Der Mathematiker Terence Tao schlägt Alarm: KI droht, die Mathematik in eine Krise zu stürzen, die an die Grundlagenerschütterung des frühen 20. Jahrhunderts erinnert – nicht weil mathematische Wahrheiten falsch werden könnten, sondern weil die Fachgemeinschaft ihre eigenen Ziele neu definieren muss. In einem Essay anlässlich des Mathematikerkongresses 2026 argumentiert Tao, dass die Debatte über KI-Fähigkeiten zu kurz greift. Stattdessen müsse sich die Mathematik einer Frage stellen, die sie bislang ignoriert hat: Was genau sind die Ziele mathematischer Forschung?
Kurz & knapp
- Terence Tao zieht eine Parallele zur Grundlagenkrise zwischen 1900 und 1930 (Russells Paradoxon, Gödels Unvollständigkeitssätze)
- Im First-Proof-Project lösten KI-Systeme 7 von 10 nie veröffentlichten Forschungsproblemen im Wesentlichen fehlerfrei – für Dutzende bis Hunderte Dollar pro Problem
- Nicht mathematische Wahrheit steht auf dem Prüfstand, sondern: was als Beitrag gilt, was belohnt wird, wer die Arbeit geleistet hat
- Taos Faustregel: Ein Beweis, den kein Mensch erklären kann, ist unvollständig
Das Fundament wackelt – aber nicht das, das du denkst
Damals, um 1900, zwangen Paradoxien die Mathematiker, ihre impliziten Annahmen über die Fundamente ihres Fachs explizit zu machen. Das Ergebnis war ein rigoroses Rahmenwerk, das ein Jahrhundert hielt. Heute ist es anders: Nicht das mathematische Fundament wird stressgetestet, sondern das "weitgehend implizite Rahmenwerk mathematischer Werte und Praktiken". Tao schreibt, dass KI-Tools bald einen erheblichen Anteil mathematischer Forschungsaufgaben "mit vernünftigem Erfolg, vernünftiger Qualität, vernünftiger Aufsicht und vernünftigen Kosten" bewältigen könnten. Das First-Proof-Project zeigt, dass das keine Spekulation ist: Sieben der zehn getesteten Probleme erhielten mindestens eine als im Wesentlichen fehlerfrei bewertete Lösung.
Wenn Maße zu Zielen werden
Historisch waren die vielen Ziele der Mathematik eng verflochten: Probleme lösen, Theorien entwickeln, Gemeinschaft aufbauen, die nächste Generation ausbilden. Fortschritt bei einem Ziel förderte die anderen. KI droht, dieses Gleichgewicht aufzubrechen. Tao beruft sich auf eine wissenschaftliche Beobachtung: "Wenn ein Maß zum Ziel wird, hört es auf, ein gutes Maß zu sein." Generative KI sei dafür besonders anfällig – sie optimiere auf den Anschein eines guten Ergebnisses statt auf die zugrundeliegende Qualität. Und die finanziellen Anreize der KI-Industrie belohnten genau jene messbaren Erfolge, die bislang als Stellvertreter für tiefere Ziele dienten.
Von Beweis-Knappheit zu Beweis-Überfluss
Die Konsequenz könnte ein Übergang sein, den Tao als problematisch sieht: von Beweis-Knappheit zu Beweis-Überfluss. KI-generierte Beweise würden schneller anfallen, als sie geprüft, verstanden und eingeordnet werden könnten. Die Erdős-Problemdatenbank enthält bereits Dutzende KI-generierter Einreichungen, von denen viele kein menschlicher Experte geprüft hat. Ein KI-polierter Beweis könne zudem die "natürliche Reibung" menschlicher Beweise beseitigen und einen Text hinterlassen, "der leicht zu lesen und aus dem schwer zu lernen sei". Menschen könnten aber besonders gut aus Fehlern anderer Menschen lernen.
Ein Beweis, den niemand erklären kann, ist unvollständig.
Das ist Taos Handlungsrahmen. Er verweist auf die Leiden Declaration on Artificial Intelligence, die laut Quellenmaterial Standards für KI-Einsatz in der Forschung setzt.
Quellen
Redaktionell verantwortet von Ideal Syka. Quellen und Arbeitsweise: Redaktion & Methode. Hinweise und Korrekturen: ai@i6eal.de.
