Wird KI die Mathematik wieder revolutionieren? Terence Tao äußert sich dringend: Hört auf mit der Vergötterung!

  Bericht von Neue Intelligenz 

Vielleicht sind Ihnen schon einmal solche reißerischen Schlagzeilen begegnet: „AI hat völlig selbstständig ein seit fünfzig Jahren ungelöstes mathematisches Problem der Menschheit gelöst! Mathematiker werden arbeitslos!“

Für diejenigen, die darauf brennen, die Geburt von AGI zu erleben, ist das zweifellos ein weiterer Motivationsschub. Für Mathematiker, die die Würde menschlicher Intelligenz verteidigen, klingt das wie das Alarmsignal für den Fall der letzten Bastion.

Mit dem wachsenden Einfluss solcher Artikel konnte schließlich jemand nicht mehr länger stillhalten und griff ein, um die Aufregung zu dämpfen.

Interessanterweise ist diese Person einer der aktivsten Förderer von AI in der Mathematik – Terence Tao.

Terence Tao bestreitet keineswegs die mathematischen Forschungsfähigkeiten von AI, sondern möchte lediglich die Temperatur zurück auf die Realität bringen.

Heute früh postete Terence Tao,dass die Fähigkeiten von AI zur Lösung mathematischer Probleme aus dem Zusammenhang gerissen übertrieben wurden.

Er ergänzte auf der zugehörigen GitHub-Seite des Erdős Problems-Projekts eine systematischere Erläuterung und Warnung.

Er betont, dass die Interpretation von AI-Erfolgen bei Erdős-Problemen leicht übertrieben wird,insbesondere wenn einzelne Einzelerfolge als Beweis für „fortgeschrittene mathematische Fähigkeiten der AI“ herhalten müssen.

Worauf will Terence Tao genau hinaus? Was hat AI beim Erdős-Problem tatsächlich erreicht?

Zunächst einmal: Terence Tao bestreitet nicht die Fortschritte, die AI in der Mathematik gemacht hat.

Was er in erster Linie ablehnt, ist eine bequeme Erzählweise:aus „AI kann bei bestimmten Problemen überprüfbare Ergebnisse liefern“ wird stillschweigend „AI kann bereits Mathematik, ist innovativ und kann den Menschen ersetzen“ gemacht.

In seiner aktualisierten Seite „AI contributions to Erdős problems“ erklärt er, dass man beim Blick auf das AI-Ergebnisblatt bei Erdős-Problemen nicht nur auf die Anzahl gelöster Aufgaben achten sollte, sondern besonders auf folgende Punkte:

• Die Schwierigkeitsgrade der Aufgaben variieren extrem, „Anzahl gelöster Aufgaben“ ist nicht direkt vergleichbar:Die Schwierigkeitsbreite der Erdős-Probleme ist enorm: Am einen Ende gibt es unbestrittene, extrem harte Kernprobleme, am anderen Ende viele „Long-Tail“-Aufgaben, die lange niemand geprüft oder kaum erforscht hat. Unter letzteren sind viele sogenannte „Low-Hanging Fruits“, die sich besonders für die aktuellen AI-Tools eignen. Das Problem: Ohne eine Expertenanalyse der Literatur lässt sich kaum einschätzen, zu welcher Kategorie eine Aufgabe gehört. Wer also „wer hat mehr gelöst“ vergleicht, vergleicht oft Aufgaben völlig unterschiedlicher Schwierigkeitsgrade.

• Ob viele Aufgaben überhaupt ungelöst sind, ist oft unklar:Auf der Website fehlt es vielen Aufgaben an einer systematischen Literaturübersicht, daher ist das Label „Open“ (ungelöst) oft nur vorläufig. Wenn AI ein Problem löst, stellt sich oft schnell heraus –es wurde längst in der Literatur gelöst(vielleicht mit leicht anderer Methode). Das lässt die Erzählung von der „AI-Erstlösung“ leicht entgleisen.

• Wir sehen meist nur die erfolgreichen Fälle, Misserfolge bleiben verborgen:Die Website dokumentiert AI-Tools nicht vollständig, besonders bei fehlenden Fortschritten oder gescheiterten Versuchen gibt es noch weniger Aufzeichnungen.

• Manche Aufgaben sind fehlerhaft formuliert und können durch „Wortklauberei“ gelöst werden:In sehr seltenen Fällen ist die Formulierung eines Erdős-Problems nicht präzise oder gar fehlerhaft. Um die eigentliche Intention wiederherzustellen, muss man oft den Kontext heranziehen und auf Fachkenntnis zurückgreifen – dieser Schritt ist subjektiv.

• Der mathematische Wert liegt nicht nur in der Antwort, sondern vor allem im „Vernetzen des Wissens“:Mathematik bedeutet nicht nur, einen Beweis zu führen, sondern auch: Was bringt das für das Fachgebiet? Wie lässt sich das mit bestehenden Theorien verknüpfen? Welche Methoden sind übertragbar? Wenn Menschen Beweise schreiben, ergänzen sie meist automatisch diese Kommentare: Hintergrund, Motivation, Literaturvergleich, Grenzen der Methode. DochAI-dominierte Beweisefehlt oft dieser Wissenstransfer, sodass sie technisch richtig, aber für die Community wenig nutzbar sind.

• Das Lösen wenig beachteter Long-Tail-Aufgaben reicht nicht für ein Top-Journal:Nicht jede gelöste offene Aufgabe entspricht einer publizierbaren Arbeit. Besonders wenn das Problem sehr speziell ist oder die Methode nur eine kleine Modifikation bekannter Routinen, reicht das selten für ein angesehenes Journal.

• Das Formalisieren von AI-Beweisen in Lean oder ähnlichen Assistenten erhöht zwar die Glaubwürdigkeit, kann aber dennoch Lücken aufweisen.Beispielsweise kann beim Formalisieren heimlich ein zusätzliches Axiom eingeführt, das Problem falsch formalisiert oder eine „Randerscheinung“ der Mathematikbibliothek/Syntax ausgenutzt werden. Besonders wenn der formalisierte Beweisungewöhnlich kurzoderungewöhnlich langatmigist, sollte man besonders vorsichtig sein.

Kurz gesagt: Tao meint, die Fortschritte von AI bei den Erdős-Problemen sind beachtenswert,doch man sollte auf Schwierigkeitsgrad, Literaturüberprüfung, Problemrekonstruktion, Wissensintegration und die Solidität der Validierungskette achten.

Dass AI Ergebnisse liefert, heißt nicht, dass AI bereits über vollständige mathematische Fähigkeiten verfügt.

Was hat AI in der Praxis eigentlich getan?

Terence Tao teilt auf seiner GitHub-Seite die Beiträge von AI in mehrere Kategorien ein.

Es gibt AI, die vollständige (oder teilweise) Lösungen generiert haben, AI, die ein Problem für ungelöst hielt, aber feststellte, dass es schon gelöst wurde, AI, die bei der Literatursuche half, AI, die Beweise in Lean formalisierten, AI, die bestehende Argumentationen für Menschen umschrieb, und so weiter.

So listet die Seite beispielsweise #728 Problem am 6. Januar 2026 von Aristotle und ChatGPT 5.2 Pro vollständig gelöst (Lean-verifiziert),#729 Problem wurde zwischen dem 8. und 10. Januar ebenfalls komplett gelöst (Lean-verifiziert).

Das bedeutet: Bei bestimmten Aufgabentypen und Schwierigkeitsgraden kann AI tatsächlich „ausführbare Beweisstrukturen“ liefern und sogar in formale Verifizierungsprozesse einsteigen.

Manche Probleme wurden vollständig von AI gelöst, aber später stellte sich heraus, dass sie längst gelöst waren.

Tao listet auch eigens die Kategorie „AI-powered literature review (AI-gestützte Literaturrecherche)“: AI wird eingesetzt, um zu prüfen, ob es bereits Ergebnisse gibt oder ob ein Problem fälschlicherweise als offen gilt.

Wer von wenigen Einzelfällen schon auf „unbesiegbare AI in der Mathematik“ schließt, greift zu kurz.

Aber umgekehrt: Wer AI in der Mathematik für nutzlos hält, verpasst ebenso ihren echten Wert.

Treffender ist wohl: AI lernt gerade, die „Routine- und Ingenieursarbeit“ der Mathematik zu übernehmen: Routinen abspulen, Lücken schließen, formalisieren, Texte schreiben und überarbeiten, Literatur recherchieren.

Doch die wirkliche „Seele“ der Mathematik – tiefgründige Fragen stellen, neue Konzepte schaffen, ein Resultat in das gesamte Wissensnetz der Disziplin einbetten – bleibt weiterhin fest in menschlicher Hand.

Genau das wollte Terence Tao mit seinem nächtlichen Post sagen.

Vielleicht wird der Mathematiker der Zukunft nicht mehr der einsame Denker sein, sondern der Kommandant einer Armee von Silizium-Intelligenzen: Auf der weiten Ebene der Mathematik gibt der Mensch die Richtung vor, AI bahnt neue Wege und schlägt Brücken.

Man sollte AI nicht aus dem Zusammenhang gerissen zum Mythos machen, aber auch die Kraft nicht unterschätzen, die gerade dabei ist, die Art der Wahrheitssuche grundlegend zu verändern.