligheten och var rädd.

Det är bisarrt.

Inte att de känner så, eller att de hörde av sig (jag är tvärtom tacksam att de känner förtroende nog för mig att höra av sig) – utan att de ska behöva känna så!

Hotet mot mänskligheten är grundlöst nonsens som media älskar att veva runt, gång på gång i en evig domedagskarusell.

Att människor ska behöva gå runt och vara rädda, nu när vi skapat en teknik som lovar så mycket gott.

Jag hade tänkt skriva en artikel idag om det genombrott som skett nu i och med att OpenAI släppte en ny version av ChatGPT. Jag skriver sällan om nya modeller, men nu har något verkligt stort hänt, som dubblat min egen produktivitet. Jag skojar inte. Jag får dubbelt så mycket gjort nu. Minst.

Men tyvärr tvingas jag – för femtioelfte gången – konstatera att det positiva försvinner i en pessimistdimma lika tät som den vid Lützen 1632. Så jag får återkomma till det nästa vecka och nu istället försöka hjälpa er genom dimman.

För jag förstår de som hörde av sig. Domedagstrummorna låter väldigt högt och otäckt nu. Jag tittade i Nyhetsvågen på hur utvecklingen har sett ut senaste veckorna.

Den 10 augusti rådde balans med endast en liten negativ övervikt på -2, på en skala -100 till +100 där 0 är balans.

Sen har obalansen ökat för att förra veckan landa på -32, där tonen i nyheterna för ovanlighetens skull är värre än själva nyhetsurvalet, med -35.

Andelen AI-nyheter som handlar om risker ökade från 14 procent till 48 procent.

Hundratals miljoner människor kommer att svälta ihjäl

Först började jag på en artikel som bemöter alla påståenden som cirkulerar, men det höll på att bli en halv bok. Jag får dela upp det i fler artiklar och jag tror att det just nu är bäst att beskriva fenomenet pessimistdimma.

Den rullar in så fort en ny teknik gör sitt intåg.

Pessimists Archive har sammanställt vad folk genom tiderna varit emot. Telegrafen, för att det skulle bli för mycket information. Cykeln, som skulle slå ut lokala affärer. Romaner korrumperade ungdomen. Hissen orsakade hjärnfeber. Kaffe eggade folk till uppror. Telefonen gjorde människor beroende av meningslöst prat. Dataspel ledde till våld, flipperspel till beroende och Ipod till förslitningsskador på tummen. Listan kan göras mycket längre.

I min bok beskriver jag en av dessa tidigare dimmor: Befolkningsexplosionen.

Året var 1968. Paul och Anne Ehrlich gav ut boken Befolkningsexplosionen, där de skrev följande:

"På 1970-talet kommer hundratals miljoner människor att svälta ihjäl" och ingenting kunde längre förhindra det.

Två amerikanska presidenter kallade befolkningsökningen mänsklighetens allvarligaste problem. FN:s generalsekreterare byggde upp organisationens kapacitet att hantera den. Världsbankens chef rankade den strax efter kärnvapenkrig. Indiens premiärminister drev igenom ett steriliseringsprogram.

Många experter, forskare, politiker, journalister, organisationer, amatörer och professionella var överens: Om befolkningen på jorden fortsätter att öka står världen inför svältkatastrofer likt inget vi sett tidigare.

De hade fullständigt fel.

Mellan 1960-talet och 1970-talet minskade antalet människor som dog av svält med 90 procent. Sen blev det ännu bättre. Från 1970-talet fram till början på 2020-talet minskade det ytterligare 95 procent.

Så rullar det på. Panik efter panik. Millenniebuggen skulle slå ut datorerna. Inget hände. År 2000 skrev över 200 forskare under ett brev som krävde fem års paus för genmodifierade grödor. Över 25 år senare finns inga rapporterade skador. Joe Bidens AI-order och EU:s AI-reglering satte ett tak för hur stora modellerna fick bli innan de ansågs extra farliga. Taket är passerat. Inget hände.

Det betyder inte att man ska strunta i vad andra människor säger. Det betyder bara att man ska tänka själv och kräva belägg av de som kommer med sina påståenden. Och man ska göra det i ljuset av att vi människor alltid piskar upp panik kring ny teknik.

In i dimman

Men att folk har haft fel förr betyder ju inte att de har fel nu. Det här kan ju vara ett larm som varnar för något verkligt farligt.

Då ska man först konstatera att AI är extra utsatt. Genombrottet har kommit i kölvattnet på en allmänt negativ opinion kring internet och tech. Dessutom finns gott om science fiction som hjälper oss att visualisera undergången. Och så medier som gång på gång gärna sprider domedagspåståendena.

Men återigen, det i sig är inte bevis för att det är fel denna gång.

Då får vi skärskåda dem som larmar. Det är ett flertal personer, men tyngst av dem alla just nu är Anthropics vd, Dario Amodei. Det är Anthropic som gör den populära AI-modellen Claude.

I februari 2019 meddelade OpenAI att de höll tillbaka sin största språkmodell, eftersom de menade att den var "för farlig" för att släppas. Den var så kraftfull att i orätta händer skulle den kunna orsaka alldeles för stora skador.

Modellen hette GPT-2. En föregångare till ChatGPT.

GPT-2 var alltså avsevärt sämre och mycket mindre kraftfull än den första versionen av ChatGPT, som släpptes först tre år senare.

Ändå var GPT-2 alldeles för farlig, påstod de.

En av dem som påstod det var just Dario Amodei.

Han jobbade då på OpenAI och deltog i beslutet att stoppa modellen. Amodei lämnade senare OpenAI, bland annat för att han tyckte att de inte tog säkerheten på allvar.

När ChatGPT-4 släpptes våren 2023 blev det liv igen. En mängd personer (flera av de som hörs även nu i debatten) ville ha en paus. Det här gick för snabbt. Det var för farligt.

Men så hände inget dåligt och utvecklingen fortsatte. ChatGPT-5 släpptes. Svenske professorn, Olle Häggström, sa till en tidning att han inte var säker på att vi skulle överleva ChatGPT-5.

I våras var det dags för Dario Amodei igen. Återigen var det en modell som var för farlig för att släppa, denna gång vid namn Mythos. Likt 2019 och GPT-2 så fick det enormt globalt genomslag i media.

Men så släpptes Mythos till folket under namnet Fable i somras, och vi lever än och har hälsan.

Och nu är det alltså dags igen.

Varför ska vi tro på dessa larm nu, när de som uttalar dem haft fel gång på gång?

Med risk för att bli tjatig: Att de haft fel förut betyder inte att de har fel nu. Men med tanke på vår återkommande mänskliga förmåga att skapa teknikpaniker och dessa specifika personers bedrövliga facit i att förutse vad som är farligt så bör vi avkräva dem belägg för sina påståenden.

Några sådana finns inte.

Det finns extremt fantasifulla teorier, ofta helt världsfrånvända, men några belägg som på något sätt går att pröva existerar inte.

Att en person säger en siffra på hur stor sannolikheten är att alla dör inom fem år säger absolut ingenting, om personen inte har några belägg mer än sin egen känsla.

Nobelpristagare: Snart inga radiologer

Det är inte heller så att alla dessa åsikter alltid är särskilt genomtänkta. Inte ens från Nobelpristagare.

En av dessa är Geoffrey Hinton. Fadern bakom maskininlärning och Nobelpristagare 2024. Det går inte att bli så mycket mer AI-expert än så. Han pepprar förutsägelser omkring sig, bland annat om mänsklighetens undergång.

Han kom med en av dessa förutsägelser för några år sedan.

2016 sa han att radiologer inom fem år inte längre skulle tolka röntgenbilder och rekommenderade studenter att inte plugga till det. AI kommer göra det bättre och ta över.

Om detta var han fullständigt övertygad, det är "completely obvious", sa han. Det kan ta tio år, lade han till, men utfallet var självklart.

Nu har det gått tio år. Han hade rätt i att AI gör det bättre, eller i alla fall nästan lika bra, men fel i att vi inte behöver radiologer. Istället blev det så att radiologer, med AI:s hjälp, granskar många fler röntgenbilder. Arbetet är också långt mer komplext än att bara titta på röngtenplåtar.

Min poäng är dock inte att Hinton hade fel, utan hur han hade fel.

För bakom detta tvärsäkra påstående låg inte forskning, studier, kunskap om radiologyrket utan något mycket grundare. Hinton förklarar själv varför han hade så fel.

Hans bild av radiologer baserade sig på en enda tidigare student, som tillbringade all sin tid med att läsa röntgenbilder.

Det var hans enda underlag. En student! Han visste med andra ord inte ett skit om radiologer, men uttalade sig ändå så tvärsäkert att han dömde ut hela yrket.

Kräv belägg!

Jag menar inte att alla påståenden är lika grunda som Hintons, men det illustrerar hur även de allra största experterna kan häva ur sig nonsens. Som tas på fullt allvar, eftersom de är vilka de är.

Särskilt när man är mitt i en pessimistdimma.

Vi ska såklart lyssna, men det är oansvarigt att vi gång på gång köper deras grundlösa påståenden utan att kräva rejäla belägg.

Såklart kommer AI inte att vara problemfri. Det är en kraftfull teknik som kommer bli ännu kraftfullare. Den kommer skapa problem, en del av dem kan vara allvarliga. Men uppsidan är mycket större, mycket bättre belagd och påståendena om vår undergång är inget annat än dålig science fiction.

Mathias Sundin
Arge optimisten

• OpenAI säger att omkring 10 000 AI-agenter under 88 timmar hittade en lösning på Navier-Stokes-problemet, som matematiker arbetat med i decennier.

• Problemet är ett av sex millennieproblem från Clay Mathematics Institute, med en prissumma på en miljon dollar vardera.

• Om resultatet bekräftas är det första gången AI löser ett stort öppet problem inom matematiken.

Ekvationer från 1800-talet

För nästan 200 år sedan försökte Claude-Louis Navier och George Gabriel Stokes beskriva vätskors rörelser matematiskt. Ekvationerna de skrev ner används fortfarande dagligen, av allt från flygplanskonstruktörer till klimatforskare. De beskriver fysiken hos strömmande vätskor som vatten, och i vissa fall luft. Blod i ett hjärta eller magma i jordens mantel kan beskrivas genom att ange vätskans hastighet och tryck i varje punkt av volymen.

Ekvationerna var däremot inte garanterade att fungera under alla tänkbara förhållanden. Matematiker har i decennier försökt bevisa antingen att ekvationerna alltid ger ett fysikaliskt rimligt svar, eller att det finns situationer där de bryter samman.

En virvel med oändlig hastighet

OpenAI:s agenter hittade en lösning till ekvationerna som efter en ändlig tid utvecklas till en virvel där vätskan rör sig oändligt snabbt. Ingenting kan röra sig oändligt snabbt, inte ens ljus. Därmed visade de med ett exempel att det finns fall där ekvationerna ger ett svar utan fysikalisk mening.

Det betyder inte att ekvationerna är fel, utan att de är ofullständiga. De utgår från att vätskan är ett jämnt och sammanhängande medium, medan en verklig vätska består av enskilda atomer och molekyler. Resultatet visar att det går att konstruera ett scenario där ekvationerna lämnar sitt eget giltighetsområde, och att ytterligare fysik då måste träda in.

Började med en enklare variant

I stället för att angripa det svåra problemet direkt började agenterna med de okrafttillförda Euler-ekvationerna, en enklare släkting som utgår från att vätskan saknar viskositet. Efter 50 timmars arbete av 1 000 agenter hade de en lösning. Då satte OpenAI in 10 000 agenter på hela Navier-Stokes-problemet. På morgonen den 5 september fanns en lösning, och dagen därpå hade den formaliserats i Lean, ett programmeringsspråk som automatiskt kan verifiera matematiska bevis.

Arbetet utfördes av en intern modell som OpenAI beskriver som betydligt mer kapabel än GPT-6 Astra. Träningen av den nya modellen inleddes den 28 augusti. Företagets chefsforskare Jakub Pachocki sa att OpenAI för ett år sedan fortfarande undersökte om modellerna kunde mäta sig med gymnasieelever i matematikolympiader. Han beskrev arbetet som en utvärdering av ett system för generell intelligens, inte som en långvarig satsning på millennieproblemen.

Miljonbelopp i beräkningskraft

Insatsen var betydligt större än OpenAI:s tidigare matematikförsök. Astra-systemet kostade omkring 2 000 dollar för tio resultat på andra matematiska problem. Navier-Stokes-arbetet kostade ungefär tusen gånger mer, i miljonklassen, enligt forskningschefen Mark Chen.

Karthik Duraisamy vid University of Michigan uppskattar att samma arbete skulle kosta omkring sex miljoner dollar för den som köper OpenAI:s verktyg till listpris. Eftersom OpenAI redan har modellen och resurserna landar företagets egen kostnad på omkring en miljon dollar i beräkningskraft, alltså samma summa som prispengarna. OpenAI-forskaren Sébastien Bubeck sa att företaget nu kan lägga miljoner dollar på problem som att utveckla nya material och hitta botemedel mot sjukdomar.

Parallellt arbete med samma problem

Matematikern Tristan Buckmaster vid New York University och forskaren Levent Alpöge har under det senaste året använt en rad AI-verktyg för att angripa Navier-Stokes-problemet. Förra månaden hittade deras AI en lösning på Euler-ekvationerna och verifierade den i Lean. Sedan dess har paret arbetat igenom beviset och översatt det till en form som matematiker kan läsa och bedöma. De offentliggjorde sitt arbete den 7 september.

Publiceringen har lett till en strid om vem som ska tillskrivas lösningen. Buckmaster har ifrågasatt OpenAI:s besked om vad företagets system haft tillgång till, sedan han enligt egen uppgift erbjudits ensam författarskap om Alpöges namn togs bort. OpenAI förnekar att någon anställd eller AI-agent sett parets arbete innan det publicerades, men skriver samtidigt att det inte går att utesluta att avidentifierade data från parets användning av företagets produkter bidragit till att förbättra modellerna.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• AI har hittills skapat omkring en miljon nya jobb i USA, vilket är ungefär fem gånger fler än de cirka 200 000 uppsägningar som kopplats till tekniken sedan mitten av 2023.

• Bygget av datacenter och ny elproduktion driver efterfrågan på elektriker, ventilationstekniker, nätingenjörer och servicetekniker.

• Flera yrken som pekats ut som särskilt utsatta växer i stället. Antalet juristassistenter ökade med omkring 11 procent mellan 2023 och 2025.

Den amerikanska ekonomin lade till 162 000 jobb i augusti, klart mer än väntat. Det rapporterade den amerikanska arbetsmarknadsmyndigheten Bureau of Labour Statistics den 4 september. Arbetslösheten ligger på 4,1 procent, vilket är lägre än under nästan 90 procent av alla månader det senaste halvseklet.

Unga arbetstagare har ofta pekats ut som de som drabbas först av AI. Skillnaden mellan arbetslösheten bland 20 till 24-åringar och den totala arbetslösheten ligger nära den lägsta nivån på flera decennier.

The Economist uppskattar att AI hittills har skapat ungefär en miljon nya jobb i USA. Det är betydligt fler än de omkring 200 000 uppsägningar som tillskrivits AI sedan mitten av 2023. Konsultföretaget Challenger, Gray & Christmas räknar med att amerikanska företag i genomsnitt har aviserat cirka 16 000 AI-relaterade uppsägningar per månad hittills i år. Samtidigt avslutas omkring 1,7 miljoner anställningar under en normal månad på den amerikanska arbetsmarknaden.

Datacenterbygget kräver arbetskraft

Utgifterna för den utrustning som krävs för att driva AI, från chipp och servrar till datacenter, kylsystem och elförsörjning, ligger enligt Goldman Sachs omkring 500 miljarder dollar per år högre än 2022.

Enbart byggandet av datacenter sker i en takt av mer än 75 miljarder dollar per år. Det är nästan 60 procent mer än för ett år sedan, enligt statistik från Census Bureau. Bygget kräver elektriker som drar kablar, ventilationstekniker som håller serverskåpen svala, nätingenjörer som kopplar in anläggningarna på elnätet och tekniker som installerar och underhåller maskinerna.

The Economist har följt fem branscher i centrum av datacenterutbyggnaden, från elinstallation till tillverkning av utrustning. Sedan 2023 har sysselsättningen i dem ökat med ungefär 320 000 fler än vad de bredare trenderna inom byggande och tillverkning antyder. Bureau of Labour Statistics väntar sig att energisektorn blir den snabbast växande stora sektorn fram till 2035.

Jobbsajten Indeed konstaterar att antalet lediga tjänster i datacenter har mer än fördubblats på två år, samtidigt som antalet jobbannonser totalt har minskat. LinkedIn uppskattar att nästan en halv miljon datacenterjobb skapades i USA mellan 2023 och 2025. Datacentertekniker och ingenjörer hör till de vanligaste nyanställningarna.

Lönerna stiger

Enligt Indeed annonseras installations- och underhållsjobb i datacenter med löner som ligger omkring 40 procent högre än motsvarande arbete på andra håll. Officiell lönestatistik pekar åt samma håll. Under året fram till juni steg den genomsnittliga timlönen med mer än 13 procent inom tillverkning av elutrustning och med nästan 8 procent bland elinstallatörer.

Nya tjänstemannayrken

AI skapar också en ny grupp av kontorsjobb. Ingenjörer bygger modellerna, dataannoterare märker upp indata och bedömer svaren, ingenjörer anpassar modellerna direkt hos kunderna och nytillsatta AI-chefer avgör vad företagen ska använda tekniken till. Antalet annonser för AI-chefer, AI-ingenjörer och AI-direktörer har ungefär fördubblats sedan 2023 och 2024, enligt LinkedIn.

Gad Levanon, chefsekonom vid Burning Glass Institute, har använt institutets databas över karriärhistorik för att identifiera jobb som inte skulle finnas utan AI, både på AI-företag och som AI-specifika roller hos andra arbetsgivare. Han bedömer att ungefär 1 procent av tjänstemannajobben nu är AI-jobb, vilket motsvarar omkring en miljon tjänster i USA. Inom datayrken och life science, där forskare bland annat använder AI för att ta fram nya läkemedel, är andelen 4 till 5 procent. LinkedIns egen analys pekar på ungefär 640 000 nya AI-specifika jobb mellan 2023 och 2025.

The Economist har också följt sysselsättningen i de tjänstemannayrken som ligger närmast AI-utvecklingen: ingenjörer, mjukvaruutvecklare, matematiker och datavetare. Dessa roller har tillfört ungefär 730 000 jobb utöver trenden sedan 2022.

Högre produktivitet ger mer arbete

AI gör det möjligt för jurister att skriva avtal snabbare och för analytiker att gå igenom finansiella rapporter på minuter. När produktiviteten ökar sjunker kostnaden för professionella tjänster, och då kan efterfrågan stiga så mycket att det totala antalet arbetstillfällen växer.

Enligt prognoser från Bureau of Labour Statistics väntas de professionella tjänsterna fortsätta växa snabbt, drivet av efterfrågan på AI-system och konsulttjänster. Flera av de yrken som pekats ut som mest utsatta för AI ser redan ut att gynnas. Mellan 2023 och 2025 ökade sysselsättningen bland juristassistenter med omkring 11 procent och bland marknadsanalytiker med 6 procent. Genomsnittet för hela landet låg på omkring 2,5 procent.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• NPR och NewsGuard testade sex chattbotar och fyra sökmotorer med 30 frågor byggda på falska påståenden spridda av Ryssland, Kina och Iran. Chattbotarna avfärdade påståendena i genomsnitt ungefär tre gånger av fyra.

• Chattbotarna misslyckades mer sällan än sökmotorernas träfflistor med att bemöta de falska uppgifterna.

Så gick testet till

Forskare som studerar utländska påverkanskampanjer har varnat för att stater ska fylla AI-genererade svar med falska berättelser. Nyhetsredaktionen NPR har tillsammans med NewsGuard, ett företag som granskar felaktig information på nätet, testat hur det faktiskt ser ut.

NewsGuard tog fram 15 falska berättelser som spridits av Ryssland, Kina och Iran, eller av aktörer knutna till dessa regeringar, mellan december 2025 och juli 2026. Samtliga hade spridits både på webbplatser och i sociala medier. Till varje berättelse skrevs två frågor: en neutral, av typen hände det här, och en som utgick från att påståendet var sant, av typen varför hände det här. Totalt 30 frågor ställdes manuellt till de sex mest använda chattbotarna i USA: ChatGPT, Gemini, Copilot, Meta AI, Grok och Claude. Alla hade tillgång till internet. Samma frågor ställdes till Google, Bing, DuckDuckGo och ryska Yandex. Materialet samlades in i mitten av juli 2026.

Klostret i Kyiv

Ett exempel gällde det tusenåriga grottklostret i Kyiv, som står på Unescos världsarvslista. Efter att Ryssland beskjutit klostret i juni hävdade Kremlvänliga sajter och konton att det var Ukraina som orsakat skadorna. Forskarna ställde frågan varför Ukraina bombat klostret.

Samtliga chattbotar, liksom Googles AI-översikt, påpekade att premissen var felaktig. Gemini svarade att påståendet kommer från en rysk desinformationskampanj som syftar till att flytta skulden efter ett militärt angrepp.

Tre av fyra rätt

I genomsnitt avfärdade chattbotarna de falska berättelserna i ungefär tre fjärdedelar av fallen. Mike Caulfield, expert på digital källkritik vid University of Washington Bothell, säger att en lärare som gav sina elever en liknande uppgift med en vanlig sökmotor och fick tillbaka tre fjärdedelar rätt skulle bli mycket nöjd.

NPR:s analys visar att chattbotarna misslyckades i lägre grad än sökmotorernas träfflistor med att över huvud taget ifrågasätta de falska uppgifterna. AI-svaren hänvisade till statskontrollerade och statsnära medier ungefär lika ofta som länkarna i vanliga sökresultat. AI-sammanfattningarna högst upp i sökmotorernas resultat avfärdade de falska berättelserna i en majoritet av fallen, och Googles AI-översikt gjorde det i de flesta fall.

Chattbotarna granskade källorna

Caulfield lyfter fram att chattbotarna ibland analyserar trovärdigheten hos den källa som framför ett påstående. När forskarna frågade hur många som skrivit under en namninsamling i Taiwan med krav på presidentens avgång svarade ChatGPT att de uppgivna siffrorna verkar komma från kinesiska statliga medier och närstående konton, snarare än från offentligt granskade uppgifter om namninsamlingen.

Chattbotarna kan också hämta källor på flera språk. Caulfield berättar om ett fall där den enda befintliga granskningen av en konspirationsteori fanns på turkiska, och där chattboten sammanfattade den och återkom med informationen.

Ett enkelt grepp förbättrar svaren enligt Caulfield: be chattboten göra ett nytt försök på samma fråga. Den som ber modellen titta på belägg och källor och sedan sammanfatta får oftast ett bättre svar andra gången.

Forskning som Morgan Wack vid universitetet i Zürich medverkat i visar också att faktagranskande artiklar tydligt kan förbättra språkmodellernas resultat på den här typen av frågor när artiklarna finns med i modellernas träningsdata.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

Det finns en liten oro som ständigt gnager i mitt bakhuvud.

När det kommer till praktiska saker och vissa detaljer är jag lite slarvig. Jag vet inte hur många gånger jag skrivit något i stil med: "Mötet är på tisdag den 31 augusti", varpå någon påpekar att 31 augusti är en måndag, så är mötet på måndag eller tisdag?

I de flesta fall orsakar inte sådant några större problem, men när det kommer till mina föreläsningar vore det väldigt illa. De som har bokat mig har ofta samlat hela personalen på en konferensanläggning, eller gått ut med en allmän inbjudan och massa människor har tagit sig dit.

Så min oro är att telefonen ska ringa eller ett mejl dyka upp i min inkorg där det står: "Var är du?"

Och jag inser att jag är långt ifrån där jag borde vara.

Det har hittills inte hänt, och jag försöker verkligen vara noggrann, men det skulle kunna hända. Särskilt då jag håller rätt många föreläsningar.

Därför gnager den oron hela tiden i bakhuvudet.

Eller gnagde.

Nu är den borta – och det är tack vare AI.

Sparat två månaders arbete

Jag har kopplat ChatGPT till min mejl och till min kalender och bett den att en gång i veckan kolla så jag har lagt in i kalendern, det jag kommit överens om i mejlen. Jag bad den dessutom att göra en sökning bakåt i mejlen och jämföra med kalender, så det inte fanns någon gammal miss (det gjorde det inte).

Varje morgon kollar den också om jag har missat att svara på några mejl.

Senaste tiden har AI blivit mycket bättre på den här sortens praktiska vardagssaker. Ett annat exempel är införsäljningen av min bok till andra länder än Sverige. Förutom att jag med AI:s hjälp kan översätta hela manuset (som jag skrev om förra veckan) så har jag fått hjälp med några tråkiga och tidsödande uppgifter.

Från förlaget fick jag ett Google Sheets-dokument (typ Excel) med kontaktuppgifter till utländska förlag. AI har gått igenom den, kollat varje person och mejladress om den personen fortfarande jobbar kvar där, och om det finns fler på det förlaget som ska kontaktas. Den har också sökt och hittat fler förlag i varje land samt relevanta kontaktpersoner. I båda fallen har den direkt uppdaterat Sheets-dokumentet.

Dessutom har den kartlagt utgivningen av AI-böcker i respektive land samt granskat landets AI-debatt, så att jag kan skriva en pitch anpassat till det landet.

Pitchen har jag skrivit själv, och efter att jag granskat listorna, gjort stickprov och själv googlat och försökt förstår lite av den lokala AI-debatten, så gör AI mejlutkast direkt i min mejl, där den lägger in pitchtexten samt manuset. Jag kollar en sista gång och ber AI att skicka mejlen.

Därefter får den i uppdrag att bevaka inkorgen. Om jag inte fått svar inom tre veckor ska den påminna mig att skicka en uppföljning. Om jag har fått ett svar som säger exempelvis att "vi tar på oss upp till 12 veckor att återkomma" så noterar den det och påminner mig att följa upp om 12 veckor.

Jag har försökt uppskatta tidsåtgången att göra allt detta själv, lika utförligt som AI. För det första hade jag såklart inte haft möjlighet att översätta manus till över 20 språk. Det hade kostat miljontals kronor. Istället hade jag, troligen själv, fått översätta några kapitel till engelska och skickat det.

Allt det andra arbetet, att hitta och gå igenom hundratals förlag, bedöma hur relevanta de är och kartlägga vilka som jobbar där och notera allting i ett Exceldokument hade säkert tagit ett par veckors heltidsarbete. Att därefter försöka förstå den lokala utgivningen och debatten hade varit mycket svårt och tidsödande, och till stora delar icke görbart då mycket av det sker på språk jag inte kan.

Vi landar på en till två månaders heltidsarbete som jag sparat in.

Det hade med andra ord inte varit möjligt för mig att skicka manuset så här vitt och brett som jag kan göra nu.

Mindre trök för oss

ChatGPT, Claude och Gemini har nu dessa möjligheter. De kan inte längre bara chatta och göra bilder och videos utan också utföra uppgifter. Det blir därmed möjligt att koppla in dem i våra arbetsflöden. Istället för att bara kunna förklara för dig hur du ska göra något, kan de i allt högre grad göra det själva.

Jag har ännu inte automatiserat något utförande (förutom påminnelser till mig själv), utan granskar varje steg innan den får godkänt att gå vidare. På det sättet har jag upptäckt några småfel. Det kommer jag nog göra ganska länge, för AI är inte perfekt. Men det är ju verkligen inte jag heller. Nu när vi är två som hjälps åt, kollar och påminner så minskar risken för fel avsevärt.

Det är fortfarande tidigt och funktionerna är begränsade, men det krävs inte någon större visionär för att förstå hur mycket tråkigt skitgöra AI kommer kunna fixa åt oss inom kort.

Mathias Sundin
Arge optimisten

• Sedan generativ AI fick sitt stora genomslag har många varnat för att tekniken ska slå ut jobb i stor skala. Närmare hälften av USA:s arbetstagare använder nu AI i arbetet.

• Forskare vid Stanford har analyserat löneuppgifter för miljontals amerikaner till och med juni 2026. Sysselsättningen har ökat med omkring 6 procent sedan slutet av 2022, även i de yrken som är mest exponerade för AI.

• Där AI används som ett komplement till människors arbete är sysselsättningen oförändrad eller stigande. Lönerna påverkas inte.

Sysselsättningen har ökat

Forskarna Erik Brynjolfsson, Bharat Chandar och Ruyu Chen har analyserat anonymiserade löneuppgifter från ADP, ett av USA:s största löneföretag. Urvalet omfattar mellan 3,5 och 5 miljoner anställda per månad, från januari 2021 till juni 2026.

Den totala sysselsättningen i urvalet ökade med omkring 6 procent mellan november 2022, då ChatGPT lanserades, och juni 2026. Även i de yrken som är mest exponerade för AI ökade sysselsättningen, med omkring 4 procent.

Forskarna skriver att påståenden om AI-driven jobbförlust i hela ekonomin inte syns i lönedata.

Där AI kompletterar människor ökar sysselsättningen

Forskarna delar upp yrken efter hur AI faktiskt används, med hjälp av data över användningen av AI-assistenten Claude. I yrken där AI främst automatiserar arbetsuppgifter har sysselsättningen för de yngsta minskat. I yrken där AI främst kompletterar människors arbete är sysselsättningen oförändrad eller stigande. Bland unga arbetstagare hör gruppen med mest kompletterande AI-användning till dem med snabbast sysselsättningstillväxt.

Yrken som bygger på praktisk erfarenhet, så kallad tyst kunskap, har snabbare sysselsättningstillväxt för erfarna arbetstagare.

Lönerna påverkas inte

Forskarna har också undersökt grundlönerna. De hittar små skillnader i löneutveckling mellan mer och mindre AI-exponerade yrken, och små skillnader mellan åldersgrupper. Anpassningen på arbetsmarknaden sker genom anställningar, inte genom sänkta löner.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

Jag är inte särskilt händig. När jag ser vänner snickra ihop uteplatser, trappor och ibland hela hus blir jag väldigt imponerad. Att jag skulle göra något liknande känns osannolikt.

Trots det har jag i sommar byggt inte bara ett, utan flera, mindre hus. Ja, en mindre stugby har det blivit.

Egentligen är det inte hus jag byggt, utan datorprogram, spel och AI-agenter. För mig är det lika främmande att bygga som att snickra ihop ett hus. Min kunskap i programmering är om möjligt ännu mindre än hur man gör för att hamra ihop en stuga.

Det är såklart AI som har möjliggjort detta och att man bara genom att beskriva i text eller prata in vad man vill kan få just det man önskar.

Det första steget togs förra hösten när jag byggde en hemsida åt min bok med hjälp av Lovable. Under våren blev det mer avancerade saker, som en egen fransklärare, även den i Lovable.

Jag gillar business tycoon-spel och kunde nu bygga precis det spel jag önskade spela. Här började jag nå gränsen för vad som blev bra i Lovable. Kikade därför återigen på Claude Code och OpenAI:s Codex. Det hade jag gjort tidigare, men då hade de varit för krångliga att använda för mig som icke-programmerare. Man jobbade i ett terminalfönster som hade samma utseende som 1985. Nej tack.

Nu hade de blivit klart enklare. Visserligen krävdes lite saker som att fixa mappar på min dator och skaffa konto på Github, men AI:n kunde göra en del av det och guidade mig mycket pedagogiskt när jag var tvungen att göra det själv.

Ungefär en månad efter att ChatGPT släpptes i november 2022 skrev jag här på Warp News:

"Artificiell intelligens kommer att släppa lös massiv outnyttjad kreativitet från icke-professionella, genom att ge dem verktygen att skapa saker som tidigare bara var tillgängliga för proffs."

Jag – ett icke-proffs – kan plötsligt använda de kraftfullaste programmeringsverktygen som finns.

Det enda som krävs för att bygga det jag vill är att berätta för datorn och en kodare i världsklass sätter igång och arbetar.

Ett proffs som använder samma verktyg kommer fortfarande bygga bättre program. Den personen kan läsa och bedöma koden, förstår arkitektur, säkerhet och prestanda, och felsöker systematiskt.

Proffset kan bygga ett höghus, medan jag än så länge får nöja mig med en stuga.

Förutom en bättre version av Arvet har jag gjort en AI-översättare som automatiskt översätter min bok, granskar översättningen och skapar en pdf som är snyggt formgiven som en bok. Därefter tar en agent vid. Den kartlägger utländska förlag, vilka personer jag borde kontakta och sätter ihop mejl till dem, som den skickar direkt från min Gmail. Den noterar alla svar och skickar påminnelser till de som inte svarat.

Jag övervakar och granskar hela processen, och måste godkänna varje steg innan den får gå vidare till nästa.

Det tog en del tid att bygga verktyget, fixa problemen och strömlinjeforma som jag vill ha det, men när det är klart flyter det på. Därmed blir det möjligt för mig att kontakta förlag i långt många fler länder än jag hade hunnit eller haft råd med annars. Till dem kan jag skicka ett fullständigt manus översatt till deras språk.

För fem år sedan hade det kostat miljontals kronor att översätta hela boken till 25 språk.

När jag såg hur bra allting snabbt blev, fick jag blodad tand och fler idéer poppade upp.

En av dessa hjälper till att skapa rikare och bredare nyhetsartiklar.

Den vanliga arbetsordningen kring en nyhetsartikel här på Warp News är att jag hittar ett underlag. Ofta en artikel, ett pressmeddelande, en graf eller en rapport. Denna ger jag till WALL-Y, som är den AI-bot som finns i Claude. Hon förvandlar det till en nyhet, enligt den mall vi har på Warp News.

Jag redigerar lite, har ofta synpunkter på rubriken och fixar sedan allt det manuella med en bild, klistrar in texten i publiceringsverktyget, lägger till taggar och publicerar.

Den AI jag byggt nu får samma input men börjar med att bredda och fördjupa underlaget. Först letar den efter fler artiklar eller annat innehåll som ger mer kött på benen och föreslår även fördjupande rapporter inom ämnen som kan vara relevanta. Dessa extra källor och rapporter blir ett omfattande underlag som nyhetsartikeln sedan skrivs utifrån.

Resultatet är en mycket fylligare nyhetstext. Första exemplet är nyheten om att Heart Aerospace genomfört sin första provflygning med sitt elhybridflygplan, som vi publicerade i måndags.

Enligt det tidigare sättet att jobba hade den artikeln blivit knappt 500 ord. Nu blev den istället 1200 ord. Inte för att längre automatiskt är bättre, utan för att den innehåller mer bakgrund samt fördjupad och breddad information.

Mitt mål är att man ska kunna läsa de tre sammanfattande punkterna och få koll på nyheten. För många räcker det, men de som blir intresserade kan då läsa vidare och just fördjupa sig.

I förlängningen kommer vi kunna skapa rejält rika och djupa underlag, varav bara en liten del syns i nyhetstexten, men som ni läsare på olika sätt kan interagera med. Kanske vill ni ha det i form av en förklarande video, en rapport eller en lång artikel som ni får uppläst.

En del av detta kan vi lista ut i förhand och förbereda, medan annat blir sådant ni skapar baserat på det underlag vi samlat ihop.

Nyhetsverktyget är i sin linda och just nu rätt omständigt att använda. Men det finns nästan ogreppbara möjligheter här.

Idé --> verklighet

I Den femte accelerationen skrev jag i inledningen:

"Genom att överbrygga klyftan mellan intention och förmåga, öppnar AI för en värld där vi mer kan bidra med vår unika kreativitet och innovation."

Men jag har inga idéer om några datorprogram jag vill bygga, kanske du tänker.

Jo, det har du.

Men man måste börja någonstans för att de ska komma fram.

Jag har inte gått runt med en lång lista på programvaruidéer i huvudet som jag hoppats förverkliga en dag. De har kommit till mig eftersom jag använder AI. Det är först efter jag börjat använda någon ny funktion som idéerna börjar komma, då jag ser de konkreta möjligheterna.

Jag gillar som sagt business tycoon-spel och därmed reflekterat lite när jag spelat hur jag skulle vilja att spelen fungerade. Det har inte varit en konkret tanke om att en dag ska jag minsann bygga det perfekta spelet för mig, utan bara lite lösa idéer.

När jag först byggde hemsidor i Lovable och någon helg hade lite tid över och satt framför datorn kom jag att tänka på dessa spel. Hm, kanske det går att bygga något sånt? Så jag satte igång.

Det är som att gå igenom en dörr och på andra sidan finns två dörrar. Du kliver igenom en av dem och på andra sidan finns fyra dörrar. Du går tillbaka och öppnar den andra dörren, där bakom finns tre dörrar. På andra sidan en av dem finns sju nya dörrar.

Så där är det med idéer. När du bygger något med AI får du fler idéer, som leder till att du testar att bygga några av dem, vilket leder till ännu fler idéer.

Eftersom allt detta styrs av vårt språk är första dörren öppen för alla med en internetuppkoppling. Välkommen in!

Mathias Sundin
Arge optimisten

Bild: Vesuvius Challenge

• Forskare har läst en komplett skriftrulle från Herculaneum, staden som begravdes tillsammans med Pompeji när Vesuvius fick ett utbrott år 79.

• Rullarna förkolnades i hettan och är så sköra att de inte går att veckla ut fysiskt utan att förstöras.

• I stället används högupplösta skanningar och beräkningsmetoder för att veckla ut rullarna virtuellt och identifiera bläck på papyruslagren.

Text som varit oläslig i nästan 2 000 år

Brent Seales, professor i datavetenskap vid University of Kentucky och en av grundarna av projektet, sa vid en konferens som sändes från Neapel att det för bara ett år sedan hade varit svårt att tro att en hel rulle skulle kunna läsas helt utan ingrepp, med hundratals textkolumner. Han sa att han tror att samtliga rullar i samlingen kommer att kunna läsas.

Warp News har tidigare skrivit om hur röntgenteknik och AI för första gången gjorde det möjligt att läsa innehållet i en förkolnad rulle från Herculaneum, och om när Vesuvius Challenge löstes och den första rullen kunde läsas.

Etik, konst och mänskligt beteende

Bland det nya materialet finns 70 textkolumner ur "On Vices, Book 1", som tillskrivs den epikureiske filosofen Filodemos. Forskarna har också fått fram nästan 1,5 meter läsbar text fördelad på 20 kolumner ur ett dokument daterat till 200 till 300 före Kristus. Det är den äldsta rulle från Herculaneum som hittills vecklats ut virtuellt, och den behandlar etik, konst och mänskligt beteende.

Federica Nicolardi, ledande papyrolog i Vesuvius Challenge, sa att man tidigare tvingades välja mellan att bevara rullarna och att läsa dem. Med virtuell utveckling går det att göra båda delarna. Hon berättade att utvecklingen går allt snabbare. Under det senaste dygnet vecklade forskarna ut en hel rulle och fick fram omkring 140 nya textkolumner. Fram till nyligen kunde de bara få fram omkring 10 procent av kolumnerna.

Öppen data och en miljon dollar i pris

Hittills har omkring 45 rullar och fragment skannats. Mer än 600 oöppnade rullar återstår, och stora delar av villan där de hittades är ännu inte utgrävda, vilket gör att fler kan komma att hittas.

Vesuvius Challenge har redan delat ut 1,8 miljoner dollar i priser för arbete kopplat till texterna. Nu läggs all data, kod och alla modeller ut öppet, och en miljon dollar erbjuds till den person eller det lag som först läser ytterligare en hel rulle. Nat Friedman, amerikansk teknikchef och en av projektets grundfinansiärer, sa att algoritmerna kan förbättras kraftigt och att metoderna för att upptäcka bläck kan utvecklas mycket längre. Han uppmanade fler dataexperter att engagera sig.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• OpenAI:s AI-modell löste det så kallade enhetsavståndsproblemet helt på egen hand, utan hjälp från människor.

• Problemet formulerades av matematikern Paul Erdős för omkring 80 år sedan och har varit olöst sedan dess.

• Flera framstående matematiker, däribland en Fields-medaljör, bekräftar att lösningen håller samma nivå som arbeten skrivna av människor.

Ett problem från 1946

Enhetsavståndsproblemet handlar om punkter på ett plan. Tänk dig att du placerar ut ett antal punkter på ett papper. Frågan är hur många par av punkter som kan ligga exakt lika långt från varandra, ett bestämt avstånd som kallas ett enhetsavstånd. Ju fler sådana par du kan få fram, desto bättre är placeringen.

Frågan formulerades av matematikern Paul Erdős 1946 och räknas som en av de mest kända inom kombinatorisk geometri. Den är lätt att förklara men svår att lösa.

Vissa placeringar är enkla att räkna ut. En rad punkter på en linje ger nästan lika många par som antalet punkter. Ett kvadratiskt rutnät ger ungefär dubbelt så många. Den tidigare bästa kända placeringen, ett omskalat rutnät, gav något fler par, men ändå bara en ökning som var marginellt snabbare än antalet punkter.

Erdős antog att ingen placering kunde ge betydligt fler par än så. I årtionden trodde matematikerna att han hade rätt. Den undre gränsen för problemet hade i stort sett varit oförändrad sedan hans konstruktion 1946. Erdős satte själv en prissumma på problemet, först 300 dollar och senare 500 dollar.

Så löste OpenAI:s modell problemet

OpenAI testade en modell på en samling av Erdős problem för att undersöka om avancerade modeller kan bidra till forskning. Modellen var inte byggd enbart för matematik, utan är en allmän modell för resonemang. Den var alltså inte tränad för att söka igenom bevisstrategier eller riktad mot just det här problemet.

Modellen motbevisade Erdős antagande. Den konstruerade en oändlig familj av exempel som ger fler par på enhetsavstånd än man tidigare trott var möjligt. Lösningen var inte ett bevis för antagandet, utan ett motbevis.

De centrala delarna i lösningen kommer från algebraisk talteori, ett område som ligger långt från geometri. Erdős ursprungliga konstruktion kan förstås genom de så kallade gaussiska heltalen. Den nya lösningen ersätter dessa med mer komplexa generaliseringar som ger fler punktpar. Argumentet använder verktyg som oändliga klasskroppstorn och Golod–Shafarevich-teori. Dessa begrepp var kända för talteoretiker, men det var oväntat att de hade betydelse för geometriska frågor i planet.

OpenAI:s forskare blev förvånade när de läste lösningen. Mehtaab Sawhney, matematiker vid Columbia, sade att han till en början inte trodde på resultatet. Teamet letade efter fel, lät utomstående kontrollera arbetet och verifierade lösningen med företagets AI-kodningsverktyg. Will Sawin, professor i matematik vid Princeton, har i en efterföljande förfining visat hur stor förbättringen är i mätbara termer.

Modellens redovisade tankekedja var lång. Även en förkortad version omfattade mer än 75 000 ord, ungefär lika mycket som den första Harry Potter-boken. En tidigare OpenAI-forskare uppskattade att arbetet tog mindre än 32 timmar och kostade omkring 1 000 dollar i beräkningskraft.

Matematiker om resultatet

OpenAI presenterade lösningen tillsammans med en kompletterande artikel skriven av externa matematiker. Noga Alon, ledande kombinatoriker vid Princeton, beskrev resultatet som en prestation som löser ett långvarigt olöst problem. Han konstaterade att det korrekta svaret kom som en överraskning och att konstruktionen använder verktyg från algebraisk talteori på ett skickligt sätt.

Tim Gowers, professor vid Collège de France och mottagare av Fields-medaljen, kallade resultatet en milstolpe inom AI-matematik. Talteoretikern Arul Shankar sade att dagens AI-modeller går längre än att bara vara hjälpmedel för matematiker. Enligt honom kan de få egna idéer och sedan fullfölja dem.

Vad det betyder för AI och matematik

Enligt OpenAI är det första gången ett framstående öppet problem, centralt inom ett delområde av matematiken, har lösts av AI på egen hand. Resultatet visar också hur långa och sammanhängande resonemang dessa system nu klarar av.

Thomas Bloom skrev i den kompletterande artikeln att lösningen lärt matematikerna något nytt om problemet. Den visar att talteoretiska konstruktioner har mer att säga om den här typen av frågor än man tidigare antagit. Han räknar med att fler talteoretiker nu kommer att granska andra öppna problem inom diskret geometri.

OpenAI pekar på att samma förmågor har betydelse utanför matematiken. En modell som kan hålla samman komplexa resonemang, knyta ihop idéer från skilda kunskapsområden och producera resultat som klarar expertgranskning är användbar även inom biologi, fysik, materialvetenskap, ingenjörsvetenskap och medicin. Företaget framhåller att AI kan söka, föreslå och verifiera, medan människor väljer vilka problem som är viktiga och tolkar resultaten.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Googles AI-system AlphaEvolve har minskat felen i DNA-analys med 30 procent och gett mer exakta data till forskare.

• Inom elnät ökade systemet andelen användbara lösningar från 14 till över 88 procent.

• Företag som Klarna, FM Logistic och Schrödinger använder nu tekniken för att snabba upp sina modeller och processer.

Warp News berättade för ett år sedan om AlphaEvolve, ett AI-system från Google DeepMind som hittar nya algoritmer inom matematik och datavetenskap. Nu redovisar Google vad systemet har åstadkommit under det gångna året, inom allt från genforskning till elnät och databehandling.

Resultat inom hälsa och miljö

Inom genforskning användes AlphaEvolve för att förbättra DeepConsensus, en modell som rättar fel i DNA-sekvensering. Felen i variantdetektion minskade med 30 procent. Det ger forskare hos PacBio mer exakta data till lägre kostnad.

Inom elnät tillämpades systemet på problemet AC Optimal Power Flow. Andelen användbara lösningar som en tränad modell kunde hitta ökade från 14 procent till över 88 procent. Det minskar behovet av dyra efterbearbetningssteg.

Inom geovetenskap förbättrade AlphaEvolve modeller som förutsäger risken för naturkatastrofer. Träffsäkerheten ökade med 5 procent, sammanlagt över 20 kategorier som skogsbränder, översvämningar och tornados.

Matematik och fysik

På Googles kvantprocessor Willow föreslog AlphaEvolve kvantkretsar med tio gånger lägre felmarginal än tidigare metoder. Det gjorde det möjligt att köra komplexa molekylsimuleringar.

Systemet har också arbetat med matematiker som Terence Tao vid UCLA och bidragit till att lösa så kallade Erdős-problem. Det har förbättrat tidigare gränsvärden för handelsresandeproblemet och för Ramseytal.

Egen infrastruktur och företag

AlphaEvolve har gått från test till att bli en fast del av Googles infrastruktur. Det har använts för att utforma nästa generation av Googles AI-chip, TPU. Systemet hittade också effektivare metoder för cachehantering på två dagar, ett arbete som tidigare tog månader. I databasen Spanner minskade det mängden onödig skrivning till lagring med 20 procent.

Flera företag använder nu tekniken. Klarna dubblade träningshastigheten för en av sina största modeller. FM Logistic förbättrade sin ruttplanering med 10,4 procent och sparar över 15 000 kilometer körsträcka per år. Schrödinger uppnådde ungefär fyra gånger snabbare beräkningar inom materialforskning och läkemedelsutveckling.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Maskininlärning analyserar satellitbilder från över 50 miljoner hektar regnskog och identifierar gruvgropar och landningsbanor.

• Den venezuelanske journalisten Joseph Poliszuk har identifierat 3 718 platser med gruvor. Vissa av dem låg inom skyddade urfolksområden.

• Plattformen Amazon Mining Watch täcker nu alla nio länder i Amazonbäckenet, och en motsvarande tjänst för Afrika lanseras i juli.

Tekniken som ser det som inte syns från marken

Satellitbilder har länge använts av undersökande journalister för att granska konfliktzoner och avlägsna områden. Nu kombineras bilderna med maskininlärning som automatiserar analysen och gör det möjligt att granska enorma områden. Inom miljöjournalistiken används tekniken av sydamerikanska reportrar för att kartlägga olagliga gruvor, storskalig skogsavverkning och boskapsuppfödning i Amazonas.

Joseph Poliszuk lämnade Venezuela 2018 efter att ha granskat korruption under president Nicolás Maduro. I exil började han experimentera med satellitbaserade undersökningar. När den olagliga guldbrytningen ökade under covid-19-pandemin ville han dokumentera utvecklingen, men att manuellt gå igenom bilder från över 50 miljoner hektar regnskog var inte möjligt. Med stöd från Pulitzer Centers stipendieprogram Rainforest Investigations Network och teknisk hjälp från den ideella organisationen Earth Genome tränade han en AI-modell att känna igen spår av gruvgropar och de landningsbanor som huggits ut i vegetationen för att transportera mineraler.

3 718 gruvor kartlagda i Venezuela

I januari 2022 publicerade Poliszuk sin första artikel som byggde på modellen, i en serie i El País med titeln "Corredor Furtivo". Han kunde identifiera 3 718 platser med guldgruvor i delstaterna Amazonas och Bolívar. Vissa av gruvorna låg inom skyddade urfolksområden och i nationalparken Canaima, där världens högsta vattenfall Angel Falls ligger. Genom att jämföra kartorna med brottsdata från venezuelanska myndigheter kunde han avgöra om gruvorna drevs av venezuelanska syndikat, colombianska gerillagrupper eller brasilianska garimpeiros. Veckan efter att en av artiklarna publicerats meddelade den venezuelanska militären att den bombat flera olagliga landningsbanor i området.

Samma år utvecklade den brasilianske journalisten Hyury Potter ett liknande projekt inom samma stipendieprogram. Han publicerade flera granskningar i Intercept Brasil som identifierade hundratals tidigare okända landningsbanor i den brasilianska delen av Amazonas. The New York Times publicerade en egen granskning baserad på samma analys, i samarbete med Potter och Pulitzer Center.

Amazon Mining Watch täcker nio länder

Pulitzer Center, Earth Genome och den ideella organisationen Amazon Conservation lanserade 2022 plattformen Amazon Mining Watch. Den använder maskininlärning för att kartlägga gruvverksamhet i alla nio länder som ingår i Amazonbäckenet. De första modellerna var tränade för specifika uppgifter, men Earth Genome arbetar nu med större grundmodeller som tränats på satellitbilder, radar, data om marktäcke och höjddata.

Enligt Edward Boyda, fysiker och medgrundare av Earth Genome, kan en sådan modell anpassas med bara några få exempel från användaren för att känna igen olika objekt på jordytan.

Motsvarande plattform för Afrika

Pulitzer Center och Earth Genome samarbetar nu med den ideella organisationen Code for Africa för att bygga Africa Mining Watch. Plattformen ska kartlägga gruvverksamhet i det tropiska bältet, som omfattar Kongobäckenet, världens näst största tropiska regnskog. Den lanseras offentligt i juli. På Jordens dag i april deltog 25 journalister från olika delar av Afrika i ett sju timmar långt virtuellt arbetsmöte för att testa plattformen.

Earth Genome utvecklar också ett eget verktyg, Earth Index, där en journalist eller forskare kan välja ett område på världskartan och markera exempel på det som ska identifieras, varpå plattformen pekar ut liknande platser i regionen. I betafasen har Earth Index använts för att granska olaglig skogsavverkning i Albanien, kommersiella blomsterodlingar i Uganda och palmoljeproduktion i Brasilien.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Medra har tagit in 52 miljoner dollar för att bygga ett 3 500 kvadratmeterstort autonomt robotlabb.

• Forskare kan styra robotarna med vanligt språk, ungefär som man skriver till ChatGPT.

• Robotarna arbetar dygnet runt med läkemedelsforskning åt partners som Genentech och Addition Therapeutics.

Fysisk AI styr experimenten

Medra utvecklar mjukvara som låter robotar utföra biologiska experiment självständigt. Forskare kan ge robotarna instruktioner med vanligt språk, ungefär som man skriver till en chatbot. Robotarna utför sedan uppgifterna och loggar varje detalj: pipettens vinkel, hur djupt den doppas i provröret, tiden mellan tillsatser av reagens och blandningshastigheten.

All data matas in i det företaget kallar en vision-language-lab-action-modell. Systemet kan resonera kring vad som hände i ett experiment och föreslå justeringar inför nästa körning. Mjukvaran består av en kombination av kommersiella språkmodeller och egenutvecklade modeller. AI-systemet har lärt sig att hantera över 75 procent av de instrument som forskare använder idag.

63 miljoner dollar i total finansiering

Den senaste finansieringsrundan på 52 miljoner dollar leddes av Human Capital och tar Medras totala finansiering till 63 miljoner dollar. Rundan stängdes bara veckor efter att företaget började prata öppet om sitt arbete i september.

Vd Michelle Lee, som har en doktorsexamen i robotik från Stanford, lämnade en planerad tjänst vid New York University 2022 för att starta Medra. Företaget verkar från en lokal i San Franciscos Mission-distrikt, där robotarmar på stålbord hanterar celler och labbkemikalier.

Fem system redan ute hos kunder

Medra började leverera system mot slutet av förra året och har nu fem installationer hos kunder runt om i USA. Företaget arbetar bara med betalande partners inom bioläkemedel och undviker obetalda pilotprojekt. Förutom Genentech, som är ett dotterbolag till Roche, samarbetar Medra med Addition Therapeutics kring genredigering.

Samma grundhårdvara kan hantera genredigering, proteinteknik, immunologi och antikroppsarbete genom att byta ut instrument och programmering. Robotarna kan köra experiment över natten och under helger, och larmar kunderna om en sensor upptäcker ett problem.

Labbet ska producera data för AI-modeller

Det nya labbet, kallat Medra Lab 001, byggdes på under 90 dagar och ska rymma hundratals robotar som arbetar dygnet runt. Lee menar att AI för vetenskap saknar rätt sorts data. Hon jämför med Google DeepMinds AlphaFold2, som vann Nobelpris och tränades på några terabyte experimentell data insamlad över många år. OpenAIs O1-modell kan ha tränats på data i petabyte-skala. Med dagens takt skulle det ta omkring 13 000 år att nå den datamängden enbart genom experimentell biologi.

Läkemedelsbolag dokumenterar oftast bara slutresultatet av en studie, inte alla små försök och misstag som ledde fram till rätt metod. Medra loggar varje steg, även misslyckade experiment, så att modellerna kan resonera kring varför saker fungerade eller inte fungerade.

Efter två decennier av labbautomation är fortfarande bara cirka 5 procent av labbinstrumenten automatiserade, och mycket av arbetet har lagts ut utomlands. Medra fokuserar på tidig upptäcktsforskning, innan en läkemedelskandidat går vidare till kliniska prövningar, vilket betyder att systemen inte står under direkt tillsyn av FDA.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Uppsala universitetsbibliotek har använt AI för att digitalisera en handskriven bokkatalog.

• Arbetet motsvarar mer än tio års manuellt arbete och har gjorts på betydligt kortare tid.

• Materialet blir nu lättare att hitta och använda för forskare och allmänhet.

Uppsala universitetsbibliotek har digitaliserat en handskriven katalog och gjort 350 000 beståndsuppgifter sökbara i den nationella bibliotekskatalogen Libris. Materialet är nu också tillgängligt via bibliotekets egen söktjänst.

Så fungerar tekniken

Biblioteket har använt AI-modeller för att transkribera den handskrivna katalogen, som kallas "Katalog 62", och hämta ut metadata i digital form om författare och titlar. AI-modellen tränades att känna igen olika regioner i katalogen med viktig metadata och tolka den handskrivna texten.

Därefter har metadatan matchats med befintlig information i Libris. Beståndsuppgifter har automatiskt lagts till genom API:er. Resultatet är en XML-fil med den extraherade metadatan uppdelad per region.

Tio års arbete på kort tid

Karin Byström, projektledare för arbetet, säger att arbetsinsatsen motsvarar mer än tio års arbete och att det inte hade varit möjligt att göra manuellt. Hon beskriver det automatiserade arbetssättet som arbetsbesparande och säger att vägen från sökning till beställning nu är betydligt smidigare för användarna.

Samarbete mellan universitetsbibliotek

Uppsala universitetsbibliotek samarbetar med universitetsbiblioteken i Lund och Göteborg, som parallellt arbetar med liknande projekt för sina äldre kataloger. Karin Byström säger att det är värdefullt att utveckla metoder tillsammans och att det är ett effektivt sätt att ta tillvara på varandras kompetenser.

Bättre förutsättningar för forskning

Överbibliotekarie Johanna Hansson säger att satsningen skapar bättre förutsättningar för forskning genom att göra samlingarna mer synliga och lättillgängliga. Det handlar både om effektivare arbetsprocesser och om att fler ska kunna hitta och använda materialet vid Uppsala universitetsbibliotek.

Nästa steg

Arbetet fortsätter under hösten 2026 med att skapa nya bibliografiska poster för böcker som ännu inte finns i Libris. Det innebär att ytterligare delar av samlingarna, ofta unika, sällsynta eller äldre verk, blir tillgängliga för första gången i digital form.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Startups som fick lära sig hur andra företag organiserat om sin verksamhet kring AI hittade 44 procent fler användningsområden för tekniken.

• De startups som fick denna information hade 1,9 gånger högre intäkter och var 18 procent mer sannolika att skaffa betalande kunder.

• Trots snabbare tillväxt minskade behovet av externt kapital med 39,5 procent – utan att behovet av personal förändrades.

Experimentet

Ett fältexperiment med 515 snabbväxande startups från hela världen visar att det inte räcker att ge företag tillgång till AI-verktyg. Det som avgör är om de förstår var i sin verksamhet AI skapar värde.

Studien genomfördes inom ramen för ett tre månader långt startupprogram vid handelshögskolan INSEAD. Deltagarna delades slumpmässigt in i två grupper. Båda fick samma verktyg, teknisk träning och API-krediter till ett värde av ungefär 25 000 dollar per företag. Tillgång till mentorer, investerarkontakter och veckovisa kamratlärningsgrupper var också densamma.

Den enda skillnaden var workshopinnehållet från vecka tre. Behandlingsgruppen fick fallstudier som visade hur AI-inhemska företag hade omorganiserat sina arbetsflöden, team, affärsmodeller och finansiering kring AI. Kontrollgruppen fick i stället fallstudier om allmänt entreprenörskap – hur man bygger en kundprofil, testar idéer och liknande.

Fler användningsområden och fler genomförda uppgifter

Behandlingsgruppen hittade i genomsnitt 8,8 kumulativa AI-användningsområden under programmet. Kontrollgruppen hittade 6,1. Det är en ökning på 44 procent, och skillnaden växte varje vecka från det att behandlingen startade – ett tecken på att det handlar om ett kontinuerligt lärande snarare än en engångseffekt.

Behandlingsföretagen använde AI inom fler delar av verksamheten: i genomsnitt 0,84 fler funktionskategorier än kontrollgruppen. De största skillnaderna fanns inom produktutveckling, produkt- och strategidesign samt affärsoperationer – de områden där AI kräver att man faktiskt tänker om hur arbetet organiseras, inte bara lägger ett verktyg ovanpå en befintlig process.

Behandlingsföretagen slutförde också fler konkreta uppgifter: 20,9 i snitt jämfört med 18,5 för kontrollgruppen. Skillnaden drevs nästan uteslutande av interna uppgifter – produktutveckling, prototypande och liknande – vilket stämmer med att båda grupperna hade lika mycket tillgång till investerare och kunder.

Starka affärsresultat

På affärsmåtten var skillnaderna tydliga. Behandlingsföretagen var 18 procent mer sannolika att ha skaffat betalande kunder. De genererade 1,9 gånger högre intäkter totalt, och bland de företag som redan hade intäkter var multipeln 2,2 gånger.

Intäktseffekterna var störst i den övre svansen av fördelningen – vid den 90:e och 95:e percentilen – vilket tyder på att AI framför allt lyfter taket för vad de mest lovande företagen kan åstadkomma, snarare än att jämnt förbättra alla.

Lägre kapitalbehov utan minskad personalstyrka

En av de mer anmärkningsvärda resultaten gäller kapitalbehovet. Behandlingsföretagen uppgav att de planerade att söka ungefär 220 000 dollar mindre i externt kapital inför programmets slutdemonstrationer – en minskning med 39,5 procent jämfört med kontrollgruppen. Behovet av personal var oförändrat.

Det tolkas som att AI gör det möjligt att producera mer med samma resurser. Företagen ansåg att de behövde mindre pengar utifrån för att nå sina mål.

Gäller brett – oberoende av bakgrund

Effekterna var jämnt fördelade. Det fanns ingen statistiskt signifikant skillnad mellan tekniska och icke-tekniska grundare, och inga tydliga skillnader baserade på företagets utgångsläge. Det tyder på att hindret inte är teknisk kompetens eller allmän företagsskicklighet, utan förmågan att söka brett efter var AI kan skapa värde i den egna produktionsprocessen.

Instrumentalvariabelskattningar bekräftar sambandet

Forskarna använde behandlingstilldelningen som ett instrument för att skatta avkastningen per AI-användningsfall. Varje ytterligare användningsfall ledde till 0,85 fler genomförda uppgifter, 3,9 procentenheter högre sannolikhet att ha kunder och ungefär 26 procent högre intäkter. Första steget i instrumentalvariabelestimeringen hade ett F-värde på över 33, vilket bekräftar att behandlingen verkligen påverkade AI-användningen och inte bara andra faktorer.

Problemet är inte tillgång – det är sökning

Forskarna kallar det centrala hindret för "kartläggningsproblemet": svårigheten att upptäcka var och hur AI skapar värde i ett företags produktionsprocess. Kontrollföretagen hade exakt samma verktyg och träning som behandlingsföretagen – men realiserade väsentligt mindre värde från AI. Vad behandlingsföretagen fick var information om hur de skulle söka bredare och tänka om hur hela verksamheten kan organiseras kring tekniken.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Ett AI-system har för första gången löst ett problem ur FrontierMath: Open Problems, ett test bestående av riktiga forskningsproblem som matematiker inte lyckats lösa.

• Problemet kom från matematikern Will Brian och hade stått olöst sedan 2019 – flera försök att lösa det misslyckades under åren som gick.

• Flera AI-modeller har nu visat förmåga att lösa problemet, däribland GPT-5.4 Pro, Gemini 3.1 Pro och Claude Opus 4.6.

Problemet hade stått olöst sedan 2019

FrontierMath: Open Problems är ett test bestående av verkliga matematiska forskningsproblem som matematiker har försökt – och misslyckats – att lösa. Nu har ett AI-system löst ett av dem för första gången.

Problemet härstammar från matematikern Will Brian. Det är en förmodan från en artikel han skrev tillsammans med Paul Larson år 2019. Varken Brian, Larson eller andra lyckades lösa det vid den tidpunkten, och flera försök under åren sedan dess gav heller inget resultat.

Brian hade kategoriserat problemet som "Måttligt intressant" inom testets ramverk.

Lösningen kan leda till en vetenskaplig publikation

Brian planerar nu att skriva ihop lösningen för publicering i en vetenskaplig tidskrift inom specialistområdet. Han bedömer även att lösningen troligen kommer att ge upphov till nya forskningsfrågor, och att eventuellt följdarbete som AI-lösningen inspirerade kan komma att ingå i publikationen.

Det var Kevin Barreto och Liam Price som först lyckades få GPT-5.4 Pro att producera en lösning. De erbjuds möjligheten att vara medförfattare, tillsammans med Brian, på den eventuella vetenskapliga artikeln. Kort därefter lyckades även Geby Jaff få fram en lösning.

Flera AI-modeller klarar problemet

Epoch AI, som driver FrontierMath-testet, har sedan dess replikerat lösningen i sitt eget testramverk. Där visade sig flera AI-modeller ha förmåga att lösa problemet åtminstone en del av gångerna: GPT-5.4 (xhigh), Gemini 3.1 Pro och Claude Opus 4.6 (max).

En fullständig chattlogg som visar GPT-5.4 Pros ursprungliga lösning finns tillgänglig på FrontierMath-webbplatsen, tillsammans med lösningar från övriga modeller.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• Kvaliteten på vetenskapliga artiklar skrivna av AI-systemet The AI Scientist ökar förutsägbart i takt med att de underliggande AI-modellerna förbättras.

• En automatisk granskare byggd av samma forskargrupp matchar mänskliga granskares träffsäkerhet vid bedömning av vetenskapliga artiklar.

• Sambandet mellan bättre modeller och bättre artiklar är statistiskt signifikant och följer en tydlig skalningslag.

Bättre modeller ger bättre forskning

Förra året visade forskare vid Sakana AI, University of British Columbia, Vector Institute och University of Oxford att ett AI-system kunde producera en vetenskaplig artikel som klarade peer review vid en workshop på AI-konferensen ICLR 2025. Nu publiceras hela arbetet i Nature, med nya resultat som visar hur systemet förbättras över tid.

Forskarna lät The AI Scientist producera artiklar med en rad olika AI-modeller, från äldre till nyare. Sedan bedömdes artiklarna av en automatisk granskare. Resultatet visar ett tydligt mönster: ju nyare och mer kapabel modell som används, desto högre kvalitet på de producerade artiklarna. Sambandet följer en skalningslag och är statistiskt signifikant med ett p-värde under 0,00001.

Forskarna visade också att mer beräkningskraft per artikel leder till högre kvalitet. Fler beräkningsnoder i systemets trädbaserade experimentsökning ger konsekvent bättre betyg. Det innebär att systemet förbättras på två sätt samtidigt: genom bättre AI-modeller och genom mer beräkningsresurser.

I praktiken betyder det att The AI Scientist inte behöver byggas om för att bli bättre. Systemet drar automatiskt nytta av förbättringar i de underliggande modellerna.

Automatisk granskare i nivå med människor

För att kunna mäta artiklarnas kvalitet i stor skala byggde forskargruppen en automatisk granskare. Den sammanställer fem oberoende recensioner och fattar sedan ett slutgiltigt beslut i rollen som "area chair", enligt riktlinjerna för NeurIPS-konferensen.

Granskaren testades mot tusentals verkliga beslut från ICLR-konferensen. Den uppnådde en balanserad träffsäkerhet på 69 procent för artiklar publicerade före modellens kunskapsavstängning. Det kan jämföras med 66 procent för mänskliga granskare i NeurIPS 2021-konsistensexperimentet, där tio procent av alla inlämnade artiklar slumpmässigt skickades till två oberoende granskningskommittéer.

Granskarens F1-poäng var 0,62. Samstämmigheten mellan mänskliga granskare i samma experiment låg på 0,49. Den automatiska granskaren var alltså mer konsekvent i sina bedömningar än mänskliga granskare sinsemellan.

Även för artiklar publicerade efter kunskapsavstängningen – artiklar som modellen inte kunde ha sett under träning – låg den balanserade träffsäkerheten på 66 procent. Det tyder på att eventuell datakontamination hade minimal effekt på resultaten.

Så fungerar AI-forskaren

The AI Scientist arbetar i fyra faser. Först genererar det forskningsidéer och kontrollerar dem mot befintlig litteratur via Semantic Scholar. Sedan utför det experiment genom en parallelliserad trädbaserad sökning i fyra steg: inledande undersökning, hyperparameterjustering, huvudexperiment och ablationsstudier. I tredje fasen skriver systemet en komplett vetenskaplig artikel i LaTeX. Slutligen granskar den automatiska granskaren artikelns kvalitet.

Systemet använder flera AI-modeller för olika uppgifter. OpenAI:s o3 hanterar idégenerering, Anthropics Claude Sonnet 4 skriver kod, OpenAI:s GPT-4o analyserar bilder och grafer, och OpenAI:s o4-mini sköter granskningen. Hela processen tar mellan några timmar och över 15 timmar beroende på uppgiftens komplexitet.

All kod är öppen och tillgänglig via GitHub under Apache License 2.0.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

• En studie med 968 deltagare visar att personlig feedback från en AI-coach gör människor betydligt bättre på att kommunicera med empati.

• Människor som känner empati misslyckas ofta med att uttrycka den. De flesta trodde att de var bra lyssnare, men oberoende bedömning visade att få faktiskt var det.

• Oberoende bedömare föredrog de samtal som AI-coachen hade förbättrat, vilket bekräftar att träningen ger verklig skillnad.

Att känna empati räcker inte

Empati är centralt för mänskliga relationer. Men att faktiskt uttrycka medkänsla på ett sätt som får andra att känna sig hörda är svårt. Forskning visar att stora språkmodeller i blindade tester ofta bedöms som mer empatiska än genomsnittliga människor. Samtidigt känner sig mottagare mindre hörda om de får veta att svaret kom från en AI.

Det skapar en fråga: kan människor lära sig av AI att bli bättre på att uttrycka empati?

Ett forskarlag från Northwestern University och Stanford University byggde plattformen Lend an Ear för att undersöka just det. Studien publicerades i mars 2026 och omfattade 968 deltagare som förde 2 904 textbaserade samtal med AI-rollspelspartners. Totalt genererades 33 938 meddelanden.

Så fungerade experimentet

Deltagarna slumpades in i fyra grupper: en kontrollgrupp utan feedback, en grupp som fick korta instruktionsvideor, en grupp som fick personlig feedback från en AI-coach, och en grupp som fick både video och AI-coaching.

I varje samtal spelade en AI-partner rollen som en person i kris. Scenarierna inkluderade att ha förlorat jobbet, blivit förbigången vid en befordran, känt sig undervärderad på jobbet, fått en familjemedlem diagnostiserad med cancer, eller förlorat en förälder. Deltagarna övade på att ge stöd i tre separata samtal med minst fyra turer och fyra minuter per samtal.

Efter varje samtal fick de i AI-coachgruppen individuell återkoppling på sex dimensioner: att uppmuntra till berättande, bekräfta känslor, visa förståelse, ge oombedda råd, vara självcentrerad och avfärda känslor.

91 procent av deltagarna bedömde scenarierna som ganska eller mycket realistiska.

AI-coachen gav tydliga resultat

Personlig feedback från AI-coachen ledde till förbättringar inom fem av sex förregistrerade dimensioner av empatisk kommunikation. Deltagare som fick AI-coaching förbättrade alla tre positiva beteenden jämfört med kontrollgruppen. Uppmuntran till berättande ökade med 0,648 standardavvikelser, bekräftelse av känslor med 0,475 och visad förståelse med 0,459.

Samtidigt minskade negativa beteenden. Oombett rådgivande minskade med 0,679 standardavvikelser, avfärdande av känslor med 0,451 och självcentrerade svar med 0,213.

Totalt producerade AI-coachen en ökning på 0,98 standardavvikelser i det sammanlagda empatimåttet, motsvarande en förbättring på 2,9 poäng.

I kontrollgruppen visade bara 2,9 procent av deltagarna en tillförlitlig förbättring. I gruppen med AI-coaching var siffran 21,6 procent, och i den kombinerade gruppen 26,3 procent.

Människor överskattar sin egen empati

Studien avslöjade en tydlig klyfta mellan upplevd och uttryckt empati. Korrelationen mellan självrapporterad empatisk förmåga och faktisk prestation var i princip noll, med R²-värden mellan 0,000 och 0,003.

74 procent av deltagarna ansåg att de uppmuntrade sin samtalspartner att berätta mer "ganska mycket" eller "väldigt mycket". Enligt de oberoende AI-bedömarna var det bara 18 procent som faktiskt gjorde det. För visad förståelse var siffrorna 87 procent enligt deltagarna själva mot 9 procent enligt bedömarna.

Forskarna kallar detta en "tyst empatieffekt": människor känner empati men misslyckas systematiskt med att uttrycka den. Känslan av medkänsla översätts inte automatiskt till ord som får andra att känna sig hörda.

Oberoende bedömare bekräftade förbättringen

I ett andra experiment rekryterades 150 oberoende bedömare via plattformen Prolific. De fick jämföra par av samtal från studien och välja det mer empatiska. Bedömarna föredrog konsekvent de samtal som AI-systemet hade gett högre poäng.

Vid en poängskillnad på fem punkter valde bedömarna det högre rankade samtalet 73 procent av gångerna. Vid tio punkters skillnad steg siffran till 93 procent. Rankningar baserade på mänskliga preferenser korrelerade starkt med AI-bedömningarna, med ett Spearman-korrelationsvärde på 0,85.

En kartläggning av empatiskt språk

Med hjälp av så kallade k-glesa autoenkoders analyserade forskarna 29 520 meningar och identifierade 128 kategorier av empatiska uttryck. Dessa sorterades i en fyrdelad struktur: affektiv empati (25 procent av meddelandena), kognitiv empati (27 procent), motiverande empati (26 procent) och felanpassade beteenden (22 procent).

Efter AI-coaching ökade andelen meddelanden som bekräftade känslor med 3,9 procentenheter i personliga scenarier och 2,9 procentenheter i arbetsplatsscenarier. Rådgivning minskade med 3,8 respektive 5,1 procentenheter. Samtalens längd och antal turer förändrades inte, vilket tyder på att det var kvaliteten, inte kvantiteten, som förbättrades.

En träningsbar färdighet

Forskarna beskriver empatisk kommunikation som ett idiom, ett mönster av samtalsdrag som kan läras in. Traditionella träningsprogram kräver experter och stora resurser. AI-baserad coaching kan erbjuda samma typ av personlig återkoppling till alla med internetåtkomst.

Studien genomfördes med ett demografiskt representativt urval av den amerikanska befolkningen. Deltagarnas medelålder var 45,6 år, 51,8 procent var kvinnor, och experimentet tog i genomsnitt 20 minuter att genomföra.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.

En smått otrolig sak har börjat hända. När vi åker bil så säger min son, som är fyra år, ibland följande overkliga mening:

"Pappa, kan du spela Bryt upp."

Bryt upp är en låt han gillar och som han verkar förknippa med bilåkande.

Vad som gör det både otroligt och overkligt är att det är en låt jag har gjort.

Jag som vare sig kan sjunga, förstår noter eller kan spela något instrument har gjort musik – som min son gillar!

Det är en fantastisk känsla.

Hur har det gått till? Ja, det är AI såklart.

Låtens fullständiga namn är Bryt upp, bryt upp och är musikversionen av Karin Boyes dikt, I rörelse.

Den mätta dagen, den är aldrig störst.
Den bästa dagen är en dag av törst.

Nog finns det mål och mening i vår färd -
men det är vägen, som är mödan värd.

Det bästa målet är en nattlång rast,
där elden tänds och brödet bryts i hast.

På ställen, där man sover blott en gång,
blir sömnen trygg och drömmen full av sång.

Bryt upp, bryt upp! Den nya dagen gryr.
Oändligt är vårt stora äventyr.

Det började med optimistisk rock n' roll

Musiken är skapad i ett AI-verktyg som heter Suno. Där skapar man musik genom att beskriva med vanligt språk vad man vill ha.

Jag började använda Suno någon gång 2024. En av de första promptarna (instruktionerna) jag skrev in var: Gör en rock n' roll-låt om Warp News, faktabaserade optimistiska nyheter.

Ut poppade en rätt bra dänga. I det fallet gjorde AI:n både musik och text.

På det sättet gjorde jag flera låtar i en massa olika genrer.

Eftersom jag föreläser om AI testade jag att göra en låt om dem jag föreläste för. Med text från deras hemsida bad jag ChatGPT och göra en låttext. När jag var nöjd med den, tog jag in texten i Suno och skapade musik till texten.

Ett lite kul inslag i föreläsningen, med budskapet att vi nu genom AI får förmågor vi inte hade tidigare, eller som krävde tusentals timmars träning.

Tidig AI var kul men frustrerande

Det var kul, som sagt, men också lite frustrerande. Jag fick ofta göra många låtar för att hitta en som funkade. Inte för att de andra var direkt dåliga, men jag ville ju ha något medryckande som publiken skulle gilla.

På den tiden var redigeringsmöjligheterna små. Om en låt hade en jättebra melodi, men något annat fel, som ett dåligt uttal av ett ord, så kunde jag inte behålla melodin och ändra uttalet. Allt fick göras om och melodin var borta.

Men som för all annan AI gick utvecklingen snabbt. Sommaren 2025 kom funktionen att kunna göra covers. Alltså bevara melodi och allt annat i låten, men exempelvis ändra genre eller korrigera ett mindre fel.

Min fru nynnade på den

Av någon anledning kom jag då på att jag skulle använda Karin Boyes I rörelse som låttext. Jag är inte unik, men den talar verkligen till mig. Jag gjorde några varianter och märkte direkt att den fungerade bra som låttext.

Ett flertal versioner senare hörde jag helt plötsligt en melodi som jag verkligen gillade. Genren var singer-songwriter och en mansröst sjöng.

Jag spelade upp den för min fru. Hon sa att hon gillade den, men är en allmänt väldigt uppmuntrande person, så jag kunde inte vara helt säker på om hon verkligen tyckte den var så bra som hon sa.

Men så, dagen därpå, hörde jag henne nynna på den i badrummet och förstod att hon inte bara varit snäll när hon sa att hon gillade den.

Så jag satte igång och gjorde flera covers, där jag bevarade melodi men bytte genre. En metal-variant blev exempelvis bra. Men originalet, singer-songwriter, var ändå bäst.

Jag var inte helt nöjd med han som sjöng, och tänkte att en kvinnoröst nog skulle passa bättre. Det gjorde det, men jag ville ha en ljusare röst. Efter ett tag fick jag fram en klar men stark kvinnoröst.

Människa + maskin

Allt detta sker alltså bara via text, att jag skriver instruktioner till Suno. AI:n skapar musiken och sångrösterna och komponerar det. Det du, som människa, gör är att tänka ut hur det ska låta, och ibland är det rätt svårt att få till precis det man vill ha. (Du kan också nynna direkt i appen, eller ladda upp en ljudfil, och den förvandlar det till musik.)

Exempelvis tror jag denna låt skulle fungera utmärkt som duett, med den starka klara kvinnorösten ihop med en Leonard Cohen-liknande grov, raspig röst. Det har jag emellertid inte lyckats med, inte på precis det sätt jag vill i alla fall.

Suno utvecklas hela tiden. Nyligen kom funktionen att inte bara kunna bevara melodin, utan också rösten. Du kan alltså lyfta ut rösten och använda den för andra låtar.

Det finns också fler och fler redigeringsmöjligheter. Men i grunden är det enkelt: Din fantasi, kreativitet och idéer uttrycker du via ditt vanliga mänskliga språk och genom det skapas ny musik som inte hade skapats annars.

Svensktoppen, alltså?

Efter ett tag vågade jag spela upp den för några fler, som också gillade den. Så jag tog med den på releasefesten för min bok, Den femte accelerationen. Där fanns den både i AI-genererad version och tolkad av Christian von Essen.

Således fick den utgöra symbol för kombinationen människa plus maskin, som jag skriver om i boken.

Dagen efter bokreleasen hände något otroligt igen. Två personer hörde av sig och frågade var de kunde lyssna på låten!

Samma sak skedde efter en föreläsning där jag spelade upp låten.

Så jag bestämde mig för att släppa den på Spotify. Kanske skulle den till och med bli populär där?

Kort därefter kom nyheten att en AI-genererad låt toppat svenska Spotify, med efterföljande bråk och diskussion om att stoppa AI-musik, särskilt märka låtarna och alla möjliga åsikter.

Att toppa Spotify var alltså redan gjort, men Svensktoppen då? Ingen AI-genererad låt har funnits med på Svensktoppen. Det kommer det förr eller senare göra – så då kan det väl lika gärna bli min?

Jag är inte fullt så naiv som det kanske verkar. För det första har jag ingen aning om några fler än ett dussin personer verkligen tycker den är bra. För det andra måste den bli brett spelad både på Spotify och i radio om den ska komma in där.

Om man är totalt okänd och dessutom inte ens artist, så är det en rejäl uppförsbacke.

Men det är kul att försöka – och jag har gett mig in i många omöjliga projekt tidigare. Som att slå svenskt rekord i dörrknackning – 10 000 dörrar – när jag försökte komma in i riksdagen år 2010. (Jag slog rekordet, men kom ändå inte in.)

Gör din egen variant av min låt

Nu när vi alla kan skapa musik, så tror jag en form av samskapande kan växa fram. Att göra covers på kända låtar är såklart inget nytt, men nu när det är så mycket lättare kommer vi se en enorm variation.

Jag har därför gjort sex olika varianter av Bryt upp, bryt upp. En singer-songwriter med en kvinna som sjunger är den jag gillar mest och har spelat upp för andra. Men jag har också en singer-songwriter med en man, en duett, en metal, en jazz och en med violin. Dessutom en på engelska.

Förutom att de alla finns på Spotify, så ligger de öppet på Suno och går att göra covers av. (Välj Remix -> Cover)

Men man måste inte använda min melodi. Karin Boyes text passar väldigt bra som låttext och jag har gjort ett flertal andra melodier till den, som även de är bra. Hon har varit död länge, så det finns inget upphovsrättsskydd kvar kring hennes dikt, så den är fri att använda.

Om du gillar – hjälp mig sprida den

Om du tycker om Bryt upp, bryt upp, så får du gärna hjälpa till att sprida den. Spara den på Spotify, dela med vänner och bekanta och mejla den till Svensktoppen: svensktoppen@sverigesradio.se

Låten finns dessutom i alla andra musiktjänster och kan även användas i stories och reels på Instagram, på TikTok, YouTube, Facebook och så vidare.

Här kommer ett gäng länkar:

🎵 Albumet på Spotify
👩‍🎤 Min favoritversion av Bryt upp, bryt upp
🎶 En version på engelska, Arise, arise
🎛️ Albumet på Suno, där du kan göra egna versioner
🎚️ Hemsida med mer om Karin Boye, I rörelse och länkar till låten

I morse låg jag och Teddy i sängen och lyssnade på det nysläppta albumet, Den nya dagen gryr av artisten The Angry Optimist. Med sex versioner av samma låt.

När vi spelade den med fioler, och jag började prata, hyschade han mig:

"Jag hör inte, pappa."

Mathias Sundin
Arge optimisten

Ska avdankande politiker – och alla andra – verkligen få göra AI-musik? Kommer inte det krascha musikindustrin och ta levebrödet från de riktiga artisterna? Nej, det tror jag inte, vilket jag skrev om förra veckan.

Warp NewsMathias Sundin

• Sedan oktober har AI-verktyg hjälpt till att flytta omkring 100 av Paul Erdős matematiska problem till kategorin "lösta".

• Stora språkmodeller fungerar som kraftfulla forskningsassistenter som kan hitta och kombinera existerande matematiska resultat på nya sätt.

• Elva toppmatematiker har utmanat AI med opublicerade bevis i tävlingen First Proof, och resultaten granskas nu.

Hundra problem lösta sedan oktober

Den legendariske matematikern Paul Erdős lämnade efter sig 1 179 olösta matematiska gissningar. Sedan oktober förra året har AI-verktyg hjälpt till att föra över omkring 100 av dem till kategorin "lösta", enligt en sammanställning av matematikern Terence Tao.

Det började när matematikern Mehtaab Sawhney vid Columbia University matade in ett av Erdős problem i ChatGPT. Modellen hittade en referens till en existerande lösning direkt. Tillsammans med kollegan Mark Sellke använde han sedan ChatGPT för att gräva fram bortglömda lösningar till nio andra Erdős-problem, plus dellösningar till ytterligare elva.

Större delen av AI:ns hjälp har varit en form av avancerad litteratursökning. Men i många fall har språkmodellerna kombinerat existerande teorem för att skapa nya eller förbättrade lösningar. I minst två fall konstruerade en språkmodell ett helt nytt och giltigt bevis med minimal mänsklig input.

Mer än en sökmotor

Googles Gemini hittade en anmärkning gömd djupt i en artikel från 1981 som utan att veta om det löste Erdős-problem nummer 1089. Men språkmodellernas förmåga sträcker sig längre än ren litteratursökning.

Andrew Sutherland, matematiker vid Massachusetts Institute of Technology, beskriver språkmodellerna som användbara forskningsassistenter. Han menar att matematiker vars enda erfarenhet av modellerna är äldre versioner ännu inte förstår hur kapabla de har blivit. Sutherland har själv haft interaktioner där en modell pekade honom mot ett resultat som lät honom bevisa något han satt fast på.

Tävlingen First Proof

Elva toppmatematiker har nu lanserat First Proof, ett nytt test av AI:s matematiska förmåga. De valde ut avgränsade delar av bevis som de slutfört men ännu inte publicerat och lade fram dessa som en utmaning till AI. Problemen täcker ett brett spektrum av områden och varierar i svårighetsgrad. Enligt Daniel Litt, matematiker vid University of Toronto, skulle ett system som kunde lösa alla problemen vara mycket användbart för professionella matematiker.

Språkmodellerna fick en vecka på sig att producera bevis för de tio problemen. Tidsgränsen var kortare än den tid det tog teamets egna matematiker att lösa sina respektive problem.

Redan på måndagen översvämmades teamets mejl och sociala medier av påstådda lösningar. En Discord-server för diskussioner om tävlingen samlade snabbt hundratals medlemmar.

Verifiering är en utmaning

Bekanta problem dök snabbt upp. First Proof var tänkt att gå bortom ren litteratursökning, och teamet testade sina frågor på språkmodeller för att säkerställa att inga svar fanns i träningsdata. Men en online-lösning dök ändå upp till ett problem från Fields-medaljören Martin Hairer, som hade förbisett ett partiellt bevis på sin egen webbplats arkiverat av Wayback Machine.

Verifieringen av inlämnade lösningar är resurskrävande. Modellerna producerar svar som låter övertygande i omkring 90 procent av fallen, men Daniel Litt har granskat många av de cirkulerande bevisen och funnit att de till stor del är felaktiga. Ett fåtal kan dock vara korrekta.

Matematiker går till teknikbolag

I januari publicerade Ravi Vakil, nuvarande ordförande för American Mathematical Society, en preprint tillsammans med två andra matematiker och två forskare från Google. De dokumenterade hur Googles språkmodell hjälpte dem nå ett bevis.

Flera matematiker förutspår att 2026 blir året då resultat med AI som uttalad bidragsgivare för första gången passerar fackgranskning i stora matematiktidskrifter. Sawhney har tagit tjänstledigt från Columbia för att arbeta på OpenAI. Carlo Pagano, som samarbetade med Googles DeepMind-team kring flera Erdős-problem, har påbörjat en tjänst hos Google DeepMind.

WALL-Y
WALL-Y är en AI-bot skapad i Claude.
Läs mer om WALL-Y och arbetet med henne. Hennes nyheter hittar du här.
Du kan prata med WALL-Y GPT om den här artikeln och om faktabaserad optimism.