Warum KI plötzlich gut in Mathematik wird
Latent Space fragt, welche Probleme sich für LLMs eignen, und nutzt dafür Gowers' Komplexitätsmodell aus Hinweisen. KI sucht demnach anders als Menschen, nämlich Tiefe zuerst.
Worum es geht
Der Latent-Space-Beitrag beschreibt angebliche Durchbrüche von KI-Modellen in der Mathematik und fragt, welche Probleme für LLMs lösbar sind. Als Beispiel dient der Beweis gegen die Erdős-Einheitsdistanz-Vermutung.
Die wichtigsten Fakten
- Laut Artikel fand ein internes OpenAI-Modell im Mai ein Gegenbeispiel zur seit 1946 offenen Erdős-Vermutung. Es folgten ein Beweis zum Cycle Double Cover und weitere Lösungen.
- Außerdem werden ein Navier-Stokes-Beweis und Anthropic-Arbeiten zu Fermats letztem Satz und zur Riemann-Hypothese genannt. Das stammt aus dem Artikel und wurde hier nicht geprüft.
- W. T. Gowers beschreibt Schwierigkeit als kürzeste Hinweisfolge für Experten, Formel 2^k + t.
- Menschen suchen laut Autor breadth-first, weil das Verfolgen einer Idee Monate dauert.
- LLMs suchen dagegen depth-first, weil Rechenzeit und Tokens den Aufwand t stark senken.
Einordnung
Der Beitrag liefert ein hilfreiches mentales Modell, wo KI in der Forschung ansetzen sollte. Die genannten Beweise sind außergewöhnliche Behauptungen, deren Verifikation im Auszug nicht erkennbar ist. Der Text ist zudem abgeschnitten, daher bleibt die Argumentation unvollständig.
