Wenn ein Unternehmen sagt, ein Modell habe schwierige Mathematikprobleme gelöst, folgt sofort die Frage nach der Prüfung. Am 1. August stellte OpenAI Astra über zehn Ergebnisse in Mathematik und theoretischer Informatik vor, begleitet von einem 249-seitigen Paper, einem GitHub-Repository mit Lean-Zertifikaten und Reasoning-Walkthroughs.
Die Ergebnisse reichen von hochdimensionaler Geometrie und Codierungstheorie über Gruppentheorie, arithmetische Schaltkreis-Komplexität, Quantenkomplexität, Gitterkryptografie bis zur extremalen Kombinatorik. OpenAI sagt, die Hauptresultate hätten mindestens zehn Jahre keine Fortschritte gesehen; die Token-Kosten zur Suche aller zehn Lösungen lägen bei Sol-API-Preisen bei rund 2.000 US-Dollar.
Die Belege stehen vorn
Die Liste umfasst neue Grenzen für Kugelpackungen, stärkere Schranken für binäre und sphärische Codes, eine Konstruktion nicht-sofischer Gruppen, ein Gegenbeispiel zu Connes' Starrheitsvermutung, Untergrenzen für die Permanente, Quanten-Parallelwiederholung, Härte des Closest-Vector-Problems, Ehrharts Volumenvermutung und Erdős-Probleme in der Graphentheorie.
Die technischen Angaben sind konkret: Das Paper nennt eine Formel-Untergrenze von n^4/log n für die Permanente, einen Härtefaktor von n^1/400 für euklidisches CVP und eine Form k^Theta(k) für mehrfarbige Dreiecks-Ramsey-Zahlen. Das GitHub-Repository nutzt Lean 4.32.0, mathlib und Lake, mit Dateien wie NonSoficGroup.lean, ConnesRigidity.lean und GapCVP.lean.
“claiming human authorship for a proof generated entirely by an AI system would misrepresent both the system’s contribution and the nature of genuine human intellectual work.”
Die 2.000 Dollar sind neuer Druck
Diese Zahl umfasst keine Problemauswahl, kein Prompt-Design, keine menschliche Manuskriptarbeit, keine Formalisierung und keine externe Begutachtung. Sie bedeutet also nicht zehn Sätze für 2.000 Dollar. Doch sie preist einen Teil des Suchprozesses ein und deutet auf mehr günstige Kandidatenbeweise hin.
Für Forschungsteams ist die Folgerung nüchtern: Mathematische Leistungsbehauptungen brauchen künftig Beweise, Code und Reproduktionspfade, nicht nur Benchmarks. Lean kann zur Infrastruktur für KI-gestützte Mathematik, theoretische Informatik und Sicherheitsbeweise werden.
Die nächste Prüfung kommt von außen
Astra bleibt intern, der Suchprozess ist daher nicht extern wiederholbar. Entscheidend ist nun, ob Dritte das Lean-Repository bauen können, ob Fachleute Ergebnisse und Zuschreibung akzeptieren und ob es Korrekturen zu Randbedingungen oder Literaturbezügen gibt. Hält das, wird Astra mehr als ein Modell-Teaser: ein Präzedenzfall für verifizierbare KI-Forschung.
Quellen: OpenAI-Forschungsveröffentlichung, OpenAIs 249-seitiges Beweispaper, GitHub-Repository ten-proofs, CocoLoop, IT Home und Developers Digest; geprüft wurden Astra-Umfang, Liste der zehn Ergebnisse, etwa 2.000 US-Dollar Token-Kosten nach Sol API, Lean-4.32.0-Buildpfad sowie n^4/log n und n^1/400.