OpenAI und das Fundament der Teilchenphysik

Ein unveröffentlichtes KI-Modell soll die Local-Smoothing-Vermutung bewiesen, die Exponential Time Hypothesis widerlegt und die mathematische Existenz der Quantenchromodynamik gezeigt haben. Bestätigt ist davon noch nichts. Die Prüfung dieser KI-Beweise wird zeigen, was Wissenschaft künftig vor allem ist: Verstehen.

Das Wichtigste in Kürze

Verwandt:Claude knackt eine Mathe-Schranke, den Beweis aber nicht  /  KIT-Forscher: So trainieren Kliniken KI ohne Datentausch

Drei Ergebnisse in einer Woche

Am 26. Oktober hat OpenAI drei Ergebnisse interner Modelle vorgestellt. In der Mathematik soll ein Modell die Local-Smoothing-Vermutung in jeder Dimension bewiesen haben. In der theoretischen Informatik soll es die Exponential Time Hypothesis widerlegt haben, kurz ETH. In der Physik meldet das Unternehmen Existenzbeweise für vierdimensionale Quantenfeldtheorien, darunter die Quantenchromodynamik (QCD), die Theorie der Quarks und Gluonen.

Jede dieser Meldungen hätte genügt, um ein Fachgebiet für Monate zu beschäftigen. Alle Kernaussagen stammen allerdings von OpenAI selbst, eine unabhängige Bestätigung liegt nicht vor. Das Modell ist nicht öffentlich zugänglich. Zwei Fragen lohnen deshalb den Blick: Was wäre gewonnen, wenn die Beweise halten? Und wie prüft eine Wissenschaft Ergebnisse, die schneller entstehen, als Menschen sie lesen?

Was ist die Exponential Time Hypothesis? Die Exponential Time Hypothesis (ETH) ist eine Annahme der theoretischen Informatik über die Schwierigkeit des Erfüllbarkeitsproblems für Boolesche Formeln (SAT). Russell Impagliazzo und Ramamohan Paturi stellten sie gemeinsam mit Francis Zane auf. Forschende stützen darauf bedingte Härteaussagen in Feldern wie Graphentheorie, Bioinformatik, Datenbanken und algorithmischer Geometrie.

Was ein Existenzbeweis über die Natur sagt

Am weitesten reicht die Physik. Die Quanten-Yang-Mills-Theorie ist nach Darstellung des Clay Mathematics Institute die Grundlage des größten Teils der Elementarteilchentheorie. Ihre Vorhersagen wurden in vielen Experimentallaboren getestet. Ihr mathematisches Fundament ist trotzdem bis heute unklar.

Mit diesem Zustand lebt die Physik seit Jahrzehnten. Experimentell ist die Theorie vielfach getestet. Ob sie als widerspruchsfreies mathematisches Objekt überhaupt existiert, konnte bisher niemand zeigen. Genau darum geht es in den gemeldeten Existenzbeweisen: für die reine Yang-Mills-Theorie und für Theorien, in denen Eichfelder (die Träger der Kräfte) mit Fermionen (den Materieteilchen) wechselwirken.

Hält der Beweis, steht ein zentraler Teil des Standardmodells auf festem mathematischem Grund. An den Messwerten der Labore ändert er nichts. Die Sprache, in der die Physik die starke Kraft beschreibt, wäre aber als Mathematik abgesichert und mehr als ein erfolgreiches Rechenverfahren.

Das größte Rätsel bleibt nach heutigem Stand offen. Das Millennium-Problem des Clay Institute verlangt neben der Existenz den Nachweis einer Massenlücke. Die Teilchen der Theorie haben positive Massen, obwohl sich die klassischen Wellen mit Lichtgeschwindigkeit ausbreiten. Experimente und Simulationen zeigen diese Eigenschaft, einen Beweis kennt niemand. Ob OpenAIs Arbeit die Massenlücke berührt, geht aus den Berichten nicht hervor.

Eine Gruppe um den Physik-Nobelpreisträger David Gross mit Michael Douglas, Arthur Jaffe, Igor Klebanov und Nikita Nekrasov hält das KI-Material vorerst zurück und schreibt die Arbeit selbst auf. Solange das Material unter Verschluss liegt, lässt sich das Physik-Ergebnis von außen kaum beurteilen.

Jede Dimension auf einmal, eine Hypothese weniger

Christopher Sogge formulierte die Local-Smoothing-Vermutung 1991. Trifft der Beweis zu, folgen daraus auch die Kakeya-Vermutung in allen Dimensionen und große Teile der Restriktionsvermutung von Elias Stein.

Menschen haben sich Dimension für Dimension vorgearbeitet: Larry Guth, Hong Wang und Ruixiang Zhang bewiesen Local Smoothing 2019 in zwei Dimensionen. Hong Wang und Joshua Zahl gelang 2025 die Kakeya-Vermutung in drei Dimensionen. Das Modell beansprucht nun alle Dimensionen zugleich.

Die ETH ist eine Annahme darüber, wie schwer das Erfüllbarkeitsproblem für Boolesche Formeln ist, kurz SAT: Lassen sich die Variablen einer logischen Formel so mit wahr und falsch belegen, dass die ganze Formel wahr wird? Auf der Hypothese ruhen bedingte Härteaussagen in Graphentheorie, Bioinformatik, Datenbanken und algorithmischer Geometrie. Das veröffentlichte Manuskript beschreibt einen Algorithmus, der die erfüllenden Belegungen solcher Formeln mit fester Klauselbreite in subexponentieller Zeit zählt. Wie viel davon in der Praxis ankommt, ist offen. Getroffen wäre zuerst das Gerüst, mit dem die Informatik misst, was als schwer gilt.

Geprüft wird das Ergebnis von den Urhebern der Hypothese. Russell Impagliazzo und Ramamohan Paturi von der UC San Diego haben die ETH einst mit Francis Zane aufgestellt, an ihrer Seite steht Ryan Williams vom MIT. Ihre Beteiligung sei ausdrücklich keine Beglaubigung, schreiben die drei. Trifft die Behauptung zu, verändere sie einen wichtigen Teil der theoretischen Informatik.

Prüfen wird zur eigentlichen Arbeit

Die Meldungen kommen nicht aus dem Nichts. Am 8. September meldete OpenAI, ein Modell habe das Navier-Stokes-Problem gelöst. Am 6. Oktober stellte das Unternehmen 722 Manuskripte zu 372 Problemen auf GitHub.

Einen Tag später zog OpenAI drei davon zurück. Ein Vorzeichenfehler hatte das Argument eines Manuskripts entwertet und mit ihm die Konstruktion zweier darauf aufbauender Arbeiten. Gefunden hat den Fehler nach Unternehmensangaben eine interne Prüfung. Rund die Hälfte der Ergebnisse war unbestätigt veröffentlicht worden.

Lean ist in dieser Lage ein wichtiges Werkzeug: Der Computer rechnet jeden logischen Schritt eines Beweises nach. Ob die formale Aussage dem gemeinten Problem entspricht, garantiert das Werkzeug nicht. Diese Übersetzung bleibt Arbeit für Menschen. Sie entscheidet darüber, ob ein geprüfter Beweis auch der richtige ist.

Die Mathematikerin Melissa Lee von der Monash University schreibt in The Conversation, manche der Begleitpapiere seien selbst für Fachleute nicht verständlich. Längere technische Arbeiten brauchen in der Begutachtung mitunter Jahre.

Andrew Sutherland vom MIT will Belege sehen für die Behauptung, ein einzelner KI-Agent habe die Probleme mit je einem Prompt gelöst. Unbestätigt bleibe das, bis das Modell öffentlich ist und andere die Ergebnisse nachvollziehen können. Den schnellen Rückzug der fehlerhaften Arbeiten nannte er verantwortungsvoll, Vertrauen zurückzugewinnen brauche aber deutlich mehr. Daniel Litt von der University of Toronto sieht dagegen keinen Grund, die Antworten auf diese Fragen zurückzuhalten.

Beide Haltungen beschreiben dieselbe Verschiebung. Lange war das Finden eines Beweises der knappe Teil der Forschung. Liefern Maschinen Beweise in Serie, wird das Verstehen knapp: einordnen, erklären, Folgen erkennen.

Wem eine Entdeckung gehört

OpenAI beansprucht keine akademische Anerkennung. Sie soll an die Forschenden gehen, die die Erklärungen schreiben. Die ETH-Prüfer warnen trotzdem, Anerkennung könne an jene gehen, die zuerst veröffentlichen oder die stärksten Werkzeuge besitzen. Prüfen und Erklären zählten dann weniger. Die Prüfer arbeiten unbezahlt und ohne Verschwiegenheitserklärung; OpenAI hat zugesagt, alle Rohdaten zum ETH-Ergebnis freizugeben und eine Fachkonferenz zu finanzieren.

Am 2. Juni veröffentlichten 16 Forschende von 15 Universitäten die Leiden-Deklaration zu KI und Mathematik. Sie fordert Normen für Transparenz, Begutachtung, menschliche Verantwortung und den Umgang mit der Industrie.

Ob die Beweise halten, entscheiden die kommenden Monate. Eine Frage ist schon jetzt gestellt: Ein Beweis, den eine Maschine findet und eine Maschine prüft, ist ein Ergebnis. Zu Wissen über die Welt wird er erst, wenn ihn jemand erklären kann.

Häufige Fragen

Bildquelle: KI-generiert (Oktober 2026)