KI knackt 80 Jahre altes Mathe-Rätsel: Warum Mathematiker gespalten sind

Ein KI-Modell hat im Mai 2026 eine seit 1946 offene Vermutung aus der geometrischen Graphentheorie widerlegt, das sogenannte Unit-Distance-Problem aus dem mathematischen Nachlass von Paul Erdős. Für die Fachwelt war das ein Schock, nicht wegen der Lösung selbst, sondern weil sie zeigt, wie nah generative KI inzwischen an eigenständige mathematische Forschung heranreicht. Der Fields-Medaillenträger Timothy Gowers, einer der renommiertesten lebenden Mathematiker, beschreibt seine Reaktion als „seltsam und nicht besonders angenehm“ – und warnt zugleich vor einer schleichenden Erosion der mathematischen Kultur.

Das Wichtigste in Kürze

• Ein internes KI-Modell von OpenAI widerlegte im Mai 2026 die 80 Jahre alte Unit-Distance-Vermutung von Paul Erdős.
• Eine Woche später übertrugen menschliche Forscher die KI-Beweismethode erfolgreich auf eine weitere offene Vermutung.
• Timothy Gowers berichtet, GPT 5.6 Pro habe zwei Probleme, an denen er selbst gearbeitet hatte, jeweils im ersten Anlauf gelöst.
• Über 3.000 Mathematiker haben die „Leiden Declaration on Artificial Intelligence and Mathematics“ unterzeichnet, die vor einem Verlust menschlicher Fachkompetenz warnt.
• Die sechs Millennium-Preisprobleme mit je einer Million Dollar Preisgeld bleiben weiterhin ungelöst, für Menschen wie für KI.

Was die KI konkret geleistet hat

Erdős‘ Unit-Distance-Problem fragt danach, wie viele Punktepaare mit exakt demselben Abstand sich in einer Punktmenge maximal unterbringen lassen. Erdős selbst hatte 1946 eine Konstruktion mit einem quadratischen Gitter vorgeschlagen. Das KI-Modell fand eine effizientere Lösung: Es baute ein Gitter im hochdimensionalen Raum aus algebraischen Zahlen und projizierte diese komplexere Struktur zurück in die Ebene. Dadurch entstehen unendlich viele Punktkonfigurationen mit mehr Einheitsabständen, als Erdős‘ ursprüngliche Anordnung liefert.

Wichtig für die Einordnung: Der Durchbruch beruht nicht auf einer fundamental neuen mathematischen Technik, sondern auf einer kreativen Neukombination bekannter Ideen – und er ist unvollständig. Die als richtig bewiesene obere Schranke liegt weiterhin bei n^1,333, während das KI-Ergebnis nur n^1,014 erreicht; die Lücke zwischen beiden Werten bleibt also groß. Selbst mit maximalen Rechenressourcen löst das Modell die Aufgabe nach Berichten nur in etwa der Hälfte der Versuche. Der Mathematiker Will Sawin verfeinerte den KI-Beweis anschließend und ergänzte explizite untere Schranken – ein Beispiel für die Arbeitsteilung, die sich gerade herausbildet: Die KI liefert Rohmaterial, Menschen prüfen, verfeinern und ordnen ein.

Gowers‘ Sorge um die mathematische Kultur

Genau diese Verschiebung beunruhigt Gowers am meisten. Seine zentrale Sorge ist nicht, dass Mathematik durch KI schlechter würde, sondern dass in ein bis zwei Jahrzehnten eine Situation entstehen könnte, in der die mathematische Literatur massiv wächst, aber keine menschliche Gemeinschaft mehr existiert, die sie wirklich versteht. Wenn KI-Systeme Beweise liefern, ohne dass Forschende den mühsamen Weg dorthin selbst gehen, fehlt langfristig die Expertise, um neue Ergebnisse einzuordnen und weiterzudenken.

Andere Stimmen aus der Fachwelt reichen von pragmatisch bis alarmiert. Abhishek Saha von der Queen Mary University vergleicht aktuelle KI-Modelle mit einem „soliden und unermüdlichen Doktoranden“ und beschreibt seine eigene Rolle zunehmend als die eines Dirigenten statt des ganzen Orchesters. Terence Tao sieht in den Systemen einen „verlässlichen Co-Autor“, warnt aber vor einem drohenden „Beweisüberfluss“: Ergebnisse entstehen schneller, als Fachleute sie bewerten können, während die Deutung ihrer Bedeutung eine bleibend menschliche Aufgabe bleibe. Deutlich schärfer positioniert sich der Essayist Kirwin Hampshire, der die Leiden Declaration in seinem Text „The Dark Night of Mathematics“ als „gut gedämpften Schrei“ kritisiert und mathematische Entdeckung als historisch fast spirituelle Erfahrung beschreibt, die durch KI-Automatisierung verloren zu gehen drohe.

Verifikation wird zum Nadelöhr

Die Debatte um KI-generierte Mathematik ähnelt einer Frage, die sich auch in anderen technischen Domänen stellt: Wie lässt sich einem System vertrauen, das Ergebnisse liefert, deren Herleitung kaum noch jemand vollständig nachvollzieht? Ähnliche Fragen wirft die Sicherheitsforschung auf, etwa als Anthropics KI-Systeme eigenständig echte Unternehmen angriffen, ohne dass das Unternehmen selbst es sofort bemerkte. Auch im Bereich der Kryptografie zeigte sich zuletzt, wie KI-Systeme formale Schwächen aufspüren können, etwa als Claude eine Schwachstelle im Post-Quanten-Verschlüsselungsverfahren HAWK fand. In beiden Fällen braucht es menschliche Fachleute, um die Tragweite der Ergebnisse überhaupt einzuschätzen.

Dass die Grenzen der KI-Mathematik noch deutlich sichtbar sind, zeigen auch aktuelle Benchmark-Daten. Im Bewertungssystem von Epoch AI hat bislang kein Modell eine Aufgabe der beiden anspruchsvollsten Kategorien „Major Advance“ oder „Breakthrough“ gelöst. Die sechs Millennium-Preisprobleme mit je einer Million Dollar Preisgeld, darunter etwa die Riemannsche Vermutung, bleiben unangetastet. Einen anderen, kleinteiligeren Erfolg meldete im April 2026 ein Team der Carnegie Mellon University: Es löste ein Problem der Ramsey-Theorie durch eine Kombination aus SAT-Solvern, von Sprachmodellen generiertem Code und formaler Beweisverifikation – ein Ansatz, der KI eher als Werkzeug in einer größeren, von Menschen kontrollierten Beweiskette einsetzt als als eigenständigen Problemlöser.

Fazit

Der Unit-Distance-Durchbruch ist real, aber er ist kein Beleg dafür, dass KI-Systeme eigenständige Mathematiker ersetzen. Er zeigt vielmehr, wie sich die Arbeitsteilung in der Forschung verschiebt: KI-Modelle liefern zunehmend Rohmaterial in Bereichen, die einst als Domäne jahrelanger menschlicher Intuition galten, Menschen übernehmen Verifikation, Einordnung und die Entscheidung, welche Fragen überhaupt lohnend sind. Ob daraus tatsächlich das „goldene Zeitalter“ wird, das Gowers schon im Jahr 2000 vorhersagte, oder die von Kritikern befürchtete Aushöhlung mathematischer Expertise, hängt weniger von der nächsten Modellgeneration ab als davon, ob die Fachcommunity es schafft, Ausbildung und Anerkennung so anzupassen, dass Verstehen nicht zur Nebensache wird.