Das 80 Jahre alte Rätsel, das eine KI löste - und warum Mathematiker trotzdem nicht arbeitslos werden

Es war eine jener Fragen, die so einfach klingen, dass man sich wundert, warum sie die klügsten Köpfe fast ein Jahrhundert lang beschäftigte: Wie viele Punkte kann man auf einem Blatt Papier so anordnen, dass möglichst viele Paare davon genau eine Einheit voneinander entfernt sind? 1946 stellte der exzentrische ungarische Mathematiker Paul Erdős dieses „Planar Unit Distance Problem“ und behauptete, die maximale Anzahl solcher Einheitsabstände würde etwas schneller wachsen als die reine Anzahl der Punkte. Fast 80 Jahre später hat kein Mensch, sondern eine Maschine die bislang präziseste Antwort geliefert - und das, ohne speziell dafür trainiert worden zu sein.

„Dieser Beweis ist ein wichtiger Meilenstein für die Mathematik- und KI-Community. Es ist das erste Mal, dass ein prominentes offenes Problem, das zentral für ein Teilgebiet der Mathematik ist, autonom von einer KI gelöst wurde“, schrieben Vertreter von OpenAI in einem Blogpost.

Die Ankündigung des KI-Labors elektrisierte die Fachwelt. Ein internes, allgemeines Argumentationsmodell - kein spezialisierter Mathematik-Algorithmus - hatte eine Menge von Punktanordnungen gefunden, die die von Erdős gesetzte Grenze durchbrach. Der Prompt, der dem Modell vorgelegt wurde, ist im begleitenden Forschungspapier einsehbar. Das Bemerkenswerte daran: Die KI nutzte einen völlig neuartigen Ansatz, um eine etablierte Arbeitstheorie zu ersetzen, die üblicherweise mit dem Problem assoziiert wird. Konzepte, die algebraischen Zahlentheoretikern wohlbekannt sind, wurden plötzlich auf eine geometrische Frage angewandt - eine Verbindung, die selbst erfahrene Mathematiker überraschte.

Der Schock der Autonomie und die Rolle des Menschen

Die erste Reaktion auf solche Nachrichten folgt oft einem reflexhaften Skript: Werden menschliche Mathematiker nun überflüssig? OpenAI selbst trat dieser Interpretation proaktiv entgegen. Man betonte, die Technologie solle die Arbeit von Mathematikern verbessern, nicht ersetzen. Ein Blick auf den Validierungsprozess zeigt, wie berechtigt diese Klarstellung ist. Denn so beeindruckend der maschinelle Wurf auch war - er war nicht das Ende der Geschichte, sondern ihr Anfang.

Externe Mathematiker wurden hinzugezogen, um die Ergebnisse zu prüfen und zu bestätigen. Sie verfassten ein Begleitpapier, um den Kontext zu erklären, in dem die KI zu ihrer Schlussfolgerung gelangte. Thomas Bloom, Mathematiker an der University of Manchester und Betreuer der Webseite zu Erdős’ Problemen, brachte das Zusammenspiel auf den Punkt: „Während der ursprüngliche, von der KI produzierte Beweis vollkommen gültig war, wurde er von den menschlichen Forschern bei OpenAI und den vielen anderen am vorliegenden Papier beteiligten Mathematikern erheblich verbessert. Der Mensch spielt weiterhin eine entscheidende Rolle bei der Diskussion, dem Verdauen und der Verbesserung dieses Beweises und der Erforschung seiner Konsequenzen.“

Die KI lieferte also den rohen Diamanten - ein gültiges, aber noch nicht geschliffenes Argument. Die Brillanz, die nötig war, um diesen Beweis in eine Form zu bringen, die für die mathematische Gemeinschaft verdaulich und anschlussfähig ist, war eine zutiefst menschliche Leistung. Es ging nicht nur um die binäre Frage „richtig oder falsch?“, sondern um Bedeutung, Einordnung und Ästhetik. Tim Gowers, Professor an der University of Cambridge und Träger der Fields-Medaille, formulierte seine Anerkennung in einem Satz, der die Tragweite unterstreicht: „Es besteht kein Zweifel, dass die Lösung des Unit-Distance-Problems ein Meilenstein in der KI-Mathematik ist: Hätte ein Mensch das Papier geschrieben und beim Annals of Mathematics eingereicht, und wäre ich um eine schnelle Meinung gebeten worden, hätte ich ohne Zögern die Annahme empfohlen. Kein zuvor von einer KI generierter Beweis kam dem auch nur nahe.“

Das FOMO-Phänomen in der Wissenschaft

Dieser Triumph der KI fällt in eine Zeit, in der die wissenschaftliche Gemeinschaft von einem tiefen Unbehagen geprägt ist. Eine aktuelle Umfrage des Magazins Nature unter mehr als 1.900 Forschenden offenbarte einen scheinbaren Widerspruch: Fast die Hälfte der Befragten steht KI-Tools negativ gegenüber, und 63 Prozent sind der Meinung, dass die Risiken von Large Language Models (LLMs) bei der Analyse von Daten und wissenschaftlicher Literatur deren Nutzen überwiegen. Dennoch gaben fast 60 Prozent an, sie würden den Anschluss verlieren, wenn sie keine KI in ihrer Arbeit einsetzen würden.

Diese Angst, etwas zu verpassen - im Tech-Jargon „FOMO“ genannt - erzeugt einen immensen Druck. „Wenn man im Rennen bleiben will, hat man keine andere Wahl, als einige Tools - insbesondere LLMs - zu nutzen, um mit anderen Schritt zu halten, die sie bereits verwenden“, wird Alexander Gibson, Doktorand an der Queensland University of Technology in Brisbane, zitiert. Die Parallele zur Mathematik ist frappierend. Während ein KI-Modell einen historischen Beweis führt, hadert die breite Masse der Forschenden mit der Frage, ob sie der Technologie trauen soll, und greift doch aus strategischer Notwendigkeit zu ihr. Die Lösung des Erdős-Problems wirkt in diesem Klima wie ein Leuchtturm, der die Möglichkeiten zeigt, aber auch die Schatten der Abhängigkeit länger werden lässt.

Jenseits der reinen Mathematik: Muster in der Medizin

Die Fähigkeit von KI, subtile Muster in komplexen Daten zu erkennen, die dem menschlichen Auge verborgen bleiben, beschränkt sich nicht auf geometrische Abstraktionen. Ein Forschungsteam der University of Delaware hat einen maschinellen Lernalgorithmus entwickelt, der frühe Anzeichen von Epilepsie in EEG-Daten aufspürt - und das, ohne dass ein aktiver Anfall stattfinden muss. Die Herausforderung ist immens: Eine klinische Routine-EEG-Sitzung liefert nur eine etwa 20-minütige Momentaufnahme der Gehirnaktivität. Tritt in diesem engen Zeitfenster kein Anfall auf, ist die manuelle Diagnose extrem schwierig.

Der Algorithmus umgeht dieses Problem, indem er die Grundlinienaktivität des Gehirns wie eine unbekannte Sprache behandelt. Er identifiziert häufig wiederkehrende elektrische Muster und lernt deren strukturelle Bedeutung im Kontext - er erstellt ein maßgeschneidertes „Wörterbuch“ der Wellenformen. In einer Machbarkeitsstudie mit Mäusen, von denen einige eine Epilepsie-verursachende Variation des TSC1-Gens trugen, analysierte die KI mehrtägige EEG-Aufzeichnungen. Obwohl die analysierten Segmente keinerlei Anfallsaktivität enthielten, gelang es dem Algorithmus mit hoher Genauigkeit, die genetische Mutation allein anhand der Basis-Gehirnströme zu identifizieren.

„Diese Ergebnisse zeigen, dass EEG-Muster messbare Signale neurologischer Unterschiede enthalten, selbst ohne sichtbare Anfälle“, erklärte Amanda Hernan, eine der leitenden Forscherinnen. Das Ziel ist nun, diese Methode in die Klinik zu übertragen, um kürzere EEG-Aufzeichnungen von Kindern zu analysieren, die auf Epilepsie untersucht werden. Die Hoffnung: Biomarker zu finden, die zugrundeliegende Veränderungen der elektrischen Hirnaktivität anzeigen, bevor der erste Anfall überhaupt auftritt. Dies könnte die quälende Ungewissheit für Familien drastisch reduzieren und den Weg für eine frühzeitige, präzise Behandlung ebnen.

Die neue Arbeitsteilung

Die Beispiele aus Mathematik und Medizin zeichnen ein kohärentes Bild der neuen Arbeitsteilung zwischen Mensch und Maschine. Die KI agiert als ein Instrument der radikalen Mustererkennung. Sie durchforstet Räume, die für den menschlichen Geist zu groß, zu verrauscht oder durch Konventionen zu sehr verstellt sind. Im Fall des Unit-Distance-Problems fand sie eine unerwartete Brücke zwischen algebraischer Zahlentheorie und Geometrie. Im Fall der Epilepsie-Diagnostik entdeckte sie eine verborgene Grammatik in den elektrischen Flüstern des Gehirns.

Doch die Übersetzung dieser Entdeckungen in menschliches Wissen, in verlässliche medizinische Protokolle oder in elegante, kommunizierbare Beweise bleibt eine Domäne, die Urteilsvermögen, Kontextverständnis und ethische Abwägung erfordert. Der Mathematiker Thomas Bloom und sein Team haben den KI-Beweis nicht nur verifiziert, sondern verbessert und in den größeren Fluss der mathematischen Forschung eingebettet. Die Forscher in Delaware müssen ihren Algorithmus nun an den komplexen, kurzen und vielfältigen EEGs von Kindern erproben und die klinische Relevanz sicherstellen. Die KI liefert den Fund, der Mensch gräbt ihn aus, poliert ihn und bestimmt seinen Wert. Die Furcht, abgehängt zu werden, ist real, aber die Lösung liegt nicht in blinder Adaption, sondern in der klugen Integration dieser neuen, nicht-menschlichen Intelligenz in den wissenschaftlichen Prozess.

Quellen:

• Cisco and OpenAI redefine enterprise engineering with Codex (OpenAI Blog)
• How engineers at Nextdoor use Codex to build without limits (OpenAI Blog)
• How Wasmer used Codex to build a Node.js runtime for the edge (OpenAI Blog)
• Scientists have a bad case of AI FOMO, Nature poll reveals (Nature - News)
• OpenAI’s internal AI model just solved an 80-year-old math problem ‪ - ‬ and mathematicians verified it (Live Science)
• AI Detects Early Epilepsy Signs in EEG Data (Neuroscience News)

// weiterlesenWenn der Algorithmus den Bleistift spitzt: Warum Mathematiker eine Bremse für KI fordernAlgorithmenWarum ein 150 Millionen Jahre alter Stegosaurier-Schädel die Stammbaum-Forschung auf den Kopf stelltArchäologieWenn Ozeane nicht mehr mischen: Wie eine 80 Jahre alte Turbulenzregel fielKlima

Kinetyra