KI löst Erdős-Probleme. Was kommt als Nächstes?

Vor nur wenigen Monaten fühlte sich die Frage noch hauptsächlich philosophisch an: Wenn künstliche Intelligenz dabei helfen kann, offene mathematische Probleme zu lösen, was passiert dann mit der Idee des menschlichen Genies?

Diese Frage ist nicht mehr theoretisch. Zwei kürzliche Entwicklungen, an denen OpenAI und Google DeepMind beteiligt waren, deuten darauf hin, dass KI von einer mathematischen Assistenz zu einer mathematischen Teilnehmerin wird. Nicht im Sinne einer Ersetzung von Mathematikern, sondern in dem präziseren und wichtigeren Sinne, Argumente zu generieren, zu suchen, zu überprüfen und manchmal zu entdecken, die einer Expertenprüfung standhalten können.

Die erste Entwicklung kam von OpenAI, das bekannt gab, dass ein internes allgemeines Reasoning-Modell einen Durchbruch bei dem planaren Einheitsabstandsproblem erzielt hatte, einem berühmten Problem, das von Paul Erdős 1946 gestellt wurde. Das Problem fragt, wie viele Paare von Punkten in einer Ebene genau einen Einheitsabstand voneinander haben können. Jahrzehntelang ging man davon aus, dass quadratische Gitterkonstruktionen im Wesentlichen optimal seien. OpenAI’s Modell fand eine neue Familie von Konstruktionen, die diese Annahme widerlegte.

Die zweite Entwicklung kam von Google DeepMind-Forschern, die eine Studie veröffentlichten mit dem Titel “Mathematische Forschung mit KI-gesteuerter formalen Beweissuche vorantreiben”. Ihr System, AlphaProof Nexus, bewertete die KI-gesteuerte Beweisgenerierung bei offenen Forschungsproblemen und berichtete, dass sein stärkster Agent 9 von 353 offenen Erdős-Problemen autonom löste. Es bewies auch 44 von 492 offenen Vermutungen aus der Online-Enzyklopädie der ganzen Zahlen.

Diese Ergebnisse markieren einen Wendepunkt. Die wichtige Geschichte ist nicht, dass KI plötzlich die Mathematik gelöst hat. Sie hat es nicht. Die wichtige Geschichte ist, dass KI-Systeme beginnen, innerhalb der Forschungsschleife selbst zu operieren.

Warum Erdős-Probleme ein ernsthafter Test für KI sind

Paul Erdős war einer der produktivsten Mathematiker in der Geschichte, und die Probleme, die mit seiner Arbeit verbunden sind, besetzen einen besonderen Platz in der Mathematik. Viele sind leicht zu formulieren, schwer zu lösen und mit tiefen Bereichen wie Kombinatorik, Zahlentheorie, Graphentheorie und diskreter Geometrie verbunden.

Dadurch sind sie ungewöhnlich nützlich als Benchmark für KI-Reasoning. Sie sind keine Schulübungen. Sie sind auch keine riesigen, theoriezerschmetternden Vermutungen wie die Riemann-Hypothese. Stattdessen liegen viele Erdős-Probleme in einer Zwischenzone, in der der Fortschritt von der Findung der richtigen Verbindung, der richtigen Konstruktion oder der richtigen übersehenen Lemma abhängt.

Genau hier kann KI am meisten nützlich sein. Moderne Reasoning-Systeme sind nicht nur Rechner. Sie können viele mögliche Beweiswege erkunden, teilweise Strategien vergleichen, entfernte Ideen aus benachbarten Bereichen abrufen und testen, ob ein Argument rigoros gemacht werden kann.

Das Ergebnis von OpenAI ist auffallend, weil das Modell nicht nur eine bekannte Route polierte. Es fand eine unerwartete Brücke zwischen diskreter Geometrie und algebraischer Zahlentheorie. Das ist die Art von konzeptuellem Sprung, den Mathematiker normalerweise mit echter Kreativität assoziieren.

OpenAI und der Einheitsabstand-Durchbruch

Das planare Einheitsabstandsproblem ist einfach zu beschreiben. Setze n Punkte in die Ebene. Zähle, wie viele Paare von Punkten genau einen Einheitsabstand voneinander haben. Das Ziel ist es, zu verstehen, wie groß diese Zählung sein kann, wenn n wächst.

Fast 80 Jahre lang vermuteten Mathematiker, dass die besten Konstruktionen quadratische Gitterbasierungen nicht dramatisch übertreffen würden. OpenAI’s Modell forderte diese Annahme heraus, indem es eine unendliche Familie von Beispielen produzierte, die die erwartete Grenze um eine polynomiale Verbesserung übertraf.

Das ist wichtig aus zwei Gründen. Erstens ändert es das mathematische Bild. Es legt nahe, dass zahlentheoretische Konstruktionen mehr zur diskreten Geometrie beitragen können, als viele Forscher angenommen haben. Zweitens ändert es das KI-Bild. Das beteiligte Modell wurde als allgemeines Reasoning-Modell beschrieben, nicht als System, das nur für dieses spezifische Problem gebaut wurde.

Das bedeutet, dass das System scheinbar Reasoning-Kraft in eine unvertraute Forschungsumgebung übertragen hat. Es hat nicht einfach eine bekannte Beweisführung memorisiert. Es hat ein Ergebnis generiert, das von externen Mathematikern als bedeutender Beitrag behandelt wurde.

Google DeepMind und formale Beweissuche

Google DeepMinds Studie behandelt eine andere, aber gleich wichtige Frage: Wie kann KI-generierte Mathematik zuverlässig gemacht werden?

Sprachmodelle können elegante Argumente produzieren, die subtile Fehler enthalten. In normalen Texten können diese Fehler schwer zu erkennen sein. In der Mathematik kann ein falscher Schritt das gesamte Beweisverfahren ungültig machen. Deshalb sind formale Beweissysteme wie Lean wichtig. Lean interessiert sich nicht dafür, ob ein Argument überzeugend klingt. Jeder logische Schritt muss geprüft werden.

AlphaProof Nexus verwendet diese Einschränkung als Teil des Arbeitsablaufs. KI-Agenten generieren Beweisversuche in Lean, erhalten Feedback vom Compiler, überarbeiten ihren Ansatz und setzen die Suche fort. Die stärkere Version koordiniert Subagenten und verwendet fortschrittlichere Beweiswerkzeuge, um die Suche zu fokussieren.

Das Ergebnis von DeepMind ist besonders wichtig, weil es KI-Reasoning mit Verifizierung verbindet. Das System muss nicht auf die gleiche Weise vertraut werden wie ein Chatbot. Sein Beweis entweder compiliert oder er tut es nicht.

Was dies für mathematische Forschung bedeutet

Die aktuelle Lektion ist nicht, dass Mathematiker überflüssig sind. Sie ist, dass die Flaschenhals in der Mathematik möglicherweise sich ändert.

Historisch gesehen musste ein Forscher fast alles selbst tun: das Problem formulieren, die Literatur überprüfen, Ideen testen, den Beweis aufbauen, jeden Schritt überprüfen und das Ergebnis kommunizieren. KI droht, diese Arbeit umzuverteilen. Einige Teile des Arbeitsablaufs können schneller, billiger und automatisierter werden.

• KI kann viele Beweiswege erkunden, bevor ein Mensch Zeit in einen investiert.
• Formale Systeme können Schritte überprüfen, die sonst langsame Expertenprüfung erfordern.
• Forscher können KI verwenden, um über entfernte mathematische Teilbereiche zu suchen.

Dies könnte einen neuen Forschungsstil produzieren. Anstatt einem KI-System nach einer Antwort zu fragen, werden Mathematiker zunehmend Flotten von Beweisagenten überwachen. Die menschliche Rolle wird weniger wie ein Rechner und mehr wie ein Forschungsleiter: die richtigen Probleme auswählen, die Ergebnisse interpretieren, die Bedeutung maschinell entdeckter Ergebnisse erkennen und entscheiden, welche Pfade einer tieferen Aufmerksamkeit bedürfen.

Die Grenzen sind noch real

Es ist wichtig, den Moment nicht zu überschätzen. Google DeepMinds System löste 9 von 353 versuchten Erdős-Problemen. Das ist beeindruckend, aber es bedeutet auch, dass die meisten ungelöst blieben. OpenAI’s Einheitsabstand-Ergebnis ist ein Meilenstein, aber es impliziert nicht, dass jede berühmte Vermutung jetzt leicht erreichbar ist.

KI-Systeme kämpfen noch, wenn ein Problem ein neues konzeptuelles Rahmenwerk erfordert, wenn die relevanten Mathematik schlecht formalisiert ist oder wenn ein Beweis von langen Ketten von Erkenntnissen abhängt, die nicht leicht in suchbare Schritte zerlegt werden können. Formale Beweisbibliotheken sind auch ungleichmäßig. Bereiche mit reifer Lean-Abdeckung sind für KI-Agenten zugänglicher als Bereiche, in denen das Grundmaterial noch kodiert werden muss.

• Die Systeme bleiben abhängig von menschlicher Problemauswahl und Interpretation.
• Formalisierung kann schwierig sein, wenn Definitionen mehrdeutig oder unterentwickelt sind.
• KI-generierte Beweisversuche können noch harte Arbeit in unbewiesenen Hilfsansprüchen verstecken.

Diese Grenzen sind keine Misserfolge. Sie klären, wo die nächsten Fortschritte stattfinden müssen. Bessere Theorembeweis-Agenten, reichere formale Bibliotheken, stärkere Verifizierungs-Workflows und effektivere Mensch-KI-Schnittstellen werden alle wichtig sein.

Was kommt als Nächstes, nachdem KI Erdős-Probleme gelöst hat?

Die wahrscheinlichste nahe Zukunft ist nicht ein dramatischer Moment, in dem KI die gesamte Mathematik löst. Es ist eine stetige Erweiterung der KI-gestützten Forschung in Bereiche mit sauberen Problemaussagen, starken formalen Bibliotheken und großen Mengen an fragmentierter Vorarbeit.

Kombinatorik, Graphentheorie, Zahlentheorie, Optimierung und diskrete Geometrie sind natürliche frühe Ziele. Diese Bereiche enthalten oft Probleme, bei denen die Frage präzise ist, aber die Lösung von der Verbindung von Ideen aus entfernten Orten abhängt. KI ist für diese Art von Suche gut geeignet.

Im Laufe der Zeit kann das gleiche Muster sich auch jenseits der Mathematik ausdehnen. Wenn ein Modell ein schwieriges Argument zusammenhalten, Zwischenergebnisse testen und Ideen über Bereiche hinweg verbinden kann, sind diese Fähigkeiten in Physik, Biologie, Materialwissenschaft, Kryptographie und KI-Forschung selbst wichtig.

Die tiefere Konsequenz ist kulturell. Mathematik hat immer Beweise geschätzt, aber sie hat auch Geschmack geschätzt: die Fähigkeit, zu wissen, welche Frage wichtig ist, welche Abstraktion es wert ist, erfunden zu werden, und welches Ergebnis die Form eines Bereichs ändert. Wenn die Beweissuche automatisierter wird, kann Geschmack wichtiger werden, nicht weniger.

Schlussfolgerung: Genie bewegt sich die Hierarchie hinauf

Die Antwort auf die frühere Frage ist jetzt klarer. Wenn KI offene mathematische Probleme lösen kann, verschwindet das menschliche Genie nicht. Es bewegt sich die Hierarchie hinauf.

Die seltene Fähigkeit wird nicht die Fähigkeit sein, jeden technischen Schritt alleine durchzuarbeiten. Sie wird die Fähigkeit sein, die richtigen Fragen zu stellen, die richtigen Abstraktionen zu formulieren, die Bedeutung maschinell entdeckter Ergebnisse zu beurteilen und KI-Systeme in Richtung Probleme zu lenken, die wichtig sind.

OpenAI’s Einheitsabstand-Durchbruch und Google DeepMinds formale Beweissuche-Ergebnisse schließen das Buch über menschliche mathematische Kreativität nicht. Sie öffnen ein neues Kapitel, in dem Mathematiker mit Systemen arbeiten können, die das Terrain schneller erkunden können als jedes einzelne menschliche Gehirn.

Die Zukunft der Mathematik gehört möglicherweise nicht allein den Menschen oder Maschinen. Sie gehört den Forschern, die lernen, beides zusammen denken zu lassen.