OpenAIs Astra-Modell knackt zehn jahrzehntealte Mathe-Probleme für 2.000 Dollar – das ist passiert

Am 1. August 2026 gab OpenAI bekannt, dass eine interne Version seines unveröffentlichten Modells der nächsten Generation, Astra, zehn neue Ergebnisse in Mathematik und theoretischer Informatik erzielt hat – jedes zu Problemen, die seit mindestens einem Jahrzehnt offen waren, die meisten sogar noch länger . Das Unternehmen veröffentlichte ein 249-seitiges Manuskript und stellte maschinell überprüfbare Lean-4-Beweiszertifikate auf GitHub unter einer Apache-2.0-Lizenz zur Verfügung . OpenAI gab an, dass die Token-Kosten für die Generierung aller zehn Lösungen bei etwa 2.000 Dollar zu Sol-API-Preisen lagen . Die Ankündigung stieß sowohl auf Begeisterung über die Ergebnisse als auch auf Skepsis hinsichtlich ihrer Darstellung und ihrer Grenzen .

Die spezifischen Probleme, die Astra gelöst hat

Laut OpenAIs Bericht erstreckten sich die Ergebnisse über acht Fachgebiete und umfassten Beweise, Gegenbeispiele und verbesserte Schranken :

• Nicht-sofische Gruppen – Erste explizite Konstruktion, die die Existenz nicht-sofischer Gruppen beweist und damit eine zentrale offene Frage der Gruppentheorie schließt, die seit der Einführung des Sofizitätsbegriffs durch Michail Gromow im Jahr 1999 keinen Fortschritt mehr gesehen hatte .
• Connessche Starrheitsvermutung – Widerlegung einer lang gehegten Vermutung über Von-Neumann-Algebren .
• Hochdimensionale Kugelpackung – Neue obere Schranken für Kugelpackungen in Dimensionen jenseits bereits geklärter Fälle .
• Drei Probleme von Paul Erdős – Lösung von drei offenen kombinatorischen Problemen aus dem Erdős-Kanon, darunter Erdős-Problem Nr. 183 zu mehrfarbigen Ramsey-Zahlen .
• Weitere Ergebnisse – Neue Resultate in Quanten-Parallelwiederholung, dem nächsten-Vektor-Problem in der Gitterkryptographie, arithmetischer Schaltkreiskomplexität, binären und sphärischen Codes sowie Ehrharts Volumenvermutung .

Wie OpenAI die Lösungen verifiziert hat

OpenAI verließ sich nicht allein auf die Ergebnisse des Modells. Jedes Ergebnis wurde von einem Lean-4-Formalproof-Zertifikat begleitet – einer computergeprüften Beweisdatei, die jeder Leser auf einem Laptop unabhängig überprüfen kann . Lean ist ein Beweisassistent, der jeden logischen Schritt von den Axiomen bis zur Schlussfolgerung überprüft und Lücken, Typfehler und Inkonsistenzen aufdeckt . OpenAI veröffentlichte alle Lean-Dateien öffentlich auf GitHub, und die Anzahl der „sorry“-Einträge im Repository – die auf unbewiesene Schritte hinweisen – liegt für alle zehn Beweise bei null .

Allerdings wiesen mehrere Kommentatoren darauf hin, dass formale Verifikation wichtige Grenzen hat: Lean kann bestätigen, dass eine formale Aussage aus ihren formalen Definitionen folgt, aber es kann nicht zertifizieren, dass eine Pressemitteilungs-Zusammenfassung den formalen Satz korrekt wiedergibt, dass die formalen Definitionen dem von der Mathematikgemeinschaft beabsichtigten Problem entsprechen oder dass die Neuheit und historische Einordnung des Ergebnisses korrekt sind . Experten müssen weiterhin die Aussagentreue, Definitionen, Reduktionen und die informell-formale Brücke prüfen .

Die Kosten: 2.000 Dollar in Token

OpenAI gab bekannt, dass die gesamten Rechenkosten für die Generierung aller zehn Lösungen bei etwa 2.000 Dollar an Token-Kosten zu Sol-API-Preisen lagen . Diese Zahl ist ein API-äquivalenter Preis nur für die lösungsfindenden Token – sie schließt fehlgeschlagene Versuche, parallele Explorationsläufe und die interne Rechenleistung aus, die vor dem Auffinden eines Zertifikats aufgewendet wurde . Im Vergleich dazu kann ein einzelnes Jahresstipendium eines Mathematik-Doktoranden an einer Top-Universität über 50.000 Dollar betragen, was die Kosteneffizienz für viele Beobachter zum auffälligsten Aspekt der Ankündigung macht .

Kritik und Skepsis

Die Mathematikgemeinschaft und KI-Forscher haben mehrere Vorsichtspunkte angeführt:

• Mathematics community divided – Die Bewertung der Ergebnisse bleibt gemischt. Einige Forscher warnen davor, dass die Lean-Zertifikate zwar formale Korrektheit beweisen, aber nicht garantieren, dass die Ergebnisse bedeutsam, überraschend oder korrekt als Lösungen der beabsichtigten offenen Probleme dargestellt sind .
• Gary Marcus (Kognitionswissenschaftler) argumentierte, dass „Erfolg in Mathematik ein Sonderfall ist“ und dass Fachwissen in einem Bereich keine allgemeine Denkfähigkeit impliziert. Er listete acht häufige Missverständnisse auf und warnte davor, das Ergebnis auf die gesamte Wissenschaft zu verallgemeinern .
• „Wer verifiziert KI-Beweise?“ – Beobachter stellten die offene Frage, wie KI-generierte Mathematik auditiert werden kann, wenn die Argumentation undurchsichtig ist. Es gibt keine vereinbarte Methode, um zu bewerten, ob das Ergebnis eines Black-Box-Modells eine nicht anerkannte Rekonstruktion bekannter Arbeiten ist .
• Fehlende Peer-Review und Transparenz – Die Ankündigung erfolgte kurz nach der „Leidener Erklärung“ im Juni 2026, in der Mathematiker kritisierten, dass KI-Unternehmen mit Pressemitteilungen das Peer-Review umgingen . OpenAI hat das Astra-Modell weder öffentlich freigegeben noch ein Model-Card vorgelegt oder die Fehlerrate hinter der 2.000-Dollar-Zahl offengelegt .
• Vergleich mit Google DeepMind – Skeptiker wiesen darauf hin, dass frühere KI-Mathematik-Behauptungen (z. B. DeepMinds AlphaGeometry) später auf den Prüfstand gestellt wurden, und mahnten zur Vorsicht, bevor man einen Paradigmenwechsel ausruft .

Breitere Implikationen

• Demokratisierung der Forschung – Die Kosten von 2.000 Dollar deuten auf eine Zukunft hin, in der kleine Teams oder sogar Einzelpersonen KI nutzen können, um echte Forschungsbeiträge zu leisten, die zuvor jahrelange menschliche Expertise erforderten .
• Krise der Verifikationskultur – Das Feld steht nun vor der dringenden Notwendigkeit, vereinbarte Standards dafür zu entwickeln, wie KI-generierte Beweise bewertet, attribuiert und peer-reviewt werden können, wenn das Modell eine proprietäre Black Box ist .
• Kommerzielle Kontrolle der Mathematik – Wenn die Erforschung mathematischer Grundlagen von API-Zugriff auf proprietäre Modelle abhängig wird, verlagert sich die zentrale Forschungsinfrastruktur von öffentlichen Einrichtungen zu privaten Unternehmen .
• Neuer Maßstab für KI-Fähigkeiten – Im Gegensatz zur Lösung fester Wettbewerbsprobleme (z. B. IMO oder MATH) produzierte Astra wirklich neuartige Ergebnisse zu offenen Problemen, die die Wissensgrenze verschoben haben, und erhöht damit die Messlatte für das, was „KI als Mathematiker“ bedeutet . Thomas Bloom, Mathematiker an der University of Manchester, nannte die Ergebnisse „große Neuigkeiten“, wies aber auch die Idee zurück, dass KI Mathematiker ersetzt, da die KI auf mehr als einem Jahrhundert mathematischer Theorie aufbaut und von Mathematikern entwickelt wurde .