Ein historischer Sprung im automatisierten Schließen: AxiomProver löst langjährige mathematische Vermutungen

In einem entscheidenden Moment für die künstliche Intelligenz und die mathematischen Wissenschaften hat Axiom, ein spezialisiertes KI-Forschungs-Startup, die erfolgreiche Lösung von vier bisher ungelösten mathematischen Problemen bekannt gegeben. Der Durchbruch, der durch ihre proprietäre neuro-symbolische Engine AxiomProver erzielt wurde, markiert eine deutliche Abkehr von der statistischen Approximation, die typisch für große Sprachmodelle (Large Language Models – LLMs) ist. Stattdessen demonstriert er die Fähigkeit zu strengem, kreativem und formal verifiziertem Schließen (Reasoning) auf Forschungsniveau.

Die Ankündigung vom 4. Februar 2026 hat Wellen in der akademischen Gemeinschaft geschlagen. Unter den gelösten Problemen befindet sich eine komplexe Vermutung in der algebraischen Geometrie, die Experten seit fünf Jahren vor Rätsel gestellt hatte, sowie ein neuartiger Beweis im Zusammenhang mit den Werken von Srinivasa Ramanujan. Diese Entwicklung deutet darauf hin, dass KI nicht mehr bloß ein Werkzeug für Berechnungen oder Datensortierung ist, sondern sich zu einem Mitarbeiter entwickelt hat, der zu echten Entdeckungen fähig ist.

Die Chen-Gendron-Vermutung: Eine fünfjährige Blockade überwunden

Der am stärksten hervorgehobene dieser Erfolge betrifft eine spezifische Hürde in der algebraischen Geometrie, die Differentiale involviert – Elemente der Infinitesimalrechnung, die zur Messung von Abständen entlang gekrümmter Oberflächen verwendet werden. Vor fünf Jahren stießen die Mathematiker Dawei Chen und Quentin Gendron auf eine theoretische Blockade, als sie versuchten, bestimmte geometrische Strukturen zu klassifizieren. Ihr Argument hing von einer „seltsamen Formel“ aus der Zahlentheorie ab, die sie weder beweisen noch rechtfertigen konnten, was sie zwang, ihre Ergebnisse als Vermutung statt als Theorem zu veröffentlichen.

Die Lösung ergab sich während einer zufälligen Begegnung auf einer Mathematikkonferenz in Washington, D.C., im Januar 2026. Ken Ono, ein renommierter Mathematiker und neu ernannter leitender Mitarbeiter bei Axiom, wurde von Chen wegen des festgefahrenen Problems angesprochen. Berichten zufolge präsentierte Ono Chen bereits am nächsten Morgen einen vollständigen, formal verifizierten Beweis.

„Danach fügte sich alles ganz natürlich zusammen“, bemerkte Chen in einem Interview nach der Veröffentlichung des Beweises im arXiv-Repository. „Was AxiomProver fand, war etwas, das alle Menschen übersehen hatten.“

Die KI hatte eine subtile Verbindung zwischen dem Problem der algebraischen Geometrie und einem numerischen Phänomen identifiziert, das ursprünglich im 19. Jahrhundert untersucht wurde. Im Gegensatz zu Standard-LLMs, die eine plausibel klingende, aber mathematisch ungültige Verbindung „halluzinieren“ könnten, generierte AxiomProver einen Beweis und verifizierte gleichzeitig dessen Korrektheit unter Verwendung von Lean, einer spezialisierten Programmiersprache für formale Mathematik.

Jenseits des Mustervergleichs: Die Technologie hinter AxiomProver

Die Kerninnovation von Axiom liegt in seiner Architektur. Während generative Modelle wie GPT-4 oder Gemini exzellent darin sind, das nächste Token in einer Sequenz basierend auf riesigen Trainingsdaten vorherzusagen, haben sie oft Schwierigkeiten mit der strengen logischen Konsistenz, die für fortgeschrittene Mathematik erforderlich ist. AxiomProver nutzt einen neuro-symbolischen Ansatz, der die intuitive Mustererkennung neuronaler Netze mit dem starren logischen Gerüst formaler Theorembeweiser kombiniert.

Carina Hong, die 24-jährige Mitgründerin von Axiom und Hauptarchitektin des Systems, entwarf AxiomProver so, dass Mathematik nicht als Text, sondern als ein System von Einschränkungen und logischen Regeln behandelt wird. Durch die Integration mit Lean stellt das System sicher, dass jeder Schritt eines generierten Beweises mathematisch gültig ist, bevor er akzeptiert wird.

Diese „Generieren-und-Verifizieren“-Schleife ermöglicht es der KI, neuartige Lösungspfade zu erkunden, die menschliche Mathematiker aufgrund kognitiver Verzerrungen oder der schieren Komplexität der erforderlichen Berechnungen übersehen könnten. Im Fall der Fel-Vermutung – einem weiteren der vier gelösten Probleme – entwickelte AxiomProver autonom einen Beweis von Anfang bis Ende. Dieses Problem betraf Syzygien, mathematische Ausdrücke, die Beziehungen zwischen Polynomen beschreiben, und involvierte unerwartet Formeln, die in den Notizbüchern des legendären indischen Mathematikers Srinivasa Ramanujan gefunden wurden.

Vergleichende Analyse der mathematischen Fähigkeiten von KI

Die folgende Tabelle skizziert die spezifischen Durchbrüche, die AxiomProver in dieser jüngsten Ankündigung erzielt hat, und stellt die Komplexität der Aufgaben den Ergebnissen gegenüber.

Tabelle 1: Wichtige mathematische Errungenschaften von AxiomProver (Februar 2026)

Reaktionen aus Industrie und Wissenschaft

Die Auswirkungen dieses Erfolgs reichen weit über die spezifischen bewiesenen Theoreme hinaus. Für die breitere KI-Industrie bestätigt der Erfolg von Axiom die hohen Investitionen in „Reasoning“-Modelle gegenüber reinen „generativen“ Modellen.

Die Leistung des Startups beim Putnam-Wettbewerb 2025, der gemeinhin als der schwierigste Mathematikwettbewerb für Studenten im Grundstudium in Nordamerika gilt, dient als Benchmark für diesen Wandel. Während frühere Modelle Schwierigkeiten hatten, auch nur wenige Punkte zu erzielen, erreichte AxiomProver Berichten zufolge eine perfekte Punktzahl von 12/12. Diese Leistung impliziert ein Maß an Vielseitigkeit bei der Problemlösung, das weit über spezifische Trainingsdatensätze hinaus verallgemeinerbar ist.

Die akademische Reaktion bleibt jedoch vorsichtig optimistisch. Während die Geschwindigkeit und Genauigkeit der Beweise unbestreitbar sind, bleiben Fragen zur „Erklärbarkeit“ bestehen. Ein formal verifizierter Beweis in Lean ist garantiert korrekt, aber er ist nicht immer für Menschen lesbar oder im traditionellen Sinne „aufschlussreich“.

Prominente Persönlichkeiten auf dem Gebiet haben sich zu Wort gemeldet. Terence Tao, ein Fields-Medaillenträger, der sich seit langem für die Integration von KI in die Mathematik einsetzt, deutete an, dass diese Ergebnisse darauf hindeuten, dass die KI wichtige Meilensteine früher als erwartet erreicht. Umgekehrt haben AGI-Forscher wie Ben Goertzel betont, dass dies zwar „eng gefasste“ Super-Leistungen sind, der Sprung zur allgemeinen kreativen Intelligenz jedoch eine Herausforderung für den Horizont 2027–2028 bleibt.

Die Zukunft der KI-gestützten Forschung

Der Durchbruch von Axiom signalisiert einen Übergang in der Rolle der KI in der Wissenschaft: von einer Suchmaschine oder einem Code-Assistenten hin zu einem primären Forscher. Das Startup, das Talente wie François Charton und Hugh Leather angezogen hat, zielt darauf ab, einen „selbstverbessernden superintelligenten Reasoner“ zu bauen.

Für Institutionen und Unternehmen hat die von AxiomProver demonstrierte Technologie potenzielle Anwendungen in:

• Software-Verifizierung: Beweisen, dass kritischer Code (z. B. in der Luft- und Raumfahrt oder im Finanzwesen) fehlerfrei ist.
• Kryptographie: Identifizierung von Schwachstellen in Verschlüsselungsalgorithmen, bevor böswillige Akteure dies tun.
• Materialwissenschaft: Modellierung komplexer molekularer Wechselwirkungen mit mathematischer Präzision.

Wie Ken Ono anmerkte, steht die Zusammenarbeit zwischen menschlicher Intuition und maschineller Präzision erst am Anfang. „Die KI hat die Riemannsche Vermutung noch nicht gelöst“, sagte Ono gegenüber Reportern unter Bezugnahme auf eines der berühmtesten ungelösten Probleme. „Aber sie hat Antworten auf Fragen gefunden, die Experten jahrelang ratlos gemacht haben. Das ist ein Anfang.“

Diese Entwicklung positioniert Axiom an der Spitze des „Math-AI“-Sektors, hebt es von der auf Chatbots fokussierten Konkurrenz ab und etabliert einen neuen Standard für das, was im 21. Jahrhundert computergestützt möglich ist.