[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"layout-ticker":3,"$fasNvUem-Mkf018F0-M8ANxq9O4VDkzOESBIbSN3Pib0":208,"$fs44GXBsQx9bg42JyFqKAOEFDU9bfUZfWfdCLSXgjQ_A":235,"atoms-czy-ai-wlasnie-rozwiazalo-problem-nad-ktorym-matematycy-bili-sie-od-1946-roku":332},[4,10,16,21,26,31,36,41,46,51,56,61,66,72,77,82,87,92,97,102,107,112,118,123,128,133,138,143,148,153,158,163,168,173,178,183,188,193,198,203],{"slug":5,"draft_id":6,"pillar_id":8},"jak-legalon-obnizyla-koszty-modeli-kodowych-o-65-bez-spowolnienia-pracy-i-jak-to-zrobic-w-twojej-firmie-jaqm",{"title":7},"LegalOn obniżyła dzienne koszty Codex o 65% — jak to działa",{"name":9},"Narzędzia AI",{"slug":11,"draft_id":12,"pillar_id":14},"ai-w-badaniach-kwantowych-jak-jump-trading-automatyzuje-prace-analitykow-w-30-mniej-czasu",{"title":13},"Agenci AI w badaniach ilościowych: przykład Jump Trading",{"name":15},"Praktyczne zastosowania",{"slug":17,"draft_id":18,"pillar_id":20},"jak-asana-obnizyla-koszty-testow-browserowych-o-76-razy-i-jak-to-zrobic-w-twojej-firmie-juz-teraz",{"title":19},"Agenci przeglądarkowi AI w testach: jak Asana obniżyła koszty 76 razy",{"name":15},{"slug":22,"draft_id":23,"pillar_id":25},"jak-ai-w-atlassian-openai-automatyzuje-prace-zespolow-i-jak-to-zrobic-w-twojej-firmie",{"title":24},"Atlassian i OpenAI: co daje ChatGPT i Codex w Jirze — stan na 2026",{"name":9},{"slug":27,"draft_id":28,"pillar_id":30},"jak-ai-przyspiesza-prace-zespolow-it-o-30-ale-tylko-jesli-wiesz-jak-zintegrowac-ja-z-kodem-i-dokumentacja",{"title":29},"Ile naprawdę daje AI zespołowi programistów? Badania, ceny, pomiar",{"name":9},{"slug":32,"draft_id":33,"pillar_id":35},"jak-ai-z-atlassianem-i-openai-przyspiesza-prace-zespolowa-ale-czy-warto-wdrazac-to-w-twojej-firmie",{"title":34},"ChatGPT w firmie: plany Business, ceny i bezpieczeństwo danych (2026)",{"name":9},{"slug":37,"draft_id":38,"pillar_id":40},"jak-zautomatyzowac-analize-danych-w-twojej-firmie-bez-it-i-zaoszczedzic-40-budzetu",{"title":39},"Analiza danych bez działu IT: agenci AI i automatyzacja w 2026",{"name":9},{"slug":42,"draft_id":43,"pillar_id":45},"jak-data-agent-w-chatgpt-work-oszczedza-20-30-czasu-analitykow-bez-kodowania",{"title":44},"Data agent w ChatGPT Work: co potrafi analityk bez kodowania",{"name":9},{"slug":47,"draft_id":48,"pillar_id":50},"jak-ai-zwieksza-wydajnosc-inzynierow-o-21-i-jak-to-zrobic-w-twojej-firmie",{"title":49},"Jak Codex zwiększa wydajność inżynierów — case study 1Password i",{"name":15},{"slug":52,"draft_id":53,"pillar_id":55},"chatgpt-przyspiesza-prace-marketingowa-o-90-jak-to-zrobic-w-twojej-firmie",{"title":54},"ChatGPT Work w marketingu: co przyspiesza, a czego nie zastąpi",{"name":15},{"slug":57,"draft_id":58,"pillar_id":60},"kontrola-agentow-ai-kiedy-twoja-firma-traci-wplyw-nad-dzialaniami-automatyzacji",{"title":59},"Kontrola agentów AI: jak firma zachowuje wpływ nad automatyzacją",{"name":15},{"slug":62,"draft_id":63,"pillar_id":65},"fsm-runtime-vs-llm-dlaczego-polskie-firmy-placa-za-bledne-mutacje-stanu",{"title":64},"FSM runtime vs. LLM: dlaczego polskie firmy płacą za błędne mutacje stanu",{"name":15},{"slug":67,"draft_id":68,"pillar_id":70},"csv-do-raportu-dla-zarzadu-w-30-minut-bez-excela-bez-bolu-glowy",{"title":69},"Raport zarządczy z CSV w kilka minut — jak Claude i Copilot zastępują",{"name":71},"Tutoriale how-to",{"slug":73,"draft_id":74,"pillar_id":76},"jak-zbudowac-wlasny-pipeline-grafow-wiedzy-z-tekstu-w-6-krokach-i-kiedy-to-nie-warto",{"title":75},"Grafy wiedzy z tekstu: kiedy się opłacają, a kiedy to marnotrawstwo",{"name":71},{"slug":78,"draft_id":79,"pillar_id":81},"wspoldzielona-pamiec-dla-agentow-ai-jak-21-wezlow-zmienilo-koszty-debugowania-w-7-domenach",{"title":80},"Współdzielona pamięć agentów AI: jak działa i kiedy się opłaca",{"name":15},{"slug":83,"draft_id":84,"pillar_id":86},"jak-banki-chronia-swoje-algorytmy-i-dlaczego-twoje-agencje-ai-sa-bezbronne",{"title":85},"AI w bankach 2026: jak chronić algorytmy przed zagrożeniami",{"name":15},{"slug":88,"draft_id":89,"pillar_id":91},"agenci-ai-nie-zastepuja-ludzi-tworza-im-nowe-mozliwosci-jak-basis-clay-i-exa-labs-przeksztalcaja-procesy-w-zdolnosci-operacyjne",{"title":90},"Basis, Clay i Exa Labs: co robią agenci AI, a co zostaje człowiekowi",{"name":15},{"slug":93,"draft_id":94,"pillar_id":96},"jak-ocenic-llm-w-produkcji-bez-polegan-na-vibes-trzy-proste-reguly-w-pythonie",{"title":95},"Jak ocenić LLM w produkcji bez „vibes”? Reguły i metryki w Pythonie",{"name":15},{"slug":98,"draft_id":99,"pillar_id":101},"figma-ai-asystent-czy-twoi-projektanci-moga-zrezygnowac-z-myszki",{"title":100},"Figma AI agent: co potrafi asystent projektowania w 2026?",{"name":9},{"slug":103,"draft_id":104,"pillar_id":106},"heym-vs-tradycyjne-narzedzia-kiedy-agent-ai-przestaje-byc-dodatkiem-i-staje-sie-domyslnym-blokiem",{"title":105},"Agent AI jako domyślny blok workflow: Heym, n8n, Make i Zapier w 2026",{"name":9},{"slug":108,"draft_id":109,"pillar_id":111},"langchain-w-pipeline-ie-retrievalowym-sprawdzilismy-to-nie-dziala-tak-jak-sie-wydaje",{"title":110},"LangChain w RAG: co robi, gdzie zwalnia i kiedy go zostawić",{"name":15},{"slug":113,"draft_id":114,"pillar_id":116},"autonomiczny-bot-ai-zhackowal-projekty-microsoftu-i-innych-firm-jak-to-dziala-i-co-to-oznacza-dla-open-source",{"title":115},"Lokalne modele AI w 2026: Ollama, LM Studio i modele polskie",{"name":117},"News & analizy",{"slug":119,"draft_id":120,"pillar_id":122},"ai-nie-jest-najwiekszym-zagrozeniem-to-twoi-pracownicy-otwieraja-drzwi-hakerom",{"title":121},"Exploity i skradzione hasła zamiast AI — co naprawdę atakuje firmy w",{"name":117},{"slug":124,"draft_id":125,"pillar_id":127},"ue-chce-zmusic-google-do-otwarcia-androida-na-konkurencyjne-asystenty-ai-co-to-oznacza-dla-polskich-firm",{"title":126},"Komisja Europejska nakazała Google otworzyć Androida dla",{"name":117},{"slug":129,"draft_id":130,"pillar_id":132},"twoja-architektura-multi-agent-kosztuje-5000-pln-miesiac-na-tokenach-jak-to-zmienic",{"title":131},"Koszty tokenów w architekturze multi-agent: jak je policzyć i obniżyć",{"name":71},{"slug":134,"draft_id":135,"pillar_id":137},"agent-ai-dostal-dostep-do-twoich-systemow-czy-twoja-firma-jest-gotowa",{"title":136},"OWASP Top 10 dla LLM 2026: co zmienia się dla firm z agentami AI",{"name":117},{"slug":139,"draft_id":140,"pillar_id":142},"rag-w-produkcji-dlaczego-80-projektow-zawodzi-juz-po-pierwszym-deploymencie",{"title":141},"RAG w produkcji: od demo do systemu, który działa — co się zmienia",{"name":15},{"slug":144,"draft_id":145,"pillar_id":147},"jak-zbudowac-kontrolna-warstwe-dla-llm-w-produkcji-przyklad-z-100-niezawodnoscia",{"title":146},"Walidacja outputu lokalnych LLM w produkcji: JSON mode, structured",{"name":15},{"slug":149,"draft_id":150,"pillar_id":152},"chi-2026-dlaczego-apple-stawia-na-barcelone-i-co-to-oznacza-dla-twojego-biznesu",{"title":151},"CHI 2026 w Barcelonie: co Apple zaprezentowało naukowcom i jak to",{"name":117},{"slug":154,"draft_id":155,"pillar_id":157},"czy-polska-moze-powtorzyc-sukces-singapuru-ai-w-walce-z-nielegalnym-handlem-gatunkami",{"title":156},"Fin Finder: jak AI pomaga celnikom rozpoznawać płetwy rekinów",{"name":117},{"slug":159,"draft_id":160,"pillar_id":162},"odpowiedzialna-ai-w-microsoft-350-inzynierow-etyki-vs-87-polskich-firm-bez-polityki",{"title":161},"Odpowiedzialna AI w firmach: od zasad Microsoftu do wymogów AI Act",{"name":117},{"slug":164,"draft_id":165,"pillar_id":167},"midi-2020-co-naprawde-zmienilo-sie-w-polskim-ai-po-tej-konferencji",{"title":166},"MIDI 2020: ósma edycja konferencji o inteligentnych maszynach",{"name":117},{"slug":169,"draft_id":170,"pillar_id":172},"dall-e-2-jak-polskie-firmy-moga-zarabiac-na-tekscie-ktory-maluje-obrazy",{"title":171},"Generatory obrazów AI w 2026: co potrafią i jak wybrać narzędzie",{"name":117},{"slug":174,"draft_id":175,"pillar_id":177},"proces-muska-vs-altman-dlaczego-polskie-firmy-ai-wstrzymaly-inwestycje-na-3-miesiace",{"title":176},"Proces Muska vs. Altman: co ujawnił o przyszłości OpenAI i biznesu AI",{"name":117},{"slug":179,"draft_id":180,"pillar_id":182},"lingbot-world-fast-17-fps-w-generowaniu-wideo-czy-to-wystarczy-zeby-wyprzedzic-stability-ai",{"title":181},"LingBot-World-Fast: co potrafi otwarty world model Robbyant",{"name":9},{"slug":184,"draft_id":185,"pillar_id":187},"calowanie-robotow-biznesowy-sens-czy-naukowy-eksperyment",{"title":186},"Roboty społeczne w Polsce: od eksperymentu do praktyki",{"name":117},{"slug":189,"draft_id":190,"pillar_id":192},"gemini-3-5-vs-gpt-5-5-kto-oszukuje-a-kto-naprawde-buduje",{"title":191},"GPT-5.5 vs Gemini 3.5: co naprawdę wiadomo w 2026 roku",{"name":9},{"slug":194,"draft_id":195,"pillar_id":197},"sensenova-vs-flux-klein-ktore-narzedzie-do-edycji-obrazow-ai-oszczedzi-ci-120-godzin-pracy-rocznie",{"title":196},"SenseNova U1.5 vs FLUX 3 Image Klein: co wybrać do edycji zdjęć",{"name":9},{"slug":199,"draft_id":200,"pillar_id":202},"czy-agi-naprawde-nadejdzie-za-kilka-lat-demis-hassabis-kontra-polska-rzeczywistosc",{"title":201},"Kiedy powstanie AGI? Co naprawdę powiedział Demis Hassabis",{"name":117},{"slug":204,"draft_id":205,"pillar_id":207},"inzynieria-promptow-jak-zaczac-bez-wydawania-zlotowki",{"title":206},"Inżynieria promptów: jak zacząć bez wydawania złotówki",{"name":71},[209],{"id":210,"slug":211,"page_type":212,"hub_slug":213,"cover_image":214,"published_at":215,"last_refreshed_at":216,"reviewed_at":213,"reviewed_by":213,"reading_time_min":217,"pillar_id":218,"author_id":222,"draft_id":229},"15a3e67d-b746-45d6-aec1-8a6b2024074d","czy-ai-wlasnie-rozwiazalo-problem-nad-ktorym-matematycy-bili-sie-od-1946-roku","article",null,"e57078a6-3ea3-4b14-81db-d1095747d95c","2026-08-18T06:32:37.731Z","2026-10-25T10:24:10.397Z",11,{"id":219,"name":117,"slug":220,"color_token":221},"165808b7-bea9-4eef-8280-014b3d85e6bf","news-analizy","azure",{"display_name":223,"slug":224,"bio_short":225,"social_links":226},"Andrzej Niemiec","andrzej-niemiec","Fanatyk nowych technologii i specjalista w zakresie sztucznej inteligencji.",{"linkedin":227,"x":213,"github":213,"website":228},"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fandrzej-niemiec-b3ab60220\u002F","https:\u002F\u002Faion-automation.pl",{"title":230,"meta_description":231,"body_mdx":232,"word_count":233,"schema_type":234},"Model OpenAI obalił 80-letnią hipotezę Erdősa. Co to oznacza dla","20 maja 2026 r. OpenAI ogłosiło przełom: wewnętrzny model AI obalił hipotezę Paula Erdősa z 1946 r. dotyczącą odległości jednostkowych. Dowiedz się, co to…","## Kim był Paul Erdős i dlaczego jego problemy fascynują matematyków od 80 lat?\n\nPaul Erdős, węgierski matematyk zmarły w 1996 roku, pozostawił po sobie ponad 1500 publikacji i legendę człowieka, który nie miał stałego adresu, ale miał stałe miejsce w historii matematyki. Jego problemy — często formułowane na marginesach konferencji — stały się wyzwaniami dla pokoleń naukowców. Jeden z nich, sformułowany w 1946 roku, dotyczył maksymalnej liczby par punktów na płaszczyźnie, które mogą być oddalane dokładnie o jednostkę [1].\n\nPytanie brzmi prosto: ile maksymalnie punktów można umieścić na płaszczyźnie tak, aby każde dwa punkty dzieliła ta sama odległość (np. 1 jednostka)? Przez 80 lat matematycy uważali, że najlepsze rozwiązania opierają się na regularnych siatkach — układach punktów tworzących kraty. Nikt jednak nie potrafił udowodnić, że nie da się uzyskać lepszego układu [3].\n\n## Planar unit distance problem: co dokładnie obalił model OpenAI?\n\nProblemy Erdősa należą do geometrii kombinatorycznej — dziedziny, która bada struktury geometryczne i ich właściwości. Problem odległości jednostkowych pyta o liczbę par punktów w zbiorze, które są oddalone dokładnie o 1. Przez dekady matematycy próbowali różnych konstrukcji — sześciokątnych, losowych, fraktalnych — ale żadna nie dała lepszych wyników niż klasyczna siatka kwadratowa [1].\n\n20 maja 2026 r. OpenAI ogłosiło, że jego model wygenerował dowód, który obalił hipotezę Erdősa. Nie oznacza to, że problem jest całkowicie rozwiązany — górne ograniczenie liczby par pozostaje znacznie wyższe niż dolne. Ale model skonstruował nieskończoną rodzinę zbiorów punktów, która daje wielomianowo więcej par w odległości 1 niż przewidywała hipoteza [1] [4].\n\nCo istotne: dowód wykorzystuje idee z algebraicznej teorii liczb, m.in. uogólnienie arytmetyki liczb całkowitych Gaussa. To nie jest rozwiązanie, które człowiek mógłby łatwo wymyślić — wymaga ono połączenia pojęć z różnych dziedzin matematyki [2].\n\n## Jak model OpenAI rozwiązał problem, z którym nie poradzili sobie ludzie?\n\nOpenAI nie ujawniło wszystkich szczegółów technicznych, ale wiadomo, że wykorzystano wewnętrzny model ogólnego przeznaczenia — nie system wyspecjalizowany w matematyce ani przygotowany wyłącznie do tego problemu [1]. Model nie otrzymał gotowych rozwiązań ani nie był trenowany na podobnych zadaniach.\n\nZamiast tego, system samodzielnie eksplorował przestrzeń możliwych konstrukcji geometrycznych, testując różne konfiguracje i oceniając ich efektywność. To podejście przypomina bardziej eksperyment naukowy niż tradycyjne uczenie maszynowe — AI stawia hipotezy, testuje je i wyciąga wnioski [3].\n\nDowód, który wygenerował model, został następnie zweryfikowany przez zewnętrznych matematyków, którzy przygotowali skróconą, \"ludzką\" wersję i komentarz kontekstowy. Tim Gowers, słynny matematyk, nazwał to kamieniem milowym AI w matematyce — ale podkreślił, że ludzka weryfikacja, uproszczenie i interpretacja były istotną częścią procesu [7].\n\n## Czy to oznacza, że AI zastąpi matematyków?\n\nNie. Wynik OpenAI pokazuje, że AI może być potężnym narzędziem do eksploracji przestrzeni rozwiązań, ale nie zastępuje ludzkiego rozumienia. Model wygenerował dowód, ale nie potrafił wyjaśnić, dlaczego akurat ta konstrukcja jest efektywna. Matematycy musieli to zrobić sami [2].\n\nPonadto, problem Erdősa nie jest całkowicie rozwiązany. Wiemy teraz, że hipoteza była fałszywa, ale nie znamy dokładnego tempa wzrostu maksymalnej liczby par. Klasyczne górne ograniczenie pozostaje dużo wyższe niż dolne — między nimi jest ogromna luka, którą trzeba jeszcze wypełnić [1].\n\nAI najlepiej sprawdza się tam, gdzie potrzebna jest eksploracja ogromnych przestrzeni rozwiązań. W dziedzinach wymagających głębokiego zrozumienia kontekstu, kreatywności czy etycznej oceny — matematycy wciąż będą niezbędni [3].\n\n## Jakie inne problemy matematyczne mogą zostać rozwiązane przez AI?\n\nEksperty wskazują kilka otwartych problemów, które mogą być podatne na podobne podejście:\n\n- **Problem Hadwigera-Nelsona** — ile kolorów potrzeba, aby pokolorować płaszczyznę tak, by żadne dwa punkty odległe o 1 jednostkę nie miały tego samego koloru?\n- **Problemy optymalizacyjne w teorii grafów** — na przykład znalezienie najkrótszej ścieżki w sieciach o złożonej topologii.\n- **Problemy kombinatoryczne w kryptografii** — gdzie AI mogłoby wspierać badaczy w poszukiwaniu nowych struktur bezpiecznych [1] [3].\n\nKażdy z tych problemów ma potencjalne zastosowania w biznesie — od optymalizacji tras dostaw po projektowanie efektywnych sieci telekomunikacyjnych.\n\n## Jakie konsekwencje dla biznesu niesie autonomiczne rozwiązywanie problemów przez AI?\n\nOdkrycie OpenAI ma bezpośrednie przełożenie na optymalizację procesów. Nowe konstrukcje geometryczne mogą znaleźć zastosowanie w:\n\n- **Logistyce i transporcie** — optymalizacja rozmieszczenia magazynów, centrów dystrybucji i tras dostaw.\n- **Produkcji przemysłowej** — projektowanie hal produkcyjnych i rozmieszczenia maszyn.\n- **Telekomunikacji** — optymalizacja sieci bazowych stacji 5G i rozmieszczenia anten.\n- **Energetyce** — projektowanie efektywnych sieci przesyłowych.\n- **Farmacji** — projektowanie nowych leków poprzez eksplorację przestrzeni możliwych cząsteczek [1] [3].\n\nW Polsce szczególnie interesująca jest branża logistyczna. Firmy takie jak InPost czy DHL mogłyby wykorzystać nowe podejścia do optymalizacji swoich operacji, choć bezpośrednie zastosowanie wyników Erdősa wymaga dalszych badań [3].\n\n## Czy Polska jest gotowa na rewolucję AI w matematyce i nauce?\n\nPolska ma długą tradycję w matematyce — od Stefana Banacha po współczesnych specjalistów od teorii grafów. W dziedzinie AI również nie jesteśmy w tyle. Polscy matematycy z Uniwersytetu Warszawskiego i Uniwersytetu Jagiellońskiego prowadzą zaawansowane prace nad problemami kombinatorycznymi [3].\n\nJednak brakuje nam skali. W porównaniu do USA czy Chin, polskie inwestycje w AI są niewielkie. Największe wyzwania to brak zasobów obliczeniowych, niedobór specjalistów oraz słaba współpraca między nauką a biznesem. Polskie uczelnie często pracują w oderwaniu od potrzeb rynku, a firmy nie inwestują wystarczająco w badania podstawowe [3].\n\nAby skorzystać na przełomach takich jak odkrycie OpenAI, Polska powinna inwestować w edukację z zakresu matematyki dyskretnej, wspierać współpracę między instytucjami naukowymi a przemysłem oraz budować infrastrukturę obliczeniową dla badań AI [3].\n\n## Najczęstsze pytania\n\n### Czy model OpenAI całkowicie rozwiązał problem Erdősa?\n\nNie. Model obalił hipotezę Erdősa — wykazał, że istnieją konstrukcje dające więcej par w odległości 1 niż przewidywała hipoteza. Ale problem nie jest całkowicie rozwiązany. Nie znamy dokładnego tempa wzrostu maksymalnej liczby par, a luka między dolnym a górnym ograniczeniem pozostaje ogromna [1] [4].\n\n### Jak długo model pracował nad tym problemem?\n\nOpenAI nie ujawniło czasu obliczeń. Oficjalny komunikat podaje datę ogłoszenia (20 maja 2026 r.) i charakter wyniku, ale nie precyzuje, ile czasu zajęła generacja dowodu [1].\n\n### Czy wynik został zweryfikowany przez niezależnych matematyków?\n\nTak. Zewnętrzni matematycy przygotowali skróconą, \"ludzką\" wersję dowodu i komentarz kontekstowy. Tim Gowers i inni eksperci potwierdzili poprawność wyniku, choć podkreślili, że ludzka interpretacja była niezbędna [7].\n\n### Jakie są praktyczne zastosowania tego odkrycia?\n\nBezpośrednie zastosowania są ograniczone — problem Erdősa jest przede wszystkim teoretyczny. Jednak techniki, które wykorzystał model, mogą być przydatne w optymalizacji procesów logistycznych, projektowaniu sieci telekomunikacyjnych i innych dziedzinach wymagających eksploracji przestrzeni rozwiązań [1] [3].\n\n### Czy to oznacza, że AI zastąpi matematyków?\n\nNie. Model może wspierać matematyków w eksploracji przestrzeni rozwiązań, ale nie zastępuje ludzkiego rozumienia, kreatywności ani zdolności do interpretacji wyników. Matematycy wciąż będą niezbędni do formułowania nowych problemów i nadawania sensu odkryciom [2] [3].\n\n## Źródła\n\n1. [An OpenAI model has disproved a central conjecture in discrete geometry (OpenAI, 2026)](https:\u002F\u002Fopenai.com\u002Findex\u002Fmodel-disproves-discrete-geometry-conjecture)\n2. [REMARKS ON THE DISPROOF OF THE UNIT DISTANCE CONJECTURE (OpenAI, 2026)](https:\u002F\u002Fcdn.openai.com\u002Fpdf\u002F74c24085-19b0-4534-9c90-465b8e29ad73\u002Funit-distance-remarks.pdf)\n3. [OpenAI makes breakthrough on 80-year-old maths problem (The Guardian, 2026)](https:\u002F\u002Fwww.theguardian.com\u002Ftechnology\u002F2026\u002Fmay\u002F21\u002Fopenai-paul-erdos-maths-problem-breakthrough)\n4. [Planar Point Sets with Many Unit Distances OpenAI Abstract (OpenAI, 2026)](https:\u002F\u002Fcdn.openai.com\u002Fpdf\u002F74c24085-19b0-4534-9c90-465b8e29ad73\u002Funit-distance-proof.pdf)\n5. [OpenAI Disproves Erdős Unit Distance Conjecture (Creeta, 2026)](https:\u002F\u002Fnews.creeta.com\u002Fen\u002Fopenai-erdos-unit-distance-conjecture-disproof-2026)\n6. [OpenAI claims its AI model solved a major Erdős mathematics problem (Moneycontrol, 2026)](https:\u002F\u002Fwww.moneycontrol.com\u002Ftechnology\u002Fno-previous-ai-generated-proof-has-come-close-to-this-openai-says-its-model-solved-an-80-year-old-math-problem-first-posed-in-1946-by-paul-erd-s-article-13926339.html\u002Famp)\n7. [OpenAI's internal AI model just solved an 80-year-old math problem — and mathematicians verified it (Live Science, 2026)](https:\u002F\u002Fwww.livescience.com\u002Ftechnology\u002Fartificial-intelligence\u002Fopenais-internal-ai-model-just-solved-an-80-year-old-math-problem-and-mathematicians-verified-it)",1257,"Article",[236,242,248,254,260,266,272,278,284,290,296,302,308,314,320,326],{"id":237,"slug":238,"pillar_id":239,"draft_id":240},"c4937137-8f24-4234-a7c2-f7d3e90ca928","czy-ameryka-naprawde-odwraca-sie-od-ai-liczby-ktore-powinny-niepokoic-polskie-firmy",{"color_token":221},{"title":241},"Czy Ameryka naprawdę odwraca się od AI? Liczby, które powinny niepokoić polskie firmy",{"id":243,"slug":244,"pillar_id":245,"draft_id":246},"ffcfb1b3-5d39-4a99-943e-65767ee2550e","openai-bez-microsoftu-kto-zyska-a-kto-straci-na-nowych-zasadach-gry",{"color_token":221},{"title":247},"OpenAI bez Microsoftu: kto zyska, a kto straci na nowych zasadach gry",{"id":249,"slug":250,"pillar_id":251,"draft_id":252},"5ff5826f-d4cf-4caf-8a69-994b6fa77ae9","youtube-bez-filmow-czy-google-naprawde-chce-zebys-przestal-ogladac",{"color_token":221},{"title":253},"YouTube bez filmów: czy Google naprawdę chce, żebyś przestał oglądać?",{"id":255,"slug":256,"pillar_id":257,"draft_id":258},"4238f32a-fb55-4bb8-9239-5608031c1079","40-miliardow-dolarow-od-google-kto-naprawde-zyska-na-sojuszu-z-anthropic",{"color_token":221},{"title":259},"40 miliardów dolarów od Google: kto naprawdę zyska na sojuszu z Anthropic?",{"id":261,"slug":262,"pillar_id":263,"draft_id":264},"d8b00ab9-9b58-41c1-b1e7-051a53e3d31c","github-copilot-dlaczego-placisz-wiecej-choc-miales-placic-mniej",{"color_token":221},{"title":265},"GitHub Copilot: dlaczego płacisz więcej, choć miałeś płacić mniej",{"id":267,"slug":268,"pillar_id":269,"draft_id":270},"5ce29e8a-e105-4e5f-88fc-adb136b9f528","co-naprawde-zmienilo-sie-w-umowie-microsoft-openai-i-dlaczego-agi-przestalo-byc-priorytetem",{"color_token":221},{"title":271},"Co naprawdę zmieniło się w umowie Microsoft-OpenAI — i dlaczego AGI przestało być priorytetem",{"id":273,"slug":274,"pillar_id":275,"draft_id":276},"4b968a9d-1ac3-4cd2-9254-63e11faa8d15","dlaczego-elon-musk-przegral-z-openai-jeden-blad-ktory-kosztowal-go-miliardy",{"color_token":221},{"title":277},"Dlaczego Elon Musk przegrał z OpenAI? Jeden błąd, który kosztował go miliardy",{"id":279,"slug":280,"pillar_id":281,"draft_id":282},"a179690b-3757-4b5b-a995-9ff7c9a5505a","egzaminy-w-erze-ai-czy-chatgpt-zdalby-mature-lepiej-niz-twoje-dziecko",{"color_token":221},{"title":283},"Egzaminy w erze AI: Czy ChatGPT zdałby maturę lepiej niż twoje dziecko?",{"id":285,"slug":286,"pillar_id":287,"draft_id":288},"7977e6a4-813b-418d-b5e6-61b31f7dc749","chatgpt-w-rozmowach-o-depresji-czy-zwolnieniach-kiedy-ai-naprawde-rozumie-o-co-chodzi",{"color_token":221},{"title":289},"ChatGPT w rozmowach o depresji czy zwolnieniach — kiedy AI naprawdę rozumie, o co chodzi?",{"id":291,"slug":292,"pillar_id":293,"draft_id":294},"1e7f5934-ce29-4261-a03e-a4e0afcb0529","google-vs-anthropic-kto-naprawde-kontroluje-open-source-ai",{"color_token":221},{"title":295},"Google vs Anthropic: kto naprawdę kontroluje open source AI?",{"id":297,"slug":298,"pillar_id":299,"draft_id":300},"63051d1f-d6f6-49fe-a6fa-5022455ebb92","openai-i-microsoft-kto-zyskuje-kto-traci-na-zerwaniu-wylacznosci",{"color_token":221},{"title":301},"OpenAI i Microsoft: kto zyskuje, kto traci na zerwaniu wyłączności",{"id":303,"slug":304,"pillar_id":305,"draft_id":306},"d4265554-dd8f-4502-ba4b-cc0b01b09ec8","spacex-kontra-aws-kto-zbuduje-chmure-dla-polskiej-ai",{"color_token":221},{"title":307},"SpaceX kontra AWS: kto zbuduje chmurę dla polskiej AI?",{"id":309,"slug":310,"pillar_id":311,"draft_id":312},"2e8d6aab-d5e7-49b3-8bd3-c7d1712da7f8","hermes-agent-vs-gpt-4-kto-naprawde-wygrywa-w-open-source",{"color_token":221},{"title":313},"Hermes Agent vs. GPT-4: Kto naprawdę wygrywa w open-source?",{"id":315,"slug":316,"pillar_id":317,"draft_id":318},"9cef0925-212d-49d4-aa35-46c74c09b9be","nvidia-bije-rekordy-ale-inwestorzy-zaczynaja-liczyc-straty-co-to-oznacza-dla-polskiego-ai",{"color_token":221},{"title":319},"Nvidia bije rekordy, ale inwestorzy zaczynają liczyć straty. Co to oznacza dla polskiego AI?",{"id":321,"slug":322,"pillar_id":323,"draft_id":324},"1ebed8a4-440c-4514-9496-b96f80a6c4f0","karpathy-w-anthropic-kto-teraz-naprawde-wyprzedzi-openai",{"color_token":221},{"title":325},"Karpathy w Anthropic: kto teraz naprawdę wyprzedzi OpenAI?",{"id":327,"slug":328,"pillar_id":329,"draft_id":330},"312e7740-405e-4ee4-9c44-dc7a5936ecb0","deepfake-tuska-watermarki-openai-i-7-kary-co-polskie-firmy-musza-wiedziec-o-pochodzeniu-tresci-ai",{"color_token":221},{"title":331},"Deepfake Tuska, watermarki OpenAI i 7% kary: co polskie firmy muszą wiedzieć o pochodzeniu treści AI",[]]