OpenAI's GPT-5.6 Sol Ultra löst 50 Jahre alte mathematische Vermutung

OpenAI's neuestes Reasoning-Modell, GPT-5.6 Sol Ultra, hat Berichten zufolge einen Durchbruch in der Graphentheorie erzielt, indem es eine mathematische Vermutung gelöst hat, die seit den 1970er Jahren offen war. Durch den Einsatz extremer rechnerischer Ausdauer und einer Multi-Agenten-Architektur lieferte das Modell in weniger als einer Stunde einen vollständigen Beweis.

Das Rätsel der Graphentheorie lösen

Die betreffende Vermutung befasst sich mit einer grundlegenden Frage der Graphentheorie: ob in jedem Netzwerk aus Knoten und Kanten eine Menge von Zyklen gefunden werden kann, die jede einzelne Kante genau zweimal durchläuft. Während Mathematiker in den letzten fünf Jahrzehnten Teillösungen für spezifische Fälle gefunden haben, blieb ein allgemeiner Beweis bislang aus.

Thomas Bloom, ein Mathematiker an der University of Manchester, beschrieb den Beweis als „kurz, elementar und hätte bereits in den 1980er Jahren entdeckt werden können“. Interessanterweise erforderte die Lösung nicht die Erfindung völlig neuer mathematischer Theorien; stattdessen synthetisierte sie geschickt bestehende Werkzeuge und bekannte mathematische Rahmenbedingungen.

Die Kraft der maschinellen Ausdauer

Eine entscheidende Frage stellt sich: Wenn die Mathematik „elementar“ war, warum ist es Menschen dann nicht gelungen, sie in 50 Jahren zu lösen? Bloom vermutet, dass die Lösung eine kleine, kontraintuitive Wendung in der Argumentation erforderte. Menschliche Mathematiker folgen oft logischen Pfaden, die bei einem Scheitern zu dem Schluss führen, dass das Problem unlösbar sei.

Im Gegensatz dazu zeigt GPT-5.6 Sol Ultra ein Maß an „maschineller Ausdauer“. Es leidet nicht unter dem kognitiven Bias der Entmutigung. Stattdessen exploriert das Modell kontinuierlich kleinste Variationen in Logik und Kennzeichnung, bis ein erfolgreicher Pfad identifiziert wird. Diese Fähigkeit, logische Permutationen ohne das „Achselzucken der Niederlage“ durch Brute-Force zu testen, ermöglichte es der KI, die mentalen Blockaden zu umgehen, die menschliche Forscher aufhielten.

Fortgeschrittenes Prompt Engineering und Multi-Agenten-Architektur

Der Erfolg von Sol Ultra war nicht nur das Ergebnis roher Intelligenz, sondern hoch entwickelten Prompt Engineerings. Um sicherzustellen, dass das Modell nicht standardmäßig mit „Ich weiß es nicht“ antwortet, verwendeten die Forscher eine Reihe strenger Direktiven:

• Erzwungene Annahme: Der Prompt zwang das Modell dazu, davon auszugehen, dass ein vollständiger Beweis existiert, was verhinderte, dass es angab, die Vermutung sei ungelöst.
• Informationsisolation: Dem Modell wurde untersagt, im Internet zu suchen, um zu überprüfen, ob das Problem bereits gelöst worden war.
• Multi-Agenten-Adversarial-Testing: Ein System aus 64 Agenten wurde eingesetzt. Viele wurden „im Dunkeln“ gelassen, welcher logische Ansatz funktionierte, um unabhängiges Denken zu gewährleisten, während Adversarial-Agenten die Kandidatenbeweise auf spezifische Fehler untersuchten, wie etwa falsch identifizierte geschlossene Pfade.

Die Debatte über KI-Kreativität und Zitierweise

Der Durchbruch hat die Debatte darüber neu entfacht, ob LLMs wirklich „kreativ“ sind oder lediglich hochentwickelte Rekombinatoren bestehenden Wissens. Bloom merkte an, dass die Kernideen des Beweises auf eine Arbeit von Bermond, Jackson und Jaeger aus dem Jahr 1983 zurückgehen. Er kritisierte OpenAI dafür, dass diese Vorarbeit nicht zitiert wurde, und wies darauf hin, dass KI-generierte Arbeiten oft bestehende Strategien ohne ordnungsgemäße Quellenangabe verwenden.

Während die wissenschaftliche Gemeinschaft noch auf die vollständige mathematische Verifizierung wartet, signalisiert dieses Ereignis einen Wandel in der KI-Landschaft. Groß angelegte KI-Modelle werden zunehmend eingesetzt, um offene wissenschaftliche Probleme anzugehen, was potenziell Lösungen ans Licht bringt, die die Menschheit schon immer in Reichweite hatte.

Wichtigste Erkenntnisse

• Ausdauer statt Komplexität: Die KI löste ein langjähriges Problem nicht durch die Erfindung neuer Mathematik, sondern durch die Anwendung bestehender Theorien mit einem Maß an unermüdlicher logischer Variation, das Menschen fehlt.
• Strenge Einschränkungen führen zu Ergebnissen: Der Einsatz von „adversarial“ Prompting und das Verbot von Internetrecherchen zwangen das Modell dazu, eine Lösung zu finden, anstatt eine standardmäßige „ungelöst“-Antwort zu geben.
• Die Herausforderung der Quellenangabe: Der Vorfall verdeutlicht eine wachsende Besorgnis in der KI-Forschung hinsichtlich des Mangels an ordnungsgemäßen Zitaten, wenn Modelle bestehende wissenschaftliche Literatur rekombinieren.