Am 6. Oktober 2026 hat OpenAI 722 Mathematik-Manuskripte auf GitHub gestellt. Sie stammen aus einem unveröffentlichten internen Frontier-Modell und decken Algebra, Zahlentheorie, Topologie, theoretische Informatik und mathematische Logik ab — alles innerhalb weniger Wochen erzeugt. Diese Größenordnung hatte die Forschungsgemeinschaft von einem KI-System noch nicht gesehen.
Um zu verstehen, warum das anders wirkt als eine Benchmark-Zahl, hilft der Blick aufs große Ganze. Es ist dasselbe Modell, das wenige Wochen zuvor beanspruchte, das Navier-Stokes-Millenniumpreis-Problem zu lösen — ein Ergebnis, das auf Astras Eintageserfolg mit zehn jahrzehntealten offenen Problemen im August folgte. Jeder dieser Momente warf eigene Fragen auf. Aber die Veröffentlichung vom 6. Oktober ist nicht nur größer, sie ist anders in der Art: OpenAI präsentiert 722 Manuskripte als tatsächliche Beiträge zur mathematischen Forschungsliteratur — keine Benchmark-Antworten, keine Wettbewerbsaufgabenlösungen.
Ich berichte seit der Astra-Veröffentlichung im August über OpenAIs Mathematik-Offensive, und dieser Schritt erfordert mehr Sorgfalt in der Einordnung als die früheren Meldungen. Im Folgenden schauen wir uns an, was die KI tatsächlich produziert hat, welche Ergebnisse herausstechen, wie die Verifizierung praktisch abläuft und was Mathematikerinnen und Mathematiker umtreibt.
Was hat OpenAIs KI tatsächlich erreicht?
OpenAI setzte ein unveröffentlichtes internes Frontier-Modell auf offene mathematische Forschungsprobleme an. Das Modell hat nicht einfach bei einem Wettbewerbstest gut abgeschnitten. Es hat mathematische Argumente in Manuskriptform erzeugt, auf GitHub eingereicht, begleitet von Lean-Formalisierungen der Beweise und Zusammenfassungen der Modellüberlegungen.
Hohe Scores in AMC- oder IMO-Benchmarks zeigen, dass eine KI raffiniert gestaltete Wettbewerbsaufgaben bewältigen kann. Manuskripte zu produzieren, die beanspruchen, langjährige offene Fragen in aktiven Forschungsfeldern zu lösen, ist etwas anderes. Die Outputs werden als potenzielle Beiträge zum mathematischen Wissen präsentiert. Ob sie der Prüfung standhalten, ist eine andere Frage — deren Beantwortung Zeit braucht.
Wie viele mathematische Ergebnisse hat OpenAI veröffentlicht?
In Berichten tauchen verschiedene Zahlen auf, die sich nicht widersprechen. Sie zählen Unterschiedliches.
Das Repository enthält 722 Manuskripte, organisiert in 372 Ergebnisfamilien. Eine Familie bündelt verwandte Arbeiten: ein Hauptergebnis mit Begleitargumenten, alternativen Beweisen oder Folgerungen. Daher führen 372 Familien zu 722 Manuskripten, weil viele Resultate mit unterstützendem Material kommen. Die Formulierung „Hunderte Ergebnisse“ ist grob richtig; 372 ist die präzisere Zahl für unterschiedliche mathematische Befunde.
Die README mahnt an, dass einige Resultate problematisch sein könnten, und OpenAI kündigt Korrekturen sowie fortlaufende Lean-Formalisierungen an. Behalte diesen Vorbehalt im Kopf, wenn Berichte die Zahlen endgültiger klingen lassen, als die Lage ist.
Auf welche Bereiche der Mathematik hat die KI gearbeitet?
Die Veröffentlichung umfasst rund 20 Teilgebiete der Mathematik. Hier eine grobe Landkarte — einige Felder sind einem technisch versierten, aber nicht-mathematischen Publikum weniger geläufig:
- Algebra und Gruppentheorie untersuchen Strukturen, die aus Operationen und ihren Symmetrien entstehen. Hier landen einige der meistdiskutierten Ergebnisse.
- Zahlentheorie behandelt Eigenschaften von ganzen Zahlen und Primzahlen. Die Riemannsche Zetafunktion, die die Verteilung der Primzahlen kodiert, taucht in mehreren Ergebnissen auf.
- Topologie untersucht Eigenschaften, die unter stetigen Deformationen erhalten bleiben. Die Hodge-Vermutung (mehr dazu unten) liegt an der Schnittstelle von Topologie und algebraischer Geometrie.
- Theoretische Informatik stellt Grundsatzfragen zur Berechnung: Was ist berechenbar, wie effizient, und welche Probleme entziehen sich effizienten Algorithmen? Das Modell von OpenAI produzierte allein in diesem Bereich über 80 Arbeiten.
- Mathematische Logik untersucht die formalen Grundlagen mathematischen Schlussfolgerns selbst.
Was sind die größten Ergebnisse?
Hier ist Vorsicht geboten. Es gibt einen deutlichen Unterschied zwischen einem von der KI erzeugten Ergebnis, einem von Lean geprüften Beweis, einem von einem Menschen verifizierten Beweis und einem Resultat, das die mathematische Gemeinschaft unabhängig als großen Fortschritt anerkennt. In der Veröffentlichung sind alle vier Kategorien vertreten.
Dennoch haben mehrere Ergebnisse echtes Interesse unabhängiger Mathematikerinnen und Mathematiker geweckt.
Riemannsche Zetafunktion: eine neue nullstellenfreie Region
Die Riemannsche Vermutung bleibt ungelöst. OpenAIs Modell hat sie nicht gelöst. Berichten zufolge wurde jedoch eine neue nullstellenfreie Region etabliert: Es zeigt, dass es für Re(s) > 11/12 keine Nullstellen gibt. Solche Teilresultate sind in der analytischen Zahlentheorie bedeutsam, weil nullstellenfreie Regionen die Primzahlverteilung einschränken. Der Text wurde für die Lesbarkeit menschlich redigiert — eine bemerkenswerte Ausnahme im Vergleich zum restlichen Manuskriptprozess. Eine unabhängige Nachprüfung des zugehörigen Quasi-Riemann-Ergebnisses hat die erste Sichtung bestanden.
Kaplanskys Direktfinitheitsvermutung in Charakteristik zwei
Irving Kaplansky vermutete vor Jahrzehnten, dass Gruppenringe eine bestimmte algebraische Eigenschaft namens Direktfinitheit besitzen. Der Fall der Charakteristik zwei galt als besonders hartnäckig. Das Modell hat ihn Berichten zufolge gelöst. Eine Lean-Formalisierung ist als verfügbar angegeben.
Isomorphie freier Gruppenfaktoren
Hier geht es um von-Neumann-Algebren — Strukturen der Funktionalanalysis, die bestimmte Symmetrien quantenmechanischer Systeme erfassen. Die Frage, ob freie Gruppenfaktoren alle isomorph sind, war jahrzehntelang offen. Das Modell beansprucht, eine Vermutung von de la Harpe und Voiculescu zu klären, indem es zeigt, dass von-Neumann-Algebren der Fundamentalgruppen geschlossener orientierbarer Flächen vom Geschlecht ≥ 2 freie Gruppenfaktoren sind. Eine unabhängige Nachprüfung wurde bestanden.
Matrixmultiplikationsexponent
Eines der praktisch relevanteren Ergebnisse: Das Modell stellt Berichten zufolge fest, dass ω ≤ 2,25 über den komplexen Zahlen gilt, wobei ω der Exponent der Matrixmultiplikation ist. Dieser Exponent bestimmt, wie effizient Computer Matrizen multiplizieren können — mit realen Auswirkungen auf Algorithmen in der gesamten Informatik. Wichtig für alle mit Finanz- oder Ingenieurhintergrund: Die Effizienz der Matrixmultiplikation liegt nahezu allen numerischen Berechnungen im großen Maßstab zugrunde.
Statistische Physik trifft Wahrscheinlichkeitstheorie: Es geht um die freie Energie ungeordneter magnetischer Systeme. Die Mézard–Parisi-Formel war vermutet, aber im verdünnten Fall nicht vollständig bewiesen.
Hodge-Vermutung für CM-abelsche Varietäten
Ein eingeschränkter Fall eines der sieben Millennium-Preisprobleme. Die Hodge-Vermutung fragt, ob bestimmte topologische Merkmale algebraischer Varietäten immer algebraisch darstellbar sind. Das Modell etabliert dies Berichten zufolge für CM-abelsche Varietäten — eine spezifische, strukturierte Klasse. Das ist nicht die volle Hodge-Vermutung, die offen bleibt, aber ein Spezialfall, auf den die Fachwelt hingearbeitet hat. Auch dieses Ergebnis wurde als Ausnahme vom Standard-Produktionsprozess markiert.
Das Ergebnis zur spontanen Magnetisierung beim quantenmechanischen Heisenberg-Ferromagneten und die quasipolynomiellen Schranken für arithmetische Progressionen haben ebenfalls Interesse geweckt, doch eine umfassende unabhängige Verifizierung wird beträchtliche Zeit beanspruchen.
Wie hat die KI von OpenAI die Ergebnisse erzeugt?
OpenAI hat mehr methodische Details veröffentlicht als bei einigen früheren Releases, auch wenn das Bild noch unvollständig ist.
Dem Modell wurden im Verlauf rund 4.000 Probleme vorgelegt. Die meisten Ergebnisse stammen aus einem festen Verfahren mit demselben internen Modell. Zwei Resultate wichen vom Standardprozess ab: die Arbeit zur nullstellenfreien Region der Riemannschen Zetafunktion und die Hodge-Vermutung für CM-abelsche Varietäten. Im Durchschnitt nutzte ein Ergebnis Rechenzeit ungefähr entsprechend drei Stunden ChatGPT-Pro-Denken. Das ist ein hilfreicher Referenzpunkt, heißt aber nicht, dass jedes Problem drei Stunden dauerte. Die Zahl beschreibt die durchschnittliche Rechenzeit pro Ergebnis, nicht die gesamte verstrichene Zeit oder die Kosten fehlgeschlagener Versuche.
Zum Kontext: Diese Methodik ist deutlich systematischer als bisher. Als Astra im August zehn offene Probleme löste, kostete jede Lösung dem Vernehmen nach rund 2.000 US-Dollar an Inferenz. Davor verschlang der Navier-Stokes-Sprint 10.000 parallele Agenten über 88 Stunden bei geschätzten 22,5 Millionen US-Dollar Gesamtrechenkosten — ein brachialer Ansatz, der sowohl ein Ergebnis als auch einen erheblichen Streit um die Urheberschaft erzeugte. Die Veröffentlichung vom 6. Oktober wirkt weniger wie ein Sprint und mehr wie ein kontinuierliches Forschungsprogramm: geringere Rechenzeit pro Ergebnis, breitere Abdeckung, eine gezielte Struktur um Familien verwandter Resultate.
OpenAI hat für 10 Ergebnisse Begründungszusammenfassungen veröffentlicht, dazu Rechenschätzungen und Statistiken zu versuchten Problemen. Die Advisory Group on Mathematics and Artificial Intelligence forderte, noch weiterzugehen und alle Prompts sowie vollständige Gedankenketten offenzulegen. Zwischen dem, was OpenAI bereitgestellt hat, und dem, was Teile der mathematischen Gemeinschaft sehen möchten, klafft eine Lücke.
Wie wurden die mathematischen Beweise von OpenAI verifiziert?
Die Verifizierung ist vermutlich der folgenreichste Teil der Geschichte. Es lohnt sich, die verschiedenen Ebenen genau zu unterscheiden.
Lean ist eine Programmiersprache und ein Beweisassistent, mit dem sich mathematische Beweise so ausdrücken lassen, dass ein Computer sie mechanisch prüfen kann. Wenn ein Beweis in Lean durchläuft, sind die logischen Schritte unter den angegebenen Annahmen formal korrekt. Viele der 722 Manuskripte haben begleitende Lean-Formalisierungen, aber nicht alle.
Was Lean-Verifizierung leistet, ist formale Korrektheit. Was sie nicht leistet: zu garantieren, dass die formale Aussage die beabsichtigte mathematische Frage korrekt abbildet, dass das Ergebnis wirklich neu ist oder dass die Argumentation für Mathematikerinnen und Mathematiker bedeutungsvoll ist, die darauf aufbauen wollen.
Menschliche mathematische Verifikation
Hier wird es langsam. Die Fachwelt muss klären, ob die formale Aussage tatsächlich das offene Problem trifft, das sie zu adressieren beansprucht, ob die Beweistechnik neu ist und ob das Ergebnis relativ zur Literatur originell ist. Dana Moshkovitz, Komplexitätstheoretikerin, beschrieb die Manuskripte als „wie von jemandem auf Psychedelika geschrieben“ und ohne KI-Hilfe schwer lesbar, räumte aber ein, dass viel daraus zu lernen sei. Technische Korrektheit bei gleichzeitig schwer zugänglicher Darstellung schafft echte Arbeit für menschliche Prüfer.
Peer Review und unabhängige Verifikation
Eine Veröffentlichung auf GitHub ist kein Peer Review. Der Beirat stellte klar, dass die Veröffentlichung „den Anfang, nicht den Abschluss des Prozesses menschlichen Verstehens und der Eingliederung der Arbeiten ins mathematische Wissen“ darstellt. Bei 722 Manuskripten in 20 Teilgebieten ist eine umfassende unabhängige Evaluation ein Projekt über Jahre.
Formale Korrektheit, mathematisches Verständnis, Neuartigkeit und wissenschaftliche Bedeutung sind separate Fragen. Ein Lean-verifizierter Beweis kann die erste erfüllen, ohne die anderen zu klären.
Wie viel der Mathematik stammt wirklich von der KI?
Darauf gibt es keine einfache Antwort.
Menschen wählten oder formulierten viele der dem Modell vorgelegten Probleme. Die bestehende mathematische Literatur lieferte den intellektuellen Kontext, in dem die KI arbeitete. Das Modell generierte die mathematischen Argumente. Forschende bereiteten Manuskripte mit auf, und Lean formalisierte die Beweise. „Wer hat die Mathematik gemacht?“ verteilt sich also über eine Kette von Beiträgen und lässt sich nicht einer Partei zuschreiben.
Manche Mathematikerinnen und Mathematiker äußern eine zugespitzte Sorge: Das Modell könnte mitunter bestehende, von Menschen begonnene Forschungslinien vollenden, statt unabhängig neuartige Ansätze zu entdecken. Das wurde nach der Navier-Stokes-Behauptung besonders virulent. Mathematiker Tristan Buckmaster, dessen eigene KI-gestützte Arbeit zu verwandten Gleichungen Stunden vor OpenAIs Ankündigung erschien, stellte ernsthafte Fragen zur Anerkennung. Er behauptete, ein Jahr unveröffentlichter Arbeit habe, ob bewusst oder nicht, die Richtung von OpenAIs Sprint geprägt; OpenAI wies den Zugriff auf private Prompts oder unveröffentlichte Forschung zurück. Der Streit ist ungelöst. Dieselbe Frage — auf wessen intellektueller Vorarbeit ein KI-Resultat aufbaut — stellt sich auch für die Oktober-Veröffentlichung, selbst wenn keine einzelne Person genannt ist.
Ökonom Joshua Gans hat dafür einen hilfreichen Rahmen vorgeschlagen: Mathematische Entdeckung hat drei Phasen. Problem wählen, Problem lösen, Ergebnis verstehen und anwenden. KI könnte zunehmend den mittleren Schritt automatisieren. Das verwischt nicht die Grenze zwischen menschlichem und maschinellem Beitrag, verschiebt aber den Aufwand.
Warum sind Mathematikerinnen und Mathematiker besorgt?
Die Bedenken sind nicht einheitlich. Die mathematische Gemeinschaft pauschal als KI-ablehnend zu beschreiben, wäre falsch. Darum geht es den ernstesten Kritikerinnen und Kritikern:
Verstehen könnte hinter Entdeckung zurückbleiben
Wenn ein Mensch einen Beweis erarbeitet, entstehen typischerweise Werkzeuge, Intuitionen und Einsichten, die Teil der mathematischen Kultur werden. Wenn ein Modell einen korrekten, aber opaken Beweis liefert, steht das Ergebnis ohne dieses umgebende Verständnis da. Terence Tao, der schon vor der Navier-Stokes-Ankündigung explizit vor den Opportunitätskosten warnte, produktive offene Probleme zu viralen Benchmark-Momenten zu machen, befürchtet, dass sich korrekte Antworten ohne Verständnis, wie oder warum sie wahr sind, anhäufen — und der Mathematik als Praxis langfristig schaden. Das ist nicht nur ein ästhetisches Problem.
Hunderte Ergebnisse sind schwer zu begutachten
Die Kapazität der Fachgemeinschaft für Peer Review ist begrenzt. Wenn eine KI schneller Forschung erzeugt, als die Gemeinschaft sie bewerten kann, entsteht ein Rückstau, der die Etablierung mathematischen Wissens verzerrt. Ein Kritiker nannte die Veröffentlichung „verdächtig Gish-Gallopy“ — eine Flut an Manuskripten, in der Fehler jahrelang unangefochten bleiben könnten. Dafür gibt es ein frisches Beispiel: Astras Zehn-Probleme-Release vom August ist Monate später noch nicht vollständig peer-reviewed. Das Zweiundsiebzigfache davon ist eine ganz andere Herausforderung.
Vorhandene menschliche Forschung und Anerkennung
Mehrere Ergebnisse bauen auf konkreter Vorarbeit namentlich genannter Forschender auf. Wie diese intellektuelle Schuld dargestellt wird, ist tatsächlich umstritten. Der Navier-Stokes-Fall machte das greifbar: Ein Forscher arbeitete ein Jahr an unveröffentlichten Ergebnissen, die möglicherweise einen millionenschweren KI-Sprint prägten — und musste Fragen zu seiner Karriere beantworten. Die Empfehlungen des Beirats adressierten aus genau diesem Grund Zitierverfahren.
Proprietäre Modelle schaffen ungleichen Zugang
Das Modell hinter den Ergebnissen ist nicht öffentlich zugänglich. Akademische Mathematikerinnen und Mathematiker haben nicht dieselben Werkzeuge wie OpenAIs interne Teams. Die Empfehlungen des Beirats vom 29. September forderten explizit, fortgeschrittene mathematische Probleme nicht auf proprietären, der Gemeinschaft unzugänglichen Modellen zu testen. OpenAI nahm die Empfehlung zur Kenntnis, ohne sie vollständig umzusetzen.
Mathematische Forschung könnte sich in KI-Labs konzentrieren
Wenn die Spitze mathematischer Entdeckungen Zugang zu Spitzen-Compute und proprietären Modellen erfordert, könnten Entscheidungen darüber, welche Probleme wichtig sind und welche Ergebnisse Aufmerksamkeit bekommen, zunehmend in wenigen privaten Organisationen fallen. Das wäre eine Struktur, die sich stark von der historischen Organisation der Mathematik unterscheidet.
Das sind von Mitgliedern der mathematischen Gemeinschaft geäußerte Bedenken, keine feststehenden Urteile — und sie werden nicht von allen gleich geteilt.
OpenAIs neuer Ansatz zur Veröffentlichung von KI-Mathematik
OpenAI hat Schritte unternommen, um auf die Bedenken der Gemeinschaft einzugehen — der Beirat fordert jedoch weiteres Nachlegen.
Die Veröffentlichung steht auf GitHub unter Apache-2.0-Lizenz mit Revisionsprotokollen. Bei Korrekturen bleiben frühere Versionen zugänglich. Jedes Manuskript enthält einen BibTeX-Block für Zitate. Viele Ergebnisse werden von Lean-Formalisierungen begleitet. OpenAI hat Begründungszusammenfassungen für 10 Resultate und Rechenschätzungen in „ChatGPT-Pro-Stunden“ veröffentlicht.
OpenAI hat sich für diese Veröffentlichung fortlaufend mit der Advisory Group on Mathematics and Artificial Intelligence am Institute for Advanced Study abgestimmt. Der Gruppe gehören Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) und andere an — neun prominente Mathematikerinnen und Mathematiker, die unabhängig und unentgeltlich agieren.
Ihr Standpunkt: Die Veröffentlichung ist ein Startpunkt. Melanie Wood nannte sie „den Anfang, nicht den Abschluss des Prozesses menschlichen Verstehens“. Die Gruppe forderte OpenAI auf, alle Prompts und vollständige Gedankenketten zu veröffentlichen, wissenschaftliche Repositorien mit dauerhaften zitierfähigen Identifikatoren statt GitHub zu nutzen und das Entstehen menschlichen Verständnisses über Institutionen zu fördern, die nicht von KI-Labs kontrolliert werden. OpenAI hat zugesagt, auf diese Standards hinzuarbeiten — sie sind noch nicht vollständig erreicht.
Was bedeutet KI für die Rolle von Mathematikerinnen und Mathematikern?
Die interessantere Frage ist nicht, ob KI Mathematiker ersetzt. Tut sie nicht — jedenfalls noch nicht und wohl auch nicht in den Bereichen, die am meisten zählen. Spannender ist, wie sich mathematische Arbeit verändert, wenn die Beweiserzeugung drastisch billiger wird.
Zurück zum Rahmen Wählen → Lösen → Verstehen: Wenn KI zunehmend den Schritt „Lösen“ übernimmt, steigt der Wert menschlicher Expertise an den Rändern. Entscheiden, welche Probleme sich lohnen, gute Vermutungen formulieren, Ergebnisse deuten, neue Befunde in bestehende Mathematik einordnen, Entdeckungen in neuen Kontexten anwenden. Das sind die Phasen, in denen menschliches Urteilsvermögen unverzichtbar bleibt. Wie ich in meinem Beitrag zu Astras August-Ergebnissen schrieb, ist die Fähigkeit, ein gutes Problem zu stellen und zu wissen, welches den Angriff lohnt, genau das, was KI derzeit nicht replizieren kann. Diese Beobachtung ist seither nur relevanter geworden.
Mathematiker Mehtaab Sawhney, der 2026 nach seiner Zeit an der Columbia University zu OpenAI kam, beobachtet, dass sich mit wachsendem Tempo der KI-Entdeckungen der Engpass für Menschen von der Beweiserzeugung hin zum Aufnehmen und Kontexualisieren KI-generierter Mathematik verschiebt.
Wenn Beweiserzeugung günstiger wird, verlagert sich die Knappheit. Das knappe Gut ist dann weniger die Fähigkeit, Dinge zu beweisen, sondern die Fähigkeit, die richtigen Dinge zu beweisen — und zu verstehen, warum ihre Lösungen wichtig sind.
Fazit
Die Veröffentlichung vom 6. Oktober ist am besten als der jüngste Schritt auf einer Entwicklungslinie zu verstehen, die das ganze Jahr über an Fahrt gewonnen hat. Im August löste Astra zehn jahrzehntealte Probleme an einem einzigen Tag. Im September produzierte ein 88-stündiger Sprint mit 10.000 Agenten eine umstrittene, aber Lean-verifizierte Behauptung zur Navier-Stokes-Millenniumpreis-Variante — samt ungelöstem Streit um Anerkennung, der echte Spannungen zwischen KI und unabhängiger Forschung offenlegte. Nun hat im Oktober dasselbe Frontier-Modell in wenigen Wochen 722 Manuskripte in 20 Teilgebieten erzeugt.
Einige dieser Ergebnisse — die nullstellenfreie Region zur Riemannschen Zeta, die Schranke für die Matrixmultiplikation, die Isomorphie freier Gruppenfaktoren — haben bereits ernsthafte Aufmerksamkeit von Expertinnen und Experten auf sich gezogen. Aber die Zahl der Manuskripte ist nicht die Geschichte. Entscheidend ist, ob einzelne Resultate Bestand haben, ob sie wirklich neu sind und ob die Gemeinschaft sie aufnehmen kann. Lean-Verifizierung sichert formale Korrektheit, nicht Verständnis. Veröffentlichung auf GitHub ist kein Peer Review. Bei 722 Manuskripten wird eine umfassende unabhängige Bewertung Jahre dauern.
Das Feld steht nun vor einer neuen Frage: nicht, ob KI schwierige Mathematikprobleme lösen kann, sondern was passiert, wenn sie Forschung schneller produziert, als Menschen sie evaluieren können. Wenn Beweiserzeugung günstig genug wird, um die Literatur zu fluten, verschiebt sich das knappe Gut vom Antwortenfinden zum Fragenstellen — und zum Verstehen, warum diese Antworten zählen. Das verändert, was Mathematik von Mathematikerinnen und Mathematikern verlangt. Nicht das Ende der Arbeit.
Am 6. Oktober 2026 hat OpenAI 722 Mathematik-Manuskripte auf GitHub gestellt. Sie stammen aus einem unveröffentlichten internen Frontier-Modell und decken Algebra, Zahlentheorie, Topologie, theoretische Informatik und mathematische Logik ab — alles innerhalb weniger Wochen erzeugt. Diese Größenordnung hatte die Forschungsgemeinschaft von einem KI-System noch nicht gesehen.
Um zu verstehen, warum das anders wirkt als eine Benchmark-Zahl, hilft der Blick aufs große Ganze. Es ist dasselbe Modell, das wenige Wochen zuvor beanspruchte, das Navier-Stokes-Millenniumpreis-Problem zu lösen — ein Ergebnis, das auf Astras Eintageserfolg mit zehn jahrzehntealten offenen Problemen im August folgte. Jeder dieser Momente warf eigene Fragen auf. Aber die Veröffentlichung vom 6. Oktober ist nicht nur größer, sie ist anders in der Art: OpenAI präsentiert 722 Manuskripte als tatsächliche Beiträge zur mathematischen Forschungsliteratur — keine Benchmark-Antworten, keine Wettbewerbsaufgabenlösungen.
Ich berichte seit der Astra-Veröffentlichung im August über OpenAIs Mathematik-Offensive, und dieser Schritt erfordert mehr Sorgfalt in der Einordnung als die früheren Meldungen. Im Folgenden schauen wir uns an, was die KI tatsächlich produziert hat, welche Ergebnisse herausstechen, wie die Verifizierung praktisch abläuft und was Mathematikerinnen und Mathematiker umtreibt.
Was hat OpenAIs KI tatsächlich erreicht?
OpenAI setzte ein unveröffentlichtes internes Frontier-Modell auf offene mathematische Forschungsprobleme an. Das Modell hat nicht einfach bei einem Wettbewerbstest gut abgeschnitten. Es hat mathematische Argumente in Manuskriptform erzeugt, auf GitHub eingereicht, begleitet von Lean-Formalisierungen der Beweise und Zusammenfassungen der Modellüberlegungen.
Hohe Scores in AMC- oder IMO-Benchmarks zeigen, dass eine KI raffiniert gestaltete Wettbewerbsaufgaben bewältigen kann. Manuskripte zu produzieren, die beanspruchen, langjährige offene Fragen in aktiven Forschungsfeldern zu lösen, ist etwas anderes. Die Outputs werden als potenzielle Beiträge zum mathematischen Wissen präsentiert. Ob sie der Prüfung standhalten, ist eine andere Frage — deren Beantwortung Zeit braucht.
Wie viele mathematische Ergebnisse hat OpenAI veröffentlicht?
In Berichten tauchen verschiedene Zahlen auf, die sich nicht widersprechen. Sie zählen Unterschiedliches.
Das Repository enthält 722 Manuskripte, organisiert in 372 Ergebnisfamilien. Eine Familie bündelt verwandte Arbeiten: ein Hauptergebnis mit Begleitargumenten, alternativen Beweisen oder Folgerungen. Daher führen 372 Familien zu 722 Manuskripten, weil viele Resultate mit unterstützendem Material kommen. Die Formulierung „Hunderte Ergebnisse“ ist grob richtig; 372 ist die präzisere Zahl für unterschiedliche mathematische Befunde.
Die README mahnt an, dass einige Resultate problematisch sein könnten, und OpenAI kündigt Korrekturen sowie fortlaufende Lean-Formalisierungen an. Behalte diesen Vorbehalt im Kopf, wenn Berichte die Zahlen endgültiger klingen lassen, als die Lage ist.
Auf welche Bereiche der Mathematik hat die KI gearbeitet?
Die Veröffentlichung umfasst rund 20 Teilgebiete der Mathematik. Hier eine grobe Landkarte — einige Felder sind einem technisch versierten, aber nicht-mathematischen Publikum weniger geläufig:
Was sind die größten Ergebnisse?
Hier ist Vorsicht geboten. Es gibt einen deutlichen Unterschied zwischen einem von der KI erzeugten Ergebnis, einem von Lean geprüften Beweis, einem von einem Menschen verifizierten Beweis und einem Resultat, das die mathematische Gemeinschaft unabhängig als großen Fortschritt anerkennt. In der Veröffentlichung sind alle vier Kategorien vertreten.
Dennoch haben mehrere Ergebnisse echtes Interesse unabhängiger Mathematikerinnen und Mathematiker geweckt.
Riemannsche Zetafunktion: eine neue nullstellenfreie Region
Die Riemannsche Vermutung bleibt ungelöst. OpenAIs Modell hat sie nicht gelöst. Berichten zufolge wurde jedoch eine neue nullstellenfreie Region etabliert: Es zeigt, dass es für Re(s) > 11/12 keine Nullstellen gibt. Solche Teilresultate sind in der analytischen Zahlentheorie bedeutsam, weil nullstellenfreie Regionen die Primzahlverteilung einschränken. Der Text wurde für die Lesbarkeit menschlich redigiert — eine bemerkenswerte Ausnahme im Vergleich zum restlichen Manuskriptprozess. Eine unabhängige Nachprüfung des zugehörigen Quasi-Riemann-Ergebnisses hat die erste Sichtung bestanden.
Kaplanskys Direktfinitheitsvermutung in Charakteristik zwei
Irving Kaplansky vermutete vor Jahrzehnten, dass Gruppenringe eine bestimmte algebraische Eigenschaft namens Direktfinitheit besitzen. Der Fall der Charakteristik zwei galt als besonders hartnäckig. Das Modell hat ihn Berichten zufolge gelöst. Eine Lean-Formalisierung ist als verfügbar angegeben.
Isomorphie freier Gruppenfaktoren
Hier geht es um von-Neumann-Algebren — Strukturen der Funktionalanalysis, die bestimmte Symmetrien quantenmechanischer Systeme erfassen. Die Frage, ob freie Gruppenfaktoren alle isomorph sind, war jahrzehntelang offen. Das Modell beansprucht, eine Vermutung von de la Harpe und Voiculescu zu klären, indem es zeigt, dass von-Neumann-Algebren der Fundamentalgruppen geschlossener orientierbarer Flächen vom Geschlecht ≥ 2 freie Gruppenfaktoren sind. Eine unabhängige Nachprüfung wurde bestanden.
Matrixmultiplikationsexponent
Eines der praktisch relevanteren Ergebnisse: Das Modell stellt Berichten zufolge fest, dass ω ≤ 2,25 über den komplexen Zahlen gilt, wobei ω der Exponent der Matrixmultiplikation ist. Dieser Exponent bestimmt, wie effizient Computer Matrizen multiplizieren können — mit realen Auswirkungen auf Algorithmen in der gesamten Informatik. Wichtig für alle mit Finanz- oder Ingenieurhintergrund: Die Effizienz der Matrixmultiplikation liegt nahezu allen numerischen Berechnungen im großen Maßstab zugrunde.
Mézard–Parisi-Formel für verdünnte Spingläser
Statistische Physik trifft Wahrscheinlichkeitstheorie: Es geht um die freie Energie ungeordneter magnetischer Systeme. Die Mézard–Parisi-Formel war vermutet, aber im verdünnten Fall nicht vollständig bewiesen.
Hodge-Vermutung für CM-abelsche Varietäten
Ein eingeschränkter Fall eines der sieben Millennium-Preisprobleme. Die Hodge-Vermutung fragt, ob bestimmte topologische Merkmale algebraischer Varietäten immer algebraisch darstellbar sind. Das Modell etabliert dies Berichten zufolge für CM-abelsche Varietäten — eine spezifische, strukturierte Klasse. Das ist nicht die volle Hodge-Vermutung, die offen bleibt, aber ein Spezialfall, auf den die Fachwelt hingearbeitet hat. Auch dieses Ergebnis wurde als Ausnahme vom Standard-Produktionsprozess markiert.
Das Ergebnis zur spontanen Magnetisierung beim quantenmechanischen Heisenberg-Ferromagneten und die quasipolynomiellen Schranken für arithmetische Progressionen haben ebenfalls Interesse geweckt, doch eine umfassende unabhängige Verifizierung wird beträchtliche Zeit beanspruchen.
Wie hat die KI von OpenAI die Ergebnisse erzeugt?
OpenAI hat mehr methodische Details veröffentlicht als bei einigen früheren Releases, auch wenn das Bild noch unvollständig ist.
Dem Modell wurden im Verlauf rund 4.000 Probleme vorgelegt. Die meisten Ergebnisse stammen aus einem festen Verfahren mit demselben internen Modell. Zwei Resultate wichen vom Standardprozess ab: die Arbeit zur nullstellenfreien Region der Riemannschen Zetafunktion und die Hodge-Vermutung für CM-abelsche Varietäten. Im Durchschnitt nutzte ein Ergebnis Rechenzeit ungefähr entsprechend drei Stunden ChatGPT-Pro-Denken. Das ist ein hilfreicher Referenzpunkt, heißt aber nicht, dass jedes Problem drei Stunden dauerte. Die Zahl beschreibt die durchschnittliche Rechenzeit pro Ergebnis, nicht die gesamte verstrichene Zeit oder die Kosten fehlgeschlagener Versuche.
Zum Kontext: Diese Methodik ist deutlich systematischer als bisher. Als Astra im August zehn offene Probleme löste, kostete jede Lösung dem Vernehmen nach rund 2.000 US-Dollar an Inferenz. Davor verschlang der Navier-Stokes-Sprint 10.000 parallele Agenten über 88 Stunden bei geschätzten 22,5 Millionen US-Dollar Gesamtrechenkosten — ein brachialer Ansatz, der sowohl ein Ergebnis als auch einen erheblichen Streit um die Urheberschaft erzeugte. Die Veröffentlichung vom 6. Oktober wirkt weniger wie ein Sprint und mehr wie ein kontinuierliches Forschungsprogramm: geringere Rechenzeit pro Ergebnis, breitere Abdeckung, eine gezielte Struktur um Familien verwandter Resultate.
OpenAI hat für 10 Ergebnisse Begründungszusammenfassungen veröffentlicht, dazu Rechenschätzungen und Statistiken zu versuchten Problemen. Die Advisory Group on Mathematics and Artificial Intelligence forderte, noch weiterzugehen und alle Prompts sowie vollständige Gedankenketten offenzulegen. Zwischen dem, was OpenAI bereitgestellt hat, und dem, was Teile der mathematischen Gemeinschaft sehen möchten, klafft eine Lücke.
Wie wurden die mathematischen Beweise von OpenAI verifiziert?
Die Verifizierung ist vermutlich der folgenreichste Teil der Geschichte. Es lohnt sich, die verschiedenen Ebenen genau zu unterscheiden.
Lean-Formalisierung
Lean ist eine Programmiersprache und ein Beweisassistent, mit dem sich mathematische Beweise so ausdrücken lassen, dass ein Computer sie mechanisch prüfen kann. Wenn ein Beweis in Lean durchläuft, sind die logischen Schritte unter den angegebenen Annahmen formal korrekt. Viele der 722 Manuskripte haben begleitende Lean-Formalisierungen, aber nicht alle.
Was Lean-Verifizierung leistet, ist formale Korrektheit. Was sie nicht leistet: zu garantieren, dass die formale Aussage die beabsichtigte mathematische Frage korrekt abbildet, dass das Ergebnis wirklich neu ist oder dass die Argumentation für Mathematikerinnen und Mathematiker bedeutungsvoll ist, die darauf aufbauen wollen.
Menschliche mathematische Verifikation
Hier wird es langsam. Die Fachwelt muss klären, ob die formale Aussage tatsächlich das offene Problem trifft, das sie zu adressieren beansprucht, ob die Beweistechnik neu ist und ob das Ergebnis relativ zur Literatur originell ist. Dana Moshkovitz, Komplexitätstheoretikerin, beschrieb die Manuskripte als „wie von jemandem auf Psychedelika geschrieben“ und ohne KI-Hilfe schwer lesbar, räumte aber ein, dass viel daraus zu lernen sei. Technische Korrektheit bei gleichzeitig schwer zugänglicher Darstellung schafft echte Arbeit für menschliche Prüfer.
Peer Review und unabhängige Verifikation
Eine Veröffentlichung auf GitHub ist kein Peer Review. Der Beirat stellte klar, dass die Veröffentlichung „den Anfang, nicht den Abschluss des Prozesses menschlichen Verstehens und der Eingliederung der Arbeiten ins mathematische Wissen“ darstellt. Bei 722 Manuskripten in 20 Teilgebieten ist eine umfassende unabhängige Evaluation ein Projekt über Jahre.
Formale Korrektheit, mathematisches Verständnis, Neuartigkeit und wissenschaftliche Bedeutung sind separate Fragen. Ein Lean-verifizierter Beweis kann die erste erfüllen, ohne die anderen zu klären.
Wie viel der Mathematik stammt wirklich von der KI?
Darauf gibt es keine einfache Antwort.
Menschen wählten oder formulierten viele der dem Modell vorgelegten Probleme. Die bestehende mathematische Literatur lieferte den intellektuellen Kontext, in dem die KI arbeitete. Das Modell generierte die mathematischen Argumente. Forschende bereiteten Manuskripte mit auf, und Lean formalisierte die Beweise. „Wer hat die Mathematik gemacht?“ verteilt sich also über eine Kette von Beiträgen und lässt sich nicht einer Partei zuschreiben.
Manche Mathematikerinnen und Mathematiker äußern eine zugespitzte Sorge: Das Modell könnte mitunter bestehende, von Menschen begonnene Forschungslinien vollenden, statt unabhängig neuartige Ansätze zu entdecken. Das wurde nach der Navier-Stokes-Behauptung besonders virulent. Mathematiker Tristan Buckmaster, dessen eigene KI-gestützte Arbeit zu verwandten Gleichungen Stunden vor OpenAIs Ankündigung erschien, stellte ernsthafte Fragen zur Anerkennung. Er behauptete, ein Jahr unveröffentlichter Arbeit habe, ob bewusst oder nicht, die Richtung von OpenAIs Sprint geprägt; OpenAI wies den Zugriff auf private Prompts oder unveröffentlichte Forschung zurück. Der Streit ist ungelöst. Dieselbe Frage — auf wessen intellektueller Vorarbeit ein KI-Resultat aufbaut — stellt sich auch für die Oktober-Veröffentlichung, selbst wenn keine einzelne Person genannt ist.
Ökonom Joshua Gans hat dafür einen hilfreichen Rahmen vorgeschlagen: Mathematische Entdeckung hat drei Phasen. Problem wählen, Problem lösen, Ergebnis verstehen und anwenden. KI könnte zunehmend den mittleren Schritt automatisieren. Das verwischt nicht die Grenze zwischen menschlichem und maschinellem Beitrag, verschiebt aber den Aufwand.
Warum sind Mathematikerinnen und Mathematiker besorgt?
Die Bedenken sind nicht einheitlich. Die mathematische Gemeinschaft pauschal als KI-ablehnend zu beschreiben, wäre falsch. Darum geht es den ernstesten Kritikerinnen und Kritikern:
Verstehen könnte hinter Entdeckung zurückbleiben
Wenn ein Mensch einen Beweis erarbeitet, entstehen typischerweise Werkzeuge, Intuitionen und Einsichten, die Teil der mathematischen Kultur werden. Wenn ein Modell einen korrekten, aber opaken Beweis liefert, steht das Ergebnis ohne dieses umgebende Verständnis da. Terence Tao, der schon vor der Navier-Stokes-Ankündigung explizit vor den Opportunitätskosten warnte, produktive offene Probleme zu viralen Benchmark-Momenten zu machen, befürchtet, dass sich korrekte Antworten ohne Verständnis, wie oder warum sie wahr sind, anhäufen — und der Mathematik als Praxis langfristig schaden. Das ist nicht nur ein ästhetisches Problem.
Hunderte Ergebnisse sind schwer zu begutachten
Die Kapazität der Fachgemeinschaft für Peer Review ist begrenzt. Wenn eine KI schneller Forschung erzeugt, als die Gemeinschaft sie bewerten kann, entsteht ein Rückstau, der die Etablierung mathematischen Wissens verzerrt. Ein Kritiker nannte die Veröffentlichung „verdächtig Gish-Gallopy“ — eine Flut an Manuskripten, in der Fehler jahrelang unangefochten bleiben könnten. Dafür gibt es ein frisches Beispiel: Astras Zehn-Probleme-Release vom August ist Monate später noch nicht vollständig peer-reviewed. Das Zweiundsiebzigfache davon ist eine ganz andere Herausforderung.
Vorhandene menschliche Forschung und Anerkennung
Mehrere Ergebnisse bauen auf konkreter Vorarbeit namentlich genannter Forschender auf. Wie diese intellektuelle Schuld dargestellt wird, ist tatsächlich umstritten. Der Navier-Stokes-Fall machte das greifbar: Ein Forscher arbeitete ein Jahr an unveröffentlichten Ergebnissen, die möglicherweise einen millionenschweren KI-Sprint prägten — und musste Fragen zu seiner Karriere beantworten. Die Empfehlungen des Beirats adressierten aus genau diesem Grund Zitierverfahren.
Proprietäre Modelle schaffen ungleichen Zugang
Das Modell hinter den Ergebnissen ist nicht öffentlich zugänglich. Akademische Mathematikerinnen und Mathematiker haben nicht dieselben Werkzeuge wie OpenAIs interne Teams. Die Empfehlungen des Beirats vom 29. September forderten explizit, fortgeschrittene mathematische Probleme nicht auf proprietären, der Gemeinschaft unzugänglichen Modellen zu testen. OpenAI nahm die Empfehlung zur Kenntnis, ohne sie vollständig umzusetzen.
Mathematische Forschung könnte sich in KI-Labs konzentrieren
Wenn die Spitze mathematischer Entdeckungen Zugang zu Spitzen-Compute und proprietären Modellen erfordert, könnten Entscheidungen darüber, welche Probleme wichtig sind und welche Ergebnisse Aufmerksamkeit bekommen, zunehmend in wenigen privaten Organisationen fallen. Das wäre eine Struktur, die sich stark von der historischen Organisation der Mathematik unterscheidet.
Das sind von Mitgliedern der mathematischen Gemeinschaft geäußerte Bedenken, keine feststehenden Urteile — und sie werden nicht von allen gleich geteilt.
OpenAIs neuer Ansatz zur Veröffentlichung von KI-Mathematik
OpenAI hat Schritte unternommen, um auf die Bedenken der Gemeinschaft einzugehen — der Beirat fordert jedoch weiteres Nachlegen.
Die Veröffentlichung steht auf GitHub unter Apache-2.0-Lizenz mit Revisionsprotokollen. Bei Korrekturen bleiben frühere Versionen zugänglich. Jedes Manuskript enthält einen BibTeX-Block für Zitate. Viele Ergebnisse werden von Lean-Formalisierungen begleitet. OpenAI hat Begründungszusammenfassungen für 10 Resultate und Rechenschätzungen in „ChatGPT-Pro-Stunden“ veröffentlicht.
OpenAI hat sich für diese Veröffentlichung fortlaufend mit der Advisory Group on Mathematics and Artificial Intelligence am Institute for Advanced Study abgestimmt. Der Gruppe gehören Melanie Matchett Wood (Harvard), Edward Witten (IAS), Ravi Vakil (Stanford), Ulrike Tillmann (Oxford) und andere an — neun prominente Mathematikerinnen und Mathematiker, die unabhängig und unentgeltlich agieren.
Ihr Standpunkt: Die Veröffentlichung ist ein Startpunkt. Melanie Wood nannte sie „den Anfang, nicht den Abschluss des Prozesses menschlichen Verstehens“. Die Gruppe forderte OpenAI auf, alle Prompts und vollständige Gedankenketten zu veröffentlichen, wissenschaftliche Repositorien mit dauerhaften zitierfähigen Identifikatoren statt GitHub zu nutzen und das Entstehen menschlichen Verständnisses über Institutionen zu fördern, die nicht von KI-Labs kontrolliert werden. OpenAI hat zugesagt, auf diese Standards hinzuarbeiten — sie sind noch nicht vollständig erreicht.
Was bedeutet KI für die Rolle von Mathematikerinnen und Mathematikern?
Die interessantere Frage ist nicht, ob KI Mathematiker ersetzt. Tut sie nicht — jedenfalls noch nicht und wohl auch nicht in den Bereichen, die am meisten zählen. Spannender ist, wie sich mathematische Arbeit verändert, wenn die Beweiserzeugung drastisch billiger wird.
Zurück zum Rahmen Wählen → Lösen → Verstehen: Wenn KI zunehmend den Schritt „Lösen“ übernimmt, steigt der Wert menschlicher Expertise an den Rändern. Entscheiden, welche Probleme sich lohnen, gute Vermutungen formulieren, Ergebnisse deuten, neue Befunde in bestehende Mathematik einordnen, Entdeckungen in neuen Kontexten anwenden. Das sind die Phasen, in denen menschliches Urteilsvermögen unverzichtbar bleibt. Wie ich in meinem Beitrag zu Astras August-Ergebnissen schrieb, ist die Fähigkeit, ein gutes Problem zu stellen und zu wissen, welches den Angriff lohnt, genau das, was KI derzeit nicht replizieren kann. Diese Beobachtung ist seither nur relevanter geworden.
Mathematiker Mehtaab Sawhney, der 2026 nach seiner Zeit an der Columbia University zu OpenAI kam, beobachtet, dass sich mit wachsendem Tempo der KI-Entdeckungen der Engpass für Menschen von der Beweiserzeugung hin zum Aufnehmen und Kontexualisieren KI-generierter Mathematik verschiebt.
Wenn Beweiserzeugung günstiger wird, verlagert sich die Knappheit. Das knappe Gut ist dann weniger die Fähigkeit, Dinge zu beweisen, sondern die Fähigkeit, die richtigen Dinge zu beweisen — und zu verstehen, warum ihre Lösungen wichtig sind.
Fazit
Die Veröffentlichung vom 6. Oktober ist am besten als der jüngste Schritt auf einer Entwicklungslinie zu verstehen, die das ganze Jahr über an Fahrt gewonnen hat. Im August löste Astra zehn jahrzehntealte Probleme an einem einzigen Tag. Im September produzierte ein 88-stündiger Sprint mit 10.000 Agenten eine umstrittene, aber Lean-verifizierte Behauptung zur Navier-Stokes-Millenniumpreis-Variante — samt ungelöstem Streit um Anerkennung, der echte Spannungen zwischen KI und unabhängiger Forschung offenlegte. Nun hat im Oktober dasselbe Frontier-Modell in wenigen Wochen 722 Manuskripte in 20 Teilgebieten erzeugt.
Einige dieser Ergebnisse — die nullstellenfreie Region zur Riemannschen Zeta, die Schranke für die Matrixmultiplikation, die Isomorphie freier Gruppenfaktoren — haben bereits ernsthafte Aufmerksamkeit von Expertinnen und Experten auf sich gezogen. Aber die Zahl der Manuskripte ist nicht die Geschichte. Entscheidend ist, ob einzelne Resultate Bestand haben, ob sie wirklich neu sind und ob die Gemeinschaft sie aufnehmen kann. Lean-Verifizierung sichert formale Korrektheit, nicht Verständnis. Veröffentlichung auf GitHub ist kein Peer Review. Bei 722 Manuskripten wird eine umfassende unabhängige Bewertung Jahre dauern.
Das Feld steht nun vor einer neuen Frage: nicht, ob KI schwierige Mathematikprobleme lösen kann, sondern was passiert, wenn sie Forschung schneller produziert, als Menschen sie evaluieren können. Wenn Beweiserzeugung günstig genug wird, um die Literatur zu fluten, verschiebt sich das knappe Gut vom Antwortenfinden zum Fragenstellen — und zum Verstehen, warum diese Antworten zählen. Das verändert, was Mathematik von Mathematikerinnen und Mathematikern verlangt. Nicht das Ende der Arbeit.