OpenAIs behaupteter Navier–Stokes-Durchbruch bündelt verschiedene Urteile in einer Schlagzeile. Die Firma sagt, ein internes KI-System habe in 88 Stunden eine Singularität in endlicher Zeit konstruiert, gefolgt von Lean-Formalisierung. Ob die formale Aussage zur offiziellen Aufgabe passt, Fachleute das Argument akzeptieren und wem Anerkennung zusteht, sind getrennte Fragen. Die berichtete Arbeit hatte den üblichen mathematischen Prüfprozess noch nicht abgeschlossen.
Das Heidelberg Laureate Forum im September machte die Spannung sichtbar. Forscher verteidigten nicht bloß menschliches Problemlösen gegen Maschinen. Sie fragten, ob schnelle überprüfbare Antworten auch Verständnis, faire Zuschreibung und gemeinsame wissenschaftliche Fähigkeiten schaffen oder Firmen mit proprietären Modellen bestimmen lassen, welche Probleme als Fortschritt zählen.
Die Behauptung betrifft ein genaues Gegenbeispiel, nicht jede Strömung
Navier–Stokes-Gleichungen beschreiben Flüssigkeiten als kontinuierliches Material statt einzelne Moleküle zu verfolgen. Sie bleiben für Flugzeuge, Wetter, Wasser und Blutströmung nützlich. Die schwierige Frage betrifft glatte dreidimensionale inkompressible Strömung: Bleiben glatte Anfangsbedingungen glatt, oder kann etwa Geschwindigkeit in endlicher Zeit unbeschränkt werden? Die glättende Viskosität erschwert ein zulässiges Gegenbeispiel.
OpenAI sagt, es habe einen einwärts spiralisierenden, zunehmend gestreckten Wirbel konstruiert, dessen Zentrum bei steigender Geschwindigkeit schrumpft und dessen Gesamtenergie endlich bleibt. Entscheidend ist eine glatte äußere Kraft, die laut Firma auch bei divergierender Geschwindigkeit glatt bleibt. Beansprucht werden zwei im offiziellen Millennium-Problem erlaubte Gegenbeispielformulierungen. Daraus darf weder eine Lösung aller kraftfreien Varianten noch die Behauptung werden, Strömungsgleichungen seien einfach „falsch“.
Laut Firma begann das Projekt am 1. September 2026 nach Gerüchten über Fortschritte bei verwandten Fluidgleichungen. Ein unveröffentlichtes internes Modell wurde auf sämtliche offenen Millennium-Probleme und verwandte Fragen angesetzt. Etwa 10.000 gleichzeitige Agenten erkundeten Beweis- und Widerlegungswege mit Werkzeugen und begrenztem Austausch. Das Ergebnis sei am 5. September nach rund 88 Stunden entstanden; GPT-6 Astra habe weitere 17 Stunden für Lean-Formalisierung und Prüfung gebraucht.
Für Navier–Stokes meldete OpenAI 2,7 Millionen Nachrichten und etwa 130 Milliarden Ausgabe-Token, für alle versuchten Probleme 4,9 Millionen und rund 300 Milliarden. Diese nicht unabhängig geprüften Firmenzahlen beschreiben eine koordinierte Suche mit Vorschlägen, Fehlschlägen und Kontrollen, keinen einzelnen Chatprompt. Das erzeugende Modell sei stärker als öffentliches Astra. Papier und Beweis ermöglichen daher nicht, dass gewöhnliche Nutzer die Suche reproduzieren.
Was Lean prüfen kann und was es nicht entscheidet
Lean formuliert Mathematik durch explizite Definitionen und Regeln und prüft formale Schritte anhand akzeptierter Grundlagen. Es kann logische Lücken schließen, die Textprüfer übersehen. Fachleute müssen trotzdem bestätigen, dass kodierte Aussage und Annahmen die gemeinte Millennium-Aufgabe sind. Formale interne Konsistenz schafft nicht automatisch Einigkeit über Reichweite und Interpretation.
Ein Prüfer kann auch keine Priorität zuweisen, Strategiequellen rekonstruieren oder angemessene Danksagung beurteilen. Er macht ein Argument nicht anschaulich und entscheidet nicht, ob Ideen lehrbar, wiederverwendbar und erweiterbar sind. Ein langer formaler Beweis kann gültig sein, obwohl kaum jemand seinen Aufbau versteht. Das ist ein Verständnisproblem, kein Grund, Computerhilfe abzulehnen.
Clay verlangt qualifizierende Veröffentlichung, breite mathematische Akzeptanz und mindestens zwei Jahre strenger Prüfung vor detaillierter Preisevaluation. OpenAI will den Preis nicht beanspruchen. Geldverzicht verkürzt weder Prüfung noch schafft er sofort Konsens. Unabhängige Spezialisten müssen formales Theorem, lesbare Konstruktion und Vorarbeiten vergleichen.
Geordie Williamson warnte vor einer Trennung von Problemlösung und Verständnis, während Karrieren weiter gelöste Fragen belohnen. Jacob Tsimerman betonte den schnellen Fähigkeitszuwachs und die Bedeutung einer Navier–Stokes-Lösung. Peter Scholze bezweifelte den Eigenwert schnellerer Produktion bei bereits knappem Verständnis. Das betrifft den Inhalt mathematischen Fortschritts, nicht bloß Optimismus gegen Angst.
Prioritätsvorwürfe sind keine technische Widerlegung
OpenAI verband die anstoßgebenden Gerüchte mit Tristan Buckmaster von der NYU und Anthropic-Mitarbeiter Levent Alpöge. Beide arbeiteten an einem verwandten Euler-Problem mit äußerer Kraft. Euler-Gleichungen enthalten keine Viskosität; dieses Projekt ist nicht mit der angekündigten Navier–Stokes-Behauptung austauschbar. OpenAI sagt, Agenten hätten zuvor unabhängig ein kraftfreies Euler-Ergebnis mit anderen Methoden erhalten, räumt aber eine verwandte Forcierungsstrategie im breiteren Ansatz ein.
Die Firma bestreitet, dass Beteiligte die private Arbeit des Paares vor Abschluss sahen. Eine interne Untersuchung habe auch Einfluss früherer Codex-Prompts Buckmasters durch Training oder andere Wege ausgeschlossen. Buckmaster widersprach dem Ablauf und äußerte Bedenken über Druck, Autorschaft und Kommunikation. Scientific American berichtete seine Überzeugung, OpenAI habe vor der Entwicklung vom Fortschritt erfahren; OpenAI-Mathematiker Sébastien Bubeck bestritt die Nutzung ihrer Prompts oder Beweise.
Frühere Beiträge zur Forcierung von Diego Córdoba und Luis Martínez-Zoroa gehören ebenfalls zur Geschichte. Córdoba sagte, die behauptete Fertigstellung habe sie überrascht. Höhere Mathematik entwickelt sich über Methoden, Teilergebnisse, Gespräche und teils unveröffentlichte Ideen. Zuschreibung signalisiert Neuheit und beeinflusst Stellen, Förderung, Einladungen und Ansehen. Alles einem Modell zuzuschreiben verdeckt diese Kette.
Zwei Fragen bleiben verschieden. Öffentlich war unzulässiger Zugriff auf unveröffentlichte Materialien nicht abschließend belegt; OpenAI bestreitet ihn. Kritik an Kommunikation, Zuschreibung oder Machtgefällen verlangt diesen Beweis nicht. Williamson kritisierte das Verhalten stark; Michael Harris beschrieb Berichte, die die Firma als einschüchternd und normverletzend darstellten. OpenAI hatte IEEE vor Veröffentlichung nicht geantwortet. Das widerlegt das Theorem nicht, ebenso wenig wie Höflichkeit einen falschen Beweis validieren würde.
Proprietäre Ressourcen verändern den Wettbewerb
Mathematik bietet Firmen attraktive Tests: Formale Antworten sind oft objektiver prüfbar als Essays oder Prognosen, bekannte Probleme erzeugen Öffentlichkeit. Anthropic soll ein internes Claude an der Riemannschen Vermutung getestet haben, ohne sie zu lösen, aber mit Fortschritt bei einer verwandten Schranke. Google und Spezialprojekte verfolgen Beweise, Formalisierung und Entdeckung ebenfalls. Nicht alles sind abgeschlossene Millennium-Lösungen.
Scholze befürchtete, Benchmarks und Öffentlichkeitsarbeit lenkten Aufmerksamkeit auf erkennbare Ziellinien. Theorieaufbau, Verbindungen und begriffliche Klärung reifen mitunter Jahrzehnte ohne berühmten Endpunkt. Folgen Förderung und Einstellung sichtbaren Maschinenlösungen, kann wissenschaftlich wichtige Arbeit Unterstützung verlieren.
IEEE berichtete Mita Ramabulanas Sorge, nachdem zwei angekündigte Fortschritte mit seiner Forschung überlappten: Jemand könnte eine Forscherfrage an ein Modell geben und zuerst publizieren. Kryptografie-Doktorandin Ailsa Robertson beschrieb hohe Ausgaben von Kollegen für Modellzugang und den Druck, beim Stellenwettbewerb mitzuziehen. Der Bericht nannte außerdem 100.000 von OpenAI angebotene Frontier-Modell-Lizenzen für Akademiker.
Zugangsprogramme helfen und lassen dennoch eine Asymmetrie: Universitäten nutzen öffentliche Werkzeuge einer Firma, die mit stärkeren internen Systemen konkurriert. Teure Instrumente schaffen längst Ressourcenunterschiede. Öffentliche oder internationale Großanlagen unterliegen aber anderer Governance als proprietäre Dienste, die sich ändern, Zugang entziehen oder Spitzenfähigkeiten zurückhalten können. Die relativ niedrige Ausrüstungsschwelle der Mathematik verschiebt sich.
Einstellungs- und Autorenschaftssignale brauchen deshalb Offenlegung. Konventionelle Aufsätze können sehr unterschiedliche automatisierte Exploration, Formalisierung oder Entdeckung und ungleichen Zugang verbergen. Journale und Hochschulen benötigen Herkunftsangaben, die übliche Hilfe von substanziellen Beiträgen unterscheiden, statt jede Modellnutzung gleichzusetzen.
Verifikation braucht einen lesbaren und verantwortbaren Prozess
Mathematik akzeptiert Berechnung bereits, vom erschöpfenden Prüfen des Vierfarbensatzes bis zu großen Beweisassistentenprojekten. Neu ist der Maßstab: Formale Objekte könnten schneller eintreffen, als Spezialisten sie verstehen, und Prüf- sowie Erklärungsrückstände erzeugen. Menschen übersetzen dann mehr Maschinenarbeit, während Anreize weiterhin gelöste Aussagen belohnen.
Tsimermans Perspektive lässt Menschen Fragen wählen und Strukturen verbinden, während Systeme suchen. Williamson fragt, ob Karrieren stattdessen Maschinenoutput optimieren. Torsten Hoefler prognostizierte die Automatisierung alles Verifizierbaren. Das bleibt eine Vorhersage, kein Beleg für die Wahl wertvoller Fragen, aufschlussreicher Erklärungen oder gemeinwohlorientierter Richtungen.
Dasselbe gilt für Code, Chiplayouts und Berechnungen: Ein korrektes Artefakt kann schwer wartbar sein oder eine transparente Entwicklungsgeschichte vermissen lassen. Notizen, verworfene Hypothesen, Quellen und menschliche Entscheidungen werden bei schneller Produktion wichtiger. Wissenssoftware bewahrt Kontext, setzt aber keine wissenschaftlichen Normen und entscheidet keine Autorschaft.
Mehrschichtige Publikation könnte formalen Beweis, lesbare Erklärung, Herkunftsangabe und unabhängigen Replikationsbericht enthalten. Vertrauliche Expertenprüfung vor großen Behauptungen könnte Glaubwürdigkeit erhöhen und Öffentlichkeitsvorteile kosten. Externer Zugang zu leistungsfähigen Werkzeugen und Infrastruktur würde Reproduktion über das Prüfen fertiger Beweise hinaus ermöglichen. Das sind Vorschläge für stärkere Institutionen, keine Ablehnung automatischer Entdeckung.
Drei Tests bleiben: unabhängige Bestätigung der Übereinstimmung von Theorem und informeller Konstruktion mit Clay; eine verständliche Kette von Quellen, Entscheidungen und Eingriffen statt Millionen Rohmeldungen; wiederholte akzeptierte Entdeckungen mit wiederverwendbaren Methoden. Zugang, Journaloffenlegung und Hochschulstandards entscheiden mit, ob proprietäre Fähigkeit gemeinsame Mathematik wird. Bis dahin bleibt das Ergebnis eine zugeschriebene Behauptung mit Belegen, keine offiziell abgeschlossene Lösung.
Quellen
OpenAIs Behauptung · Millennium-Preis-Regeln · Heidelberger Diskussion · Unabhängiger Kontroversenbericht · Wissenskontext · IEEE-Spectrum-Analyse