5 Minuten
Eine künstliche Intelligenz hat gerade eine achtzigjährige mathematische Intuition durchstochen. Letzte Woche lieferte ein OpenAI-Modell ein Gegenbeispiel zu einer Vermutung, die Paul Erdős 1946 aufstellte, eine prägnante, hartnäckige Frage über Punkte in der Ebene und ihre Abstände, und die Reaktionen unter Forschern reichten von Ehrfurcht bis Neugier.
Das Problem klingt wie ein Partyrätsel. Platziere n Punkte auf einem unendlichen Blatt Papier. Ordne sie beliebig an. Wie viele Paare dieser Punkte können genau einen Einheitsabstand voneinander haben? Generationen lang war das quadratische Gitter das Standardbild. Es ist ordentlich. Es häuft viele Paare gleichen Abstands an. Es wirkt optimal. Erdős vermutete etwas in dieser Richtung: Keine Konstruktion könne das Gitter bei sehr großem n um einen bedeutenden Anteil übertreffen.
Dieser Glaube prägte Jahrzehnte der Arbeit. Kombinatorik, Graphentheorie, Inzidenzgeometrie, diese Felder kreisten immer wieder um dieselbe Idee und versuchten zu beweisen, dass das Gitter im Wesentlichen am besten sei. Viele Teilergebnisse stützten die Intuition, und die meisten Mathematiker gingen stillschweigend davon aus, dass Erdős wahrscheinlich recht hatte. Dann fand ein allgemein einsetzbares KI-Modell, kein speziell auf Mathematik ausgerichtetes System, eine Konfiguration, die für unendlich viele Werte von n deutlich mehr Einheitsabstandspaare erzeugt, als das Gitter vorhersagt.
Das ist kein marginaler Eingriff. Die neuen Konstruktionen greifen auf algebraische Zahlentheorie und andere klassische Werkzeuge zurück und erzeugen Anordnungen, die das Gitter übertreffen, sobald n astronomisch groß ist, etwa 10 hoch 2.000.000, eine Eins gefolgt von zwei Millionen Nullen. Für alltägliche Größen wirkt das Gitter weiterhin unschlagbar. Aus theoretischer Sicht ist die Vermutung jedoch nicht länger wahr.
Führende Persönlichkeiten des Fachs haben sich schnell geäußert. Daniel Litt, ein kanadischer Mathematiker, nannte das Ergebnis das erste autonom erzeugte KI-mathematische Ergebnis, das er von sich aus interessant findet. Timothy Gowers, ein Fields-Medaillenträger, sagte, er hätte die Arbeit für Spitzenjournale empfohlen, wenn sie von einem Menschen eingereicht worden wäre, und hob die Tiefe der dabei verwendeten Ideen hervor. Das sind keine beiläufigen Befürwortungen.
OpenAI veröffentlichte die Ergebnisse des Modells zusammen mit dem Paper, einschließlich des ursprünglichen Prompts und einer Darstellung der Gedankenkette des Modells. Diese Transparenz ist wichtig. Sie ermöglicht es Forschern nachzuvollziehen, welche bekannten Ideen das Modell zusammenführte und wo es das Argument in neues Terrain lenkte. Sie zeigt auch etwas Überraschendes: Der Durchbruch entstand durch das Zusammenfügen und Neukombinieren von Ideen, die bereits in der Literatur vorhanden waren, statt durch die Erfindung eines völlig fremden Tricks.
Die Episode macht deutlich, wie KI die Praxis mathematischer Forschung verändert. Traditionell beruhen Durchbrüche auf drei verflochtenen Zutaten: tiefer Expertise, die über Jahre geschärft wurde, geduldiger Erforschung zahlreicher Sackgassen und jenen seltenen konzeptuellen Sprüngen, die ein Problem neu rahmen. Computer waren schon lange hervorragend in brutaler Erkundung. Moderne Sprachmodelle bringen zwei weitere Vorteile: Sie sind enzyklopädisch in Bezug auf vergangene Arbeiten und können ohne menschliche Ermüdung eine Vielzahl spekulativer Wege verfolgen.
Diese Fähigkeit erklärt einen Großteil des gegenwärtigen Erfolgs. Gibt man einem Modell ein paar Anstöße, kann es obskure Lemmata abrufen, mit Variationen experimentieren und lange Beweisketten zusammenstellen. Manchmal ist das Ergebnis ein überzeugendes Argument auf menschlichem Niveau. Manchmal ist es ein Keim, den ein versierter Mathematiker zu einem formalen Beweis auspolieren kann. In diesem Fall war die Ausgabe des Modells so überzeugend, dass nachfolgende menschliche Arbeit, einschließlich eines verbesserten Ergebnisses von Will Sawin, direkt auf seiner Argumentationslinie aufbaute. Teams von Google DeepMind haben ebenfalls ihre eigenen Modelle genutzt, um mehrere kleinere Fragen im Werk von Erdős zu lösen, was ein größeres Muster unterstreicht.
Aber kann KI die Quelle echter konzeptueller Revolutionen sein? Die harten, kreativen Einfälle, die sich wie eine Glühbirne anfühlen, sind hartnäckig schwer zu formalisieren. Sie erfordern oft eine Intuition, die sich nicht in routinemäßige Nachschläge oder kombinatorisches Ausprobieren zerlegen lässt. Ob Maschinen diese Sprünge autonom erzeugen können, bleibt eine offene Frage. Für den Moment sind sie hervorragend darin, die menschliche Reichweite zu verstärken: verstreute Ideen zusammenzuführen, die kombinatorische Wildnis zu erkunden und vielversprechende Wege aufzuspüren, die Menschen deutlich länger suchen würden.
Es gibt auch tiefere Implikationen. Die Episode erzwingt eine Neubewertung dessen, was als mathematische Arbeit zählt. Wenn ein Modell autonom ein Gegenbeispiel findet, wem gebührt der Verdienst? Wie sollte das Peer Review angepasst werden, wenn Papers maschinell erzeugte Gedankengänge enthalten? Wie werden Ausbildung und Zusammenarbeit sich verändern, wenn Forschende routinemäßig Systeme konsultieren, die Jahrhunderte der Mathematik durchstreifen und neu kombinieren können?
Mathematik war schon immer ein Gespräch über Generationen hinweg. Erdős selbst liebte dieses Bild: eine Idee, von Geist zu Geist geworfen und in kooperativen Schüben verfeinert. Nun ist der Gesprächspartner manchmal Silizium. Forschende entdecken, dass Maschinen sowohl unermüdliche Assistenten als auch gelegentlich Urheber wirklich interessanter Mathematik sein können. Der nächste große Einfall könnte aus einem auf einer Serviette gekritzelten Beweis kommen, aus einem nächtlichen Gespräch oder aus einem Algorithmus, der ein altes Problem in neuem Licht sah, oder aus allen drei zusammen, die zusammenarbeiten.
Quelle: sciencealert
Kommentar hinterlassen