KI-Mathematik erlebt gerade den gleichen "Ohrfeigen-Moment" wie die Go-Welt vor zehn Jahren.
Diese Einschätzung teilt ausgerechnet der DeepMind-Mitbegründer Demis Hassabis, der vor zehn Jahren das AlphaGo-Projekt vorantrieb.
Obwohl Hassabis in letzter Zeit eine Reihe von Positionswechseln durchlaufen hat – vom DeepMind-CEO zum Chief Scientist bei Google und Vorsitzenden von DeepMind.
Doch wenn es darum geht, wie KI das menschliche Verständnis verändert, gehört er immer noch zu denjenigen mit der größten Autorität.
Vor zehn Jahren erlebte er persönlich, wie AlphaGo mit dem verblüffenden 37. Zug den legendären Spieler Lee Sedol besiegte.
Zehn Jahre später, an vorderster Front, wenn KI in Mathematik und Wissenschaft vordringt, gibt er eine neue Einschätzung ab:
Wenn KI ein Millennium-Problem lösen könnte, wäre das ein Durchbruch auf dem Niveau des "37. Zugs". Derzeit scheint es nur eine Frage der Zeit zu sein, bis KI dieses Niveau erreicht – ich sehe keinen Grund, warum das nicht passieren sollte.
Der 37. Zug, ein Moment, der symbolisiert, dass die Menschheit zum ersten Mal von KI eines Besseren belehrt wurde, ist seither in Erinnerung geblieben.
Aber nur wenige erinnern sich daran, dass der 37. Zug nicht die einzige Antwort war, die dieses Mensch-Maschine-Match hinterließ.
Zwei Spiele später, nach drei Niederlagen in Folge, spielte Lee Sedol den 78. Zug.
Auch dieser Zug hatte nur eine Wahrscheinlichkeit von 1 zu 10.000, von einem Menschen gespielt zu werden, aber er brachte AlphaGo durcheinander und verhalf Lee Sedol zu dem einzigen Sieg der Menschheit in diesem Fünf-Spiele-Match.
Wenn man zehn Jahre später auf dieses Mensch-Maschine-Match zurückblickt, muss man feststellen:
Die Beziehung zwischen Mensch und KI gleicht genau diesen beiden Zahlen.
Der eine lässt die Menschheit KI neu verstehen, der andere lässt die Menschheit sich selbst neu verstehen.
Der 37. Zug, der die Menschheit blamierte
Zurück im März 2016: Das Fünf-Spiele-Match zwischen AlphaGo und Lee Sedol fand in Seoul, Südkorea, statt.
Im ersten Spiel unterlag Lee Sedol AlphaGo – ein schlechter Start.
Im zweiten Spiel wartete die ganze Welt darauf, dass der legendäre Spieler zurückschlägt.
Mitten in der Partie verließ Lee Sedol kurz den Raum, rauchte eine Zigarette, um sich zu beruhigen, doch als er zurückkehrte, war bereits ein schwarzer Stein gesetzt.
Der 37. Zug.
Lee Sedol setzte sich nicht sofort hin, sondern blieb stehen und starrte auf das Brett, kaum seinen Augen trauend.
Der Grund ist einfach: Dieser Zug war zu unmenschlich.
AlphaGo setzte den Stein auf die fünfte Linie und wich damit von der jahrhundertealten Intuition professioneller Spieler ab. In der konventionellen Auffassung des menschlichen Go sollte man Steine möglichst hoch platzieren, um das ganze Brett zu kontrollieren, aber AlphaGo spielte ausgerechnet in ein Gebiet, in dem noch keine direkte Kampfhandlung stattgefunden hatte.
Die Kommentatoren vor Ort vermuteten zunächst sogar, dass AlphaGo einen Fehler gemacht haben könnte.
Der kommentierende Profi-Spieler mit 9. Dan, Michael Redmond, konnte angesichts dieses schwarzen Steins lange kein Urteil fällen und sagte nur:
Ich weiß nicht, ob das ein guter oder schlechter Zug ist, er ist sehr seltsam.
Sein Partner war noch direkter:
Ich dachte, das wäre ein Fehler.
Das DeepMind-Team berechnete später, dass die Wahrscheinlichkeit, dass ein menschlicher Spieler diesen Zug wählt, nur 1 zu 10.000 beträgt.
Doch im weiteren Verlauf der Partie wurde allmählich klar, dass dies kein schlechter Zug war, sondern ein genialer Zug, der das Spiel auf einer größeren Ebene veränderte.
Etwa 100 Züge später wurde dieser scheinbar falsch platzierte schwarze Stein zum Schlüssel für AlphaGos Sieg im zweiten Spiel.
Später wurde dieser Moment, in dem die Menschheit kollektiv falsch lag, scherzhaft als "Ohrfeigen-Moment" bezeichnet –
Man dachte, KI hätte sich geirrt, aber in Wirklichkeit hatte sich die Menschheit geirrt.
Doch abgesehen von der Ohrfeige zeigte dieser Zug der Welt zum ersten Mal, dass KI nicht nur menschliches Go imitieren kann, sondern auch Züge spielen kann, die Menschen nie in Betracht gezogen haben.
Und genau zehn Jahre später ist der "37. Zug" tatsächlich wieder aufgetaucht, und diesmal in Verbindung mit einer uralten Disziplin:
Mathematik.
Für KI haben Go und Mathematik eine große Gemeinsamkeit: die Verifizierbarkeit.
Da die Logik und Regeln in diesen Bereichen klar genug sind, kann KI einen einfachen Prozess wiederholen:
Eine Idee ausprobieren, sie testen, aus den Ergebnissen lernen und dann weitermachen, bis es klappt (das Reinforcement-Learning-Prinzip).
Dieser Mechanismus erklärt auch, warum Mathematik die erste Disziplin ist, die von KIs "37. Zug" intensiv bombardiert wird.
In der Arzneimittelforschung, Biologie und anderen Bereichen muss oft erst ein langes Experiment zeigen, ob eine Idee funktioniert.
In der Mathematik ist das anders: Beweise können Schritt für Schritt überprüft werden, richtig ist richtig, falsch ist falsch, und KI kann daher unermüdlich suchen.
So, mit zunehmender KI-Fähigkeit, begannen sich die Veränderungen im Jahresrhythmus zu beschleunigen.
Ausgehend von der Geburt von ChatGPT wurden große Modelle im Jahr 2023 noch von einfachen Rechenaufgaben ausgebremst; die Panne bei der Frage „Was ist größer, 9.11 oder 9.9?“ sorgte zeitweise für Gelächter.
Aber bis 2024 hatten sich DeepMinds AlphaProof und AlphaGeometry 2 bereits in die Internationale Mathematik-Olympiade vorgekämpft.
Die beiden Systeme lösten 4 der 6 Aufgaben, holten 28 Punkte und erreichten Silber-Niveau (nur 1 Punkt unter der damaligen Goldgrenze).
Und nur ein Jahr später löste Gemini Deep Think innerhalb der offiziellen 4,5 Stunden 5 Aufgaben, holte 35 Punkte und erreichte IMO-Gold-Niveau.
In zwei Jahren entwickelte sich die KI vom Anfänger zum IMO-Goldmedaillengewinner – eine erstaunliche Geschwindigkeit.
Aber das war nur die Prüfungsumgebung.
Was die Mathematikwelt wirklich spüren ließ, dass die Flut kommt, war, dass KI begann, vom „Aufgabenlösen“ zur „Forschung“ überzugehen.
2025 beteiligte sich GPT-5 an der Lösung des Erdős-Problems 848 und lieferte die entscheidende Schätzung für den Beweis.
Nachdem Mathematiker sie korrigiert und verschärft hatten, wurde der vollständige Beweis schließlich erbracht.
Im selben Jahr nutzte der UCLA-Mathematiker Ernest Ryu GPT-5, um einen Durchbruch bei einem offenen Problem zu finden, das die Optimierungstheorie 40 Jahre lang beschäftigt hatte.
In dieser Phase berechnet KI nicht mehr nur Antworten, sie beginnt, entscheidende Ideen beizusteuern.
Dann, im Jahr 2026, begannen bedeutende mathematische Probleme Durchbrüche zu erzielen.
Der erste, der die Bombe platzen ließ, war wieder OpenAI.
Ein internes allgemeines Denkmodell nahm sich des Problems der ebenen Einheitsdistanz an. Dieses Problem wurde 1946 vom Mathematiker Paul Erdős gestellt und untersucht, wie viele Paare von Punkten mit genau Abstand 1 maximal auf einer Ebene platziert werden können, wenn man n Punkte setzt.
Fast 80 Jahre lang ging die mathematische Gemeinschaft allgemein davon aus, dass Konstruktionen wie quadratische Gitter nahezu optimal sind.
Aber die KI holte sich direkt ein Werkzeug aus der scheinbar unzusammenhängenden algebraischen Zahlentheorie und konstruierte eine völlig neue Punktmenge, die diese langjährige Vermutung widerlegte.
Der gesamte Beweis wurde anschließend von externen Mathematikern verifiziert.
OpenAI erklärte, dies sei das erste Mal, dass eine allgemeine KI autonom ein offenes Problem von bedeutender Stellung in einem mathematischen Zweig gelöst habe.
Kurz darauf zog Anthropic nach.
Im Juli 2026 fand der Anthropic-Mathematiker Levent Alpöge mit Hilfe von Claude Fable 5 ein explizites Gegenbeispiel zur Jacobi-Vermutung.
Eine Vermutung, die die mathematische Welt 87 Jahre lang beschäftigt hatte, wurde so über Nacht von KI widerlegt.
Es gab sogar eine Zusammenarbeit der beiden Firmen OA.
Erst vor kurzem lösten GPT-5.6 und Fable 5 gemeinsam ein seit 25 Jahren offenes mathematisches Problem.
(Ähnliche Geschichten gibt es zuhauf …)
Am übertriebensten ist jedoch Google: DeepMind verwandelt diese Durchbrüche in eine Fließbandproduktion.
Sein mathematischer Agent Aletheia generiert nicht nur eine Antwort, sondern schlägt wiederholt Beweise vor, prüft auf Schwachstellen, verwirft sich selbst und sucht dann erneut nach Wegen.
DeepMind nutzte es, um 700 offene Probleme aus der Erdős-Vermutungsdatenbank zu scannen.
Dabei löste die KI eigenständig 4 ungelöste Probleme und trug außerdem zu mehreren mathematischen Ergebnissen bei, die Publikationsqualität erreichten.
Dieser Versuch zeigt, dass KI beginnt, in großem Umfang die weißen Flecken in der mathematischen Welt zu durchsuchen.
Es ist also nicht schwer vorstellbar:
Es ist nur eine Frage der Zeit, bis KI mehr bedeutende mathematische Probleme löst.
Vom Lösen von Problemen zur Forschung, vom Wiederholen bekannten Wissens zum Aufzeigen unbekannter Antworten – der 37. Zug im Bereich der Mathematik wird nacheinander gespielt.
Auf der Suche nach dem 78. Zug der Menschheit
Und angesichts dieses wahrscheinlich bald bevorstehenden Moments wird die Menschheit zweifellos mit einer existenziellen Frage konfrontiert:
Wenn KI weiterhin neue Wege geht, die Menschen nie in Betracht gezogen haben, was sollen die Menschen dann tun?
Der 78. Zug, der in diesem Duell vor zehn Jahren auftauchte, könnte die Antwort sein.
In der vierten Partie des Fünf-Spiele-Matches, nachdem Lee Sedol bereits drei Spiele verloren hatte, keilte er einen weißen Stein in die Mitte von AlphaGos Formation.
Dieser Zug wich ebenfalls von der Norm ab; AlphaGo schätzte die Wahrscheinlichkeit, dass ein Mensch diesen Zug spielt, auf nur ein Zehntausendstel.
Danach geriet die Maschine ins Wanken.
Lee Sedol holte schließlich den einzigen Sieg für die Menschheit, und der 78. Zug wurde daher als „Göttlicher Zug" bezeichnet.
Dieser Sieg bedeutet nicht, dass die Menschheit die KI wieder besiegt hat.
Aber er zeigt zumindest, dass der Mensch nach dem Verständnis der Maschine den nächsten Schritt finden kann, den die Maschine nicht vorhergesehen hat.
Genau das ist die Lehre, die der 78. Zug für heute bereithält.
Je besser KI darin wird, Antworten zu geben, desto mehr wird sich der Wert des Menschen darauf verlagern, Fragen zu stellen, Richtungen zu bestimmen und zu entscheiden, welche Antworten wirklich gesucht werden sollten.
In Anlehnung an das Konzept des „Centaur-Schachs" aus dem Schach, bei dem menschliche Spieler und Computer-Engines gemeinsam kämpfen.
p.s. Nachdem 1997 IBMs „Deep Blue" den menschlichen Weltmeister Kasparow besiegte, initiierte und veranstaltete Kasparow 1998 das erste „Centaur-Schachturnier", um die Möglichkeiten der Zusammenarbeit zwischen Mensch und KI zu erkunden.
Hassabis glaubt, dass die Wissenschaft in ein ähnliches „Centaur-Zeitalter" eintritt:
Wir treten in eine Ära der Zusammenarbeit zwischen Mensch und Computer ein; ich weiß nicht, wie lange dieser Zyklus dauern wird. Aber für sehr komplexe Bereiche könnte diese Zeit sehr lang sein. Zum Beispiel in der Arzneimittelforschung, Biologie, Chemie usw. Diese Bereiche sind sehr komplex, die Situationen ändern sich ständig, und nicht alles kann verifiziert werden. Dann sind die Intuition und Einsicht des Menschen gefragt, um die Richtung zu bestimmen.
Die spätere Entwicklung im Go hat dies bereits bewiesen.
Nach dem Erscheinen von AlphaGo wurde KI schnell zum Analysewerkzeug für Profispieler; Spieler können mit KI vergangene Eröffnungen überprüfen, herausfinden, welche Erfahrungen unzuverlässig sind, und auch neue Spielzüge untersuchen, die früher als unvernünftig galten.
Eine Studie, die über 5,8 Millionen Entscheidungen von Profispielern analysierte, fand heraus:
Nach dem Aufkommen von Super-KI verbesserte sich die Zugqualität menschlicher Spieler deutlich, und auch neuartige Spielzüge nahmen zu.
Es gibt jedoch auch eine andere Seite der Medaille:
Die Menschen beginnen, sich auf KI-Antworten zu verlassen und verlieren allmählich die Fähigkeit, Antworten zu beurteilen.
Wie Lee Sedol bei seinem Rücktritt sagte: Angesichts eines unbesiegbaren Gegners fällt es ihm schwer, das einst geliebte Go weiter zu genießen.
Das ist vielleicht das Problem, vor dem wir uns im KI-Zeitalter am meisten hüten sollten.
Wenn mehr Bereiche außerhalb der Mathematik von KI beeinflusst werden, werden uns leistungsfähigere Systeme kreativer, effizienter und menschlicher machen?
Oder werden sie die Menschen dazu bringen, aufzugeben?
In Zukunft wird KI weiterhin den 37. Zug spielen.
Die verbleibende Frage ist, ob die Menschheit ihren eigenen 78. Zug finden kann.
Referenzlinks:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Dieser Artikel stammt vom WeChat-Konto „Quantum Bit", Autor: Fokus auf Spitzentechnologie
