Im Oktober 2026 sprach der Mathematiker Terence Tao am California Institute of Technology (Caltech) und formulierte eine kontraintuitive Warnung. Die moderne KI steuert die mathematische Forschung in ein beispielloses Paradox: Eine fast ein Jahrhundert währende Ära der „Beweisknappheit“ schlägt rasant in ein Zeitalter des „Beweisüberflusses“ um.
Im vergangenen Jahrhundert ruhte das Fundament der Mathematik auf einer einzigen Prämisse: Strenge Beweise sind extrem schwer zu erlangen. Die KI hebt diese Grundannahme aus den Angeln. Das Lösen von Problemen war stets der Maßstab für wissenschaftlichen Fortschritt; heute droht die Reduktion der Forschung auf bloßes Benchmark-Lösen die gesamte Disziplin von innen heraus auszuhöhlen.
22 Millionen Theoreme in einem Jahr: Problemlösung ist kein knappes Gut mehr
Die traditionelle Mathematik war vollständig um die Knappheit von Beweisen herum aufgebaut. Im vergangenen Jahrhundert erforderte die Lösung einer offenen Vermutung oft jahrelange akribische Arbeit führender Spezialisten. Berufungsverfahren, Journal-Veröffentlichungen und akademische Reputationsmechanismen kreisten ausnahmslos um diesen Mangel.
Dieses Gleichgewicht von Angebot und Nachfrage wird durch schiere Rechenleistung umgeschrieben. Tao präsentierte auf der Bühne handfeste empirische Daten. Zwischen 2024 und 2025 entschied das Equational Theories Project durch Mensch-Maschine-Kollaboration den Wahrheitswert von mehr als 22 Millionen Aussagen in der universellen Algebra.
Abbildung: Das Equational Theories Project entschied mehr als 22 Millionen Implikationen im Crowdsourcing-Verfahren. Quelle: Terence Taos Vortragsfolien zu „Math 2.0“.
Ähnlich rasante Durchbrüche vollziehen sich in weiteren Teilgebieten. Im Rahmen der Inverse Galois Problem Challenge im Jahr 2026 berechnete ein kollaboratives Team innerhalb kürzester Zeit für alle 25.000 transitiven Galois-Gruppen vom Grad 24 jeweils ein Polynom, bevor das Projekt sein Ziel auf den Grad 31 ausweitete.
Dieser Durchsatz sprengt die traditionellen Zeitpläne manueller Herleitungen. Durch den massiven Einsatz von Rechenleistung wandelt sich die mathematische Forschung von der handwerklichen Obduktion einzelner Theoreme zu einer datengestützten Volkszählung.
Objektiv verifizierbar und experimentfrei: Reine Mathematik als idealer Truppenübungsplatz für KI
Warum bevorzugen führende KI-Labore die reine Mathematik gegenüber der Biologie oder den Sozialwissenschaften? Die eigentliche Ursache liegt in zwei seltenen ingenieurtechnischen Eigenschaften der reinen Mathematik.
Die erste Eigenschaft ist die objektive Verifizierbarkeit. Mathematiker mögen leidenschaftlich darüber streiten, welche Vermutung bedeutsamer ist, doch über die Korrektheit einer fertigen Herleitung herrscht unerschütterlicher Konsens. Mithilfe interaktiver Theorembeweiser wie Lean können Computer logische Schlussfolgerungen mechanisch auf Codeebene überprüfen.
Die zweite Eigenschaft ist die vollständige digitale Abgeschlossenheit. Mathematische Beweise benötigen keine physischen Träger, keine verrauschten Datenströme aus der realen Welt und keine Laborexperimente zur Validierung. Mit Papier, Bleistift, formalisierten Mathematik-Bibliotheken und dem bereits digitalisierten Fachschrifttum kann maschinelles Lernen in einem geschlossenen Kreislauf unbegrenzt trainieren.
Nur wenige Disziplinen vereinen all diese Faktoren. Führende KI-Labore stellen mathematische Fähigkeiten daher vor viele praktische Anwendungen – lassen sich Wettbewerbsergebnisse doch maschinell verifizieren und eignen sich hervorragend für Pressemitteilungen.
Das Schlussfolgern der Modelle folgt jedoch einem stark gezackten Profil. Bei ausreichender Rechenleistung knacken Modelle Wettbewerbsaufgaben ohne jede Hilfe von Experten; bei praxisnahen Aufgaben, die komplexe Interaktion und echte Weltwahrnehmung erfordern, geraten sie nach wie vor ins Stocken.
Der Eindruck in den sozialen Medien ist ein anderer: Man sieht stets nur die erfolgreich gelösten Aufgaben. Tao mahnte, dass die allermeisten Probleme an der Frontlinie der Mathematik nach wie vor ungelöst sind – ganz gleich, wie viel Rechenleistung investiert wird. Der Raum mathematischer Fragestellungen ist unendlich, seine Komplexität nach oben offen. Plattformen wie First Proof wurden eigens dafür geschaffen: Sie verlangen die lückenlose Offenlegung von Ressourcenaufwand und Fehlversuchen.
Das Ziel vorzeitig erreicht: Wer den Leuchtturm automatisiert ansteuert, zerstört die Umgebung
In der reinen Mathematik ist ein offenes Problem nicht bloß ein verschlossenes Schloss, das es zu knacken gilt. Tao wählte eine treffende Metapher: Offene Probleme sind Leuchttürme auf unbekannter See.
Der wahre Wert eines Leuchtturms besteht darin, die umliegenden Seewege zu erhellen. Die beschwerliche Reise dorthin ist oft ungleich wertvoller als die bloße Ankunft: Erfolge, Fehlschläge und halb vollendete Routen hinterlassen bleibende Erkenntnisse.
Abbildung: Die Evolution der Forschungsfronten zwischen Math 1.0 und Math 2.0. Quelle: Terence Taos Vortragsfolien zu „Math 2.0“.
Wer automatisierte Werkzeuge nutzt, um direkt auf dem Leuchtturm zu landen, nimmt niemandem mehr den Weg dazwischen ab. Theorien, Werkzeuge und Intuitionen, die sonst auf der mühsamen Suche herangereift wären, verlieren ihre Existenzberechtigung. Problemlösung und tiefes Verstehen werden dauerhaft voneinander getrennt.
Eine klinisch erprobte Krebstherapie ohne bekannten Wirkmechanismus: Wer wagt die Injektion?
Historisch war das Lösen von Problemen lediglich ein Stellvertreterindikator für echtes Verstehen. In Zeiten der Beweisknappheit ging die Überwindung großer Vermutungen stets mit der Entstehung monumentaler Theorien einher. Im Zeitalter des Beweisüberflusses entkoppelt die Brute-Force-Suche den Indikator vom eigentlichen Kernziel.
Tao formulierte in seinem Vortrag ein prägnantes Gedankenexperiment: Angenommen, ein Spitzenlabor trainiert ein KI-Modell mit einem klaren Auftrag: Es soll eine fehlerfreie Wirkstoffformel liefern, die Phase-III-Studien gegen Krebs garantiert besteht.
Nach dem Einsatz gewaltiger Rechenkapazitäten liefert das Modell eine unbekannte chemische Zusammensetzung, begleitet von formalen, mathematisch verifizierten Beweisen. In realen klinischen Tests besteht die Rezeptur tatsächlich alle Hürden. Dennoch versteht kein einziger Wissenschaftler die zugrunde liegenden molekularen Mechanismen.
Würde man selbst mit Krebs im Frühstadium diagnostiziert und die Maschine empfiehlt genau diese Therapie: Würde man nicht verlangen, dass zumindest ein Mensch – und sei es nur in Teilen – begreift, warum und wie sie wirkt, bevor die Flüssigkeit in die Venen fließt?
Die Verifikationsmechanismen der reinen Mathematik strahlen letztlich in die reale Welt aus. Wenn Forscher sich daran gewöhnen, das Denken vor Black-Box-Antworten aufzugeben, wird das Sicherheitsfundament der angewandten Wissenschaften schleichend untergraben.
Terence Taos Rezept: Rechenleistung vom Abarbeiten hin zum menschlichen Verstehen umlenken
Angesichts dieser maschinengetriebenen Überflusskrise plädiert Tao für einen bewussten Übergang zu „Math 2.0“. Der Kern besteht darin, den Schwerpunkt der Werkzeuge vom einseitigen Lösen von Aufgaben auf die Stärkung des menschlichen Verstehens zu verlagern.
Ein zentraler Ansatz sind sogenannte „Open Exposition Problems“: Für Resultate, deren formale Beweise zwar vorliegen, aber unzugänglich und undurchsichtig bleiben, intuitive und gut motivierte Erklärungen zu finden. Das neu konzipierte Mathathon am Caltech ist ein erster Schritt in diese Richtung.
Forschungsnetzwerke und Codebasen wachsen parallel. Das Netzwerk für explizite Methoden in der analytischen Zahlentheorie verknüpft verstreute Publikationen zu Wissensgraphen, während formalisierte Bibliotheken wie Mathlib standardisierte Fundamente für die algorithmische Verifikation bereitstellen.
Zudem nutzen Forscher Rechenleistung für Ablationsexperimente an Theoremen: Sie entfernen gezielt Kernprämissen, um zu prüfen, ob Aussagen stabil bleiben, oder lockern Bedingungen, um umliegende mathematische Räume zu kartieren.
Solche Ansätze setzen Rechenleistung ein, um neue Methoden zu destillieren und dem Menschen die Orientierung auf der Landkarte des Wissens zu erleichtern.
Für Tao liegt der größte Engpass auf dem Weg zu Math 2.0 weder in der Rechenleistung noch in institutioneller Trägheit – sondern schlicht in der menschlichen Vorstellungskraft.
Weiterführende Links:
- Terence Tao: Vorlesungsunterlagen und Folien zu „Math 2.0“ am Caltech
- First Proof Plattform für formale Mathematik-Benchmarks (1stproof.org)
- Equational Theories Project Archiv des kollaborativen Forschungsprojekts
- Inverse Galois Problem Challenge (IGP24) Kollaborationsdokumentation
