In Kürze

  • Tom Zahavy von Google DeepMind, Mitautor des Mathematik-KI-Systems AlphaProof, argumentiert in seinem für die Konferenz ICML 2026 eingereichten Positionspapier «LLMs can't jump», dass wissenschaftliche Erfindung nicht einfach eine schwierigere Form des Schlussfolgerns sei: Ein System, das perfekt Physik-Lehrbuchaufgaben löst, könne deshalb noch lange keine völlig neue physikalische Theorie erfinden.
  • Zahavy stützt sein Argument auf die Unterscheidung des Philosophen Charles Sanders Peirce zwischen Induktion, Deduktion und Abduktion: KI-Systeme hätten Induktion (Mustererkennung aus Daten) und Deduktion (formales, logisches Beweisen, wie es AlphaProof bei Mathematik-Olympiade-Aufgaben zeigt) inzwischen weitgehend gemeistert, scheiterten aber an der Abduktion – der Fähigkeit, aus spärlichen, mehrdeutigen Beobachtungen völlig neue erklärende Hypothesen zu entwickeln.
  • Als Beispiel dient Albert Einsteins Weg zur allgemeinen Relativitätstheorie, den dieser selbst in einem Brief an seinen Freund Maurice Solovine als Kreislauf beschrieb: sinnliche Erfahrung führt über einen intuitiven «Sprung» zu Axiomen, aus denen erst anschliessend logische Deduktion überprüfbare Vorhersagen ableitet – genau diesen intuitiven Sprung könnten heutige Sprachmodelle laut Zahavy nicht eigenständig vollziehen.

Was ist passiert?

Tom Zahavy, Forscher bei Google DeepMind und Mitautor des mathematischen KI-Systems AlphaProof, das bei der Internationalen Mathematik-Olympiade Silbermedaillen-Niveau erreichte, hat ein Positionspapier mit dem Titel «LLMs can't jump» veröffentlicht, das für die Position-Paper-Reihe der Konferenz ICML 2026 eingereicht wurde. Darin argumentiert Zahavy, dass wissenschaftliche Erfindung nicht einfach eine anspruchsvollere Form des Schlussfolgerns sei: Ein System, das perfekt Physik-Lehrbuchaufgaben löse, könne deshalb noch lange keine völlig neue physikalische Theorie hervorbringen. Als analytisches Gerüst nutzt er die klassische Unterscheidung des Philosophen Charles Sanders Peirce zwischen drei Formen des Schliessens: Induktion, Deduktion und Abduktion. Laut Zahavy haben heutige KI-Systeme Induktion – das Erkennen von Mustern aus grossen Datenmengen – und Deduktion – das formale, logische Ableiten aus feststehenden Regeln, wie es AlphaProof bei mathematischen Beweisen zeigt – inzwischen weitgehend gemeistert.

Woran Sprachmodelle laut Zahavy hingegen scheitern, ist Abduktion: die Fähigkeit, angesichts spärlicher oder mehrdeutiger Beobachtungen eigenständig völlig neue erklärende Hypothesen zu entwickeln. Als Illustration dient Albert Einsteins eigene Beschreibung seines Denkprozesses in einem Brief an seinen Freund Maurice Solovine: Sinnliche Erfahrung führt darin über einen intuitiven, nicht rein logisch herleitbaren «Sprung» zu neuen Grundannahmen (Axiomen), aus denen erst im zweiten Schritt durch Deduktion überprüfbare Vorhersagen folgen. Genau diesen ersten, intuitiven Sprung könnten heutige Sprachmodelle nach Zahavys Argumentation nicht eigenständig vollziehen, weil sie in ihrer Grundarchitektur auf das Fortsetzen und Rekombinieren bestehender Muster ausgelegt sind, nicht auf das Verlassen des durch Trainingsdaten vorgegebenen Rahmens.

Warum ist das wichtig?

Das Papier positioniert sich bewusst gegen jüngere, öffentlichkeitswirksame Erfolgsmeldungen von KI-Labors zu «KI für die Wissenschaft», ohne diese pauschal zu widerlegen: Zahavy betont ausdrücklich, dass es sich um sein persönliches Positionspapier und nicht um die offizielle Haltung von Google DeepMind zum Thema handle, und verweist darauf, dass Kolleginnen und Kollegen mit Sprachmodellen bereits eindrucksvolle Entdeckungen gemacht hätten und dies auch künftig tun würden. Sein Punkt ist enger gefasst: Die Art von konzeptionellem Durchbruch, wie ihn etwa Einsteins Relativitätstheorie darstellte, unterscheide sich grundlegend von den bislang gezeigten KI-Erfolgen bei klar umrissenen, gut spezifizierten Forschungsaufgaben.

Für die Wissenschaftscommunity insgesamt liefert das Papier damit ein begriffliches Werkzeug, um zwischen unterschiedlichen Arten von «KI-Unterstützung in der Forschung» zu unterscheiden: technische Umsetzungsarbeit, das systematische Durchsuchen von Hypothesenräumen und das Prüfen bereits formulierter Theorien einerseits – und die eigentliche, oft intuitive Formulierung einer neuen erklärenden Idee andererseits. Diese Differenzierung dürfte auch die öffentliche und politische Debatte darüber prägen, wie stark Forschungsförderung künftig auf KI-gestützte «autonome Entdeckung» setzen sollte, anstatt KI primär als leistungsfähiges Werkzeug für von Menschen geleitete Forschung zu begreifen.

Was bedeutet das für die Schweiz?

  • CERN äusserte jüngst selbst die Hoffnung, dass KI in der Teilchenphysik neue Wege aufzeigen könnte; Zahavys Papier liefert dazu eine nützliche Differenzierung für Schweizer Grundlagenforschung: KI-Systeme dürften weiterhin enorm bei der Auswertung riesiger Messdaten und beim Testen bereits formulierter Hypothesen helfen, den entscheidenden konzeptionellen Erstentwurf einer neuen Theorie aber vorerst nicht eigenständig liefern.
  • Für ETH Zürich, EPFL und den Schweizerischen Nationalfonds (SNF), die zunehmend eigene «KI für Wissenschaft»-Initiativen und Förderprogramme lancieren, bietet die Argumentation eine Warnung vor überzogenen Erwartungen in Förderanträgen und Kommunikationsstrategien: Wer KI-gestützte Forschung als Ersatz für menschliche Kreativität statt als Werkzeug zu ihrer Unterstützung positioniert, riskiert Enttäuschungen bei Geldgebern und Öffentlichkeit.
  • Die Studie ergänzt eine bereits am 20. August 2026 auf diesem Portal vorgestellte empirische Untersuchung von Princeton und dem UK AI Security Institute, wonach KI-Agenten bei der eigenständigen Bearbeitung unveröffentlichter Forschungsfragen regelmässig an menschlicher Begutachtung scheitern – Zahavys Papier liefert dazu eine theoretische Erklärung, warum dies aus heutiger Modellarchitektur heraus zu erwarten ist, statt nur ein weiteres empirisches Einzelergebnis zu sein.

Verwendete Quellen

Das Positionspapier von Tom Zahavy ist auf arXiv sowie im PhilSci-Archive öffentlich zugänglich; the-decoder.com und weitere Fachmedien ordneten die Argumentation Mitte August 2026 ein.

Häufige Fragen

Was ist die Kernaussage zu Google-DeepMind-Forscher: «LLMs können nicht springen» – warum Sprachmodellen der kreative Durchbruch fehlt?

Tom Zahavy von Google DeepMind, Mitautor des Mathematik-KI-Systems AlphaProof, argumentiert in seinem für die Konferenz ICML 2026 eingereichten Positionspapier «LLMs can't jump», dass wissenschaftliche Erfindung nicht einfach eine schwierigere Form des Schlussfolgerns sei: Ein System, das perfekt Physik-Lehrbuchaufgaben löst, könne deshalb noch lange keine völlig neue physikalische Theorie erfinden.

Warum ist diese KI-Meldung für die Schweiz relevant?

CERN äusserte jüngst selbst die Hoffnung, dass KI in der Teilchenphysik neue Wege aufzeigen könnte; Zahavys Papier liefert dazu eine nützliche Differenzierung für Schweizer Grundlagenforschung: KI-Systeme dürften weiterhin enorm bei der Auswertung riesiger Messdaten und beim Testen bereits formulierter Hypothesen helfen, den entscheidenden konzeptionellen Erstentwurf einer neuen Theorie aber vorerst nicht eigenständig liefern.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

Das Positionspapier von Tom Zahavy ist auf arXiv sowie im PhilSci-Archive öffentlich zugänglich; the-decoder.com und weitere Fachmedien ordneten die Argumentation Mitte August 2026 ein.