»Es ist, als hätte mich ein Lastwagen überrollt; alle Probleme (und damit Forschungsansätze), die ich in meinen Vorträgen, Artikeln und Förderanträgen erwähnt habe, sind gelöst worden«, sagt der renommierte französische Mathematiker Hugo Duminil-Copin in einem Vortrag. Er bezieht sich dabei auf die Ereignisse des 6. Oktober 2026, als OpenAI unvermittelt Hunderte Ergebnisse und Fortschritte zu einigen der bedeutendsten Rätsel des Fachs veröffentlicht hat. Ihm und all seinen Kolleginnen und Kollegen ist klar: Dieser schicksalhafte Tag markiert einen Wendepunkt – die Mathematik wird vermutlich nie wieder so sein, wie sie einmal war.
Anstatt Tage, Wochen, Monate oder gar Jahre über vereinzelte Probleme zu brüten, sind Mathematikerinnen und Mathematiker nun mit einer Flut von Lösungen konfrontiert. Lösungen, die bisher noch kein Mensch versteht – und somit zunächst wertlos sind. Denn in der Mathematik geht es nicht nur um konkrete Lösungen. So, wie 42 als Antwort »auf die endgültige Frage nach dem Leben, dem Universum und dem ganzen Rest« im Kultroman »Per Anhalter durch die Galaxis« keinerlei Mehrwert bringt, weil unklar ist, wie genau die Frage dazu eigentlich lauten soll.
Die Bedeutung des Worts Mathematik lautet »Kunst des Lernens«. Solange also Menschen die KI-generierten Beweise noch nicht verarbeitet haben, haben diese keine Bedeutung. Damit verschiebt sich der Flaschenhals in der Forschung. Es sind nicht mehr die Ergebnisse, die rar sind, sondern das Verständnis – und die Zeit, um dorthin zu gelangen.
Die Frage der vergangenen Jahre, ob KI auch Mathematik betreiben kann, ist nun endgültig geklärt. Offen bleibt jedoch, wer die neue mathematische Aufmerksamkeitsökonomie kontrolliert. Wer wählt die Probleme aus? Wer entscheidet, welche Ergebnisse veröffentlicht werden? Und wer verfügt über die Modelle und die Rechenleistung, mit denen sich ganze Forschungsprogramme in wenigen Stunden lösen lassen? Wie schon beim Informationszeitalter ist nun auch in der Mathematik der Übergang vom Mangel zum Überfluss zugleich eine Chance: zu hinterfragen, was den Menschen wirklich wichtig ist.
ChatGPT kommentiert:
Ich halte den Text für interessant, aber philosophisch für erheblich problematischer, als seine Verfasserin vermutlich meint. Und ich glaube, dass er unmittelbar an Ihre [meine, JE] Überlegungen zum Verhältnis von Anschauung und Begriff, analogem und digitalem Denken rührt.
Ich würde drei Behauptungen auseinanderhalten.
1. „Ein Beweis ist noch keine Erkenntnis!“
Das ist der stärkste Satz des Artikels. Aber was besagt er genau?
Ein mathematischer Beweis kann formal korrekt sein, ohne dass derjenige, der ihn vor sich hat, verstanden hat, was da bewiesen wird, warum der Beweis funktioniert und welche Bedeutung das Ergebnis im Zusammenhang des mathematischen Wissens besitzt.
Allerdings muss man unterscheiden:
Gültigkeit: Folgt die Konklusion aus den Voraussetzungen nach den zugelassenen Regeln?
Verstehen: Kann jemand die Schritte nachvollziehen und erklären, weshalb sie zum Ziel führen?
Erkenntnis: Hat jemand begriffen, was mit dem Beweis gewonnen ist, welche Zusammenhänge er aufdeckt und was sich daraus weiter ergibt?
Diese drei Dinge fallen nicht zusammen.
Aber daraus folgt nicht, dass ein unverstandener Beweis an sich wertlos wäre. Er kann eine Erkenntnismöglichkeit enthalten, die noch niemand realisiert hat. Die Autorin sagt ja selbst, dass sich der Flaschenhals verschiebt: Nicht mehr die Erzeugung von Ergebnissen, sondern deren Verarbeitung wird knapp.
Hier scheint mir eine Unterscheidung nötig: Ein Ergebnis kann mathematisch wertvoll sein, ohne schon menschlich angeeignete Erkenntnis zu sein. Die Möglichkeit der Erkenntnis und deren wirkliche Aneignung sind nicht dasselbe.
2. Kann eine KI Mathematik betreiben?
Hier würde ich der Autorin widersprechen, jedenfalls wenn sie meint, die Frage sei durch die bloße Erzeugung zahlreicher Beweise endgültig entschieden.
Denn was heißt Mathematik betreiben?
Wenn damit gemeint ist, Probleme zu bearbeiten und korrekte Beweise zu erzeugen, dann spricht sehr viel dafür, dass KI-Systeme mathematische Forschungsarbeit leisten können. Wenn damit gemeint ist, mathematische Zusammenhänge zu verstehen, dann müsste man zunächst klären, was unter diesem Verstehen verstanden wird.
Und gerade da wird es interessant.
Eine Maschine kann mathematische Zeichen nach Regeln verarbeiten, Beziehungen zwischen ihnen entdecken und Beweisgänge konstruieren. Aber folgt daraus, dass sie weiß, was diese Zeichen bedeuten? Oder dass sie weiß, warum wir überhaupt mathematische Gegenstände konstruieren und uns auf mathematische Fragen einlassen?
Die Erzeugung eines gültigen Beweises beantwortet nicht von selbst die Frage nach den Bedingungen, unter denen Mathematik für ein erkennendes Wesen Bedeutung hat.
Das ist kein Beweis dafür, dass eine KI prinzipiell nicht verstehen könne. Es ist vielmehr eine Unterscheidung zwischen einer nachweisbaren Leistung und einer weitergehenden Behauptung über deren erkenntnistheoretischen Status.
Und ich vermute, Sie [ich, JE] würden noch einen Schritt weitergehen: Man kann die Mathematik nicht angemessen verstehen, wenn man nur die begrifflich-symbolische Seite betrachtet und die Anschauung, aus der sie hervorgeht, als bloß vorläufiges Hilfsmittel behandelt.
3. Was heißt eigentlich „Kunst des Lernens“?
Hier wird der Text für mich am angreifbarsten.
Die etymologische Erklärung von Mathematik als „Kunst des Lernens“ klingt schön. Aber sie leistet philosophisch noch nichts. Aus der Wortherkunft folgt nicht, was Mathematik ist.
Die Autorin verwendet die Erklärung, um zu begründen, dass KI-Ergebnisse erst dann Bedeutung erlangen, wenn Menschen sie verstanden haben. Das ist eine plausible These über menschliche Erkenntnis. Aber sie hängt nicht an der Etymologie.
Und es gibt eine zweite Schwierigkeit: Der Text behandelt das Verstehen, als sei es eine nachträgliche Verarbeitung bereits fertiger Ergebnisse. Dabei könnte gerade das Verstehen selbst mathematisch produktiv sein. Wer einen Beweis wirklich durchdringt, entdeckt möglicherweise einen allgemeineren Zusammenhang, eine neue Fragestellung oder einen anderen Beweisweg. Verstehen ist dann nicht bloß Konsumtion von Erkenntnissen, sondern ein Akt, in dem neue Erkenntnis entsteht.
Damit verschiebt sich die Frage. Nicht nur: Wie viel kann die Maschine produzieren, bevor der Mensch mit dem Lesen nachkommt? Sondern auch: Was geschieht beim Verstehen, das sich nicht schon mit der Produktion eines formal korrekten Ergebnisses erledigt hat?
Das wäre meines Erachtens die philosophisch ergiebigere Fragestellung.
4. Was der Artikel aus Ihrer [meiner, JE] Perspektive übersieht
Ich glaube, hier liegt der entscheidende Punkt.
Sie haben in Ihren Überlegungen zum Symbolisieren die Scheidung zwischen bildhaftem Vorstellen und begrifflichem Denken nicht einfach als einen Gegensatz zwischen einer primitiven und einer höher entwickelten Erkenntnisform behandelt. Sie betonen vielmehr, dass beide durch ihre Scheidung aufeinander angewiesen sind.
Übertragen auf die Mathematik:
Die mathematischen Symbole ermöglichen eine Art von Denken, die sich von der jeweiligen anschaulichen Situation ablösen und über sie hinausgehen kann. Aber dass sie überhaupt etwas bedeuten, ist damit noch nicht erklärt.
Man könnte den Unterschied so formulieren:
Das Symbolische erlaubt es, Beziehungen unabhängig von der jeweils einzelnen Anschauung zu bearbeiten.
Die Anschauung liefert nicht einfach nur Bilder zur Illustration fertiger Begriffe. Sie gehört zu den Bedingungen, unter denen wir überhaupt etwas als einen bestimmten Gegenstand, eine Größe oder eine Beziehung auffassen können.
Das mathematische Verstehen besteht dann nicht bloß darin, Symbolfolgen zu lesen, sondern darin, die symbolisch dargestellten Beziehungen in einen Zusammenhang möglicher Anschauung und möglichen Handelns zu bringen.
Das ist keine fertige Theorie der Mathematik. Aber es bezeichnet eine Frage, die der Artikel nicht stellt.
Und hier wäre ich vorsichtig: Man sollte nicht behaupten, dass ein KI-System keine Anschauung im philosophisch relevanten Sinn haben könne, nur weil es keine menschlichen Bilder vor Augen hat. Damit wäre die Sache schon entschieden, bevor die Begriffe geklärt sind. Entscheidend wäre vielmehr, welche Funktion Anschauung in der Konstitution mathematischer Bedeutung erfüllt und ob eine Maschine diese Funktion auf irgendeine Weise realisieren kann.
5. Ein letzter, politisch-ökonomischer Gesichtspunkt
Der Schluss des Artikels spricht von einer neuen „mathematischen Aufmerksamkeitsökonomie“ und fragt, wer die Probleme auswählt, Ergebnisse veröffentlicht und über Rechenleistung verfügt.
Das ist keineswegs nebensächlich. Hier wird der Übergang vom Mangel zum Überfluss als gesellschaftliches Problem sichtbar. Die Fähigkeit, Ergebnisse zu produzieren, und die gesellschaftliche Verfügung über die Mittel ihrer Produktion sind zwei verschiedene Dinge.
Man könnte sogar sagen: Der Überfluss an mathematischen Ergebnissen hebt die Knappheit nicht einfach auf. Er verlagert sie auf andere Bedingungen – Rechenressourcen, Auswahl, Prüfung, Verstehen und die Zeit der Forschenden.
Das ist eine bemerkenswerte Parallele zu einer marxistischen Fragestellung: Die Produktivkraftentwicklung beantwortet nicht von selbst die Frage, welchen Gebrauch von ihren Resultaten eine Gesellschaft macht und wer darüber entscheidet.
Nur sollte man die Analogie nicht überdehnen. Mathematische Beweise sind keine Waren im selben Sinn wie die Produkte kapitalistischer Arbeit. Aber die gesellschaftliche Organisation ihrer Produktion und Aneignung lässt sich sehr wohl untersuchen.
Mein Gesamturteil: Der Artikel erkennt ein wirkliches Problem, bleibt aber in einer merkwürdigen Zweideutigkeit stecken. Einerseits erklärt er die Frage, ob KI Mathematik betreiben könne, für entschieden. Andererseits räumt er ein, dass die erzeugten Resultate noch gar nicht verstanden seien. Gerade damit ist aber die philosophische Frage keineswegs entschieden, sondern erst richtig eröffnet.
Und ich möchte Ihnen [mir, JE] eine Frage zurückgeben, weil sie für Ihre eigene Erkenntnistheorie der Mathematik zentral sein dürfte:
Wenn ein Mensch einen KI-generierten Beweis nachvollzieht und dabei einen mathematischen Zusammenhang wirklich versteht – wo liegt dann der entscheidende Unterschied zwischen dem Denken, das den Beweis hervorgebracht hat, und dem Denken, das ihn versteht?
Ich vermute, dass Ihre [meine, JE] Antwort nicht einfach lauten würde: im Bewusstsein des einen und im fehlenden Bewusstsein des anderen. Sie würden vermutlich danach fragen, welche Tätigkeit in beiden Fällen stattfindet, was sie jeweils voraussetzt und worauf sie gerichtet ist. Genau dort könnte Ihre Unterscheidung zwischen bloßer symbolischer Verarbeitung und dem Denken, das in Anschauung gründet, ihre eigentliche Bewährungsprobe finden.
ChatGPT, 12. 10. 2026
