For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the public content index is available at https://we0.ai/llms.txt, and the English article bundle is available at https://we0.ai/llms-full.txt.
For AI agents: the complete content index is available at https://we0.ai/llms.txt, the full English article bundle is available at https://we0.ai/llms-full.txt, and this page is available as Markdown at https://we0.ai/de/articles/christian-szegedy-on-ai-and-the-future-of-9df759e7.md.
Seit mehr als zweitausend Jahren feiert die Mathematik eine bestimmte Art von Held: die Person, die Jahre damit verbringt, sich einem Proble...
Seit mehr als zweitausend Jahren feiert die Mathematik eine bestimmte Art von Held: die Person, die Jahre damit verbringt, sich einem Problem zu nähern, das sonst niemand lösen kann.
Euklid, Gauß, Hilbert, Wiles – die Mythologie der Mathematik ist voller Durchbrüche einzelner Personen oder kleiner Teams, die außergewöhnliche Ausdauer und technische Fähigkeiten erforderten.
Christian Szegedy ist überzeugt, dass sich diese Ära verändert.
In einem am 4. Oktober veröffentlichten langen Essay argumentiert der xAI-Mitgründer und langjährige KI-Forscher, dass künstliche Intelligenz beginnt, die grundlegende Ökonomie und Kultur mathematischer Entdeckungen zu verändern. Seine zentrale Metapher ist einfach: Mathematiker haben historisch eine unkartierte Wildnis zu Fuß erkundet, während KI zu einem Flugzeug wird.
Das Flugzeug ist noch primitiv. Es ist teuer, unzuverlässig und kann noch nicht jeden Gipfel erreichen.
Doch wenn es sich in dem von Szegedy erwarteten Tempo verbessert, könnte sich die wichtige Tätigkeit in der Mathematik davon wegbewegen, persönlich einen schwierigen Gipfel zu erklimmen, hin zum Kartieren ganzer Regionen, zum Lenken von Flotten automatisierter Entdecker und zur Entscheidung, welches Gelände es wert ist, untersucht zu werden.
Christian Szegedy teilte einen langen persönlichen Essay über die Zukunft der Mathematik im Zeitalter der KI.
Das ist die provokante Bedeutung hinter seiner Aussage, Mathematik stehe kurz davor, ihren „Abschluss“ zu machen.
Das bedeutet nicht, dass es keine Mathematik mehr geben wird.
Es bedeutet vielmehr, dass Mathematik seiner Ansicht nach möglicherweise nicht länger primär eine handwerkliche Tätigkeit bleibt, die von einer relativ kleinen Zahl von Spezialisten ausgeübt wird, sondern zu einer wesentlich größeren industriellen Grundlage für Wissenschaft und Technologie wird.
Nicht alle stimmen dem zu.
Stephen Wolfram argumentiert, nur wenige Tage zuvor schreibend, fast das Gegenteil: KI kann mehr mathematische Arbeit automatisieren, doch die Ziele, Konzepte und Narrative, die reine Mathematik sinnvoll machen, kommen weiterhin von außerhalb des Systems – von Menschen.
Die Meinungsverschiedenheit betrifft nicht wirklich die Frage, ob KI in Mathematik besser wird.
Sie betrifft die Frage, wofür Mathematik da ist, wenn Maschinen mehr vom Beweisen übernehmen können.
Szegedys Position ist keine spontane Reaktion auf einige beeindruckende Modell-Demos.
Seine Karriere bewegt sich seit Jahrzehnten zwischen Mathematik und maschinellem Lernen.
Er studierte Mathematik in Ungarn, promovierte in angewandter Mathematik an der Universität Bonn und verbrachte anschließend mehr als ein Jahrzehnt bei Google.
Mehrere häufig zitierte Entwicklungen im Deep Learning tragen seinen Namen.
Zu den mit Szegedy verbundenen Forschungsarbeiten gehören Inception, adversariale Beispiele und Batch-Normalisierung.
Er war Erstautor der Arbeit, die die Inception-Architektur einführte, wirkte an frühen Arbeiten zu adversarialen Beispielen mit und verfasste gemeinsam mit Sergey Ioffe die Arbeit zur Batch-Normalisierung.
2023 schloss sich Szegedy dem Gründungsteam von xAI an.
Die xAI-Ankündigung von 2023 hob ein Gründungsteam mit Hintergründen bei Google Research, DeepMind, OpenAI, Microsoft Research und weiteren Laboren hervor.
Doch Mathematik blieb zentral für sein Denken.
In einer 2020 veröffentlichten Arbeit argumentierte Szegedy, dass Autoformalisierung – die automatische Übersetzung gewöhnlicher mathematischer Sprache in maschinenverifizierbare formale Aussagen – zu einem wichtigen Weg hin zu allgemeinem KI-Schlussfolgern werden könnte.
Die Arbeit beschreibt ein Autoformalisierungssystem als ein System, das informelle mathematische Inhalte lesen und mit minimalem menschlichem Eingreifen in abstrakte, maschinenprüfbare Form übertragen kann.
„A Promising Path Towards Autoformalization and General Artificial Intelligence“ erläuterte Szegedys Argument für maschinenlesbare Mathematik.
Sein ursprünglicher Zeitplan war ambitioniert.
Nach Szegedys späterer eigener Darstellung erwartete er einst übermenschliche KI-Mathematiker um 2029. Bis 2024 sagte er bereits, der Fortschritt sehe schneller aus, als er erwartet hatte.
Szegedy schrieb 2024, dass die Fortschritte schneller verliefen als der Zeitplan für 2029, den er sich zuvor vorgestellt hatte.
Im Februar 2024 sprach er öffentlich über eine Wette auf das Auftreten eines übermenschlichen KI-Mathematikers vor Juni 2026.
2024 sprach Szegedy öffentlich über eine Wette darauf, dass übermenschliche KI-Mathematik vor Mitte 2026 eintreffen werde.
Dann brachte 2026 eine Reihe von Ergebnissen, die diese Frage deutlich schwerer abtun ließen.
Der ursprüngliche Artikel verweist auf mehrere KI-gestützte mathematische Meilensteine aus dem Jahr 2026.
Die Details sind wichtig, weil es sich nicht durchweg um dieselbe Art von Leistung handelt.
Im Mai gab OpenAI bekannt, dass eines seiner Modelle eine vermutete obere Schranke beim planaren Einheitsdistanzproblem widerlegt hatte, einer Fragestellung, die auf Arbeiten von Paul Erdős aus dem Jahr 1946 zurückgeht.
Das Ergebnis löste das Einheitsdistanzproblem nicht vollständig.
Es widerlegte jedoch eine zentrale Vermutung über die Wachstumsrate der maximalen Anzahl von Einheitsdistanz-Paaren unter Punkten in der Ebene.
Diese Unterscheidung ist wichtig, aber ebenso wichtig ist das Ergebnis: Ein allgemeines KI-System trug zu einer tatsächlich neuen mathematischen Konstruktion bei.
Im Juli teilte der Mathematiker Levent Alpöge öffentlich ein mit Claude Fable 5 entwickeltes Gegenbeispiel, das die Jacobische Vermutung in drei und höheren Dimensionen widerlegt.
Der zweidimensionale Fall bleibt offen.
Das Gegenbeispiel ist kompakt genug, um direkt überprüft zu werden, und externe Mathematiker prüften die Konstruktion schnell.
Dies war eine weitere Art von KI-Mathematik-Ergebnis: nicht die Formalisierung eines bestehenden Beweises, sondern die Entdeckung eines expliziten Gegenbeispiels zu einer langjährigen Vermutung.
Anthropic kündigte anschließend die erste vollständige, computergeprüfte Formalisierung von Fermats letztem Satz an.
Claude arbeitete weitgehend autonom 11 Tage daran, den bestehenden menschlichen Beweis in Lean zu übertragen.
Dies war im historischen Sinn kein neuer Beweis des Satzes – Andrew Wiles und Richard Taylor hatten die Mathematik bereits in den 1990er-Jahren etabliert.
Der Durchbruch war die Formalisierung.
Ein großer Bestand fortgeschrittener Mathematik wurde in eine Form überführt, die Lean Schritt für Schritt prüfen konnte.
OpenAIs interne Mathematikinitiative trieb den Umfang deutlich weiter.
Das Unternehmen sagt, dass seine Systeme nach dem Start eines umfangreichen Multi-Agenten-Einsatzes für bedeutende mathematische Probleme etwa 88 Stunden nach dem Start der ersten Agenten zu einer vorgeschlagenen Lösung des Navier-Stokes-Millennium-Preisproblems gelangten.
OpenAIs eigener technischer Bericht besagt, dass die Gruppe, welche das Navier-Stokes-Ergebnis erzeugte, in der Größenordnung von 10.000 gleichzeitig arbeitenden Agenten umfasste.
Die Lean-Formalisierung und -Verifikation benötigte anschließend mit GPT-6 Astra weitere 17 Stunden.
Das Ergebnis bleibt auch wegen des Umfangs des Prozesses historisch bedeutsam: Millionen von Nachrichten zwischen Agenten und Hunderte Milliarden generierter Output-Tokens im gesamten größeren Einsatz.
Am 21. September erklärte OpenAI außerdem, dass dasselbe interne Modell mehr als 100 langjährige offene Probleme in der Mathematik gelöst habe.
Der Quellartikel stellt Szegedys frühere Vorhersagen einer schnellen Reihe von KI-Mathematik-Ergebnissen aus dem Jahr 2026 gegenüber.
Der genaue Status und die langfristige Bedeutung dieser Ergebnisse unterscheiden sich.
Einige sind Formalisierungen bekannter Mathematik. Einige sind neue Gegenbeispiele oder Konstruktionen. Einige sind umfassende Forschungsbehauptungen, die weiterhin mathematisch geprüft werden.
Zusammen veränderten sie jedoch das Tempo der Debatte.
Szegedys Argument lautet, dass es nicht mehr vernünftig ist, über KI-Mathematik zu sprechen, als wären die Systeme statisch.
Szegedy beginnt seinen Essay mit einer persönlichen Erinnerung an seinen Schulabschluss.
Nach Jahren mathematischer Wettbewerbe und strukturierter Ausbildung war seine Abschlussprüfung vorbei.
Für kurze Zeit fühlte er sich frei.
Dann kam etwas, das eher Leere ähnelte.
Es gab keine Wettbewerbe mehr. Kein Lehrer stellte die nächste Aufgabe. Das System, das seine Identität strukturiert hatte, war plötzlich verschwunden.
Seine Botschaft an Mathematiker lautet, dass einige von ihnen möglicherweise bald einen ähnlichen Übergang erleben werden.
Um zu erklären, warum, vergleicht er reine Mathematik mit der Erkundung einer Wildnis ohne Karte.
Die Entdecker leisten drei Arten von Arbeit:
Historisch waren die am meisten gefeierten Personen oft die Bergsteiger.
Eine Vermutung, an der alle anderen gescheitert waren, wurde zu einem Berg. Sie zu lösen, konnte eine Karriere prägen.
Das Langlands-Programm ist ein Beispiel für mathematische Arbeit, die riesige Gebiete erschließt und zugleich legendäre individuelle Leistungen hervorbringt.
Auch Werkzeugbauer erhalten Anerkennung, doch das emotionale Zentrum der mathematischen Kultur war häufig weiterhin der schwierige Satz oder die Vermutung, die eine Person oder eine kleine Gruppe schließlich bezwingt.
Szegedy argumentiert, dass die Vermutungen selbst oft nicht der tiefste Punkt sind.
Sie sind auch Testfelder.
Forscher greifen ein schwieriges Problem teilweise deshalb an, weil sie dabei gezwungen werden, neue Techniken, neue Konzepte und neue Perspektiven auf die Landschaft zu entwickeln.
Die Anziehungskraft liegt nicht allein im formalen Ergebnis.
Sie liegt auch in dem Moment, in dem sich ein unscheinbarer Felsen als Berg entpuppt und von seinem Gipfel aus eine neue Region sichtbar wird.
Szegedys zentrale Metapher ist das Flugzeug.
Der erste Flug der Gebrüder Wright dauerte nur Sekunden.
Gemessen an einem modernen Verkehrsflugzeug war er fast nutzlos.
Doch es wäre ein Fehler gewesen, diese primitive Maschine anzusehen und daraus zu schließen, dass Flugzeuge niemals Ozeane überqueren, Millionen Menschen befördern oder die Geografie verändern würden.
Szegedy hält heutige KI-Systeme in der Mathematik für ähnlich früh in ihrer Entwicklung.
Sie sind teuer.
Sie machen Fehler.
Sie können noch nicht überall hinfliegen.
Einige Ergebnisse erfordern weiterhin enorme Rechenleistung, sorgfältige menschliche Anleitung, formale Verifikation oder fachliche Überprüfung.
Die relevante Frage ist jedoch nicht, ob die heutige Maschine jeden mathematischen Gipfel erreichen kann.
Sie lautet: Was passiert, wenn die Maschinen sich weiter verbessern?
Die skeptische Antwort klingt in seiner Metapher so:
Diese Felsen sind leicht. Wir haben sie nur erklommen, um uns auf die echten Berge vorzubereiten. Dein Flugzeug wird die echten Gipfel niemals erreichen.
Szegedy hält dies für einen statischen Denkfehler.
Ein Modell, das heute primitiv wirkt, kann in wenigen Monaten überholt sein.
Ein Workflow, der heute enorme Mengen an Rechenleistung kostet, könnte günstig genug werden, um routinemäßig ausgeführt zu werden.
Sobald das geschieht, so argumentiert er, wirkt Mathematik nicht mehr wie eine Wildnis, die nur für Elite-Bergsteiger zugänglich ist.
Beschreibe deine Idee einmal, und We0 AI erstellt eine Showcase-Website, Seiten und ein CMS und hilft nach dem Launch bei Kunden und Traffic.
Eine komplette Projektgeneration zur kostenlosen Registrierung
Am besten geeignet, um einen vollständigen Generierungsablauf auszuprobieren und schnell einen ersten Projektentwurf zu sehen.
Sie beginnt wie ein Kontinent auszusehen, der aus der Luft vermessen werden kann.
Hier wird Szegedys Argument eher kulturell als technisch.
Wenn KI-Systeme zu kostengünstigen, zuverlässigen mathematischen Entdeckern werden, verändert sich das alte Umfeld.
Private „Flugzeuge“ werden breit verfügbar.
Große Organisationen können Flotten entsenden.
Automatisierte Systeme können riesige Bereiche mathematischer Möglichkeiten durchsuchen, Vermutungen testen, Beweise formalisieren, nach Strukturen suchen und zuvor getrennte Literaturen verbinden.
Der Quellartikel veranschaulicht diesen Übergang als eine Zukunft, in der die mathematische Landschaft von oben kartiert wird, statt ausschließlich zu Fuß erkundet zu werden.
Szegedy erwartet einen chaotischen Prozess.
Bestehende Forscher könnten es ablehnen, dass große Unternehmen Bereiche betreten, die früher kleinen akademischen Gemeinschaften gehörten.
Sie könnten das Gefühl haben, dass eine Kultur, die auf Eleganz, Geduld und individueller Fähigkeit beruht, industrialisiert wird.
Er weist diese Reaktion nicht vollständig zurück.
Etwas kann gleichzeitig gewonnen und verloren werden.
Seine Behauptung lautet, dass die Veränderung ohnehin eintreten wird.
Wenn das Beweisen von Sätzen weniger knapp wird, könnten sich akademische Anreize verschieben.
Szegedy schlägt vor, dass drei Fähigkeiten wertvoller werden könnten:
Die heroische Leistung, einen Gipfel zu erklimmen, den sonst niemand erklimmen kann, könnte weniger wichtig werden.
Die Fähigkeit zu entscheiden, welche Berge wichtig sind, könnte wichtiger werden.
Deshalb ist „Abschluss“ ein hilfreiches Wort in seiner Metapher.
Das Fach endet nicht.
Es verlässt eine Entwicklungsstufe und tritt in eine andere ein.
Seine umfassendere Vorhersage lautet, dass Mathematik weniger wie eine ruhige akademische Spezialisierung und stärker wie Infrastruktur unter Wissenschaft, Ingenieurwesen und Technologie wird.
Eine Reaktion auf Szegedys Essay kam vom Stanford-Mathematiker Jared Duker Lichtman.
Er schrieb, er habe seit seiner Graduate-School-Zeit auf diesen Moment gewartet, und argumentierte, dass Disruption ohne Ersatz ein Vakuum hinterlässt – aber ein klares Bild der Zukunft neue Energie schaffen kann.
Sein vorgeschlagener nächster Schritt ist konkret:
Alle bekannte Mathematik in formalen Code übersetzen.
Jared Duker Lichtman argumentierte, dass die Formalisierung bestehender Mathematik ein klarer nächster Schritt sei.
Diese Agenda knüpft direkt an Szegedys frühere Arbeit zur Autoformalisierung an.
Ein maschinenlesbarer mathematischer Korpus könnte Folgendes bereitstellen:
Anthropics Formalisierung von Fermats letztem Satz zeigt sowohl das Potenzial als auch die Schwierigkeit.
Die Formalisierung fortgeschrittener Mathematik kann enorme Mengen an generiertem Code und Infrastruktur erfordern.
Wenn Modelle jedoch in diesem Prozess besser werden, könnten die Kosten schnell sinken.
Szegedys Sichtweise wird nicht allgemein geteilt.
Fünf Tage vor dem Erscheinen seines Essays veröffentlichte Stephen Wolfram eine lange Erwiderung auf die breitere Behauptung, KI könne menschliche mathematische Forschung überflüssig machen.
Stephen Wolfram argumentiert, dass KI mathematische Arbeit verändern kann, ohne reine Mathematik obsolet zu machen.
Wolframs Position beginnt mit einer anderen Definition von Mathematik.
Wenn Mathematik vor allem darin bestünde, formale Beweise zu erzeugen, könnte eine immer leistungsfähigere KI einen großen Teil dieser Tätigkeit automatisieren.
Wolfram argumentiert jedoch, dass reine Mathematik auch davon handelt, zu entscheiden:
Eine KI kann enorme Mengen möglicher Definitionen, Sätze und formaler Strukturen erzeugen.
Das macht sie nicht automatisch zu bedeutungsvoller Mathematik für Menschen.
Nach Wolframs Auffassung kommen die Ziele der Mathematik von außerhalb des formalen Systems.
Menschen entscheiden, was ihnen wichtig ist.
Er warnt außerdem davor, dass formale Verifikation die falsche formale Aussage perfekt beweisen kann.
Ein Beweisassistent kann feststellen, dass die kodierte Aussage A aus den Annahmen B und C folgt. Das garantiert nicht automatisch, dass A das ist, was der Mathematiker ausdrücken wollte.
Dies ist ein wichtiges Gegengewicht zu der Vorstellung, mehr Autoformalisierung bedeute einfach: „Mathematik ist gelöst.“
Wolframs Schlussfolgerung ist eindeutig: Reine Mathematik wird nicht abgeschlossen sein.
Die rechnerische Irreduzibilität gewährleistet in seinem Rahmen einen endlosen Vorrat neuer Fakten und Überraschungen.
KI wird zu einem Beschleuniger, nicht zu einem Endpunkt.
Der Mathematiker Kevin Buzzard vom Imperial College hat mithilfe der Sprache der Trauer über die emotionale Reaktion innerhalb der Mathematik geschrieben.
Buzzard beschreibt eine mathematische Gemeinschaft, die sehr unterschiedlich auf rasante Fortschritte bei KI reagiert.
Die Reaktionen reichen von Begeisterung bis Ablehnung.
Einige Mathematiker möchten mit KI-Werkzeugen wenig oder gar nichts zu tun haben.
Andere integrieren sie schnell in ihre tägliche Forschung.
Für Forschende am Beginn ihrer Karriere kann der psychologische Effekt besonders stark sein.
Wenn ein Doktorand Wochen oder Monate an einem Lemma festhängt und ein Modell es sofort löst, kann sich der technische Erfolg persönlich destabilisierend anfühlen.
Das ist dieselbe Emotion, auf die Szegedy in seiner eigenen Geschichte vom Abschluss zurückkommt.
Eine Fähigkeit, die einst eine Identität strukturierte, kann plötzlich weniger knapp werden.
Szegedys Antwort lautet, dass die Trauer real ist, die Zukunft aber weiterhin mathematische Arbeit enthält – nur nicht zwingend dieselbe Arbeit mit derselben Statushierarchie.
1930 beendete David Hilbert eine berühmte Rede in Königsberg mit den Worten:
„Wir müssen wissen. Wir werden wissen.“
Der Satz wurde später mit seinem Denkmal verbunden.
Der Quellartikel nutzt ihn, um die Debatte abzuschließen.
Hilberts berühmte Aussage wurde zu einem Symbol für mathematisches Vertrauen in die Möglichkeit von Erkenntnis.
KI könnte diesen Anspruch wörtlicher erscheinen lassen.
Mathematik eignet sich ungewöhnlich gut für Automatisierung, weil viele Ergebnisse letztlich auf Objekte reduziert werden können, die Maschinen Schritt für Schritt prüfen können.
Es gibt keinen Laborapparat, der kalibriert werden müsste.
Ein formaler Beweis wird im gewählten Grundlagen-System entweder geprüft oder nicht.
Das bedeutet nicht, dass mathematische Entdeckung einfach ist.
Es bedeutet, dass Mathematik eine besonders klare Umgebung bietet, in der zunehmend leistungsfähige Systeme zum Schlussfolgern getestet werden können.
Dies könnte erklären, warum so viele sichtbare Forschungsergebnisse der KI-Spitzenforschung zuerst in der Mathematik erscheinen.
Das Fach könnte zu einer der ersten Grundlagenwissenschaften werden, die durch KI tiefgreifend industrialisiert werden.
Ob dies „Abschluss“, Transformation oder einfach ein weiteres leistungsfähiges Werkzeug im Fach ist, bleibt eine offene philosophische Frage.
Szegedy und Wolfram stimmen zumindest in einem Punkt überein: Der alte Workflow verändert sich schnell.
Sie unterscheiden sich darin, was irreduzibel menschlich bleibt, wenn das Beweisen selbst günstig wird.
Er argumentiert, dass sich Mathematik von einer Kultur, die auf seltenen individuellen Leistungen beim Lösen von Sätzen beruht, hin zu groß angelegter KI-gestützter Erkundung, Kartierung, Formalisierung und Anwendung verschieben könnte. Das Fach würde nicht verschwinden; sein Produktionsmodell und seine sozialen Anreize würden sich verändern.
Szegedy gehörte 2023 zum ursprünglichen Gründungsteam von xAI. Vor xAI arbeitete er viele Jahre bei Google und trug zu einflussreichen Arbeiten über Inception, adversariale Beispiele, Batch-Normalisierung und Autoformalisierung bei.
Autoformalisierung ist die automatische Übersetzung informeller mathematischer Sprache in präzise formale Aussagen, die ein Beweisassistent prüfen kann. Szegedy argumentiert seit Jahren, dass dies ein zentraler Weg zu leistungsfähigerem automatisierten Schlussfolgern werden könnte.
Anthropic kündigte im September 2026 an, dass Claude innerhalb von 11 Tagen eine vollständige, computergeprüfte Formalisierung des bestehenden Beweises von Fermats letztem Satz in Lean erstellt habe. Dies war eine bedeutende Formalisierungsleistung, jedoch keine neue Entdeckung von Fermats letztem Satz selbst.
OpenAI erklärt, ein internes Multi-Agenten-System habe nach ungefähr 88 Stunden eine Lösung hervorgebracht und diese später in Lean formalisiert. Das Unternehmen hat technisches Material veröffentlicht, doch Ergebnisse dieser Größenordnung erfordern weiterhin umfassende Prüfung, und der formale Anerkennungsprozess ist von einer Unternehmensankündigung getrennt.
Wolfram argumentiert, dass reine Mathematik nicht nur aus dem Erzeugen von Beweisen besteht. Menschen wählen weiterhin Ziele, Konzepte, Narrative und Fragen aus, und er ist überzeugt, dass rechnerische Irreduzibilität einen endlosen Vorrat neuer mathematischer Fakten und Strukturen gewährleistet.
Beide Seiten der Debatte erwarten, dass Menschen beteiligt bleiben, allerdings möglicherweise in anderen Rollen. Die Auswahl lohnender Probleme, die Entwicklung konzeptioneller Rahmen, die Bewertung von Bedeutung, die Steuerung von KI-Systemen und das Erklären von Entdeckungen könnten im Verhältnis zum manuellen Aufbau jedes Beweises wichtiger werden.
Mathematik verfügt über ungewöhnlich klare Verifikationsmechanismen. Formale Theorembeweiser wie Lean können Beweise Schritt für Schritt prüfen, wodurch sich Generierung und strenge logische Verifikation klarer trennen lassen als in vielen experimentellen Wissenschaften.
Christian Szegedys Argument lautet nicht, dass Mathematik endet. Es lautet, dass die Knappheitsstruktur, die das mathematische Prestige über Jahrhunderte geprägt hat, möglicherweise endet.
Wenn zunehmend leistungsfähige KI-Systeme im großen Maßstab suchen, beweisen, formalisieren und koordinieren können, könnte das manuelle Lösen eines einzelnen schwierigen Satzes weniger zentral werden als die Auswahl wichtiger Forschungsgebiete, der Aufbau zuverlässiger mathematischer Infrastruktur und die Überführung großer Mengen maschinell erzeugter Entdeckungen in menschliches Verständnis.
Stephen Wolframs Erwiderung zieht die Grenze anders: Beweise mögen leichter werden, doch bedeutungsvolle Mathematik hängt weiterhin von Zielen, Konzepten und Narrativen ab, die Menschen wichtig sind.
Die eigentliche Frage lautet nicht mehr, ob KI die Mathematik verändern wird. Sie lautet, welche Teile der Mathematik knapp – und daher wertvoll – bleiben, wenn das Beweisen selbst zunehmend automatisiert wird.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
