#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 DistanceStellt 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 EuroErstmal: 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 SchlüsselMathematiker 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-TrägerOpenAI 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 weitereManche 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 nichtDer 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 sterbenWas machen Pharmaforscher? Sie arbeiten in Silos. Drug Discovery ist ein Paradebeispiel:Medizinchemiker definieren und finden die ZieleBiologen kennen die PathwaysStatistiker arbeiten sich durch die DatenAber 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, wären sie heute ein Jahrzehnt weiter.🦴 Die unbequeme Wahrheit für eure Senior-ForscherWer sind in einer F&E-Abteilung die teuersten Leute? Nicht die Junioren. Es sind die 30-Jahre-Senioren, die eine Dreiviertelmillion Euro pro Jahr verdienen.Und das sind die schlimmsten KI-Nutzer. Weil sie fundamental sagen: "Die letzten 40 Jahre habe ich so geforscht — ich brauche kein ChatGPT."Wenn ihr in eurer Firma einen Doktoranden einstellt, ist die Frage 2026 nicht mehr nur "ist er gut in seinem Thema?" Es ist:Kann er ein Reasoning-Modell richtig prompten?Kann er Cross-Domain-Anfragen stellen — "Wie würde ein Biologe das sehen? Wie ein Ökonom?"Drückt er auf "Auto" oder wählt er bewusst GPT-5.4 Reasoning?⚖️ Die Rechtsabteilung wird euch auf die Finger hauenStellt euch vor: ihr habt etwas Geniales mit ChatGPT entdeckt. Ihr wollt es patentieren. Wer ist der Erste, der euch stoppt?Die Rechtsabteilung. Weil:Gehört das uns? Oder OpenAI?Gehört es Microsoft (wenn ihr Copilot benutzt habt)?Wer hält das Patent?Und die Antworten sind noch nicht geklärt. Eure Entdeckungen können 2 Jahre in der Legal-Abteilung liegen bleiben. Plant das ein.🎯 Drei Montag-Aktionen für jede F&E-AbteilungReasoning-Modelle JETZT ausrollen. Nicht "Auto"-Modus, nicht der schnelle Default. Trainiert eure Forscher, bewusst GPT-5.4 Pro oder Claude Opus zu wählen. Die Antwortqualität verdreifacht sich.Token-Budget pro Forscher dramatisch erhöhen. 100 Euro pro Monat ist 2020er-Denken. Gebt ernsthaften Forschern 100.00...