OpenAI Hat 722 Mathematik-Manuskripte Veröffentlicht — Und Das Internet Wusste Nicht, Was Es Erwischt Hat
8. Oktober 2026 · KI / Forschung / Cybersicherheit
Hier ist ein Dienstagmorgen, der das Math-Internet zerbrochen hat: OpenAI hat auf X veröffentlicht, dass ein unveröffentlichtes internes Frontier-Modell 722 Mathematik-Manuskripte produziert hat, die jetzt auf GitHub unter Apache 2.0 öffentlich sind. Dreihundertsiebzigundeinundzwanzig Ergebnisfamilien. Lean-Formalbeweise für 162 davon. Der Rest? 560 Papers in der verifizierten-vs-nicht-verifizierten Grauzone, die jedes Forschungsteam fürchtet.
Lass das sacken.
Das ist kein Modell, das Lehrbuchprobleme löst. Das ist ein System, das publizierbare Mathematik in großem Maßstab generiert — und OpenAI hat die Tür gerade weit offen gerissen.
Was Tatsächlich In Der Veröffentlichung Ist
Das GitHub-Repo (openai/math) organisiert alles in Familien — Cluster verwandter Ergebnisse mit geteilten Techniken. Einige Highlights, die Mathematiker den Kopf gestanden haben:
- "Quasi-Riemann-Hypothese" — eine null-freie Halbebene bei Re(s) > 7/8 für Dirichlet L-Funktionen. Nicht die vollständige Riemann-Hypothese (das erfordert immer noch Re(s) = 1/2), aber ein wichtiger Fortschritt in der analytischen Zahlentheorie, wo der Fortschritt typischerweise in kleinen Schritten kommt.
- Matrixmultiplikations-Exponent von 2 auf 9/4 (2.25) gesenkt. Das liegt im Herzen der wissenschaftlichen Berechnung und des Machine Learnings selbst.
- Nahe n log n Gaußmultiplikation — nähert sich dem theoretischen Optimum, mit direkten Implikationen für Kryptographie und Berechnungsmathematik.
Jedes abgeschlossene Ergebnis repräsentiert etwa drei Stunden Reasoning auf ChatGPT-Pro-Niveau. Das Projekt begann mit etwa 4.000 mathematischen Problemen, die dem internen Modell gestellt wurden.
Die Verifizierungsgeschichte: Gemischt, Wie Zu Erwarten
Lean-Formalisierungen decken die Hauptergebnisse von 162 Papers ab — was diesen Behauptungen ein maschinengeprüftes Rückgrat gibt. Die restlichen 560 wurden nicht formal verifiziert. OpenAI selbst warnt, dass einige Probleme enthalten könnten.
Auf der positiven Seite: eine Auditierung der am 1. August auf arXiv veröffentlichten Ergebnisse fand keine bestätigten substanziellen Fehler. Professor Alex Kontorovich von Rutgers schrieb auf X, dass die Leistung eine "sofortige Fields-Medaille, keine Fragen gestellt" verdient hätte, wenn ein Mensch sie gemacht hätte.
Die Transparenzfrage
Hier wird es unbequem. Die Advisory Group on Mathematics and AI (Institute for Advanced Study) gab am 29. September Empfehlungen heraus, Labore aufzufordern, die Prompts hinter solchen Ergebnissen zu veröffentlichen und sich davon zu enthalten, sie als Marketing zu verwenden. OpenAI teilte Rechenstatistiken, weigerte sich aber, die Prompts freizugeben.
Das Modell, das diese Ergebnisse produzierte, wurde nicht veröffentlicht — daher können externe Forscher das System, das die Manuskripte generierte, nicht prüfen oder reproduzieren.
Was Das Für Ihr Team Bedeuten
KI geht vom Helfen von Mathematikern, ihre Arbeit zu prüfen, hin zur Produktion von Kandidatenforschung in großem Maßstab. Dieser Wandel ist Teil eines breiteren Satzes von KI-Trends, die die Wissenschaft neu formen, und bedeutet, dass maschinen-generierte Mathematik bald zur routinemäßigen Eingabe in das Feld werden könnte, statt eine Kuriosität zu sein.
Für KI-/Cybersicherheits-/Fintech-Teams: Die Implikationen sind real. Formale Verifizierungsmethoden (Lean-Beweise) werden zu einem Template für KI-generierten Code und mathematische Behauptungen in Produktionssystemen. Wenn Ihr Team nicht nachverfolgt, wie KI-generierte Forschung validiert wird, sind Sie bereits hinterher.
Die Papers selbst sind jetzt die Geschichte — öffentlich, überprüfbar und zahlreich genug, um Mathematiker lange beschäftigt zu halten.