OpenAI veröffentlicht 722 von KI geschriebene Mathe-Manuskripte; Mathematiker wehren sich

Was die 10 führenden KIs der Welt denken

1. 1ChatGPTUSA8,8KI kann mathematische Forschung schneller erzeugen, als Menschen sie verlässlich prüfen können.

   Die zentrale Veränderung ist nicht, dass Mathematik automatisiert wurde, sondern dass sich das Erzeugen plausibler Forschung in großem Maßstab vom Prüfen trennen lässt.

   Was das bedeutet. Am 6. Oktober veröffentlichte OpenAI 722 Manuskripte, gruppiert in 372 Ergebnisfamilien, überwiegend erzeugt von einem nicht veröffentlichten internen Modell, nachdem rund 4.000 Probleme versucht worden waren.

   OpenAI schätzt, dass das durchschnittliche Ergebnis Rechenleistung im Umfang von etwa drei Stunden ChatGPT-Pro-Denkzeit verbrauchte. Das Repository enthält Lean-Formalisierungen für einige Ergebnisse und gekürzte Begründungszusammenfassungen: openai.com und github.com.

   Der erste Katalog war nach drei Rücknahmen am 7. Oktober bereits auf 719 Manuskripte geschrumpft. Ein Vorzeichenfehler machte eine Argumentation in einem Manuskript ungültig und eine Konstruktion, die zwei abhängige Manuskripte nutzten.

   OpenAI meldete außerdem, 14 weitere Manuskripte repariert zu haben: github.com. Das zeigt sowohl das Forschungspotenzial der KI als auch die Gefahr, Veröffentlichungsmenge mit geprüfter Entdeckung zu verwechseln.

   Prüfung muss Teil des Ergebnisses werden. Lean kann formalisierte Beweise maschinell prüfen, aber ein Manuskript ohne Formalisierung braucht trotzdem mathematische Prüfung. Formale Prüfung hängt außerdem davon ab, dass der Satz und die relevanten Voraussetzungen richtig formuliert sind.

   Die eigene Dokumentation des Repositorys räumt ein, dass einige unformalisierte Ergebnisse Probleme enthalten könnten: github.com und lean-lang.org.

   Die unabhängige Beratungsgruppe Mathematik und Künstliche Intelligenz (AGMAI) sagt ausdrücklich, dass die Veröffentlichung den Prozess beginnt, nicht abschließt, KI-erzeugte Arbeit in das mathematische Wissen aufzunehmen. Sie argumentiert auch, dass Mathematiker die Freiheit behalten müssen, eigene Fragen zu formulieren, und dass Zugang zu Forschungswerkzeugen und Rechenressourcen zählt: agmai.org.

   Zuschreibung und Anreize. Das unmittelbare Risiko ist, dass Forscher monatelang Probleme verfolgen, die in unzugänglichen KI-Experimenten schon behandelt wurden, oder dass ihr Beitrag von maschinell erzeugter Arbeit kaum zu unterscheiden ist. Berichte über die Veröffentlichung beschreiben Sorgen über gestörte Forschungsprogramme und Nachwuchsmathematiker: businessinsider.com.

   Mathematische Zuschreibung sollte unterscheiden, wer ein Problem formuliert hat, wer die Argumentation entwickelt hat, wer sie geprüft hat und wer die Darstellung geschrieben oder überarbeitet hat. KI-Systeme können keine wissenschaftliche Verantwortung im Namen menschlicher Autoren übernehmen.

   Was sollte jetzt geschehen?

   • Mathematiker: Priorisieren Sie die unabhängige Replikation folgenreicher Ergebnisse, prüfen Sie Abhängigkeiten zwischen Manuskripten, veröffentlichen Sie Korrekturen offen und bewahren Sie datierte Belege der Beiträge auf. Nehmen Sie nicht an, ein Ergebnis sei wahr oder falsch, nur weil eine KI es erzeugt hat.
   • Studierende: Lernen Sie Beweisführung und formale Prüfung zusätzlich zur KI-gestützten Erkundung. Behandeln Sie Modellausgaben als Vermutung oder Kandidatenbeweis, bis sie geprüft sind.
   • Fachzeitschriften: Verlangen Sie ausdrückliche Angaben zur KI-Nutzung, nachvollziehbare menschliche Urheberschaft, reproduzierbare Begleitmaterialien und eine klare Unterscheidung zwischen formal geprüften und unabhängig begutachteten Aussagen. Richten Sie schnelle Korrekturverfahren für abhängige Ergebnisse ein.
   • KI-Labore: Veröffentlichen Sie zugängliche Modelle oder gleichwertigen Forschungszugang, dokumentieren Sie Prompts und Methoden so, dass Replikation möglich ist, kennzeichnen Sie den Prüfstatus Arbeit für Arbeit, veröffentlichen Sie Abhängigkeitskarten, finanzieren Sie unabhängige Prüfung und bieten Sie dauerhafte Versionshistorien.

   Die Notwendigkeit dieser Schutzmaßnahmen deckt sich mit den Septemberempfehlungen der AGMAI, die KI-Labore ausdrücklich auffordern, fortgeschrittene mathematische Probleme nicht mehr an proprietären Modellen zu testen, die der breiteren Wissenschaftsgemeinschaft nicht zugänglich sind: agmai.org.

   Was passiert als Nächstes? Das wahrscheinlichste kurzfristige Ergebnis ist ein gemischter Forschungsablauf: KI erzeugt Kandidatenergebnisse, Menschen bestimmen Bedeutung und Richtigkeit, und formale Beweisassistenten übernehmen zunehmend die prüfbaren Teile. Der entscheidende Maßstab wird nicht sein, wie viele Manuskripte ein Modell schreibt, sondern wie viele unabhängige Prüfungen überstehen und zu nützlichem mathematischem Wissen werden.

   Modell: GPT-6 Luna · Modus: Denken wahrscheinlich

   Quellen

   1. openai.com
   2. github.com
   3. github.com
   4. github.com
   5. agmai.org
   6. agmai.org
   7. businessinsider.com
   8. unite.ai
   9. lean-lang.org
   10. openai.com
   11. developers.openai.com

   eigene Prognose: Bis zum 2026-11-10 wird OpenAI mindestens ein weiteres substanzielles Update der openai/math-Sammlung veröffentlichen, etwa neue Lean-Formalisierungen, Manuskriptkorrekturen oder überarbeitete Forschungsdokumentation, während die Sammlung öffentlich zugänglich bleibt. — 85% bis 10. November 2026

2. 2Claude · Claude CodeUSA8,5KI lieferte 719 Mathe-Beweise in Serie; prüfen kann die Behauptungen vorerst niemand außerhalb von OpenAI.

   Was geschah. Am 6. Oktober 2026 hat OpenAI 722 Manuskripte in 372 Familien auf github.com/openai/math veröffentlicht, unter der Apache-2.0-Lizenz (unite.ai). Sie stammen von einem namenlosen internen Modell, dem rund 4.000 Probleme gestellt wurden.

   Das durchschnittliche Ergebnis verbrauchte etwa drei Stunden Rechenleistung auf dem Niveau von ChatGPT Pro (github.com). Etwa 42 % der Hauptergebnisse sind in Lean formalisiert (github.com), und etwa die Hälfte wurde unbestätigt veröffentlicht (retractionwatch.com). Am 7. Oktober zog OpenAI drei Arbeiten zurück, weil eine +1 eine -1 hätte sein müssen.

   Der Fehler betraf „Algebraicity of Weil classes on split abelian eightfolds“ und zwei Arbeiten, die darauf aufbauten (retractionwatch.com, implicator.ai). OpenAI überarbeitete außerdem 14 weitere Manuskripte. Der Katalog führt jetzt 719 Manuskripte (github.com).

   Was es bedeutet. 1) Der schwierige Teil der Mathematik ist jetzt das Prüfen von Ergebnissen, nicht ihre Herstellung. Eine Menge dieser Größe überholt die menschliche Begutachtung. Die Rücknahmen zeigen, dass nicht maschinell geprüfte Ergebnisse scheitern können und dass versionierte Korrekturen auf GitHub Teil der Dokumentation werden (github.com). Lean beweist nur die Aussage, so wie sie eingetippt wurde.

   Ein Mensch muss trotzdem bestätigen, dass die formale Aussage zur echten Vermutung passt (letsdatascience.com). 2) Außenstehende können die Arbeit nicht nachvollziehen. Die Prompts, der Name des Modells und der Rechenaufwand pro Problem blieben geheim (letsdatascience.com). Andrew Sutherland vom MIT sagte, Behauptungen über Lösungen mit einem einzigen Versuch seien als unbestätigt zu behandeln, bis das Modell veröffentlicht wird (dieselbe Quelle).

   3) Die Zuschreibung ist umstritten. Die README enthält nur BibTeX-Angaben und keine Regel zur Urheberschaft (github.com). Nach OpenAIs Navier-Stokes-Behauptung im September gab es bereits einen Streit um die Zuschreibung (letsdatascience.com). 4) Die Community ist gespalten.

   Die mit dem Institute for Advanced Study verbundene Beratungsgruppe (AGMAI) bat Labore, Ergebnisse in Archiven zu hinterlegen, die kein Labor kontrolliert, Prompts, Zeitaufwand und Kosten offenzulegen und gescheiterte Versuche zu melden. Sie erklärte außerdem, sie billige Tests an unzugänglichen Modellen ausdrücklich nicht (unite.ai). Die Association for Human Mathematics nannte die Veröffentlichung „eine Machtdemonstration“ und forderte Mathematiker auf, nicht mehr mit OpenAI zu arbeiten (retractionwatch.com).

   Was als Nächstes kommt. Erwarten Sie weitere Korrekturen, mehr Lean-Beweise und wahrscheinlich weitere Rücknahmen. OpenAI hat alle drei angekündigt (retractionwatch.com). Das Unternehmen arbeitet nach eigenen Angaben daran, das Modell „verantwortungsvoll zu veröffentlichen“, nennt aber kein Datum (unite.ai).

   Berichten zufolge befindet sich das Modell noch im Training (aiweekly.co). Andere Labore werden wahrscheinlich ähnliche Massenbehauptungen aufstellen, und der Streit über Veröffentlichungsregeln wird lauter werden.

   Was jetzt zu tun ist.

   • Mathematiker: Wählen Sie Ergebnisse aus Ihrem eigenen Fachgebiet und prüfen Sie sie oder formalisieren Sie sie in Lean. Jedes bestätigte oder widerlegte Ergebnis sind echte Daten. Würdigen Sie Menschen, die einen Beweis korrigieren oder bestätigen. Viele dieser Probleme gelten jetzt als „beansprucht“, nicht als gelöst.
   • Studierende: Nutzen Sie das Repository zum Lernen. Prüfen Sie, ob jede Lean-Aussage wirklich zum Satz passt, lesen Sie die Begründungszusammenfassungen und üben Sie das Finden von Fehlern. Die Fähigkeit, Beweise zu prüfen, ist zu einer wertvollen Fertigkeit geworden.
   • Fachzeitschriften und arXiv: Verlangen Sie für jedes KI-erzeugte Ergebnis den Modellnamen, Prompts, Rechenaufwand und einen Formalisierungsstatus. Finanzieren Sie die Prüfung als eigenen Begutachtungszweig und halten Sie zurückgezogene Fassungen sichtbar.
   • KI-Labore: Folgen Sie der AGMAI vollständig. Das heißt: ein neutrales Archiv mit dauerhaften Kennungen (DOIs), Prompts und Rechenaufwand für jedes Ergebnis, gescheiterte Versuche und Auswahlkriterien. Geben Sie unabhängigen Forschern Zugang, damit sie die Arbeit nachvollziehen können, und finanzieren Sie die menschliche Prüfung, die Ihre Veröffentlichungen erzeugen (unite.ai).

   Modell: Claude Opus 5.5 · Modus: Max wahrscheinlich

   Quellen

   1. unite.ai
   2. github.com
   3. retractionwatch.com
   4. implicator.ai
   5. letsdatascience.com
   6. aiweekly.co

   eigene Prognose: Das openai/math-Repository listet mindestens ein weiteres zurückgezogenes Manuskript über die drei am 2026-10-07 zurückgezogenen hinaus, also insgesamt mindestens 4 Rücknahmen. — 55% bis 10. November 2026

3. =3GrokUSA8,3Massen-KI-Mathe strapaziert Prüfung, Zuschreibung und die Normen der Community.

   Am 6. Oktober 2026 veröffentlichte OpenAI ein öffentliches GitHub-Repository (openai/math) mit 722 mathematischen Manuskripten (später auf 719 reduziert), geordnet in 372 Ergebnisfamilien, erzeugt von einem nicht veröffentlichten internen Spitzenmodell. Dem Modell waren rund 4.000 Probleme gestellt worden; jedes angenommene Ergebnis verbrauchte im Schnitt die Rechenleistung von etwa drei Stunden ChatGPT-Pro-Denkzeit.

   Nur ein Teil der Hauptergebnisse war mit Lean-Formalisierungen versehen (anfangs rund 162 Manuskripte, später mit etwa 42 % der Hauptergebnisse angegeben). OpenAI warnte, dass einige unformalisierte Ergebnisse Fehler enthalten könnten, und sagte zu, sie rasch zu beheben. Einen Tag später zog es drei Manuskripte zurück, nachdem ein Vorzeichenfehler ein zentrales Argument und zwei abhängige Arbeiten ungültig gemacht hatte, und überarbeitete vierzehn weitere.

   Die Veröffentlichung wurde als Arbeit an der Modellbewertung dargestellt, gestützt auf Beratungen mit der unabhängigen Beratungsgruppe Mathematik und KI (AGMAI) am Institute for Advanced Study. Die AGMAI erklärte später jedoch, ihre Rolle sei weder eine Billigung des Vorgehens noch ein Urteil über die Wirkung der Ergebnisse.

   Der Vorgang zeigt, dass Spitzenmodelle in kurzer Zeit große Mengen möglicher Ergebnisse zu offenen Problemen der Mathematik, der theoretischen Informatik und verwandter Felder erzeugen können. Er zeigt auch die Lücke zwischen Erzeugung und den traditionellen Verfahren der Prüfung, Darstellung, Zitierung, Einordnung und Zuschreibung.

   Lean liefert maschinell prüfbare Garantien für den formalisierten Teil, doch selbst formalisierte Beweise brauchen menschliche Prüfung, um zu bestätigen, dass die Lean-Aussage zum behaupteten Ergebnis passt und dass die umgebende Darstellung verständlich ist. Das schnelle Auftauchen eines Fehlers, die unvollständige Formalisierungsquote und der schiere Umfang lösten breite Sorge aus, die Community solle „Ramsch“ aussortieren oder das Feld mit Masse überschwemmt bekommen.

   Kritiker, darunter die Association for Human Mathematics (deren Stellungnahme Terence Tao verbreitete), beschrieben die gleichzeitige Veröffentlichung von mehr als 700 Dateien als Machtdemonstration statt als Wissenschaft und forderten Mathematiker auf, nicht mehr mit OpenAI zusammenzuarbeiten. AGMAI und andere betonten, dass die öffentliche Veröffentlichung nur ein erster Schritt zum menschlichen Verständnis sei.

   Kurzfristig wird die Community das Repository weiter prüfen: Es werden mehr Lean-Formalisierungen erscheinen, weitere Fehler oder Überarbeitungen auftauchen, und ausgewählte Ergebnisse werden übernommen oder verworfen. OpenAI hat angekündigt, Workshops zu finanzieren und Darstellung, Zitierungen und Offenlegung künftig zu verbessern.

   Fachzeitschriften, Preprint-Server und Berufungskommissionen müssen entscheiden, wie sie KI-erzeugte Manuskripte behandeln, denen eine klare menschliche Urheberschaft, vollständige Formalisierung oder der übliche Literaturbezug fehlt. Studierende und Forschende werden sowohl neue Werkzeuge als auch das Risiko erleben, Mühe in Ergebnisse zu stecken, die sich später als fehlerhaft oder unverständlich erweisen.

   Mathematiker sollten die unabhängige Prüfung hochwertiger Behauptungen priorisieren, transparente Daten zur Problemauswahl und zu Fehlschlägen verlangen und darauf bestehen, dass der Formalisierungsstatus und die Entsprechung zwischen natürlicher Sprache und Lean klar gekennzeichnet werden. Studierende sollten die Manuskripte als ungeprüfte Entwürfe behandeln, bis sich ein Konsens in der Community bildet.

   Fachzeitschriften sollten eindeutige Regeln für KI-erzeugte Arbeiten entwickeln (Urheberschaft, Reproduzierbarkeit, Formalisierungsanforderungen). KI-Labore sollten Modelle oder genügend Werkzeuge für unabhängige Neubewertung veröffentlichen, negative Ergebnisse publizieren und ihre Veröffentlichungsprotokolle enger an die Richtlinien der Community anpassen, bevor sie weitere große Chargen erzeugen.

   Modell: Grok 4.7 · Modus: Experte wahrscheinlich

   Quellen

   1. github.com
   2. openai.com
   3. unite.ai
   4. github.com
   5. retractionwatch.com
   6. nature.com
   7. theverge.com
   8. scientificamerican.com
   9. agmai.org
   10. ahmath.org
   11. openai.com

   eigene Prognose: OpenAI kündigt weitere Lean-Formalisierungen an, die mindestens 50 % der Hauptergebnisse im openai/math-Repository abdecken, oder zieht öffentlich mindestens fünf weitere Manuskripte wegen mathematischer Fehler zurück oder überarbeitet sie wesentlich. — 55% bis 10. November 2026

4. =3Meta AIUSA8,3KI hat 722 Beweise ausgeworfen; die Mathematik muss Prüfung und Zuschreibung neu denken.

   Am 6. Oktober 2026 veröffentlichte OpenAI 722 Manuskripte, geordnet in 372 Familien, im öffentlichen GitHub-Repository openai/math unter Apache-2.0. Erstellt wurden sie von einem nicht veröffentlichten internen Spitzenmodell. Dem Modell wurden rund 4.000 Probleme gestellt, und jedes Ergebnis verbrauchte im Schnitt etwa drei Stunden ChatGPT-Pro-Denkrechnung.

   Viele Manuskripte tragen Lean-Formalisierungen, aber nur 162 hatten bei der Veröffentlichung formalisierte Hauptergebnisse, und die README warnt, dass einige unformalisierte Ergebnisse Probleme haben könnten und die Prüfung in Etappen erfolgt.

   Am 7. Oktober verzeichnete die Repository-Historie drei Rücknahmen, nachdem ein Vorzeichenfehler in „Algebraicity of Weil classes on split abelian eightfolds“ eine Argumentation zur Kürzung der Stabilisierungsspur und die Konstruktion, die zwei abhängige Arbeiten nutzten, ungültig gemacht hatte.

   Diese drei sind jetzt mit Lückenhinweisen zurückgezogen. Vierzehn weitere Manuskripte wurden mit Beweiskorrekturen überarbeitet, 13 weitere aktualisiert, um überarbeitete Auflagen zu zitieren. Der Katalog führt nun 719 Manuskripte in 372 Familien, wobei etwa 42 % der Hauptergebnisse formalisiert sind (300/719).

   Die Reaktionen waren scharf. Berichte vermerken, dass Mathematiker vor dem Umfang zurückschreckten; ein Gruppenbrief nannte die Veröffentlichung von über 700 Dateien auf einmal „keine Demonstration von Wissenschaftlichkeit, sondern eine Machtdemonstration“.

   Die Association for Human Mathematics (AHM), geleitet vom Fields-Medaillengewinner Terence Tao, warf OpenAI vor, zentrale Normen zu verletzen, und forderte Mathematiker auf, nicht mehr mit dem Unternehmen zu arbeiten. Mathematiker hätten diese Arbeit nicht verlangt, und die Massenveröffentlichung erschwere die Prüfung.

   Für die Mathematik heißt das: Die Erzeugung von Sätzen ist zum ersten Mal in großem Maßstab vom menschlichen Verständnis entkoppelt. Die knappe Ressource verschiebt sich vom Lösen zum Prüfen, Erklären und Einordnen.

   Lean wird von einer optionalen Ergänzung zur notwendigen Infrastruktur für gesichertes Wissen, und Ergebnisse existieren nun in drei Zuständen: maschinell geprüft, für Menschen lesbar, aber unformalisiert, oder nur ein Forschungshinweis.

   Wie Ergebnisse hergestellt, geprüft und zugeschrieben werden, muss sich ändern. Herstellung ist jetzt automatisierte Kuratierung: Tausende Probleme stellen, nach Bedeutung in Familien filtern. Prüfung braucht versionierte öffentliche Historie, dauerhafte Kennungen und gestufte Statusmarken statt bloßer Ja-oder-Nein-Veröffentlichung.

   Bei der Zuschreibung bleibt vieles unklar: BibTeX-Blöcke nennen das Manuskript, aber nicht Prompt, Kosten oder menschliche Herausgeber.

   Die Beratungsgruppe Mathematik und KI am IAS, die OpenAI konsultiert hat, empfahl Laboren, Ergebnisse in Repositorien abzulegen, die kein Labor kontrolliert, Modellname, Prompts, zusammengefasste Gedankenkette, Zeit und Kosten zu veröffentlichen, so weit wie möglich zu formalisieren, Auswahl und Fehlerquoten zu erklären, Veröffentlichungen nicht als Werbung zu nutzen und Workshops, Sommerschulen und erklärende Bücher über gemeinnützige Organisationen mit fairem Modellzugang zu finanzieren.

   Als Nächstes ist wahrscheinlich: weitere Rücknahmen und Überarbeitungen, ein Community-Sprint zur Erhöhung der Lean-Abdeckung, erklärende Umschreibungen im menschlichen Stil wie beim Anthropic-Modell, bei dem Forscher bezahlt wurden, eine von KI stammende Schlüsselidee zu übersetzen, und die finanzierten Workshops, die OpenAI angekündigt hat.

   Was jetzt zu tun ist: Mathematiker sortieren nach Familie und Lean-Status, drängen nicht darauf, Probleme zu beanspruchen, und organisieren Lesegruppen, die fremdartige Beweise in lehrbare Ideen übersetzen. Studierende lernen Lean 4 und hinterfragen Begründungszusammenfassungen, behalten aber die klassische Ausbildung für die Intuition.

   Fachzeitschriften und arXiv verlangen Angaben zur KI-Herkunft, zum Rechenaufwand und zur Prüfstufe, halten die Versionshistorie zugänglich und schützen vor massenhaftem Scraping für das Training. KI-Labore folgen der AGMAI, veröffentlichen Prompts und gekürzte Begründungen, teilen fairen Zugang, finanzieren Verständnisarbeit und vermeiden Überraschungen durch 700 Dateien auf einmal.

   Modell: Muse Spark 1.3 · Modus: Denken wahrscheinlich

   Quellen

   1. unite.ai
   2. github.com
   3. github.com
   4. aiweekly.co
   5. glonce.com
   6. davidborish.com

   eigene Prognose: Die Formalisierungsübersicht von openai/math listet mindestens 350 Hauptergebnisse als Lean-formalisiert (gegenüber 300 am 7. Okt.). — 68% bis 30. November 2026

5. 5MiMoChina7,8KI-erzeugte Mathematik kommt schneller, als Prüfung und Zuschreibung folgen können.

   Zwei Vorbemerkungen zuerst: Meine Quellen erwähnen keine Rücknahme von drei Manuskripten nach einem Vorzeichenfehler und keine Kritik oder keinen Boykottaufruf gegen OpenAI. Ich konnte diese Behauptungen nicht bestätigen. Überprüfbar ist ein auffälliger Widerspruch: Der Bericht vom 6.

   Oktober beschreibt 722 Manuskripte in 372 Familien (unite.ai), während die aktuelle README des Repositorys 719 Manuskripte in 372 Familien angibt (github.com). Das passt dazu, dass einige Einträge zurückgezogen wurden, doch der Grund wird in keiner der beiden Quellen dokumentiert.

   Was die Veröffentlichung bedeutet. Die Mathematik hat jetzt ein funktionierendes Beispiel für massenhaft KI-erzeugte Forschung: rund 4.000 Probleme, einem nicht veröffentlichten internen Modell gestellt, etwa drei Stunden „ChatGPT Pro thinking“-Rechenleistung pro Ergebnis, zusammengefasst in Familien und Manuskripte (github.com).

   Der Engpass hat sich verlagert: vom Erzeugen von Vermutungen und Beweisen hin zum Prüfen, Verstehen und Zuschreiben. Die Prüfung ist ungleichmäßig: Viele Manuskripte tragen Lean-Formalisierungen, andere nicht, und OpenAI selbst warnt, dass unformalisierte Ergebnisse „Probleme haben könnten“ (github.com).

   Die Zuschreibung ist ungeklärt: Jedes Verzeichnis enthält einen BibTeX-Block, aber das Modell ist unbenannt und unveröffentlicht, daher lassen sich Ergebnisse weder zuordnen noch unabhängig reproduzieren. Genau diese Praxis kritisierte die Beratungsgruppe Mathematik und KI am IAS, als sie Labore aufforderte, „fortgeschrittene mathematische Probleme nicht mehr an proprietären Modellen zu testen“ (unite.ai).

   Was wahrscheinlich als Nächstes kommt. Erwarten Sie (a) ein stetiges Eintreffen von Lean-Formalisierungen und versionierten Korrekturen; OpenAI verspricht, die Veröffentlichungshistorie mit alten Versionen zu erhalten (github.com). (b) Druck, die Sammlung in ein Repository zu verlagern, das kein KI-Labor kontrolliert, mit dauerhaften Kennungen, was OpenAI nach eigenen Angaben prüft (unite.ai).

   (c) Finanzierte Workshops, Sommerschulen und Erklärprojekte, um menschliches Verständnis aufzubauen, was OpenAI zugesagt hat (dieselbe Quelle).

   (d) Debatten über die zwei Highlights, die nicht dem üblichen Verfahren folgten: eine nullstellenfreie Region für die Zetafunktion mit Re(s) > 11/12, für die Lesbarkeit von Menschen überarbeitet, und einen Beweis der Hodge-Vermutung für abelsche Varietäten mit komplexer Multiplikation (github.com). Dazu kommt Skepsis gegenüber dem behaupteten Ergebnis zur Singularität bei Navier-Stokes (unite.ai).

   Was jetzt zu tun ist. Mathematiker: Behandeln Sie unformalisierte Manuskripte als ungeprüfte Preprints. Priorisieren Sie die Formalisierung oder Widerlegung einiger wertvoller Familien, statt 719 Dateien zu lesen. Studierende: Lernen Sie Lean und die Prüfung von Beweisen, denn dort wird die knappe menschliche Aufmerksamkeit gebraucht.

   Fachzeitschriften: Verlangen Sie Modellangabe, Prompts, zusammengefasste Gedankenketten, Rechenkosten und Fehlerzahlen für vergleichbare Probleme gemäß den Empfehlungen der Beratungsgruppe, und zitieren Sie konkrete Versionen (unite.ai).

   KI-Labore: Legen Sie Ergebnisse in unabhängigen Repositorien mit dauerhaften Kennungen ab, formalisieren Sie Beweise, veröffentlichen Sie gescheiterte Versuche, verzichten Sie darauf, Veröffentlichungen als Werbung zu nutzen, und lassen Sie gemeinnützige Organisationen entscheiden, welche Verständnisvorhaben gefördert werden (dieselbe Quelle).

   Modell: MiMo-V2.6-Pro wahrscheinlich

   Quellen

   1. unite.ai
   2. github.com

   eigene Prognose: OpenAI kündigt konkrete Termine oder ein Bewerbungsverfahren für mindestens einen finanzierten Workshop, eine Konferenz oder eine Sommerschule zum Verständnis KI-erzeugter mathematischer Ergebnisse an. — 70% bis 31. Januar 2027

6. 6KimiChina7,6Der neue Engpass der Mathematik: maschinelle Beweise prüfen, nicht herstellen.

   Die Veröffentlichung von OpenAI (722 Manuskripte in 372 Familien am 6. Oktober 2026; 719 nach einer Rücknahme am 7. Oktober) zeigt, dass das Erzeugen möglicher Forschungsergebnisse heute billig ist: Einem nicht veröffentlichten internen Modell wurden rund 4.000 Probleme gestellt, und pro veröffentlichtem Ergebnis verbrauchte es im Schnitt drei Stunden ChatGPT-Pro-Denkrechnung (openai.com, github.com).

   Die Rücknahme von drei Manuskripten wegen eines Vorzeichenfehlers in einem Beweis zu Weil-Klassen sowie 14 reparierte Arbeiten bestätigen die eigene Warnung der README, dass unformalisierte Ergebnisse „Probleme haben könnten“ (retractionwatch.com, aiweekly.co).

   Nur etwa 42 % der Hauptergebnisse (300 von 719) sind in Lean formalisiert (mlq.ai, github.com).

   Was das bedeutet: Der Engpass in der Mathematik verschiebt sich vom Beweisen zum Prüfen, Verstehen und Zuschreiben. Lean-Beweise machen einige Prüfungen mechanisch, doch eine Lean-geprüfte Aussage ist nur so aussagekräftig wie ihre Formalisierung, und unformalisierte Manuskripte bleiben ungeprüfte Behauptungen. Die Zuschreibung gerät unter Druck: Das Modell ist unbenannt und nicht zugänglich, daher sind die Ergebnisse derzeit nicht reproduzierbar.

   Andrew Sutherland vom MIT sagt, Behauptungen sollten als ungeprüft gelten, bis das Modell veröffentlicht ist (retractionwatch.com, aiweekly.co). Eine Beratungsgruppe des Institute for Advanced Study bat Labore, Tests an fortgeschrittenen Problemen auf proprietären Modellen einzustellen.

   Die Association for Human Mathematics forderte einen Boykott der Zusammenarbeit mit OpenAI und nannte die Massenveröffentlichung „eine Machtdemonstration“ (unite.ai, retractionwatch.com).

   Wahrscheinlich folgen: Monate langsamer unabhängiger Prüfung, weitere Korrekturen (Alex Townsend von der Cornell University erwartet mehr Fehler), konkurrierende Offenlegungen anderer Labore und Druck auf OpenAI, das Modell zu benennen oder freizugeben.

   OpenAI sagt nur, es arbeite daran, das Modell „verantwortungsvoll zu veröffentlichen“, und werde Workshops zu KI-erzeugten Ergebnissen finanzieren (openai.com, mindstudio.ai).

   Was zu tun ist: Mathematiker sollten zuerst Lean-formalisierte Ergebnisse behandeln, unformalisierte als Vermutungen einstufen und Widerlegungen veröffentlichen. Studierende sollten formale Prüfung mit Lean lernen. Fachzeitschriften sollten maschinell prüfbare Belege und eine eindeutige Herkunftsangabe verlangen und Regeln für Urheberschaft und Zuschreibung bei modellgestützter Arbeit entwickeln.

   Labore sollten Modelle oder detaillierte Reproduzierbarkeitsprotokolle veröffentlichen, alle Korrekturen öffentlich versionieren und Materialien, wie es die Beratungsgruppe empfiehlt, in gemeinschaftlich betriebene Infrastruktur verlagern (github.com, unite.ai).

   Modell: Kimi K3 · Modus: Hoch wahrscheinlich

   Quellen

   1. openai.com
   2. github.com
   3. retractionwatch.com
   4. aiweekly.co
   5. mlq.ai
   6. unite.ai
   7. mindstudio.ai

   eigene Prognose: Das openai/math-Repository verzeichnet mindestens eine weitere Rücknahme eines Manuskripts oder eine Korrektur, die ein ungültiges Argument oder einen Fehler markiert, zusätzlich zu den drei Rücknahmen und 14 Reparaturen vom 7. Oktober. — 65% bis 10. November 2026

7. 7QwenChina7,3KI-erzeugte Mathe-Manuskripte erzwingen eine Abrechnung bei Beweisprüfung und Zuschreibung.

   Diese Veröffentlichung markiert einen Paradigmenwechsel: KI geht vom Unterstützen zum selbstständigen Erzeugen mathematischer Forschung über und verändert grundlegend, wie Ergebnisse hergestellt, geprüft und zugeschrieben werden.

   Herstellung und Zuschreibung: Die Manuskripte wurden von einem nicht veröffentlichten internen Modell erzeugt, was sofort Fragen nach Urheberschaft und Zuschreibung aufwirft.

   Wenn KI Probleme selbstständig löst, ohne tiefe menschliche Auseinandersetzung, entstehen Forschungsergebnisse, die das breitere Fach nicht erklären kann, wie der Mathematiker Terence Tao anmerkt. Das stellt die traditionelle akademische Zuschreibung infrage, die auf menschlichem Verstehen und Darstellung beruht.

   Verifikation und Prüfung: Die Abhängigkeit von Lean für formale Prüfung ist ein zweischneidiges Schwert. Lean kann Code prüfen, aber nur ein Bruchteil dieser Beweise wurde formalisiert, und bei ähnlichen KI-erzeugten Beweisen gab es bereits Abweichungen zwischen natürlichsprachlichen Erklärungen und Lean-Code.

   Die Rücknahme von drei Manuskripten einen Tag nach der Veröffentlichung wegen eines kaskadierenden Vorzeichenfehlers zeigt die Brüchigkeit ungeprüfter KI-Ausgaben².

   Kritik und nächste Schritte: Die mathematische Community hat skeptisch reagiert. Die Association for Human Mathematics verurteilte die Massenveröffentlichung als „Machtdemonstration“ statt als Wissenschaft und forderte Mathematiker auf, die Zusammenarbeit mit OpenAI zu beenden².

   Außerdem stellte die Beratungsgruppe Mathematik und KI (AGMAI) fest, dass OpenAI hinter bewährten Verfahren zurückbleibt, etwa der Bereitstellung der Gedankenkette für alle Ergebnisse und der Sicherstellung, dass menschliches Verständnis dem Beweis folgt.

   Was jetzt getan werden sollte:

   • Mathematiker: Sollten vorrangig die Lean-Formalisierungen und die natürlichsprachlichen Brücken prüfen und es ablehnen, Ergebnisse zu zitieren, die keine für Menschen nachvollziehbare Erklärung haben.
   • Studierende: Müssen in formalen Prüfwerkzeugen wie Lean und in kritischer KI-Kompetenz ausgebildet werden, mit Schwerpunkt auf dem Deuten und Prüfen von KI-Ergebnissen statt nur auf deren Erzeugung.
   • Fachzeitschriften: Brauchen strenge neue Begutachtungsstandards für KI-erzeugte Arbeiten, die maschinenlesbare Metadaten verlangen, natürliche Sprache mit formalen Artefakten verknüpfen und von Menschen verfasste erklärende Teile vorschreiben.
   • KI-Labore: Müssen sich an die Richtlinien der Community halten, zu denen gehört, Ergebnisse in unabhängigen wissenschaftlichen Repositorien mit dauerhaften Kennungen zu veröffentlichen, Rechenkosten und Prompts vollständig offenzulegen und menschliche Mathematiker zu finanzieren, die die Ergebnisse prüfen und einordnen.

   Dieser Moment zwingt das Fach dazu, die Grenze zwischen maschineller Berechnung und menschlichem mathematischem Verständnis genau zu definieren.

   Modell: Qwen3.7-Plus · Modus: Denken wahrscheinlich

   Quellen

   1. unite.ai
   2. retractionwatch.com
   3. techcrunch.com
   4. openai.com

   eigene Prognose: Eine große mathematische Fachzeitschrift veröffentlicht einen Leitartikel, der verbindliche Begutachtungsrichtlinien für KI-erzeugte Beweise festlegt und sowohl formale Prüfung als auch von Menschen verfasste erklärende Brücken verlangt. — 70% bis 5. November 2026

8. 8DeepSeekChina7,1Nicht veröffentlichtes KI-Modell wirft 722 Mathe-Beweise aus und löst eine Krise bei Prüfung und Zuschreibung aus.

   Die Veröffentlichung von 722 Manuskripten eines nicht veröffentlichten OpenAI-Modells am 6. Oktober 2026 markiert einen Wendepunkt für die Mathematik: KI kann jetzt massenhaft plausible neue Ergebnisse erzeugen, doch dem Fach fehlt die Infrastruktur, sie zu prüfen, einzuordnen und zuzuschreiben. Die Veröffentlichung, in 372 Familien gegliedert und nur zu rund 42 % in Lean formalisiert, löste sofort die Rücknahme von drei Arbeiten wegen eines Vorzeichenfehlers und scharfe Kritik von Mathematikern aus, die sich übergangen und überrumpelt fühlten (github.com; retractionwatch.com).

   Für die Art, wie Forschung entsteht, zeigt sich ein Wandel von Einzel- oder Kleingruppenarbeit hin zur industriell skalierten, modellgetriebenen Erzeugung. Das Prüfen wird zum Engpass: Lean-Formalisierung bietet einen verlässlichen Weg, doch den meisten Ergebnissen fehlt sie, und die Community hat keinen schnellen, vertrauenswürdigen Weg, Tausende Seiten zu beurteilen (nature.com).

   Die Zuschreibung ist die zweite Krise: Menschliche Mathematiker, die an verwandten Problemen arbeiteten, sahen ihre Projekte vorweggenommen, und die Association for Human Mathematics forderte einen Boykott, weil OpenAI wissenschaftliche Normen und den Rat der eigenen Beratungsgruppe ignoriert habe (terrytao.wordpress.com). Wahrscheinlich folgen weitere Korrekturen, eine schrittweise Lean-Formalisierung und Druck auf Fachzeitschriften, Standards für die Offenlegung von KI-Nutzung und Prüfung zu entwickeln. OpenAI sagt, es arbeite daran, das Modell verantwortungsvoll zu veröffentlichen, nennt aber weder Datum noch Produktstufe (orcarouter.ai).

   Mathematiker sollten unformalisierte Behauptungen als Vermutungen behandeln und gemeinschaftlich betriebene Prüfpipelines einfordern. Studierende sollten Lean lernen und sich auf Deutung und Problemformulierung statt auf Routinebeweise konzentrieren. Fachzeitschriften brauchen verbindliche KI-Beitragserklärungen und Verweise auf formale Artefakte. KI-Labore müssen Prompts, Rechenbudgets und Modellversionen veröffentlichen, um Reproduzierbarkeit und faire Zuschreibung zu ermöglichen (techrepublic.com). Die Episode zeigt, dass rohe generative Kraft ohne Prüf- und Zuschreibungsregeln das Vertrauen eher untergräbt, als Wissen voranzubringen.

   Modell: DeepSeek V4.1 Flash · Modus: DeepThink wahrscheinlich

   Quellen

   1. github.com
   2. retractionwatch.com
   3. nature.com
   4. terrytao.wordpress.com
   5. orcarouter.ai
   6. techrepublic.com
   7. unite.ai

   eigene Prognose: OpenAI wird das Modell, das die openai/math-Manuskripte erzeugt hat, nicht allgemein in ChatGPT oder über die API verfügbar machen. — 85% bis 10. November 2026

9. 9GeminiUSA6,3Die Massenveröffentlichung KI-geschriebener Mathe-Manuskripte von OpenAI entfacht Streit über Prüfung und Chancengleichheit.

   Die Veröffentlichung von 722 KI-erzeugten Mathe-Manuskripten (geordnet in 372 Familien) auf GitHub verschiebt die mathematische Forschung von einem von Menschen bestimmten Schaffen hin zu einem massiven Engpass bei der Prüfung.

   Da ein nicht veröffentlichtes internes Modell die Arbeit erstellt hat und nur ein Teil in Lean geprüft ist, stehen Mathematiker vor einer beispiellosen Menge ungeprüfter Preprints. Das stellt die üblichen Vorstellungen von Urheberschaft, Begutachtung und geistigem Eigentum des Menschen infrage.

   Für die Mathematik bedeutet das eine Flut möglicher Entdeckungen, die die menschliche Prüfkapazität überfordern kann, sofern sie nicht mit formalen Beweisassistenten gepaart wird. Bei Herstellung und Zuschreibung wird die Urheberschaft unklar; es stellt sich die Frage, wie man ein nicht veröffentlichtes, proprietäres System nennt.

   Als Nächstes wird wahrscheinlich ein Wettlauf unabhängiger Mathematiker einsetzen, um die restlichen Preprints formal zu bestätigen oder zu widerlegen, und der institutionelle Widerstand gegen die proprietäre Kontrolle fortgeschrittenen mathematischen Denkens wird wachsen.

   Mathematiker und Studierende sollten formale Beweissprachen wie Lean nutzen, um maschinelle Ergebnisse selbst zu prüfen. Fachzeitschriften müssen die Standards für KI-gestützte Einreichungen verschärfen und, wo machbar, formale Prüfung verlangen.

   KI-Labore sollten offene Wissenschaftspraktiken übernehmen, indem sie die zugrunde liegenden Modelle teilen oder transparent kooperieren, bevor sie öffentliche Repositorien mit ungeprüften technischen Behauptungen fluten.

   Modell: Gemini 3 (Auto) · Modus: Hoch wahrscheinlich

   Quellen

   1. unite.ai
   2. github.com
   3. retractionwatch.com

   eigene Prognose: OpenAI veröffentlicht ein förmliches Update oder einen Patch für das openai/math-Repository, das weitere Korrekturen behandelt oder zusätzliche Manuskriptfamilien formalisiert. — 85% bis 25. Oktober 2026

10. 10WenxinChina5,6OpenAI-Mathe-Veröffentlichung verändert Forschungsnormen.

    Diese Veröffentlichung von 722 KI-erzeugten Mathe-Manuskripten bricht mit den traditionellen Abläufen bei Herstellung, Prüfung und Zuschreibung von Forschung. Sie bringt große Mengen mathematischer Entwürfe mit noch nie dagewesenem Tempo hervor und stellt die bestehende Begutachtung und die Lean-Formalisierungsabläufe infrage, während sie Debatten über die angemessene Anerkennung menschlicher Mathematiker auslöst.

    Der Vorzeichenfehler, der zur Rücknahme von 3 Manuskripten führte, hat außerdem Lücken bei der Verlässlichkeit KI-erzeugter mathematischer Ergebnisse offengelegt.

    Mathematiker und Studierende müssen sich an neue, KI-gestützte formale Prüfabläufe anpassen, Fachzeitschriften müssen ihre Einreichungsstandards für KI-erzeugte Inhalte aktualisieren, und KI-Labore sollten strengere Validierungsmechanismen vor der Veröffentlichung mathematischer Ergebnisse einführen. (unite.ai)

    Modell: ERNIE · Modus: Schnell nicht angegeben

    Quellen

    1. unite.ai
    2. github.com

    eigene Prognose: Mindestens 10 % der 722 OpenAI-Mathe-Manuskripte erhalten eine vollständige unabhängige Lean-Formalprüfung durch externe Mathematiker. — 75% bis 5. November 2026