GPT-5 als Werkzeug zur Beweisexploration: Was Ernest Ryus NAG-Ergebnis wirklich zeigt

Die 40 Jahre alte Frage zur Stabilität von NAG

Das Problem, mit dem sich Ryu befasste, ist eng gefasst und alt. Die von Yurii Nesterov 1983 eingeführte Nesterov-Accelerated-Gradient-Methode beschleunigt die Konvergenz, indem sie den Gradienten einer Funktion an einem "vorausschauenden" Punkt berechnet statt am aktuellen. Forscher beobachteten jahrzehntelang, dass dieser zusätzliche Schwung Algorithmen drastisch schneller machte, ohne sie zu destabilisieren – doch niemand hatte einen Beweis dafür erbracht, warum das so ist.

Ryu, der 15 Jahre in der angewandten Mathematik und Optimierungstheorie verbracht hat, hatte dies bereits zuvor mit Kollegen versucht und war gescheitert. Seine Intuition sagte ihm, dass die Antwort vielleicht einfach sei; Menschen hatten den Weg nur noch nicht gefunden. Dieser Rahmen ist wichtig: Es handelte sich um ein Problem, das er bereits tief verstanden hatte, nicht um eines, das das Modell entdeckt oder definiert hätte.

Der Arbeitsablauf: Generieren, Verwerfen, Verifizieren in einem neuen Chat

Die von OpenAI beschriebene Mechanik ist der übertragbarste Teil. Über etwa zwölf Stunden verteilt auf drei Tage verfolgte Ryu fast ein Dutzend Ansätze. GPT-5 schlug Richtungen vor – viele falsch, manche unerwartet – und er bewertete jede davon schnell, wechselte bei Sackgassen die Richtung und verfolgte alles Vielversprechende weiter.

Zwei Gewohnheiten stechen heraus. Erstens "lieferte GPT-5 oft Argumente, die plausibel aussahen, aber einer genaueren Prüfung nicht standhielten", sodass Ryu jeden Berechnungsschritt selbst überprüfte. Zweitens hatte er mehr Erfolg damit, einen neuen Chat zu beginnen, wenn er das Modell bat, seine eigene Arbeit zu prüfen, anstatt im selben Chat fortzufahren – er speiste Ergebnisse in saubere Konversationen ein, um zu verhindern, dass sich Fehler anhäuften.

Der Wendepunkt kam, als GPT-5 vorschlug, die Gleichungen, die NAG bestimmen, umzustrukturieren. Der Vorschlag war in seiner ursprünglichen Form nicht korrekt, aber Ryu erkannte ein bedeutsames strukturelles Merkmal, arbeitete es selbst rigoros aus und nutzte gezielte Fragen, um die Tragfähigkeit zu prüfen. Dieser Ansatz wurde zum Rückgrat des Beweises, den er schließlich verfasste.

Wofür das Modell gut war, und wofür nicht

OpenAI ist ungewöhnlich offen über die Grenzen. GPT-5 "erfand keine neuen mathematischen Werkzeuge und Prinzipien"; es wandte bestehende an und zog Gleichungen und Ideen aus Arbeiten heran, die leicht außerhalb von Ryus Spezialgebiet lagen. Es konnte keinen vollständigen Beweis eigenständig zusammensetzen, obwohl, in Ryus Worten, "mehrere der entscheidenden Schritte, die letztlich ausschlaggebend waren, von GPT-5 vorgeschlagen wurden".

Die beschriebene Stärke ist die erschöpfende Suche: das schnelle Vorschlagen und Verwerfen von Varianten und das Ausleihen von Werkzeugen aus benachbarten Teilgebieten – für einen Menschen kognitiv erschöpfende Arbeit. Die beschriebene Schwäche ist die Zuverlässigkeit. Der Wert des Modells lag in der Geschwindigkeit der Exploration, nicht in der Korrektheit, und diese Geschwindigkeit zahlte sich nur aus, weil ein Fachexperte in Echtzeit falsche Wege ausschloss.

Die übersehene Variable: Durchhaltevermögen, nicht nur der Beweis

Ryu schätzt, dass die Arbeit bei konzentriertem Vorgehen Wochen gedauert hätte – doch er sagt, dazu wäre es nie gekommen. "Nach drei Tagen intensivem Bemühen hätte ich aufgegeben", sagte er. Mathematiker entscheiden ständig, ob sie ein Problem aufgeben und weiterziehen sollen.

Doch mit GPT-5 hatte er das Gefühl, rasch voranzukommen, was ihn weitermachen ließ. Aus seiner Sicht entstand dadurch eine psychologische Verschiebung: Der stetige Strom neuer Ideen ließ das Problem länger lösbar erscheinen, als es sonst der Fall gewesen wäre.Montana Labs

Das ist eine subtilere Aussage als "KI hat ein mathematisches Problem gelöst". Der Beitrag des Werkzeugs war teilweise emotional – eine konstante Versorgung mit neuen Richtungen, die Ryus Kalkül veränderte, wann er aufgeben sollte. Für Teams, die den Forschungswert von KI bewerten, ist dieser Effekt auf die menschliche Durchhaltefähigkeit real, aber schwer messbar und leicht überzubewerten.

Die Autorenschaftsentscheidung setzt den Präzedenzfall, um den es hier eigentlich geht

Die konkrete Implikation liegt darin, wie Ryu sich entschied, dem Modell Anerkennung zu geben. Er führte GPT-5 bewusst nicht als Co-Autor auf und kam zu dem Schluss, dass es als Werkzeug eingesetzt wurde. Doch er nannte es im Titel und im Abstract der Arbeit und erläuterte seine Beiträge durchgängig, bevor er den finalen Beweis und die Darstellung selbst im traditionellen Stil verfasste.

Er stellte dies als Fallstudie für klassische Mathematiker dar, und genau diese Einordnung ist der Kernpunkt: Um Skeptiker zu überzeugen, hielt er sich an bestehende wissenschaftliche Konventionen, anstatt neue Anerkennungskategorien zu erfinden. Der Preprint ist öffentlich zugänglich und steht vor 12 bis 18 Monaten Peer-Review, das Urteil des Fachgebiets steht also noch aus.

Für angewandte Teams liegt die dauerhafte Lehre in der von Ryu durchgesetzten Arbeitsteilung – Modell für Breite und Geschwindigkeit, Mensch für Urteilsvermögen, Verifikation und Verantwortung – und nicht in der Schlagzeile, dass ein jahrzehntealtes Problem gelöst wurde. Seine eigene Zusammenfassung war unverblümt: "Wenn Sie wollen, dass das Modell scheitert, wird es scheitern." Das Ergebnis hing davon ab, dass jemand den Unterschied erkennen konnte.