#141 - Wie ChatGPT ein 80 Jahre altes Mathe-Problem für 1.000 Euro gelöst hat

Stellt euch Dr. Katharina Hess vor. Sie leitet die Computational Chemistry Group bei einer der großen Pharmafirmen im Novartis-Korridor. 11 Postdocs und Data Scientists unter sich. Nicht drei Projekte — 30 offene Projekte. Forschungszyklen von 5, 10, 20 Jahren.

Vor fünf Tagen schlägt sie Nature auf. Die Headline springt sie an:

"AI cracks an 80-year-old mathematical challenge."

Sie liest. Liest nochmal. Beim dritten Mal versteht sie: ihre F&E-Abteilung läuft bald auf Steroiden. Nicht weil das Mathe-Problem so spektakulär ist — sondern weil die Methode, wie es geknackt wurde, alles ändert.

Und der eigentliche Schock: die KI, die das gelöst hat, war kein superduper Spezial-Mathe-Modell. Es war ChatGPT. Ja, euer ChatGPT.

🧮 Wer war Paul Erdős?

Ungarischer Mathematiker, 1913 geboren. Einer der produktivsten Mathematiker des 20. Jahrhunderts — über 1.500 Fachartikel. Restless. Keine Wohnung. Kein fixes Büro. Heute würde man "digitaler Nomade" sagen — damals war er einfach von Universität zu Universität gewandert.

Seine Leidenschaft war nicht das Lösen — sondern das Formulieren. Er hat über 1.000 offene mathematische Fragen gestellt. Und er hat Geldprämien gesetzt: 25 Dollar bis 10.000 Dollar für die Lösung.

📐 Das Problem: Planar Unit Distance

Stellt euch einen großen Platz vor. Ihr nehmt 1.000 Reißnägel. Wie viele Nagel-Paare könnt ihr gleichzeitig genau gleich weit voneinander aufstellen — sagen wir 1 Zentimeter?

Klingt einfach. Ist es nicht.

1984 hat eine Gruppe unter Spencer und Trotter die obere Grenze auf n hoch 4/3 ausgerechnet. Diese Grenze hat sich 40 Jahre lang nicht bewegt. Noga Alon, der in Princeton lehrt: "It was one of Erdős' favorite problems."

💸 Wie ChatGPT es gelöst hat — für ~1.000 Euro

Erstmal: welches ChatGPT? Nicht das, das eure E-Mails halb durcheinander schreibt. Das Reasoning-Modell — GPT-5.4 oder das Pro-Modell. Ihr müsst draufdrücken und das richtige Modell wählen.

Der Prompt war fast unscheinbar: "Could Erdős be wrong? Could the way he reasoned about this answer be flawed?"

Und dann hat das Modell gearbeitet. Komplett autonom. 125 Seiten geschrieben. Circa 100.000 Tokens. Kosten: zwischen 100 und 1.000 Euro.

Vergleich: Ich fliege morgen zu einer Erdöl-Erdgas-Firma nach Hannover. Der Flug Zürich-Hannover: 800 Euro. Die Tokenkosten, um ein mathematisches 80-Jahre-Problem zu lösen, sind in der Größenordnung eines einzigen Business-Trips.

🔧 Der Trick: nicht der bessere Schraubenzieher, sondern ein ganz anderer Schlüssel

Mathematiker haben 40 Jahre lang die Werkzeuge der Geometrie benutzt: Inzidenzgeometrie, Trotter-Theorem, Kreuzungsanzahl-Methode. Diese Werkzeuge kommen zu einer natürlichen Decke — die n^(4/3)-Grenze.

Die KI hat etwas ganz anderes gemacht. Sie hat aus dem Werkzeugkasten einen anderen Schlüssel rausgeholt: algebraische Zahlentheorie. CM-Körper. Komplex-Multiplikations-Felder. Unendliche Galois-Türme.

Sie hat das Problem nicht gelöst. Sie hat es umformuliert — von einem geometrischen zu einem zahlentheoretischen Problem. Und plötzlich war die Antwort viel besser und konkreter.

👨‍🏫 Die Verifizierung — neun Fields-Medaillen-Träger

OpenAI hat das nicht einfach verkündet. Sie haben gewusst: das hat ein LLM geschrieben — da muss ein Mensch drüber schauen. Also haben sie das Paper an eine Gruppe von 9 Mathematikern und Physikern gegeben:

• Noga Alon (Princeton)
• Daniel Litt (Toronto)
• Melanie Wood (Harvard)
• ...und 6 weitere

Manche davon sind Fields-Medaillen-Träger — der "Nobelpreis für Mathematik". Sie haben gemeinsam ein Paper geschrieben, um zu prüfen: ist das richtig oder Vollscheiß?

 "There is no question — it is incredible that the AI managed this. It shows us that AI is more than just an assistant for mathematicians. It looks as if AI itself can have ingenious ideas." 

🎯 Demis Hassabis bremst — und gleichzeitig nicht

Der DeepMind-CEO (der KI-Arm von Google) hat sich gemeldet: "Für eine KI war das eigentlich gar nicht so schwierig."

Warum? Weil das Problem zwar extrem schwer zu lösen ist — aber begrenzt. Es ist nicht, dass die KI jetzt 1.000 andere schwierige Sachen machen kann.

Aber acht andere Experten sagen das Gegenteil: das wirklich Clevere war nicht die Lösung. Das Cleverste war die Umformulierung — die Cross-Domain-Synthese. Und genau dorthin kommen wir jetzt.

🧬 Eure F&E-Abteilung — die Silo-Forschung muss sterben

Was machen Pharmaforscher? Sie arbeiten in Silos. Drug Discovery ist ein Paradebeispiel:

• Medizinchemiker definieren und finden die Ziele
• Biologen kennen die Pathways
• Statistiker arbeiten sich durch die Daten

Aber die arbeiten in ihren Silos. Sie reden nicht miteinander auf der Ebene, wo Durchbrüche passieren.

Leonardo da Vinci konnte das. Mathematik + Chemie + Physik + Anatomie — alles in einem Kopf, alles verknüpft. Heute ist das wegen der Informationsflut unmöglich für einen Menschen.

Aber eine KI? Eine KI hat genau diese Cross-Domain-Synthese.

Side note: Google DeepMind hat schon vor zehn Jahren mit AlphaFold den Nobelpreis gewonnen — für das Lösen des Protein-Folding-Problems. Das war auch Cross-Domain. Wenn Pharmafirmen das verstanden hätten, wäre