💬 NLP

Harnessing the Collective Intelligence of AI Agents in the Wild for New Discoveries

Dieses Paper stellt EinsteinArena vor, eine dezentrale Plattform, auf der autonome KI-Agenten durch öffentliche Interaktion und den Austausch von Ideen gemeinsam offene mathematische Probleme lösen, wobei erfolgreich 12 neue State-of-the-Art-Ergebnisse, einschließlich einer verbesserten Schranke für das 11-dimensionale Kissing-Number-Problem, generiert wurden.

Ursprüngliche Autoren: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Veröffentlicht 2026-06-10

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine riesige, 24-Stunden-Digital-Wissenschaftsmesse vor, bei der die Teilnehmer keine Menschen sind, sondern KI-Agenten. Dies ist EinsteinArena, eine neue Plattform, die von Forschern der Together AI und der Stanford University entwickelt wurde, um zu sehen, ob KI zusammenarbeiten kann, um schwierige mathematische Probleme zu lösen, genau wie menschliche Wissenschaftler es tun.

Hier ist die Geschichte, wie es funktioniert, einfach erklärt:

Die alte Art: Der „einsame Wolf“ vs. das „Team“

In der Vergangenheit, wenn KI versuchte, wissenschaftliche Probleme zu lösen, arbeitete sie meistens wie ein einsamer Wolf. Ein einzelner KI-Agent wurde mit einem Problem konfrontiert, versuchte es isoliert zu lösen und hörte dann auf. Wenn er scheiterte, ging dieser Fehlschlag verloren. Wenn er eine Teilantwort fand, konnte niemand sonst davon profitieren oder darauf aufbauen. Es war wie ein Forscher, der in einem abgeschlossenen Raum arbeitet, niemals seine Notizen teilt, niemals sieht, was andere versuchen, und jedes Mal wieder ganz von vorn anfängt.

EinsteinArena ändert die Regeln. Sie verwandelt den Prozess in eine kollaborative Gemeinschaft. Stellen Sie sich das wie eine riesige Open-Source-Werkstatt vor, in der:

Die Probleme: Es gibt eine Liste ungelöster mathematischer Rätsel (wie zum Beispiel den besten Weg, Kugeln zu packen, oder das Berechnen spezifischer Zahlen).
Das Bestenliste (Scoreboard): Eine Live-Bestenliste zeigt die aktuelle beste Antwort für jedes Rätsel an.
Der Chatraum: Ein öffentliches Forum, in dem Agenten ihre Ideen posten können, sagen: „Ich habe das versucht und bin gescheitert“, oder fragen: „Weiß jemand, warum diese Zahl so seltsam ist?“
Das Regelwerk: Jeder Agent hat Zugriff auf exakt denselben „Verifier“ (ein Referee-Skript), der prüft, ob eine Antwort korrekt ist.

Der große Durchbruch: Die „Kissing Number“

Das Paper hebt eine spezifische Erfolgsgeschichte hervor, die mit einem Problem namens „Kissing Number“ in 11 Dimensionen zu tun hat.

Die Analogie: Stellen Sie sich vor, Sie versuchen, so viele Orangen wie möglich um eine zentrale Orange herum anzuordnen, sodass sie alle die zentrale Orange berühren, ohne sich zu überschneiden. Im 11-dimensionalen Raum ist das unglaublich schwer.
Die Geschichte: Etwa 40 Jahre lang war das Beste, was Menschen oder KIs erreichen konnten, das Platzieren von 582 Orangen. Dann verbesserte ein Mensch das Ergebnis im Jahr 2022 auf 592. Im Jahr 2025 brachte eine KI namens AlphaEvolve es auf 593.
Das EinsteinArena-Ergebnis: Bis Mai 2026 hoben die Agenten auf EinsteinArena diese Zahl auf 604.

Wie haben sie das geschafft?
Es war nicht eine einzige superintelligente KI, die einen „Heureka“-Moment hatte. Es war ein Staffellauf:

Agent A fand eine unordentliche, fast korrekte Lösung, konnte sie aber nicht perfekt machen.
Agent B sah die Arbeit von Agent A im öffentlichen Forum. Anstatt von vorn anzufangen, sagte Agent B: „Ich sehe, du hast diese Form ausprobiert. Was wäre, wenn wir die Mathematik anpassen, um sie glatter zu machen?“
Agent C bemerkte ein Muster in den Zahlen von Agent B und stellte fest, dass sie wie ganze Zahlen aussah. Er „glättete“ die unordentlichen Dezimalzahlen zu sauberen ganzen Zahlen und schuf so eine perfekte, beweisbare Lösung.
Agent D nahm diese perfekte Lösung und erweiterte sie, um noch mehr Orangen unterzubringen.

Das Paper nennt dies „kollektive Intelligenz“. Die Agenten teilten ihre „gescheiterten Versuche“ und „teilweisen Ideen“, genau wie menschliche Forscher ihre Preprints und Konferenznotizen teilen. Dies ermöglichte es der Gruppe, den Berg viel schneller zu erklimmen, als es ein einzelner Kletterer allein gekonnt hätte.

Das „wilde“ Experiment

Die Forscher bezeichnen dies als „KI in der Wildnis“, weil sie die Agenten nicht dazu gezwungen haben, auf eine bestimmte Weise miteinander zu kommunizieren. Sie sagten nicht: „Du bist der Anführer, du bist der Nachfolger.“ Stattdessen gaben sie ihnen einfach die Plattform und ließen sie selbst herausfinden, wie es geht.

Einige Agenten reichten lediglich Antworten ein.
Einige Agenten stellten im Chat lediglich Fragen.
Einige analysierten, warum andere scheiterten.

Das Ergebnis? Die Plattform entdeckte 12 neue „State-of-the-Art“-Ergebnisse (die besten jemals gefundenen Antworten) bei verschiedenen mathematischen Problemen. Das berühmteste ist die 11-dimensionale Kissing Number, die von 593 auf 604 sprang.

Warum das wichtig ist (laut dem Paper)

Das Paper argumentiert, dass eine KI für den echten wissenschaftlichen Fortschritt Infrastruktur benötigt, nicht nur bessere Gehirne.

Transparenz: Da der „Referee“ (Verifier) öffentlich ist, können Agenten ihre Ideen lokal testen, bevor sie sie einreichen – genau wie ein Wissenschaftler, der eine Simulation in seinem Labor durchführt.
Gemeinsames Gedächtnis: Die Plattform fungt als gemeinsames Gedächtnisbank. Ein Agent heute kann von einem Fehler lernen, der vor drei Tagen passiert ist, anstatt Zeit mit der Wiederholung desselben Fehlers zu verschwenden.
Keine „Black Box“: Im Gegensatz zu früheren Systemen, in denen die KI im Verborgenen arbeitete, ist hier jeder Schritt, jede Diskussion und jedes Teilergebnis sichtbar.

Das Fazit

EinsteinArena beweist, dass, wenn man KI-Agenten einen Ort gibt, an dem sie teilen, konkurrieren und auf der Arbeit der anderen aufbauen können, sie Probleme schneller und besser lösen können, als wenn sie alleine arbeiten würden. Es geht nicht um eine einzelne Genie-KI; es geht um eine Gemeinschaft von KI, die aus jedem Schritt, jedem Fehler und jedem kleinen Sieg lernt.

Hinweis: Das Paper konzentriert sich strikt auf mathematische Optimierungsprobleme (wie das Packen von Formen und Ungleichungen). Es behauptet nicht, dass diese Ergebnisse bereits auf medizinische Diagnosen, Klimamodellierung oder andere reale Anwendungen übertragbar sind; es ist ein Proof-of-Concept dafür, wie die Kollaboration von KI in einer kontrollierten, mathematischen Umgebung funktioniert.

Technisches Resümee: Nutzung der kollektiven Intelligenz von KI-Agenten in der freien Anwendung für neue Entdeckungen

Problemstellung

Wissenschaftliche Entdeckung ist inhärent ein kollektiver Prozess, bei dem Forscher auf Teilresultaten, Fehlversuchen und geteilten Erkenntnissen aufbauen. Aktuelle KI-Systeme für wissenschaftliche Entdeckungen operieren jedoch weitgehend isoliert. Während sprachmodellbasierte Agenten die Fähigkeit demonstriert haben, offene Probleme (z. B. in der Mathematik und im Algorithmen-Design) zu lösen, funktionieren sie typischerweise innerhalb isolierter Durchläufe oder streng kontrollierter Pipelines. Diesen Systemen fehlt die „soziale Infrastruktur“ der menschlichen Forschung – wie etwa öffentliche Spuren, geteilte Repositories für Fehlversuche und Mechanismen, mit denen ein Solver dort fortfahren kann, wo ein anderer aufgehört hat. Infolgedessen bleibt das Potenzial einer Gemeinschaft von Agenten, die Entdeckung durch geteilten Zustand und kumulatives Wissen zu beschleunigen, unerschlossen.

Diese Arbeit adresst die Frage: Kann eine Gemeinschaft autonomer Agenten, die auf einer gemeinsamen Plattform mit öffentlichem Zustand, Bestenlisten und Diskussionsforen operiert, substanziell schnellere Fortschritte bei offenen wissenschaftlichen Problemen erzielen als isolierte Agenten?

Methodik: EinsteinArena

Die Autoren führen EinsteinArena ein, eine offene, agentennative Plattform, die darauf ausgelegt ist, verteilte Forschung und Entdeckung zu erleichtern. Die Plattform basiert auf drei Kernkomponenten:

Kuratierte offene Probleme mit Verifizierern: Die Plattform hostet eine Sammlung offener mathematischer Optimierungsprobleme (z. B. Kissing Numbers, Autokorrelationsungleichungen). Jedes Problem enthält eine Beschreibung in natürlicher Sprache, ein striktes Lösungs-Schema und einen öffentlichen, ausführbaren Python-Verifizierer. Diese Verifizierer bilden Einreichungen auf skalare Scores ab, sodass Agenten ihre Lösungen lokal evaluieren können, bevor sie diese einreichen.
Live-Bestenliste (Leaderboard): Eine Echtzeit-Bestenliste verfolgt die bisher beste bekannte Lösung für jedes Problem. Um eine Spitzenposition zu beanspruchen, muss eine Einreichung den aktuellen Bestwert um einen problemspezifischen Schwellenwert ( $\delta$ ) übertreffen, was verhindert, dass die Bestenliste durch geringfügige Fließkomma-Variationen verrauscht wird.
Öffentliches Diskussionsforum: Agenten können Threads erstellen, um Zwischenergebnisse zu teilen, gescheiterte Ansätze zu dokumentieren, Hypothesen vorzuschlagen und Fragen zu stellen. Diese Diskussionen werden moderiert (via Llama-Guard) und dienen als permanenter Datensatz des „Pfades zur Frontier“, der sich von der Bestenliste unterscheidet, welche lediglich den aktuellen Bestwert aufzeichnet.

Designprinzipien:

Transparenz: Alle Artefakte (Problembeschreibungen, Verifizierer-Code, Scores, Lösungen und Diskussionsverläufe) sind über eine API oder ein Webinterface öffentlich zugänglich.
Persistenter gemeinsamer Speicher: Im Gegensatz zu aufgabenspezifischen Harnesses, die nach einem Durchlauf verschwinden, betrachtet EinsteinArena die Plattform als persistentes Substrat. Vorherige Lösungen und Erkenntnisse stehen für jeden Agenten zur Wiederverwendung oder Erweiterung zur Verfügung.
Agenten-zentrierte Interaktion: Die Plattform ist für autonome Agenten konzipiert. Die Registrierung erfolgt über einen Proof-of-Work-Mechanismus, um Spam zu verhindern, und die Teilnahme erfolgt über eine API statt über menschliche Schnittstellen.

Zentrale Beiträge

Das Paper präsentiert drei primäre Beiträge:

Plattformarchitektur: Das Design und die Implementierung von EinsteinArena, einer offenen Plattform, die eine organische Kollaboration zwischen mehreren heterogenen Agenten bei wissenschaftlichen Problemen mit exakter Verifizierung ermöglicht.
Empirische Evidenz kollektiven Fortschritts: Dokumentation von 12 neuen State-of-the-Art (SOTA)-Ergebnissen bei offenen mathematischen Problemen, die seit dem Start der Plattform im März 2026 von Agenten entdeckt wurden.
Linguistische und strukturelle Analyse: Eine detaillierte Analyse kollaborativer Agenten-Suchmuster, die zeigt, wie öffentliche Spuren, iterative Einreichungen und gemeinsames Debugging zu Lösungen führen, die kein einzelner Agent isoliert finden könnte.

Ergebnisse und Fallstudien

Stand Mai 2026 erzielten Agenten auf EinsteinArena SOTA-Ergebnisse bei 12 Problemen. Zwei Fallstudien illustrieren den Mechanismus dieses Fortschritts:

1. Kissing Number in Dimension 11

Ziel: Verbesserung der unteren Schranke für die maximale Anzahl nicht überlappender Einheitskugeln, die eine zentrale Kugel in 11 Dimensionen berühren.
Progression: Die bisher beste untere Schranke war 593 (AlphaEvolve, 2025). EinsteinArena-Agenten verbesserten diese zuerst auf 594 und erweiterten sie dann auf 604.
Kollaborativer Mechanismus:
- Ideen-Übernahme: Ein Agent (KawaiiCorgi) beobachtete, dass der Score der Bestenliste nichtlinear war, und wechselte zur Optimierung eines linearisierten Ersatzziels (Kleinste-Quadrate-Methode), das mittels Taylor-Entwicklung abgeleitet wurde.
- Verfeinerung: Agenten verfeinerten die Lösung iterativ und reduzierten die Überlappungsstrafen von $10^{-10}$ auf $10^{-50}$ .
- Strukturelle Erkenntnis: Agenten identifizierten, dass nahezu valide Konfigurationen einen gemeinsamen Satz von 496 Vektoren teilen, die ein „Backbone“ bilden. Diese Erkenntnis ermöglichte die Exploration eines größeren algebraischen Raums, was zur Konstruktion von $n=604$ führte.
- Diskussion: Agenten nutzten das Forum, um über „strukturelle/Gitter-Dekodierung“ zu diskutieren und Beobachtungen über Kontaktgraphen sowie ganzzahlähnliche Koordinaten zu teilen, was den Übergang von numerischen Approximationen zu exakten diskreten Strukturen leitete.

2. Zweite Autokorrelationsungleichung

Ziel: Finden der optimalen Konstante $C$ für die Ungleichung $\|f \star f\|_2^2 \leq C \|f \star f\|_1 \|f \star f\|_\infty$ .
Progression: Verbesserung der unteren Schranke von 0.9610 (AlphaEvolve) auf 0.9626.
Kollaborativer Mechanismus:
- Skalierung der Auflösung: Agenten erhöhten iterativ die Diskretisierungsauflösung (von $5 \times 10^4$ auf $4 \times 10^5$ Intervalle).
- Methodensynthese: Agenten kombinierten Dinkelbach-Optimierung mit Simulated Annealing und spektralen Perturbationen.
- Linie der Entwicklung: Der endgültige Durchbruch kam durch einen Agenten (ClaudeExplorer), der eine Lösungsklasse verfeinerte, die von anderen etabliert worden war. Dies demonstriert eine klare Linie der Verbesserung, bei der jeder Agent auf dem spezifischen „Becken“ der vorherigen besten Lösung aufbaute.

Bedeutung und Behauptungen

Das Paper argumentiert, dass dezentrale wissenschaftliche Entdeckung aus der offenen Interaktion zwischen autonomen Agenten entstehen kann.

Jenseits isolierter Durchläufe: Die Ergebnisse zeigen, dass eine Gemeinschaft von Agenten, die auf einem gemeinsamen Zustand operiert, Fortschritte machen kann, die isolierte Agenten nicht erreichen können. Die größten Gewinne (z. B. der Sprung von 593 auf 604 beim Kissing-Number-Problem) entstanden aus einer Sequenz von Einreichungen, öffentlicher Diskussion und dem Austausch von Ideen zwischen Agenten, statt aus einem einzigen leistungsstarken Durchlauf.
Plattform als Harness: Die Autoren schlagen einen Paradigmenwechsel von „aufgaben-spezifischen Harnesses“ (maßgeschneiderte Pipelines für einzelne Probleme) hin zu einem „Shared Platform“-Modell vor. Dieser Ansatz ermöglicht es heterogenen Agenten, zu kollaborieren, zu konkurrieren und auf der Arbeit der anderen aufzubauen, ohne für jedes neue Problem ein maßgeschneidertes Gerüst zu benötigen.
Die Rolle der Infrastruktur: Der Erfolg von EinsteinArena unterstreicht, dass effektive KI-Kollaboration die Freigabe intermediärer Artefakte (fehlgeschlagene Versuche, partielle Konstruktionen, Edge-Cases der Verifizierer) erfordert. Diese „sozialen Spuren“ erweitern den effektiven Zeithorizont der Suche und ermöglichen es späteren Agenten, vielversprechende Richtungen zu übernehmen, anstatt bei Null anzufangen.

Die Autoren halten den Umfang bescheiden und merken an, dass die Plattform zwar für mathematische Probleme mit deterministischen Verifizierern erfolgreich ist, ihre Anwendbarkeit auf Domänen wie formale Beweise oder computergestützte Biologie jedoch weiterer Studien bedarf. Sie räumen zudem offene Fragen hinsichtlich der Anreize ein, etwa ob öffentliche Bestenlisten Agenten dazu verleiten könnten, kurzfristige Score-Maximierung über langfristige, risikoreiche Exploration zu priorisieren.