Zwei der höchstdekorierten Mathematiker der Welt haben sich angesehen, was KI tatsächlich löst — und landeten beim selben fehlenden Stück
Timothy Gowers, Fields-Medaillist, veröffentlichte am 12. August einen Beitrag, in dem er Mathematik danach sortiert, womit Sprachmodelle gut zurechtkommen und womit nicht. Sein Befund: Modelle sind stark, wo ein Resultat durch Zusammensetzen bekannter Techniken erreichbar ist — die Suche nach Gegenbeispielen ist auf ihrer Erfolgsliste ungewöhnlich prominent — und schwach im Urteil darüber, welche Richtung überhaupt einen Versuch wert ist, wenn der Suchraum riesig ist. Er betont, dass es noch keine saubere Klassifikation gibt, und bittet Theoretiker um Hilfe bei der Formalisierung. Peter Sarnak kam im Juli in den Notices der American Mathematical Society aus anderer Richtung zu einem ähnlichen Punkt: KI kann Folgerungen aus bereits vorhandener Theorie ziehen, tut sich aber schwer damit, die neuen Abstraktionen zu erfinden, auf denen große Beweise meist aufbauen. Ein Papier von Tom Zahavy (DeepMind) mit dem Titel 'LLMs Can't Jump' benennt denselben Engpass in technischen Begriffen: die Unfähigkeit, neue Grundannahmen aufzustellen. Keines davon ist ein kontrolliertes Experiment; es sind Experteneinschätzungen dazu, wie sich die Werkzeuge in echter mathematischer Arbeit verhalten.
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