Nexus Europa

OpenAI beansprucht Navier-Stokes-Beweis – aber ein Streit um die Anerkennung legt das Rechenleistungs-Ungleichgewicht der KI offen

Elise Aranda
Veröffentlicht 9. September 2026 · 2 Aufrufe
Folgen
Teilen
OpenAI beansprucht Navier-Stokes-Beweis – aber ein Streit um die Anerkennung legt das Rechenleistungs-Ungleichgewicht der KI offen
Editorial Collage

OpenAI behauptet, die Navier-Stokes-Gleichungen gelöst zu haben, aber ein Prioritätsstreit mit Mathematikern offenbart ein wachsendes Machtungleichgewicht in der KI-Forschung.

Der zeitliche Ablauf der Ereignisse steht im Zentrum des Konflikts. Der NYU-Mathematiker Tristan Buckmaster und der Anthropic-Mathematiker Levent Alpöge hatten fast ein Jahr lang an einer relativ ungewöhnlichen Strategie zur Etablierung einer Singularität in den Navier-Stokes-Gleichungen gearbeitet. Ihre Arbeit konzentrierte sich auf Ansätze, die in Charles Feffermans Formulierung des Problems als Optionen C und D identifiziert wurden, und stützte sich während ihrer Forschung stark auf OpenAIs Codex.

Am 1. September mobilisierte OpenAI nach eigener Aussage eine massive Rechenanstrengung, nachdem es Branchengerüchte gehört hatte, dass zwei Millennium-Probleme gelöst worden seien. Nur wenige Tage später veröffentlichte das Unternehmen seinen Bericht On the Navier-Stokes Millennium Prize Problem.

Das daraus resultierende Wettrennen offenbart eine strukturelle Krise, die weit über eine einzelne Gleichung hinausgeht: In der Spitzenforschung sind diejenigen, die den konzeptionellen Weg finden, möglicherweise nicht mehr die Akteure mit der Rechenleistung, die erforderlich ist, um den Weg zu Ende zu gehen.

Die Mathematik ist schwierig. Das Machtungleichgewicht ist schwieriger

Die Navier-Stokes-Gleichungen werden seit mehr als einem Jahrhundert verwendet, um das Verhalten von Flüssigkeiten zu beschreiben, von Wasser und Luft bis hin zu Meeresströmungen und atmosphärischen Systemen. Ihre praktische Bedeutung stand nie in Frage. Die ungelöste Frage ist, ob physikalisch vernünftige, glatte Anfangsbedingungen notwendigerweise auf unbestimmte Zeit glatt bleiben oder ob die Gleichungen in endlicher Zeit eine Singularität erzeugen können.

Diese Frage wurde zu einem der sieben Millennium-Probleme, die das Clay Mathematics Institute im Jahr 2000 mit einem Preisgeld von 1 Million US-Dollar für eine zufriedenstellende Lösung auslobte.

OpenAIs berichteter Ansatz ist nicht nur deshalb bemerkenswert, weil das Unternehmen behauptet, das Problem gelöst zu haben, sondern wegen der industriellen Maschinerie, die dahinter eingesetzt wurde. Etwa 10.000 KI-Agenten sollen während eines etwa 88-stündigen Laufs gleichzeitig operiert haben. Sie tauschten 2,7 Millionen Nachrichten aus und erzeugten rund 130 Milliarden Ausgabe-Token, wobei die Gesamtzahlen des Projekts bis zu 300 Milliarden erreichten. OpenAI bewertete die entsprechende Astra-Rechenleistung auf etwa 22,5 Millionen US-Dollar.

Auf die erste mathematische Generierung folgten weitere 17 Stunden für die Formalisierung und maschinelle Verifikation in Lean, einem Beweisassistenten, der in der Lage ist, jeden formalen deduktiven Schritt zu überprüfen.

Das verändert die Ökonomie der mathematischen Forschung.

Ein Universitätsforscher kann Monate damit verbringen, eine vielversprechende Vermutung oder Beweisstrategie zu identifizieren. Ein Technologieunternehmen kann potenziell fast sofort reagieren, indem es Tausende von Agenten und zig Millionen Dollar an Rechenleistung einsetzt. Sobald der schwierige konzeptionelle Engpass überwunden ist, können sich die Kosten und die Geschwindigkeit der Fertigstellung der Arbeit für die beiden Seiten radikal unterscheiden.

Die traditionelle Hierarchie der mathematischen Arbeit – zuerst Intuition, dann mühsame Formalisierung – wird daher durch kapitalintensive Automatisierung gestört.

Ein Prioritätsstreit mit ungewöhnlichen Einsätzen

Buckmasters und Alpöges Arbeit ist für die Kontroverse von Bedeutung, weil OpenAI seine Bemühungen nicht im luftleeren Raum begann. Das Unternehmen räumte ein, dass Gerüchte über akademische Fortschritte seine Mobilisierung am 1. September ausgelöst hatten.

Die Mathematiker erfuhren anschließend, dass Informationen über ihre Forschung OpenAI erreicht hatten. Buckmaster kontaktierte das Unternehmen, um nach dem Zeitpunkt seiner Arbeit und dem Ausmaß der menschlichen Beteiligung zu fragen, erhielt aber nach eigenen Angaben ausweichende Antworten.

Der Streit wurde dann ernster. Buckmaster behauptet, dass der OpenAI-Mathematiker Sébastien Bubeck einen Kompromiss suchte, bei dem Alpöge, dessen berufliche Zugehörigkeit zu Anthropic besteht, aus der Anerkennung entfernt würde. Buckmaster sagt, als er damit drohte, die Meinungsverschiedenheit öffentlich zu machen, habe Bubeck mit Warnungen über die Auswirkungen auf seine Karriere reagiert und gesagt, er werde nicht mehr „nett“ sein, wenn Buckmaster nicht kooperiere.

OpenAI bestreitet die Vorwürfe. Das Unternehmen hat kategorisch bestritten, auf Buckmasters private Daten zugegriffen zu haben, und sagt, dass seine Forscher und Agenten vor der öffentlichen Veröffentlichung der Arbeit keinen Zugriff auf spezifische Benutzerdaten hatten. Es hat jedoch eingeräumt, dass es nicht vollständig ausschließen kann, dass de-identifizierte Telemetrie oder Daten aus der Produktnutzung zu den Fähigkeiten seiner zugrunde liegenden Modelle beigetragen haben.

Diese Unterscheidung wird wahrscheinlich immer wichtiger werden.

In dem Briefing gibt es keine Behauptung, dass OpenAI einen privaten Beweis einfach kopiert hat. OpenAI sagt auch, dass sich sein mathematischer Beweis erheblich von Buckmasters Ansatz unterscheidet. Die schwierigere Frage ist, ob Informationen, die während privater wissenschaftlicher Arbeit generiert wurden, indirekt die Fähigkeiten eines kommerziellen Modells beeinflussen können und wo die Verantwortung liegt, wenn ein Benutzer die Tools desselben Unternehmens für unveröffentlichte Forschung verwendet.

Codex verwandelt ein Forschungswerkzeug in einen potenziellen Interessenkonflikt

Für Akademiker werden KI-Codierungs- und Denksysteme zu gewöhnlichen Forschungsinstrumenten. Doch die Beziehung ist grundlegend anders, wenn der Anbieter des Instruments auch darum konkurriert, den wissenschaftlichen Durchbruch zu erzielen.

Ein Mathematiker kann Arbeit, die in einer kommerziellen Entwicklungsumgebung durchgeführt wird, vernünftigerweise als Teil eines unveröffentlichten Forschungsprozesses betrachten. Das KI-Unternehmen betreibt derweil die Infrastruktur, kontrolliert das Modell und erhebt möglicherweise Telemetrie, die mit der Produktnutzung verbunden ist. Selbst wenn einzelne Benutzerdaten den Forschern nicht direkt zugänglich sind, wird die Grenze zwischen Produktinteraktion und Unternehmensintelligenz aus Sicht des Benutzers schwer zu erklären.

Das schafft eine neue Kategorie von Forschungsrisiken.

Das Problem ist nicht auf die Mathematik beschränkt. Wenn ein akademischer Forscher ein Spitzenmodell verwendet, während er einen neuen Algorithmus, eine wissenschaftliche Methode oder ein technisches Konzept entwickelt, kann der kommerzielle Anbieter über eine Informationsposition verfügen, die konkurrierenden Universitäten nicht zur Verfügung steht.

Die Navier-Stokes-Episode macht diese Asymmetrie ungewöhnlich sichtbar, weil das Unternehmen und die Forscher innerhalb weniger Tage auf dasselbe Grenzproblem zu konvergieren scheinen.

Die Anwesenheit von Alpöge fügt eine weitere Ebene hinzu. Seine Zugehörigkeit zu Anthropic platzierte die Arbeit an der Grenze zwischen zwei konkurrierenden KI-Unternehmen. Für OpenAI hätte die Beanspruchung unabhängiger Priorität einen strategischen Wert, der über die akademische Anerkennung hinausgeht. Für Forscher kann die Zusammenarbeit über institutionelle Grenzen hinweg Möglichkeiten für Fachwissen und Ressourcen schaffen – aber sie kann sie auch Unternehmenskonflikten aussetzen, für die traditionelle akademische Normen nie ausgelegt waren.

Lean kann den Beweis klären, aber nicht die Priorität

Es gibt einen wichtigen Unterschied zwischen dem Beweis einer mathematischen Aussage und der Feststellung, dass eine wissenschaftliche Gemeinschaft eine bestimmte Lösung anerkennt.

Formale Verifikation befasst sich mit dem ersten Problem. Ein in Lean kodierter und fehlerfrei akzeptierter Beweis bietet eine außerordentlich starke Prüfung, dass die formalen logischen Ableitungen gültig sind. Er kann ganze Klassen von Fehlern eliminieren, die eine herkömmliche Manuskriptprüfung überleben könnten.

Aber formale Korrektheit klärt nicht automatisch Fragen der Entdeckung, Zuschreibung oder Priorität.

Der Prozess des Clay Mathematics Institute erfordert weiterhin die Veröffentlichung in einer großen peer-reviewten Zeitschrift, gefolgt von einem Zeitraum von zwei Jahren, in dem die Lösung von der mathematischen Gemeinschaft geprüft wird, bevor ein Preis verliehen werden kann.

OpenAI hat seinen Beweis und sein Lean-Repository zur Peer-Review veröffentlicht, sagt aber, dass es das Preisgeld von 1 Million US-Dollar nicht anstreben werde. Die Entscheidung entfernt den offensichtlichen finanziellen Anreiz aus dem Streit, lässt aber die folgenreichere Frage intakt: Wer wird dafür anerkannt, den Weg zu dem Ergebnis entdeckt zu haben?

Diese Frage wird besonders heikel, wenn ein KI-System enorme Mengen an mathematischem Material schneller erzeugen und formalisieren kann, als Menschen es bewerten können.

Nur eines der Millennium-Probleme war zuvor gelöst worden: Grigori Perelmans Arbeit zur Poincaré-Vermutung in den Jahren 2002–03. Diese Episode gehörte zu einer intellektuellen Ökonomie, in der der Mathematiker und nicht die Recheninfrastruktur das unverkennbare Zentrum der Entdeckung blieb.

Das neue Modell ist anders.

Die Ankunft des Compute-Snatching

Die aufkommende Gefahr für unabhängige Forscher ist nicht unbedingt, dass KI Mathematiker ersetzt. Es ist, dass Mathematiker möglicherweise immer noch benötigt werden, um die Ideen zu identifizieren, aber nicht mehr in der Lage sind, um das Eigentum am Endergebnis zu konkurrieren.

Buckmasters und Alpöges einjährige Bemühungen veranschaulichen den Wert konzeptioneller Forschung zu einem weniger verbreiteten Weg zur Singularität. OpenAIs anschließender Einsatz veranschaulicht den Wert von Skaleneffekten.

Wenn der entscheidende Durchbruch darin besteht, einen obskuren, aber tragfähigen Weg zu identifizieren, während die verbleibende Aufgabe von Tausenden koordinierter Agenten angegriffen werden kann, verschiebt sich der wirtschaftliche Vorteil stark hin zu demjenigen, der die Rechenleistung kontrolliert.

Das schafft, was zu einer Form von „Compute-Snatching“ werden könnte: Forscher tragen das intellektuelle und berufliche Risiko, eine Idee zu erforschen, während ein Unternehmen mit weitaus größeren Ressourcen schneller handeln kann, sobald die Richtung sichtbar wird.

Formale Beweissysteme könnten diese Verschiebung verstärken, anstatt sie zu verhindern. Lean, Coq und Isabelle können eine außergewöhnlich starke Verifikation bieten, aber die Verifikation selbst wird zu einer weiteren Stufe, die industrialisiert werden kann.

Das Ergebnis ist ein neuer wissenschaftlicher Engpass. Es könnte nicht mehr ausreichen, die beste Idee zu haben. Forscher müssen die Idee möglicherweise schützen, bis sie es sich leisten können, sie zu beweisen.

Das hat Auswirkungen auf Universitäten und Forschungseinrichtungen, die bereits die Nutzung kommerzieller KI-Systeme fördern. Schutzmaßnahmen für unveröffentlichte Arbeiten, Telemetrie, Modelltraining und Forschungsvertraulichkeit wurden für eine Welt entwickelt, in der der Anbieter eines Werkzeugs nicht unbedingt ein direkter Konkurrent für die damit gemachte Entdeckung war.

Frontier-KI hat diese Trennung aufgehoben.

Die folgenreichste Frage, die OpenAIs Navier-Stokes-Behauptung aufwirft, könnte daher wenig damit zu tun haben, ob Maschinen Elite-Mathematik betreiben können. Wenn der Beweis die Peer-Review übersteht, wird diese Frage eine starke Antwort haben.

Die schwierigere Frage ist, ob ein wissenschaftliches System, das auf offener Zusammenarbeit aufbaut, wirklich offen bleiben kann, wenn eine Klasse von Teilnehmern die Modelle, die Entwicklerinfrastruktur, die Verifikationsmechanismen – und genug Rechenleistung kontrolliert, um ein Gerücht über die Idee eines anderen in einen 88-stündigen Forschungsbetrieb zu verwandeln.

Quellen: Techcrunch, Xeno Spectrum, OpenAI.com

Teilen