Am 20. Mai 2026 ist etwas passiert, das die Mathematik-Welt seit Tagen diskutiert: Ein internes Reasoning-Modell von OpenAI hat eine 80 Jahre alte Vermutung widerlegt, an der sich Generationen von Mathematikern abgearbeitet haben. Fields-Medaillen-Traeger Tim Gowers nennt das Ergebnis “einen Meilenstein der KI-Mathematik”.
Bevor jetzt die Schlagzeilen “KI ersetzt Mathematiker” durch die Timeline rauschen: Wir ordnen ein, was wirklich passiert ist, warum es trotzdem ein grosser Moment ist — und vor allem, was das ganz praktisch fuer die KI-Tools bedeutet, mit denen du jeden Tag arbeitest.
Was wurde widerlegt?
Es geht um die Unit-Distance-Vermutung, die der ungarische Ausnahme-Mathematiker Paul Erdős bereits 1946 formuliert hat. Die Frage dahinter klingt simpel:
Wenn du
nPunkte in der Ebene verteilst — wie oft kann der Abstand zwischen zwei Punkten exakt gleich gross sein?
Jahrzehntelang galt die Ueberzeugung: Die besten Konstruktionen sind im Grunde Gitter-Anordnungen (man denke an ein quadratisches Raster). Genau diese Annahme hat das OpenAI-Modell jetzt gekippt.
Es fand eine unendliche Familie von Konstruktionen, die die bisher vermutete Schranke um einen klaren Polynomfaktor schlaegt — nach der spaeteren Verfeinerung durch Will Sawin (Princeton) um den Faktor n hoch 1,014. Klingt nach wenig, ist mathematisch aber eine Sensation: Es beweist, dass die “offensichtliche” Loesung eben nicht optimal war.
Das Bemerkenswerte: Der Beweis bringt Werkzeuge aus der algebraischen Zahlentheorie in eine eigentlich elementare geometrische Frage ein — eine Verbindung, auf die Menschen bisher schlicht nicht gekommen waren.
Wer hat das geprueft? (Der wichtigste Teil)
Hier liegt der Unterschied zwischen Hype und Substanz. Bei KI-“Durchbruechen” ist die entscheidende Frage immer: Wurde das unabhaengig verifiziert?
In diesem Fall: ja, und zwar gruendlich.
- Das erste Paper stammt von Lijie Chen — mit rechnerischer Unterstuetzung durch das OpenAI-Modell.
- Ein Begleitpapier mit dem Titel “Remarks on the disproof of the unit distance conjecture” wurde von neun der renommiertesten Mathematiker des Feldes unterzeichnet:
| Mathematiker:in | Institution / Renommee |
|---|---|
| Tim Gowers | Fields-Medaille |
| Noga Alon | Kombinatorik-Legende |
| Thomas Bloom | Zahlentheorie |
| Daniel Litt | Algebraische Geometrie |
| Will Sawin | Princeton (Verfeinerung des Faktors) |
| Arul Shankar | Zahlentheorie |
| Jacob Tsimerman | Mathematik-Professor |
| Victor Wang | Kombinatorik |
| Melanie Matchett Wood | Harvard |
Wenn neun Spitzen-Mathematiker:innen — darunter ein Fields-Medaillen-Traeger — ihren Namen unter ein Ergebnis setzen, ist das keine PR-Nummer. Es ist echte, gepruefte Mathematik.
Warum das ein echter Meilenstein ist
Drei Gruende, warum dieser Moment ueber die uebliche Benchmark-Show hinausgeht:
1. Es ist neues Wissen, nicht reproduziertes
Die meisten KI-Leistungen, die du kennst, sind im Kern Wiedergabe und Kombination von bereits Bekanntem — beeindruckend, aber innerhalb des Trainings-Korpus. Hier hat ein Modell etwas gefunden, das vorher niemand wusste und das jahrzehntelang als unmoeglich anders galt.
2. Es verbindet entfernte Felder
Der kreative Sprung lag darin, algebraische Zahlentheorie auf ein geometrisches Problem anzuwenden. Genau diese Faehigkeit, weit auseinanderliegende Wissensgebiete zu verknuepfen, gilt als Kern echter Problemloesung — und als das, was KI bisher am schwersten fiel.
3. Der Mensch blieb im Loop
Das Modell lieferte den Konstruktions-Schritt. Aber Formalisierung, Einordnung und Verifikation kamen von Menschen. Das ist die gesunde Arbeitsteilung, die auch in deinem Alltag gilt: KI als Generator von Kandidaten, Mensch als Pruefinstanz.
Was das fuer deine Tools bedeutet (der Praxis-Teil)
Jetzt der Teil, der dich konkret betrifft. Dieselbe Reasoning-Faehigkeit, die hier ein 80 Jahre altes Problem knackt, ist kein Laborexperiment im luftleeren Raum — sie sickert direkt in die Modelle, die du fuer Coding, Analyse und Recherche nutzt.
Einordnung: Reasoning-Modelle werden in den naechsten Monaten spuerbar besser darin, mehrstufige Probleme zu loesen — also Aufgaben, bei denen man mehrere logische Schritte sauber aneinanderreihen muss. Das betrifft Vertragsanalyse, komplexe Datenauswertung, mehrstufige Coding-Refactors und Recherche-Ketten.
Drei praktische Konsequenzen:
1. Trau den Antworten — aber pruefe sie. Je ueberzeugender Modelle argumentieren, desto gefaehrlicher werden die seltenen Faelle, in denen sie danebenliegen. Der Erdős-Beweis funktioniert nur, weil neun Menschen ihn verifiziert haben. Uebertrage dieses Prinzip auf deinen Alltag: Bei wichtigen Ergebnissen bleibt die menschliche Pruefung Pflicht. Wie KI-Modelle ueberhaupt zu ihren Aussagen kommen, erklaert der Grundlagen-Beitrag Was ist ein LLM?.
2. Reasoning kostet — und lohnt sich gezielt. Tiefe Schlussfolgerungen brauchen Rechenzeit und Tokens. Setze die teuren Reasoning-Modi dort ein, wo der mehrschrittige Gedankengang wirklich zaehlt, und nimm fuer Routine-Jobs guenstigere Modelle.
3. Der Abstand zur Forschung schrumpft. Was heute in einem OpenAI-Labor passiert, ist oft in 6-12 Monaten in den Produktmodellen. Wer die grossen Linien verstehen will, findet im Stanford AI Index 2026 die belastbaren Zahlen zum Tempo dieser Entwicklung.
Die noetige Portion Skepsis
Damit wir ehrlich bleiben — drei Einordnungen gegen den Hype:
- Ein Problem ist kein “die Mathematik ist geloest”. Es ist ein (allerdings beruehmtes) Resultat in einem riesigen Feld.
- “Internes Modell” heisst: nicht oeffentlich nutzbar. Was hier glaenzte, ist nicht das ChatGPT, das du morgen oeffnest — sondern ein Spezial-Setup mit massiver Rechenleistung.
- Der Mensch war zentral. Ohne Lijie Chen und das Verifikations-Team gaebe es kein Ergebnis, nur einen unbestaetigten Vorschlag.
Wer tiefer verstehen will, wohin diese Reasoning-Entwicklung laeuft, findet im Beitrag KI-Weltmodelle erklaert den naechsten grossen Baustein.
Fazit: Ein echter Moment — richtig eingeordnet
OpenAIs Erdős-Durchbruch ist kein Marketing-Trick, sondern gepruefte, neue Mathematik — und damit ein ehrlicher Meilenstein fuer KI-Reasoning. Gleichzeitig ist er kein Beweis, dass KI Mathematiker ersetzt, sondern dass sie ein extrem maechtiges Werkzeug in deren Haenden wird.
Fuer dich als Anwender:in ist die Lehre simpel: Die Modelle werden im Schlussfolgern besser — nutze das gezielt, und behalte die Pruefung in deiner Hand. Genau diese Kombination wird 2026 zum entscheidenden Skill.
