Mitte September erreichten Bryna Kra innerhalb einer Woche mehrere Manuskripte mit derselben Behauptung: Sie wollen die Nivat-Vermutung beweisen. Kra arbeitet seit Jahren an dem Problem, offen ist es seit fast drei Jahrzehnten. Die Absender sind Forschende, die zum ersten Mal in diesem Gebiet arbeiten. Einige räumen offen ein, KI-Werkzeuge benutzt zu haben, allerdings nur, um das Englische zu polieren oder den Beweis gegenprüfen zu lassen. Kra bietet an, die Argumente in einer Videokonferenz zu erläutern. Niemand nimmt die Einladung an.
Der Vorgang steht am Anfang eines Gastbeitrags, den Kra auf dem Blog von Terence Tao veröffentlicht hat. Der Satz, den sie zur Überschrift macht, ist eine Diagnose: „Deep theorems were scarce and difficult and so became an effective mechanism to identify deep thought. AI has broken this system.“ Tiefe Theoreme waren selten und schwer, deshalb taugten sie als Nachweis tiefen Denkens. Die KI hat diesen Mechanismus zerbrochen. Wer verstehen will, was KI in der Mathematik gerade verändert, findet dort eine klare Beschreibung — es geht nicht um Rechenleistung, sondern um die Bedeutung eines Ergebnisses.
Tao vermerkt in einer Randnotiz, der Beitrag sei ursprünglich in einem anderen Dateiformat geschrieben und mit KI konvertiert worden. Auch der Ort, an dem über die Folgen der Maschinen geschrieben wird, ist von ihnen berührt. Kein Skandal, nur eine Fußnote.
Die Nivat-Vermutung: Fliesen, Fenster und ein Satz über Periodizität
Ein Blick auf das Problem hilft zu verstehen, worum es geht. Man denke an eine unendliche Ebene, lückenlos mit quadratischen Fliesen ausgelegt, jede Fliese entweder rot oder blau. Nun betrachtet man jedes rechteckige Fenster fester Größe, etwa n Fliesen breit und m Fliesen hoch, und zählt, wie viele verschiedene Muster in diesem Fenster vorkommen können. Die Vermutung besagt: Sind es höchstens n mal m solcher Muster, dann wiederholt sich die gesamte Färbung unter einer festen, von null verschiedenen Verschiebung — die Fläche ist periodisch.
Das ist ein Satz über den Sprung vom Lokalen ins Globale. Eine präzise Schranke für das, was in einem kleinen Ausschnitt passiert, erzwingt eine einfache Struktur des Ganzen. Solche Aussagen sind in der Kombinatorik und in den dynamischen Systemen selten, weil sie zwei Welten verbinden: das diskrete Zählen von Mustern und das Studium von Bewegungen, die sich nicht mehr auflösen lassen.
Bryna Kra und Van Cyr bewiesen 2012 einen Teil: Periodizität gilt, wenn die Zahl der Muster höchstens halb so groß ist wie die Fläche des Fensters. Sie übersetzten die kombinatorische Frage in eine geometrische, in der man untersucht, wie sich Information in einem System ausbreitet oder eben nicht. Kurz darauf fanden Jarkko Kari und Michal Szabados einen zweiten Weg, der dieselbe Frage als algebraisches Objekt behandelt, mit bestimmten Polynomen. Zwei Methoden, ein Problem — für alle Beteiligten ein deutlicher Wink, den verbindenden Begriff zu suchen. Sie suchten ihn, fanden ihn nicht und wandten sich anderem zu.
Warum seltene Theoreme lange als Maßstab taugten
Jahrzehntelang galt in der Mathematik ein einfaches Prinzip. Wer ein starkes Theorem bewies, leistete etwas. Je tiefer der Beweis, je überraschender die Verbindungen, desto größer die Anerkennung. Stellen, Preise und Forschungsrichtungen hingen an dieser Währung.
Dabei war das Theorem selbst nie das eigentliche Ziel, sondern ein Ersatz. Verständnis lässt sich nicht direkt messen, also misst man das, was schwer zu fälschen war: ein neues Resultat. Wer ein schweres Problem löst, hat in der Regel Jahre in ein Gebiet investiert, verborgene Zusammenhänge freigelegt und die Antwort für die Gemeinschaft nachvollziehbar gemacht. Genau deshalb funktionierte das Signal. Tiefe Theoreme waren selten und teuer, also konnte man an ihnen ablesen, wo tiefes Denken steckte.
Denk an einen Geldschein. Sein Wert liegt nicht im Papier, sondern im Vertrauen, dass er schwer nachzumachen ist. Solange das galt, konnte man mit ihm rechnen. Sobald aber jeder Schein in Sekunden druckbar wird, verliert er seine Funktion als Signal — unabhängig davon, ob die einzelnen Scheine echt sind.
Ähnlich hier. Ein mathematischer Beweis ist wie ein Zertifikat, das bestätigt, dass ein Weg existiert. Als Zertifikat bleibt er nützlich. Nur sagt er nichts darüber, wie man den Weg gefunden hat, wo die Abzweigungen liegen und warum gerade dieser Weg gangbar ist. Diese Wegbeschreibung ging früher automatisch mit dem Resultat einher, weil niemand ein schweres Theorem ohne sie erreichte.
Was die Maschinen in diesem Fall anders machen
Kra benennt, wo die Stärke der Modelle liegt. Die KI muss nicht erst über Jahre verschiedene Teilgebiete aufnehmen, um Verbindungen zu sehen. Sie kann Notation übersetzen, Teilergebnisse vergleichen und Tausende Kombinationen durchprobieren, ohne dass Frustration einsetzt oder Karrieren dazwischenkommen. Genau dieses Zusammenführen zweier Ansätze, das Kra und ihre Kollegen erfolglos versucht haben, gehört zu den Aufgaben, in denen KI in der Mathematik überzeugt.
Dazu kommt die Sichtbarkeit. Die Nivat-Vermutung ist inzwischen für das Projekt Formal Conjectures von Google DeepMind vorgeschlagen worden. Damit wird sie zum Ziel automatisierten Schließens und erreicht Menschen, die mit dem Gebiet bislang nichts zu tun hatten. Das macht das Problem bekannter — und die Lage für alle unruhiger, die daran arbeiten.
Denn die Manuskripte kommen schneller, als die Gemeinschaft sie lesen kann. Von Verdauen ganz zu schweigen. Wer einmal in einem Fachgebiet gearbeitet hat, weiß, dass das Lesen eines dichten Beweises Tage kostet. Die Maschinen produzieren in dieser Zeit Dutzende.
Ein Beweis ist mehr als ein Zertifikat
Angenommen, die Ergebnisse sind korrekt, schreibt Kra. Dann sind sie ein mathematischer Beitrag. Und trotzdem bleiben Fragen offen: Was haben wir gelernt? Was haben die Autorinnen und Autoren beigetragen? Welche Wirkung entfaltet das Resultat? Ein Beweis ist mehr als der Nachweis, dass etwas stimmt. Er ist eine Geschichte, ein Bild, eine Einsicht. Er hebt neue Ideen hervor und öffnet Richtungen dafür, was als Nächstes zu fragen ist.
Sie zitiert William Thurston, der 2010 auf MathOverflow auf die Frage antwortete, was Mathematiker eigentlich tun: „The product of mathematics is clarity and understanding. Not theorems, by themselves.“ Klarheit und Verständnis, nicht Theoreme an sich. Der Satz ist fünfzehn Jahre alt und passt zur Lage.
Autorschaft ist für Kra mehr als eine Zeichenkette, die etwas beweist. Sie bedeutet intellektuelle Verantwortung, Verständnis eines neuen Begriffs, die Fähigkeit, auf Rückfragen zu antworten, und die Einordnung des Neuen in das Bekannte. Man kann es auch so sagen: Dass niemand auf das Zoom-Angebot eingeht, entwertet den Beweis nicht formal. Es entwertet die Antwort auf die Frage, was dieser Beweis dem Fach bringt.
Kra begrüßt KI-generierte Beweise ausdrücklich und erwartet, dass rein menschliche Beweise selten werden. Das hält sie nicht für den Verlust eines Werkzeugs — externe Hilfsmittel sind in der Mathematik normal. Die Frage ist nicht, ob Maschinen an Entdeckungen teilnehmen. Sie tun es längst. Die Frage ist, was die Gemeinschaft noch wertschätzt, wenn eine bestimmte Art der Entdeckung keine knappe Ressource mehr ist.
Anreize, Peer Review und die Karrieren junger Forschender
Hier wird der Text konkret. Zeitschriften veröffentlichen neue Resultate, Berufungskommissionen belohnen diese Veröffentlichungen, Preisgremien zeichnen die Person aus, die das Resultat gefunden hat. Dieses Zusammenspiel trägt die gegenwärtige Theorem-Produktion nicht mehr. Begutachtung ist ein langsamer Prozess, der auf der unbezahlten Arbeit einer kleinen, überlasteten Gruppe beruht. Einzelne Einsendungen lassen sich bewältigen, das aktuelle Volumen ertränkt die Gutachtenden.
Gleichzeitig hängt die Karriere junger Forschender daran, Theoreme zu produzieren, möglichst viele, möglichst schnell. Für sorgfältige Prüfung und gute Darstellung gibt es keinen Lohn. Zeit für tiefe Reflexion entsteht nicht, wenn jemand eine Frage in ein Modell tippt und kurz darauf ein Manuskript erhält. Kra betont, dass all diese Probleme schon vor der KI existierten. Nur hat die Mathematik jetzt nicht mehr den Luxus, sie gemächlich zu lösen.
Ihr Vorschlag ist unbequem, weil er die Belohnung umverteilt. Autorinnen und Autoren müssen erklären können, wie der Beweis funktioniert und wie sie zu ihm gekommen sind. Zeitschriften müssen unterscheiden und getrennt würdigen, was Entdeckung, was Beweisführung, was Formalisierung und was Erklärung ist. Gute Darstellung wird damit nicht mehr Beiwerk, sondern Kern einer intellektuellen Leistung.
Mathematik als Kanarienvogel und was das konkret heißt
Kra nennt ihr Fach den Kanarienvogel im Bergwerk. Der Grund ist einfach: Mathematische Aussagen lassen sich prüfen. Anders als in der Politik oder in Teilen der Kunst lässt sich hier vergleichsweise schnell sagen, ob eine Behauptung trägt. Deshalb sehen wir die Umwälzung in der Mathematik zuerst. Der Satz, dass KI mathematische Beweise erzeugt, ist keine Zukunftsmusik mehr, er beschreibt einen gewöhnlichen Dienstag im Postfach.
Wenn aber ein Feld mit prüfbaren Aussagen ins Rutschen gerät, was passiert dann in Feldern, in denen Evidenz und Deutung umstritten sind? Wissenschaft, Recht, öffentliche Verwaltung und Kunst werden ähnliche Fragen beantworten müssen: Was ist wertvoll, wenn das Angebot an Text, Bild und Lösung explodiert? Die Mathematik liefert kein Rezept, aber einen frühen Blick auf die Mechanik.
Für Leserinnen und Leser heißt das weniger, dass sie sich mit Nivat beschäftigen müssen, sondern dass sie die richtige Frage stellen: Nicht, wie gut die Maschinen sind. Sondern woran wir künftig erkennen, dass jemand verstanden hat, was er tut. Die Antwort liegt nicht in einem Theorem allein. Sie liegt darin, ob jemand erklären kann, was der Beweis lehrt, wohin er führt und warum er mehr ist als ein Häkchen auf einer Liste.
Kra schließt mit einem Satz, den man ernst nehmen kann, ohne euphorisch zu werden: Es sei eine aufregende Zeit, Mathematikerin zu sein. Das klingt nach einem Werbesatz, ist aber das Gegenteil. Es bedeutet, dass die Gemeinschaft nun selbst definieren muss, was sie an einem Ergebnis für wertvoll hält — und dass diese Definition nicht länger von der Seltenheit tiefer Theoreme diktiert wird. Der Befund vom zerbrochenen Mechanismus ist keine Klage. Er verlangt, etwas Neues an seine Stelle zu setzen.
Quelle: terrytao.wordpress.com
