OpenAIs Mathematik-Behauptungen zeigen den Verifikationsflaschenhals der KI

Der WIRED-Bericht beschreibt einen wachsenden Konflikt zwischen Frontier-KI-Laboren und professionellen Mathematikerinnen und Mathematikern über den Prozess. OpenAI-Sprecherin Lindsay McCallum sagte WIRED, das Unternehmen habe am 28. August mit dem Training eines neuen internen Modells begonnen und dieses Modell habe neben der „Lösung des Navier–Stokes-Millennium-Preis-Problems“ auch „mehr als 100 seit Langem offene Probleme aus den meisten Bereichen der Mathematik gelöst“.

Das ist eine außergewöhnliche Behauptung, und sie steht in einem fragilen Kontext. Das Navier–Stokes-Problem ist eines der Millennium-Preis-Probleme, eine Klasse von Problemen, deren Lösung normalerweise eine umfassende Prüfung durch Fachleute erfordert. Wir haben die Verifikationsrisiken rund um diese Behauptung in OpenAIs Behauptung eines Navier–Stokes-Beweises behandelt: Das Schlagzeilenergebnis ist wichtig, aber der Weg von „ein Modell hat ein Argument erzeugt“ zu „das Fachgebiet akzeptiert den Satz“ ist der schwierige Teil.

WIRED berichtete außerdem, OpenAI habe Personen mitgeteilt, dass es plane, Hunderte Lösungen für ungelöste Probleme auf GitHub zu veröffentlichen. McCallum sagte WIRED, das Unternehmen arbeite daran, die nächsten Mathematik-Ergebnisse „verantwortungsvoll zu veröffentlichen“, und stütze sich dabei auf Ratschläge und öffentliche Empfehlungen der Advisory Group on Mathematics and Artificial Intelligence am Institute for Advanced Study. Sie sagte außerdem, OpenAI habe keinen Veröffentlichungszeitpunkt festgelegt.

Diese Unterscheidung ist wichtig. Eine GitHub-Veröffentlichung ist für Software nützlich. Sie ist nicht automatisch die richtige Einheit für Frontier-Mathematik. Mathematikerinnen und Mathematiker können Code, formale Beweise, Skizzen und Papers lesen, aber jedes Format beantwortet eine andere Frage. Funktioniert das Argument? Wer hatte die Schlüsselidee? Auf welchen Vorarbeiten baut es auf? Welche Teile sind neu, und welche sind Rekombinationen? Was sollten andere Forschende zitieren?

Bryna Kra, Mathematikerin an der Northwestern University und Teilnehmerin des Treffens im August, sagte WIRED, die Anwesenden hätten OpenAI gebeten, Ergebnisse nicht nur in einem Blogpost oder Tweet zu veröffentlichen, sondern Papers zu schreiben, die Mathematikerinnen und Mathematiker „aufnehmen, verarbeiten und nutzen“ könnten. Kra sagte WIRED: „Offenbar wurde dieser Input ignoriert.“

Das klarste technische Beispiel im Ausgangsmaterial ist nicht der umstrittene Stapel von Hunderten Ergebnissen. Es ist OpenAIs früheres Einheitsabstands-Ergebnis.

Das Erdős-Einheitsabstands-Problem fragt grob gesagt, wie viele Punktpaare in einer Ebene genau eine Einheit voneinander entfernt sein können. Paul Erdős vermutete, dass die bestmögliche Anordnung nur minimal schneller wachsen würde als die Zahl der Punkte. Laut Ars Technica bewies OpenAIs Modell, dass er falschlag, indem es eine komplexere Punktanordnung konstruierte als die traditionellen gitterbasierten Ansätze.

Ars beschreibt die Methode als clevere Rekombination bekannter mathematischer Ideen. Das Modell verwendete ein hochdimensionales Gitter, projizierte es in zwei Dimensionen und nutzte algebraische ganze Zahlen, um reichere Strukturen zu erzeugen. Nach Einschätzung von Ars führte das Ergebnis keine wirklich neuen Techniken ein. Menschliche Mathematikerinnen und Mathematiker bereinigten und erweiterten die Arbeit später.

Diese Kombination ist wichtig: autonom genug, um relevant zu sein, aber keine Magie. Das KI-System fand einen Beweis, der eine große offene Vermutung klärte, doch das Ergebnis brauchte weiterhin menschliche Interpretation, Vereinfachung, Erweiterung und Einordnung in die Literatur.

Das ist das realistischste kurzfristige Bild für KI in der Forschung: Modelle suchen breit, verbinden Teilgebiete und arbeiten sich durch Beweisstrategien, die für Menschen mühsam wären; Menschen entscheiden, welche Fragen wichtig sind, reparieren die Darstellung, prüfen die Arbeit und bauen die nächste Schicht. Diese Arbeitsteilung muss nicht für immer halten, aber die aktuelle Evidenz in der berichteten Berichterstattung stützt eher eine hybride Geschichte als eine klare Ersetzungsgeschichte.

Sie ähnelt auch dem, was Ingenieurinnen und Ingenieure bei Software-Agenten sehen. Die schwierigsten Produktionsfragen lauten nicht nur „kann das Modell eine Antwort erzeugen?“ Sie lauten: „Können wir sie bewerten, reproduzieren, zuschreiben und sicher handeln lassen?“ Deshalb ist Evaluationsdesign zentral geworden, von kleinen Golden Sets bis zu Messungen über wiederholte Läufe wie pass@k; wenn du die Engineering-Version dazu willst, beginne mit LLM-Evaluation.

Die Gegenreaktion, über die WIRED berichtet, ist nicht im einfachen Sinn anti-KI. Mehrere in der Geschichte zitierte Mathematikerinnen und Mathematiker wirken begeistert von stärkeren Werkzeugen. Ihre Sorge gilt institutioneller Macht und wissenschaftlichem Prozess.

WIRED schreibt, einige Akademikerinnen und Akademiker hätten das Gefühl, Mathematik sei zu einem Testfeld für OpenAI und Anthropic geworden, während die Unternehmen darum konkurrieren, Modellfähigkeiten zu demonstrieren. Nestor Guillen, Gastprofessor für Mathematik an der New York University, sagte WIRED, unter Mathematikerinnen und Mathematikern gebe es gegenüber KI-Unternehmen „die Wahrnehmung von Mafia-Verhalten“. OpenAIs McCallum antwortete: „Wir widersprechen dieser Charakterisierung.“

Der gravierendste von WIRED beschriebene Streit betrifft Tristan Buckmaster, Professor an der New York University, und Levent Alpöge, einen Mitarbeiter von Anthropic. WIRED berichtet, OpenAI habe im September Tausende Agenten auf ein Millennium-Preis-Problem angesetzt, nachdem es „Gerüchte“ gehört habe, dass andere kurz vor einer Lösung stünden. Buckmaster warf OpenAI vor, Arbeit vorweggenommen zu haben, die er mit Alpöge geleistet hatte, eine Arbeit, die die beiden noch nicht veröffentlicht hatten, für deren Entwicklung sie aber OpenAI-Tools genutzt hatten.

OpenAI-Forscher Sébastien Bubeck bestritt laut WIREDs Wiedergabe seiner Antwort, verlangt zu haben, Alpöge von der Autorenschaft auszuschließen. Dennoch zeigt die Episode, warum Zuschreibung schwierig wird, wenn Forschende proprietäre Tools nutzen, Labore manche Nutzung beobachten können und interne Modelle in großem Maßstab auf benachbarte Probleme angesetzt werden können.

Die Community reagiert bereits. WIRED erwähnt Hexagon, ein Repository für primär KI-generiertes mathematisches Material, und Palomar, ein Register maschinenverifizierter Mathematik. Außerdem verweist der Bericht auf die Leiden Declaration, einen von mehr als 4.000 Mathematikerinnen und Mathematikern unterzeichneten Aufruf, der KI-Unternehmen auffordert, die Standards der Mathematik einzuhalten.

Die Richtung ist klar: Wenn KI-generierte Mathematik reichlich vorhanden wird, braucht Mathematik neue Infrastruktur für Provenienz, Begutachtung und Verifikation. GitHub kann ein Teil davon sein. Es kann nicht der ganze Prozess sein.

Ein Beweis wird nicht akzeptiert, weil ein leistungsfähiges Modell ihn ausgibt. Er wird akzeptiert, weil eine Community ihn prüfen kann.

Diese soziale Schicht wird von außen leicht unterschätzt. Mathematik sieht oft wie reine Logik aus: Entweder der Beweis ist gültig oder nicht. In der Praxis muss ein Beweis auch lesbar, kontextualisiert und mit bestehender Arbeit verbunden sein. Ein Fachgebiet muss wissen, welche Lemmata die eigentliche Arbeit leisten, welche Annahmen verborgen sind, welche Zitate fehlen und welche Behauptungen stark genug sind, um wiederverwendet zu werden.

KI belastet dieses System, indem sie das Volumen verändert. Ein schwieriger Beweis ist eine Herausforderung. Hunderte behauptete Lösungen sind ein Warteschlangenproblem. Wenn nur wenige Fachleute jedes Ergebnis bewerten können, kann die Veröffentlichung eines großen Stapels einen Rückstau erzeugen, der aus Sicht des Labors wie Fortschritt aussieht und aus Sicht des Fachgebiets wie Trümmer.

Für KI-Entwicklerinnen und -Entwickler ist das die nützliche Analogie: Fähigkeit ohne Review-Kapazität erzeugt operatives Risiko. Ein Coding-Agent, der 200 Pull Requests öffnet, kann weniger hilfreich sein als einer, der fünf prüfbare öffnet. Ein Forschungsagent, der Tausende Kandidatenbehauptungen erzeugt, braucht Triage. Ein Business-Agent, der über Tools hinweg Aktionen ausführt, braucht Freigabepunkte, Audit-Logs und Rollback-Pfade. Dasselbe Muster zeigt sich bei Human-in-the-loop-Freigaben und bei langfristiger Agentenarbeit, bei der Kontext, Zustand und Aufsicht wichtiger sind als eine einzelne beeindruckende Antwort.

Die Mathematik-Kontroverse ist eine Vorschau darauf, was passiert, wenn Generierung billiger wird als Evaluation.

Mathematik ist ein früher Stresstest, weil sie ungewöhnliche Eigenschaften hat. Probleme können präzise formuliert werden. Beweise können manchmal formal geprüft werden. Prestige hängt daran, benannte offene Fragen zu lösen. Und die Community hat starke Normen rund um Priorität, Zuschreibung und Veröffentlichung.

Andere Felder werden einer Version desselben Drucks ausgesetzt sein, wo immer drei Bedingungen gelten:

Software ist bereits dort. Code kann schnell generiert werden, aber Korrektheit, Sicherheit, Wartbarkeit und Eigentum erfordern weiterhin Review. Die wissenschaftliche Literatur ist nah dran: Eine KI kann Hypothesen oder Analysen schneller vorschlagen, als Labore sie testen können. Juristische und medizinische Arbeit sind stärker eingeschränkt, teilen aber dieselbe Asymmetrie zwischen flüssigem Output und kostspieliger Verifikation.

Die Lehre ist nicht, jedes Modell standardmäßig auszubremsen. Sie lautet, Institutionen und Systeme um den Flaschenhals herum zu gestalten. Wenn ein Modell 1.000 plausible Artefakte erzeugen kann, wird zur Produktfrage: Welche 10 sollte ein Mensch sehen, in welcher Reihenfolge, mit welchen Belegen und unter welchen Einschränkungen?

Das ist auch das Designzentrum für praktische Agentensysteme. Multi-Agenten-Workflows brauchen Routing, Gedächtnis, Tools und Eskalationspfade, aber sie brauchen auch Grenzen: Was darf automatisch laufen, was erfordert Review, und was wird für eine spätere Prüfung protokolliert? Wenn du in diese Richtung baust, überschneiden sich die Engineering-Probleme stärker mit Multi-Agenten-Orchestrierung als mit Prompt-Cleverness.

Die Berichterstattung deutet auf eine kurze Liste von Normen hin, die Reibung reduzieren würden.

Erstens: Papers veröffentlichen, nicht nur Ankündigungen. Blogposts können Ergebnisse erklären, aber sie sollten das wissenschaftliche Objekt nicht ersetzen, wenn die Behauptung ein Theorem ist.

Zweitens: Fähigkeitsdemos von wissenschaftlichen Behauptungen trennen. „Unser Modell hat diesen Beweis erzeugt“ und „die Community akzeptiert dieses Ergebnis“ sind unterschiedliche Aussagen. Sie getrennt zu halten schützt sowohl das Labor als auch das Fachgebiet.

Drittens: Provenienz offenlegen. Wenn KI-Tools von externen Mathematikerinnen und Mathematikern genutzt wurden, wenn ein Labor Zugriff auf Nutzerinteraktionen hatte oder wenn interne Agenten nach Hinweisen auf konkurrierende Arbeit eingesetzt wurden, braucht die Zuschreibungsgeschichte mehr als eine Fußnote.

Viertens: Register und Verifikationsinfrastruktur nutzen. WIRED berichtet, dass Mathematikerinnen und Mathematiker OpenAI dazu ermutigt haben, Tools wie Hexagon und Palomar zu verwenden. Wenn diese Tools nicht ausreichen, sollten Labore helfen, den Prozess zu verbessern, statt ihn zu umgehen.

Fünftens: In einem Tempo veröffentlichen, das Menschen prüfen können. Ein Dump von Hunderten Ergebnissen maximiert vielleicht das Spektakel. Er maximiert nicht das Verständnis.

Die Identitätskrise, falls es eine gibt, besteht nicht darin, dass Mathematikerinnen und Mathematiker nicht mehr zählen. Sie besteht darin, dass der Berufsstand seine knappe Arbeit möglicherweise neu definieren muss. Gute Fragen zu stellen, Standards zu setzen, Ergebnisse zu verifizieren, Anerkennung zuzuweisen und isolierte Beweise in nutzbare Theorie zu verwandeln, wird alles wichtiger, wenn Maschinen mehr Kandidatenantworten produzieren können.

Diese Verschiebung ist unbequem. Sie ist auch vertraut. Jedes reife Feld entwickelt Filter, wenn Produktion billig wird. KI zwingt die Mathematik, diese Filter öffentlich aufzubauen.

Für klarere KI-News und praktische Guides abonniere den Newsletter von NeuraLIA Labs.

• Das zentrale Thema ist nicht nur, ob KI schwierige Mathematikprobleme lösen kann, sondern ob die mathematische Community Ergebnisse in derselben Geschwindigkeit verifizieren und aufnehmen kann.
• OpenAI soll erhebliche Fortschritte bei seit Langem bestehenden Problemen behauptet haben, darunter Navier–Stokes und mehr als 100 weitere offene Fragen, aber die Akzeptanz hängt von der Prüfung durch Fachleute ab.
• Das Erdős-Einheitsabstands-Ergebnis zeigt ein wahrscheinliches kurzfristiges Muster: KI-Systeme können wichtige Beweise finden, während Menschen sie weiterhin vereinfachen, kontextualisieren und erweitern.
• Die Sorgen von Mathematikerinnen und Mathematikern konzentrieren sich auf Prozess, Provenienz, Zuschreibung, Veröffentlichungsnormen und das Risiko, Review-Systeme zu überlasten.
• Derselbe Flaschenhals zwischen Generierung und Verifikation zeigt sich in Software, Wissenschaft, Recht, Medizin und agentischen KI-Workflows.

Er ist die Lücke zwischen der Geschwindigkeit, mit der KI-Systeme plausible Beweise oder Behauptungen erzeugen können, und der Langsamkeit, mit der Fachleute sie verifizieren, kontextualisieren, zuschreiben und wiederverwenden können.

OpenAI soll behauptet haben, dass ein internes Modell das Navier–Stokes-Millennium-Preis-Problem gelöst habe, aber der Artikel betont, dass eine Verifikation durch die Community erforderlich ist, bevor eine solche Behauptung akzeptiert wird.

Ihre Sorgen betreffen Veröffentlichungsstandards, Autorenschaft, Provenienz, Prioritätsstreitigkeiten und die Möglichkeit, dass große Stapel KI-generierter Ergebnisse die Prüfung durch Fachleute überfordern könnten.

Laut der besprochenen Berichterstattung widerlegte ein OpenAI-Modell die Erdős-Einheitsabstands-Vermutung, indem es bekannte Ideen auf nützliche Weise rekombinierte. Anschließend bereinigten und erweiterten menschliche Mathematikerinnen und Mathematiker die Arbeit.

Software, wissenschaftliche Forschung, juristische Arbeit und medizinische Arbeit stehen alle unter ähnlichem Druck, weil KI Outputs schnell erzeugen kann, während Validierung teuer und folgenreich bleibt.