Gleicher Beweis, drei Stunden Abstand: Wenn alle dieselbe KI fragen

Am selben Tag, mit gerade einmal drei Stunden und 18 Minuten Abstand, reichten zwei Forscherteams auf arXiv.org denselben mathematischen Beweis ein: eine effiziente Lösung für „unklonierbare Verschlüsselung“, ein seit Jahren offenes Problem der Quantenkryptografie. Beide Teams kannten sich nicht ab, beide nutzten dasselbe KI-Modell, OpenAIs GPT-5.6 Sol Ultra, um dorthin zu kommen. Der Zufall wirft eine unbequeme Frage auf: Was bedeutet wissenschaftliche Entdeckung noch, wenn alle dieselbe Maschine fragen?

Das Wichtigste in Kürze

• MIT-Doktorand Seyoon Ragavan sowie die Professoren Prabhanjan Ananth (UC Santa Barbara) und Amit Sahai (UCLA) reichten unabhängig voneinander Beweise für dasselbe offene Problem ein.
• Beide Teams setzten GPT-5.6 Sol Ultra ein, allerdings mit unterschiedlichen Methoden: Ragavan arbeitete interaktiv in Zwei-Stunden-Etappen, Ananth und Sahai nutzten ein UCLA-System mit vier koordinierten KI-Agenten.
• Gelöst wurde die Frage, ob „unklonierbare Verschlüsselung“ auch effizient und ohne zusätzliche Sicherheitsannahmen möglich ist – zuvor gab es dazu nur langsame oder theoretische Ansätze.
• Die Frage war zuvor am Simons Institute in Berkeley öffentlich als offenes Problem genannt worden, was beide Teams unabhängig auf dieselbe Spur brachte.
• Forscher warnen vor einer neuen Kluft zwischen jenen mit und ohne Zugang zu den leistungsfähigsten KI-Systemen.

Was da eigentlich beweisen wurde

„Unklonierbare Verschlüsselung“ nutzt eine Eigenheit der Quantenphysik: Das No-Cloning-Theorem verbietet es, einen unbekannten Quantenzustand exakt zu kopieren. Verschlüsselt man eine Nachricht in mehreren Quantenzuständen statt in klassischen Bits, kann ein Angreifer sie zwar abfangen, aber nicht verlustfrei duplizieren und an Dritte weitergeben. Selbst mit späterem Zugriff auf den Schlüssel bleibt für einen Mitleser nur eine Rate-Chance von 50 Prozent, wie ein Münzwurf. Bislang war diese Idee zwar theoretisch bewiesen, praktisch aber entweder zu langsam oder auf zusätzliche, unbewiesene Sicherheitsannahmen angewiesen. Ananth und Sahai sowie unabhängig davon Ragavan zeigten nun, dass eine effiziente Variante ganz ohne solche Zusatzannahmen auskommt – die Sicherheit wächst dabei exponentiell mit der Zahl verwendeter Quantenzustände.

Zwei Wege, ein Ergebnis

Bemerkenswert ist weniger das Resultat selbst als der Weg dorthin. Ragavan, im dritten Jahr seiner Promotion am MIT, dirigierte GPT-5.6 Sol Ultra in disziplinierten Zwei-Stunden-Blöcken: Modell rechnen lassen, Zwischenstand prüfen, korrigieren, weiter. Ananth und Sahai griffen dagegen auf ein eigens an der UCLA gebautes System zurück, das vier KI-Agenten parallel Lösungswege verfolgen und sich gegenseitig kritisieren lässt. Beide Ansätze führten, ausgehend von derselben öffentlich gestellten Frage am Simons Institute in Berkeley, zum gleichen mathematischen Kern. „Wenn jemand ein offenes Problem nennt, schaut man mittlerweile zuerst, ob GPT es löst“, sagt Ananth dazu. Ragavan formuliert es noch drastischer: „Die Art, wie ich forsche, hat nichts mehr mit dem zu tun, was ich vor zwei Monaten gemacht habe.“ Ähnliche Dynamiken zeigen sich derzeit branchenweit, wie auch der kürzlich gelöste 80 Jahre alte Mathe-Rätsel zeigt, bei dem Mathematiker ebenfalls uneins waren, wie viel Anerkennung der KI und wie viel den Forschenden zusteht.

Wettrennen um die Anerkennung

Für die Wissenschaft ist das eine neue Situation. Priorität, also wer eine Entdeckung zuerst gemacht hat, ist in der Forschung traditionell die Währung für Reputation, Berufungen und Fördergelder. Wenn aber ein und dasselbe KI-Modell mehreren Teams gleichzeitig denselben Lösungsweg liefert, verschiebt sich der Wettbewerb von der Idee zur Ausführung: Wer das Modell geschickter anleitet oder schneller auf „Einreichen“ klickt, gewinnt. Die Physikerin Anne Broadbent bringt die Kehrseite auf den Punkt: Sie sehe „viele Fragen zu Haves und Have-nots“ – nicht jede Forschungsgruppe hat Zugang zu den teuersten, leistungsfähigsten Modellen oder zu maßgeschneiderten Multi-Agenten-Systemen wie dem der UCLA. Das könnte den Vorsprung gut ausgestatteter Institutionen weiter vergrößern, während Nachwuchsforschende ohne solchen Zugang das Nachsehen haben. Auch die klassische Qualitätssicherung gerät unter Druck: Beide Arbeiten sind bislang Preprints, ein formelles Peer-Review-Verfahren steht noch aus, ähnlich wie bei den kürzlich veröffentlichten, ebenfalls KI-gestützten Mathematik-Ergebnissen aus OpenAIs Astra-Projekt.

Was folgt daraus

Der Fall zeigt weniger, dass KI-Modelle plötzlich eigenständig Wissenschaft betreiben, als dass sie zu einem Standardwerkzeug für Fachleute geworden sind, die genau wissen, wonach sie suchen. Beide Teams brachten Fachwissen, Intuition und die Fähigkeit mit, KI-Vorschläge kritisch zu prüfen und zu korrigieren, das Modell allein hätte das Problem nicht gelöst. Trotzdem verschiebt sich die Forschungspraxis spürbar: Offene Probleme werden künftig häufiger zuerst der KI vorgelegt, bevor Menschen selbst rechnen. Für die Community entscheidend wird sein, wie Fachzeitschriften und Förderinstitutionen mit KI-Beteiligung bei Autorenschaft und Zitierung umgehen, und ob sich der Zugang zu leistungsfähigen Systemen demokratisieren lässt, bevor sich neue Gräben zwischen gut und schlecht ausgestatteten Forschungsgruppen verfestigen.