OpenAI veröffentlicht Beweise für 372 bedeutende mathematische Probleme, einschließlich der Unique-Games-Vermutung

Am 6. Oktober 2026 veröffentlichte OpenAI eine umfangreiche Sammlung von 372 Arbeiten, die behaupten, einige der schwierigsten offenen Probleme in Mathematik und theoretischer Informatik zu lösen. Die Veröffentlichung, begleitet von einer Beratungsgruppe unter anderem mit Timothy Gowers und Edward Witten, könnte einen Wendepunkt in der Durchführung wissenschaftlicher Entdeckungen markieren. Unter den gelösten Problemen befindet sich die Unique-Games-Vermutung, eine zentrale Frage der Komplexitätstheorie, die jahrzehntelang unbewiesen blieb.

Was passiert ist

Die Ankündigung schockierte die akademische Gemeinschaft, insbesondere weil die Lösungen von einem internen OpenAI-Modell und nicht von einem maßgeschneiderten Multi-Agenten-System generiert wurden. Das Modell versuchte, etwa 8.000 Probleme zu lösen, und war bei ungefähr fünf Prozent davon erfolgreich. Jeder erfolgreiche Versuch erforderte rund drei Stunden Rechenleistung auf GPT-Pro-Niveau. Die Ergebnisse umfassen nicht nur die Unique-Games-Vermutung, sondern auch Durchbrüche in den Bereichen Derandomisierung, Quantenkomplexität und algorithmische Effizienz.

Die Reaktion unter Mathematikern war gemischt und reichte von Begeisterung bis hin zur Desorientierung. Dana Moshkovitz, eine Komplexitätstheoretikerin, die ihre gesamte Karriere an der Unique-Games-Vermutung gearbeitet hat, beschrieb den KI-generierten Beweis als schwer zu entschlüsseln. Sie merkte an, dass der Text fragmentiert wirke, mit irrelevanten Zitaten und bizarren Konstruktionen, die nicht mit traditioneller menschlicher Intuition übereinstimmen. Trotz der Verwirrung bietet die Präsenz von Lean-Zertifikaten für viele der Beweise eine Ebene der formalen Verifizierung, auch wenn das menschliche Verständnis hinterherhinkt.

Dieses Ereignis hebt zwei aufkommende Modelle für die Verbreitung KI-getriebener wissenschaftlicher Durchbrüche hervor. OpenAI entschied sich, alle Arbeiten gleichzeitig öffentlich zu veröffentlichen, was einen Wettlauf der Menschen auslöste, die Ergebnisse zu verdauen und zu überprüfen. Im Gegensatz dazu arbeitete Anthropic kürzlich mit den Forschern Virginia Williams und Josh Alman zusammen, um ihre KI-unterstützten Lösungen für die 3SUM- und All-Pairs Shortest Paths-Probleme vor der öffentlichen Freigabe privat zu verfeinern und anzukündigen. Der Ansatz von OpenAI priorisiert Transparenz und Geschwindigkeit, während das Modell von Anthropic kuratierte Kommunikation und Vergütung für menschliche Mitarbeiter betont.

Wie es funktioniert

Die zugrunde liegende Technologie ist kein spezialisierter Supercomputer-Cluster, sondern die neueste interne Iteration des Sprachmodells von OpenAI. Es arbeitet durch die Generierung von Beweisen mittels probabilistischem Schlussfolgern und nutzt enorme Mengen an Trainingsdaten aus der mathematischen Literatur. Das Modell ruft nicht einfach vorhandene Antworten ab, sondern konstruiert neuartige Argumente, wie etwa eine neue Art fehlerkorrigierender Code für die Unique-Games-Vermutung, der sich von bekannten langen oder kurzen Codes unterscheidet.

Die Verifizierung stützt sich stark auf formale Methoden. Viele der 372 Ergebnisse enthalten Lean-Zertifikate, also maschinenüberprüfbare Beweise, die logische Konsistenz sicherstellen. Dies ermöglicht es der mathematischen Gemeinschaft, der Korrektheit der Ergebnisse zu vertrauen, noch bevor sie den narrativen Fluss der Argumente vollständig verstehen. Der Prozess verschiebt die Rolle menschlicher Mathematiker von primären Entdeckern zu Interpreten und Validatoren KI-generierter Erkenntnisse.

Wichtige Details

• OpenAI veröffentlichte 372 Arbeiten, die große offene Probleme lösen, einschließlich der Unique-Games-Vermutung und L=BPL.
• Die Lösungen wurden von einem internen Modell erzeugt, das pro Problem etwa drei Stunden GPT-Pro-Rechenleistung nutzte.
• Ungefähr fünf Prozent der 8.000 versuchten Probleme wurden erfolgreich gelöst.
• Viele Beweise enthalten Lean-Zertifikate zur formalen Verifizierung, obwohl menschenlesbare Erklärungen rar sind.
• Der Beweis der Unique-Games-Vermutung umfasst eine neue, rekursive Code-Konstruktion, die Experten als fremd und unintuitiv beschreiben.
• Kryptografie-Probleme fehlten auffällig in der Veröffentlichung, obwohl Untersuchungen zu kryptografischen Schwachstellen Berichten zufolge im Gange sind.

Warum es wichtig ist

Für Software-Ingenieure und Forscher signalisiert diese Entwicklung einen Wandel in der Natur technischer Arbeit. Die Fähigkeit der KI, Probleme zu lösen, die Menschen jahrzehntelang ratlos gemacht haben, deutet darauf hin, dass zukünftige Durchbrüche eher aus der Interpretation von Maschinenausgaben resultieren könnten als aus der Ableitung von Ergebnissen aus ersten Prinzipien. Dies verändert den Kompetenzansatz für hochrangige Forschung und betont Verifizierung, Integration und Erklärung gegenüber roher Ableitung.

Die Veröffentlichung wirft zudem Fragen zur Nachhaltigkeit traditioneller akademischer Anerkennungssysteme auf. Wenn KI Beweise schneller generieren kann, als Menschen sie lesen können, sinkt der Wert individueller Autorschaft. Die Gemeinschaft muss nun entscheiden, wie sie Anerkennung zuspricht und Motivation aufrechterhält, wenn das „heroische Abenteuer“ der Entdeckung teilweise automatisiert wird. Wie Scott Aaronson bemerkte, besteht die Herausforderung darin, eine Gemeinschaft zu fördern, die sich weiterhin dafür interessiert, Wege auf diese Berge zu finden, selbst wenn ein Teleportationsgerät existiert.

Was Sie tun können

• Überprüfen Sie die Lean-Zertifikate für alle Beweise, die für Ihr Fachgebiet relevant sind, um die Korrektheit unabhängig zu verifizieren.
• Konzentrieren Sie sich darauf, Fähigkeiten in formalen Verifizierungswerkzeugen wie Lean zu entwickeln, um die Lücke zwischen KI-Ausgabe und menschlichem Verständnis zu schließen.
• Arbeiten Sie mit Kollegen zusammen, um komplexe KI-generierte Beweise zu verdauen und zu erklären, und teilen Sie die Arbeitslast der Interpretation.
• Bleiben Sie über ethische Richtlinien und Anerkennungsmodelle informiert, die von Institutionen wie dem Simons Institute bezüglich KI-unterstützter Forschung entwickelt werden.
• Untersuchen Sie die Implikationen gelöster Probleme wie L=BPL für Ihre eigene Arbeit in Algorithmen und Komplexität.
• Nehmen Sie an Diskussionen über die Zukunft der mathematischen Anerkennung und Publikationsmodelle in einer KI-dominierten Landschaft teil.