Achtzig Jahre lang galt die Vermutung von Paul Erdős zur sogenannten Einheitsabstands-Frage als eine der hartnäckigsten offenen Fragen der diskreten Geometrie. Jetzt hat ein OpenAI-Modell sie widerlegt - nicht als spezialisiertes Mathematik-System, sondern als allgemeines Reasoning-Modell, das eigenständig ein Gegenbeispiel konstruiert hat.
Was genau widerlegt wurde
Die Vermutung stammt aus dem Jahr 1946. Sie befasst sich mit einer simpel klingenden Frage: Wie viele Paare von Punkten in einer ebenen Anordnung von n Punkten können exakt den gleichen Abstand zueinander haben? Erdős vermutete, dass diese Zahl höchstens n hoch 1+o(1) betragen könne - also kaum schneller wachse als die Anzahl der Punkte selbst.
Das OpenAI-Modell fand eine Konstruktion, die mehr solcher Einheitsabstands-Paare erzeugt als diese Schranke erlaubt. Damit ist die seit Jahrzehnten akzeptierte Erwartung vom Tisch. Die Konstruktion wurde in einem Begleitpaper veröffentlicht, das von einem Team renommierter Mathematiker co-verfasst wurde - darunter Noga Alon, Timothy Gowers und Thomas Bloom. Ihre Aufgabe: das Ergebnis des Modells für die Forschungsgemeinschaft menschlich nachvollziehbar machen.
Warum das anders ist als bisherige KI-Mathe-Erfolge
KI hat in der Mathematik schon mehrfach für Aufsehen gesorgt. OpenAIs First-Proof-Projekt löste Anfang des Jahres 5 von 10 Forschungsbeweisen, und bei FrontierMath kletterte die Lösungsquote in nur einem Jahr von 2 auf 40 Prozent.
Der Unterschied hier: Es geht nicht um das Lösen bestehender Aufgaben oder das Bestehen von Benchmarks. Das Modell hat eine mathematische Vermutung widerlegt, die seit 80 Jahren offen stand. Es hat etwas entdeckt, nicht etwas nachgerechnet. Und es war kein speziell trainiertes Mathematik-System, sondern ein allgemeines Reasoning-Modell - dasselbe, das auch Texte schreibt und Code generiert.
Was das für die Forschung bedeutet
Die Fachwelt spricht von einem Wendepunkt. Wenn ein KI-Modell eigenständig Gegenbeispiele zu offenen Vermutungen konstruieren kann, verschiebt sich die Rolle der Maschine. Vom Werkzeug, das Berechnungen beschleunigt, zum Co-Entdecker, der auf Zusammenhänge stößt, die menschlichen Mathematikern über Jahrzehnte entgangen sind.
Gleichzeitig wirft das Ergebnis Fragen auf. Die Konstruktion des Modells musste von einem Team aus Fields-Medaillisten und führenden Kombinatorikern erst aufbereitet werden, bevor die mathematische Gemeinschaft sie prüfen konnte. KI-Entdeckungen sind also (noch) keine Einbahnstraße - sie brauchen menschliche Übersetzung, um wissenschaftlich zu landen.
🎯 Was das für die Praxis bedeutet
1. KI als Forschungspartner ernst nehmen: Wer in Forschung und Entwicklung arbeitet, sollte KI-Modelle systematisch auf offene Probleme ansetzen - nicht nur auf Routineaufgaben.
2. Verifikation bleibt menschlich: Das Ergebnis zeigt auch die Grenzen: Ohne menschliche Prüfung durch Experten hätte die Entdeckung keinen wissenschaftlichen Wert.
3. Breite Modelle statt Spezialisten: Dass ein allgemeines Reasoning-Modell und kein spezialisiertes System den Durchbruch erzielte, deutet darauf hin, dass die stärksten KI-Anwendungen dort liegen, wo Breite auf Tiefe trifft.
