Zunächst einmal: Um was für Probleme handelt es sich bei diesen 10 Aufgaben?
Es sind keine Mathematik-Wettbewerbsaufgaben und keine klassischen Knobelprobleme. Es handelt sich um unveröffentlichte forschungsrelevante Mathematikprobleme aus der FirstProof-Challenge – einem Wettbewerb, an dem professionelle Mathematiker und Mathematik-Doktoranden teilnehmen. Die Anforderungen: Die Antwort muss richtig sein und von einem strengen mathematischen Beweis begleitet werden, der ein Peer-Review-Verfahren bestehen kann.
Aletheia, DeepMinds neueste Mathematik-KI, hat 6 dieser Probleme gelöst.
5 davon wurden von externen Experten als „nach geringfügigen Änderungen direkt veröffentlichungsreif" bewertet. Was bedeutet das? Die Qualität dieser Lösungen hat bereits den Standard echter wissenschaftlicher Publikationen erreicht.
Wie Aletheia funktioniert
Das zugrundeliegende Modell von Aletheia ist Gemini 3 Deep Think, das durch verlängerte Testzeit-Berechnung die Leistung steigert. Aber es läuft nicht einfach ein großes Modell, sondern ein Multi-Agenten-Framework:
- Generator: Erstellt erste Lösungsansätze
- Verifier: Überprüft die Beweisschritte auf logische Lücken
- Reviser: Modifiziert den Beweis basierend auf dem Feedback des Verifiers
- Integration von Google Search für den Zugriff auf aktuelle mathematische Literatur
Der Gedanke hinter dieser Architektur: Die Überprüfung eines Beweises ist einfacher als seine Erstellung. In einem mathematischen Beweis ist jeder Schritt entweder richtig oder falsch – das ist eine relativ objektive Beurteilung, die viel einfacher ist als die Generierung von Inhalten. Daher kann der Verifier als Kontrollinstanz in gewissem Maße Fälle reduzieren, die „richtig aussehen, aber tatsächlich Lücken aufweisen".
Eine weitere bemerkenswerte Sache an Aletheia: Wenn es auf ein Problem stößt, das es wirklich nicht lösen kann, gibt es explizit „keine Lösung gefunden" aus oder läuft in ein Timeout, anstatt eine falsche Antwort zu erzwingen. Dieses Design, „zu wissen, was man nicht weiß", ist im mathematischen Kontext weitaus wichtiger als erzwungene Halluzinationen.
Vergleich mit OpenAI
An der FirstProof-Challenge nahm auch ein internes Modell von OpenAI teil.
Ursprünglich wurde berichtet, dass OpenAIs Modell ebenfalls 6 Probleme gelöst habe. Nach einer erneuten Überprüfung wurde bei Problem 2 eine logische Lücke festgestellt, die Bewertung wurde auf 5 herabgestuft.
Aletheia unter denselben Bedingungen: 6 Probleme, bestandene externe Expertenprüfung, 5 als veröffentlichungsreif bewertet.
| System | Anzahl gelöster Probleme | Ergebnis der Expertenbewertung |
|---|---|---|
| Aletheia (DeepMind) | 6 | 5 „veröffentlichungsreif" |
| OpenAI internes Modell | 5 (1 nach Überprüfung herabgestuft) | Nicht im Detail offengelegt |
Der Unterschied ist gering, aber die Richtung ist klar: Mathematik-KI tritt in einen Bereich ein, in dem sie mit Spitzenforschern kommunizieren kann.
91,9 % auf IMO-ProofBench
Neben FirstProof erreichte Aletheia auf IMO-ProofBench (einem Beweis-Benchmark basierend auf Aufgaben der Internationalen Mathematik-Olympiade) eine Genauigkeit von 91,9 %.
Zum Vergleich: Die Bestehensquote von durchschnittlichen Mathematik-Studenten bei IMO-Aufgaben liegt grundsätzlich unter 20 %; hervorragende Mathematik-Doktoranden erreichen 40-60 %; nur IMO-Teilnehmer mit mindestens einer Silbermedaille können stabil über 70 % liegen.
91,9 % übertrifft bereits die überwiegende Mehrheit der menschlichen IMO-Teilnehmer.
Um ehrlich zu sein: Das Forschungsteam hat die Ergebnisse selbst nicht übermäßig hochgejubelt. In der Arbeit gibt es einen Satz, der es wert ist, im Original zitiert zu werden:
„Selbst mit dem Verifier-Mechanismus ist die Fehlerrate von Aletheia immer noch höher als die von menschlichen Experten."
Das ist eine ungewöhnliche Ehrlichkeit: Unsere Benchmarks sind gut, aber von einer „Ablösung der Mathematiker" sind wir noch weit entfernt.
Wohin verschiebt sich diese Grenze?
Vor einigen Jahren war die Leistung großer Sprachmodelle in der Mathematik: einfache Aufgaben richtig, schwierige Aufgaben falsch, keine Beweise möglich.
Jetzt ist die Situation: 60 % der forschungsrelevanten Probleme werden gelöst, die meisten Beweise sind von publizierbarer Qualität.
Das ist nicht „besser als der Mensch", sondern „beginnt in den Bereich zu kommen, in dem man Probleme mit menschlichen Experten diskutieren kann". Die Reaktion der Mathematik-Community ist subtiler als die der KI-Community – einige sehen es als Werkzeug, andere beginnen ernsthaft darüber nachzudenken, was es bedeutet.
Das Interessante an der Mathematik ist, dass ihr Korrektheitsstandard objektiv ist. Entweder man hat bewiesen oder nicht. Die Qualität von Code kann diskutiert werden, aber logische Lücken in mathematischen Beweisen können von Maschinen erkannt werden.
Daher ist die Mathematik sehr wahrscheinlich eines der ersten Gebiete, in denen die Frage „Versteht KI wirklich oder ist sie nur statistische Korrelation?" klar beantwortet werden kann.
Aletheias 6/10 sind ein Meilenstein auf diesem Weg der Beantwortung. Kein Endpunkt.
Quellenangabe: DeepMind's Aletheia Solves 6 Out of 10 Unpublished Research-Level Math Problems (InfoQ, CocoLoop, 19. April 2026)