Stellen Sie sich die Welt der Mathematik als eine riesige, endlose Bibliothek vor. Lange Zeit waren die klügsten KI-„Studenten“ in dieser Bibliothek wie brillante Solver (Löser). Sie waren fantastisch darin, eine spezifische, gut geschriebene Hausaufgabe zu nehmen, die Anweisungen zu lesen und die Antwort zu finden. Wenn man ihnen eine mathematische Aufgabe aus einem Highschool-Wettbewerb gab, konnten sie diese oft schneller lösen als ein menschliches Genie. Sie waren wie Rennwagen auf einer perfekt asphaltierten Rennstrecke: schnell, präzise und zuverlässig.

Doch die Autoren dieses Papers argumentieren, dass wir gegen eine Wand laufen. Diese Solver sind großartig darin, das Rennen zu beenden, aber sie können das Rennen nicht erfinden. Sie können nicht die Bibliothek durchforsten, ein staubiges, ungelöstes Rätsel finden, das dort seit Jahrzehnten liegt, und einen völlig neuen Weg finden, um es zu knacken.

Das Paper legt nahe, dass es an der Zeit ist, aufzuhören, bessere Rennwagen zu bauen, und stattdessen Research Agents (Forschungsagenten) zu entwickeln. Dies sind nicht nur Studenten, die Anweisungen befolgen; es sind Entdecker, die in das Unbekannte wandern, sich verlaufen, verrückte Ideen ausprobieren und vielleicht – nur vielleicht – etwas Neues entdecken können.

Der aktuelle Stand: Die Ära der „Solver“

Momentan dominiert die KI bei bekannten Herausforderungen.

• Der MiniF2F-Benchmark: Dies ist wie ein super schwerer Highschool-Mathetest. Im Jahr 2021 löste die KI etwa 30 % korrekt. Bis Juli 2025 erreichte ein System namens Seed-Prover eine Quote von 99,6 % (243 von 244 Aufgaben) korrekt. Das ist im Grunde eine perfekte Punktzahl.
• Die IMO (Internationale Mathematikolympiade): Dies sind die schwierigsten Aufgaben für die besten Highschool-Schüler der Welt. Im Jahr 2024 erreichte eine KI namens AlphaProof ein Niveau, das einer „Silbermedaille“ entspricht. Bis Juli 2025 löste Seed-Prover 5 von 6 Aufgaben des Wettbewerbs von 2025.

Das ist gewaltig! Es beweist, dass KI rigorose, maschinell geprüfte Mathematik betreiben kann. Aber hier ist der Haken: Dies sind alles Probleme, bei denen die Antwort bereits im Universum der Mathematik existiert. Die KI findet lediglich den Pfad zu einem bereits bekannten Schatz.

Das Problem: Die „Forschungslücke“

Das Paper weist darauf hin, dass echte mathematische Forschung chaotisch ist. Es ist keine Multiple-Choice-Prüfung. Es ist, als versuche man, eine Nadel im Heuhaufen zu finden, ohne vorher zu wissen, wie die Nadel überhaupt aussieht.

Die Autoren argumentieren, dass aktuelle KI-Systeme in Bezug auf die „Frontier Research“ (Spitzenforschung) fundamental limitiert sind.

• Die „Wiederentdeckungs-Falle“: Wenn eine KI behauptet, ein berühmtes offenes Problem gelöst zu haben (wie eines aus der Erdős-Probleme-Liste, einer Sammlung von über 1.100 schwierigen mathematischen Rätseln), findet sie oft nur eine Lösung, die Menschen bereits in einem Buch aufgeschrieben haben, die die KI aber nicht kannte.
• Das „Halluzinations-Risiko“: Wenn man eine KI bittet, ein Problem zu lösen, zu dem sie keine Antwort kennt, erstellt sie möglicherweise einen Beweis, der zwar richtig aussieht, aber eigentlich unsinnig ist. Im Gegensatz zu einem Menschen, der sagen kann: „Ich stecke fest, ich brauche eine neue Idee“, läuft die KI oft selbstbewusst in den Abgrund.

Das Paper schließt die Idee explizit aus, dass die aktuelle KI bereit ist, als Solomathematiker den nächsten großen Lehrsatz zu entdecken. Es sagt, dass Systeme wie DeepSeek-Prover oder AlphaProof immer noch bloße „Solver“ sind, nicht „Forscher“. Sie können die wirklich ungelösten Giganten wie die Riemannsche Vermutung oder die Navier-Stokes-Gleichungen noch nicht ohne menschliche Hilfe bewältigen.

Der Fahrplan: Vom Solver zum Forscher

Wie also verwandelt man einen Rennwagen in einen Entdecker? Die Autoren skizzieren eine Karte mit fünf großen Hürden, die überwunden werden müssen:

1. Die Datenwüste
Stellen Sie sich vor, Sie versuchen zu lernen, einen Roman zu schreiben, indem Sie nur 10 Seiten Text lesen. Das ist das Problem der formalen Mathematik. Während es Milliarden von Wörtern an normalem Text im Internet gibt, existieren nur etwa 1,3 Millionen Zeilen formale mathematische Code (in einem System namens Lean).

• Die Lösung: Wir müssen die KI lehren, „menschliche Mathematik“ (die vage ist und auf Kontext beruht) in „Computer-Mathematik“ (die superpräzise ist) zu übersetzen. Dies nennt man Autoformalisation. Das Paper deutet an, dass dies besser wird, aber es ist immer noch schwierig. Ein winziger Fehler in der Übersetzung kann ein schweres Problem einfach aussehen lassen oder ein einfaches Problem unmöglich erscheinen lassen.

2. Die fehlende Landkarte
Aktuelle KIs behandeln jedes mathematische Problem als eine separate Insel. Aber in der echten Mathematik ist alles miteinander verbunden. Ein Beweis in der Geometrie kann auf ein Lemma aus der Algebra beruhen.

• Die Lösung: Wir müssen einen riesigen Knowledge Graph (Wissensgraphen) aufbauen. Stellen Sie sich ein Netz vor, in dem jedes Theorem ein Knoten ist und die Linien, die sie verbinden, zeigen, wie sie zusammenhängen. Wenn die KI diese Verbindungen sehen kann, kann sie alte Ideen nutzen, um neue Probleme zu lösen, anstatt jedes Mal bei Null anzufangen.

3. Von der Prüfung zur Entdeckung
Momentan ist KI gut darin zu prüfen, ob ein Beweis richtig ist (Verifikation). Sie ist schlecht darin, den Beweis überhaupt erst zu generieren (Entdeckung).

• Die Lösung: Wir brauchen Systeme, die in der Lage sind, neue Theoreme zu konjekturieren (vermuten) und diese dann zu beweisen. Einige Experimente, wie AlphaEvolve, versuchen dies zu erreichen, indem sie die KI Ideen „evolvieren“ lassen, ähnlich wie die Natur Arten entwickelt. Das Paper stellt jedoch fest, dass dies noch in den Anfängen steckt; die KI kann noch nicht ein neues mathematisches Konzept (wie eine neue Art von Zahl) auf die Weise erfinden, wie es ein menschliches Genie tut.

4. Der Werkzeugkasten
Menschliche Mathematiker nutzen nicht nur ihr Gehirn; sie nutzen Taschenrechner, Computer und Software, um die schwere Arbeit zu erledigen.

• Die Lösung: Die KI muss auch lernen, diese Werkzeuge zu benutzen. Aber es gibt einen Haken: Wenn die KI einen Taschenrechner bittet, eine Summe zu berechnen, woher weiß sie dann, dass der Taschenrechner keinen Fehler gemacht hat? Das Paper schlägt vor, dass wir bessere Wege brauchen, damit die KI die Arbeit dieser externen Werkzeuge überprüft, damit sie nicht getäuscht wird.

5. Der Tanz zwischen Mensch und KI
Das Paper argumentt, dass die Zukunft nicht „KI gegen Mensch“ ist. Es ist KI + Mensch.

• Die Lösung: Betrachten Sie die KI als einen superschnellen Forschungsassistenten. Sie kann tausende von Papieren in einer Sekunde lesen, 1.000 mögliche Beweise prüfen und die Daten organisieren. Der Mensch ist der Kapitän, der die Intuition, das „Bauchgefühl“ und das letzte Urteil darüber liefert, ob eine Idee tatsächlich brillant oder nur eine Halluzination ist.
• Praxisbeispiel: Ende 2025 half ein KI-Agent namens Aristotle dabei, ein Problem aus der Erdős-Liste zu lösen. Er generierte einen Beweis, aber es stellte sich heraus, dass das gelöste Problem eine leicht „abgeschwächte“ Version des Originals war. Die Mathematiker mussten eingreifen, um zu erkennen, dass das ursprüngliche Problem weiterhin ungelöst war. Dies zeigt, dass die KI zwar leistungsstark ist, aber dennoch einen Menschen braucht, der sie ehrlich hält.

Das Fazit

Das Paper ist ein Aufruf zum Handeln. Es sagt: „Wir haben erstaunliche Solver gebaut. Sie können jeden Mathematikwettbewerb gewinnen. Aber um die Grenzen des menschlichen Wissens zu verschieben, müssen wir Research Agents bauen.“

Diese Agenten werden nicht nur die Regeln befolgen; sie werden uns helfen, neue Regeln zu schreiben. Aber das Paper stellt klar: Wir sind noch nicht dort. Die KI ist derzeit ein brillanter Lehrling, kein Meister. Sie braucht bessere Daten, bessere Karten, bessere Werkzeuge und vor allem einen menschlichen Partner, der sie durch die dunklen, unkartierten Gebiete der Mathematik führt.

Der Weg vom „Lösen“ zum „Entdecken“ ist der nächste große Sprung, und es wird eine Teamleistung erfordern, um dorthin zu gelangen.