Ein Modell, das heimlich Navier-Stokes löst, und die Bedrohung durch automatisierten Diebstahl

Perex: OpenAI löste die Navier-Stokes-Gleichung, eines der Millennium-Probleme der Mathematik. Die Feierlichkeiten werden jedoch durch Anschuldigungen getrübt, das Unternehmen sei Forschern der NYU und von Anthropic absichtlich zuvorgekommen, nachdem es erfahren hatte, dass diese kurz vor einer Lösung standen.

Wie ein Gerücht eine 15-Millionen-Dollar-Offensive auslöste

Laut dem Mathematiker Tristan Buckmaster und seinem Kollegen Levent Alpöge (Anthropic) hatte das Duo fast ein Jahr lang an dem Problem gearbeitet. Sie verwendeten dafür Claude und Codex (insbesondere GPT-5.6 Sol). Im August gelang ihnen ein Durchbruch. In der mathematischen Gemeinschaft verbreitete sich ein Gerücht. OpenAI erfuhr Anfang September von einer Lösung für ein großes Problem von Anthropic. Innerhalb weniger Tage startete das Unternehmen einen massiven Angriff. Das neue Modell generierte 2,7 Millionen Nachrichten und 130 Milliarden Token. Das Ergebnis? OpenAI gab die Lösung des Problems kurz vor der Veröffentlichung des Preprints durch die Akademiker bekannt. Wenn OpenAI für diese Leistung die öffentlichen API-Preise für GPT-6 Astra zahlen würde, lägen die Kosten bei 15 Millionen Dollar.

Was das für Forschung und Sicherheit bedeutet

Diese Situation ist eine Warnung für alle, die an bahnbrechender Forschung arbeiten. OpenAI verteidigt sich mit dem Argument, man habe keinen Zugang zu den Daten der Akademiker gehabt und lediglich auf der Grundlage des Gerüchts gehandelt. Doch schon die Information, dass ein Problem lösbar (oder bereits gelöst) ist, stellt in der Ära leistungsstarker LLMs einen enormen Vorteil dar. Sobald OpenAI wusste, dass eine Lösung für Navier-Stokes existierte, konnte das Unternehmen gewaltige Rechenleistung einsetzen, um einen eigenen Beweis zu finden. Es ist ähnlich wie bei der Cybersicherheit. Allein die Meldung über eine ungepatchte Sicherheitslücke kann ausreichen, damit Agenten sie entdecken.

Fragen zu Daten und Training

Der Fall wirft eine weitere brennende Frage auf. OpenAI schwört, den Workflow der Akademiker in Codex nicht gelesen zu haben. Das Unternehmen räumt jedoch gleichzeitig ein, dass de-identifizierte Daten aus deren Arbeit zur Verbesserung der Modelle beigetragen haben könnten. Dies weckt Zweifel. Wenn Sie ein kommerzielles Modell verwenden, um ein mathematisches Problem zu lösen, besteht die Möglichkeit, dass das Modell aus Ihren Schritten lernt. Kann dasselbe Tool dann früher oder später jemand anderem helfen, dasselbe Problem schneller zu lösen? Simon Willison stellt zu Recht die Frage, wie groß das Risiko ist, dass die eigene Arbeit die Arbeit eines Konkurrenten erleichtert.

Die Transparenz von Verfahren wird entscheiden, nicht rohe Gewalt

Der wahre Maßstab für die Entwicklung der Situation wird nicht sein, wer mehr für Token ausgibt, sondern wie die Spielregeln für die Forschung mit proprietären Modellen festgelegt werden. Wenn Labore wie OpenAI ähnliche Kontroversen vermeiden wollen, müssen sie viel klarer definieren, was Nichtverwendung von Benutzerdaten bedeutet. Für Forscher ergibt sich daraus eine klare Lektion. Die Arbeit an einer bahnbrechenden Entdeckung über die Schnittstelle eines Modells, das Ihnen nicht gehört, birgt das Risiko, dass Ihr Werkzeug Sie am Ende selbst besiegt.

Liliths Urteil

Das Problem ist nicht, dass jemand anderes Erster ist. Es besteht darin, dass Cloud-Modelle praktisch als Nachrichtendienst für die Entwickler fungieren, denen Sie Ihre Forschung anvertrauen, wenn OpenAI Signale über Durchbrüche nutzt.