OpenAI hat mit dem Programm „First Proof" einen Meilenstein gesetzt: GPT-5.2 hat 5 von 10 offenen mathematischen Forschungsbeweisen gelöst, die zuvor kein Mensch und keine Maschine bewältigen konnte. Noch bemerkenswerter: Das Modell hat in der theoretischen Physik ein neues Ergebnis erzielt, das von Fachgutachtern als originelle wissenschaftliche Entdeckung anerkannt wurde. KI forscht — nicht nur schneller, sondern anders.
Was „First Proof" ist
OpenAI hat im Januar 2026 zehn offene mathematische Probleme ausgeschrieben — Probleme, die aktive Forschungsfelder darstellen und an denen sich menschliche Mathematiker teilweise seit Jahren erfolglos abarbeiten. Universitäten und Forschergruppen weltweit waren eingeladen, Probleme einzureichen. Die Bedingung: Es durfte kein bekannter Lösungsweg existieren.
GPT-5.2 wurde dann auf diese Probleme angesetzt — ohne spezifisches Fine-Tuning, ohne menschliche Hilfe, ohne Hinweise auf Lösungsstrategien. Das Modell arbeitete autonom, formulierte Hypothesen, verfolgte Beweisansätze und verwarf falsche Pfade systematisch. Das Ergebnis: Fünf der zehn Probleme wurden vollständig gelöst. Die Beweise wurden anschließend von unabhängigen Fachgutachtern bestätigt.
Der Physik-Durchbruch
Parallel zu First Proof hat GPT-5.2 in der theoretischen Physik gearbeitet — und ein Ergebnis erzielt, das OpenAI als „neues Resultat" veröffentlichte. Das Modell untersuchte Probleme aus der Quantenfeldtheorie und fand eine mathematische Beziehung, die in der bestehenden Fachliteratur nicht dokumentiert war. Das entsprechende Paper (arXiv:2602.12176) wird derzeit von der Fachcommunity geprüft.
Was diesen Durchbruch besonders macht: GPT-5.2 hat nicht einfach eine bekannte Methode schneller angewandt. Es hat eine neuartige Verbindung zwischen zwei mathematischen Strukturen entdeckt, die menschliche Forscher bisher nicht gesehen hatten. Das ist ein qualitativer Unterschied — nicht Beschleunigung, sondern genuine Kreativität.
Die Reaktionen der Wissenschaft
Die Fachwelt reagiert gespalten, aber überwiegend beeindruckt. Prof. Terence Tao (Fields-Medaillenträger, UCLA) kommentierte: Die gelösten Probleme seien „nicht trivial" — auch wenn sie naturgemäß nicht an die großen ungelösten Probleme der Mathematik heranreichen. Tao betonte, dass die eigentliche Revolution nicht in den einzelnen Beweisen liegt, sondern in der Fähigkeit des Modells, eigenständig Forschungsstrategien zu entwickeln.
Kritiker weisen darauf hin, dass die Auswahl der Probleme nicht repräsentativ sei und dass OpenAI nur die Erfolge veröffentliche, nicht die Misserfolge. Das ist ein berechtigter Einwand — doch an der Substanz der gelösten Probleme ändert er nichts.
Warum das historisch ist
Bisherige KI-Erfolge in der Mathematik — von AlphaProof bis GPT-4o — betrafen bekannte Probleme mit bekannten Lösungswegen oder Wettbewerbsaufgaben. First Proof ist anders: Hier geht es um offene Forschungsfragen, bei denen der Lösungsweg selbst unbekannt ist. Das Modell musste nicht nur rechnen, sondern forschen — im echten Sinne des Wortes: Hypothesen aufstellen, Ansätze verfolgen, Sackgassen erkennen, neue Wege einschlagen.
OpenAI-CEO Sam Altman sagte dazu: „First Proof is the beginning of a new relationship between humans and AI in science. Not replacement — amplification." Ob das langfristig stimmt, wird sich zeigen. Kurzfristig ist klar: Die Grenze zwischen menschlicher und maschineller Forschung verwischt rapide.
📊 Einordnung
First Proof markiert einen qualitativen Sprung: Zum ersten Mal hat ein KI-Modell nachweislich originelle wissenschaftliche Beiträge geleistet — nicht als Werkzeug eines menschlichen Forschers, sondern autonom. Zusammen mit dem Physik-Ergebnis entsteht ein Bild, das die bisherige Debatte über „KI als Werkzeug" fundamental verschiebt. Wenn ein Sprachmodell eigenständig forschen kann, verändern sich die Spielregeln der Wissenschaft selbst — mit enormen Chancen, aber auch mit ungeklärten Fragen zu Autorschaft, Verifizierbarkeit und der Rolle menschlicher Forscher.
🎯 Was bedeutet das konkret?
- Für die Forschung: KI-Modelle wie GPT-5.2 sollten systematisch als Forschungspartner eingesetzt werden — nicht als Ersatz, sondern als Hypothesengeneratoren und Beweisassistenten. Die Produktivität in der mathematischen und physikalischen Grundlagenforschung könnte sich vervielfachen.
- Für Unternehmen: R&D-Abteilungen, die KI noch nicht als Forschungsinstrument nutzen, riskieren, den Anschluss zu verlieren. Die Fähigkeit, KI für Innovationsarbeit einzusetzen, wird zum Wettbewerbsvorteil.
- Für die Bildung: Universitäten müssen ihre Curricula anpassen. Studierende der Mathematik und Physik brauchen KI-Kompetenz — nicht als Zusatz, sondern als Kernfähigkeit.
