OpenAI löst 372 offene Mathe-Probleme – darunter die Unique Games Conjecture

The Mathocalypse

OpenAI hat 372 bedeutende mathematische Durchbrüche veröffentlicht, darunter einen Beweis der Unique Games Conjecture, an der Dana Moshkovitz jahrelang arbeitete. Die Beweise sind für Menschen kaum nachvollziehbar, oft wirr und mit irrelevanten Zitaten durchsetzt. Ein Lean-Zertifikat existiert, doch die Gemeinschaft beginnt gerade erst, die Ergebnisse zu verstehen. Die Mathematik steht vor einem Umbruch: KI liefert Lösungen, deren Herleitung und Bedeutung noch entschlüsselt werden müssen.

Es fühlt sich an wie von jemandem geschrieben, der auf Psychedelika ist. So vieles ist unklar und ergibt keinen Sinn. Viele Namensnennungen früherer Arbeiten, ohne zu erklären, warum sie trotz Unmöglichkeitsresultaten verwendet werden können.
  1. bradley13

    Mathematik ist natürlich ein ideales Feld für KI. Allerdings finde ich dieses Zitat aufschlussreich:

    "Es fühlt sich an wie von jemandem geschrieben, der auf Psychedelika ist. So vieles unklar und ergibt keinen Sinn. Viele Namensnennungen früherer Arbeiten, ohne zu diskutieren, warum sie trotz Unmöglichkeitsresultaten verwendet werden können. Im Grunde ist das Paper so furchtbar geschrieben, dass es unmöglich ist, es ohne KI-Hilfe zu lesen."

    Da fragt man sich, wie viele der Beweise tatsächlich gültig sind und wie viele nur undurchdringliche Halluzinationen sind.

  2. ZeljkoS

    Für mich liegt die eigentliche Sensation des Artikels hier begraben:

    > offenbar haben sie das Modell an etwa 8.000 Problemen getestet. Momentan löst es also "nur" ~5 % der seit langem offenen mathematischen Probleme, nach denen es gefragt wird – Probleme, an denen ganze Communities jahrelang gearbeitet haben –, und das nach einem einzigen dreistündigen Versuch.

    Überschlägige Kostenrechnung:

    3 Stunden GPT-Pro-Compute pro Versuch / 5 % Erfolgsquote → 60 Stunden Compute pro gelöstem offenen Mathematikproblem

    Beim Long-Context-Preis der GPT-6 Astra API (75 $/M Output-Tokens), unter Annahme von 50 Reasoning-Tokens/s, sind das grob 810 $ pro Lösung:

    60 h × 3.600 s × 50 Tokens/s × 75 $ / 1.000.000 = 810 $

    Natürlich ist der tatsächliche Tokenverbrauch unbekannt. Aber selbst wenn er um den Faktor 10 danebenliegt, sind 8.100 $ billig für die Lösung eines seit langem offenen mathematischen Problems.

  3. nostrademons

    Als Randnotiz: Man erkennt, dass dies nicht von einer KI geschrieben wurde, am ersten Satz:

    > Mami, ich habe gehört, du wurdest gecooked! Ich habe gehört, ein Roboter hat das Matheproblem gelöst, an dem du dein ganzes Berufsleben gearbeitet hast! OOF!

    Mein 8-Jähriger redet genau so. Ich könnte mir vollkommen vorstellen, wie er das am Esstisch genauso sagt.

    Ich habe ChatGPT gefragt: "Stell dir vor, du bist heute 8/9 Jahre alt. Wie würdest du deine Mutter damit aufziehen, dass ihr Job von einer KI ersetzt wurde?", und die Antworten waren:

    > "Mama, die KI hat deinen Job übernommen, weil offenbar sogar Roboter meinten: 'Ja … wir können das besser.'"

    > "Mama, herzlichen Glückwunsch! Du wurdest von einem Computer ersetzt. Sogar Siri hat jetzt einen Job und du nicht!"

    > "Mama, die KI hat deinen Job übernommen? Verdammt. Ich schätze, sogar ein Roboter hat sich deine Arbeit angesehen und gesagt: 'Das schaffe ich.'"

    > "Keine Sorge, Mama. Du kannst immer noch nützlich sein … zum Beispiel der KI beibringen, wie man mein Mittagessen macht."

    All das wirkt vage millennialhaft, abgesehen davon, dass es ziemlich unbeholfene und mechanische Sprüche sind. Vertraue den Kindern und der Sprachdrift – sie sind die besten KI-Detektoren.

  4. ks2048

    > Es fühlt sich an wie von jemandem geschrieben, der auf Psychedelika ist. So vieles unklar und ergibt keinen Sinn. Viele Namensnennungen früherer Arbeiten, ohne zu diskutieren, warum sie trotz Unmöglichkeitsresultaten verwendet werden können

    > Im Grunde ist das Paper so furchtbar geschrieben, dass es unmöglich ist, es ohne KI-Hilfe zu lesen

    Das ist interessant und ich habe das in der gesamten Berichterstattung über dieses Ereignis nicht gesehen.

    Es klingt schrecklich, sich da durchzuarbeiten – wie der Versuch, den chaotischen Code von jemand anderem zu verstehen, der trotzdem die richtige Ausgabe produziert.

  5. parksb

    > Das "OpenAI-Modell" löst ein verrücktes Rennen unter Menschen aus, um einen chaotischen KI-Beweis zu verdauen und zu erklären (Arbeit, die leicht eine Mischung aus undankbar, kaum anerkannt, kompetitiv und unlustig sein könnte)

    Traurigerweise sieht genau so auch der Alltag vieler Softwareentwickler in der Industrie gerade aus. Ich verbringe meine Zeit damit, Tausende Zeilen chaotischen, KI-geschriebenen Code zu lesen und zu verifizieren. Verglichen damit, tatsächlich etwas zu produzieren, ist das undankbare, kaum anerkannte und unlustige Arbeit.

  6. ajjenkins

    Die Zeile über "die Aliens verstehen" erinnert mich an Ted Chiangs Kurzgeschichte The Evolution of Human Science (2000).

    Sehr empfehlenswert. Sehr prophetisch für etwas, das vor 26 Jahren geschrieben wurde.

    https://gwern.net/doc/fiction/science-fiction/2000-chiang.pd...

  7. dualvariable

    Zusätzlich zu den Problemen, die die Ehefrau in der Geschichte anspricht, hier eine Meta-Analyse des Navier-Stokes-Ergebnisses, die all diese Lösungen in Frage stellt:

    https://arxiv.org/abs/2610.08144

    > Autoformalisierung wird zunehmend zur Verifikation mathematischer Texte verwendet, einschließlich von KI generierter, wie in OpenAIs angekündigtem Beweis des Blow-up von Lösungen der Navier-Stokes-Gleichungen. In diesem Prozess übersetzt ein KI-System den Text aus einer natürlichen Sprache (NL) in eine formale Sprache wie Lean. Sobald diese Übersetzung erfolgt ist, kann das in der formalen Sprache ausgedrückte Argument leicht mechanisch verifiziert werden. Der Zweck dieses Artikels ist es zu zeigen, warum dieser Prozess keinerlei Vertrauen in das ursprüngliche NL-Argument bieten kann, aufgrund der verschiedenen Schwierigkeiten, die Übersetzung semantisch getreu durchzuführen. Insbesondere heben wir hervor, dass das Problem der Auflösung von Ambiguitäten in mathematischem NL-Text, das notwendig ist, um eine semantisch getreue Übersetzung zu liefern, willkürlich hoch in der Solvability Complexity Index (SCI)-Hierarchie/arithmetischen Hierarchie liegt (die SCI = ∞). Daher ist, informell gesprochen, die Bereitstellung einer semantisch getreuen KI-Autoformalisierung schwieriger als jedes Berechnungsproblem, einschließlich des Halteproblems (das SCI = 1 hat). Um den Effekt dieses Ergebnisses zu demonstrieren, liefern wir mehrere Beispiele für KI-Fehlübersetzungen von NL-Aussagen und -Beweisen in Lean in der Praxis, was zu Diskrepanzen zwischen NL-Beweisen und ihren Lean-`Verifikationen' führt. Dazu gehören Op […]

  8. an0malous

    > Aber es scheint auch, dass noch kein Mensch so gut wie irgendeinen dieser Beweise verstanden hat

    Hat irgendjemand einen der von OpenAI erzeugten Beweise verifiziert, oder nehmen alle einfach an, dass sie wahr sein müssen, weil der Lean-Code stimmt? Könnte der Lean-Code nicht einfach falsch formuliert sein?

  9. softwaredoug

    Gibt es nicht Dutzende Beweise des Satzes von Pythagoras? Das Ziel ist nicht nur zu "beweisen", sondern etwas gut Geschriebenes und für den durchschnittlichen Praktiker Intuitives zu schaffen. Und durch ein tieferes Verständnis können wir bessere Fragen stellen.

  10. prima-facie

    > wir alle in Mathematik, theoretischer Informatik und mathematischer Physik … sitzen jetzt im selben Boot.

    Die wichtigste Erkenntnis daraus ist, dass Mathematiker uns CS-Grunts endlich als ihresgleichen betrachten.

Mehr von diesem Tag

2026-10-07