OpenAI setzt sein Navier-Stokes-Modell wohl schon auf Riemann und P-vs-NP an

Nach dem Streit um den angeblichen Navier-Stokes-Durchbruch steht schon die nächste Behauptung im Raum: OpenAI soll dasselbe interne Mathe-Modell inzwischen auf die Riemann-Hypothese und auf P vs NP ansetzen.

Das ist erst einmal keine Bestätigung eines neuen Beweises. Es ist vor allem ein Signal, wohin die Reise geht. Wenn ein Labor ein System nach Navier-Stokes direkt auf zwei der bekanntesten offenen Probleme der Mathematik schickt, dann testet es nicht mehr bloß Symbolmanipulation. Dann geht es um Ausdauer, Strukturverständnis und die Frage, ob KI bei extrem harten Beweisräumen mehr kann als gut raten.

Gerade P vs NP ist dabei die härtere Ansage. Dieses Problem gilt nicht als Feld, in dem man einfach mehr Rechenkraft draufwirft und am Ende eine elegante Lösung herausfällt. Wer so ein Modell darauf ansetzt, prüft auch die Grenzen der Methode. Scheitert es früh, ist das fast genauso aufschlussreich wie ein Teilerfolg.

Bei der Riemann-Hypothese liegt der Fall etwas anders. Dort gibt es eine lange Geschichte numerischer Tests, Teilresultate und angrenzender Werkzeuge aus der analytischen Zahlentheorie. Für KI ist das ein Terrain, auf dem sich Muster, Hilfssätze und Suchstrategien eher staffeln lassen. Ein echter Beweis wäre trotzdem eine andere Größenordnung als das Durchkämmen bekannter Strukturen.

Für die Forschung ist genau diese Verschiebung wichtig. Die Debatte dreht sich dann nicht mehr nur um eine einzelne spektakuläre Behauptung, sondern um eine neue Arbeitsweise: Modelle erzeugen Kandidaten, zerlegen Beweisschritte, prüfen Widersprüche und laufen mit vielen Agenten parallel durch riesige Suchräume. Das ist kein Ersatz für Mathematiker. Aber es verändert, welche Teile der Arbeit zuerst maschinell angreifbar werden.

Der Hype bleibt trotzdem größer als das Belastbare. Schon bei Navier-Stokes hat sich gezeigt, wie schnell aus einer internen Behauptung ein öffentlicher Triumph gemacht wird. Bei Riemann und P vs NP wäre die Fallhöhe noch höher. Solange keine sauber prüfbaren Resultate vorliegen, ist die eigentliche Nachricht nicht der Beweis, sondern der strategische Einsatz solcher Modelle auf die härtesten offenen Probleme überhaupt.

Für OpenAI ist das mehr als Forschung. Es ist auch ein Machtbeweis im KI-Wettlauf. Wer glaubhaft zeigen kann, dass seine Systeme an Millennium-Problemen ernsthaft arbeiten, verschiebt die Messlatte für sogenannte Reasoning-Modelle. Dann geht es nicht mehr nur um Benchmarks oder Coding-Aufgaben, sondern um Prestige auf einem Feld, auf dem bislang fast nur Menschen Geschichte geschrieben haben.

Ob daraus ein echter mathematischer Durchbruch entsteht, ist offen. Klar ist schon jetzt etwas anderes: KI-Labore behandeln große ungelöste Mathematik nicht mehr als fernes Schaufensterproblem, sondern als Testgelände für ihre stärksten Modelle.