top of page

17. November 2026

KI löst Probleme, an denen Mathematiker seit Jahrzehnten arbeiten. Was jetzt?


Hat mit KI plötzlich jeder einen Top-Mathematiker in der Hosentasche? In den vergangenen Monaten haben KI-Unternehmen jedenfalls reihenweise Beweise für mathematische Probleme geliefert, an denen sich Menschen seit Jahrzehnten abarbeiten. Was heißt das für Mathematik und Gesellschaft? Darüber haben wir mit dem Unternehmer (und Mathematiker) Christian Pfrang gesprochen.


Ein Interview von Wolfgang Kerler


Wenn du den Stöpsel aus dem Waschbecken ziehst, kann sich am Abfluss ein Wirbel bilden. Wie schnell fließt das Wasser dort? Und in welche Richtung? Das lässt sich mit den Navier–Stokes-Gleichungen berechnen. Sie gehen auf Claude-Louis Navier und George Gabriel Stokes zurück, die im 19. Jahrhundert die Bewegung von Flüssigkeiten mathematisch beschrieben.


Seit Jahrzehnten beschäftigt Mathematiker die Frage, ob diese Gleichungen ausschließlich Strömungen beschreiben, die sich glatt weiterentwickeln, so wie man es in Wirklichkeit erwarten würde. Im September 2026 hat ein Team von KI-Agenten mit einem internen Modell von OpenAI erstmals einen Fall gefunden, wo eine Lösung einen unmöglichen Fall produziert: Eine eigens gewählte Kraft setzt eine zunächst ruhende Flüssigkeit in Bewegung. In der Rechnung entsteht ein Wirbel, in dessen Innerem die Geschwindigkeit über jede Grenze wächst. In echtem Wasser wäre das unmöglich. Der Beweis zeigt also, wo ein mathematisches Modell, das die Welt beschreiben soll, an seine Grenzen kommt – obwohl es für alltägliche Strömungen gut funktioniert.


Am 6. Oktober legte OpenAI nach und veröffentlichte auf einen Schlag einen Katalog, der von KI-Agenten gefundene Beweise, Gegenbeispiele und Teilergebnisse zu rund 370 mathematischen Forschungsfragen enthielt. Zwar konnten nicht alle Ergebnisse mit Computern auf ihre Korrektheit überprüft werden, dennoch schockte die Veröffentlichung die Wissenschaft. So stieß der französische Mathematiker Hugo Duminil-Copin – ein Träger der Fields-Medaille, einer der höchsten Auszeichnungen des Fachs – im Katalog auch auf Beweise, die seine eigene Forschung betrafen. In einer Videokonferenz der französischen mathematischen Gesellschaft erzählte er, dass er in der Nacht nach der Veröffentlichung geweint habe.


Unser Interviewpartner: Von der Wall Street zum Institute for Advanced Study


Wie KI die Mathematik und damit auch unsere Gesellschaft verändern könnte – bzw. bereits verändert –, besprechen wir im 1E9-Interview mit dem Münchner Christian Pfrang, der sich selbst als „nicht praktizierenden“ Mathematiker beschreibt, aber nie das Interesse an seinem ursprünglichen Studienfach verloren hat und sich seit Jahren intensiv mit KI beschäftigt.


Er studierte Mathe an der US-amerikanischen Brown University, handelte danach in New York mit Derivaten und leitete bei einem Investmentfonds in Hongkong den Bereich für mathematische Modelle. Später leitete er die Abteilung „Zukunftswelten“ im bayerischen Digitalministerium. Aktuell organisiert er das Münchner Meetup Lean in Munich, bei dem es darum geht, wie Computer mathematische Beweise prüfen können. Als Unternehmer beschäftigt er sich außerdem mit einer verwandten Frage aus der Wirtschaft. Wie lässt sich überprüfen, ob ein KI-Agent, der autonom ein Geschäft abschließen will, überhaupt dazu berechtigt ist?


Im März nahm Christian Pfrang am Institute for Advanced Study in Princeton, wo schon Kurt Gödel, John von Neumann und Albert Einstein forschten, an einer Ausgabe des Seminars Mathematical Folklore teil. Dort ging es anhand von Originaltexten etwa von Kepler und Newton darum, wo mathematische Ideen herkommen und warum Menschen bestimmte Fragen überhaupt stellen. In einem Essay über seinen Besuch verbindet Christian Pfrang diese Fragen mit der Verunsicherung, die KI gerade in der Mathematik auslöst. Für das Interview hat er uns im 1E9-Büro in München besucht.


1E9: Christian, wenn OpenAI plötzlich Hunderte Beweise zu mathematischen Forschungsfragen veröffentlicht, frage ich mich als Nicht-Mathematiker erstmal: Was sind das überhaupt für mathematische Probleme, um die es dabei geht? Und warum sollten sich Normalsterbliche dafür interessieren?


Christian Pfrang: Ich habe drei Antworten darauf. Erstmal sind das teilweise Fragen, die die mathematische Community seit Jahren und Jahrzehnten umtreiben. Fragen an der Grenze dessen, was für Menschen bisher durchdenkbar war. Ein Beispiel sind die Navier–Stokes-Gleichungen. Sie beschreiben das Verhalten von Flüssigkeiten. Die Frage dazu ist, wann so ein Modell, das ich von der Welt habe, eigentlich zusammenbricht. OpenAI hat mit KI nun ein Beispiel gefunden, bei dem sich die Flüssigkeit laut Modell so verhalten würde, wie man es von einer realen Flüssigkeit eigentlich nicht erwartet.


Wir verstehen jetzt also besser, unter welchen Bedingungen das Modell die Wirklichkeit nicht mehr korrekt beschreiben kann?


Christian Pfrang: Genau. Wir haben einen Aspekt eines Modells besser verstanden, das wir normalerweise auf die Welt anwenden. Der zweite Teil meiner Antwort kommt mir in der Diskussion um KI-Mathematikbeweise bisher ein bisschen zu kurz. Welche Werkzeuge bekommen Menschen jetzt in die Hand, die sie vorher nicht hatten?


Wenn bisher ein Mensch einen mathematischen Beweis geliefert hat, musste man sich irgendwie davon überzeugen, dass dieser richtig ist. Das erforderte unglaublich viel Hintergrundwissen – und die Leute, die sowas können, sind rar. Wenn du von außerhalb der Mathematik kamst und ein Ergebnis hattest, musstest du erstmal jemanden davon überzeugen, dass es sich lohnt, seine Zeit in die Prüfung deines Beweises zu stecken.


Es gab also schlicht zu wenige Leute, die so einen Beweis überprüfen konnten?


Christian Pfrang: Genau. Und jetzt bekommen zum Beispiel Ingenieure oder Volkswirte Werkzeuge, mit denen sie ihre eigenen Einsichten erst in mathematische Modelle übersetzen und diese dann mithilfe von KI überprüfen können. Ich glaube, das wird sich in ganz verschiedenen Wissensbereichen verbreiten und wahnsinnig viel Positives bewirken.


Jetzt gibst du dem Molekularbiologen sozusagen per KI einen Fields-Medaillisten in die Tasche

Hast du ein Beispiel dafür, welche positiven Effekte das haben könnte?


Christian Pfrang: In der Robotik gibt es Stabilitätsfragen, die im Einzelnen extrem kompliziert sind. Oder nimm Cybersicherheit. Wie stelle ich unter Millionen Einstellungen in einem komplexen Netzwerk sicher, dass die Berechtigungen sich zusammen so verhalten wie ich das intendiere? Wenn ich das mathematisch beweisen kann, habe ich diese Frage geklärt.


Oder die Molekularbiologie. Da war es früher unglaublich schwierig, Experten, die 15 Jahre Molekularbiologie gemacht haben, und Experten, die 15 Jahre Mathematik gemacht haben, zusammenzubringen. Aber jetzt gibst du dem Molekularbiologen sozusagen per KI einen Fields-Medaillisten in die Tasche und lässt ihn einfach mal loslaufen. Das halte ich für unglaublich positiv.


Das klingt gut, aber verrate uns jetzt noch den dritten Teil deiner Antwort auf die Anfangsfrage.


Christian Pfrang: Der ist etwas weniger konkret. Ich glaube, wir bewegen uns intellektuell in einer ähnlichen Welt wie in den 1920er-, 1930er- und 1940er-Jahren. Damals haben sich Menschen gefragt, wo die Grenzen dessen liegen, was wir erfahren und denken können. Russell, Hilbert, Gödel – da gab es ganz verschiedene Ansätze, die miteinander im Streit lagen.


Die sogenannten Formalisten waren zum Beispiel der Ansicht, dass sich die Mathematik auf feste Regeln gründen lässt. Umstritten war, ob man mit solchen Regeln jede mathematische Frage beantworten kann, ohne dabei auf Widersprüche zu stoßen.


Jetzt stellen sich solche Fragen auf eine andere Art wieder. Du könntest in einem gewissen Sinne sagen, die Formalisten haben gewonnen. Mathematik ist tatsächlich von Maschinen lösbar, nur nicht so, wie sich das alle dachten. Ich sage das jetzt mal sehr brutal.


Schauen wir uns genauer an, wieso KI inzwischen so gut in Mathematik ist: Wie kommt die KI zu einem Beweis? Kannst du das vereinfacht erklären?


Christian Pfrang: Eine wichtige Grundlage ist eine Programmiersprache namens Lean. Sie kommt aus der Tradition der Theorembeweiser, also von Programmen, die mathematische Beweise prüfen können. Das funktioniert so: Ich schreibe die mathematische Aussage und den Beweis in derselben formalen Sprache auf. Der Theorembeweiser prüft dann, ob der Beweis tatsächlich zu der Aussage führt. Er ist sozusagen der Häkchenchecker.


Jetzt kann die KI einen Beweis in Lean schreiben, und Lean prüft anschließend, ob er aufgeht. Dieser Rhythmus aus Vorschlag und Überprüfung macht KI-Systeme so effektiv. Wenn mir die KI einen Beweis mit 13 Millionen Zeilen hinschmeißt, bringt mir das erstmal nichts. Wenn sie ihn aber in Lean schreibt, kann Lean prüfen, ob die einzelnen Schritte stimmen.


Bei einem Beweis in Lean kann ich die Prüfung also komplett dem Computer überlassen?


Christian Pfrang: Genau. Aber es ergeben sich neue Schwierigkeiten, die man nicht verschweigen sollte. Lässt man die KI, die Beweise liefern soll, auch die Aussagen formulieren, die sie beweisen soll? Falls ja, kann das dazu führen, dass sie in die Aussage ein Osterei einbaut, um die Belohnung zu bekommen. Ähnliches gilt auch für die Beweise, selbst wenn sie „verifiziert“ sind: Welche Ideen stecken da drin, wie verdaut man als Mathematiker einen Computerbeweis mit Millionen Zeilen?


Aussagen formulieren? Ostereier? Das musst du genauer erklären.


Christian Pfrang: In einem wissenschaftlichen Paper bleiben manchmal Fragen offen, die sich vielleicht mathematisch beantworten lassen. Ich kann eine KI den Artikel lesen lassen und ihr sagen: Such diese Fragen und schreib sie so auf, dass man versuchen kann, die Aussagen zu beweisen. Das kann ich dann mit oder ohne KI versuchen.


Dieser Übergang von Syntax zu Semantik ist eine Stelle, an der menschliches Verständnis extrem wichtig bleibt.

Aber wer schaut nach, ob die KI wirklich das aufgeschrieben hat, was der Mensch im Artikel gemeint hat? Wenn die KI dafür belohnt wird, dass sie einen Beweis findet, kann sie sich die Aufgabe schon beim Aufschreiben leichter machen. Das meine ich mit dem Osterei. Vielleicht hat sie beim Übersetzen auch eine Bedingung vergessen, etwa dass eine Zahl größer als null sein soll. In beiden Fällen kann der Beweis stimmen und trotzdem eine andere Frage beantworten.


Dieser Übergang von Syntax zu Semantik ist eine Stelle, an der menschliches Verständnis extrem wichtig bleibt. Lean kann prüfen, ob der Beweis zu der Aussage passt, die da steht. Ob diese Aussage auch das trifft, was der Mensch im Artikel gemeint hat, ist die Stelle, an der es menschliches Verständnis braucht.


Was macht das alles mit der Arbeit der Mathematiker?


Christian Pfrang: Es werden sich neue Arbeitsweisen herausbilden. Die Leute, deren Forschungsgebiete von der Veröffentlichung von OpenAI betroffen sind, müssen sich schon jetzt überlegen, wie sie mit dem Code umgehen und wie sie persönlich weitermachen sollten.


Können sie denn überhaupt noch Betätigungsfelder finden?


Christian Pfrang: Ich habe viel Sympathie für den Gedanken von Kevin Buzzard, dass Mathematik unendlich ist. Er ist Mathematikprofessor am Imperial College London und arbeitet daran, Beweise mit Lean überprüfbar zu machen.


Wir haben mit KI eine Schwelle erreicht, die uns weiterbringt. Das ist in der Mathematik immer wieder passiert. Im 19. Jahrhundert mit der nichteuklidischen Geometrie hat plötzlich jemand gesagt: Ein Dreieck muss gar keine Winkelsumme von 180 Grad haben. Man hat danach mit einer ganz anderen Brille auf die Mathematik geschaut.


Irgendwann kommen wir auch mit diesen neuen Werkzeugen wieder an einen Rand. Dann gibt es neue spannende Fragen, für die wir neue Werkzeuge brauchen.


Sicher ist das allerdings noch nicht. Buzzard schreibt auch darüber, wie manche Mathematiker mit diesen Entwicklungen hadern. Die Frage stellt sich ja in vielen Berufen. Warum soll ich etwas lernen, das eine KI in Minuten erledigt und mich Tage kostet? Wenn es irgendwann keiner mehr lernt, wer kann dann noch einordnen, was die KI da macht? Und wer soll dann die neuen Werkzeuge, die wir vielleicht brauchen, entwickeln?


Christian Pfrang: Das Wort „Glaubenskrise“ finde ich in diesem Zusammenhang spannend. Ich glaube, das ist auch eine Krise der Institutionen. Die Mathematik ist vielleicht die erste Disziplin, in der dieses Problem mit seiner ganzen Wucht aufschlägt. Institutionen sind so gebaut, dass sie bestimmte Engpässe lösen. Wenn sich einer davon auflöst, stellt das infrage, wie sie aufgebaut sind, aber es macht doch nicht die Mathematik überflüssig.


Hier, ich habe ein Problem gelöst, ich glaube, das ist wichtig.

Mal ganz blöd gesagt: Wir müssen damit rechnen, dass plötzlich tausend oder zehntausend Leute bei Universitäten oder Forschungsinstituten anklopfen und sagen: Hier, ich habe ein Problem gelöst, ich glaube, das ist wichtig. Diese Leute müssen viel ernster genommen werden. Und eigentlich müsste die Mathematik es als etwas Gutes ansehen, wenn sich plötzlich mehr Menschen mit dem Fach beschäftigen können.


Was mit den Fähigkeiten passiert, ist eine offene Frage. Als nicht praktizierender Mathematiker würde ich sagen: Jeder Mathematiker ist gegenüber einem großen Teil seiner eigenen Disziplin blind. Du wirst Algebraiker oder Analytiker oder machst Differentialgeometrie. Selbst in deinem eigenen Seminar verstehen viele nicht, wovon du redest. Wenn ich jetzt fragen kann, wie das, was ich in der Dynamik mache, zur Zahlentheorie passt, und ich das vielleicht in fünf Wochen statt in fünf Jahren verstehe, finde ich das unglaublich anregend.


Als ich deinen Essay über deinen Besuch beim IAS und die aktuellen Debatten in der Mathematik gelesen habe, kam mir die Mathematik stellenweise wie ein Elfenbeinturm vor. Warum fremdelt sie ausgerechnet mit Technologien, die selbst auf Mathematik beruhen?


Christian Pfrang: Ich glaube, zur Wahrheit gehört, dass sich im 20. Jahrhundert eine gewisse Arbeitsteilung zwischen reiner und angewandter Mathematik entwickelt hat. Bei neuronalen Netzen blieb die reine Mathematik lange auf Distanz, obwohl die Technik längst zeigte, was sie kann. Man konnte beobachten, dass die Netze lernten. Aber man konnte kaum beweisen, wie sie das machten. Und in der reinen Mathematik macht man sich mit Beweisen einen Namen, nicht mit funktionierender Technik.


In Zukunft werden sich Mathematiker, glaube ich, stärker fragen müssen: Was treibt mich eigentlich an? Will ich die Welt besser verstehen? Sehe ich in einem mathematischen Objekt etwas besonders Schönes? Ich glaube, das sind die Dinge, die viele Leute überhaupt zur Mathematik bringen, ganz unabhängig davon, wie die Institutionen aktuell funktionieren.


Was sind die Fragen, die unsere Arbeit überhaupt motivieren?

Am Institute for Advanced Study gab es ein Seminar namens Mathematical Folklore. Da haben sie Kepler und Newton im Original gelesen und sich gefragt: Wie entsteht mathematisches Wissen? Was sind die Fragen, die unsere Arbeit überhaupt motivieren? Wenn es solche Seminare an mehr Universitäten gäbe, würde ich das als Zeichen sehen, dass sich die Mathematik auf dieses neue Zeitalter einlässt.


Du beschreibst dieses neue Zeitalter bisher sehr positiv, aber es entstehen doch auch neue Herausforderungen. Für die schwierigsten mathematischen Probleme braucht man KI-Modelle, die enorme Rechenressourcen voraussetzen. Selbst Universitäten und Forschungseinrichtungen stehen die teilweise gar nicht zur Verfügung. Können die KI-Unternehmen künftig bestimmen, welche mathematische Forschung Vorrang bekommt?


Christian Pfrang: Private Forschungslabore haben auch in der Vergangenheit viel zur Mathematik beigetragen, aber sie entscheiden natürlich auch danach, welche Forschung sich für ihr Unternehmen lohnen könnte. Das gibt ihnen Einfluss. Aber bestimmen sie damit, welche Fragen der Rest der Mathematik verfolgt? Ich würde sagen: Nein. Mich kann keiner davon abhalten, Mathematik zu machen – mit oder ohne KI. Niemand hat ein Vorrecht darauf, mathematische Wahrheiten zu entdecken.


Für mich ist die Frage, wie sich die Mathematik als Institution auf das neue Zeitalter einstellt, viel wichtiger. Die Art und Weise, wie Mathematiker über die Jahrtausende miteinander kommuniziert und gearbeitet haben, hat einige der talentiertesten Menschen dazu gebracht, sich ihr Leben lang mit bestimmten abstrakten Fragen zu beschäftigen, und in manchen Fällen Wissenschaften und gesellschaftliche Entwicklungen langfristig beschleunigt oder zumindest stark beeinflussten.


Wie es der Mathematik gelungen ist, diese Neugier zu wecken und ihr so viel Raum zu geben, verstehen wir selbst nicht so genau. Wie erhalten wir das unter den neuen Bedingungen? Mit solchen Fragen sollte sich die mathematische Community meines Erachtens beschäftigen.

Wolfgang Kerler

Wolfgang Kerler

Chefredakteur

554

Cooler Artikel!

NewBot3.png
Job, der Bot

Das dürfen leider nur 1E9-Mitglieder.

Werde 1E9-Mitglied, um diesen Artikel weiterzulesen!

NewBot3.png

1E9 bietet dir gut recherchierten Journalismus, Newsletter und Podcasts über Zukunftstechnologien, dazu inspirierende Events und eine Community von Menschen, die Zukunft gestalten wollen.

Job, der Bot
NewBot3.png
Job, der Bot

Wir freuen uns immer über Feedback, als Mitglied kannst du auch kommentieren.

Hi, ich bin Job, der Bot! Konntest du mit diesem Artikel etwas anfangen?

NewBot3.png
Job, der Bot

Das freut mich zu hören!

Darf ich fragen warum?

Leider gab es einen Fehler. Bitte probiere es später noch einmal!

Kommentare

Deine Meinung teilenJetzt den ersten Kommentar verfassen.

Weiter bei 1E9...

Überschrift 3

Cooler Artikel!

Überschrift 3

Artikel

Überschrift 3

Cooler Artikel!

Überschrift 3

Cooler Artikel!

51e58765-6232-481b-b6ea-f28c1943db4e

6afc043d5e9dad41d98dd779

bottom of page