Die Mathematik ist in einer Phase angekommen, die sich kaum noch mit dem gewohnten Wort „Fortschritt“ beschreiben lässt. Noch 2025 galten Goldmedaillen-Niveau bei der Internationalen Mathematik-Olympiade als spektakulärer Maßstab für KI. Wenige Monate später legt OpenAI zehn neue Ergebnisse zu langjährigen offenen Problemen der Mathematik und theoretischen Informatik vor. Einige Fragen seien damit gelöst, andere wesentlich vorangebracht worden. Seit unserer Erstmeldung zu Astra wird vor allem eines sichtbar: Entscheidend ist nicht nur, was gelungen ist, sondern in welchem Tempo.
Ob man diesen Moment bereits „Intelligence Explosion“ nennt, ist zweitrangig. Messbar ist eine drastische Verdichtung wissenschaftlicher Arbeit: Ein internes Modell namens Astra habe die mathematischen Argumente erzeugt. Menschen hätten daraus gemeinsam mit dem Modell Manuskripte erstellt. Anschließend habe Astra jedes Argument in Lean formalisiert, einer Software, die logische Schritte maschinell prüfen kann. Aus einer einzelnen Modellgeneration wird damit eine vollständige Forschungspipeline.
Die eigentliche Sensation ist die Zeitachse
2025 erreichten OpenAI und Google DeepMind bei der Mathematik-Olympiade nach eigenen Angaben Goldmedaillen-Niveau. Im Mai 2026 veröffentlichte OpenAI die KI-generierte Widerlegung einer Erdős-Vermutung aus der diskreten Geometrie. Anfang August folgte bereits die nächste Größenordnung: zehn Resultate aus Hochdimensionaler Geometrie, Kodierungstheorie, Gruppentheorie, Quantenkomplexität, Gitterkryptografie und Extremaler Kombinatorik.
Die Kurve, über die auf X inzwischen halb scherzhaft Buch geführt wird, zeigt deshalb mehr als Social-Media-Euphorie. Innerhalb eines Jahres hat sich der öffentlich sichtbare Maßstab von anspruchsvollen Wettbewerbsaufgaben zu Problemen verschoben, an denen Fachgemeinschaften seit Jahren oder Jahrzehnten arbeiten.
Zehn Ergebnisse auf einmal
Die Veröffentlichung von OpenAI umfasst unter anderem neue Grenzen für Kugelpackungen in hohen Dimensionen, verbesserte Schranken für fehlerkorrigierende Codes und neue Resultate für Quanten-Spiele und Gitterprobleme. Besonders weitreichend ist die Konstruktion einer nicht-sofischen Gruppe. Ob solche mathematischen Strukturen überhaupt existieren, war eine zentrale offene Frage der Gruppentheorie.
Hinzu kommen eine Widerlegung von Connes' Rigiditätsvermutung, Fortschritte bei der Komplexität arithmetischer Schaltkreise und Resultate zu drei Erdős-Problemen. Das ist keine einzelne brillante Antwort auf eine gut vorbereitete Frage. Es ist ein Bündel neuer Forschungsergebnisse über mehrere weit voneinander entfernte Fachgebiete hinweg.
Rund 2.000 Dollar verändern die Forschungsökonomie
OpenAI zufolge hätten die Token, die zum Auffinden der zehn Ergebnisse benötigt wurden, zu den API-Preisen von GPT-5.6 Sol rund 2.000 US-Dollar gekostet. Diese Zahl umfasst weder das Training des Modells noch die Entwicklung der Infrastruktur oder die menschliche Arbeit an den Manuskripten. Trotzdem markiert sie einen Einschnitt: Der zusätzliche Rechenaufwand für eine weitere groß angelegte mathematische Suche wird plötzlich zu einem überschaubaren Experimentbudget.
Genau darin liegt die atemberaubende Beschleunigung. Die jetzt veröffentlichten Resultate zeigen, dass ein Modell nicht mehr nur ein sorgfältig ausgewähltes Problem bearbeiten kann, sondern innerhalb einer Veröffentlichung Ergebnisse über mehrere Fachgebiete hinweg liefert. Der zusätzliche Suchaufwand wird in Token messbar, während erfolgreiche Argumente unmittelbar formalisiert und zur fachlichen Prüfung veröffentlicht werden können.
Aus Beweisen wird eine industrielle Pipeline
Der Analyst Eddie, der auf X unter LiquiditySnack schreibt, beschreibt den neuen Ablauf so: Früher habe ein Mensch die Idee gefunden, den Satz bewiesen und die Fachwelt das Ergebnis verarbeitet. Nun entdecke die KI den Beweis, Menschen prüften ihn und versuchten anschließend zu verstehen, welches Prinzip das Modell gefunden habe.
Auch der unter dem Namen QuantumTumbler schreibende Kommentator sieht darin den eigentlichen Meilenstein: Entdeckung, formale Verifikation und menschliche Begutachtung würden Teil derselben Pipeline. Die entscheidende Frage sei damit nicht mehr, ob KI Mathematiker ersetze, sondern wie sich Mathematik verändere, wenn Maschinen zu echten Forschungspartnern würden.
Was hier tatsächlich explodiert
Suchbreite: Die zehn Ergebnisse reichen von Geometrie und Gruppentheorie bis zu Quantenkomplexität und Kryptografie. Die Suche ist nicht mehr auf ein einzelnes Fachgebiet begrenzt.
Grenzkosten: Weitere Versuche werden zu kalkulierbaren Rechenläufen. Das macht systematische Forschung in einer bisher unmöglichen Größenordnung denkbar.
Prüfbarkeit: Lean-Zertifikate ersetzen nicht die fachliche Einordnung, beschleunigen aber die Kontrolle der formalen Logik und schaffen eine gemeinsame Prüfgrundlage.
Einordnung, die das Tempo erst sichtbar macht
Der Mathematiker Valerio Capraro unterscheidet zwischen Fortschritt innerhalb vorhandener Begriffswelten und dem Erfinden völlig neuer Begriffswelten. Astra habe außerordentlich schwierige Probleme innerhalb bestehender mathematischer Rahmen bearbeitet. Infinitesimalrechnung, Topologie oder Schematheorie hätten dagegen einst verändert, welche Fragen überhaupt gestellt werden konnten.
Für die Bedeutung des aktuellen Sprungs ist diese Unterscheidung hilfreich. Selbst wenn KI zunächst vorhandene Wissensräume mit bislang unerreichbarer Geschwindigkeit durchsucht, verändert sie bereits deren wirtschaftliche und wissenschaftliche Nutzung. Nicht jeder Fortschritt muss eine neue Mathematik erfinden, um Forschung um Größenordnungen zu beschleunigen. Wenn innerhalb bekannter Räume plötzlich zehn langjährige Probleme gleichzeitig bearbeitet werden, verschiebt sich die Grenze des praktisch Machbaren.
Formalisierbare Arbeit wird zuerst beschleunigt
Der Biologe Jake Wintermute zieht daraus eine weitreichende Schlussfolgerung: Je stärker sich ein Forschungsgebiet formalisieren lasse, desto schneller könne es automatisiert werden. Mathematik wird damit nicht unwichtig. Sie wird zum sichtbarsten Beispiel dafür, was geschieht, wenn leistungsfähige Modelle auf eindeutige Regeln, schnelle Rückmeldung und maschinelle Prüfverfahren treffen.
Diese Entwicklung dürfte nicht auf Beweise begrenzt bleiben. Eine ähnliche Beschleunigung ist überall dort plausibel, wo Ergebnisse automatisch getestet werden können, etwa bei Programmcode. Die Mathematik zeigt gerade im Zeitraffer, wie schnell sich ein Fachgebiet verändern kann, sobald Finden, Prüfen und Verbessern in einer maschinellen Schleife zusammenfallen.
🎯 Was das für die Praxis bedeutet
1. Geschwindigkeit nicht linear hochrechnen: Wer den Stand von heute mit dem Tempo klassischer Softwareentwicklung fortschreibt, unterschätzt die Entwicklung. Entscheidend ist, wie schnell sich die Abstände zwischen neuen Fähigkeitssprüngen verkürzen.
2. Prüfschleifen zum Wettbewerbsvorteil machen: Prozesse mit klaren Tests, Regeln und Qualitätskriterien werden zuerst massiv beschleunigt. Unternehmen sollten diese Rückmeldesysteme jetzt aufbauen.
3. Fachleute auf Interpretation vorbereiten: Wenn das Erzeugen von Lösungen schneller wird als ihr menschliches Verständnis, steigt der Wert von Experten, die Ergebnisse einordnen, erklären und in belastbare Entscheidungen übersetzen können.
