KI hat gerade bewiesen, dass sie originäre Mathematik kann. Ein Fields-Medaillenträger hat sich entschieden, sie zu überwachen

Kolumnenüberblick

Zwei Ankündigungen landeten im Sommer 2026 im Abstand von einer Woche, beide betrafen dasselbe Fachgebiet und, wie sich herausstellte, dasselbe Unternehmen. Keine war als Reaktion auf die andere formuliert. Aber zusammen gelesen sagen sie mehr darüber aus, wo die KI-Branche tatsächlich steht, als jede für sich allein.

Die fragliche Woche

Am 23. Juli 2026 erhielt Jacob Tsimerman auf dem Internationalen Mathematikerkongress in Philadelphia die Fields-Medaille für seinen Beweis der André-Oort-Vermutung – eine der vier Medaillen, die die Mathematik alle vier Jahre vergibt, und ungefähr das Nächste, was das Fachgebiet an einer Auszeichnung für das Lebenswerk zu bieten hat, die mitten in der Karriere verliehen wird. Innerhalb weniger Stunden nach der Annahme kündigte Tsimerman an, er werde sich von der University of Toronto beurlauben lassen, seine Festanstellung behalten, aber aus der aktiven Lehre zurücktreten, um ab August 2026 dem KI-Sicherheitsteam von OpenAI beizutreten.

Etwas mehr als eine Woche später, ungefähr am 2. August, veröffentlichte OpenAI Ergebnisse von Astra, einem Modell, das das Unternehmen noch nicht öffentlich freigegeben hat. Astra hatte zehn seit Langem offene Probleme der Mathematik und der theoretischen Informatik bearbeitet – mehrere davon seit Jahrzehnten ungelöst, eines seit 27 Jahren – bei Gesamtinferenzkosten, die OpenAI mit unter 2.000 Dollar angab. Das Unternehmen veröffentlichte ein 249-seitiges Manuskript zu der Arbeit und stellte maschinell geprüfte formale Beweise auf GitHub bereit.

Niemand hat diese beiden Ereignisse so geplant, dass sie in dasselbe Zeitfenster fallen. Genau das macht den Zufall bemerkenswert: Ein Unternehmen legte Belege dafür vor, dass seine Modelle Mathematik erzeugen können, die gut genug ist, um das Interesse praktizierender Mathematiker zu wecken, und im selben Zeitraum entschied einer der höchstdekorierten lebenden Mathematiker, dass das Nützlichste, was er mit seiner Karriere gerade tun könne, darin bestehe, mitzuhelfen, sicherzustellen, dass sich ein solches System so verhält, wie es soll.

Was Astra tatsächlich getan hat

Es lohnt sich, hier genau zu sein, denn „KI löst schwere Mathematik" wurde schon früher über Ergebnisse behauptet, die sich entweder als nicht so schwer oder als nicht ganz gelöst herausstellten. Astras Liste ist ungewöhnlich konkret.

Das Hauptergebnis ist die Konstruktion einer nicht-sofischen Gruppe – einer abstrakten algebraischen Struktur, die nachweislich jeder Annäherung durch eine endliche Struktur widersteht, egal wie groß diese ist. Sofische Gruppen sind, grob gesagt, Gruppen, die sich gut genug verhalten, dass man sie mit endlichen Bausteinen beliebig genau annähern kann; zu zeigen, dass eine Gruppe nachweislich nicht auf diese Weise angenähert werden kann, ist eine andere Art von Ergebnis, denn man muss jede mögliche endliche Annäherung ausschließen, nicht nur keine finden. In 27 Jahren, in denen Menschen es versucht haben, hatte niemand eine solche Konstruktion hervorgebracht.

Astra hat außerdem die obere Schranke für die Kugelpackungsdichte in höheren Dimensionen nach oben verschoben, ein Problem, das seit den späten 1970er-Jahren praktisch feststeckte, und es näher an die von Cohn und Elkies festgelegte Schwelle herangeführt. Es erzeugte ein Gegenbeispiel zu Alain Connes' Starrheitsvermutung über Von-Neumann-Algebren – es widerlegte also eine bestehende Vermutung einer der einflussreicheren Persönlichkeiten des Fachgebiets, statt sie zu bestätigen. Es bewies die Ehrhart-Volumenvermutung. Und es schloss drei Probleme aus Paul Erdős' bekanntem Katalog offener Fragen ab, darunter Problem 183 zu mehrfarbigen Ramsey-Zahlen.

Das Detail, das für die Beurteilung, wie ernst man all das nehmen sollte, am wichtigsten ist: Die Beweise wurden in Lean 4 formalisiert, und die Zahl der „sorry"-Einträge im veröffentlichten Repository ist null. In Lean ist „sorry" der Platzhalter, den Mathematiker einfügen, wenn ein Schritt noch nicht tatsächlich bewiesen ist – ein Kennzeichen für „glaub mir, dieser Teil stimmt". Ein Zählerstand von null bedeutet, dass jeder logische Schritt in allen zehn Beweisen maschinell verifiziert wurde, nicht nur in Prosa niedergeschrieben, die überzeugend klingt. Das ist eine deutlich höhere Hürde als ein Modell, das ein plausibel wirkendes Argument hervorbringt. Zum Zeitpunkt dieses Schreibens haben Mathematiker, die die Preprints geprüft haben, informell positiv reagiert; die Ergebnisse haben noch kein formales Peer-Review in einer Fachzeitschrift durchlaufen.

Warum ein Fields-Medaillenträger ausgerechnet das wählen würde

Tsimermans eigene Arbeit ist ein Beweis im wörtlichen Sinne – sein Karrierewerk ist ein Strom von Aussagen, die als zweifelsfrei wahr nachgewiesen wurden, mit Werkzeugen, die genau zu diesem Zweck gebaut wurden. Die KI-Sicherheitsforschung als Disziplin driftet zunehmend dahin, dieselben Fähigkeiten zu benötigen: zu verifizieren, dass sich ein System innerhalb einer formal festgelegten Spezifikation verhält, zu prüfen, ob eine maschinell erzeugte Ableitung tatsächlich trägt, rigoros darüber nachzudenken, was die Ausgaben eines Modells nachweislich tun können und was nicht. Oberflächlich betrachtet ist das kein naheliegender Karrierewechsel, aber es passt eng genug zu seiner tatsächlichen Ausbildung, dass es eigentlich gar kein Wechsel ist.

Er hat sich direkt zu seiner Begründung geäußert: „Die Risiken sind extrem hoch, der Einsatz ist extrem hoch, also brauchen wir ein sehr hohes Maß an Sicherheit." Sein erklärtes Interesse gilt speziell der Mechanik der Aufsicht – zu verstehen, wie sich KI-Agenten als Systeme verhalten, und die Art von Beweisen abzuleiten, die mit einer gewissen Strenge belegen könnten, dass ein komplexes System nicht außerhalb der erwarteten Grenzen handelt.

Ein Detail verdient besondere Aufmerksamkeit, weil es der naheliegenden Lesart dieses Schritts zuwiderläuft. Tsimerman hat zuvor einen Aufsatz verfasst, der systematisch die Bandbreite der Wege katalogisiert, auf denen KI plausibel zu katastrophalen Folgen führen könnte. Das ist nicht das Profil von jemandem, der aus vager Unruhe in die Sicherheitsarbeit hineinstolpert, oder von einem unkritischen Befürworter, der einen gut bezahlten Abstecher macht. Es liest sich eher wie jemand, der zuerst die Risikobewertung vorgenommen hat und sich dann entschieden hat, näher am Problem zu arbeiten statt weiter davon entfernt.

Was uns der Zufall tatsächlich sagt

Die Versuchung besteht darin, diese beiden Geschichten als Beleg für die Seite der KI-Debatte zu lesen, die man ohnehin schon einnimmt – entweder „seht, wie leistungsfähig diese Systeme werden" oder „seht, wie besorgt die Experten wirklich sind". Beide Lesarten übersehen, was tatsächlich bemerkenswert ist: dass dieselbe Woche beide Signale hervorbrachte und dass sie auf Menschen mit dem tiefsten Einblick zurückgehen, wo die KI-Fähigkeiten derzeit wirklich stehen. Das sind keine Optimisten und Pessimisten, die aneinander vorbeireden. Es ist dieselbe Gruppe von Menschen, die die Technologie am besten versteht und die Fähigkeitszuwächse und die Sicherheitsarbeit als parallele, gleichzeitige Prioritäten behandelt statt als gegnerische Lager.

Das Detail der formalen Verifikation verbindet die beiden Fäden buchstäblicher miteinander, als es zunächst erscheinen mag. Astras mathematische Ergebnisse haben Gewicht, weil sie maschinell überprüfbar sind – der Wert liegt nicht darin, dass die Beweise richtig klingen, sondern darin, dass ein Prüfer bestätigt hat, dass jeder Schritt trägt. Tsimermans erklärtes Interesse an KI-Sicherheit ist darauf ausgerichtet, denselben Standard an Strenge auf eine andere Frage zu übertragen: nicht „hält dieser Beweis stand", sondern „verhält sich dieses System so, wie wir es erwarten". Die eine Anstrengung drängt nach außen und erweitert, was in der Mathematik beweisbar wahr ist. Die andere drängt nach innen und versucht, das, was über das Verhalten eines KI-Systems beweisbar ist, solider zu machen als „ein Experte hat die Ausgaben gelesen und sie schienen in Ordnung". Unterschiedliche Ziele, dieselbe zugrunde liegende Methode.

Branchenbeobachter werden dies wahrscheinlich als Beleg dafür lesen, dass führende KI-Labore derzeit zwei Ausbauprojekte parallel betreiben, statt zwischen ihnen zu wählen: eines, das zeigen soll, dass die Modellfähigkeiten immer noch schnell steigen – was nicht zufällig der Kern der kommerziellen und der Fundraising-Erzählung ist –, und eines, das darauf abzielt, Menschen anzuwerben, die in der Lage sind, rigoros zu untersuchen, was mit diesen Fähigkeiten einhergeht. So betrachtet sind die Veröffentlichung eines Fähigkeits-Meilensteins und die Einstellung eines Fields-Medaillenträgers für die Sicherheitsarbeit im selben Zeitfenster keine zwei widersprüchlichen PR-Aktionen. Es sind zwei Ausdrucksformen derselben zugrunde liegenden Kalkulation darüber, wohin sich das Feld bewegt.

Eine offene Frage, keine abgeschlossene

Unter all dem liegt eine schwierigere Frage, die keine der beiden Ankündigungen für sich allein beantwortet. Wenn ein Modell einen Satz in einer so komplizierten Form beweist, dass selbst ausgebildete Mathematiker eine Maschine brauchen, um ihn Zeile für Zeile zu prüfen, was bedeutet das dann dafür, wie wir beurteilen sollten, ob ein KI-System selbst sicher ist? Muss diese Beurteilung sich auf denselben Standard zubewegen – formale, maschinell überprüfbare Aussagen –, statt sich darauf zu stützen, dass Fachexperten Ausgaben durchlesen und zu dem Urteil gelangen, dass sie vernünftig erscheinen?

Das hat noch niemand beantwortet, auch Tsimerman nicht. Aber die Tatsache, dass ein Mathematiker, der für genau diese Art von Strenge geschaffen ist, auf dem Höhepunkt der Anerkennung seines Fachgebiets beschlossen hat, daran zu arbeiten, könnte das Nächste an einer Antwort sein, das dieser Moment bisher hervorgebracht hat.