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/openai-math-release-backlash-ahm-statemen-ac66e132.md.
OpenAIs Mathematik-Veröffentlichung vom 6. Oktober 2026 hat eine der bislang schärfsten Debatten darüber ausgelöst, was passiert, wenn Front...
OpenAIs Mathematik-Veröffentlichung vom 6. Oktober 2026 hat eine der bislang schärfsten Debatten darüber ausgelöst, was passiert, wenn Frontier-KI Forschungsergebnisse schneller produziert, als menschliche Gemeinschaften sie aufnehmen können.
OpenAI veröffentlichte Hunderte mathematischer Manuskripte, die von einem internen Frontier-Modell erstellt wurden und zahlreiche Bereiche der Mathematik sowie der theoretischen Informatik abdecken. Das ursprüngliche Repository enthielt 722 Manuskripte, gegliedert in 372 Ergebnisfamilien.
Die Veröffentlichung erregte sofort große Aufmerksamkeit.
Einige Mathematiker sahen darin eine historische Beschleunigung des Tempos wissenschaftlicher Entdeckungen.
Andere befürchteten, dass Hunderte schwieriger Argumente der Öffentlichkeit übergeben worden waren, bevor menschliche Experten ausreichend Zeit hatten, sie zu verstehen, zu überprüfen, in einen Kontext einzuordnen oder zu erklären.
Die deutlichste organisierte Kritik kam von der Association for Human Mathematics (AHM). Sie veröffentlichte am 7. Oktober eine Erklärung, in der Mathematiker aufgefordert wurden, die Zusammenarbeit mit OpenAI einzustellen. Außerdem forderte sie eine Wissenschaftsvision, die auf menschlichem Verständnis beruht.
Terence Tao verstärkte die Reichweite dieser Erklärung, indem er sie als Gastbeitrag in seinem persönlichen Mathematik-Blog erneut veröffentlichte.
Dieses Detail ist wichtig.
Tao verfasste die AHM-Erklärung nicht, und die öffentliche AHM-Erklärung ist von der Communications Working Group der Organisation unterzeichnet. In Taos Blog wird ausdrücklich erklärt, dass es sich um einen Gastbeitrag handelt, der von der eigenen Erklärungsseite der AHM erneut veröffentlicht wurde.
Die Geschichte lässt sich daher nicht präzise mit den Worten zusammenfassen: „Terence Tao führte Mathematiker an, um OpenAI den Krieg zu erklären.“
Eine genauere Beschreibung lautet:
Die AHM veröffentlichte eine scharf formulierte Erklärung gegen OpenAIs Veröffentlichungsmodell, und Tao verschaffte der Erklärung durch ihre erneute Veröffentlichung zusätzliche Sichtbarkeit.
Die Erklärung der AHM ist kurz, aber ihre Position ist ungewöhnlich direkt.
Die Organisation argumentiert, dass OpenAIs massenhafte Veröffentlichung KI-generierter Mathematik gegen bestehende wissenschaftliche Normen und gegen frühere Empfehlungen der unabhängigen Advisory Group on Mathematics and Artificial Intelligence (AGMAI) verstößt.
Die zentralen Einwände der AHM beschränken sich nicht auf die Frage, ob einzelne Beweise korrekt sind.
Die Erklärung konzentriert sich auf den Prozess.
Ihre Position lässt sich in vier Punkten zusammenfassen:
Die Erklärung der AHM endet mit der Aufforderung an Mathematiker, die Zusammenarbeit mit OpenAI einzustellen.
Das ist tatsächlich ein Boykottaufruf.
Er sollte jedoch nicht mit einer Konsensposition der gesamten mathematischen Gemeinschaft verwechselt werden.
Die AHM ist eine Mitgliederorganisation mit öffentlichen Verpflichtungen zu von Menschen verfasster Mathematik und zu Grenzen der Zusammenarbeit mit kommerziellen KI-Unternehmen. Ihre Mitgliedschaft steht Mitgliedern der mathematischen Forschungsgemeinschaft ab Graduiertenniveau offen.
Zum Zeitpunkt der abschließenden Überprüfung wies die öffentliche Mitgliederseite der AHM 809 Mitglieder aus, darunter 532 Mitglieder im AI-free Caucus.
Das ist eine bedeutende Organisation, aber kein formelles Vertretungsorgan für alle Mathematiker.
Scott Aaronson machte später ausdrücklich dieselbe Unterscheidung: Die Mitglieder der AHM sprechen für sich selbst, nicht für die gesamte mathematische Gemeinschaft.
Der Streit wird verständlicher, wenn man die Empfehlungen der AGMAI betrachtet.
AGMAI ist eine unabhängige Gruppe am Institute for Advanced Study. Zu ihren Mitgliedern gehören Mathematiker wie Timothy Gowers, Martin Hairer, Edward Witten, Ravi Vakil und weitere Fachleute.
OpenAI wandte sich an einige Mitglieder, um eine externe Beratergruppe einzurichten. Die Gruppe arbeitet jedoch unabhängig und nimmt keine Zahlungen von OpenAI an.
Am 29. September veröffentlichte AGMAI ihre Leitlinien zur Responsible Release of AI-Generated Mathematics.
Bereits im ersten Absatz erklärt die Gruppe, dass sie es nicht befürwortet, wenn Frontier-KI-Labore fortgeschrittene mathematische Probleme auf proprietären Modellen testen, die der breiteren wissenschaftlichen Gemeinschaft nicht zugänglich sind.
Sie fordert die Labore ausdrücklich auf, dies zu beenden.
Genau diesen Punkt griff die AHM später auf.
OpenAI setzte die Evaluierung seines internen Modells an offenen Forschungsproblemen dennoch fort.
Gleichzeitig erklärt OpenAI, dass das Unternehmen AGMAI dazu konsultiert habe, wie die Ergebnisse verantwortungsvoll veröffentlicht werden sollten, sobald diese Ergebnisse vorlagen.
Das sind zwei unterschiedliche Fragen:
Sollten Frontier-Labore proprietäre Modelle an offenen Forschungsproblemen testen?
und:
Wenn bereits bedeutende KI-generierte Ergebnisse vorliegen: Wie sollten diese Ergebnisse veröffentlicht werden?
Die AHM argumentiert, OpenAI habe die erste Frage ignoriert und zugleich die Beratung zur zweiten Frage genutzt, um der Veröffentlichung Legitimität zu verleihen.
OpenAIs Position lautet, dass eine fortgesetzte interne wissenschaftliche Evaluierung wichtig für die Entwicklung besserer Forschungswerkzeuge sei, während der Veröffentlichungsprozess durch Rückmeldungen aus der Gemeinschaft weiter verbessert werden könne.
Die Empfehlungen der AGMAI vom 29. September sind detaillierter als eine einfache Aufforderung zum „Aufhören“.
Für KI-generierte mathematische Ergebnisse, die von Menschen noch nicht verstanden werden, empfiehlt die Gruppe den Laboren:
OpenAI setzte einige dieser Empfehlungen um.
Das Unternehmen veröffentlichte das Material in einem öffentlichen GitHub-Repository mit Versionsverwaltung und Zitierprotokollen.
Für viele Beweise wurden Lean-Formalisierungen veröffentlicht.
OpenAI veröffentlichte 10 gekürzte Zusammenfassungen der Schlussfolgerungen.
Das Unternehmen legte den ungefähren Rechenaufwand und Evaluierungsstatistiken offen.
Außerdem versprach es, Workshops, Konferenzen und weitere Programme zu finanzieren, damit Menschen bedeutende KI-generierte Ergebnisse verstehen können.
Die Veröffentlichung wurde dennoch kontrovers, weil ihr Umfang beispiellos war und ein großer Teil der Arbeit von menschlichen Mathematikern noch nicht verarbeitet worden war.
Die ursprüngliche Veröffentlichung enthielt:
| Veröffentlichungsdetail | Öffentliche Daten von OpenAI |
|---|---|
| Ursprüngliche Manuskripte | 722 |
| Ergebnisfamilien | 372 |
| Ungefähr dem Modell vorgelegte Probleme | 4.000 |
| Durchschnittlicher Rechenaufwand pro Ergebnis | ca. 3 Stunden ChatGPT-Pro-Denkzeitäquivalent |
| Gekürzte Zusammenfassungen der Begründungen | 10 |
| Lean-Formalisierungen | Viele, aber nicht alle Manuskripte |
Das offizielle Repository beschreibt eine „Familie“ als eine Gruppe verwandter Arbeiten, die ein Hauptergebnis, alternative Beweise, Folgerungen oder ergänzende Argumente enthalten kann.
Das ist wichtig, denn:
722 Manuskripte ≠ 722 voneinander unabhängige gelöste Probleme
OpenAI berichtete außerdem nicht, dass das Modell jedes von ihm bearbeitete Problem gelöst habe.
Dem Repository zufolge wurden dem internen Modell während der Evaluierung etwa 4.000 Probleme vorgelegt.
Die BAAI-Quelle wiederholt eine Zahl aus Scott Aaronsons Beitrag „Mathocalypse“ vom 7. Oktober: etwa 8.000 versuchte Probleme und eine grobe Erfolgsquote von 5 %.
Aaronson schrieb, dies sei die Zahl, von der er offenbar gehört habe.
OpenAIs eigenes Repository nennt inzwischen eine andere Zahl:
etwa 4.000 Probleme
Da das Repository die Aufzeichnung der Erstveröffentlichung aus erster Hand darstellt, verwendet dieser Artikel die Zahl von OpenAI als primäre Referenz.
Ebenso sollte man keine einfache „Erfolgsquote“ berechnen, indem man 372 durch 4.000 teilt.
Eine Ergebnisfamilie entspricht nicht zwingend einer einzelnen Eingabeaufforderung, und laut Repository wurde der Katalog anhand der Bedeutung gefiltert und zusammengefasst.
Die ursprüngliche Zahl von „722 Manuskripten“ entspricht nicht mehr dem aktuellen Bestand.
Aus der Versionsgeschichte des OpenAI-Repositories geht hervor, dass ein Vorzeichenfehler ein Manuskript und zwei davon abhängige Arbeiten ungültig machte.
Drei Manuskripte wurden zurückgezogen.
OpenAI überarbeitete außerdem 14 weitere Manuskripte mit Beweisreparaturen, korrigierten Aussagen, klareren Voraussetzungen, behobenen Abhängigkeiten und korrigierten Quellenangaben.
Zum Zeitpunkt der letzten Überprüfung enthält das Repository:
719 Manuskripte
372 Ergebnisfamilien
Das ist ein wichtiges Beweismittel für beide Seiten der Debatte.
Für Kritiker zeigt es, warum eine massenhafte Veröffentlichung vor einem vollständigen menschlichen Verständnis Qualitätskontrollprobleme verursachen kann.
Für Befürworter zeigt es, dass OpenAI einen sichtbaren Prozess für Überarbeitungen und Rücknahmen aufrechterhält, anstatt so zu tun, als sei die erste Veröffentlichung unveränderlich.
Das Repository bewahrt ältere Versionen auf und enthält Rücknahmehinweise, die konkrete Lücken erläutern.
Die emotionale Wirkung der Veröffentlichung lässt sich am deutlichsten an der Reaktion theoretischer Informatiker erkennen.
Scott Aaronson bezeichnete das Ereignis als „Mathocalypse“.
Sein Beitrag führt bedeutende Behauptungen aus der Komplexitätstheorie, den Algorithmen, der Zahlentheorie, der mathematischen Physik und anderen Bereichen auf.
Eines der für Aaronson persönlich eindrucksvollsten Ergebnisse war ein behaupteter Beweis der Unique Games Conjecture (UGC).
Seine Ehefrau Dana Moshkovitz hat während eines großen Teils ihrer beruflichen Laufbahn an Fragen im Zusammenhang mit der UGC gearbeitet.
Das veröffentlichte Manuskript wurde mit einem Lean-Zertifikat versehen. Aaronson betonte jedoch, dass formale Verifikation nicht dasselbe ist wie menschliches Verständnis.
Moshkovitz’ erste Reaktion lautete nicht einfach: „Der Beweis ist falsch.“
Stattdessen beschrieb sie das Manuskript als extrem schwer lesbar.
Sie kritisierte den unklaren Umgang mit früheren Ergebnissen, verwirrende Quellenangaben, ungewohnte Konstruktionen und eine Darstellung, die das Argument ohne Unterstützung durch KI nahezu unmöglich nachvollziehbar mache.
Gleichzeitig war ihre Reaktion nicht ausschließlich negativ.
Aaronsons Beitrag zitiert sie auch mit der Vorstellung einer Zukunft, in der Mathematiker mit kreativer Vision KI nutzen könnten, um Ideen zu überprüfen und umzusetzen. Außerdem sagte sie, dass aus den ungewohnten Konstruktionen möglicherweise viel gelernt werden könne.
Das ist eine komplexere Reaktion als die im Ausgangsartikel verwendete Darstellung von „Verzweiflung“.
Die Schwierigkeit besteht nicht nur darin, ob KI ein Problem lösen kann.
Es geht darum, ob Menschen das von der KI Gefundene sinnvoll aufnehmen können.
Eine der wichtigsten Unterscheidungen in dieser Debatte besteht zwischen:
formaler Korrektheit
und:
menschlichem mathematischem Verständnis
Lean kann mechanisch prüfen, ob ein formaler Beweis aus angegebenen Axiomen und zuvor verifizierten Lemmas folgt.
Das ist eine leistungsfähige Form der Absicherung.
Ein Lean-Beweis beantwortet jedoch nicht automatisch Fragen wie:
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.
Traditionelle Mathematik leistet mehr, als Wahrheit zu zertifizieren.
Sie baut eine wiederverwendbare intellektuelle Struktur um diese Wahrheit herum auf.
Das ist der Kern dessen, was AHM und AGMAI meinen, wenn sie menschliches Verständnis betonen.
OpenAIs Ankündigung vom 6. Oktober behauptet nicht, dass das Hochladen des Repositories den wissenschaftlichen Prozess abschließt.
Das Unternehmen erklärt, es wolle, dass die Ergebnisse das menschliche Wissen voranbringen, und werde Folgendes finanzieren:
OpenAI erklärt außerdem, dass es gemeinschaftlich gehostete Alternativen dazu prüfe, das Material ausschließlich in einem unternehmenseigenen Repository aufzubewahren.
Das Unternehmen hat sich verpflichtet, zukünftige Veröffentlichungen zu verbessern.
Dazu gehören eine bessere mathematische Darstellung und Präsentation.
OpenAIs Argument lautet im Wesentlichen:
Die Ergebnisse existieren bereits. Wenn sie mit Belegen, Überarbeitungen und formalen Beweisen veröffentlicht werden, kann die Gemeinschaft damit beginnen, sie zu verstehen.
Das Gegenargument der AHM lautet:
Ergebnisse schneller zu erzeugen und zu veröffentlichen, als die Gemeinschaft sie verstehen kann, verändert das Forschungsökosystem selbst. Die daraus entstehende Prüfungslast ist nicht neutral.
Das ist nicht dieselbe Meinungsverschiedenheit wie „KI ist gut“ gegenüber „KI ist schlecht“.
Es handelt sich um konkurrierende Vorstellungen darüber, was verantwortungsvoller wissenschaftlicher Fortschritt bedeutet.
Die Überschrift des BAAI-Artikels stellt die Episode so dar, als habe Tao einen kollektiven Boykott angeführt.
Die Primärquellen stützen diese Formulierung nicht.
In Taos Blog heißt es:
Dies ist ein Gastbeitrag der Association for Human Mathematics,
erneut veröffentlicht von deren Erklärungsseite.
Die Erklärung selbst ist unterzeichnet mit:
Association for Human Mathematics
Communications Working Group
Taos Name erscheint nicht in der aktuellen öffentlichen Mitgliederliste der AHM.
Das bedeutet nicht, dass er mit jedem von der AHM vorgebrachten Einwand nicht übereinstimmt.
Tao hat wiederholt über die Herausforderungen gesprochen, die durch die extrem schnelle Entwicklung von KI in der Mathematik entstehen, darunter das Risiko dessen, was er als eine Form von „Beweis-Verdauungsstörung“ bezeichnet hat: Ergebnisse können schneller eintreffen, als die Gemeinschaft sie aufnehmen kann.
Eine Erklärung erneut zu veröffentlichen ist jedoch nicht dasselbe wie sie zu verfassen, zu unterzeichnen oder die Organisation anzuführen, die sie herausgegeben hat.
Der konzeptionell stärkste Abschnitt des Ausgangsartikels beschäftigt sich mit der Frage, was nach der „Lösung“ eines schwierigen Problems geschieht.
In der traditionellen Mathematik führt ein bedeutendes Ergebnis häufig zu jahrelanger Folgearbeit:
Der Beweis selbst ist nur der Anfang.
Eine leistungsfähige neue Technik kann wertvoller sein als der Satz, den sie zunächst beweist.
Die Sorge besteht darin, dass KI inzwischen mehr Argumente auf Forschungsniveau erzeugen kann, als die Gemeinschaft Zeit hat zu verarbeiten.
Dadurch entsteht ein Ungleichgewicht:
Erzeugungskapazität der KI
↓
hunderte Beweise
Kapazität menschlicher Experten
↓
langsames Lesen, Prüfen, Erklären und Lehren
Wenn die Produktion deutlich schneller wächst als das Verständnis, könnten Forscher immer mehr Zeit damit verbringen, maschinell erzeugte Mathematik zu interpretieren, statt ihre eigenen Forschungsrichtungen zu wählen.
AGMAI macht diese Sorge ausdrücklich.
In ihrer Antwort vom 6. Oktober erklärt sie, dass die Zukunft mathematischer Forschung nicht ausschließlich darin bestehen könne, dass Menschen Ergebnisse verstehen, die von KI-Laboren ausgewählt und produziert wurden.
Mathematiker müssen weiterhin in der Lage sein, ihre eigenen Fragen auszuwählen und Richtungen zu verfolgen, die nicht durch die Evaluierungsprioritäten eines privaten Unternehmens definiert sind.
Die Reaktion von Yann LeCun vertritt die entgegengesetzte Sichtweise.
In einem öffentlichen Kommentar argumentierte er, dass die Mathematik in ein neues Zeitalter eintrete, anstatt zu sterben.
Seiner Ansicht nach kann sich die menschliche Aufmerksamkeit auf Folgendes verlagern, wenn formale Beweise zunehmend automatisiert werden:
Die Analogie ist vertraut:
Eine Technologie kann eine menschliche Fähigkeit weniger zentral machen und zugleich den Handlungsspielraum der Menschen erweitern.
Aus dieser Perspektive zerstört automatisiertes Beweisen die Mathematik nicht.
Es verändert den komparativen Vorteil menschlicher Mathematiker.
Scott Aaronson vertritt eine ähnlich differenzierte Position.
Er kritisiert KI-Unternehmen scharf, wenn er ihr Verhalten für kritikwürdig hält. Zugleich lehnt er die Vorstellung ab, Unternehmen sollten einfach darauf verzichten, offene mathematische Probleme zu lösen, nur weil menschliche Forscher sie zuerst lösen möchten.
Seine Schlussfolgerung lautet, dass sich die Mathematik anpassen müsse.
Es ist noch zu früh, um zu wissen, wie viele der Ergebnisse vom 6. Oktober eine detaillierte Prüfung durch Experten in ihrer derzeitigen Form überstehen werden.
OpenAI selbst warnt, dass einige nicht formalisierten Ergebnisse Fehler enthalten könnten.
Die drei unmittelbaren Rücknahmen zeigen, dass Vorsicht angebracht ist.
Gleichzeitig ist es ebenfalls schwierig, die gesamte Veröffentlichung als „KI-Müll“ abzutun.
Einige Manuskripte verfügen über maschinenprüfbare Lean-Formalisierungen.
Experten lesen aktiv bedeutende Ergebnisse.
Die Sammlung enthält Behauptungen zu Problemen, an denen ernsthafte Forscher seit Jahren arbeiten.
Der richtige Maßstab ist daher weder blinde Akzeptanz noch automatische Ablehnung.
Jedes Ergebnis benötigt seinen eigenen Prüfpfad:
KI-generiertes Manuskript
↓
formale Verifikation, wo möglich
↓
Prüfung durch Experten
↓
Überprüfung von Literatur und Originalität
↓
erklärende Rekonstruktion
↓
Akzeptanz oder Ablehnung durch die Gemeinschaft
Dieser Prozess wird Zeit benötigen.
| Behauptung | Aktueller Status |
|---|---|
| OpenAI veröffentlichte mehr als 700 KI-generierte mathematische Manuskripte | Bestätigt |
| Das ursprüngliche Repository enthielt 722 Manuskripte | Bestätigt |
| Das aktuelle Repository enthält 719 Manuskripte | Nach 3 Rücknahmen bestätigt |
| Die Sammlung enthält 372 Ergebnisfamilien | Bestätigt |
| Das Modell wurde an etwa 8.000 Problemen getestet | Von Scott Aaronson berichtet, aber das OpenAI-Repository nennt etwa 4.000 |
| Der durchschnittliche Rechenaufwand betrug etwa 3 Stunden ChatGPT-Pro-Denkzeit pro Ergebnis | Von OpenAI bestätigt |
| Viele Manuskripte verfügen über Lean-Formalisierungen | Bestätigt |
| Jedes Manuskript ist formal verifiziert | Falsch |
| Jedes Ergebnis wird von menschlichen Experten vollständig verstanden | Nein |
| Die AHM forderte Mathematiker auf, die Zusammenarbeit mit OpenAI einzustellen | Bestätigt |
| Terence Tao verfasste oder leitete die AHM-Erklärung | Von den Primärquellen nicht gestützt |
| Tao veröffentlichte die AHM-Erklärung erneut in seinem Blog | Bestätigt |
| AGMAI billigte OpenAIs gesamten Prozess | Nein; die Gruppe erklärt ausdrücklich, dass ihre Rolle keine Billigung darstellt |
| OpenAI finanziert Programme zur Förderung menschlichen Verständnisses | Bestätigt |
| Alle 372 Ergebnisfamilien sind bereits anerkannte mathematische Lehrsätze | Nein |
Die Kontroverse wird wahrscheinlich über dieses konkrete Repository hinaus Bestand haben.
Wenn sich Frontier-Modelle weiter verbessern, benötigt die mathematische Gemeinschaft Arbeitsabläufe, die mit ihnen skalieren können.
Mehrere Anforderungen werden zunehmend deutlich.
Jedes Ergebnis sollte angeben, welches Modell es erzeugt hat, welche Prompts verwendet wurden, wie viel Rechenaufwand anfiel und welche Bearbeitung durch Menschen erfolgte.
Nach Möglichkeit sollten Beweise mit maschinenprüfbaren Artefakten versehen werden.
Ein korrekter Beweis reicht nicht aus, wenn Experten nicht verstehen können, warum er funktioniert.
KI-Systeme benötigen bessere Arbeitsabläufe, um verwandte frühere Techniken zu identifizieren und die Anerkennung von Beiträgen zuzuordnen.
Wissenschaftliche Ergebnisse sollten nicht vollständig von einer Infrastruktur abhängen, die von dem Unternehmen kontrolliert wird, das sie erzeugt hat.
Wenn ein Labor Hunderte fortgeschrittener Ergebnisse veröffentlicht, sollte die Last ihrer Erklärung nicht vollständig auf unbezahlte Wissenschaftler verlagert werden.
Eine Forschungsgemeinschaft kann intellektuell nicht unabhängig bleiben, wenn nur wenige Unternehmen Zugang zu den leistungsfähigsten mathematischen Systemen haben.
Diese Punkte liegen deutlich näher an der tatsächlichen AGMAI-Debatte als die einfachere Überschrift „Menschen gegen KI“.
OpenAI veröffentlichte ein großes öffentliches Repository mit mathematischen Manuskripten und Beweisartefakten, die von einem internen Frontier-Modell erzeugt wurden. Die ursprüngliche Veröffentlichung enthielt 722 Manuskripte, die in 372 Ergebnisfamilien gruppiert waren.
OpenAI zog drei Manuskripte zurück, nachdem ein Vorzeichenfehler in einem Argument entdeckt worden war, der auch zwei davon abhängige Arbeiten betraf. Das Repository bewahrt die Versionsgeschichte und Rücknahmehinweise auf.
Die Primärquellen stützen diese Beschreibung nicht. Die Erklärung wurde von der Communications Working Group der Association for Human Mathematics herausgegeben; Tao veröffentlichte sie als Gastbeitrag in seinem persönlichen Blog erneut.
Die AHM ist eine Organisation, die sich dafür einsetzt, Mathematik im Zeitalter der KI als menschliche intellektuelle Praxis zu bewahren. Die Mitgliedschaft steht Forschern ab Graduiertenniveau offen, die den Verpflichtungen der Organisation zustimmen. Dazu gehören Einschränkungen bestimmter Kooperationen mit kommerziellen KI-Unternehmen sowie der Veröffentlichung KI-generierter mathematischer Texte.
AGMAI ist die unabhängige Advisory Group on Mathematics and Artificial Intelligence am Institute for Advanced Study. Sie berät KI-Labore zum verantwortungsvollen Umgang mit mathematischer Forschung, besitzt jedoch keine Entscheidungsbefugnis über OpenAI.
AGMAI erklärt, dass ihre beratende Rolle nicht als Billigung des Prozesses interpretiert werden sollte, durch den die Ergebnisse entstanden sind. Die Gruppe begrüßte den konstruktiven Austausch, erklärte jedoch, dass die mathematische Gemeinschaft beurteilen müsse, wie gut ihre Empfehlungen umgesetzt wurden.
Nein. OpenAI erklärt, dass viele Beweise über Lean-Formalisierungen verfügen, aber nicht alle. Das Repository warnt ausdrücklich davor, dass einige nicht formalisierte Ergebnisse Fehler enthalten könnten.
Ein formal korrekter Beweis stellt die logische Gültigkeit fest. Mathematik hängt jedoch auch von Erklärung, wiederverwendbaren Ideen, konzeptioneller Struktur, historischem Kontext und neuen Forschungsrichtungen ab. Menschliches Verständnis verwandelt einen isolierten Lehrsatz in einen Teil einer lebendigen Disziplin.
OpenAIs Mathematik-Veröffentlichung vom 6. Oktober ist sowohl ein Forschungsmeilenstein als auch ein Belastungstest für die Normen wissenschaftlicher Mathematik. Das Unternehmen veröffentlichte Hunderte KI-generierter Manuskripte, viele davon mit formalen Artefakten. Das menschliche Verständnis konnte jedoch nicht mit dem Volumen der Ergebnisse Schritt halten.
Die AHM reagierte mit der Aufforderung an Mathematiker, die Zusammenarbeit mit OpenAI einzustellen und eine Wissenschaft zu bewahren, die auf menschlichem Verständnis beruht. Tao verstärkte die Reichweite dieser Erklärung durch ihre erneute Veröffentlichung, verfasste oder leitete sie jedoch nicht. AGMAI vertritt eine stärker prozessbezogene Position: Die Gruppe lehnt das Testen proprietärer Modelle an offenen Forschungsproblemen ab und veröffentlicht zugleich detaillierte Empfehlungen für eine verantwortungsvolle Veröffentlichung, wenn solche Ergebnisse bereits vorliegen.
Das Repository selbst entwickelt sich bereits weiter. Drei Manuskripte wurden zurückgezogen, weitere überarbeitet, und Expertengemeinschaften beginnen mit der deutlich langsameren Arbeit, zu verstehen, was das Modell tatsächlich entdeckt hat.
Der zentrale Konflikt besteht nicht einfach zwischen menschlichen Mathematikern und KI. Es geht darum, ob die Produktion neuer Lehrsätze wesentlich schneller skalieren kann als die menschlichen Prozesse, die diese Ergebnisse überprüfen, erklären, kontextualisieren und entscheiden, welche Richtung die Mathematik einschlagen sollte.
Starte mit einem Satz und erhalte in wenigen Minuten eine vollständige Website.
