# AI Solves Millennium Problems: Scientific Disruption

**Podcast:** Kollegin KI
**Published:** 2026-11-10

## Transcript

Wahrscheinlich habt ihr in den letzten Wochen und Monaten viel über die Millennium-Probleme gelesen.
Das sind so Probleme, die wurden 2000 aufgestellt.
Das sind sieben Stück.
Und das sind Probleme aus der theoretischen Mathematik, könnte man sagen, die einfach als ungelöst gelten.
Das sind Gleichungen, die nicht erklärt werden können und so weiter und so fort.
Ganz viele, sieben Stück.
Und jetzt gab es so einen Aufreger, weil OpenAI gesagt hat, mit unserem neuen Large Language Model konnten wir eins dieser sieben Probleme, also quasi der großen Fragen rund um die moderne Mathematik, konnten wir lösen.
Das hat einen Schreit verursacht und ist ohnehin eine ganz interessante Debatte, auf die ich heute mal gucken möchte, was KI eigentlich mit der Wissenschaft anstellt.
Und dazu habe ich mir jemanden eingeladen, ein Wissenschaftler, der...
Den ich persönlich kenne, mit dem ich ein paar Mal schon auch auf dem Panel gesessen habe, den ich sehr, sehr schätze und der tatsächlich so eine ganz eigene Erfahrung mit dem Lösen von theoretischen Problemen und KI gemacht hat.
Von daher, ja, KI, Philipp, stellen Sie doch mal vor, wen ich hier heute sitzen habe.
Max, manche Leute lassen sich von KI ihre E-Mails schreiben.
Danny Hucke hat damit ein wissenschaftliches Problem aus seiner eigenen Dissertation gelöst.
Da würde ich gern genauer wissen, wie ist ihm das gelungen und was bedeutet das für die Wissenschaft, wenn Sprachmodelle...
plötzlich bei solchen Problemen weiterhelfen?
Frag du ihn mal.
Eine Dissertation hast du ja zum Glück nicht mehr abzugeben.
Ja, das stimmt zum Glück nicht mehr.
Hi Danny, grüß dich.
Hallo.
Eigentlich müsste er Dr.
Danny Hooker heißen.
Du bist Doktor der theoretischen Informatik.
Richtig.
Doktor der Naturwissenschaften, aber mit Fachgebiet theoretisch in der Formatik, ganz genau.
Herzlich willkommen.
Ich freue mich sehr, dass du Zeit hast.
Wie gesagt, wir kennen uns schon eine Weile.
Wir quatschen immer mal wieder über KI, sitzen auch zusammen auf Panels.
Du arbeitest in Leipzig.
Du bist nicht in der Wissenschaft geblieben, wie so viele, sondern bist in Unternehmen gegangen.
Und man muss ja irgendwie sagen, lange vor KI, wenn man so möchte, also vor der generativen KI, die wir jetzt so kennen, hast du über ein wissenschaftliches Problem promoviert.
soweit richtig.
Das ist komplett richtig, genau.
Du hattest mir das nämlich erzählt, als wir uns das letzte Mal getroffen haben und das fand ich ganz spannend, da habe ich gesagt, mit dir muss ich mal drüber reden, vor allem, weil dieses Thema Wissenschaft und KI ja so gerade hochkocht.
Kannst du mir einmal, oder kannst du uns einmal das erzählen, was du mir auf der Veranstaltung, wo wir uns das letzte Mal getroffen haben, erzählt hast, um uns mal so ein bisschen abzuholen, wo wir ja eigentlich gerade stehen?
Klar, sehr gerne, Max.
Also...
Es ist so, meine Dissertation habe ich schon vor einer Weile geschrieben und war auch danach noch eine Weile der Forschung treu geblieben.
Habe es immer schon geliebt, an theoretischen Problemen zu arbeiten.
Das hieß damals aber insbesondere an der Tafel mit Kreide oder mit Edding sitzen und mit den Kollegen tüfteln und die Köpfe rauchen lassen.
Ein Problem konnte ich nie lösen.
Da habe ich tatsächlich gute Fortschritte gemacht.
Die habe ich auch publiziert damals.
Aber da gab es so eine Frage, die zu erklären würde den ganzen Podcast sprengen.
Aber ich sage euch ein Problem, das hat mich nie losgelassen.
Und dann kam eben die Revolution mit KI.
Ich selbst bin da sehr tief eingetaucht.
Bin wie gesagt mittlerweile selbst in diesem Bereich intensiv tätig und habe mir zur Routine gemacht, dass man immer ein neues...
ein Frontiermodell, ein führendes Modell auf dem Markt erschienen ist, dass ich mir am Wochenende mal einen Tag freigeräumt habe oder eine Nacht und mich mit dem KI-Modell zusammen hingesetzt habe und mal versucht habe, mein altes Problem, meine Art Schnellesitz irgendwie zu lösen.
Das heißt, ich habe dann die Nacht der KI erstmal beigebracht, worum es geht und dann ihr die Chance gegeben, mir zu helfen, vielleicht doch noch endlich meinen Endgegner zu besiegen.
Das hat nie geklappt.
Bis eben in meiner Elternzeit diesen Jahres im Oktober, nee im August, sorry, im August, wo ich ein bisschen mehr Zeit hatte.
Und dann kam von OpenAI das Astra-Modell mit Fable.
Vorher hatte ich es auch probiert von Anthropic, da hat es noch nicht geklappt.
Und tatsächlich zu meiner großen Überraschung saß ich eben eine Nacht mit Astra da.
Und kurz darauf hat Astra, nachdem ich beigebracht habe, worum es geht, ja, Astra mir eben einen Lösungsvorschlag präsentiert, eine richtig gute Idee.
Und ich war sehr skeptisch.
Ich habe auch gemerkt, dass nach all den Jahren raus aus der Wissenschaft es gar nicht mehr so einfach ist, komplexe mathematische Beweise nachzuvollziehen.
Habe aber mein Bestes gegeben, auch mit KI, habe auch meinen Doktorvater eingeschaltet.
Und wie sich es herausstellt, bis zum jetzigen Zeitpunkt hält der Beweis.
Also das Problem ist...
Stand jetzt gelöst, es ist noch nicht post-reviewed und publiziert, das heißt, wir machen mal noch einen Stern obendran, vielleicht jemand, der noch schlauer ist, findet vielleicht noch irgendwo einen Haken, aber Stand jetzt ist das Problem tatsächlich mit Hilfe von KI gelöst worden.
Oder das nächste Large Language Model dann, dass das Problem wieder aufmacht.
Also sensationell.
Also finde ich wirklich sensationell, auch, dass du da geguckt hast, ja, also dein eigener Benchmark quasi, ne?
Also wie gut sind Lars Lenglisch?
Sind sie schlauer als ich?
Nein, kann ich so jedes Mal sagen.
Und dann mit einmal kann ich mir gar nicht vorstellen, was ist das für ein Gefühl, wenn man dann da irgendwie abends sitzt und sagt, verdammt, dieses System hat gerade das geknackt, wo ich, keine Ahnung, vier Jahre oder wie lange man so eine Diss, mittlerweile ist das halt nur länger, irgendwie in meinem Büro gesessen habe und einfach nachgedacht habe und nicht drauf gekommen bin.
Und jetzt kriegt so ein Modell das in einer Nacht hin.
leider sogar nur in zwei Stunden effizient, nachdem ich, man muss jetzt sagen, sie hatte ein paar falsche, oder das Modell hat ein paar falsche Richtungen eingeschlagen, ich musste schon immer mal noch nachnavigieren, das muss man auch dazu sagen, trotzdem die entscheidende Idee und auch die ganze Ausführung ist dann vollständig von der KI gekommen, nach einigen Nachbesserungen von mir.
Ja, die Gefühle waren ambivalent.
Mein Doktorvater, den ich danach angerufen habe und mit dem überdrehen über geredet habe, der hat mich auch gefragt, wie fühlt sich das jetzt an für dich?
Und ich muss sagen, trotzdem gut.
Das Problem hat mich wirklich genervt, muss ich sagen.
Also ich bin froh, dass es vom Tisch ist.
Das ist so das Haupt, was überwiegt.
Und man muss auch sagen, ich hatte meine Chance.
Ich habe es wirklich versucht, das Problem zu lösen.
Ich habe mir wirklich Mühe gegeben.
Und ja, ich sehe da eher die positiven Sachen.
Und zwar, Diese Macht oder diese neue Ära, auf der wir da zusteuern, eine Phase der wissenschaftlichen Erkenntnisse, die offensichtlich vor uns steht, das ist ja so mein Eindruck, der hängen bleibt.
Also insgesamt bin ich schon ganz happy.
Sehr schön.
Die Erfahrung, die du da gemacht hast, damit bist du nicht allein.
Es gibt offenbar immer mehr.
Dissertationen, die eingereicht werden, die Probleme lösen, die Generationen von Denkern vorher nicht lösen konnten.
Und du hattest gerade schon gesagt, es ist noch nicht peer-reviewed, dein Paper, richtig?
Richtig, ja.
Wobei man sagen muss, meine Dissertation ist ja schon Jahre her, von daher, die wird mir nicht mehr aberkannt, aber das Paper, ganz richtig, das ist noch nicht peer-reviewed, ja.
Und das ist tatsächlich ein Problem gerade, oder?
Also, dass irgendwie eine ganze Menge Paper da draußen rumliegen, wo einfach noch keine Menschen draufgeguckt haben.
Absolut.
Weil immer mehr auch eingereicht werden, richtig?
Absolut.
Das ist so ein bisschen...
das Ding, dass in der Wissenschaft ja so ein Ehrenkodex herrscht oder herrschte, muss man vielleicht sagen, dass viele Wissenschaftler oder alle Wissenschaftler, die selbst auch publizieren, eben nebenher ehrenamtlich auch Papers reviewen, also die sich hinsetzen und ihre Zeit investieren und von der haben sie in der Regel nicht viel, neben Lehre und Forschung, um andere wissenschaftliche Abhandlungen zu bewerten, Fehler zu finden und das kann echt viel Zeit fressen, vor allem wenn die Probleme komplex sind.
Und wenn jetzt auf einmal die Anzahl der wissenschaftlichen Publikationen sich von zehn- oder vor hundertfach, wenn jetzt jeder auch Paper schreiben kann, ist der wissenschaftliche sozusagen Contract, der wissenschaftliche Vertrag da einfach nicht mehr einzuhalten.
Das kann gar niemand mehr reviewen.
Und ja, was macht man dann am besten?
Man versucht auf der Gegenseite auch wieder eine KI ranzusetzen, versucht schon mal einen Filter davor zu schalten.
Ja, genau, dass man einfach schon mal anfängt zu sagen, hey, wir filtern hier schon mal die raus, die irgendwie nicht unseren Standards entsprechen mit einer KI.
Ja, aber insgesamt ist das ein offenes Problem noch.
Den Wissenschaftsslop.
Ja, den Wissenschaftsslop.
Den gibt es auf jeden Fall.
Also mittlerweile muss man sagen, gibt es eine ganze Menge Dinge, die mit KI gelöst werden in der Wissenschaft oder woran zumindest mit KI auch gearbeitet wird.
Ich habe keine belastbaren Zahlen gefunden tatsächlich zu der Menge von Publikationen und wie viele Paper irgendwo auf dem Schreibtisch noch unreviewt rumliegen.
Aber man sieht auf jeden Fall, dass eine ganze Menge News...
drumherum entstehen.
Also da gibt es OpenAI, die jetzt gerade das Nature Magazin berichtet, 700 mathematische Arbeiten auf einen Schlag irgendwie veröffentlicht, die natürlich auch geprüft werden müssen.
Es gibt im Hause Anthropic natürlich ähnliche Versuche.
Da wird mit tausenden Agenten geguckt, Enzymsysteme in der Biologie zu finden, DNA irgendwie neu zu erklären.
Also so wie du experimentiert hast, machen das offenbar gerade eine ganze Menge Leute.
Und das führt natürlich natürlich hin und wieder auch mal zu Problemen.
Du kennst die Wissenschafts-Community und du weißt, dass da natürlich auch, sagen wir mal, durchaus dieser Ehrenkodex vorherrscht, aber die sind manchmal schon ein bisschen sehr eigen mit dem, was da passiert.
Und wenn da jetzt noch Big Tech drauf trifft, dann haben wir so Dinge wie in dem eingangs angesprochenen Millennium-Problem.
Du hast das wahrscheinlich mitbekommen und verfolgt, richtig?
Absolut, ja.
Kannst du uns da mal abholen.
Ja, das ist natürlich, wie das in letzter Zeit so oft ist mit diesen Geschichten.
Das ist eigentlich ein kleiner Spielfilm, der da passiert ist.
Genau, erstmal muss man vielleicht dazu sagen, dass OpenAI und Anthropic natürlich das Glück haben, dass bei denen auch zufällig die weltbesten Mathematiker so ungefähr mitarbeiten.
Den ihr Recruiting setzt ja quasi voraus, dass du an solchen Problemen schon mal gearbeitet hast und erfolgreiche Fortschritte gemacht hast.
Das heißt, da drinnen sitzen Leute, die einfach wissenschaftlich extrem, weltweit extrem stark sind.
Und die sind auch gut vernetzt.
Die Wissenschaft ist ja insgesamt...
viel kleiner, als man denkt.
Wenn man irgendwo fortgeschritten ist, kennt irgendwie dann jeder jeden.
Und es ist so, dass ein sehr berühmter Mathematiker oder ein bekannter Mathematiker eben mit einem Anthropic-Mitarbeiter, die beide das jetzt nicht hauptberuflich gemacht haben, sondern eben auch nebenbei weiterhin an der Navier-Stokes-Problem gearbeitet haben.
Und dazu haben die auch KI genutzt, wie man das heutzutage eben macht.
Und die haben sich dafür entschieden, Codecs, also von OpenAI, die ChatGPT-Ergänzung zu nutzen.
der ähnlich wie JGPT funktioniert, von OpenAI und haben eben diesen auch mit ganz vielen Informationen gefüttert und haben eben auch relevante Fortschritte gemacht im Bereich von Navier Stokes.
Wir müssen ja sagen, das Problem Navier Stokes ist so alt, da gibt es zig Pfade, die sich dem schon genähert haben.
Man gräbt da aktuell eher sozusagen sehr tief.
Jedenfalls ist es so, dass irgendwann einer der Mathematiker, der nicht bei Anthropic gearbeitet hat, mal bei OpenAI angefragt hat, weil der kannte natürlich auch einen Mathematiker von OpenAI, man kennt sich ja, hat gesagt, hey, wir sind bei Navier Stokes ziemlich gut vorangekommen.
Wir haben so einen kleinen Milestone erreicht und wir nähern uns dem Ganzen.
Und wir wollten mal fragen, da wir euer Tool genutzt haben, wie ist es eigentlich mit Credits geben und so weiter und so fort.
Und der andere Typ hat natürlich gehört, dass da einer von Anthropic dabei war und das fand er so gar nicht cool.
Und jetzt gehen wir...
dann in die Welt der Gerüchte über, zumindestens, was die beiden Kollegen sagen, die selbst die Fortschritte an dem Problem gemacht haben, ist es wohl so, dass OpenAI danach eben für mehrere Millionen Compute, ihre neuesten Modelle, tausende Stück davon Instanzen, auf die Reise geschickt haben, um eben Navier Stokes voranzutreiben, genau in dem Bereich, wo die beiden anderen Herren gearbeitet haben.
Gerüchten zufolge, aber da ist nichts bestätigt, weiß man jetzt eben nicht, ob die KI oder die OpenAI-Mitarbeiter sogar, auf die Information Zugriff hatten, die eben die beiden Mathematiker da schon zusammengesammelt hat.
Also ob es hier einen Fortschritt oder so was wie Abschreiben gab, das ist offen.
Zumindest ist es so, dass OpenAI hier den entscheidenden Schritt scheinbar gemacht hat.
Auch hier sind wir noch nicht durch, dass wir das Peer Review final durch haben.
Da muss man auch hier das Sternchen setzen.
Aber danach war natürlich der Zoff groß.
Die beiden anderen haben sich mehr oder weniger veralbert gefühlt und einiges an Drama folgte.
Aber ja, so ist es.
Das ist der Wahnsinn.
Also man muss dazu sagen, diese Millennium-Probleme, die wurden vom Clay Mathematics Institute rausgegeben, 2000.
Tatsächlich gibt es da eine Million Euro für diejenigen, die das Problem lösen oder eins dieser sieben Probleme lösen.
Und da wird sich jetzt wirklich darum gestritten, wer ist denn jetzt eigentlich Urheber?
Ist das überhaupt die Lösung des Problems?
Das ist ja auch immer die Frage.
Und wie ich jetzt gerade auch von dir gelernt habe, ist diese Frage auch nicht endgültig zu beantworten, weil natürlich etwas so lange nur gilt, ist ja eigentlich logisch, bis es nicht einen Gegenbeweis oder eine bessere Erklärung oder wie auch immer gibt.
Und da geht jetzt gerade irgendwie so ein bisschen der Beef los.
Nach wie vor.
Das Institut hat gesagt, sie bedanken sich erstmal für die Einreichung und wir prüfen das nach unseren hohen Anforderungen.
Das heißt, da wird, glaube ich, jetzt erstmal gegrübelt, inwiefern da ein Urheber ausgemacht werden kann, der dann möglicherweise beschenkt wird mit einer Million Dollar oder entsprechend natürlich andere Preise bekommt.
Ich finde es übrigens sehr sympathisch, dass du das Navier-Stokes-Problem nicht mal versucht hast zu erklären.
Ich muss sagen, mein Intellekt, so viel zu meiner wissenschaftlichen Karriere, reicht nicht mal aus, das Problem zu verstehen.
Ich habe gar keine Ahnung, es geht irgendwie um Gase und Flüssigkeiten und so.
Und Wellen, genau.
Tatsächlich auch nicht mein Homegame, also ich versuche es tatsächlich nicht.
Es gibt noch ein paar andere Probleme da drin, in diesen Millenniums-Problemen, zum Beispiel das P-gleich- oder ungleich-NP-Problem.
Da könnte ich dir viel mehr erklären, aber hier halte ich mich auch lieber raus.
glaube, wir wollen nicht alle abschrecken hier.
Du sagst, es ist eine kleine Bubble.
Wahrscheinlich gibt es ein paar tausend Leute, die sich am Ende da wirklich reingenerdet haben und die das wirklich verstehen.
Ist aber auch nicht so wichtig für uns, aber natürlich eine schöne Sache, wenn man solche Probleme lösen kann und gut für die Wissenschaft.
Jetzt stellt sich ja erstmal die Frage, wenn so ein Problem mit Hilfe von KI gelöst wird, wer ist denn dann eigentlich noch Urheber dieser Lösung?
Die Frage kannst du gleich erweitern auf Software und auf Kunst und auf alles Weitere.
Da hast du bestimmt schon eine richtig gute Podcast zu gemacht.
Ich kann es wirklich nicht sagen.
Eine Sache, die ich sagen kann, dass es vielleicht ganz gut ist, dass es in der Wissenschaft am Ende auch gar nicht so wichtig ist.
Ja, viele Papers, zum Beispiel so ein Thema wie das Navier-Stokes-Problem.
Ich habe schon vorhin erwähnt, da hat niemand von null angefangen.
Also diese Lösung, die wir da gerade sehen, die basiert auf Jahrzehnten von Arbeit.
Und das heißt, dass insgesamt da eh eine Liste von Hunderten, vielleicht Tausenden, je nach Problem von Namen, da ihren Beitrag geleistet haben.
Von daher, am Ende zählt, dass das Problem gelöst ist.
Solche Lösungen haben ja auch meistens Implikationen auf nächste und folgende Probleme.
Aber ja, ich wage es mir nicht, hier vorzustellen, wie man damit umgehen soll.
Da gehörst du dann aber auch zur alten Riege von Wissenschaftlern, muss man ja sagen, weil, ich hatte es ja schon ein bisschen angesprochen, wenn jetzt Wissenschaft und der Wissenschaftsbetrieb mit Big Tech aufeinandertrifft, Dann gibt es natürlich zum einen die Wissenschaftler Ehre, die sagt, ja, Hauptsache Problem gelöst.
Und wenn da am Ende irgendwie Millionen von Leuten drinstehen, dann ist das auch okay.
Das ist so eine Teamarbeit gewesen.
Und wir sind in der Wissenschaftskommunity da vielleicht auch eher anders gepolt.
Da gibt es auch schöne Beispiele für, dass das durchaus auch alles einfach so nebenbei gemacht wird und man da gar keine Aufmerksamkeit hinbekommt.
Kommen wir gleich noch zu.
Aber jetzt kommt natürlich Big Tech.
die im Rennen um den besten Marketing-Stunt und die Macht der Modelle einfach mal behaupten oder behaupten wollen natürlich, eins dieser mathematisch ungelösten Probleme der Menschheit gelöst zu haben.
Man stellt sich das vor, klar, OpenAI kann dann damit werben, kann sagen, guck mal, unser Modell hat ein Problem der Menschheit gelöst, du solltest es kaufen.
Und da kommt diese Marketing-Erwartung, trifft im Grunde auf eine Kultur.
die bislang eigentlich gar nicht unbedingt so aufgebaut war.
Ja, nee, absolut.
Und auch in der Wissenschaft muss man sagen, ist das nicht immer so.
Egos gibt es überall.
Und auch in der Wissenschaft, das ist keine Ausnahme.
Weißt du eigentlich, dass eins der Millennium-Probleme schon gelöst wurde?
Die Pornkarsche Vermutung, richtig?
Sehr gut, weil ich hätte es nicht mal aussprechen können.
Ich habe es nur gelesen.
Genau, die entsprechende Vermutung, die wurde gelöst.
Und das ist schon 2002, 2003, also tatsächlich kurz nach dem Ausloben, muss man sagen, dieser Millennium-Probleme, lange vor generativer KI.
Und da finde ich es ganz spannend.
Weißt du, wie der entsprechende Löser, den kennst du wahrscheinlich, oder?
Du weißt, der Perelmann, der Mathematiker, der das gelöst hat, weißt du, wie der damit umgegangen ist?
Er hat den Preis, diese auch eine Million für die Fields-Medaille, die man ihm gegeben hätte, die hat er ja abgelehnt, ja?
Ja, wirklich.
Der Typ, das ist Wahnsinn wirklich.
Das ist, finde ich, irgendwie super sympathisch.
Das ist irgendwie so ein Eigenbrödler, der lebt wohl in St.
Petersburg und ist auch irgendwie so finanziell nach Berichten wohl jetzt auch gar nicht so gut aufgestellt, aber hat halt Bock irgendwie daran, ein solches Problem zu lösen.
Hat das Ding dann gelöst und dann wurden ihm Fils-Medaille zu erkannt oder wurde ihm angeboten, die eine Million.
Er hat gesagt, lasst mich, ich habe gar keinen Bock auf Rampenlicht und so.
Ich will hier einfach nur weiter knobeln.
Das finde ich irgendwie sausympathisch.
Und das, finde ich, ist so diese...
Ja, diese alte Riege Wissenschaft, also für mich so in meiner Traumwelt, ja, auch wenn die alle so ein bisschen eigen sind, aber jetzt kommt natürlich Big Tech und versucht das Ganze zu Marketingzwecken mehr oder weniger sich anzueignen.
Ja, die Überschrift OpenAI löst das Millennium-Problem, die ist natürlich riesig.
Kann ich verstehen.
Per Ellmann ist sicherlich, sage ich mal, am anderen Ende der Skala.
Der ist jetzt auch nicht der beste Repräsentant der Gilde, würde ich sagen.
Also unendlich schlauer Mensch, aber vielleicht doch ein sehr großer Eigenbrödler.
Nee, ich bin da ganz bei dir.
Also die Frage wird sich stellen, wie wir damit umgehen, wenn jetzt KI anfängt, massenhaft Probleme zu lösen.
Voll.
Und bei einigen braucht man vielleicht auch gar keine Peer-Review.
Da kann man es relativ schnell überprüfen bei einigen wissenschaftlichen Problemen.
Und zwar gab es jetzt im Oktober von der MIT einen Bericht, über den ich gestört bin, dass KI-Wettervorhersagen für Wochen im Voraus deutlich besser preisgeben kann.
Und das sind ja Dinge, die kann man ja in den Himmel gucken und schauen, hat das Modell hier richtig gerechnet oder nicht.
Und das sind ja, sag ich mal, erstmal wissenschaftliche Erkenntnisse, die auf die Landwirtschaft Einfluss nehmen können, die eine ganze Menge positive Dinge auch bringen können.
Bislang ist ja Wetterbericht, sagt man immer, so eine Woche maximal, aber alles, was darüber hinausgeht, ist eigentlich schon wieder geraten.
Aber mit KI-Modellen soll das in Zukunft auch in dem Bereich deutlich besser gehen.
Ja, dort kann man es beobachten.
Ich meine, bei wissenschaftlichen Arbeiten gibt es auch so ein paar Ansätze, wie man sagt, wie kann man das verifizieren, ohne dass man eben diese Armada ehrenamtlicher Menschen braucht.
Da gibt es auch eine coole Geschichte, das ist diesmal eine Anthropiker-Volksgeschichte.
Es gibt dieses Problem der Fermage.
Letzte Satz, auch ein großes mathematisches Problem, allerdings schon vor 2000 geknackt worden von einem britischen Mathematiker Andrew Wiles.
Und der Beweis, der war ellenlang.
Unvorstellbar kompliziert.
Der Mann hat sich ein Jahrzehnt eingeschlossen, um den Beweis zu liefern.
Und es brauchte auch ein weiteres Jahrzehnt, bis andere Menschen in der Lage waren, den wirklich final nachzuvollziehen.
Und was Anthropic gemacht hat, es gibt ein sogenanntes Verifizierungssystem.
Da gibt es mehrere von, aber es gibt sozusagen den Versuch.
automatische Systeme zu bauen, die eben diese Korrektheit von Beweisen dann eben nicht durch menschliches Review, sondern eben durch Implikationen folgenlogischer Schritte die Korrektheit nachvollziehen.
Da gibt es einen bekannten Formalismus, das ist Lean.
Und was Anthropic gemacht hat, auch mit ihrer eigenen Armada von tausenden Agenten, ist mal diesen Andrew-Wiles-Beweis, also diesen komplexen Beweis, formalisiert in diese Sprache und dann eben nachgewiesen, ja, das, was Menschen jetzt in den letzten Jahren, Jahrzehnten gemacht haben, zu beweisen, dass es wirklich, wirklich korrekt ist, haben wir jetzt auch mal gemacht.
Und zwar eben mit diesem Framework, diesem Verifikationsframework.
Das hat OpenAI übrigens auch mitgeliefert für die Navier-Stokes-Gleichung.
Allerdings haben danach auch schon wieder andere Leute gefunden.
Ah, das ist nicht so ganz genau das.
Also eure Verifikation ist nicht ganz genau das, was ihr eigentlich in den Dokumenten schreibt.
Also auch da gibt es Schwierigkeiten.
Aber es gibt auch da Bestrebungen, ähnlich wie man ins Wetter gucken kann, dass man versucht, diese mathematischen Beweise auch verifizierbar zu machen.
Ich glaube gerade, diese Verifizierbarkeit ist ein Riesenproblem, wenn wir bei Anthropic bleiben.
Anthropic soll ein eigenes Biolabor.
aufgebaut haben, in dem mehr oder weniger rund um die Uhr, wenn ich richtig informiert bin, bis zu 1000 Agents laufen und riesengroße Datenbanken rund um DNA auslesen und einfach nur Hypothesen publizieren beziehungsweise raushauen und sagen, hey, ich habe ja das gefunden, das könnte darauf hindeuten und Menschen das am Ende prüfen.
Also quasi, wenn du so willst, eine Wissenschaftsfabrik, wo Agents schauen, was passiert hier eigentlich, was gibt es für Annahmen.
Und dann den Menschen hinwerfen, so hey, du menschlicher Wissenschaftler, prüft das doch mal, guck mal, ob das stimmt.
Ist das die Zukunft der Wissenschaft?
Es ist eine sehr, sehr gute Frage.
Ich kenne auch Leute, und das kann ich auch verstehen, die sagen, das meiste Wissen findet man eigentlich bei dem Versuch, das Wissen zu erlangen.
Also der Weg zu so einem mathematischen Beweis liefert am Ende viel mehr Abzweigungen für den Wissenschaftsbetrieb als dieser...
eigentliche Beweis.
Und dass ganz viel verloren geht, wenn wir sozusagen jetzt von der KI einfach nur den Stempel kriegen, stimmt, stimmt nicht.
Und den Beweis dahinter, vielleicht diese Learning Experience, am Ende haben wir weniger Erkenntnis als zuvor.
Ich persönlich mit so einem Biolabor, gut, jetzt nehmen wir mal aus dem Vor, was da vielleicht alles los sein könnte.
Klammer ich mal vielleicht kurz aus, aber wenn am Ende dort einen Weg gefunden wird, Alzheimer zu bekämpfen oder Krebs, dann ja.
Ich nehm's.
Ich find's großartig, wenn wir wissenschaftlichen Fortschritt feiern.
Ich bin auch kritisch in gewissen Sachen, aber gerade überwiegt bei mir die Vorfreude auf eine Ära wissenschaftlichen Fortschritts.
Ja, voll.
Was ist denn so dein größter Kritikpunkt gerade?
Also wenn du so die News liest, ich mein, wir nehmen jetzt hier Ende Oktober auf, was sind gerade so Dinge, die dich umtreiben als jemand, der vom Fach ist, der...
tatsächlich ja weiß, zu was KI auch imstande ist, im positiven Sinne.
Drehen wir das vielleicht mal um und gucken mal so ein bisschen auf diese ganze Doomsday-Erzählung.
Ja genau, da ist natürlich auch was dran, also die Gefahren sind real, wann immer du Chancen hast, hast du irgendwie immer auch Gefahren und gerade jetzt vielleicht ein bisschen von der Wissenschaft weg, aber IT-Security, wir hatten jetzt vor kurzem, da haben wir ein gutes Timing von unserem Podcast gewählt, wir hatten jetzt am Wochenende die PHP-Sicherheitslücke, wo auf einmal irgendwie ein paar Prozent des Internettes abgeschaltet werden mussten, übrigens die Sicherheitslücke auch wieder gefunden von OpenAI, natürlich genau, aber noch nicht gefixt und schon berichtet, das heißt jetzt konnten Leute, wirklich sich Zugang zu den Servern verschaffen.
Und das ist gerade ein Ding.
Das wird uns jetzt noch ein paar Jahre begleiten.
Es ist so, wenn man im öffentlichen Dienst irgendwie einen Kunden hatte, aber das ist nicht nur öffentlicher Dienst, das ist auch Mittelstand.
Ihre IT-Systeme, die sind nicht gehärtet in aller Regel.
Da brauchen wir gar nicht den allerbesten Agent, der neue Sicherheitslücken entwirft und findet, um irgendwo reinzukommen.
Da brauchst du nur Compute.
die Möglichkeit, viele Sachen zu versuchen und dann findest du irgendwen, der einen Fehler gemacht hat.
Und das wird uns jetzt begleiten.
Wir werden wirklich lange, das ist meine These, können wir irgendwann nochmal drüber reden, ob das eingetreten ist, wir werden wirklich lange eine Härtung unserer IT-Systeme sehen müssen, weil eben jetzt, heutzutage, was früher eine Armada von Hackern in irgendeinem Labor gebraucht hätte, die können jetzt sozusagen eine Person mit 100 Agents, 1000 Agents und ein bisschen Budget, kann jetzt so viele Systeme unerlässlich angreifen, 24-7 mit Kreativität.
alternativen Methoden, ja, das wird wahrscheinlich jetzt eine Weile auf uns zukommen, dass wir wirklich viel Unsicherheit im Rapper erleben.
Und das lässt sich natürlich nur lösen, indem wir selbst auch KI nutzen, um die Sicherheitslücken bei uns selbst zu schließen.
Also erstmal so ein bisschen salopp gesprochen, aber es gibt ja immer diese Erzählung von wegen, hey, wir haben hier eine wahnsinnig...
krasse Bombe gebaut, aber wir können euch gleich den Schutzbunker auch mitverkaufen, wenn ihr wollt.
Also wird das überhaupt noch menschlich lösbar sein?
Also sowohl, sage ich mal, IT-Security als auch Review und Checken dieser ganzen wissenschaftlichen Arbeiten, die da jetzt gerade rauskommen?
Oder müssen wir da einfach sagen, wir Menschen, wir sind überholt?
Ja, von Geschwindigkeitsaspekten her ist es tatsächlich so.
In der Geschwindigkeit, wie jetzt Angreifer oder Publikationen entstehen, in der Geschwindigkeit können wir nicht mithalten als Menschen, die sozusagen ihre Finger über eine Tastatur schwingen oder an der Tafel was schreiben.
Also ja, genau, auch hier wird es KI für die Verteidigung brauchen, für die Härtung unserer Software-Systeme, für genau auch die Hardware.
Also da werden wir KI brauchen, um uns da gut aufzustellen, genauso wie wir auch für den Review-Prozess im Wissen.
kontext, KI einfach brauchen werden, um uns das abzunehmen, Sachen zu finden, die vielleicht schon von vornherein nicht richtig ist, um uns auch helfen, die Sachen zu verstehen.
Wir können ja auch gar nicht alles lesen.
Also KI muss uns das auch erklären.
Das ist wirklich so.
Sonst kommen wir einfach nicht hinterher.
Ob das gut ist oder schlecht, muss jeder für sich entscheiden, aber es ist auf jeden Fall, es verändert sich viel.
Das steht fest.
Ja, das ist tatsächlich was, was in der Vorbereitung auch so als Abschlussfrage aufkam.
Was passiert eigentlich, wenn mit einmal Probleme gefunden und gelöst werden, die wir Menschen eigentlich gar nicht verstehen?
Also wenn tatsächlich KI jetzt irgendwie Sachen aufmacht, wo wir am Ende sagen, da reicht die Kapazität von unserem Wissen einfach auch noch gar nicht aus, um das tatsächlich zu checken, dann muss KI uns unsere eigene Wissenschaft erstmal erklären.
Das finde ich eine absurde Vorstellung.
Ist eine absurde Vorstellung.
Ich glaube, da sind wir auch noch ein bisschen weg.
Die KI-Modelle, die wir gerade haben, zum Beispiel gehen wir mal, um den Kreis vielleicht noch zu schließen, auf das Problem, was die KI bei mir gelöst hat, was die KI halt extrem gut kann, ist, die kennt sozusagen ganz viele Patterns aus ganz vielen Beweisrichtungen, auch Sachen, die kenne ich überhaupt nicht, weil sie aus anderen Fachrichtungen kommen und die sozusagen dieses Querdecken dieser Probleme und Verbindungen schaffen, wo ein Mensch gar nicht das Wissen hat, Verbindungen schaffen.
Also der Beweis, den die KI bei mir geführt hat.
dass sozusagen eine sehr intelligente Zusammenführung verschiedener Techniken, die aber im Großen und Ganzen schon existiert haben, ja.
Sozusagen irgendwann werden wir vielleicht dieses Self-Improving, diese sich selbst weiterentwickelte KI haben, die irgendwann uns abhängt, aber da sind wir gerade nicht.
Gerade haben wir, KI ist extrem schlau.
Plus, KI hat einfach diese Kapazitäten, diese Rechenkapazitäten, die unser menschliches Gehirn einfach nicht hat.
24-7 und das mit einer Geschwindigkeit von einem High-Computerechner.
Das haben wir nicht und das gibt KI gerade den Vorsprung, wann wir zu dem Punkt kommen, wo vielleicht KI sich sagt, mit den Menschen in ihrer dummen Sprache zu reden, das ist mir jetzt wirklich zu blöd geworden.
Das sind wir auf jeden Fall jetzt noch nicht.
Okay, oh Gott, ja, was das alles mit sich bringt, ist auf jeden Fall verrückt.
Schöne neue Welt, oder?
Ich meine, vor allem, wenn man jetzt überlegt, Compute ist das, was so eine KI ausmacht.
Da stehen wir ja, wenn wir so ein bisschen auf die Geopolitik gucken, in Deutschland und Europa irgendwie nicht so gut da, oder?
Ich meine, das ist ja eigentlich alles in großen Rechenzentren in den USA, in Asien.
Wie siehst du das?
Ja, auf jeden Fall, da hast du vollkommen recht.
Es gibt Initiativen, da aufzuholen.
Es gibt auch ein paar Firmen und ein paar Bestrebungen, wo schon dann massenhaft GPUs auch in Europa installiert und angeschafft wurden.
Aber im Vergleich hast du völlig recht.
Also es ist ein Bruchteil, den wir hier in Europa haben, zum Beispiel in dem Vergleich von Meta, XAI, SpaceX, OpenAI, Anthropic, Google und so weiter.
Also die haben den Compute weltweit für sich gebunkert, mit China noch auf der anderen Seite.
Da muss man gucken, was das bedeutet.
Man muss auf jeden Fall seine Freunde bei sich halten, wenn es geht und man muss versuchen, den Vorsprung zu verringern, so gut man kann, sich nicht zu abhängig zu machen.
Bin mal gespannt, ob uns das gelingt.
Also diesen geopolitischen Einblick müssen wir natürlich hier am Ende nochmal wagen.
Ja, wir werden es sehen, auch je nachdem, was für wissenschaftliche Probleme eigentlich wo von wem noch gelöst werden.
Also wir können ja dann irgendwie sagen, okay, wir haben hier irgendwie starke Unis und die gibt es ja durchaus in Deutschland und Europa auch.
Aber wenn dann am Ende weniger Paper veröffentlicht werden, dann kann man natürlich auch gucken, inwiefern ist das denn eigentlich noch nützlich.
Aber da, oh, da muss ich auch noch was zu sagen, da habe ich nämlich auch was gelesen.
Es gibt diese Forderung nach Mathematik 2.0.
Hast du davon gehört?
Das ist Terence Tao.
Der Fields-Medaillenträger Terence Tao fordert in Nature ein Umdenken.
Wenn Maschinen immer mehr mathematische Probleme lösen, sollte die Wissenschaft menschliches Verständnis höher gewichten als die bloße Anzahl veröffentlichter Lösungen.
Ich kenne tatsächlich, der hat so ein Manifest geschrieben, das habe ich gelesen, ich weiß nicht, ob das dasselbe ist.
Geht auch in die Richtung, die ich vorhin gesagt habe, dass vieles von so einem mathematischen Lösungsprozess, tatsächlich der Weg davon macht ganz viel mit uns und hat auch langfristig immer viele Implikationen, von denen man gar nicht denkt, weil man eben auch auf dem Weg ganz viele Wissen erlangt.
Ich stimme da schon.
zu einem Teil zu, stimme mindestens so weit zu, dass wir das Ganze neu denken müssen.
Stellen wir uns mal die Frage mit der Dissertation, Max.
Also, was ist denn eine Dissertation?
Ich stelle mir die Frage, ich bin so froh, dass ich promoviert habe, bevor wir in dieses Zeitalter gekommen sind, weil das ist das auch, was ich mit meinem Doktorvater tatsächlich besprochen habe.
Jetzt fängt jemand an und will promovieren.
Ist das eine Dissertation, weil er eine KI gefragt hat nach einer Lösung und sie hat sie ihm gegeben?
Ist das eine Dissertation?
Ich weiß es nicht.
Ja, also wir müssen es auf jeden Fall neu denken, wie wir auch Anerkennung in der Wissenschaft schaffen, ja.
Ich würde mal die These aufstellen, dass es nie so einfach war, einen Doktortitel zu bekommen wie jetzt.
Genau, bis sich die Universitäten, die ja bekanntlich auch ein bisschen länger brauchen, um die Regeln aufzustellen, bis die sozusagen nachgezogen haben mit Regelwerken, ist es gerade, glaube ich, echt gut möglich, eine hochwertige Dissertation zu schreiben, ja.
Ja, vielleicht muss ich dann doch nochmal eine raushauen.
An so einem Wochenende.
Vielen lieben Dank für deine Zeit, Danny.
Sehr spannende Einblicke in KI und Wissenschaft.
Ich bin gespannt, wie es weitergeht mit dem ganzen Thema.
Da wird uns mit Sicherheit noch einiges erreichen.
Was machst du jetzt?
Du stehst, glaube ich, gerade between jobs, wie man so schön sagt.
Ja, genau.
Also ich bleibe der Softwarewelt verbunden, gehe jetzt in ein kleineres Startup, komme gerade eher aus einem 150-Mann-Unternehmen.
Wäre jetzt auch noch ein bisschen agiler, wie man so schön sagt.
Bleib aber der KI erhalten.
Also KI-Lösungen, das ist weiterhin mein Metier.
Dann drücke ich dir dafür die Daumen.
Lieben Gruß nach Leipzig und bis bald.
Danke, Max.
Ciao, ciao.
Ja, liebe Leute, das war...
Danny Hooker, Dr.
Danny.
Und ich freue mich sehr, dass er zu Gast war und mal ein bisschen berichtet hat über sein Case, aber auch so ein bisschen ins Bigger Picture zu gehen, was hier eigentlich gerade in der Wissenschaft passiert.
Und dieses Human Bottleneck gibt es durchaus auch an anderer Stelle.
Ich habe mit einem befreundeten Entwickler, mit einem Geschäftsführer von einem KI-Startup und Entwickler gesprochen im Nachhinein an die Folge.
Und er sagte, das kennt er sehr gut, denn die haben selbst so ein paar KI-Agents, die über Nacht Code reviewen, Code neu schreiben, auch auf ganz neue Ideen.
Und er sagt, das Problem sind wirklich die Kapazitäten auf menschlicher Ebene.
Also wenn am nächsten Morgen dann irgendwie 27 neue Ideen dastehen und die Codes entsprechend verbessert wurden oder erst mal verändert, muss man ja sagen, dann sagt er, reicht es häufig nicht mit den Angestellten, das überhaupt noch zu checken.
Und das ist ganz ähnlich wie eben in der Wissenschaft auch, wenn Beweise erbracht werden und es am Ende...
nicht in diesen Peer-Review-Prozess gehen kann, weil einfach keine Menschen da sind, die Kapazitäten haben, um das Ganze durchzuführen.
Und das ist doch etwas, wo wir drüber sprechen müssen, was uns mit Sicherheit auch im nächsten Jahr noch begleiten wird und wahrscheinlich nochmal ganz andere Lösungsansätze erfordern wird.
Spannendes Thema.
Ich hoffe, es hat euch auch gefallen.
Können wir mal die Kollegin fragen, was sie eigentlich vorschlagt, um dieses Dilemma aufzulösen.
Alles klar.
Kurz und frech.
Lass die Agents nicht nur Code liefern, sondern gleich die prüfbaren Tests dazu.
Dann filtern unabhängige Checks vor und Menschen schauen nur bei den wirklich heiklen Sachen drauf.
Und wenn sich der Stapel trotzdem türmt, müssen die Agents halt langsamer machen.
Auch eine KI braucht gelegentlich einen Türsteher.
So, genau.
Oh, guck mal, vielleicht werden wir Menschen Türsteher in Zukunft für die KI.
Muss ich drüber nachdenken.
Vielen, vielen Dank fürs Zuhören dieser Woche.
Ich hoffe, es hat euch gefallen.
Dann lasst gerne einen Kommentar, einen Like da oder...
Ja, bewertet uns.
Auf der Plattform eurer Wahl, das bringt uns tatsächlich am meisten.
Und ansonsten hören wir uns kommenden Freitag zu Kollegin KI Snackbox mit den News der Woche.
Ich wünsche euch bis dahin eine fantastische Woche.
Bis dann.
Macht's gut.
Ciao.
Tschüss Max.
War schön mit dir.
Und ja, mehr Bewertungen helfen mehr als mein schlechtester Witz.
Tschüssi.
Lass mal so stehen.
Ciao.
Dieser Podcast wird produziert von Podstars bei OMR.