Leute, ich muss euch von etwas erzählen, das mich diese Woche wirklich umgehauen hat. Am 20. Mai hat OpenAI verkündet, dass eines ihrer internen Reasoning-Modelle ein 80 Jahre altes mathematisches Problem eigenständig gelöst hat. Und nein, diesmal ist es kein Fehlalarm wie letztes Jahr, als ihr ehemaliger VP Kevin Weil peinlich schnell einen X-Post löschen musste.
Die Mathematiker-Community ist tatsächlich beeindruckt. Fields-Medaillengewinner Tim Gowers nennt es einen Meilenstein. Aber fangen wir von vorne an.
Das Problem: Wie viele Punktepaare können genau einen Meter Abstand haben?
Das sogenannte ‚planare Einheitsdistanz-Problem‘ klingt erstmal simpel: Wenn du n Punkte auf einer Ebene platzierst, wie viele Paare davon können exakt eine Einheit voneinander entfernt sein? Der legendäre ungarische Mathematiker Paul Erdős stellte diese Frage 1946 auf und vermutete, dass quadratische Gitter im Grunde die beste Lösung seien.
Für fast 80 Jahre glaubte die Mathematik-Welt, dass niemand wesentlich besser als diese Gitter-Konstruktionen abschneiden könnte. OpenAIs Modell hat nun eine völlig neue Familie von Punkt-Anordnungen entdeckt, die deutlich mehr Einheitsdistanz-Paare erzeugt als gedacht. Der Princeton-Mathematiker Will Sawin hat das Ergebnis verfeinert und konnte einen festen Exponenten δ = 0.014 nachweisen.
Was diesmal anders ist: Echte Experten bestätigen den Beweis
OpenAI hat diesmal seine Hausaufgaben gemacht. Statt vorschneller Twitter-Posts haben sie führende Mathematiker wie Noga Alon von Princeton, Melanie Wood und Thomas Bloom – derselbe Bloom, der den letzten Fehlschuss öffentlich zerrissen hatte – um unabhängige Überprüfung gebeten. Alle bestätigen: Der Beweis stimmt.
Was die Experten besonders beeindruckt: Das Modell hat das Geometrie-Problem mit Werkzeugen aus der algebraischen Zahlentheorie gelöst. Konkret nutzte es sogenannte ‚unendliche Klassenkörpertürme‘ und ein Theorem aus den 1960ern namens Golod-Shafarevich. Diese Verbindung zwischen zwei verschiedenen Mathematik-Gebieten hatte vorher niemand für dieses Problem gezogen.
Kein Spezialsystem, sondern ein General-Purpose-Modell
Hier wird es richtig interessant für uns KI-Enthusiasten: Das war kein speziell für Mathematik trainiertes System. OpenAI betont, dass der Beweis von einem allgemeinen Reasoning-Modell stammt, das weder auf das Unit-Distance-Problem noch auf mathematische Beweisführung im Speziellen ausgerichtet war.
Das Modell hat hunderte Seiten an Logik und Berechnungen produziert und dabei einen kreativen Sprung zwischen Disziplinen gemacht. Der Harvard-Mathematiker Mehtaab Sawhney beschreibt es so: Es fühle sich wie Magie an, von einer Maschine etwas zurückzubekommen, das wirklich der eigenen Arbeitsweise ähnelt.
OpenAI sieht darin einen Beleg, dass KI-Systeme mittlerweile lange, schwierige Argumentationsketten zusammenhalten können – mit Implikationen weit über Mathematik hinaus für Biologie, Physik, Ingenieurwesen und Medizin.
Was bedeutet das für die Zukunft?
Was mich an dieser Geschichte fasziniert: Die KI hat nicht einfach brutal Rechenpower auf das Problem geworfen. Sie hat kreativ gedacht, Verbindungen zwischen Gebieten gezogen, die Menschen nicht gesehen hatten, und dann einen sauberen Beweis geliefert. Thomas Bloom formuliert es poetisch: ‚KI hilft uns, die Kathedrale der Mathematik vollständiger zu erkunden. Welche anderen Wunder warten noch darauf, entdeckt zu werden?‘
Natürlich gibt es offene Fragen. OpenAI hat nicht verraten, wie viel Rechenleistung in diesen Durchbruch geflossen ist. Waren es Wochen auf einem Cluster oder nur ein Nachmittag? Das macht einen gewaltigen Unterschied für die Reproduzierbarkeit.
Mein Fazit
Nach dem PR-Desaster letztes Jahr hat OpenAI diesmal alles richtig gemacht. Externe Validierung, echte Mathematiker als Zeugen, saubere Dokumentation. Aber wichtiger noch: Das Ergebnis selbst ist echt beeindrucklich. Ein KI-Modell hat eigenständig einen Beweis gefunden, der nach Meinung führender Experten auch in einem Top-Journal veröffentlicht werden könnte, wenn Menschen ihn gefunden hätten.
Für mich persönlich ist das ein Wendepunkt. Nicht weil KI jetzt plötzlich superintelligent wäre – wir sind weit davon entfernt. Aber weil wir zum ersten Mal sehen, dass Reasoning-Modelle echte kreative Sprünge zwischen Disziplinen machen können. Die Tools, die heute in Forschungslaboren entstehen, landen erfahrungsgemäß innerhalb von 12-18 Monaten in Produkten wie ChatGPT oder Claude. Und dann wird es wirklich spannend.
Ich bin ehrlich gespannt, ob andere Labs – Google DeepMind, Anthropic – dieses Jahr mit vergleichbaren Ergebnissen nachziehen können. Falls ja, wird 2026 als das Jahr in die Geschichte eingehen, in dem KI anfing, echte mathematische Forschung zu betreiben.
Kommentar verfassen