Was ändert KI an der mathematischen Arbeit – und was nicht? Ein Gastbeitrag auf Terence Taos Blog „What’s New“ antwortet darauf nüchtern. Rachel Webb, Mathematikerin mitten in ihrer Promotion, beschreibt dort keine neuen Ziele, sondern andere Werkzeuge. Wer heute in der Mathematik arbeitet, findet in ihrem Text weniger eine Prognose als eine Aufforderung: Prüfe, welcher Teil deiner Arbeit sich verändert und welcher nicht.
Gutes mathematisches Schreiben als Stellvertreter für gutes Denken
Der Auslöser liegt einige Jahre zurück. Webb besuchte als Doktorandin ein Seminar, in dem Graduierte und Lehrende Schreibkurse für ihr Fach entwickeln wollten. Die Moderatorin stellte eine harmlose Frage: Was heißt es, im eigenen Fach gut zu schreiben? Webb hatte eine schnelle Antwort. Gutes mathematisches Schreiben – und damit gutes Mathematikbetreiben – sei klar und korrekt.
Die anderen Teilnehmenden waren erfahrener und kamen aus anderen Disziplinen. Ihre Antwort fiel anders aus: Gutes Schreiben sagt etwas Interessantes. Für Webb war das mehr als ein Wortwechsel. Sie beschreibt es als den Moment, in dem sich ihr die Bedeutung von Forschung erschloss. Forschung ist die Suche nach etwas Interessantem, das man sagen kann. Klarheit und Korrektheit kommen erst danach – dann aber zwingend.
Diese Reihenfolge wird oft verwechselt. Korrektheit lässt sich überprüfen, Interesse nicht – deshalb steht sie in der Ausbildung im Vordergrund. Wer nur korrekt arbeitet und nie fragt, wem diese Korrektheit etwas bedeutet, bearbeitet Aufgaben statt Probleme.
Definitionen als Figuren, Lemmata als Handlung
Wie entsteht das Interessante? Webb greift zu einem Bild, das ihre Arbeitsweise gut trifft. Die Arbeit an einem Beweis sei wie das Schreiben eines Romans. Dessen Figuren sind den Bedingungen menschlicher Erfahrung unterworfen, werden aber so präsentiert, dass sie diese Erfahrung kommentieren.
In der mathematischen Variante sind die Figuren die Definitionen, die Handlung besteht aus Lemmata und Theoremen. Beides ist an Wahrheit gebunden. Innerhalb dieses Rahmens gibt es aber Wahlmöglichkeiten: Definitionen lassen sich strategisch oder geradezu künstlerisch zuschneiden, damit sie bestimmte Facetten des Wahren sichtbar machen.
Daraus folgt eine Haltung, die Webb ausdrücklich vertritt. Es gibt nicht den einen Weg zu verstehen, was auf fundamentaler Ebene vor sich geht. Man sucht Verständnis, wählt aber aus dem Verstandenen eine Erzählung aus, die für die Kolleginnen und Kollegen schön und interessant ist. Das ist der kreative Anteil der Forschung, den die verbreitete Formel von der Suche nach Verständnis – Thurston hat sie geprägt – nicht ganz abdeckt.
Woher kommt Interesse? Webb nennt zwei Quellen: Anwendungen, in der realen Welt oder in anderen Teilen der Mathematik, und die Nähe zu prominenten offenen Problemen. Solche Probleme sind Zentren, um die herum die Gespräche der Disziplin stattfinden.
Warum LLMs die Ausführung beschleunigen, nicht die Fragestellung
An dieser Grundhaltung ändert ein Large Language Model nach Webbs Einschätzung wenig. Es ändert nur, wie der Plan ausgeführt wird. Jetzt gibt es eine Maschine, die alle Bücher gelesen hat und weiß, wie viele Standardlemmata es gibt – so ihre Formulierung. Das beschleunigt die Forschung erheblich und macht aus manchen Ländern mathematischer Fantasie Gebiete, die sich realistisch erkunden lassen. Sie zitiert Benjamin Antieau: größere Träume träumen.
Als Metapher für diesen Wechsel wählt sie die Fahrtroute. Wer auf der Autobahn fährt statt auf Nebenstraßen, kommt schneller voran und verzichtet auf manches am Rand. Entscheidend ist: Für jede Etappe lässt sich neu entscheiden, welche Route man nimmt. Der Zugriff auf das Modell ist kein Schalter, sondern eine Wahl.
Auch ihr Maßstab für Interesse verschiebt sich nicht. Wenn ein Millennium-Problem gelöst ist, fragt sie, muss dann das Interesse an der Umgebung sinken? Sie verneint es. Es gibt viele Lösungen, aber auch viele Bruchstücke von Verständnis, die keine vollständige Lösung ergeben und trotzdem wertvoll sind. Man mag wissen, wie man in die rote Stadt gelangt; die Kartierung des umliegenden Geländes wird dadurch nicht weniger wertvoll, sondern eher mehr, weil die Nähe wirtschaftliche und strategische Möglichkeiten eröffnet.
Zwei Gründe, warum Menschen weiter Mathematik betreiben
Damit ist nur das Wie geklärt, nicht das Warum. Webb stellt die unangenehme Frage direkt: Welche Gründe haben Menschen, Mathematik zu betreiben, wenn Maschinen irgendwann Mathematik erzeugen, die interessanter ist als alles, was wir selbst hervorbringen? Ökonomische Antworten kennt sie, lässt sie aber beiseite und verweist auf andere Autoren. Stattdessen nennt sie zwei humanistische Gründe.
Der erste ist die Freude. Mathematik ist für Webb individuell interessant, und sie will weitermachen, auch wenn Maschinen darin besser sein sollten. Sie benennt aber eine Gefahr: LLMs können den Spaß austreiben, weil sie dazu verleiten, die Antwort zu kennen, statt die Lösung zu verstehen.
Dieser Versuchung müsse man widerstehen. KI solle nur so eingesetzt werden, dass Forschung mehr Freude macht und Verständnis mit dem Wissen einhergeht. Das kann Experimentieren erfordern. Solche Entscheidungen gehören längst zum Alltag: Manche Wege gehen Menschen bewusst zu Fuß, obwohl ein Auto bereitsteht, weil der geteilte Aufwand den Zusammenhalt stärkt. Nicht jede effiziente Option ist die richtige.
Der zweite Grund ist die Gemeinschaft. Mathematik ist nicht nur für einzelne interessant, sondern für mehrere Menschen gleichzeitig – darin liegt ihre soziale Funktion. Die Seminarteilnehmenden aus anderen Fächern meinten mit interessant genau das: interessant für andere Menschen, also Teil eines größeren Gesprächs. Lehre, Zusammenarbeit, Konferenzen, Kolloquien und Teepausen halten diese Gespräche am Laufen.
Was KI an der sozialen Seite der Mathematik gefährden kann
Hier sieht Webb das eigentliche Risiko. KI kann soziale Bindungen auf zwei Wegen schwächen. Der erste ist die Angst, überholt zu werden: Wenn Ergebnisse schneller entstehen, wächst die Sorge, dass jemand anderes dieselbe Idee zuerst veröffentlicht. Der zweite ist unspektakulärer und vielleicht wirksamer – es wird schlicht einfacher, eine Maschine zu fragen als eine Kollegin.
Webb bleibt an dieser Stelle vorsichtig. Dass etwas geschehen könnte, heißt nicht, dass es geschieht. Sie zitiert Wendell Berry, um die Richtung vorzugeben: Möge das Zeitalter der KI das Zeitalter werden, in dem wir unsere mathematischen Nachbarn kennen. Dazu gibt sie eine praktische Anweisung mit auf den Weg: Tut jeden Tag etwas, das sich nicht berechnen lässt.
Auch der Rahmen fällt auf. Der Beitrag erschien auf dem Blog eines der bekanntesten Mathematiker der Gegenwart, und die Anmerkung des Gastgebers verrät, dass er in einem anderen Dateiformat geschrieben und mit KI konvertiert wurde. Damit ist der Text selbst ein Beispiel für das, was er beschreibt: Die Maschine erledigt die Übertragung, der Mensch liefert Argument und Haltung.
Was das für den eigenen Umgang mit KI bedeutet
Für die Praxis lässt sich daraus mehr mitnehmen als eine bloße Haltung. Trenne den Teil deiner Arbeit, der sich ändert, von dem, der sich nicht ändert. Was sich ändert, ist die Ausführung: das Nachschlagen, das Sortieren von Standardresultaten, das Ausformulieren, das Überführen von Ideen in Texte und Formate. Was bleibt, ist die Auswahl dessen, was überhaupt interessant ist, und die Verantwortung für das Verständnis.
Das ist keine Beruhigungspille, sondern eine Zumutung mit zwei Seiten. Wer immer den schnellen Weg nimmt, verliert Zeit, die vorher mit Verständnis verbracht wurde; wer ihn nie nimmt, verliert den Anschluss. Die sinnvolle Antwort ist deshalb keine Grundsatzentscheidung, sondern eine Wahl pro Etappe – wie bei der Route.
Was heißt das konkret? Wenn du in der mathematischen Forschung arbeitest, wird sich dein Arbeitsalltag schneller verändern als deine Fragestellungen. Die Werkzeuge werden besser, die Landkarte detaillierter, und die Umgebung bereits gelöster Probleme bleibt interessant. Was nicht automatisch mitwächst, ist die Gemeinschaft, in der solche Fragen gestellt werden – sie entsteht durch Menschen, die sich füreinander Zeit nehmen. Ob KI diesen Teil stärkt oder aushöhlt, entscheidet nicht die Maschine.
Quelle: terrytao.wordpress.com
