Die Grenzen der kreativen Fähigkeiten von KI in der Mathematik

Die Leistungsfähigkeit großer Sprachmodelle (LLMs) hat in den letzten Jahren beeindruckende Fortschritte gemacht und ihren Nutzen in vielen Anwendungsbereichen unter Beweis gestellt. Insbesondere in der Verarbeitung und Generierung von Texten, aber auch bei komplexen Berechnungen, zeigen sie bemerkenswerte Ergebnisse. Doch wie steht es um ihre Fähigkeiten in einem der abstraktesten und kreativsten Bereiche menschlichen Denkens – der Mathematik? Eine Reihe führender Mathematiker hat sich kritisch zu dieser Frage geäußert und die Grenzen von LLMs in Bezug auf echte mathematische Innovation und Kreativität beleuchtet.

Die Rechenstärke von LLMs: Beeindruckend, aber begrenzt

Die allgemeine Auffassung unter Mathematikern ist, dass LLMs hervorragende Fähigkeiten als "Rechner" und "Problemlöser" innerhalb etablierter Rahmenbedingungen besitzen. Sie können mathematische Aufgaben effizient lösen, bestehende Theorien anwenden und logische Schlussfolgerungen ziehen, sofern die notwendigen Informationen und Methoden in ihren Trainingsdaten enthalten sind. Dies umfasst auch die Fähigkeit, komplexe Rechenschritte auszuführen und umfangreiche Literatursuchen durchzuführen, um bekannte Lösungen oder Ansätze zu finden. Timothy Gowers, ein renommierter Mathematiker, hebt hervor, dass aktuelle Modelle sehr gut darin sind, bekannte Methoden zu kombinieren und eine Vielzahl von Suchpfaden zu erkunden. Diese Fähigkeit ist zweifellos wertvoll und hat zu Erfolgen bei der Lösung einiger langjähriger Forschungsprobleme geführt, wie beispielsweise bestimmter Erdős-Probleme.

Grenzen der Intuition und Abstraktion

Trotz dieser beeindruckenden Leistungen betonen Experten wie Gowers und Peter Sarnak, dass LLMs entscheidende Grenzen aufweisen, wenn es um die Entwicklung wirklich neuer, kreativer mathematischer Ideen geht. Ihnen fehle die Intuition, die es einem menschlichen Mathematiker ermöglicht, aus einem riesigen Suchraum die wenigen produktiven Routen auszuwählen. Sarnak fügt hinzu, dass KI zwar Ergebnisse aus bestehenden Theorien ableiten kann, es ihr jedoch an der Fähigkeit mangelt, die Abstraktionen zu entwickeln, die den grundlegenden Beweisen zugrunde liegen, wenn man von einer elementaren Frage ausgeht. Dies ist ein entscheidender Punkt, da mathematische Durchbrüche oft nicht in der bloßen Anwendung bekannter Regeln bestehen, sondern in der Schaffung neuer Konzepte und Perspektiven.

Der DeepMind-Forscher Tom Zahavy kommt zu einem ähnlichen Schluss in seinem Papier "LLMs Can't Jump". Er identifiziert den Engpass als "manipulative Abduktion" – die Fähigkeit, neue grundlegende Annahmen zu erfinden, die keinen sprachlichen Präzedenzfall haben. Diese Fähigkeit ist für die Entwicklung bahnbrechender mathematischer Theorien unerlässlich, da sie das Denken jenseits des bereits Bekannten erfordert.

Menschliche Kreativität als unersetzlicher Faktor

Fields-Medaillengewinner wie Manjul Bhargava betonen, dass KI die menschliche Kreativität nicht erreichen kann. Während KI-Systeme darin geschult werden, Muster in riesigen Datensätzen zu erkennen und darauf basierend Vorhersagen oder Lösungen zu generieren, fehlt ihnen die Fähigkeit zu echtem kritischen Denken und zur Entwicklung völlig neuartiger Konzepte. Die menschliche Fähigkeit, "Mathematik um der Mathematik willen" zu betreiben, also aus intrinsischer Motivation und Neugier heraus neue Wege zu erforschen, bleibt ein Alleinstellungsmerkmal, das die Entwicklung von Kreativität und Problemlösungsfähigkeiten fördert.

Experimente zur Messung mathematischer Innovation

Um die Grenzen und Potenziale von KI in der Mathematik genauer zu definieren, haben Harvard-Professoren und andere weltweit anerkannte Mathematiker ein groß angelegtes Experiment gestartet. Sie fordern KI-Unternehmen heraus, eine Reihe schwieriger Probleme zu lösen, die die Mathematiker selbst kürzlich gelöst, aber geheim gehalten haben. Da keine Lösungen für diese Fragen im Internet oder in anderen Quellen verfügbar sind, können die Sprachmodelle nicht auf bereits erlerntes Wissen zurückgreifen. Ziel ist es, zu testen, wie weit eine KI über ihre Trainingsdaten hinausgehen und eigene Lösungsansätze entwickeln kann.

Martin Hairer, ein weiterer Fields-Medaillengewinner, bekräftigte bei der ISAAC 2025 Konferenz, dass KI keine neuen Ideen generiert. Diese Einschätzungen tragen zur breiteren Debatte bei, ob LLMs tatsächlich vielseitiger werden oder lediglich besser darin, Benchmarks und bekannte Problemräume zu bewältigen.

Ausblick: Die Rolle von KI in der zukünftigen Mathematik

Die Diskussion um die kreativen Fähigkeiten von LLMs in der Mathematik ist noch lange nicht abgeschlossen. Es wird deutlich, dass KI-Systeme als leistungsstarke Werkzeuge für die Berechnung, Datenanalyse und das Auffinden von Mustern dienen können. Sie können menschliche Mathematiker bei der Bewältigung komplexer Routineaufgaben unterstützen und ihnen so mehr Zeit für kreatives Denken verschaffen. Die eigentliche Innovation, das Erfinden grundlegend neuer mathematischer Theorien und Konzepte, scheint jedoch weiterhin eine Domäne der menschlichen Intelligenz und Intuition zu bleiben. Die Entwicklung von "World Models" könnte einen zukünftigen Weg aufzeigen, um die Fähigkeiten von KI in dieser Hinsicht zu erweitern, doch bis dahin bleibt die menschliche Kreativität in der Mathematik unersetzlich.

Die kontinuierliche Zusammenarbeit zwischen Mathematikern und KI-Forschern wird entscheidend sein, um die Stärken beider Seiten optimal zu nutzen und die Grenzen des mathematischen Wissens weiter zu verschieben.

Bibliographie

- The Decoder: "Top mathematicians say LLMs are strong calculators but poor creative thinkers" - Gowers's Weblog: "What sort of maths are LLMs good at?" - Harvard Gazette: "When you do the math, humans still rule" - TickrWire: "Mathematicians critique LLMs as calculators not innovators in breakthrough thinking" - Heise Online: "Can AI deliver new mathematical insights? Top researchers put it to the test" - The Atlantic: "AI Is Unlocking a New Way of Doing Math" - Nazarbayev University: "Martin Hairer at ISAAC 2025: AI Does Not Generate New Ideas" - Mint: "AI can’t match human creativity, says Fields medalist Manjul Bhargava" - Carmin.tv: "Why are LLMs not Better at Finding Proofs?" - Phys.org: "When you do the math, humans still rule"