In Kürze

  • Das System AlphaProof Nexus von Google DeepMind hat laut einer am 12. Oktober 2026 in Science veröffentlichten Studie neun von 353 offenen Erdős-Problemen gelöst, darunter zwei seit 56 Jahren ungelöste Fragen; zusätzlich bewies es 44 Vermutungen aus der Zahlenfolgen-Datenbank OEIS und löste eine offene Frage der algebraischen Geometrie.
  • Kern des Systems ist das Sprachmodell Gemini 3.1 Pro, das Beweisentwürfe in der formalen Beweissprache Lean formuliert; jeder Entwurf wird von Lean automatisch geprüft, und Fehlermeldungen dienen dem Modell als Rückmeldung zur Überarbeitung.
  • Laut Berichten lagen die Kosten bei nur einigen hundert US-Dollar pro gelöstem Problem; die Studie erscheint inmitten einer Debatte um Prüfstandards für KI-generierte Beweise, nachdem zuvor Hunderte von OpenAI veröffentlichte Mathematik-Preprints wegen Vorzeichenfehlern zurückgezogen werden mussten und Fachleute um Terence Tao zu einem Boykott unsauber geprüfter KI-Beweise aufriefen.

Was ist passiert?

Ein von Google DeepMind entwickeltes System namens AlphaProof Nexus hat laut einer am 12. Oktober 2026 in der Fachzeitschrift Science veröffentlichten Studie neun von 353 offenen sogenannten Erdős-Problemen gelöst, wie The Decoder und weitere Fachmedien berichteten. Zwei der gelösten Fragen galten zuvor 56 Jahre lang als ungelöst. Darüber hinaus bewies das System 44 Vermutungen aus der Online-Zahlenfolgen-Datenbank OEIS, löste eine offene Frage der algebraischen Geometrie und verbesserte eine bekannte Schranke bei der sogenannten Min-Max-Optimierung.

Kern von AlphaProof Nexus ist laut den Berichten das Sprachmodell Gemini 3.1 Pro, das Beweisentwürfe in der formalen Beweissprache Lean formuliert und überarbeitet. Nach jedem Bearbeitungsschritt prüft Lean den Entwurf automatisch auf logische Korrektheit; Fehlermeldungen des Systems dienen dem Sprachmodell anschliessend als Grundlage für die nächste Überarbeitung. Laut Berichten von Mind-Verse lagen die Rechenkosten bei lediglich einigen hundert US-Dollar pro letztlich gelöstem Problem.

Warum ist das wichtig?

Die Studie erscheint inmitten einer breiteren Debatte über Prüfstandards für KI-generierte Mathematik. Kurz zuvor hatte OpenAI Hunderte von KI-generierten Mathematik-Preprints auf einer eigenen Plattform statt in klassischen Fachzeitschriften veröffentlicht; ein grosser Teil davon musste wegen Vorzeichenfehlern zurückgezogen werden. Die von Terence Tao mitgegründete Association for Human Mathematics rief daraufhin zu einem Boykott unsauber geprüfter KI-Beweise auf.

AlphaProof Nexus unterscheidet sich von diesem Vorgehen dadurch, dass jeder einzelne Beweisschritt automatisch durch den Beweisassistenten Lean verifiziert wird, bevor er als Teilergebnis gilt – ein Ansatz, der formale Korrektheit strukturell erzwingt, auch wenn er die inhaltliche Relevanz oder Eleganz eines Beweises nicht automatisch sicherstellt. Für die Fachwelt bleibt damit offen, welche Rolle traditionelle Begutachtung in Fachzeitschriften künftig neben solchen automatisiert verifizierten, aber oft wenig lesbaren KI-Beweisen spielen soll.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Für die Schweizer Mathematik- und Informatik-Forschung an ETH Zürich und EPFL, die selbst an formaler Verifikation und Beweisassistenten wie Lean arbeiten – etwa im Umfeld des offenen Modells Leanstral –, liefert die Studie einen aktuellen Referenzpunkt dafür, wie weit lean-gestützte KI-Beweisführung inzwischen reicht.
  • Die Kontroverse um unsauber geprüfte KI-Mathematik-Preprints ist für Schweizer Forschungsförderer wie den Schweizerischen Nationalfonds relevant, weil sie zeigt, dass die formale Prüfung durch Lean allein nicht automatisch wissenschaftliche Qualitätssicherung ersetzt; arXiv hatte bereits reagiert und Einreichungen pro Autor und Monat auf zwei Papers begrenzt.
  • Die vergleichsweise tiefen Kosten von einigen hundert Dollar pro gelöstem Problem senken laut Berichten die Eintrittsschwelle für KI-gestützte formale Mathematik – eine Chance auch für kleinere Schweizer Forschungsgruppen ausserhalb der grossen, gut finanzierten Konzernlabore, sofern vergleichbare Werkzeuge breiter verfügbar werden.

Verwendete Quellen

The Decoder berichtete am 12. Oktober 2026 über die in Science veröffentlichte Studie zu AlphaProof Nexus; All-AI.de und Mind-Verse lieferten zusätzliche Angaben zu Methode und Kosten je gelöstem Problem.

Quellenstatus: 1 verlinkte Quelle · 0 von 1 Originaldaten verifiziert. Prüfregeln ansehen

Häufige Fragen

Was ist die Kernaussage zu Google DeepMinds AlphaProof Nexus löst in Science-Studie jahrzehntealte Mathematik-Rätsel?

Das System AlphaProof Nexus von Google DeepMind hat laut einer am 12. Oktober 2026 in Science veröffentlichten Studie neun von 353 offenen Erdős-Problemen gelöst, darunter zwei seit 56 Jahren ungelöste Fragen; zusätzlich bewies es 44 Vermutungen aus der Zahlenfolgen-Datenbank OEIS und löste eine offene Frage der algebraischen Geometrie.

Warum ist diese KI-Meldung für die Schweiz relevant?

Für die Schweizer Mathematik- und Informatik-Forschung an ETH Zürich und EPFL, die selbst an formaler Verifikation und Beweisassistenten wie Lean arbeiten – etwa im Umfeld des offenen Modells Leanstral –, liefert die Studie einen aktuellen Referenzpunkt dafür, wie weit lean-gestützte KI-Beweisführung inzwischen reicht.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

The Decoder berichtete am 12. Oktober 2026 über die in Science veröffentlichte Studie zu AlphaProof Nexus; All-AI.de und Mind-Verse lieferten zusätzliche Angaben zu Methode und Kosten je gelöstem Problem.