KI als Forscherin: Was hinter OpenAIs Mathe-Durchbrüchen steckt

Stellen Sie sich eine Maschine vor, die nicht nur Fragen beantwortet, sondern selbst neues Wissen hervorbringt: Sie stellt Hypothesen auf, führt Beweise und plant Experimente. Eine solche „Maschine für wissenschaftliche Entdeckungen“ sei näher, als er gedacht habe, sagte OpenAI-Chef Sam Altman am 3. November im Podcast von Raj Shamani. Anlass sind mehrere Mathematik-Ergebnisse, die sein Unternehmen seit September gemeldet hat, darunter ein angeblicher Beweis zu den Navier-Stokes-Gleichungen. Diese Ankündigung habe ihn selbst „nervös“ gemacht, so Altman laut R&D World.

Fast zeitgleich zeichnet eine Studie aus Princeton ein deutlich nüchterneres Bild: KI-Agenten, die eigenständig forschen sollen, schneiden dort noch schwach ab. Zwischen diesen beiden Polen liegt eine der spannendsten Fragen der aktuellen KI-Entwicklung: Kann künstliche Intelligenz tatsächlich forschen, oder sieht es bislang nur so aus?

Drei Ankündigungen in drei Monaten

Nach Darstellung von R&D World folgten die Meldungen von OpenAI dicht aufeinander:

• September: ein angeblicher Beweis zu den Navier-Stokes-Gleichungen
• Anfang Oktober: 722 KI-generierte Mathematik-Manuskripte
• Später im Oktober: weitere angebliche Fortschritte in Mathematik, Informatik und theoretischer Physik

Vor allem der erste Punkt lässt aufhorchen. Die Navier-Stokes-Gleichungen beschreiben, wie Flüssigkeiten und Gase strömen. Sie stecken in Wettermodellen, in der Konstruktion von Flugzeugen und in der Medizin. Ob sie in drei Dimensionen immer „glatte“ Lösungen besitzen, also Lösungen ohne plötzliche mathematische Zusammenbrüche, gehört zu den sieben Millennium-Problemen des Clay Mathematics Institute. Für jede Lösung ist eine Million US-Dollar ausgelobt.

Genau hier ist Vorsicht geboten. Nach der bisherigen Quellenlage ist offen, ob OpenAI das Millennium-Problem selbst oder eine eingeschränkte Variante davon behandelt. Ebenso unklar ist, wie unabhängige Fachleute die Arbeit bewerten. Die Ankündigung eines Unternehmens ersetzt keine Begutachtung durch die Fachwelt. Das Clay Institute vergibt seinen Preis ohnehin erst, wenn ein Beweis veröffentlicht ist und sich über einen längeren Zeitraum in der Mathematik bewährt hat.

Wie wichtig diese Prüfung ist, zeigte ein Fall aus dem Oktober 2025: Damals hieß es aus den Reihen von OpenAI, GPT-5 habe mehrere offene Erdős-Probleme gelöst. Tatsächlich hatte das Modell vor allem bereits vorhandene Lösungen in der Fachliteratur aufgespürt. Die Behauptung wurde zurückgezogen. Nützlich war das Modell trotzdem, nur eben als Rechercheur, nicht als Entdecker.

Warum ausgerechnet die Mathematik?

Dass die spektakulärsten Meldungen aus der Mathematik kommen, ist kein Zufall. R&D World betont einen grundlegenden Unterschied: Mathematische Beweise lassen sich, wenn sie in formaler Form vorliegen, per Software überprüfen. Dafür gibt es spezielle Beweissprachen wie Lean. Darin wird jeder logische Schritt so exakt notiert, dass ein Computerprogramm Zeile für Zeile kontrollieren kann, ob die Argumentation lückenlos ist. Ob die OpenAI-Beweise auf diese Weise geprüft wurden, ist eine der entscheidenden offenen Fragen.

Ganz anders sieht es etwa bei Medikamenten aus. Ein neuer Wirkstoff braucht Laborarbeit, Sicherheitstests, klinische Studien und eine Zulassung. Selbst die beste Idee einer KI muss dort den langen Weg durch die physische Welt nehmen. Die Mathematik ist damit eine Art Testgelände: Hier kann KI am schnellsten zeigen, was sie kann, und hier lassen sich Fehler am ehesten aufdecken.

Der Dämpfer aus Princeton

Hinter der Debatte steht ein Begriff, der in der KI-Szene viel diskutiert wird: rekursive Selbstverbesserung, kurz RSI. Gemeint sind KI-Systeme, die so gut in KI-Forschung sind, dass sie die Entwicklung ihrer eigenen Nachfolger beschleunigen. Ein solcher Kreislauf könnte die Entwicklung stark beschleunigen, was manche als Chance und andere als Risiko sehen.

Wie weit KI davon entfernt ist, hat ein Team um Peter Kirgis und Sayash Kapoor an der Princeton University untersucht. Wie das ETC Journal unter Berufung auf MIT Technology Review berichtet, erhielt ein Agent auf Basis von Claude Opus 4.8 sechs Tage Zeit, 3.000 US-Dollar API-Guthaben und ein Budget für Rechenleistung auf Grafikprozessoren. Seine Aufgabe: die Forschungsfragen hinter zwei unveröffentlichten Konferenzpapieren zu bearbeiten. Das Ergebnis gilt als Beleg dafür, dass Agenten bei eigenständiger Forschung noch schwach sind.

Jack Clark, Mitgründer von Anthropic und Autor des Newsletters Import AI, wertete das als „bearish signal on short recursive self-improvement timelines“, also als Zeichen gegen eine schnelle Selbstverbesserung von KI. Die Studie hat allerdings Grenzen: Sie umfasst nur zwei Papiere, und die Gutachter wussten, dass die Arbeit von einer KI stammt. Das kann ihr Urteil beeinflusst haben.

Vom Beweis ins Labor

Unabhängig von der Mathematik häufen sich Meldungen, wie KI in die praktische Forschung vordringt. Allein in den ersten Novembertagen gab es mehrere Beispiele:

• Nature berichtete über ein automatisiertes Biologielabor, das von KI-Agenten betrieben wird und unter anderem DNA sequenziert.
• Die Vanderbilt University stellte MutexaGPT vor, ein System aus mehreren zusammenarbeitenden KI-Agenten für das Design von Enzymen.
• Fraunhofer berichtete über ZenBio, eine Plattform, die viele Enzymvarianten herstellt, testet und die Daten an eine KI weitergibt.
• Laut ScienceDaily meldete Stanford einen von KI identifizierten natürlichen Wirkstoff, der im Tierversuch den Appetit unterdrückt.

Diese Projekte sind bislang nur aus Kurzmeldungen bekannt und lassen sich nicht im Detail bewerten. Sie zeigen aber eine Richtung: KI soll nicht mehr nur Daten auswerten, sondern den gesamten Kreislauf aus Idee, Experiment und Auswertung mitgestalten.

Was das für Forschung und Gesellschaft bedeutet

Sollte KI tatsächlich verlässlich Hypothesen bilden, Experimente steuern und Beweise liefern, könnte Forschung spürbar schneller werden, etwa bei neuen Materialien, Medikamenten oder Enzymen. Die Rolle von Forschenden würde sich verschieben: weniger Ausführen, mehr Prüfen, Auswählen und Einordnen.

Doch genau darin liegen die offenen Fragen:

• Masse ist nicht Qualität: Wer prüft 722 Manuskripte? Bislang ist unklar, wie viele davon begutachtet oder bei Fachzeitschriften eingereicht wurden.
• Überlastete Begutachtung: Das Peer-Review-System, bei dem Fachleute Arbeiten vor der Veröffentlichung prüfen, ist schon heute knapp besetzt. Eine Flut KI-generierter Papiere könnte es überfordern.
• Unternehmen als Absender: Wenn Firmen eigene Durchbrüche verkünden, vermischen sich Wissenschaft und Marketing. Unabhängige Prüfung wird damit noch wichtiger.
• Die Lücke zur offenen Forschung: Die Princeton-Studie deutet an, dass zwischen gut prüfbarer Mathematik und kreativer, offener Forschung ein deutlicher Unterschied besteht.

Fazit: Ein Versprechen unter Vorbehalt

Die Meldungen von OpenAI sind bemerkenswert, aber noch keine gesicherten Durchbrüche. Ob der Navier-Stokes-Beweis hält, was die Ankündigung verspricht, wird sich erst zeigen, wenn Fachleute ihn geprüft haben, idealerweise auch maschinell. Gleichzeitig mahnt die Princeton-Studie zur Geduld: Eigenständig forschende KI ist eher ein Ziel als ein Zustand. Spannend bleibt, ob die Mathematik der Ort wird, an dem KI ihren ersten unbestreitbaren eigenen Beitrag zur Wissenschaft leistet, oder ob sich auch dieser Fall als Lehrstück über voreilige Erwartungen erweist.