LONDON (IT BOLTWISE) – OpenAI hat nach eigenen Angaben Lösungen für 377 zuvor ungelöste mathematische Probleme veröffentlicht. Besonders bemerkenswert ist, dass dabei auch Ergebnisse bis in Bereiche wie Topologie und (laut Darstellung) die Riemannsche Vermutung reichen. Der israelische Startup doubleAI setzt dagegen auf spezialisiert agierende „Künstliche Intelligenz“-Systeme, die neue Konstruktionen suchen und Beweise formal absichern. Für Unternehmen und Forschungsteams stellt sich damit auch die Frage, wie überprüfbare KI-Ergebnisse in Zukunft entstehen sollen.
OpenAI demonstriert mit einer breiten Mathe-Offensive, wie stark ein KI-Modell heute koordinierte Problemlösung über viele Teilgebiete hinweg anstoßen kann. In den veröffentlichten Materialien ist von Lösungen für 377 zuvor ungelöste Aufgaben die Rede, verteilt über Algebra, Zahlentheorie, Informatik, mathematische Logik und Topologie. Laut Darstellung kommen dabei auch Resultate ins Spiel, die einzelne der sieben Millennium-Preis-Probleme berühren; zudem wird erwähnt, dass eines der scheinbar neu geknackten Probleme die Riemannsche Vermutung betreffe, eine zentrale Frage zur Verteilung von Primzahlen. Dass der Umfang mit Hunderten von Aufgaben so sichtbar wird, ist nicht nur „mehr Input“, sondern ein klares Signal: Fortschritt lässt sich derzeit auch ohne die klassische, monatelange Handarbeit einzelner Fachgruppen als massenhaft iterierbarer Such- und Formulierprozess darstellen.
Spannender als die Breite ist jedoch, wie anders doubleAI das Thema adressiert. Das 2024 gegründete israelische Startup verfolgt nicht den Ansatz, aus einer Chat-ähnlichen Anfrage eine plausible Lösung herauszuwerfen, sondern will Systeme entwickeln, die als Mathematik-Experten arbeiten und Ergebnisse eigenständig herleiten. Nach dieser Philosophie testete das Unternehmen sein Double Agent-System mit einem Extremal-Graphentheorie-Resultat, das es als ersten Verbesserungs-Schritt seit 38 Jahren beschreibt: Für reguläre Graphen soll sich der „girth coefficient“ von 4/3 auf 8/5 erhöhen lassen, also näher an eine theoretische Obergrenze von 2 rücken. Das zugrunde liegende Problem sei seit 1988 offen gewesen; doubleAI gibt an, der Weg dorthin sei durch eine neue algebraische Konstruktion gefunden worden, die dann für unendlich viele Grade einen verbesserten Schrankenwert formalisiere. Besonders wichtig: Die Publikation schließt die Beweiskette mit der Formalisierung in Lean ab, einem System, das mathematische Beweise verifizieren kann.
Dieser Punkt macht den Unterschied in der Praxis aus. Ein „schwer zu glauben, aber plausibel wirkendes“ Ergebnis ist im wissenschaftlichen Betrieb nur begrenzt belastbar, weil die Beweislast letztlich bei der Community liegt. doubleAI argumentiert dagegen, dass die Suche nicht nur innerhalb eines fertigen Lösungsschemas stattfand, sondern dass das System eine neue Konstruktion eigenständig ausarbeitete, das Resultat begründete und anschließend einen überprüfbaren Beweis produzierte, der in Lean nachprüfbar ist. Dazu passt auch die Aussage, dass der Rechenaufwand weniger als 2.000 US-Dollar betragen habe – eine Zahl, die vor allem deshalb auffällt, weil KI-Forschung in der Öffentlichkeit häufig mit sehr großen Trainings- und Inferenzkosten assoziiert wird. Technisch betrachtet zielt das auf einen kontrollierbaren Loop: Suche, Strukturierung, Beweiskonsistenz und formale Verifikation rücken in denselben Prozess. Genau dort entsteht auch die Brücke zu einer „expert-level scientific reasoning“-Idee, die doubleAI mit „artificial expert intelligence“ (AEI) konkretisieren will.
Die Kehrseite solcher Fortschritte ist, dass die Mathematik als Disziplin nicht nur Ergebnisse, sondern nachvollziehbare Herleitungen lebt. Im Umfeld KI-gestützter Mathe-Resultate ist deshalb bereits Kritik laut geworden. Ein akademischer Forscher, der zuvor an dem Navier-Stokes-Problembereich gearbeitet hatte, behauptete nach Angaben des Textes, ein OpenAI-Modell habe auf seine unveröffentlichten Arbeiten zurückgegriffen; OpenAI wies die Vorwürfe demnach zurück. Ebenfalls werden Argumente von Tristan Buckmaster angeführt, der unter anderem vorbringt, manche KI-Resultate könnten aus dem Übernehmen vorhandener menschlicher Vorarbeiten bestehen und anschließend „bis zum Abschluss“ automatisiert werden. Zusätzlich wurde ein offener Brief mit dem Titel „The Severe Misalignment of AI With Mathematics“ erwähnt, den mehr als 24 Träger der Fields Medal unterzeichnet haben und der davor warnt, dass eine zu schnelle Jagd nach schwierigen Aufgaben den Zweck der Mathematik selbst untergraben könnte. Hinter der Sorge steckt ein sehr konkreter Prüfmechanismus: Wenn Systeme proprietär bleiben und die rechnerische Herleitung nicht vollständig examinierbar ist, wird es für Dritte schwerer, Standards für Demonstration und Verständnis zuverlässig durchzusetzen.
Damit treffen zwei Entwicklungen aufeinander: OpenAI präsentiert seinen Fortschritt als großskalierte Serie von Beweisen und setzt dabei auf detaillierte Erklärungen für einen Teil der Lösungen; für zehn der Resultate nennt der Text zudem, dass der Weg des Modells nachvollziehbarer beschrieben worden sei. Der durchschnittliche Rechenaufwand pro Lösung liege bei rund drei Stunden, wobei die Modellverantwortlichen laut Darstellung für die aktuellen Ergebnisse ein fortgeschrittenes Modell einsetzen, das noch nicht öffentlich bereitgestellt wurde. doubleAI positioniert dagegen den Lern- und Beweisprozess stärker in Richtung „Werkzeugkasten“: nicht nur Antworten, sondern Konstruktionen und formale, prüfbare Beweise. Historisch ist das zugleich eine Rückkehr zu einem Kernprinzip der Mathematik: Erkenntnisse sind vor allem dann stabil, wenn sie durch Beweislogik reproduzierbar und überprüfbar sind. Systeme wie Lean machen die Hürde für Fehlerkaskaden geringer, aber sie verschieben die Entwicklungsarbeit auch: Modelle müssen nicht nur schreiben können, sondern die Beweissprache so ansteuern, dass der Verifikationscheck nicht nur „irgendwie“ passt, sondern tatsächlich konsistent ist.
Für die Industrie und für Teams, die KI in wissenschaftsnahe Produkte übersetzen wollen, wird die zentrale Frage deshalb weniger „Kann KI Mathe?“ sein, sondern „Wie wird Mathe-Güte hergestellt?“. In der Praxis heißt das: Welche Teile des Workflows sind auditierbar, welche Datenquellen fließen ein, wie wird die formale Korrektheit abgesichert, und wie viel Aufwand kostet die Verifikation im Verhältnis zur eigentlichen Suche? doubleAI verweist mit Lean-Formalization und relativ niedrigen Rechenkosten auf genau diese Stellschrauben, während OpenAIs Darstellung zeigt, wie weit eine generalistische Modellarchitektur in der Breite trainiert oder zumindest genutzt werden kann. Der Markt dürfte darauf reagieren, indem sich neue Tools rund um „Beweis- und Verifikationspipelines“ etablieren: nicht als Ersatz für Fachkenntnis, sondern als Infrastruktur, die Expertenwissen gezielt ergänzt, etwa bei der Generierung von Kandidaten, dem Auffinden algebraischer Strukturen oder der automatisierten Prüfung formaler Konsequenzen.
Unterm Strich zeichnet sich ein zweigleisiges Bild ab. OpenAIs 377er-Übersicht steht für Skalierung über viele Themen hinweg und für die Fähigkeit, schwierige Aufgaben in großen Mengen anzustoßen. doubleAI steht für Spezialisierung und eine stärkere Kopplung an formale Verifikationsketten, wie das Beispiel aus der Extremal-Graphentheorie zeigt. Welche Richtung sich für Forschung und Anwendung durchsetzt, hängt davon ab, wie gut sich Ergebnisse unabhängig prüfen lassen und wie transparent die Beweiswege modellseitig gestaltet werden. Wenn die nächsten Iterationen die Korrektheit stärker über überprüfbare Mechanismen sichern, könnte KI in der Mathematik nicht nur „neue Zahlen liefern“, sondern den gesamten Herstellungsprozess von Erkenntnissen messbar verändern.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "OpenAI knackt 377 Mathe-Probleme – doppelte AI verfolgt den „Expert“-Weg" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "OpenAI knackt 377 Mathe-Probleme – doppelte AI verfolgt den „Expert“-Weg" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »OpenAI knackt 377 Mathe-Probleme – doppelte AI verfolgt den „Expert“-Weg« bei Google Deutschland suchen, bei Bing oder Google News!