Ein Fields-Medaillist hat aufgeschrieben, worin KI in der Mathematik wirklich gut ist — und wofür ihr jede Nase fehlt
Timothy Gowers hat heute einen langen Beitrag darüber veröffentlicht, welche mathematischen Aufgaben große Sprachmodelle gut bewältigen und welche nicht. Seine positive Liste ist konkret: Beispiele und Gegenbeispiele zu Vermutungen finden, in der Literatur bereits vorhandene Standardargumente anwenden und mit purer Geschwindigkeit dort suchen, wo ein Mensch gar nicht erst nachsehen würde. Die Lücke, die er benennt, nennt er eine Nase — jenen Sinn, der einem Mathematiker sagt, dass ein Angriffsweg ins Leere führt, bevor Wochen darin versunken sind. Modelle, argumentiert er, verfolgen Sackgassen und reduzieren ein Problem oft auf ein engeres Teilproblem, ohne wirklich voranzukommen. Er stützt sich auf seinen eigenen Austausch mit GPT-5.6 Pro, nicht auf einen formalen Benchmark.
Verwandte Meldungen
Die USA rücken die KI mit 16 Ländern ins Zentrum der Wissenschaft.2026-10-05Fünf offene Probleme fielen in einem normalen Chatfenster.
2026-10-05Rohe Modelle lösten Aufgaben, die ihre geschliffene Fassung verfehlt.
2026-10-04Alltagsfotos bringen ein Modell im Logiktest auf 70 Prozent.
2026-10-04Google schickte seine KI-Chips in die Umlaufbahn als Härtetest.
2026-10-03