Axiom: AI-wiskundige haalt perfecte score op Putnam terwijl Series A-waardering stijgt naar $1,6 miljard
De 24-jarige oprichter Carina Hong sluit een ronde van $200 miljoen en bouwt een team van Meta AI-veteranen en gerenommeerde wiskundigen zoals Ken Ono
Zeven maanden na de oprichting van Axiom heeft Carina Hong een Series A-financieringsronde van $200 miljoen gesloten tegen een waardering van $1,6 miljard. Hiermee bevestigt zij haar positie als de jongste oprichter in de huidige golf van 'Neo Labs' die Silicon Valley overspoelt. Het AxiomProver-systeem van het bedrijf behaalde in december 2025 de zesde perfecte score in de 98-jarige geschiedenis van de Putnam Mathematics Competition, een cruciaal moment voor AI-gestuurd wiskundig redeneren. Wat dit bijzonder opvallend maakt, is de aard van de prestatie: waar menselijke oplossingen vaak leunen op geometrische intuïtie, genereerde AxiomProver duizenden regels Lean-code via brute-force enumeratie – een fundamenteel andere aanpak die desondanks tot correcte bewijzen leidde.
De financiering betekent een aanzienlijke opschaling ten opzichte van de seed-ronde van Axiom, die slechts enkele maanden eerder werd gesloten op $64 miljoen bij een waardering van $300 miljoen. Hong omschrijft het seed-proces eerder als uitputtend dan als moeilijk: "Je zegt steeds weer hetzelfde. Je krijgt steeds weer dezelfde vragen. Ik kan het net zo goed opnemen en naar iedereen sturen, toch?" De ronde kende competitieve biedingen die het oorspronkelijke bod verdrievoudigden, waarbij Howard Morgan van B Capital – mede-oprichter van Renaissance Technologies naast Jim Simons en tevens mede-oprichter van First Round Capital – uiteindelijk de leiding nam. Hong herinnert zich dat Morgan meer optimisme toonde over het bedrijfsmodel dan zijzelf en haar direct wees op potentiële toepassingen die zij nog niet volledig had gearticuleerd.
Van Verve Coffee naar formele bewijzen
Het oorsprongsverhaal is voor een Silicon Valley-unicorn opvallend onconventioneel. Hong ontmoette haar mede-oprichter en CTO Shubho Sengupta bij Verve Coffee in Palo Alto, waar beiden vaste klant waren. Sengupta, een veteraan van Meta AI en een van de vroege ontwikkelaars van CUDA bij het AI-lab van Baidu in Silicon Valley (2015-2016), werkte samen met kopstukken als Dario Amodei (nu oprichter van Anthropic). Hun relatie begon niet met een pitch, maar met achttien maanden aan gesprekken over de geschiedenis van de wetenschap. Hong was destijds promovendus in de rechten en wiskunde aan Stanford, waar ze juridische dossiers las en naar honden keek op de binnenplaats; Sengupta was een ervaren onderzoeker die op zoek was naar intellectuele uitdagingen buiten de muren van Meta.
Het keerpunt kwam tijdens een college staatsrecht toen Hong zich realiseerde dat als AI de precieze taal van constitutionele interpretatie kan ontleden – een tekstuele benadering die strikte definitorische nauwkeurigheid vereist – het zeker in staat zou moeten zijn om wiskundige bewijzen te verwerken. Ze volgde sinds 2020 het werk van haar vriend Kenny Luo, die wiskunde voor bachelorstudenten formaliseerde in Lean, de taal voor bewijsverificatie. "Als AI rechten kan, is het om iets gestructureerd te zien," legt Hong uit. "Wiskunde is een meer structurele presentatie." In september 2024 besloot ze een bedrijf te starten, al probeerde ze zichzelf twee maanden lang ervan te overtuigen het niet te doen. "Ik denk echt dat als ik een bachelorstudent was geweest, ik nooit mijn studie zou hebben afgebroken om naar Y Combinator te gaan. Ik voel me de minst waarschijnlijke ondernemer om een bedrijf te starten."
De brute-force speler bouwt een systeem
Hong's zelfbeeld als "geen getalenteerde speler", maar iemand die resultaten boekt door pure volharding, kenmerkt haar aanpak van zowel wiskunde als het bouwen van een bedrijf. Op MIT worstelde ze met euclidische meetkundeproblemen die "must-get" vragen waren in wiskundewedstrijden; uiteindelijk loste ze die op via complexe getalmethoden die twee tot drie keer meer tijd kostten dan geometrische intuïtie zou vereisen. "Ik voeg meestal gewoon elk punt toe en gebruik dan deze methode met complexe getallen voor elke lijn. Gewoon hard werken om wonderen te bereiken. Uiteindelijk hoef ik de geometrische betekenis erachter niet te begrijpen." Deze ervaring vormde haar overtuiging dat AI brute-force wiskundigen het meest zou kunnen helpen: "Misschien gaat het erom hoeveel mogelijkheden ik wil enumereren? Hoeveel dagen heb ik om een standaardargument te verifiëren?"
De technische architectuur weerspiegelt deze filosofie. Het systeem van Axiom combineert verschillende soorten AI: reinforcement learning-agents voor toegepast AI-werk, teams voor codegeneratie en compilers (inclusief kernleden van het CodeWorld 32 miljard parameter-model van Meta), en pure wiskundigen die werken aan Mathlib van Lean. Het bedrijf vermeed bewust het aannemen van wiskundigen totdat er vijftien medewerkers waren, in de overtuiging dat de vroege focus op technische uitdagingen moest liggen in plaats van op wiskundige intuïtie. Toen ze wiskundigen aannamen, was dat met een specifiek doel: professor Ken Ono kwam erbij om vijandige benchmarks te creëren, waarbij hij constant testte waar het systeem faalt in plaats van successen te vieren.
Hong maakt een onderscheid tussen de aanpak van Axiom en concurrenten die zwaar leunen op Monte Carlo Tree Search, de methode die wordt gebruikt in AlphaProof van DeepMind. "Wij vinden dit te duur. Laten we kijken hoeveel geld we hebben. We denken niet dat we die Monte Carlo-boom kunnen doen." In plaats daarvan verkende het team sub-agents en vaardigheidsgebaseerde benaderingen, waarbij ze onverwachte transfer learning ontdekten tussen wiskundig bewijs en codeverificatie. Op de Verina Benchmark voor codeverificatie behaalde AxiomProver resultaten die "ons allemaal verrasten", wat aantoont dat een sterk vermogen tot stellingbewijzen zich direct vertaalt naar mogelijkheden voor codevalidatie – een cruciaal inzicht voor toekomstige zakelijke toepassingen.
De onverwachte e-mail van Ken Ono
De rekrutering van Ken Ono, een 57-jarige vaste hoogleraar aan de University of Virginia en prominente getaltheoreticus, trok veel aandacht. De werkelijkheid was echter organischer dan dramatisch. Ono had Hong begeleid tijdens een REU-programma (Research Experience for Undergraduates) toen ze een bachelorstudent op de wachtlijst was, en ze werkten uiteindelijk samen aan meerdere papers. In november 2024 stuurde hij een e-mail waarin hij zei dat hij naar de Bay Area kwam en dat ze niet boos moest zijn als hij bij OpenAI of DeepMind zou gaan werken. Hong's reactie was direct: "Ik zei: je kunt naar mij komen."
Wat Ono ertoe bewoog Axiom boven OpenAI te verkiezen, kwam neer op focus en cultuur. "Hij vindt ons team wiskundiger," legt Hong uit. "Als je bij ons komt, is er misschien meer een wiskundige sfeer. Het DNA en de focus van dit bedrijf is wiskunde, in plaats van een algemene AGI waar wiskunde een onderdeel van is, misschien meer een marketingcomponent." De rol van Ono reikt verder dan onderzoek; Hong omschrijft hem als iemand met de persoonlijkheid van "een basketbalcoach op de middelbare school" – meedogenloos optimistisch, teamgericht en bekwaam in het laten geloven dat moeilijke doelen haalbaar zijn. Zijn aanwezigheid trekt ook andere wiskundigen aan die anders wellicht sceptisch zouden zijn over de rol van AI in hun vakgebied.
De vraag of AI de broodwinning van wiskundigen bedreigt, krijgt een genuanceerd antwoord van het Axiom-team. Ono en anderen geloven steeds meer dat naarmate AI meer bewijswerk afhandelt, menselijke wiskundigen "op verschillende abstractieniveaus zullen leren", waarbij ze zich concentreren op vragen van hogere orde over welke problemen het oplossen waard zijn en hoe theorieën gestructureerd moeten worden. Hong wijst op een analogie: programmeren evolueerde van ponskaarten naar low-level assembly naar Python naar natuurlijke taal-codering. Wiskunde zou een vergelijkbaar traject kunnen volgen, waarbij wiskundigen op steeds abstractere niveaus werken terwijl AI mechanische verificatie en zelfs enige bewijsgeneratie afhandelt.
De crisis in wiskundige benchmarks en onderzoeks-uitdagingen
De snelle vooruitgang van Axiom creëerde een onverwacht probleem: benchmark-verzadiging. Het team bracht mini-f2f (niveau middelbare school) in ongeveer twee maanden tot verzadiging, en deed daarna hetzelfde met Putnam. "We hebben een relatief tekort aan benchmarksets op onderzoeksniveau, om eerlijk te zijn, omdat er niet veel zijn in de wiskunde op onderzoeksniveau," geeft Hong toe. De beroemde FrontierMath-uitdaging stelt andere problemen – veel vragen kunnen niet eens worden geformaliseerd in Lean omdat de vereiste definities niet bestaan in Mathlib, de kernbibliotheek voor wiskunde. Hong probeerde deel te nemen aan die uitdaging, maar kon de problemen niet omzetten naar Lean: "De vraag bevat veel definities. Deze definities staan helemaal niet in deze bibliotheek."
Dit wijst op een diepere technische uitdaging die Hong identificeert als potentieel moeilijker dan het bewijs zelf: auto-formalisatie, de omzetting van wiskunde in natuurlijke taal naar formele Lean-code. "Als ik deze menselijke wiskunde neem die al ontdekt en opgeschreven is, en deze omzet naar geformaliseerde data, krijg je minder complimenten dan wanneer je iets bewijst. Maar deze technologie is eigenlijk moeilijker dan het bewijs. Minstens van hetzelfde niveau van moeilijkheid. Ik denk zelfs dat het moeilijker is." Het proces vereist het maken van gedetailleerde blauwdrukken – een paper van 20 pagina's uitbreiden naar 200-500 pagina's aan granulaire bewijsstappen die vervolgens kunnen worden geformaliseerd. Terence Tao en anderen hebben dit handmatig gedaan voor grote samenwerkingsprojecten, maar het automatiseren ervan blijft een openstaand probleem.
De huidige technische prioriteiten van het bedrijf omvatten het schalen van inferentie via sub-agents in plaats van te vertrouwen op rekenkundig dure boomzoekopdrachten. Hong beschrijft een "aha-moment" toen het team bewijzen schaalde van bomen met 40 knooppunten naar bomen met 4.000 knooppunten, wat aantoont dat "leren van ervaring" – waarbij elk traject voor probleemoplossing wordt behandeld als trainingsdata voor vaardigheidsverwerving – op schaal kan werken. Een ander cruciaal inzicht betrof de relatie tussen wiskunde en code: "AI's eerdere werk dat goed is in wiskunde klinkt heel dwaas om zo tegen mensen te zeggen, maar wiskunde naar codegeneratie, van wiskunde naar chipverificatie voor deze codes, deze zijn duidelijk getransformeerd." De implicatie is dat de kerntechnologie van Axiom niet alleen over wiskunde gaat – het gaat over geverifieerd redeneren dat toepasbaar is op elk domein met formele specificaties.
Bedrijfsmodel en de validatie-eerst strategie
Hong is ontwapenend openhartig over de onzekerheid van het bedrijfsmodel. Tijdens de seed-ronde vertelde ze investeerders: "Ons bedrijfsmodel is niet erg zeker. Ik ben zelf kwantitatief handelaar geweest. Ik weet niet of dit ding kwantitatieve handel is. Ik denk misschien niet. Ik zei destijds dat het als bedrijfsmodel niet het uiteindelijke model moet zijn. Dit is slechts een voorbeeld van een AI die beter is in wiskunde en nuttig kan zijn." De eerlijkheid weerspiegelt haar achtergrond – ze zou bijna bij Bridgewater Associates gaan werken voordat de pandemie haar naar het REU-programma van professor Ono leidde. Kwantitatieve financiën vertegenwoordigden een duidelijke toepassing, maar Hong gelooft dat dit niet de eindtoestand is.
Het bedrijf heeft validatie gekozen als eerste markt: chipverificatie, circuitverificatie en codeverificatie, waar formele methoden momenteel vertrouwen op dure, arbeidsintensieve SMT-solvers en tools zoals Cadence Jasper. Het geautomatiseerde redeneerteam van Amazon besteedde drie tot vijf jaar aan het schrijven van 260.000 regels code om één hypervisor-geheugenisolatiecomponent te verifiëren. "AI verbetert het leven van deze ingenieurs niet," observeert Hong. "Maar in deze velden heb je een betere prijszettingsmacht." De visie strekt zich uit tot een toekomst waarin elke programmeur een functie kan aanvragen met de garantie dat deze correct werkt, zonder testgevallen – al erkent Hong dat dit "5-10 jaar" weg is en het oplossen van het specificatieprobleem vereist, wat extreem moeilijk blijft.
Ondanks de focus op validatie houdt Hong vol dat AI voor wiskunde fundamenteel een 'moonshot' is met binaire uitkomsten. "Of de maanlanding slaagt of de maanlanding mislukt. Ja, de maanlanding was succesvol, de maanlanding mislukte," zegt ze, waarbij ze Axiom expliciet vergelijkt met SpaceX. "Er is geen mogelijkheid in het midden." Dit creëert spanning tussen langetermijn-onderzoeksambities en de druk van kortetermijn-executie. De hoge verwachtingen van de Series A kunnen het bedrijf richting increentiële commercialisering duwen, maar Hong gelooft dat het DNA van het team anders vereist: "Als we alleen maar winstbejag en commercialisering nastreven, raken we uit balans. We kunnen naar onze concurrenten kijken. In de begindagen spraken ze meer over wetenschappelijke ambitie. Wij denken dat we ideale realisten en realistische idealisten zijn. Beide zijn goed."
Concurrentie, middelen en het Neo Lab-fenomeen
Axiom bevindt zich in een eigenaardige competitieve positie. De belangrijkste concurrent, twee jaar eerder opgericht met vijf keer de initiële financiering, bereikte na twee jaar werken het IMO-niveau (het oplossen van 5 van de 6 problemen). Axiom behaalde in vier maanden Putnam-perfectie. Toch opereert het bedrijf met slechts 30 mensen vergeleken met de 50-75 van de concurrent, en haalde het wat Hong beschouwt als onvoldoende kapitaal op voor hun ambities: "Iedereens algemene gedachte is dat we te weinig hebben opgehaald. We hebben niet genoeg opgehaald voor onze seed-ronde." De beperkte middelen dwongen tot strategische keuzes – geen pre-training, focus op post-training en systeemontwerp, en agressieve werving van talent dat bereid is startup-compensatie te accepteren boven de miljoenenpakketten van gevestigde AI-labs.
De wervingsuitdaging is existentieel. Begin 2025 had het meeste AI-talent zes concurrerende aanbiedingen, en Hong miste hefboomwerking: "Ik heb 6 aanbiedingen in de hand. Ik werd die persoon die moet dansen. Misschien kun je niet Peter Thiel zijn." Ze omschrijft wervingsbeslissingen als het pijnlijkste aspect van ondernemerschap, situaties waarin "je misschien denkt dat er een conflict is tussen mensen en dingen, maar eigenlijk ben je niet goed genoeg." De 'bottom-up' cultuur van het bedrijf – geërfd van de Facebook-veteranen die een groot deel van het vroege team vormen – helpt talent aan te trekken dat onderzoeksvrijheid wil in plaats van 'top-down' sturing. Hong cultiveert dit bewust: "Als je wilt weten wat dit betekent, kun je één LLM pakken en hem wat data geven. Ik denk dat onze National Foundation financiering moet geven aan pure wiskunde, want wiskunde is een ecosysteem."
De bredere Neo Lab-golf biedt context voor de opkomst van Axiom. Hong ziet het als een reactie op structurele inefficiënties in grote organisaties: "Concurrentie die leidt tot middelmatigheid zal resulteren in het niet hebben van langetermijnideeën. Hij moet er zelf op uitgaan en het doen, Neo lab doen. De geboorte van Neo lab komt voort uit nieuwsgierigheid en creativiteit – het is onze fundamentele menselijke behoefte." Ze gelooft dat grote frontier-labs voor een fundamentele spanning staan: ze zullen algemene capaciteiten blijven pushen, terwijl gespecialiseerde startups sneller kunnen bewegen op verticale problemen. De aanpak van OpenAI voor AI voor wiskunde richt zich op informele bewijzen in natuurlijke taal; DeepMind heeft meerdere concurrerende teams die werken aan zowel formele als informele benaderingen; Anthropic gebruikt wiskundig redeneren om algemene redeneerscores te verbeteren in plaats van het een kernfocus te maken.
Het technische front: van bewijs naar vermoeden
Hong articuleert een taxonomie van AI-mogelijkheden voor wiskunde die verder gaat dan bewijs. "Je moet een zeer goede prover hebben. Je moet een zeer goed vermoedensysteem hebben dat wiskundige vragen kan stellen. De beloning van deze AI is of ik deze prover kan gebruiken om het beloningssignaal voor dit vermoeden te maken." Het vermoedensprobleem blijft grotendeels onopgelost, omdat vermoedens – in tegenstelling tot bewijzen, die binaire verificatie hebben (bewezen of niet) – geen duidelijke beloningssignalen hebben. Hoe weet een AI of zijn vermoeden interessant, belangrijk of betekenisvol is versus triviaal? De huidige 'state-of-the-art' gebruikt ruwe heuristieken zoals de bewijslengte in verhouding tot de stellinglengte als een "elegantiefilter", maar dit faalt buiten de wiskunde van de middelbare school.
Een tweede grote uitdaging is 'library learning': AI niet alleen stellingen laten bewijzen binnen bestaande definities, maar nieuwe definities laten creëren en theorie laten opbouwen. "Laat deze machine een bibliotheek opbouwen vanuit de definitie, inclusief stellingen daarboven, inclusief het bewijzen van deze stellingen, en dan nieuwe stellingen afleiden en meer definities toevoegen. Dit proces is een proces van architecturale theorie. Dit is behoorlijk moeilijk." De moeilijkheid ligt in verificatie – hoe kun je garanderen dat een door de machine gegenereerde definitie geen logische inconsistenties creëert die zich honderden stappen later manifesteren als paradoxen? In een hypothetische toekomst waarin alle menselijke wiskunde is geformaliseerd in Lean, wordt dit kritiek: "Als die definitie er een is die een mens niet heeft, een definitie die nooit is opgeschreven, hoe kan ik dan garanderen dat deze definities van dit systeem niet met elkaar in conflict zijn?"
De relatie tussen formeel bewijs in Lean en redeneren in natuurlijke taal creëert fascinerende technische spanningen. Hong kadert het als "wiskunde is code en code is wiskunde" via de Curry-Howard-correspondentie, waarbij elk wiskundig bewijs kan worden omgezet in een computerprogramma. Maar deze vertaling is niet symmetrisch – Engels omzetten naar Lean is veel moeilijker dan Lean naar Engels omzetten, omdat het model aanzienlijk meer Engelse tokens heeft gezien. Axiom gebruikt 'cycle consistency' (vertalen naar Lean, terugvertalen, verschillen controleren) om conversies te valideren. Hong gelooft dat taalmodellen goede vermoedens kunnen genereren door hun vermogen om grenzen te doorbreken, maar verificatie moet plaatsvinden in de formele ruimte. "Taal kan een goed vermoeden maken. Dan is generatie tot op zekere hoogte generatie, dan verifiëren – deze twee gaan samen heen en weer."
De identiteitscrisis van de wiskundige
Hong's persoonlijke reis weerspiegelt bredere vragen over wat het betekent om wiskundige te zijn in een tijdperk van AI-ondersteund bewijs. Op MIT voelde ze zich "de domste van de hele wiskundeafdeling", omringd door IMO-goudmedaillewinnaars wier nieuws ze sinds haar kindertijd volgde. Haar reactie was geen wanhoop maar acceptatie: "Mijn verwachting is dat ik de domste ben, dus ik pas me eigenlijk heel goed aan. Ik voel me elke dag gelukkig dat ik met deze mensen kan praten, samen lessen kan volgen, samen huiswerk kan maken." Deze kadrering – dankbare leerling in plaats van concurrerend genie – vormde haar aanpak van zowel wiskunde als het bouwen van een bedrijf.
De vraag of ze herinnerd wil worden als wiskundige lokt een verrassend filosofisch antwoord uit. "Ik dacht vroeger dat het belangrijk was. Ik huilde soms vroeger. Ik ben nog steeds een erg emotioneel persoon. Toen voelde ik later: eigenlijk wil ik een leerling zijn. Ik wil gewoon naar zoveel mogelijk intellectuele velden gaan en zoveel mogelijk leren." Ze beschrijft het springen van wiskunde naar natuurkunde (om te verhelpen dat ze "erg slecht was in natuurkunde op de middelbare school") naar neurowetenschappen naar AI naar kwantitatieve handel naar rechten, waarbij elke overgang gedreven werd door nieuwsgierigheid naar onbekende domeinen. "Dit is misschien een goed ding – hoe kan ik één leerling, de leerling van een ondernemer, niet laten sterven? 99% van de startups zal sterven. Waarom ga ik nu gewoon niet dood?"
De vraag over een diner met een wiskundige lokt een veelzeggend antwoord uit: Erdős, omdat "de beschrijvingen die hij je vertelde, het is tenslotte combinatoriek, je kunt begrijpen wat je voor het diner op tafel hebt." Erdős staat voor wiskunde als sociale praktijk, de reizende medewerker met honderden co-auteurs en een eigenaardige persoonlijkheid. Hong contrasteert dit met Grothendieck, wiens diner "van groot belang" zou zijn, maar wiens abstracte algebraïsche meetkunde verspild zou kunnen zijn aan iemand zonder de vereiste achtergrond. De implicatie is dat wiskundige waarde niet alleen bestaat in stellingen, maar in de gemeenschap en cultuur eromheen – iets wat AI kan vergroten maar niet kan vervangen.
De verslaving aan lijden en de slinger van de geschiedenis
Gevraagd naar haar zelfbeloningsmechanisme, beschrijft Hong een verschuiving van energie halen uit kleine teams en kameraadschap naar het putten uit het werk zelf. "Ik denk dat de meeste oprichters verslaafd zijn aan lijden. Ja, dat klopt. Verslaafd aan ellende." Ze kadert dit als noodzakelijk in plaats van nobel: "Meestal zijn deze gesprekken wat je uiteindelijk kiest – geselecteerde investeerders. Ze hebben een aantal zeer opwindende gesprekken. Maar uit deze grote aantallen nogal saaie processen kwamen een aantal zeer opwindende gesprekken." De durfkapitalisten die zochten naar oprichters met een "chip on the shoulder" – mensen met littekens uit het verleden omgezet in meedogenloze gedrevenheid – vonden in Hong iemand wiens hele academische carrière een reeks waargenomen mislukkingen was die werden omgezet in motivatie.
Dit manifesteert zich in hoe Axiom met uitdagingen omgaat. Toen de AxiomProver aanvankelijk één Putnam-probleem niet kon oplossen dat geometrisch inzicht vereiste, tekende professor Evan Chen (coach van het Amerikaanse IMO-team) een afbeelding, en iedereen in de kamer zag onmiddellijk de oplossing. De AI vond uiteindelijk een compleet ander bewijs via uitputtende enumeratie. "Ik denk dat het vergelijken van mensen en AI, de wiskunde achter de oplossing die we kregen, een heel interessant proces is," reflecteert Hong. Het incident kristalliseerde een kernspanning: intuïtieve wiskundigen bieden elegantie en inzicht; AI biedt uitputtende betrouwbaarheid en verificatie. Beide zijn noodzakelijk.
Vooruitkijkend kadert Hong AI voor wiskunde als het mogelijk maken van een overgang van "wiskundearme naar wiskunderijke samenleving". Het aanbod zal exploderen. Maar ze verwerpt de kadrering dat dit wiskunde minder speciaal maakt: "Ik denk dat wiskundigen voor een groot deel, voor een groot deel, de betekenis van onze wiskundigen ligt in het oplossen van problemen. Ze zullen 0,01% intuïtie bieden over welke wiskundige problemen de moeite waard zijn voor ons om onze rekenkracht op te concentreren." In een wereld van oneindige rekenkracht wordt deze rol van middelenallocatie minder kritiek – "we gaan dit doen, we willen alles doen wat mensen kunnen bedenken, alle curieuze wiskundige problemen opgelost." Maar in de praktijk blijft rekenkracht eindig, en blijft menselijk oordeel over wat belangrijk versus triviaal is onvervangbaar.
De laatste filosofische vraag – wat als AI wiskunde saai maakt door alles op te lossen – dwingt Hong terug te keren naar de menselijke natuur. "Je geeft me er een met 1 miljoen regels Lean-code, ik moet zien hoe het vanbinnen is gemaakt. Je laat me het niet zien, ik ga kijken. Dit is de belichaming van menselijke nieuwsgierigheid." Ze wijst op voorbeelden zoals Stefano Ermon die diffusiemodellen sneller maakt, of Periodic Labs die top AI-talent naar rommelige praktijkproblemen in de materiaalkunde brengt, of Recursive dat werkt aan hardware-AI co-optimalisatie. "Hierachter zit een basiskracht. Deze basiskracht is menselijke nieuwsgierigheid. Sommige mensen zeggen dat het nu een bubbel is, of moeten we zeggen dat het nu de maanlanding is? Sommige bedrijven, zodra hij hem wordt, gaat hij naar de maan. Dan zijn er bedrijven die naar de maan gaan – ze werken echt hard, iedereen werkt elke dag 996 samen aan die droom. Het werkte niet. Dat is de bubbel."
De weddenschap van Axiom is dat formele verificatie, recursieve zelfverbetering en een systeembenadering van redeneren een verdedigbare positie zullen creëren in een markt waar DeepSeek 's nachts basismodellen kan commoditiseren. Het bedrijf positioneert zichzelf als "meer als SpaceX" dan een typisch AI-lab – het aanpakken van technische uitdagingen met enorme technische barrières die verder gaan dan het trainen van grotere modellen. Of deze weddenschap slaagt, bepaalt niet alleen het lot van het bedrijf, maar potentieel ook de tijdlijn voor wanneer machines zinvol kunnen bijdragen aan de grens van de menselijke wiskundige kennis. Hong lijkt zich op haar gemak te voelen bij de binaire aard van deze uitkomst, misschien omdat haar hele traject een reeks onwaarschijnlijke successen was die eruitzagen als mislukkingen in uitvoering. Zoals ze het zelf zegt: "Er is altijd een weg. Je moet erin geloven."