Wie GPT-5.6 Sol half, die 150 Jahre alte Maxwell-Vermutung zu widerlegen

Setze drei gleich große elektrische Ladungen an die Ecken eines gleichseitigen Dreiecks, und das entstehende Feld hat vier Gleichgewichtspunkte, an denen sich alle Kräfte aufheben: einen im Zentrum und drei knapp innerhalb der Seiten. Platziere nun zwei sehr kleine Ladungen knapp ober- und unterhalb dieses Zentrums. Der zentrale Gleichgewichtspunkt zerfällt in einundzwanzig, und die gesamte Konfiguration springt auf vierundzwanzig.

Diese Konstruktion erschien am 29. Juli auf arXiv als Gegenbeispiel zur Maxwell-Vermutung, einer Schranke für elektrostatische Gleichgewichtspunkte, die auf Maxwells Abhandlung von 1873 zurückgeht. Die Autor:innen gaben außerdem an, dass die Idee von einem Large Language Model stammt. Im Folgenden erkläre ich, was die Vermutung behauptete, wie das Gegenbeispiel funktioniert, was GPT-5.6 Sol getan hat – und was nicht – und warum gerade diese Offenlegung möglicherweise die interessantere Hälfte der Geschichte ist.

Die Kurzfassung: Wie die Maxwell-Vermutung fiel

Die Vermutung setzte eine Obergrenze für die Anzahl der Gleichgewichtspunkte im Feld von n Punktladungen: höchstens (n−1)^². Bei fünf Ladungen wären das 16. Philip Arathoon, Gavin Ball und Matthew Kvalheim konstruierten eine Fünf-Ladungen-Anordnung mit mindestens 24 Punkten – ein direktes Gegenbeispiel. GPT-5.6 Sol schlug die geometrische Idee vor; die drei Autoren führten die Analyse durch, ließen die Computeralgebra laufen und schrieben den Beweis.

Mit dieser Zusammenfassung im Gepäck schauen wir uns an, woher die Vermutung kam und warum sie so lange Bestand hatte.

Was war die Maxwell-Vermutung?

James Clerk Maxwell stellte die Frage in einem kurzen Abschnitt seiner Abhandlung von 1873 Treatise on Electricity and Magnetism: Wie viele Gleichgewichtspunkte kann ein System von Ladungen hervorbringen? Fast ein Jahrhundert lang blieb es bei dieser Randbemerkung, bis Marston Morse und Stewart Cairns 1969 dieselbe Frage aufwarfen – offenbar ohne zu wissen, dass Maxwell schon vorher dort gewesen war. Ein kleines Detail, das mir vielleicht mehr gefällt, als es sollte.

Die präzise Formulierung, über die heute alle streiten, kam 2007: Andrei Gabrielov, Dmitry Novikov und Boris Shapiro lasen Maxwells Passage genau und gossen sie in eine Vermutung: Sind alle Gleichgewichtspunkte des von n Ladungen erzeugten Potenzials nicht-degeneriert, so gibt es höchstens (n−1)^² davon. Das ist die einzige Formel, die du wirklich brauchst – wer bei Algebra nervös wird, hat das Schlimmste überstanden. Für zwei Ladungen gilt die Schranke trivial. Für drei weiß niemand, ob vier wirklich das Maximum ist, außer im Spezialfall, dass alle drei Ladungen gleich sind.

Um zu verstehen, warum diese Schranke wichtig ist, hilft es zu klären, was Gleichgewichtspunkte eigentlich sind.

Die Maxwell-Vermutung an einem einfachen Beispiel

Jede Ladung erzeugt ein Feld. Bringe mehrere Ladungen in einen Raum, überlagern sich ihre Felder und ziehen und stoßen an jedem Punkt im Raum in unterschiedliche Richtungen. An einigen Stellen heben sich die Kräfte genau auf – ein dort platziertes Testteilchen würde keine resultierende Kraft spüren. Das sind die Gleichgewichtspunkte, auch kritische Punkte des elektrostatischen Potenzials genannt.

Sie zu zählen ist keine Fleißaufgabe. Anzahl und Anordnung dieser Punkte begrenzen die Form des gesamten Feldes – so wie ebene Stellen in einem Gebirge bestimmen, wie dieses Gebirge überhaupt aussehen kann. Eine Schranke für die Anzahl ist also eine Aussage darüber, wie komplex ein elektrostatisches Feld werden darf. Darum hat eine Randbemerkung aus dem Jahr 1873 Mathematiker:innen eineinhalb Jahrhunderte beschäftigt.

Jetzt, da klar ist, was die Vermutung schützen sollte, gehen wir Schritt für Schritt durch, wie sie fiel.

Wie die Maxwell-Vermutung widerlegt wurde

Die Konstruktion lässt sich in vier Schritten beschreiben. Wenn du keine Hessematrizen sehen willst, spar dir die arXiv-Notiz – die Struktur des Arguments ist das Spannende:

• Platziere drei Einheitsladungen an den Ecken eines gleichseitigen Dreiecks. Dieses Feld hat vier Gleichgewichte: eines im Zentrum, drei entlang der Kanten nach innen verschoben.
• Füge zwei deutlich kleinere Ladungen auf der Symmetrieachse hinzu – eine leicht oberhalb der Ebene und eine leicht darunter –, sodass eine flache bipyramidale Dreiecksanordnung entsteht.
• Die drei Kanten-Gleichgewichte überstehen die Ergänzung. Das zentrale nicht. Es verzweigt sich in eine Familie von 21 Gleichgewichten, 10 mit einem und 11 mit dem anderen Morse-Index.
• Drei plus einundzwanzig ergibt mindestens 24 nicht-degenerierte kritische Punkte aus fünf Ladungen – bei einer prognostizierten Obergrenze von 16.

Die Ladungsstärken sind nicht beliebig. Die Autor:innen wählen einen spezifischen Wert, sodass der führende Term des Potenzials der kleinen Ladungen den entsprechenden Term des Dreiecks aufhebt – genau das legt die feinere Struktur frei, die zu den 21 Punkten führt. Außerdem gibt es einen Schritt, der beim ersten Lesen leicht untergeht: Das Argument schließt degenerierte kritische Punkte an anderer Stelle der Konfiguration zunächst nicht aus. Daher wenden die Autor:innen ein Transversalitätsargument auf leicht veränderte Ladungsstärken an und räumen solche Punkte aus.

Dann folgt der Teil, den die Schlagzeilen ausgelassen haben: Der Trick lässt sich iterieren. Füge ein weiteres Paar kleiner Ladungen hinzu, und du gewinnst 20 zusätzliche kritische Punkte für den Preis von 2 Ladungen. So entstehen Konfigurationen aus 3 + 2m Ladungen mit mindestens 4 + 20m Gleichgewichtspunkten. Das ergibt asymptotisch 10 kritische Punkte pro Ladung – gegenüber 25/7, wie Herbert Edelsbrunner, Christopher Fillmore und Gonçalo Oliveira Anfang dieses Jahres erreichten. Das Gegenbeispiel ist die Schlagzeile; das Verhältnis ist das Ergebnis, auf dem andere aufbauen werden.

Nachdem die Konstruktion klar ist, kommt das Ungewöhnliche: Wer – oder was – hatte die Idee eigentlich?

Welche Rolle spielte GPT-5.6 Sol?

Die Offenlegung steht in einem eigenen kurzen Abschnitt und beschreibt den Hergang erfrischend klar: "Die Idee hinter dieser Konstruktion wurde von einem LLM (OpenAI's GPT-5.6 Sol) vorgeschlagen." Die Autor:innen fügen hinzu, dass sie die Mathematik selbst überprüft und das Argument in eigenen Worten formuliert haben und dass Mathematica und Maple die Rechnungen und Abbildungen erledigten.

Das Modell lieferte also eine Strategie: Eine symmetrische Konfiguration mit kleinen, außeraxialen Ladungen stören und beobachten, wie ein degenerierter Punkt auseinanderbricht. Die Autor:innen machten daraus Taylorentwicklungen harmonischer Polynome, eine Einteilung von 21 kritischen Punkten nach Hesse-Signatur, drei Anwendungen des Satzes über implizite Funktionen und ein Transversalitätsargument. Eine Idee zu haben und einen Satz zu beweisen, sind verschiedene Tätigkeiten mit unterschiedlichen Fehlerprofilen. Eine Idee, die nicht trägt, kostet dich einen Nachmittag. Ein Beweis, der nicht trägt, kostet dich eine Rücknahme. Das Modell zeigte auf einen unwahrscheinlichen Fleck auf der Landkarte; drei Mathematiker bauten die Straße.

An dieser Einordnung sollte man jedoch rütteln. "Nur eine Idee" greift zu kurz. Jede:r kann vorschlagen, eine symmetrische Konfiguration zu stören. Hilfreich ist der Vorschlag, diese Störung – mit kleinen axialen Ladungen – auf dieser Grundkonfiguration vorzunehmen – in einem Problem, dessen Suchraum de facto unbegrenzt ist. Gespür dafür, was man ausprobiert, macht einen großen Teil von Forschung in der Mathematik aus. Dass der Vorschlag von einem Modell kam und nicht aus einem Jahrzehnt Fachintuition, ist der Kern der Geschichte.

Warum dieses Ergebnis zählt

Eine 150 Jahre alte mathematische Frage

Die Frage geht auf Maxwells Bemerkung von 1873 zurück – daher die „150 Jahre“ in jeder Schlagzeile. Genau genommen aber: Maxwell stellte eine Frage und machte eine Beobachtung. Er formulierte nicht die Vermutung, die nun gefallen ist.

Eine langjährige moderne Vermutung fällt

Als formale Aussage ist die Maxwell-Vermutung 19 Jahre alt und war die meiste Zeit über die Leitannahme des Feldes – das, was man zu beweisen versuchte, und das Ziel, dem sich jede verbesserte Schranke annäherte. Nun scheint sie falsch zu sein. Das Gegenbeispiel ist ein vierseitiger arXiv-Preprint, noch nicht peer-reviewed, und sein zentraler Schritt ist eine Hesse-Klassifikation, die per Computeralgebra geprüft wurde – die üblichen Vorbehalte gelten. Aber das Argument ist kurz, explizit und leicht von anderen nachzuprüfen.

Neue Fragen ersetzen die alten

Zu wissen, dass die Obergrenze nicht (n−1)^² ist, sagt uns nicht, was sie ist. Die iterierte Konstruktion der Autor:innen hebt die bekannte Untergrenze auf grob 10 kritische Punkte pro Ladung an – das ist ein Boden, keine Antwort. Und die drei Ladungen von vorhin? Ob sie je mehr als vier Gleichgewichte erzeugen können, ist weiterhin offen – erstaunlich, dass das im kleinsten interessanten Fall nach all der Zeit noch ungeklärt ist.

Die wachsende Rolle der KI in mathematischen Entdeckungen

Im vergangenen Jahr hat sich etwas verschoben. Zwischen Oktober 2025 und Anfang 2026 halfen KI-Tools, rund hundert Probleme aus der Erdős-Problem-Datenbank in die Spalte „gelöst“ zu verschieben, und Terence Tao führte eine laufende Seite zu diesen Beiträgen, bis sie Ende Juni 2026 nicht mehr aktualisiert wurde. Vieles davon war Literatursuche – das Modell findet den Aufsatz von 1974, der die Sache bereits geklärt hat. Einiges war es nicht. Eine Handvoll Lösungen waren originäre Argumente, die weitgehend vom Modell zusammengestellt wurden, und Tao hat mindestens eine davon als echten Meilenstein markiert.

Das Muster ist über diese Fälle hinweg konsistent und passt zu dem, was bei der Maxwell-Vermutung geschah. Modelle sind gut darin, Kandidaten vorzuschlagen, eine Literatur zu scannen, die niemand allein im Kopf behalten kann, und einen Konstruktionsraum über Nacht systematisch zu durchforsten. Die Verifikation bleibt bei Menschen und bei Beweisassistenten wie Lean. Wenn du zuerst das konzeptionelle Fundament dieser Systeme verstehen willst, bevor du dir eine Meinung bildest, ist unser AI Fundamentals track ein guter Startpunkt.

Kann KI irgendwann mathematische Beweise entdecken?

Das Generieren von Vermutungen ist schon Routine. Beweisassistenz ist so verbreitet, dass ihre Erwähnung kaum der Rede wert ist. Formales Theorembeweisen – ein Modell erzeugt ein vollständiges, maschinell geprüftes Argument für ein Forschungsproblem ohne menschlichen Eingriff – markiert derzeit die Grenze, mit Resultaten beiderseits dieser Linie, je nachdem, wie streng man „Forschungsniveau“ definiert.

Die Limitierung ist nicht offensichtlich Kreativität. Aktuelle Modelle halluzinieren weiterhin Quellen, verlieren bei langen Argumentationsketten den Faden und sind beim Generieren von Kandidaten deutlich stärker als beim Erkennen, welcher Kandidat richtig ist. Genau diese Asymmetrie macht die menschliche Verifikation tragend statt zeremoniell. Ein Modell, das seine eigenen Ergebnisse zuverlässig bewerten könnte, wäre eine andere Art System als das, was wir heute haben – und niemand kann derzeit sagen, wie weit wir davon entfernt sind.

GPT-5.6 Sol und die Zukunft der Wissenschaft

Die Mathematik ist ein ungewöhnlich sauberer Testfall, weil Beweise entweder richtig oder falsch sind. Doch dieselbe Dynamik – KI beschleunigt die Ideengenerierung, Menschen behalten die Verifikation – zeigt sich in vielen Disziplinen.

Das reicht weit über die Mathematik hinaus. Physik, Chemie, Materialwissenschaften und Ingenieurwesen teilen denselben Engpass: Hypothesengenerierung kostet viel menschliche Zeit, und die meisten Hypothesen scheitern. Eine Forscherin kann im Jahr nur eine Handvoll Kandidatenstrukturen oder -mechanismen ernsthaft verfolgen. Der Raum der Kandidaten ist viel größer.

Ideengenerierung könnte sich als die entscheidende Forschungskompetenz erweisen – gerade weil hier der menschliche Durchsatz am geringsten ist und die Kosten eines Fehlversuchs am kleinsten sind. Ein Modell, das einen riesigen Raum absucht und sagt: „Schau hier“, beschleunigt Entdeckungen, ohne besonders oft recht haben zu müssen. Genau das ist hier grob passiert.

Häufige Missverständnisse zu dieser Entdeckung

Bevor wir weitergehende Schlüsse ziehen, räumen wir ein paar Fehler in der Berichterstattung aus.

GPT-5.6 Sol hat den Satz nicht eigenständig bewiesen

Das Modell schlug die geometrische Konstruktion vor. Der Beweis – die Entwicklungen, die Hesse-Klassifikation, das Transversalitätsargument – stammt von den Autor:innen.

Menschliche Forschende prüften jeden Schritt

Mathematica und Maple prüften Rechnungen und erzeugten die Abbildungen. Die mathematische Verifikation lag bei den drei Autor:innen – das steht ausdrücklich im Paper.

Die Maxwell-Vermutung war nicht Maxwells formaler Satz

Maxwell machte 1873 eine Beobachtung. Gabrielov, Novikov und Shapiro formulierten 2007 die Vermutung auf Basis ihrer Lektüre dieser Passage.

Das mathematische Problem ist nicht vollständig gelöst

Setzt sich das Gegenbeispiel durch, wissen wir: (n−1)^² ist falsch. Wir kennen die richtige Schranke nicht, und der Drei-Ladungen-Fall ist weiterhin offen.

Fazit

Die Maxwell-Vermutung fiel durch Zusammenarbeit: eine KI-generierte geometrische Idee und drei Mathematiker, die daraus etwas Überprüfbares machten. Das Paper ist ungewöhnlich ehrlich darin, wer was beigetragen hat. Ein Offenlegungsabschnitt von drei Sätzen, der wahrscheinlich öfter zitiert wird als der Satz selbst.

Bemerkenswert ist weniger die Größe des Beitrags als seine Art. Ein Modell ohne eigenes Interesse an der Frage schlug eine Konstruktion vor, die die engagiertesten Fachleute in genau dieser Konfiguration nicht probiert hatten – und sie funktionierte. Die größere Frage, wie viele Gleichgewichte n Ladungen haben können, ist weiterhin offen – ebenso wie die Frage, wie Forschung aussieht, wenn Ideengenerierung nicht mehr die knappste Ressource ist. Wenn du verfolgen willst, wie diese Systeme praktisch eingesetzt werden – und nicht nur, wie sie vermarktet werden –, decken unsere AI courses das Feld von den Grundlagen bis zur Umsetzung ab.