21. Mai 2026 5 min

OpenAI knackt ein Erdős-Problem: Warum KI gerade von Forschungshilfe zu echter Forschungsarbeit kippt

KI-Inhalt: Dieser Beitrag wurde mit Unterstützung von KI erstellt und redaktionell eingeordnet.

OpenAI behauptet, dass ein internes Reasoning-Modell ein zentrales offenes Problem der diskreten Geometrie gelöst hat – und diesmal geht es nicht um eine schicke Demo, eine Benchmark oder einen Coding-Wettbewerb. Es geht um ein Erdős-Problem, an dem Mathematiker seit Jahrzehnten herumdenken.

Genauer gesagt: um das Unit-Distance-Problem, 1946 von Paul Erdős formuliert. OpenAI schreibt, das Modell habe eine langjährige Vermutung zur maximalen Zahl von Punktpaaren mit Abstand 1 in der Ebene widerlegt und dabei eine polynomielle Verbesserung gegenüber den klassischen Quadratgitter-Konstruktionen gefunden.

Wenn das Ergebnis so trägt, wie OpenAI es darstellt, ist die eigentliche Nachricht nicht nur mathematisch interessant. Dann sehen wir hier einen deutlichen Rollenwechsel: KI ist nicht mehr nur nützlich beim Durchrechnen, Programmieren oder Strukturieren, sondern liefert originäre Forschungsarbeit, die externe Experten ernst nehmen und prüfen.

Was OpenAI konkret behauptet

Im offiziellen Forschungsbeitrag vom 20. Mai schreibt OpenAI, ein allgemeines Reasoning-Modell habe das Problem nicht als spezielles Mathematik-System, nicht über einen maßgeschneiderten Such-Scaffold und nicht als bloßes Retrieval-Spiel gelöst. Laut OpenAI entstand der Beweis im Rahmen eines breiteren Tests zu Erdős-Problemen und wurde anschließend von externen Mathematikern geprüft.

Begleitend hat OpenAI drei Dinge veröffentlicht:

den eigentlichen Beweis als PDF
eine Begleitnotiz externer Mathematiker mit Einordnung und Kontext
eine gekürzte Fassung der Chain of Thought

Schon diese Verpackung ist bemerkenswert. OpenAI versucht hier sichtbar, nicht nur eine Behauptung in den Raum zu stellen, sondern einen prüfbaren Forschungsfall aufzubauen.

Warum ausgerechnet dieses Problem so wichtig ist

Das Unit-Distance-Problem klingt erst einmal klein: Wie viele Punktpaare mit genau Abstand 1 kann man unter n Punkten in der Ebene maximal erzeugen?

Aber gerade diese Art Problem ist in der Mathematik berüchtigt: leicht zu erklären, schwer zu lösen und über Jahrzehnte zentral für ein ganzes Teilgebiet. OpenAI verweist selbst darauf, dass das Problem seit Erdős’ Formulierung 1946 prominent ist und lange die Vermutung im Raum stand, dass bekannte Quadratgitter-Konstruktionen im Wesentlichen schon fast optimal seien.

Nach OpenAIs Darstellung widerlegt das Modell genau diese Vermutung. Für unendlich viele Werte von n konstruiert der Beweis Punktmengen mit mindestens n^1+δ Einheitsabständen für ein festes positives δ – also mehr als das bislang erwartete n^1+o(1)-Verhalten.

Der mathematische Punkt ist hier nicht bloß „KI war schnell“, sondern KI hat offenbar einen unerwarteten Ideenwechsel gefunden: weg von den bekannten geometrischen Intuitionen, hin zu Methoden aus der algebraischen Zahlentheorie.

Der eigentliche Bruch: KI liefert nicht nur Fleißarbeit

Für mich ist das der entscheidende Teil der Meldung. Wir haben uns inzwischen daran gewöhnt, dass Modelle Code schreiben, Literatur sortieren, Papers zusammenfassen, Hypothesen gegeneinanderstellen oder bei Benchmarks gut aussehen. Das ist nützlich – aber noch nicht dasselbe wie eine originelle, tragfähige Forschungsidee mit eigenem Beweisweg.

Genau deshalb ist dieser Fall größer als viele normale KI-News. Wenn ein allgemeines Modell in einem etablierten mathematischen Feld eine echte offene Frage knackt, dann verschiebt sich die Diskussion. Dann reden wir nicht mehr nur über Assistenz, sondern über Systeme, die in engen, formal prüfbaren Bereichen selbst neue Erkenntnisse produzieren können.

Das passt erstaunlich gut zu zwei Linien, die sich bei KI gerade ohnehin verdichten. Einerseits hatte OpenAI schon mit Parameter Golf gezeigt, wie KI-Research praktischer, schneller und chaotischer wird. Andererseits sieht man bei Projekten wie AlphaEvolve, dass agentische Systeme längst nicht mehr nur toy examples abarbeiten, sondern tief in technische Problemlösung rutschen.

Der neue OpenAI-Fall geht noch einen Schritt weiter: nicht nur bessere Werkzeuge für Forscher, sondern ein Modell als aktiver Ursprung eines Resultats.

Warum man trotzdem vorsichtig bleiben sollte

So stark die Meldung ist: Man sollte sie nicht naiv als „KI löst jetzt Mathematik“ abheften.

Erstens kommt die Behauptung zunächst von OpenAI selbst. Das Unternehmen hat zwar Beweis, Begleitnotiz und Expertenstimmen veröffentlicht, aber die eigentliche wissenschaftliche Einordnung entsteht erst durch weitere Prüfung, Diskussion und Anschlussarbeit im Fach.

Zweitens ist ein solcher Erfolg kein Beweis für allgemeine wissenschaftliche Autonomie. Mathematik eignet sich besonders gut als Testfeld, weil Aussagen präzise sind und Beweise überprüft werden können. Daraus folgt nicht automatisch, dass Modelle im gleichen Maß schon in Biologie, Medizin oder Materialforschung robust neue Wahrheiten produzieren.

Drittens bleibt offen, wie reproduzierbar solche Durchbrüche sind. Ein spektakulärer Treffer ist noch keine verlässliche Forschungsmaschine. Aber er ist sehr wohl ein Signal, dass die Grenze gerade verrutscht.

Warum das auch außerhalb der Mathematik zählt

Genau hier wird es für menzel.works spannend. Die größere Bewegung ist nicht „Mathe-News“, sondern die langsame Verwandlung von KI in Forschungsinfrastruktur.

Wenn Modelle schwierige Argumente über lange Strecken konsistent halten, Ideen aus weit auseinanderliegenden Teilgebieten verbinden und Ergebnisse liefern, die Experten ernsthaft prüfen, dann ist das nicht nur für Zahlentheoretiker relevant. Dann wird plausibler, dass ähnliche Systeme auch in Physik, Chemie, Materialwissenschaft oder Engineering wertvoller werden – nicht nur als Co-Pilot, sondern als echter Erkenntnisverstärker.

Das ist aus meiner Sicht der Punkt, an dem man die Nachricht nicht kleinreden sollte. Selbst wenn aus diesem einen Fall noch keine neue Forschungsordnung folgt, zeigt er sehr klar, wohin sich die leistungsstärksten Reasoning-Modelle bewegen.

Mein Urteil

Ich halte diese Meldung für eine der interessanteren OpenAI-News der letzten Wochen, gerade weil sie nicht wie typische Produkt-PR wirkt. Sie ist sperriger, prüfbarer und im besten Fall bedeutender.

Wenn der Beweis Bestand hat, dann markiert er einen echten Übergang: von KI als Hilfskraft im Forschungsprozess zu KI als Quelle origineller Beiträge in formalen Wissensgebieten.

Noch ist das kein Freifahrtschein für AGI-Erzählungen. Aber es ist ein ziemlich starkes Indiz dafür, dass die kreativere, anspruchsvollere Seite wissenschaftlicher Arbeit für Modelle schneller erreichbar wird, als viele es noch vor kurzem vermutet hätten.

Und genau deshalb ist die OpenAI-Meldung wichtiger als eine Mathe-Kuriosität. Sie zeigt, dass agentische und reasoning-starke Systeme nicht nur mehr Arbeit automatisieren, sondern anfangen könnten, an einzelnen Stellen selbst neues Wissen mit hervorzubringen.

Weiterführende Beiträge auf menzel.works

Quellen

Frage zu „OpenAI knackt ein Erdős-Problem: Warum KI gerade von Forschungshilfe zu echter Forschungsarbeit kippt"?

// du redest mit dem, der commitet

Termin buchen →