Wird KI die Mathematik töten?

Am 23. Juli 2026 wurden die Gewinner der Fields-Medaille bekannt gegeben. Während die heimischen Medien ihre Aufmerksamkeit auf die beiden diesjährigen Preisträger chinesischer Staatsangehörigkeit, Wang Hong und Deng Yu, richteten, nahm ein anderer Preisträger – der kanadische Mathematiker Jacob Tsimerman – stillschweigend die Schlagzeilen ausländischer Technikmedien ein. Auf der Pressekonferenz nach der Preisverleihung verkündete Tsimerman feierlich, dass er im August zu OpenAI wechseln und seinen Forschungsschwerpunkt von der reinen Mathematik auf die Forschung zur KI-Sicherheit verlegen werde. Am Tag der Verleihung der höchsten Auszeichnung der Mathematik beschloss ein aufstrebender junger Mathematiker, sich der KI zu „zuwenden“ – diese Nachricht ist geradezu spektakulär.

Wenn man von Tsimerman spricht, gilt er in der Mathematikwelt als ausgesprochener Außenseiter. Er verfügt über außerordentliches Talent und ist sehr gut darin, zwischen verschiedenen mathematischen Bereichen neue „Brücken zu bauen“, um so einen überlegenen Angriff auf Probleme zu erreichen. Beispielsweise wandte er einst die o-Minimalität-Methode, die ursprünglich stark logisch geprägt war, in ein leistungsfähiges Werkzeug in der arithmetischen Geometrie und der komplexen algebraischen Geometrie um und nutzte es, um eine Reihe schwieriger mathematischer Probleme einschließlich der Andre-Oort-Vermutung zu lösen. Dennoch hat dieser Mathematiker mit herausragenden Errungenschaften seit dem Aufkommen von ChatGPT im Jahr 2022 die Mathematik schlecht geredet und behauptet, dass KI innerhalb weniger Jahre den Großteil der Arbeit von Mathematikern ersetzen werde. Ausgehend von dieser Überzeugung weigert er sich seit 2023, Doktoranden zu betreuen. Selbst in seinen eigenen Forschungen führt er keine Beweise mehr selbst durch, sondern ist nur für die Aufstellung großer Konzepte verantwortlich und überlässt die verbleibenden Details der KI. Im Jahr 2025 veröffentlichte er das Papier „A Taxonomy of Possible AI Existential Catastrophe Scenarios“, in dem er systematisch verschiedene Wege aufzeigt, auf denen KI zum Aussterben der Menschheit führen könnte, und betrat damit offiziell das Gebiet der KI-Sicherheit. Aus dieser Perspektive war seine Erklärung zum Berufswechsel bei der Fields-Preisverleihung nichts anderes als eine offizielle Bekanntgabe seines Wechsels der beruflichen Laufbahn.

Es ist erwähnenswert, dass Tsimerman in der Mathematikwelt nicht der Einzige ist, der glaubt, dass die Entwicklung der KI eine „Bedrohung“ für die Mathematik darstellen könnte. Zum Beispiel ist Terence Tao, Preisträger der Fields-Medaille 2006, der Ansicht, dass das Aufkommen der KI die Mathematik in eine unruhige Phase bringt, in der ihre Werte und praktischen Grundlagen herausgefordert werden. Auch William Timothy Gowers, Preisträger der Fields-Medaille 1998, glaubt, dass große Sprachmodelle nicht nur bald alle Aspekte der Lösung mathematischer Probleme übertreffen werden, sondern auch selbst Probleme aufwerfen, Theorien aufbauen und Definitionen formulieren können.

Aus praktischer Sicht scheinen die Errungenschaften der KI im mathematischen Bereich im letzten Jahrzehnt ihre Ansichten zu bestätigen: Im Oktober 2025 lösten Mathematiker der UCLA mithilfe von GPT das 42 Jahre alte, ungelöste Problem der Nesterow-Vermutung im Bereich der Optimierung; Im Januar 2026 entdeckte das AlphaEvolve-Modell von DeepMind eine hochdimensionale Hyperwürfelstruktur in Permutationsgruppen, die seit 50 Jahren nicht gefunden wurde, und löste damit ein offenes Problem der kombinatorischen Gruppentheorie; Am 20. Mai 2026 widerlegte das allgemeine Schlussfolgerungsmodell von OpenAI unabhängig die 80 Jahre alte, offene Erdős-Vermutung über Einheitsabstände in der Ebene, dessen Ergebnisse von neun Spitzenmathematikern überprüft wurden; Am nächsten Tag (21. Mai) veröffentlichte DeepMind AlphaProof Nexus, das neun offene Probleme, die von Erdős aufgeworfen wurden, vollständig auf einmal bewies und gleichzeitig 44 Vermutungen zu OEIS-Ganzzahlfolgen bewies; Am 20. Juli 2026 half Anthropic Fable 5 Mathematikern, ein einfaches Gegenbeispiel zur Jacobischen Vermutung zu finden und damit ein hundertjähriges ungelöstes Kernproblem der algebraischen Geometrie zu widerlegen... Es ist keineswegs übertrieben, die Leistungen der KI im mathematischen Bereich als „außergewöhnlich erfolgreich“ zu beschreiben.

Warum also kann KI im mathematischen Bereich so beeindruckende Ergebnisse erzielen? Welche Veränderungen wird die KI der Mathematik bringen, abgesehen davon, dass sie den Menschen hilft, mehr schwierige mathematische Probleme zu lösen? Wird sie die Mathematik schließlich zerstören? Welche Auswirkungen wird dies auf die Art und Weise haben, wie die Menschheit die Welt erkennt? Über all das lassen Sie uns nun schrittweise erläutern.

01

KI: Nicht nur „schneller rechnen“

Wenn man über die Vorteile der KI im mathematischen Bereich spricht, ist die erste Reaktion vieler Menschen, dass sie „schneller rechnen und mehr speichern“ kann. Diese Ansicht ist nicht falsch, aber sie unterschätzt die Fähigkeiten der KI stark. So wie die Dampfmaschine nicht nur ein schnelleres Pferd ist, das Internet nicht nur eine schnellere Poststelle, ist die KI auch nicht nur ein Rechner, der schneller rechnen kann. Der Grund, warum sie so große Errungenschaften in der Mathematik erzielen kann, liegt zu einem großen Teil darin, dass sie eine andere Intelligenz besitzt als der Mensch.

Erstens ist die Fähigkeit der KI, interdisziplinäres Wissen gleichzeitig abzurufen, weit höher als die des Menschen. Die moderne Mathematik ist bereits ein hoch spezialisiertes Fach, und die Barrieren zwischen ihren verschiedenen Zweigen sind sehr deutlich. Ein Spitzenmathematiker mag einen Zweig der Zahlentheorie beherrschen, aber nur über allgemeine Kenntnisse in zufälligen Matrizen, dynamischen Systemen oder Berechnungskomplexität verfügen. Im Gegensatz dazu hat die KI keinerlei Grenzen wie menschliche Wissenschaftler. Sie verfügt nicht nur über ein enzyklopädisches Gedächtnis, sondern kann auch in einer einzigen Suche gleichzeitig Wissen aus Zahlentheorie, Geometrie, Kombinatorik, Wahrscheinlichkeitstheorie, Optimierung und Informatik abrufen und dieses Wissen in großem Maßstab neu kombinieren. Auf diese Weise verwandelt die KI die interdisziplinären Verbindungen, die menschliche Wissenschaftler nur durch zufällige Gespräche oder Korrespondenz herstellen können, in eine alltägliche Suchmethode, mit der sie sehr leicht „grenzenüberschreitend“ Inspiration finden kann.

Zweitens verfügt die KI über eine parallele Erkundungsfähigkeit, die für Menschen kaum erreichbar ist. Wenn Mathematiker ein schwieriges Problem erforschen, wandeln sie oft wie allein in einem Labyrinth – sie behalten vielleicht einige Ersatzwege im Kopf, aber normalerweise können sie nur ein oder zwei davon gründlich verfolgen. Wenn sie nach einem halben Jahr feststellen, dass ein Weg eine Sackgasse ist, verlieren sie nicht nur Zeit, sondern auch Aufmerksamkeit und Vertrauen. Bei der KI ist das anders. Sie kann gleichzeitig Hunderte von „Abbildern“ aussenden, um verschiedene Wege auszuprobieren. Dadurch steigt nicht nur die Wahrscheinlichkeit, den richtigen Weg zu finden, deutlich an, sondern die fehlgeschlagenen Wege werden nicht verschwendet, sondern in eine Datenbank aufgenommen, um nachfolgenden Modellen mitzuteilen, welche Wege bereits nicht funktionieren.

Drittens ist die KI weit toleranter gegenüber langweiligen und „unansehnlichen“ Inhalten als menschliche Wissenschaftler. In populärwissenschaftlichen Werken werden mathematische Entdeckungen oft als Ergebnis des plötzlichen Geistesblitzes von Mathematikern dargestellt, aber in Wirklichkeit ist dies meist nur eine künstlerische Verschönerung. Im alltäglichen mathematischen Forschungsprozess handelt es sich meist um langweilige Wiederholungen und „unansehnliche“ Formelumformungen. Zwar hat die Ästhetik der Mathematiker viele große Entdeckungen vorangetrieben, aber diese Ästhetik kann auch Vorurteile erzeugen. Menschen bevorzugen einfache, symmetrische und vertraute Objekte, sodass Wege, die zu viele Fallunterscheidungen, langwierige Berechnungen erfordern oder vorübergehend keine schöne Struktur aufweisen, oft bewusst ignoriert werden. Bei der KI ist das anders. Sie verliert keine Geduld, weil ein Beweis nicht elegant genug ist, und macht sich keine Sorgen, dass eine Forschung nicht dem Mainstream-Geschmack entspricht, sondern sucht gewissenhaft in hochdimensionalen Räumen, extremen Parametern und seltenen Objekten weiter.

Viertens ist die Fähigkeit der KI, verschiedene Forschungsabschnitte zu einem geschlossenen Zyklus zu komprimieren, stärker als die von menschlichen Wissenschaftlern. In der traditionellen Forschung verteilen sich das Durchsuchen von Literatur, das Durchführen von Berechnungen, das Aufstellen von Vermutungen, das Finden von Gegenbeispielen und das Schreiben von Beweisen oft auf verschiedene Werkzeuge und verschiedene Zeitphasen. Die KI kann mehrere Zyklen in sehr kurzer Zeit abschließen: Zuerst sucht sie relevante Sätze in einer Papierdatenbank, dann schreibt sie Programme, um endliche Fälle zu prüfen. Sobald sie eine Anomalie feststellt, ändert sie die Vermutung. Anschließend ruft sie ein formales Beweissystem auf, um die wichtigsten Schritte zu überprüfen. Wenn dies fehlschlägt, kann sie zum vorherigen Schritt zurückkehren und das Problem neu formulieren.

Fünftens verfügt die KI über eine sehr gute Reproduzierbarkeit. Sobald ein KI-Modell eine Beweisstrategie erlernt hat, kann es diese auf unzählige Beispiele übertragen; und wenn eine KI in einem Projekt einen neuen Weg findet oder feststellt, dass ein Weg nicht funktioniert, kann sie diese Informationen sofort mit anderen KI synchronisieren, sodass diese Informationen zur gemeinsamen Erfahrung des gesamten Systems werden. Auf diese Weise kann die mathematische Forschung von einer Arbeit mit konstanten oder sogar sinkenden Skalenerträgen zu einer Arbeit mit steigenden Skalenerträgen werden.

Durch die obige Analyse können wir sehen, dass die Fähigkeit der KI nicht nur darin besteht, die Geschwindigkeit eines Mathematikers um das Dutzendfache zu erhöhen. In gewissem Sinne komprimiert sie eher eine Bibliothek, ein Rechenzentrum, ein Seminar, einen Gegenprüfer und eine formale Prüfeinrichtung in eine kontinuierlich laufende Forschungsorganisation. Man kann sagen, dass ein menschlicher Mathematiker ein extrem leistungsfähiges Gehirn ist, während eine ausgereifte spezielle künstliche Intelligenz für Mathematik (AI for Math) zu einem künstlichen Forschungsinstitut werden könnte, das aus unzähligen Gehirnen besteht.

02

Wird KI die empirische Mathematik einleiten?

Wenn KI Mathematikern nur hilft, Sätze schneller zu beweisen, liegen die Veränderungen hauptsächlich noch auf der Ebene der Produktivität. Aber ihr Potenzial geht wahrscheinlich darüber hinaus. Vielleicht verleiht eine ihrer Fähigkeiten der Mathematik eine Fähigkeit, die sie in der Vergangenheit nicht ausreichend hatte, und treibt damit eine umfassende Veränderung des mathematischen Paradigmas voran. Diese Fähigkeit lautet: Beobachtung der mathematischen Welt in großem Maßstab.

Seit Euklid sind die Menschen gewohnt, Mathematik als eine deduktive Wissenschaft zu verstehen – Mathematiker geben zuerst Definitionen und Axiome an und leiten dann Sätze durch Beweise ab. Genau dies unterscheidet die Mathematik grundsätzlich von den Naturwissenschaften: Die Naturwissenschaften befassen sich mit der Erfahrungswelt und müssen daher Theorien durch Beobachtung und Experimente prüfen; die Mathematik hingegen befasst sich mit formalen Objekten, und die Wahrheit scheint nur aus der Logik zu entstehen. Obwohl viele Mathematiker in der Praxis oft durch Berechnung von Beispielen, Zeichnungen und andere Methoden versuchen, Regeln zu erraten, werden in den offiziell veröffentlichten Ergebnissen diese Versuche und Intuitionen im Entdeckungsprozess oft gelöscht. Am Ende werden den Menschen nur die einfachen, eleganten Beweisketten von den Voraussetzungen bis zu den Schlussfolgerungen präsentiert.

Gegen dieses Forschungsparadigma haben bereits viele Mathematiker Einwände erhoben. Der berühmteste unter ihnen ist Gregory Chaitin, Begründer der algorithmischen Informationstheorie. Ausgehend von der Sicht der algorithmischen Informationstheorie stellte er eine schockierende Ansicht auf: Ein endliches formales System enthält eine begrenzte Informationsmenge und kann nicht systematisch beliebig viele Fakten ableiten, deren Informationskomplexität höher ist als die des Systems selbst. Da in der Mathematik eine große Menge an nicht komprimierbaren Inhalten existieren kann, ist sie nicht unbedingt ein transparentes Gebäude, das sich aus wenigen selbstverständlichen Prinzipien schrittweise ableiten lässt, wie es das traditionelle Ideal darstellt.

In seinem Buch „Metamathematik: Die Suche nach Omega“ erläutert Chaitin dies am Beispiel der „Haltewahrscheinlichkeit“ Ω. Auf dieser Grundlage erläutert Chaitin weiter, dass es in der Mathematik tatsächlich eine große Menge an nicht komprimierbaren Inhalten wie Ω gibt, was es unmöglich macht, alle mathematischen Theorien aus einfachen Axiomen abzuleiten. Ausgehend von dieser Erkenntnis plädiert er dafür, die Mathematik mit einer „empirischeren“ Haltung zu betrachten. Zum Beispiel haben wir die Richtigkeit der Goldbach-Vermutung für Zahlen mit mehreren Millionen Stellen überprüft – dann können wir diese Vermutung vorübergehend als einen empirischen Satz betrachten und auf dieser Grundlage weitere Theorien aufbauen. Wenn wir ein Gegenbeispiel finden, fügen wir einfach eine Ergänzung hinzu.

Obwohl Chaitins Ansicht sehr beeindruckend ist, war sie lange Zeit eher eine Position der Mathematikphilosophie. Der Grund dafür liegt neben dem angeborenen Widerstand der Mathematiker auch darin, dass die Fähigkeit des Menschen, die mathematische Welt zu beobachten, sehr begrenzt ist. Diese Einschränkung der Fähigkeit macht es den Menschen schwer, sich darauf zu verlassen, Vermutungen zur Konstruktion relevanter Theorien zu verwenden.

Die Entwicklung der KI verändert nun diese Bedingung. KI kann kontinuierlich Millionen von Graphen, Gruppen, Zahlenfolgen, Funktionen und geometrischen Konstruktionen erzeugen, verschiedene Invarianten davon berechnen und nach wiederkehrenden Beziehungen, Anomalien und Phasenübergängen suchen. Sie muss nicht einmal darauf warten, dass der Mensch zuerst eine Frage stellt, sondern kann zuerst feststellen: „Hier scheint es ein Phänomen zu geben“. Das ähnelt der Veränderung, die das Teleskop für die Astronomie gebracht hat. Das Teleskop hat die physikalische Theorie nicht ersetzt, aber es hat das Universum erweitert, das der Mensch sehen kann. KI könnte auch zu einem mathematischen Teleskop werden: Sie wird den formalen Raum, der bisher nur durch vereinzelte Beispiele berührt wurde, zu einem Objekt machen, das systematisch gescannt werden kann.

Nehmen wir Googles FunSearch als Beispiel: Es geht nicht von einem fertigen Satz aus, sondern erzeugt ständig ausführbare Konstruktionen im Programmraum und filtert außergewöhnlich gute Ergebnisse durch Bewertung. Auf diese Weise können Forscher zuerst eine von der Maschine entdeckte Struktur sehen und dann fragen, warum sie funktioniert. Damit kann sich die Reihenfolge der mathematischen Entdeckung umkehren: Nicht zuerst gibt es eine Theorie, dann sucht man nach Beispielen – sondern zuerst taucht ein Objekt mit erstaunlichen Eigenschaften auf, dann erstellt man eine Erklärung dafür.

Mit der Unterstützung der KI könnte die zukünftige mathematische Forschung dem Muster der heutigen Naturwissenschaften ähneln. Jeder Mathematiker könnte wie ein Forschungsleiter agieren und eine Reihe von KI-Agenten bei der Forschung leiten. Diese Agenten können rund um die Uhr arbeiten, während menschliche Mathematiker hauptsächlich für die Formulierung von Ideen verantwortlich sind und dann warten, bis sie über den Fortschritt berichten.

In diesem Sinne könnte die KI die von Chaitin genannte quasi-empirische Mathematik erstmals auf eine ausgereifte technische Grundlage stellen. Obwohl die mathematische Forschung daher nicht das Streben nach Notwendigkeit aufgeben wird, wird sie wie eine experimentelle Wissenschaft allmählich ihre eigenen Teleskope, Labore und automatischen Beobachtungssysteme besitzen und die mathematische Welt aus einer empirischen Perspektive neu betrachten.