OpenAI veröffentlicht 719 Mathematik-Manuskripte, Lean deckt 42 % der Hauptergebnisse ab

OpenAI hat ein Repository mit 719 mathematischen Manuskripten in 372 Familien geöffnet. Laut README entstand die große Mehrheit nach demselben Verfahren: Ein unveröffentlichtes internes Modell erhielt rund 4.000 offene Probleme und nutzte im Durchschnitt drei Stunden ChatGPT-Pro-Thinking-Rechenzeit pro gefundenem Ergebnis.

Ein Modell verwandelte offene Probleme in eine Publikationsserie

Das Repository enthält PDF-Dateien, Quellen, Zitationsdaten und unterstützende Beweisartefakte. OpenAI weist darauf hin, dass einige Ausgaben auf früheren Modellergebnissen aufbauen und die Materialien unterschiedliche Prüfstände haben. Für zehn ausgewählte Familien wurden zudem gekürzte Zusammenfassungen des Lösungswegs veröffentlicht.

Die erste Serie umfasste 722 Manuskripte. Der aktuelle Katalog zählt nach drei Rücknahmen 719. Zvi Mowshowitz betont die Breite und schreibt, die Sammlung enthalte 90 Probleme aus den ersten 500 der Proof-of-Atlas-Rangliste. Das ist eine externe Bewertung der Bedeutung und keine Einstufung von OpenAI.

Der erste Beweisentwurf ist nicht mehr die knappe Ressource

Kann ein Modell Hunderte mögliche Ergebnisse erzeugen, verschiebt sich mathematische Arbeit zu Prüfung, Erklärung und Einordnung in das Fach. Ein Manuskript kann eine richtige Idee enthalten. Wissenschaftlicher Wert entsteht aber erst, wenn Fachleute die Annahmen verstehen, das Ergebnis mit der Literatur vergleichen und darauf aufbauen können.

Das verändert die Forschungsökonomie. Erzeugung skaliert mit Rechenleistung, sorgfältiges Lesen verbraucht weiterhin die Zeit knapper Spezialisten. Eine Massenveröffentlichung schafft daher Wissen und zugleich eine Warteschlange für eine Gemeinschaft, die das Modell nicht besitzt und den Autor nicht befragen kann.

Lean prüft eine formale Aussage und nicht die ganze Wissenschaft

OpenAI meldet Lean-Formalisierungen für rund 42 % der Hauptergebnisse und räumt mögliche Fehler in nicht formalisierten Arbeiten ein. Drei kurz nach der Veröffentlichung zurückgezogene Manuskripte zeigen, weshalb der Abstand zwischen einem Beweiskandidaten und einem anerkannten Ergebnis wichtig ist.

Auch eine gültige Lean-Formalisierung beantwortet nicht alle Fragen. Prüfer müssen klären, ob die formale Aussage dem bekannten offenen Problem entspricht, ob wichtige Bedingungen fehlen und wie das Ergebnis in die bestehende Mathematik passt. AGMAI bezeichnete die Veröffentlichung deshalb als Beginn menschlichen Verstehens und nicht als dessen Abschluss.

Das Tempo der Korrekturen zeigt, ob hier Wissenschaft entsteht

Aussagekräftiger als die Zahl der PDF-Dateien sind die Versionsgeschichte, zusätzliche Formalisierungen, unabhängige Reproduktionen und verständliche Erklärungen der wichtigsten Ergebnisse. OpenAI verspricht, öffentliche Versionen zu erhalten und weitere Lean-Beweise hinzuzufügen. So lässt sich verfolgen, welche Behauptungen bestehen und wie schnell Fehler behoben werden.

Der zweite Test ist die Beteiligung der Gemeinschaft. Erhalten Mathematiker Werkzeuge, Rechenleistung und Raum für eigene Fragen, kann das Repository das Fach beschleunigen. Erben sie vor allem die Prüfung Hunderter schwer lesbarer Ausgaben, hat das Modell die Manuskriptproduktion beschleunigt und die Rechnung für das Verständnis weitergereicht.

Liliths Urteil

OpenAI hat 719 Kisten mit Manuskripten in die Bibliothek gestellt. Nun zeigt sich, ob darin neue Landkarten der Mathematik liegen oder vor allem Extraschichten für Beweisprüfer.