Werden die Terence Taos auch ihr Talent im Gestern begraben?

Als ich den Text „Ich musste mein Talent gestern begraben“ von Liu Shengyu, einem Ingenieur bei DeepSeek, las, musste ich unweigerlich an die Szene in „Die Legende des Schwertmanns“ denken, in der Linghu Chong die in die Wand gemeißelten Kampftechniken in der hinteren Höhle des Sigu-Felsens entdeckt.

Auf der Steinwand waren sowohl die Schwerttechniken der fünf großen Schwertschulen des Yue-Berg-Bundes als auch die Methoden zu ihrer Überwindung eingraviert.

Plötzlich merkte Linghu Chong, dass die Kampfkünste seiner eigenen Schule, die er jahrelang gewissenhaft geübt hatte, aus einer anderen Perspektive voller Schwachstellen steckten. Wenn ein Mensch in eine solche Situation gerät, liegt das Schmerzliche darin, dass der Glaube, mit dem er sich selbst verstanden und die Lehren seiner Meister bestätigt hat, ins Wanken gerät.

Heute ist die „Steinwand“, vor der Liu Shengyu steht, eine KI, die immer besser darin wird, selbst Code zu schreiben.

Er ist spezialisiert auf die Entwicklung leistungsstarker Operatoren, doch die Früchte seiner harten Arbeit haben unbewusst das Tempo dieses Tools beschleunigt, das ihn schließlich selbst ersetzen wird. Das brachte ihn dazu, den weitverbreiteten Satz zu sagen: „Ich musste mein Talent gestern begraben“.

Kürzlich sind auch Mathematiker vor einer ähnlichen Steinwand angekommen.

Nachdem OpenAI Ergebnisse zur Navier-Stokes-Gleichung veröffentlicht hatte, wurde bekannt, dass das Unternehmen kurz davor steht, die Hodge-Vermutung zu lösen. Terence Tao und mehrere Fields-Medaillen-Träger warnten, dass die KI die Werte, Forschungsmethoden und Nachwuchsförderung in der Mathematik erschüttert.

Wenn das Lösen schwieriger Probleme großflächig organisiert, beschleunigt oder sogar automatisiert werden kann, muss die Mathematikgemeinde weit mehr neu verhandeln als nur die Frage, wie Spitzenforscher definiert werden. Wie die Leistungen früherer Generationen gewürdigt werden, wie maschinelle Beweise in für Menschen verständliches Wissen umgewandelt werden und wie die nächste Generation von Mathematikern ausgebildet werden soll – all das erfordert neue Antworten.

Wenige Stunden für die KI, hunderte Jahre für die Menschheit

Liu Shengyus Arbeit findet normalerweise auf einer unteren Ebene statt, die für gewöhnliche Menschen kaum wahrnehmbar ist.

Bei demselben Grafikprozessor und derselben Rechenaufgabe beeinflussen die Anordnung der Befehle, die Übertragung der Daten und die Optimierung von Wartezeiten die Effizienz des Modells. Andere halten es bereits für schnell genug, aber er versucht immer, die Grenzen der Hardware auszureizen. Die Fähigkeiten eines Operator-Ingenieurs stecken genau in diesen kleinen Details.

Früher half KI höchstens dabei, Dokumente zu durchsuchen oder Fehler zu finden. Heute kann sie bereits den Low-Level-Code verstehen und gemeinsam mit Ingenieuren Operatoren optimieren. Angesichts der Ergebnisse, an denen er selbst gearbeitet hat, ist Liu Shengyu stolz, aber er merkt auch, dass KI die Position menschlicher Experten immer mehr einnimmt.

Die Öffentlichkeit neigt dazu, diese Gefühle als Sorge um den Arbeitsplatz abzutun. Aber wer ein Handwerk wirklich liebt, schätzt vor allem das kreative Gefühl, verborgene Probleme zu entdecken und nach langem Ausprobieren das Programm noch ein bisschen schneller zu machen. Was Liu Shengyu vermisst, ist nicht nur ein Beruf, sondern auch die Bestätigung der eigenen Fähigkeiten, die man durch langjähriges Training erreicht.

Auch die Mathematikgemeinde schätzt diese Bestätigung sehr.

Die Forschung baut auf der Arbeit Generationen von Menschen auf. Ein einzelner Forscher braucht oft Jahre oder sogar mehr als ein Jahrzehnt, um Spuren zu verfolgen und Beweise abzuschließen. Diese lange Suche prägt nicht nur die Ergebnisse, sondern auch das Ansehen und die Identität von Mathematikern. Heute versuchen Labore eine ganz andere Art der Wissensproduktion.

Viele KI-Agenten können parallel forschen, Zwischenergebnisse austauschen und dann die Rechenleistung auf die vielversprechendsten Wege konzentrieren. Die jahrelange individuelle Suche wird allmählich zu einem Systemprojekt, das parallel ausgeführt und schnell gefiltert werden kann.

Am 8. September Ortszeit veröffentlichte OpenAI Ergebnisse zum Navier-Stokes-Problem, einem der Jahrtausendprobleme. Laut Angaben des Unternehmens haben etwa 10.000 parallele Agenten in weniger als vier Tagen Lösungen vorgeschlagen und anschließend die formale Verifikation mit dem Beweissystem Lean abgeschlossen.

Am 17. September berichtete The Information unter Berufung auf informierte Quellen, dass OpenAI kurz davor steht, ein weiteres Jahrtausendproblem, die Hodge-Vermutung, zu lösen. Einige Forscher gehen sogar davon aus, dass die Mathematik nach der Softwareentwicklung der nächste Bereich sein wird, der schnell automatisiert wird – mit einer aggressiven Prognose von „sechs bis neun Monaten“.

Der französische Mathematiker und Fields-Medaillen-Träger Cédric Villani beschreibt, dass in der Mathematikgemeinde die Stimmung herrscht, dass eine historische Epoche zu Ende geht. Wenn Maschinen die jahrelange Suche auf wenige Tage komprimieren, geraten die Wertmaßstäbe, die auf individuelles Talent, Zeiteinsatz und unabhängige Beweise aufbauen, ins Wanken.

Die Menschen sehen leicht die Geschwindigkeit, die KI auf der letzten Strecke zeigt, aber sie vergessen, auf welchem Ausgangspunkt sie steht.

In „Die himmlische Schwertkunst“ lernt Zhang Wuji im geheimen Gang der Ming-Lehre schnell die „Große Umschaltung des Himmels und der Erde“, weil er vorher die „Neun-Yang-Kraft“ gemeistert hat. Wenn man nur die wenigen Stunden im geheimen Gang betrachtet, übersieht man die lange Akkumulation davor.

Die mathematischen Fähigkeiten der KI stammen ebenfalls aus dem hunderte Jahre alten Wissen der Menschheit. Definitionen, Theoreme, Methoden und unvollendete Versuche früherer Generationen ebnen gemeinsam den Weg zur Antwort. Selbst wenn Maschinen auf der letzten Strecke eine erstaunliche Geschwindigkeit erreichen, muss die Arbeit, die den Ausgangspunkt bildet, unbedingt in die Liste der Leistungen aufgenommen werden.

Wenn der Beweis schneller kommt als das Verständnis

In „Die Ritter des Schildes“ forschen die beiden Inselherren Long und Mu zusammen mit vielen Meistern jahrelang an der Karte der Ritterinsel, aber sie können die tiefste Bedeutung nie vollständig verstehen.

Shi Potian kann nicht lesen, also umgeht er die Erklärungspfade, die alle anderen kennen, und versteht die „Geheimkunst des Tai-Xuan“ aus den Formen, Schriftzeichen und Strichen. Vielleicht kann KI auch die gewohnten menschlichen Denkwege umgehen und Beweiswege finden, an die niemand gedacht hat.

Dass ein Beweis die maschinelle Prüfung besteht, bedeutet nur, dass die Kette der Schlussfolgerungen formal gültig ist.

Mathematiker müssen noch immer erklären, warum er gültig ist, wo die zentralen Ideen liegen, welche Methoden übertragbar sind und welche Erkenntnisse über das entsprechende Gebiet er verändert hat. Maschinen können das Ziel erreichen, aber die Mathematikgemeinschaft muss den Weg in die Wissenskarte eintragen, damit Nachwuchsforscher ihn verstehen und darauf weiterarbeiten können.

Wenn die Geschwindigkeit der Beweiserstellung die Lesegeschwindigkeit der Menschen übertrifft, kann derjenige, der mehr KI-Agenten einsetzen kann, das Ergebnis zuerst veröffentlichen und leichter bestimmen, welche Probleme Aufmerksamkeit bekommen. Die Frage des Verstehens erstreckt sich damit schnell auf Fragen der Namensnennung, der Zugehörigkeit und der Forschungsrechte.

Bevor OpenAI die Ergebnisse veröffentlichte, hatten die Mathematiker Tristan Buckmaster von der New York University und Levent Alpöge, der bei Anthropic arbeitet, bereits mit Hilfe von KI Fortschritte bei verwandten Strömungsgleichungen erzielt.

Später zweifelte Buckmaster an, ob die Forschungsinformationen, die er zuvor an die Tools von OpenAI übergeben hatte, die Arbeit des Unternehmens beeinflusst hatten. OpenAI bestritt, die unveröffentlichten Ergebnisse der beiden verwendet zu haben, und gab an, dass Untersuchungen gezeigt hätten, dass die entsprechenden Inhalte das System weder durch Training noch auf andere Weise hätten beeinflussen können.

Der Streit offenbart einen neuen Konflikt zwischen der traditionellen akademischen Gemeinschaft und Technologieunternehmen.

Wenn Wissenschaftler ihre noch unausgereiften Ideen an KI-Tools übergeben, kontrollieren die Unternehmen hinter diesen Tools nicht nur Modelle und Rechenleistung, sondern können auch Teams organisieren, um dieselben Probleme zu lösen. Die Regeln für Namensnennung, Zitierung und Priorität, die früher durch Aufsätze, Konferenzen und Austausch unter Kollegen aufrechterhalten wurden, können die Zusammenarbeit in geschlossenen Systemen kaum abdecken.

Wettbewerb um kommerzielle Vorteile wird Ressourcen auf die bekanntesten Probleme lenken, deren Ergebnisse am einfachsten zu bewerten sind – denn die Lösung eines Jahrtausendproblems ist eine auffällige Auszeichnung für die Fähigkeiten eines Modells.

Terence Tao weist darauf hin, dass KI-Unternehmen, die nach berühmten mathematischen Problemen streben, auch das Ansehen nutzen, das die Mathematikgemeinde über Hunderte von Jahren aufgebaut hat. Ergebnisse, die leicht zu bewerten sind, eignen sich für Modellwettbewerbe, aber sie decken nicht alle Werte ab, die eine Wissenschaft schätzt.

Am 11. September unterzeichneten Terence Tao, Yu Deng, Peter Scholze, Pierre Deligne und weitere 25 Fields-Medaillen-Träger eine gemeinsame Erklärung, in der sie die Praxis kritisierten, schwierige mathematische Probleme zu Benchmarks für Modelle zu machen. Sie stellen fest, dass kommerzielle Ziele und die wissenschaftlichen Bedürfnisse der Mathematikgemeinde stark auseinandergefallen sind.

Am selben Tag verglich Terence Tao offene Probleme mit Leuchttürmen.

Die Menschen brechen selten auf, um nur den kleinen Fleck unter dem Leuchtturm zu erreichen. Die Bedeutung des Leuchtturms liegt darin, die umliegende Landschaft zu erhellen, damit Nachwuchsforscher wissen, wie sie weiter navigieren können. Ein großes Problem treibt Forscher dazu, neue Werkzeuge zu entwickeln, Zusammenhänge herzustellen und neue Fragen zu stellen – das Endergebnis ist nur ein Teil des Erfolgs.

Kurz darauf gab Scott Armstrong, Mathematikprofessor an der New York University, bekannt, dass ihm mitgeteilt wurde, dass OpenAI mindestens seit dem Internationalen Mathematikerkongress im Juli hunderte unveröffentlichter mathematischer Beweise angesammelt hat.

Früher sorgten sich die Menschen, dass wichtige Probleme nie bewiesen werden. Heute kann die Geschwindigkeit, mit der Maschinen Ergebnisse erzeugen, die Geschwindigkeit der Peer-Review, der Neuinterpretation und der Aufnahme in Lehrbücher übertreffen. Die Wissensproduktion erleidet damit das, was Terence Tao als „Beweis-Verdauungsstörung“ bezeichnet.

Wenn Maschinen jeden Tag eine große Anzahl von Beweisen schreiben, die niemand versteht, hat die Menschheit nur ein ständig wachsendes Lager an Ergebnissen, aber kein entsprechendes mathematisches Wissen erworben.

Wenn man schwierige Probleme an KI auslagert – woher kommt das Urteilsvermögen junger Menschen?

Die Aufteilung, KI die Probleme lösen zu lassen und Mathematiker für Themenauswahl, Überprüfung und Er