Die Rolle von KI in der Mathematik: Fortschritte und Herausforderungen

Die rapide Entwicklung künstlicher Intelligenz (KI) stellt etablierte wissenschaftliche Disziplinen vor neue Herausforderungen und Möglichkeiten. Ein aktuelles Beispiel hierfür liefert Professor Timothy Gowers, ein renommierter Fields-Medaillengewinner und Mathematiker der Universität Cambridge. Seine jüngsten Experimente mit ChatGPT 5.5 Pro, einem fortschrittlichen Sprachmodell von OpenAI, zeigen eine bemerkenswerte Fähigkeit der KI zur unabhängigen mathematischen Forschung auf Doktoranden-Niveau. Diese Entwicklung, die Gowers in seinem Blog detailliert beschreibt, hat weitreichende Implikationen für die mathematische Gemeinschaft und darüber hinaus.

ChatGPT 5.5 Pro und die additive Zahlentheorie

Professor Gowers setzte ChatGPT 5.5 Pro bei der Bearbeitung offener Probleme aus einem Fachartikel des Zahlentheoretikers Mel Nathanson ein. Dieser Artikel befasst sich mit den möglichen Größen bestimmter Mengen von Integer-Summen und der Effizienz, mit der Mengen mit vorgegebenen Eigenschaften konstruiert werden können. Gowers' Ziel war es, die Leistungsfähigkeit des Sprachmodells bei komplexen mathematischen Fragestellungen zu evaluieren.

Signifikante Verbesserung einer mathematischen Schranke

Ein zentrales Problem in Nathansons Arbeit betraf die Verbesserung einer bereits bestehenden exponentiellen Schranke. ChatGPT 5.5 Pro analysierte die Fragestellung und präsentierte nach einer Bearbeitungszeit von lediglich 17 Minuten und 5 Sekunden eine Konstruktion, die eine quadratische obere Schranke lieferte. Diese Lösung wird im Fachgebiet als optimal angesehen. Die Kernidee der KI bestand darin, eine Komponente in Nathansons Beweis durch eine effizientere Variante zu ersetzen, die zwar in der Kombinatorik bekannt ist, deren Anwendung auf dieses spezifische Problem jedoch nicht offensichtlich war.

Anschließend wurde die KI gebeten, das Argument in Form eines LaTeX-Preprints zu verfassen. Diesen Schritt vollzog ChatGPT 5.5 Pro in weiteren 2 Minuten und 23 Sekunden. Nach einer Überprüfung der Korrektheit durch Gowers löste das Modell problemlos eine verwandte Problemvariation. Beide Ergebnisse wurden als Preprint veröffentlicht.

Die Verallgemeinerung des Problems und Isaac Rajagopals Beitrag

Eine verallgemeinerte Version des Problems erwies sich als komplexer. Hierbei griff Gowers auf die Vorarbeiten von Isaac Rajagopal, einem Studenten des MIT, zurück, der bereits eine exponentielle Abhängigkeit nachgewiesen hatte. Gowers stellte ChatGPT Rajagopals Arbeit zur Verfügung und forderte eine Verbesserung.

Die KI lieferte nach 16 Minuten und 41 Sekunden eine erste Verbesserung. Rajagopal bewertete diesen Schritt als korrekt, sah ihn jedoch als eine routinemäßige Modifikation seiner eigenen Arbeit an. Gowers forderte die KI daraufhin auf, eine noch stärkere Schranke zu finden. Nach einer weiteren Denkphase von 13 Minuten und 33 Sekunden meldete das Modell Optimismus, wies jedoch auf zwei technische Aussagen hin, die noch überprüft werden müssten. Die Überprüfung erfolgte innerhalb von 9 Minuten und 12 Sekunden, woraufhin das vollständige Preprint in weiteren 31 Minuten und 40 Sekunden erstellt wurde. Das Modell hatte die Schranke von exponentiell auf polynomial verbessert.

Bewertung der KI-Leistung durch Experten

Isaac Rajagopal beurteilte die Ergebnisse der KI als "nahezu sicher korrekt", sowohl auf der Ebene der einzelnen Beweisschritte als auch hinsichtlich der zugrunde liegenden Ideen. Er hob hervor, dass die erste Verbesserung zwar eine "routinemäßige Modifikation" darstellte, die Erhöhung auf eine polynomiale Schranke jedoch "ziemlich beeindruckend" sei.

Rajagopal bezeichnete die Schlüsselidee des Modells als "ziemlich genial". Die KI fand einen unkonventionellen Weg, bestimmte algebraische Strukturen zu komprimieren, sodass sie in einen kleineren Zahlenbereich passten, ohne ihre entscheidenden kombinatorischen Eigenschaften zu verlieren. Rajagopal äußerte, dass er "sehr stolz wäre, wenn er selbst nach ein oder zwei Wochen Nachdenken auf eine solche Idee gekommen wäre", während ChatGPT weniger als eine Stunde benötigte, um sie zu finden und zu beweisen. Soweit er beurteilen konnte, sei die Idee "völlig originell" gewesen.

Auswirkungen auf die mathematische Forschung und Ausbildung

Gowers stuft das Ergebnis von ChatGPT 5.5 Pro als "ein durchaus vernünftiges Kapitel in einer kombinatorischen Doktorarbeit" ein. Er betont, dass es zwar keine "erstaunliche Entdeckung" sei, da es stark auf Rajagopals Ideen aufbaue, aber dennoch eine "nicht-triviale Erweiterung" dieser Ideen darstelle. Für einen Doktoranden hätte die Erarbeitung einer solchen Erweiterung erhebliche Zeit und Aufwand erfordert, um Rajagopals Arbeit zu durchdringen, Schwachstellen zu identifizieren und Techniken anzupassen.

Verschiebung der Forschungsstandards

Gowers zieht weitreichende Schlussfolgerungen: "Die Untergrenze für Beiträge zur Mathematik wird nun darin bestehen, etwas zu beweisen, das LLMs nicht beweisen können, anstatt einfach etwas zu beweisen, das bisher niemand bewiesen hat und das zumindest jemand interessant findet." Er schränkt dies jedoch ein: Doktoranden könnten LLMs als Werkzeug nutzen. Die eigentliche Aufgabe bestünde dann darin, in Zusammenarbeit mit LLMs etwas zu schaffen, was die Modelle allein nicht leisten können.

Gowers stellt ein Gedankenexperiment an: Würde man es als große Leistung eines Mathematikers ansehen, wenn dieser ein großes Problem durch einen langen Austausch mit einem LLM löst, bei dem der Mathematiker eine nützliche leitende Rolle spielt, das LLM aber die gesamte technische Arbeit leistet und die Hauptideen hat? Gowers bezweifelt dies.

Dennoch sieht er einen Wert im eigenen Ringen mit mathematischen Problemen. Wer schwierige Probleme selbst gelöst hat, gewinnt Einblicke in den Problemlösungsprozess, die man durch bloßes Lesen von Lösungen anderer nicht erhält. Gowers prognostiziert, dass ein Student, der heute ein Doktorat beginnt und frühestens 2029 abschließt, die mathematische Forschung bis dahin "völlig verändert" vorfinden wird.

Diese Vision deckt sich mit der des Mathematikers Terence Tao, der eine "industrielle Mathematik" durch KI-Tools voraussieht, bei der große Teams mit KI-Unterstützung breit angelegte Forschung betreiben, anstatt dass einzelne Forscher jahrelang an eng gefassten Problemen arbeiten.

Die fortschreitende Integration von KI in die Mathematik

Die Nutzung von KI in der mathematischen Forschung ist kein neues Phänomen, hat aber in den letzten Jahren an Tiefe gewonnen. Frühere Anwendungen von GPT-5 zur Lösung von Erdős-Problemen beschränkten sich zunächst auf das Auffinden bestehender Lösungen in der Literatur. Ein klarer Fortschritt zeigte sich, als GPT-5.2 Pro das Erdős-Problem #728 "mehr oder weniger autonom" löste, ohne dass eine entsprechende Lösung in der Literatur gefunden werden konnte. Später löste GPT-5.4 Pro ein langjähriges offenes Erdős-Problem.

Ähnliche Fortschritte sind auch in anderen wissenschaftlichen Bereichen zu beobachten. Ein Physiker veröffentlichte im Dezember 2025 eine Arbeit, deren zentrale Idee von GPT-5 stammte. Dies deutet darauf hin, dass hybride Mensch-KI-Kooperationen in den formalen Wissenschaften bald Standard werden könnten und Sprachmodelle zunehmend als autonome Forschungsagenten fungieren.

Herausforderungen und Risiken

Trotz dieser beeindruckenden Entwicklungen gibt es weiterhin Herausforderungen. Google DeepMind verzeichnete mit seinem KI-Agenten Aletheia sowohl Durchbrüche als auch ernüchternde Misserfolgsraten. Das System schrieb eigenständig eine mathematische Arbeit, widerlegte eine jahrzehntealte Annahme und entdeckte einen Fehler in einer Kryptographie-Arbeit. Bei systematischen Tests an 700 offenen mathematischen Problemen erwiesen sich jedoch nur 6,5 Prozent der Antworten als brauchbar.

Terence Tao weist darauf hin, dass Erdős-Probleme in ihrem Schwierigkeitsgrad "um mehrere Größenordnungen" variieren können. Die Tatsache, dass ein Problem 50 Jahre alt ist und von einer KI gelöst wird, bedeutet nicht zwangsläufig, dass es ein halbes Jahrhundert lang allen menschlichen Bemühungen widerstanden hat. Oftmals wurde es einfach nicht ernsthaft bearbeitet.

Die Frage nach der Originalität und der Zuverlässigkeit von KI-generierten Ergebnissen bleibt ein zentrales Thema. Die mathematische Gemeinschaft steht vor der Aufgabe, Mechanismen für die Validierung, Veröffentlichung und Anerkennung von KI-Beiträgen zu entwickeln, die dem traditionellen wissenschaftlichen Ethos gerecht werden und gleichzeitig die Potenziale dieser neuen Technologien ausschöpfen.

Die Entwicklungen im Bereich der KI und der Mathematik sind dynamisch. Die Beobachtungen und Erfahrungen von Experten wie Timothy Gowers bieten wertvolle Einblicke in die Transformation, die die wissenschaftliche Forschung in den kommenden Jahren erfahren könnte.

Bibliography: - Gowers, Timothy. "A recent experience with ChatGPT 5.5 Pro." Gowers's Weblog, 8 May 2026. - Bastian, Matthias. "Fields Medalist says ChatGPT 5.5 Pro delivered 'PhD-level' math research in under two hours with zero human help." The Decoder, 9 May 2026. - OpenAI. "ChatGPT 5.5 Pro Solves Doctoral-Level Math Problems, Raises Questions About Future of Mathematical Research." LavX News, 9 May 2026. - OfficeChai Team. "GPT 5.5 Pro Proved A Result That Would've Made A Reasonable Chapter In A Math PhD Thesis: Fields Medal Winner Timothy Gowers." OfficeChai, 10 May 2026.