Noch vor wenigen Jahren ist so manche Künstliche Intelligenz (KI) an einfachen Rechenaufgaben gescheitert. Inzwischen kann sie bei mathematischen Beweisen und offenen Forschungsfragen helfen. Der KI-Anbieter OpenAI hat zuletzt mehrere solcher Ergebnisse veröffentlicht. Ein internes KI-Modell konnte mehr als 100 lange offene mathematische Probleme lösen und neue Beweise liefern.
Für Philipp Grohs vom Johann Radon Institute for Computational and Applied Mathematics der Österreichischen Akademie der Wissenschaften (ÖAW) ist das ein Wendepunkt. Was verändert sich, wenn KI Aufgaben übernimmt, für die Mathematiker:innen bisher Wochen oder Monate gebraucht haben? Und was bedeutet das für andere Wissenschaften? Mit diesen Fragen beschäftigt sich derzeit auch das RICAM-Special-Semester „AI in Scientific Computing“. Im Interview spricht Grohs darüber, was KI heute schon kann, wo ihre Grenzen liegen – und warum er in der Entwicklung vor allem auch eine Chance für die Mathematik sieht.
Wendepunkt in der Wissenschaft
Herr Grohs, OpenAI hat zuletzt mehrere KI-generierte mathematische Beweise veröffentlicht. Stehen wir tatsächlich vor einem historischen Wendepunkt in der Mathematik?
Philipp Grohs: Für mich ist es tatsächlich ein Wendepunkt. Dass KI substanzielle Beiträge zur Lösung offener mathematischer Forschungsprobleme leisten kann, ist etwas Neues. Noch vor kurzer Zeit konnte man solche Systeme für anspruchsvolle Dinge eigentlich gar nicht verlässlich verwenden. Das hat sich komplett geändert. Ich glaube, dass sich dadurch auch der Fokus in der Mathematik verschieben wird – weg von der Fähigkeit, technisch sehr schwierige Beweise selbst zu führen. Dafür haben wir zunehmend ein Werkzeug. Wichtiger werden Fragen wie: Welche Probleme stellen wir? Welche Annahmen sind sinnvoll? Und was lernen wir aus einem Ergebnis?
Mathematik ist für mich eine Sprache oder ein Framework, um Gesetzmäßigkeiten in der Welt zu beschreiben und zu verstehen. Ein Kollege, den ich sehr schätze, hat gesagt, jetzt beginne die Ära der „Komponist:innen der Mathematik“. Das finde ich einen schönen Gedanken. Ich sehe die Entwicklung deshalb nicht nur negativ, sondern glaube, dass die Mathematik mit diesen neuen Technologien florieren kann.
Vor zwei Jahren wäre für mich undenkbar gewesen, dass KI so substanziell an der Entwicklung eines Forschungsergebnisses mitwirkt.
Was kann KI in der Mathematik heute schon leisten, was vor wenigen Jahren noch undenkbar gewesen wäre?
Grohs: Das sehe ich sehr deutlich an meiner eigenen Forschung. Noch vor ein oder zwei Jahren wollte ich für eine Vorlesung einen komplizierten Beweis aus einem Lehrbuch vereinfachen. Ich habe eine KI gefragt und immer wieder Argumente bekommen, die zunächst plausibel wirkten. Bei genauer Prüfung waren sie aber falsch. Am Ende habe ich viel mehr Zeit mit der Fehlersuche verbracht, als wenn ich den Beweis gleich selbst geführt hätte. In den vergangenen zwei Jahren haben sich die Fähigkeiten enorm verbessert.
Ich untersuche unter anderem neuronale Netze. Solche KI-Systeme lernen aus vielen Beispielen und sollen danach auch mit neuen Daten verlässlich umgehen können. Dafür brauchen sie oft sehr große Datenmengen. Wir konnten aber zeigen, dass sich diese Menge durch gezielte Veränderungen am Netz stark verringern lässt. Die Idee und große Teile des Beweises stammen von uns. Bei einem besonders technischen Hilfsresultat half uns die KI: Wir gaben ihr die Beweisidee und einen bereits bewiesenen Spezialfall vor, und sie fand darauf aufbauend den Beweis. Für diesen Schritt hätten wir selbst nach meiner Einschätzung mindestens ein halbes Jahr gebraucht. Vor zwei Jahren wäre für mich undenkbar gewesen, dass KI so substanziell an der Entwicklung eines Forschungsergebnisses mitwirkt.
Rolle der Mathematik
Wenn KI selbst mathematische Probleme lösen und Beweise entwickeln kann: Welche Rolle bleibt künftig Mathematiker:innen?
Grohs: Das hängt stark davon ab, in welchem Bereich der Mathematik man arbeitet. In Teilen der reinen Mathematik geht es darum, präzise formulierte Vermutungen zu beweisen. Wenn eine KI solche Vermutungen löst, kann das natürlich ganze Forschungsprojekte oder Forschungsrichtungen sehr stark beeinflussen. Das erzeugt in der mathematischen Community durchaus Unbehagen.
Dazu kommt ein weiteres Problem: Normalerweise geht es bei einem Beweis nicht nur darum zu erfahren, ob eine Vermutung richtig oder falsch ist. Indem man sie löst, entwickelt man auch ein neues Verständnis für ein mathematisches Phänomen. Bei computergenerierten Resultaten kann es passieren, dass wir am Ende zwar wissen, dass eine Aussage stimmt, aber eigentlich wenig darüber lernen, warum. Letzteres ist nach wie vor eine Aufgabe für menschliche Mathematiker:innen.
Ich selbst arbeite stärker an Problemen aus Anwendungen – etwa aus Physik, Chemie oder maschinellem Lernen. Dabei versuche ich mit Mathematik Strukturen zu finden, mit denen sich ein Phänomen besser beschreiben bzw. simulieren lässt. Solche Fragen sind viel unschärfer und derzeit auch schwieriger für KI zugänglich.
KI-Entwicklung bietet auch eine Chance, Mathematik breiter und interdisziplinärer zu machen.
Ich glaube insgesamt, dass die KI-Entwicklung in der Mathematik auch eine Chance bietet, Mathematik breiter und interdisziplinärer zu machen. Das muss sich künftig auch in der Ausbildung widerspiegeln: Studierende sollten nicht nur Mathematik lernen, sondern stärker auch Anwendungen und Computerwissenschaften kennenlernen. An der Fakultät für Mathematik der Uni Wien haben wir das schon länger erkannt und 2025 einen neuen Bachelor in "Mathematical Foundations of Data Science" eingeführt, der sich größter Beliebtheit erfreut.
Stehen Wissenschaften vor einer Revolution?
Welche anderen Wissenschaftsdisziplinen könnten durch KI ähnlich tiefgreifende Veränderungen erleben? Wie weit sind wir davon entfernt, dass KI selbst Experimente plant und Entdeckungen macht?
Grohs: Überall dort, wo Forschung gut digitalisiert und automatisiert werden kann, gibt es großes Potenzial. In Bereichen wie Chemie, Materialforschung oder Biomedizin hat eine solche Entwicklung in einzelnen, abgegrenzten Gebieten bereits begonnen.
Soweit ich das überblicken kann, handelt es sich derzeit aber meistens noch um eine Zusammenarbeit zwischen Mensch und KI. Wie schnell wir Systeme bekommen werden, die tatsächlich eigenständig ganze Forschungsprogramme entwickeln, ist sehr schwer vorherzusagen. Die Entwicklung verläuft sehr schnell – und es tritt nicht immer das ein, was man einige Jahre zuvor erwartet hätte.
RICAM Special Semester
Beim diesjährigen Special Semester am RICAM beschäftigen Sie sich mit „AI in Scientific Computing“. Welche Fragen stehen dort im Mittelpunkt?
Grohs: Beim wissenschaftlichen Rechnen braucht man für viele Fragestellungen sehr aufwendige Computersimulationen. Zum Beispiel, wenn man berechnen möchte, wie sich ein Auto bei einem Aufprall verformt, welche Eigenschaften ein Material hat oder wie Moleküle miteinander wechselwirken. Ein Ziel ist, solche Berechnungen mithilfe von KI zu beschleunigen.
Michael Bronstein ist Pionier des sogenannten „Geometric Deep Learning“.
Anders als bei großen Sprachmodellen stehen dafür aber nicht riesige Textmengen aus dem Internet zur Verfügung. Die Daten müssen häufig erst durch teure Experimente oder sehr rechenintensive Simulationen erzeugt werden. Sie sind also knapp und teuer. Eine zentrale Frage ist deshalb: Wie können wir aus wenigen und teilweise sehr unterschiedlichen Daten möglichst viel verlässliche Information gewinnen? Und wie können wir vorhandenes Wissen, etwa zugrunde liegende physikalische Gesetze, sinnvoll in die Modelle einbauen?
Im Rahmen des Special Semesters hält auch Michael Bronstein, Scientific Director of AI am AITHYRA (Institute of Science and Technology for AI and Life Sciences) der ÖAW, eine Distinguished Lectrue – können Sie da mehr verraten?
Grohs: Michael Bronstein ist Pionier des sogenannten „Geometric Deep Learning“. Dabei werden Symmetrien und geometrische Strukturen systematisch für das Lernen mit neuronalen Netzen genutzt. Wenn ich zum Beispiel die Energie eines Moleküls kenne, bleibt diese gleich, wenn ich das Molekül im Raum drehe. Baut man dieses Wissen bereits in die Architektur eines neuronalen Netzes ein, muss es solche Zusammenhänge nicht erst aus den Daten lernen. Das kann den Datenbedarf stark reduzieren. Es geht also darum, KI in der Wissenschaft leistungsfähiger und verlässlicher zu machen und gleichzeitig sparsamer im Umgang mit Daten. Genau das ist auch der Spirit unseres Special Semesters.
Auf einen Blick
Philipp Grohs ist Professor an der Universität Wien und Gruppenleiter der Arbeitsgruppe Mathematical Data Science am Johann Radon Institute for Computational and Applied Mathematics (RICAM) der Österreichischen Akademie der Wissenschaften (ÖAW). Seine Forschung beschäftigt sich unter anderem mit mathematischen Fragestellungen rund um Machine Learning und Deep Learning.
Grohs ist Organisator des RICAM Special Semester „AI in Scientific Computing“, das von 5. Oktober bis 4. Dezember 2026 stattfindet. Dabei beschäftigen sich internationale Wissenschaftler mit der Frage, wie Künstliche Intelligenz für wissenschaftliches Rechnen eingesetzt werden kann. Teil des Programms ist am 5. November auch die Distinguished Lecture „Make geometry great again (in ML)“ von Michael Bronstein, Scientific Director of AI am AITHYRA der ÖAW.

