KI-Mathematikbeweise: Warum ungelöste Jahrtausendrätsel als Benchmark für KI-Modelle versagen

Anbieter großer Sprachmodelle verlagern ihren Leistungswettbewerb zunehmend auf offene Fragen der Wissenschaft. OpenAI reagierte am 29. September 2026 auf anhaltende Proteste von Forschern und aktualisierte das Mandat seiner neuen Gutachtergruppe für KI-Mathematikbeweise (Quelle: OpenAI). Neun externe Mathematiker sollen künftig die Behauptungen des Unternehmens prüfen, wenn Modelle angeblich ungelöste Probleme der Disziplin knacken. Zuvor hatte der Entwickler von ChatGPT reklamiert, er habe die sogenannten Navier-Stokes-Gleichungen gelöst, eines der sieben Millennium-Probleme^?Eine Liste von sieben ungelösten mathematischen Fragestellungen, für deren Lösung jeweils eine Million US-Dollar Preisgeld ausgeschrieben ist. der Mathematik (Quelle: Die Zeit). Daraufhin warfen Forscher dem Unternehmen vor, bestehende menschliche Arbeiten als eigene Modellleistung auszugeben.

Der Streit um KI-Mathematikbeweise eskaliert

Hersteller wie OpenAI und Anthropic nutzen die formale Mathematik als ultimativen Benchmark^?Ein standardisiertes Verfahren, mit dem die Rechenleistung oder Genauigkeit eines KI-Modells gemessen und mit anderen verglichen wird. (Quelle: Heise). Wer einen fehlerfreien Rechenweg liefert, belegt damit angeblich logisches Denken und Autonomie. Doch die Realität der Entwickler sieht derzeit anders aus. Nach den Plagiatsvorwürfen zog sich OpenAI kurzfristig von einem Hackathon^?Ein zeitlich begrenzter Wettbewerb, bei dem Entwickler in kurzer Zeit gemeinsame Lösungen für vorgegebene Probleme erarbeiten. am Caltech zurück (Quelle: Business Insider). Die kalifornische Universität organisierte den Wettbewerb, um maschinelle Fähigkeiten in der Mathematik zu testen.

Die Liste der umstrittenen Resultate wächst. Das Portal Shattered.io dokumentiert mehr als hundert unbestätigte Behauptungen über angeblich gelöste Probleme (Quelle: Shattered.io). In offenen Briefen und Diskussionsforen äußern Forscher grundlegende Bedenken dagegen, die Bearbeitung solcher Rätsel als Nachweis für maschinelle Intelligenz zu werten. Der Streit löste eine Debatte über den Sinn der Forschung aus: Die US-Zeitschrift The Atlantic sprach angesichts des Konflikts von einer existenziellen Krise der Disziplin (Quelle: The Atlantic).

Menschliche Vorarbeit als maschinelle Leistung

Das Kernproblem dieser Leistungstests liegt in der unklaren Trennung von Trainingsdaten und Eigenleistung. Mathematiker werfen OpenAI vor, die Modelle zögen keine eigenständigen Schlüsse, sondern reproduzierten unveröffentlichte oder kaum bekannte Forschungsergebnisse (Quelle: Yellow). Ähnlich wie bei KI-Agenten im Unternehmen, die den Großteil der Steuerung dem Menschen überlassen, kaschiert das glänzende Endresultat den tatsächlichen Beitrag der Maschine. Das Trainingsmaterial diktiert den Ausstoß.

Konkrete Zahlen zur Verifizierungsquote eigener Beweise nennt keiner der Berichte. OpenAI delegiert das Problem nun an die neunköpfige Kommission, die künftige Ankündigungen vorab prüfen soll.

Der Fokus auf theoretische Durchbrüche ist ein Marketinginstrument, das Entscheidern in der Wirtschaft wenig nützt. Ein Sprachmodell^?Ein auf großen Textmengen trainiertes KI-System, das Muster in Daten erkennt und neue Inhalte generiert., das auf Basis riesiger Datenmengen eine Jahrhundertgleichung ausspuckt, liefert keinen Beleg dafür, dass es in der Praxis komplexe Geschäftsprozesse nachvollziehbar steuert. Solange Entwickler nicht trennscharf nachweisen, welcher Teil eines Ergebnisses aus dem menschlichen Material stammt und was eigene maschinelle Deduktion ist, bleibt jeder gelöste Benchmark eine Blackbox. Die Industrie braucht transparente Prüfverfahren für den Alltag, keine simulierten Nobelpreise.