722 Manuskripte: OpenAIs mathematischer Coup ohne Peer-Review

Am 6. Oktober 2026 hat OpenAI ein Repository veröffentlicht, das die mathematische Welt vor eine seltsame Wahl stellt. In diesem digitalen Archiv liegen 722 Manuskripte, die von einem internen Frontier-Modell erstellt wurden. Sie behaupten, komplexe Probleme in Zahlentheorie, Topologie und theoretischer Informatik gelöst zu haben. Das ist ein gewaltiger Sprung für die Automatisierung wissenschaftlicher Arbeit.

Die Liste der Themen liest sich wie ein Lehrbuch der modernen Forschung. Darin findet man Behauptungen zu Dirichlet-L-Funktionen, der rationalen Hodge-Vermutung und sogar einer Art Quasi-Riemann-Hypothese. OpenAI hat diese Texte unter der Apache-2.0-Lizenz frei zugänglich gemacht. Jeder kann sie lesen, prüfen und verwenden. Doch genau hier beginnt das eigentliche Problem, das über die reine Mathematik hinausgeht.

Der Rechenzeit-Faktor und die Datenbasis

Die Herkunft dieser Ergebnisse ist bemerkenswert effizient. Laut Unternehmensangaben war das System mit rund 4.000 offenen Forschungsproblemen konfrontiert worden. Die internen Evaluierungen hatten offenbar keine ausreichende Differenzierung mehr geliefert, was den Schritt zu dieser Massenerzeugung erklärt. Ein akzeptiertes Ergebnis kostete im Durchschnitt etwa drei Stunden an äquivalenter Rechenleistung von ChatGPT Pro Thinking Compute.

Das ist ein Bruchteil der Zeit, die menschliche Mathematiker für vergleichbare Beweise benötigen. Ein Unternehmenssprecher betonte, dass fast alle Ergebnisse nach einem einzigen Prompt an einen einzelnen Agenten entstanden seien. Frühere Arbeiten, wie jene zur Navier-Stokes-Gleichung, brauchten laut Berichten noch komplexere Herangehensweisen. Die Skalierbarkeit dieses Ansatzes ist der eigentliche technologische Durchbruch, unabhängig von der Korrektheit der einzelnen Sätze.

Formale Verifikation als Sicherheitsnetz

Um die Qualität zu sichern, stützt sich OpenAI stark auf formale Prüfwerkzeuge. 235 der 372 Ergebnis-Familien verlinken direkt auf das formale Beweissystem Lean. Das ist ein automatisierter Weg, um logische Konsistenz sicherzustellen. Weitere 162 Arbeiten enthalten ein formalisiertes Hauptergebnis, das sich über dieses Prüfwerkzeug kontrollieren lässt. Diese Automatisierung ist der Kern der neuen Strategie.

Doch es gibt eine erhebliche Lücke. Nicht alle 722 Manuskripte sind formalisiert. Bei den übrigen Arbeiten könnte die KI logische Fehler enthalten, die ein menschliches Auge erst bei genauer Lektüre bemerkt. OpenAI warnt ausdrücklich davor, dass nicht formalisierte Ergebnisse fehlerbehaftet sein könnten. Die Abhängigkeit von der formalen Prüfung macht den Prozess transparent, aber auch anfällig für die Qualität der Implementierung in Lean.

Die Gefahr des fehlenden Peer-Reviews

Bislang hat keine der 722 Arbeiten ein wissenschaftliches Peer-Review-Verfahren durchlaufen. Das ist ein fundamentaler Unterschied zur normalen wissenschaftlichen Praxis. In der Mathematik ist die Diskussion unter Kollegen, das Hinterfragen von Annahmen und das Finden von Lücken ein zentraler Bestandteil der Qualitätskontrolle. Ohne diesen Prozess ist die Aussagekraft der Ergebnisse begrenzt.

Zu den zentralen Behauptungen gehört unter anderem eine nullstellenfreie Halbebene für alle Dirichlet-L-Funktionen. Solche Aussagen sind schwer zu falsifizieren, wenn man nicht die gesamte Beweisführung nachvollziehen kann. Die Tatsache, dass das zugrunde liegende Modell weiterhin unter Verschluss bleibt, erschwert die unabhängige Überprüfung zusätzlich. Wir haben hier also eine Situation, in der das Ergebnis öffentlich ist, aber der Prozess der Entstehung intransparant bleibt.

Menschliche Überarbeitung als Grauzone

Ein weiterer Aspekt macht die Situation komplex. Manche der Manuskripte, besonders jene zur rationalen Hodge-Vermutung, wurden außerhalb des standardisierten Verfahrens erstellt. Texte wurden teils menschlich überarbeitet, um die Lesbarkeit zu verbessern. Das ist ein ungewöhnlicher Eingriff in den Output einer KI. Es wirft die Frage auf, wie viel vom ursprünglichen mathematischen Inhalt tatsächlich von der Maschine stammt und wie viel von menschlicher Nachbearbeitung geprägt ist.

Diese Hybridnatur ist typisch für den aktuellen Stand der KI-Forschung in den Naturwissenschaften. Die Maschine liefert die Rohdaten und die logische Struktur, der Mensch poliert und formuliert. Aber wer ist dann für die mathematische Korrektheit verantwortlich? OpenAI gibt die Verantwortung an die Gemeinschaft ab, indem es die Dateien frei veröffentlicht. Die wissenschaftliche Gemeinschaft muss nun die Rolle des Reviewers übernehmen, ohne dass es dafür einen offiziellen Prozess gibt.

Auswirkungen auf die mathematische Forschung

Die Veröffentlichung von 722 Manuskripten ist ein Testballon für die Zukunft der wissenschaftlichen Kommunikation. Wenn KI-Systeme in der Lage sind, Beweise für offene Probleme zu generieren, verändert sich die Rolle des Mathematikers fundamental. Er wird weniger zum Entdecker neuer Sätze, sondern mehr zum Validierer und Kurator maschineller Outputs. Das ist eine dramatische Verschiebung der Arbeitsteilung.

Die Breite der Themenfelder, von reiner Mathematik bis zur mathematischen Physik, zeigt die Universalität des Ansatzes. Aber die Gefahr von massenhaft fehlerhaften oder trivialen Ergebnissen bleibt. Ohne ein strukturiertes Review-System besteht die Gefahr, dass die wissenschaftliche Literatur mit ungesicherten Behauptungen überflutet wird. OpenAI hat den Stein ins Rollen gebracht, aber die Verantwortung für die Qualität liegt nun bei den Forschern, die diese Manuskripte lesen.