OpenAI lässt ein internes KI-Modell auf zwei der härtesten Mathe-Probleme los

OpenAI setzt ein neues internes Modell auf die Riemann-Hypothese, auf P versus NP und auf weitere bislang nicht benannte „High-Impact“-Probleme an. Allein diese Auswahl sagt schon viel. Es geht hier nicht um die nächste Demo für Chatbots. Es geht um einen Härtetest an Fragen, an denen Mathematik und Informatik seit Jahrzehnten festhängen.

Die beiden genannten Probleme sind keine PR-tauglichen Rätsel für zwischendurch. Die Riemann-Hypothese gehört zu den berühmtesten offenen Fragen der Mathematik. P versus NP ist für die theoretische Informatik noch heikler, weil daran auch das Verständnis von Berechenbarkeit und viele Annahmen der Kryptografie hängen. Wer ein Modell darauf ansetzt, prüft nicht nur, ob es gut formulieren kann. Man prüft, ob es Strukturen erkennt, Beweisschritte sauber trägt und über lange Ketten konsistent bleibt.

Genau da liegt der interessante Punkt. Wenn ein internes Modell ernsthaft bei solchen Problemen eingesetzt wird, dann verschiebt sich der Maßstab für KI-Leistung. Weg von Benchmarks, die oft nach Trainingsdaten riechen, hin zu Forschungsarbeit, bei der am Ende nur zählt, ob etwas mathematisch standhält. Das ist deutlich härter. Und es ist auch ehrlicher.

Man sollte das trotzdem nicht mit einem baldigen Durchbruch verwechseln. Dass ein Modell an P versus NP arbeitet, heißt noch lange nicht, dass eine Lösung in Sicht ist. Solche Probleme haben schon Generationen von Spitzenforschern absorbiert. KI kann dabei als Ideenmaschine, als Formulierungshelfer oder als Suchsystem für Beweisstrategien nützlich sein. Der Sprung vom interessanten Ansatz zum belastbaren Beweis bleibt riesig.

Für die Forschung ist der Schritt trotzdem wichtig. Mathematik ist eines der wenigen Felder, in denen sich Behauptungen am Ende sehr klar prüfen lassen. Ein Beweis ist richtig oder er ist es nicht. Genau deshalb eignet sich das Gebiet gut als Testfeld für Systeme, die mehr sein wollen als textstarke Assistenten. Wenn ein Modell hier Fortschritte macht, hat das mehr Gewicht als ein weiterer Bestwert in einer allgemeinen KI-Rangliste.

Bei P versus NP kommt noch etwas dazu: Schon Teilfortschritte wären von Bedeutung. Neue Einsichten in Komplexitätsklassen, bessere formale Werkzeuge oder ungewöhnliche Beweisideen könnten weit über die Theorie hinaus wirken. Auch wenn kein Jahrhundertproblem fällt, kann so etwas die Forschung beschleunigen. Das wäre schon viel.

Die Erwähnung weiterer, nicht benannter „High-Impact“-Probleme passt ins Bild. OpenAI testet offenbar, ob sich leistungsfähige Modelle dort einsetzen lassen, wo der Erkenntnisgewinn messbar und die Fehlertoleranz minimal ist. Das ist ambitioniert. Aber es ist auch riskant, weil genau in solchen Feldern jede überzogene Erwartung schnell zerlegt wird.

Unterm Strich ist die Nachricht weniger wegen eines angeblichen Wundermodells wichtig. Interessant ist die Richtung. KI wird hier nicht als Produkt-Feature inszeniert, sondern als Werkzeug für Wissenschaft auf höchstem Schwierigkeitsgrad. Ob daraus echte Resultate entstehen, ist offen. Dass solche Systeme jetzt an diesen Problemen sitzen, markiert trotzdem einen nächsten Schritt: Die Branche will nicht mehr nur Sprache imitieren. Sie will an Erkenntnis ran.