Am 1. August 2026 veröffentlichte OpenAI auf seiner Website eine Ankündigung ohne Demos oder aufwendige Grafiken: Die interne Version von Astra – das Modell der nächsten Generation – hat zehn ungelöste Probleme der Mathematik und der theoretischen Informatik auf einen Schlag gelöst. Einige dieser Aufgaben standen seit Jahrzehnten offen und hatten Generationen von Mathematikern sowie Turing-Preisträgern getrotzt. Innerhalb von 24 Stunden entstanden auf Hacker News mehr als 600 Kommentare. Die überraschendste Zahl war jedoch der Preis: OpenAI bezifferte die gesamten Inferenzkosten für alle zehn Aufgaben auf rund 2.000 US-Dollar.
Was bedeuten 2.000 Dollar im Kontext der Forschung? Das ist weniger als das Monatsgehalt eines Promovierenden. Das bedeutet, dass die Kosten von Versuch und Irrtum in der Mathematik von „Personenjahren“ auf „US-Dollar“ schrumpfen. Allerdings handelt es sich dabei lediglich um die Inferenzkosten zu öffentlichen API-Preisen. Das immense Kapital für das vorherige Training des Modells ist darin ebenso wenig enthalten wie die Anzahl der Fehlversuche vor dem Durchbruch.
Abb.: Das von OpenAI veröffentlichte Titelbild zu den zehn mathematischen Fortschritten. Quelle: openai.com
Warum diese mathematischen Probleme so schwer sind
Ein Blick auf das Kaliber dieser Aufgaben verdeutlicht den Erfolg: Die zehn Probleme erstrecken sich über hochdimensionale Geometrie, Codierungstheorie, Gruppentheorie, Quantencomputing, Kryptographie und Graphentheorie. Drei Beispiele stechen heraus:
„Existieren nicht-sofische Gruppen?“ – Eine Kernfrage der Gruppentheorie, deren Existenz in der Fachwelt zwar vermutet wurde, die aber seit über zwanzig Jahren niemand konstruieren konnte. Die approximative Komplexität des „Shortest Vector Problem“ (SVP) – ein Thema, das die Kryptographie seit Jahrzehnten beschäftigt, da es direkt die Post-Quanten-Verschlüsselung betrifft. Die untere Schranke der „Mehrfarbigen Ramsey-Zahlen“ aus der Problem-Liste Nr. 183 des legendären Mathematikers Paul Erdős.
Warum sind diese Probleme so extrem schwierig? Ein mathematischer Beweis gleicht der Suche nach dem Ausgang in einem Labyrinth: Jeder Schritt erfordert eiserne Logik. Ein einziger Fehler macht die bisherige Arbeit zunichte. Anders als bei Schulprüfungen gibt es für offene Forschungsfragen keine Musterlösung – niemand weiß, wo der Ausgang liegt oder ob er überhaupt existiert. Menschliche Mathematiker sind auf Intuition, Erfahrung und Glück angewiesen und können immer nur einen Pfad gleichzeitig erkunden.
Erschwerend kommt hinzu: Solche Aufgaben scheitern meist an der Wahl der „ersten Richtung“. Ist der Ansatz falsch, hilft auch die präziseste Ausarbeitung nichts mehr. Wie viele falsche Richtungen über Generationen verworfen wurden, lässt sich kaum beziffern – hinter jeder von ihnen stecken jedoch reale Personenjahre.
Wie die KI das geschafft hat
Der Ansatz von OpenAI lässt sich in einem Satz zusammenfassen: Das Modell generiert Tausende von „Beweisentwürfen“, die anschließend maschinell Stück für Stück verifiziert werden.
Die Schlüsselrolle spielt dabei Lean. Lean ist ein Werkzeug zur formalen Verifizierung, das wie ein unbestechlicher Prüfer agiert: Wird ein Beweis in einem von Lean lesbaren Format eingereicht, prüft das System die Logik Zeile für Zeile. Richtig bleibt richtig, falsch bleibt falsch. Für Argumente, die den Lean-Test bestehen, erhält das Modell während des Trainings Belohnungen. So lernte die KI, „Beweise zu formulieren, die verifizierbar korrekt sind“. Dass die mathematischen Fähigkeiten von KIs in den letzten zwei Jahren sprunghaft angestiegen sind, ist primär diesem automatischen Korrektursystem zu verdanken. Die Mathematik gehört zu den wenigen Disziplinen, in denen Richtig und Falsch vollkommen objektiv bestimmt werden können.
Stellen Sie sich vor, 100.000 Klone betreten gleichzeitig ein Labyrinth: Die meisten prallen gegen Wände, nur wenige finden den Weg ins Freie. Der Prüfer akzeptiert ausschließlich die erfolgreichen Pfade. Während der Mensch Pfad für Pfad abläuft, kann die KI 10.000 Wege parallel testen – ein exponentieller Skalenvorteil.
Im konkreten Fall generierte die Astra-Version eine Vielzahl von Beweiskandidaten, aus denen Lean die gültigen herausfilterte. Anschließend strukturierten Forscher diese Logik in wissenschaftliche Arbeiten um, woraufhin das Modell jeden einzelnen Schritt zur maschinellen Überprüfung formalisierte. OpenAI veröffentlichte zudem Aufzeichnungen der modellinternen Gedankengänge. Alle zehn Probleme wurden gelöst – für insgesamt rund 2.000 Dollar an Token-Kosten.
Warum das auch für die Allgemeinheit von Bedeutung ist
Erstens hat die KI erstmals „neue Antworten geliefert, die nie zuvor von Menschen aufgeschrieben wurden“. Laut OpenAI gab es bei den Hauptresultaten dieser Probleme seit mindestens einem Jahrzehnt keinen wesentlichen Fortschritt mehr. Bisherige KI-Demonstrationen beschränkten sich meist auf Wettbewerbsaufgaben oder das Reproduzieren bekannter Theoreme.
Zweitens bildet die Mathematik das Fundament moderner Technologie. Das Shortest Vector Problem betrifft die Verschlüsselung im Quantenzeitalter; Kugelpackungen und Codierungstheorie steuern Kommunikation und Datenspeicher. Schreitet das mathematische Fundament voran, zieht die angewandte Technik über kurz oder lang nach.
Drittens hat sich die Kostenkurve verschoben. Der Mathematiker Terence Tao sprach dieses Jahr von „Big Math“: Der Mensch steuert die Kreativität bei, während die KI die rechenintensive Routinearbeit übernimmt. Ein Budget von 2.000 Dollar bedeutet, dass massives Ausprobieren, das früher Spitzeninstituten vorbehalten war, nun auch für einzelne Forscher erreichbar wird. Nach der Widerlegung der Erdős-Einheitsabstand-Vermutung durch OpenAI im Mai 2026 folgten mindestens fünf Arbeiten menschlicher Autoren auf diesem Weg – KI-Ergebnisse werden zum Startpunkt menschlicher Forschung.
Für die Allgemeinheit lautet die Botschaft: Die Fähigkeit der KI, neuartige Theoreme zu generieren, zeigt, dass sie sich weit über das bloße Wiederholen bekannter Trainingsdaten hinausentwickelt. Diese Fähigkeit wird nicht auf die Mathematik beschränkt bleiben, sondern in die Software- und Hardwareentwicklung einfließen – und schließlich in Geräten unseres Alltags landen.
Optimisten vs. Skeptiker: Wer hat die besseren Argumente?
In den Diskussionen auf Hacker News trafen zwei Lager unversöhnlich aufeinander.
| Position | Kernargumente |
|---|---|
| Optimisten | Die Ergebnisse sind real und vollständig überprüfbar. Durch die Lean-Formalisierung ist der Raum für Halluzinationen minimal. Würde ein Student auch nur zwei dieser Aufgaben lösen, gälte er als Kandidat für die Fields-Medaille. Dies ist die mathematische Entsprechung zu Deep Blues Sieg gegen Kasparow im Jahr 1997. |
| Skeptiker | Es könnte sich lediglich um brute-force-basierte Suche („riesiger Suchraum + automatische Validierung“) ohne echte neue Ideen handeln. OpenAI hat weder die Prompts noch die Fehlversuche offengelegt. Fortschritt folgt eher einer S-Kurve als einer Exponentialkurve – Forschung gleicht eher dem Bergsteigen als einem Raketenstart. Solche Ankündigungen sind von Marketinginteressen getrieben. 1976 stieß die Verifizierung des Vier-Farben-Problems per Computer auf Skepsis, veränderte das Fach jedoch langfristig nicht grundlegend. |
Beide Seiten bringen valide Punkte vor. Die treffendste Kritik der Skeptiker stammte von einem HN-Nutzer: Lean verifiziert lediglich, ob eine „formal korrekte Aussage“ vorliegt. Ob die Aussage selbst das zugrundeliegende Problem trifft, muss nach wie vor der Mensch beurteilen. Die Antwort der Optimisten fällt pragmatisch aus: Seit der Computerüberprüfung des Vier-Farben-Theorems gilt dieses als bewiesen – und in 50 Jahren konnte es niemand widerlegen.
Fazit
Die Reaktionen der Mathematikgemeinschaft schwanken zwischen zwei Extremen: Während einige in langen Essays von einer „dunklen Nacht der Mathematik“ sprechen, sehen andere darin den Beginn einer Demokratisierung der Wissenschaft. OpenAI zitierte überraschenderweise die Leidener Erklärung der Forschungsgemeinschaft, erkannte die Debatte an und entschied sich für die Veröffentlichung der Beweise, des Formalisierungscodes sowie der Gedankengänge des Modells.
Ob die KI Mathematiker ersetzen wird, bleibt vorerst dahingestellt. Drei Fakten stehen jedoch fest: Zehn Aufgaben wurden gelöst und per Lean verifiziert; die Kosten lagen im Bereich von 2.000 Dollar; und die Diskussion hat gerade erst begonnen. Der vernünftigste Ansatz besteht darin, die Gültigkeit von Beweisen den Maschinen und Peer-Reviews zu überlassen – und die Frage nach dem „echten Verständnis der KI“ der Zeit anzuvertrauen.
Referenzlinks:
- OpenAI: Ten advances in mathematics
- HN-Diskussion (item?id=49157930)
