OpenAI sagt, dass eine interne Version seines nächsten großen Modells, Astra, neue Ergebnisse zu zehn seit Langem offenen Problemen in Mathematik und theoretischer Informatik hervorgebracht hat. Das Unternehmen sagt, die Arbeit umfasse Geometrie, Kodierungstheorie, Gruppentheorie, Komplexität, Kryptographie und Kombinatorik, wobei jedes Argument später in Lean formalisiert wurde.

Die Ankündigung ist weniger als Behauptung zu verstehen, KI habe unabhängig eine breite Palette berühmter Probleme gelöst, sondern vielmehr als Test, ob Sprachmodelle Forschung auf mathematischem Niveau erzeugen können, die Fachleute prüfen und verifizieren können. OpenAI erklärte, dass es bei den Hauptresultaten dieser Probleme seit mindestens einem Jahrzehnt, in vielen Fällen sogar deutlich länger, keinen Fortschritt gegeben habe. Das Unternehmen räumte zudem ein, dass die Arbeit weiterhin der Beteiligung und der Überprüfung durch die relevanten mathematischen Gemeinschaften unterliegt.

Zehn Probleme aus mehreren Fachgebieten

Die Liste von OpenAI umfasst neue obere Schranken für Kugelpackungen in hohen Dimensionen, die bis an die Cohn–Elkies-Schwelle reichen, sowie verbesserte Schranken für die Größe binärer und sphärischer Codes bei vorgegebenen Mindestabständen. Dabei handelt es sich um zentrale Fragen der hochdimensionalen Geometrie und der Codierungstheorie.

In der Gruppentheorie und bei Operatoralgebren berichtet das Unternehmen über eine Konstruktion, die zeigt, dass nicht-sofische Gruppen existieren, und sagt, es habe Connes’ Starrheitsvermutung widerlegt. Diese Vermutung betrifft die Frage, ob bestimmte Gruppen durch ihre Von-Neumann-Algebren eindeutig bestimmt sind.

Zu den Ergebnissen gehören außerdem neue untere Schranken für arithmetische Schaltkreise und Formeln zur Berechnung der Permanenten. OpenAI gibt für arithmetische Formeln eine untere Schranke der Größenordnung n^4/log n an. In der Komplexitätstheorie berichtet das Unternehmen über einen Satz zur exponentiellen parallelen Wiederholung für allgemeine Zwei-Spieler-Quantenspiele und erweitert damit ein Prinzip, das in klassischen Settings besser etabliert ist.

Weitere berichtete Ergebnisse betreffen das Problem des nächsten Vektors, ein Gitterproblem mit Bezug zur Post-Quanten-Kryptographie; Ehrharts Volumenvermutung für konvexe Körper mit genau einem inneren Gitterpunkt; multicolorierte Dreiecks-Ramsey-Zahlen; sowie Fragen zur Kompaktheit und Degeneriertheit in der extremalen Graphentheorie. OpenAI sagt, dass die letzteren Ergebnisse die Erdős-Probleme 146 und 180 lösen, während das Ramsey-Ergebnis Erdős-Problem 183 löst.

Die Ankündigung folgt auf OpenAIs frühere Offenlegung einer KI-generierten Widerlegung der Erdős-Einheitsabstandsvermutung. Das Unternehmen sagt, dieses Ergebnis habe spätere Forschung externer Mathematiker zu verwandten Problemen der additiven Kombinatorik, der Computational Geometry und der Komplexität angestoßen.

Wie die Ergebnisse erzeugt wurden

Laut OpenAI wurden die zehn Resultate von einer internen Version von Astra erzeugt und nicht von einem öffentlich verfügbaren Modell. Das Unternehmen sagt, die gesamte Token-Nutzung, die nötig war, um die Lösungen zu finden, hätte zu Sol-API-Preisen ungefähr 2.000 US-Dollar gekostet. Das ist eine Schätzung des Anbieters, kein unabhängig geprüftes Maß für die Kosten der Reproduktion der Forschung.

Anschließend bereiteten Menschen die Argumente zusammen mit demselben Modell zu Manuskripten auf, sagte OpenAI. Das Modell formalisierte danach jedes Argument in einem Lean-Zertifikat. OpenAI veröffentlicht außerdem eine vom Modell erzeugte Nacherzählung des Denkprozesses des Systems für jede Lösung, auch wenn eine solche Nacherzählung nicht automatisch als vollständige oder treue Aufzeichnung der internen Berechnung des Modells gelten sollte.

Die Lean-Formalismen sind wichtig, weil sie eine maschinenprüfbare Darstellung der Beweise liefern. Sie belegen für sich genommen jedoch nicht, dass die zugrunde liegenden Behauptungen mathematisch bedeutsam, in jedem Detail neu oder im weiteren Forschungskontext korrekt eingeordnet sind. Diese Fragen müssen weiterhin von Spezialisten untersucht und mit der bestehenden Literatur verglichen werden.

Evidenz, Zuschreibung und Unsicherheit

Die verfügbare Evidenz für die Behauptungen stammt aus OpenAIs offizieller Ankündigung. Eine separate Meldung im Wire-Stil trägt dieselbe Überschrift, doch das bereitgestellte Material enthält weder unabhängige Berichterstattung noch den vollständigen Text eines Artikels Dritter. Daher stammen die stärksten Aussagen über Leistung, Kosten und Forschungswirkung des Modells aus Angaben von OpenAI.

OpenAI sagt, es übernehme die Verantwortung für die Korrektheit der vorbereiteten Manuskripte und formalisierten Beweise, während es die mathematischen Argumente selbst dem System zuschreibt. Diese Unterscheidung ist für eine KI-Forschungsankündigung ungewöhnlich explizit. Sie spiegelt einen wachsenden Streit darüber wider, wie Urheberschaft und Anerkennung verteilt werden sollten, wenn ein Modell ein Argument vorschlägt, Menschen es überarbeiten und formale Systeme Teile des Ergebnisses prüfen.

Das Unternehmen stellt die Ankündigung nicht als Ersatz für ein Peer-Review-Verfahren dar. Stattdessen fordert es Mathematiker auf, die Ergebnisse einzuordnen und die Ideen durch weitere Forschung weiterzuentwickeln. Bis dieser Prozess stattgefunden hat, sollte die Ankündigung als Bericht über potenziell bedeutende maschinell erzeugte Argumente gelesen werden, nicht als gesicherter Beleg dafür, dass Astra die Arbeit von Expertinnen und Experten in der Mathematik ersetzt hat.

OpenAI verknüpft die Arbeit außerdem mit ChatGPT for Academic Researchers, einer Initiative, die nach eigenen Angaben 100.000 Wissenschaftlern und Mathematikern kostenlosen Zugang zu den besten ChatGPT-Modellen bieten wird. Dieses Zugangsprogramm ist getrennt von den Astra-Ergebnissen, und die Ankündigung zeigt nicht, dass die berichteten Fortschritte mit den öffentlich verfügbaren Werkzeugen reproduziert werden können.

Was das für Forschungsteams und KI-Entwickler bedeutet

Für mathematische Forschende ist das praktisch relevanteste Signal die Kombination aus Generierung und formaler Verifikation. Ein Modell, das einen plausiblen Beweis vorschlagen kann, ihn aber nicht in einem System wie Lean ausdrücken kann, bleibt in großem Maßstab schwer zu vertrauen. Formalisierung schafft einen engeren Pfad zur Überprüfung der Korrektheit, auch wenn sie die Notwendigkeit menschlicher Einschätzung von Definitionen, Neuheit und Bedeutung nicht beseitigt.

Für KI-Entwickler weist die Ankündigung in Richtung Evaluationssuiten auf der Basis offener Forschungsprobleme statt klassischer Frage-Antwort-Benchmarks. OpenAI sagt, es habe Modelle während der Entwicklung an solchen Problemen evaluiert. Dieser Ansatz prüft, ob ein System mehrschrittiges Denken aufrechterhalten, nützliche Zwischenstrukturen identifizieren und Artefakte erzeugen kann, die andere Werkzeuge verifizieren können.

Auch die Ökonomie ist relevant. OpenAIs geschätzte Inferenzkosten von 2.000 US-Dollar für zehn Ergebnisse deuten darauf hin, dass der Einsatz von Modellen auf Forschungsniveau für gut finanzierte Teams machbar sein könnte, doch die Zahl lässt sich noch nicht verallgemeinern. Sie schließt den Wert der Begutachtung durch Expertinnen und Experten, die Erstellung von Manuskripten, die Formalisierungsarbeit und die Infrastruktur aus, die nötig ist, um die Ergebnisse zu reproduzieren oder zu erweitern. Unternehmenskunden sollten daher die reinen Modell- und Rechenkosten von den Gesamtkosten eines verlässlichen Forschungs-Workflows unterscheiden.

Für Gründer und Produktteams liegt die kurzfristige Chance wahrscheinlich eher in schmalen, werkzeugverbundenen Systemen als in allgemeinen automatisierten Mathematikern. Workflows, die Modelle mit Beweissystemen, Codeausführung, Literaturrecherche und Fachprüfung kombinieren, könnten verlässlicher sein als Systeme, die nur an flüssigen Erklärungen gemessen werden.

Worauf man als Nächstes achten sollte

Das erste Signal wird die externe Überprüfung der zehn Behauptungen sein, insbesondere der gemeldeten Widerlegung von Connes’ Starrheitsvermutung, der Konstruktion nicht-sofischer Gruppen und des Ergebnisses zur parallelen Wiederholung in Quantenspielen. Veröffentlichung, unabhängige formale Prüfungen und detaillierte Stellungnahmen von Spezialisten werden zeigen, ob die Argumente der Prüfung standhalten und wie viel tatsächlich neu ist.

Forschende sollten außerdem beobachten, ob die Lean-Zertifikate vollständig, zugänglich und für andere nutzbar sind, statt nur den polierten Manuskripten beizuliegen. Eine Reproduktion durch Teams ohne Zugang zu OpenAIs internem Astra-System würde einen stärkeren Test des praktischen Werts der Arbeit liefern.

Eine weitere Frage ist, ob ähnliche Ergebnisse aus öffentlich verfügbaren Modellen zu deutlich geringeren Kosten entstehen. Das würde darauf hindeuten, dass sich die Fähigkeit im gesamten Feld verbreitet, statt ein interner Vorteil eines einzelnen, noch nicht veröffentlichten Systems zu bleiben.

Creati.ai-Perspektive

OpenAIs Ankündigung ist bedeutsam, weil sie KI als Generatorin potenzieller mathematischer Forschung präsentiert und zugleich die Grenzen dieser Behauptung offenlegt. Der glaubwürdigste Teil des Workflows ist nicht die Nacherzählung des Modells oder die Breite der Liste, sondern der Versuch, jedes Argument in ein maschinenprüfbares Lean-Zertifikat zu überführen und die Verantwortung offen zu verteilen.

Die nächste Phase wird außerhalb von OpenAI entschieden. Wenn unabhängige Mathematiker die Ergebnisse validieren, vereinfachen und erweitern, könnte die Ankündigung einen bedeutsamen Wandel bei Forschungstools markieren. Sollten sich die Behauptungen hingegen als schwer reproduzierbar oder schwer einzuordnen erweisen, würde sie stattdessen zeigen, warum Modellausgaben, formale Verifikation und menschliches mathematisches Urteil als getrennte Ebenen desselben Prozesses bestehen bleiben müssen.