25 Fields-Medaillen gegen das Benchmark-Rennen

Am 11.09.2026 haben 25 Träger der Fields-Medaille eine gemeinsame Erklärung veröffentlicht. Der Titel lautet A Severe Misalignment of AI in Mathematics, der Kernsatz ist ungewöhnlich direkt für ein Fach, das sonst eher vorsichtig formuliert:

the push by AI companies to solve mathematical problems as a benchmark is detrimental to the science of mathematics, and to the mathematical community. The goals of the AI companies and the goals of the mathematical community are severely misaligned.

Unter den Unterzeichnern sind Terence Tao, Peter Scholze, Maryna Viazovska, Cédric Villani und Pierre Deligne, dessen Medaille von 1978 stammt, bis hin zu Yu Deng, der sie dieses Jahr bekommen hat. Tao schreibt in seinem Blogpost dazu, die Erklärung sei innerhalb einer Woche aus Gesprächen der Unterzeichner entstanden, und räumt ein, dass ein breiterer Konsultationsprozess wie bei der Leiden Declaration zeitlich nicht möglich war. Man habe die Lage für dringend genug gehalten, um schneller zu sein.

Das Argument

Dass Modelle inzwischen große offene Probleme lösen, bestreitet die Erklärung nicht. Sie bestreitet, dass das der Punkt ist.

solving problems is only a tool and proxy for achieving the primary goal of conceptual understanding and insight

Berühmte Probleme, so das Argument, waren immer Wegmarken: Wer eines löste, hatte in der Regel eine neue Methode gefunden, und diese Methode wurde danach in Vorträgen, Diskussionen und Vereinfachungen durchgearbeitet, bis am Ende eine Darstellung stand, die ein Student verstehen kann. Fällt dieser Teil weg, bleibt die Zahl der gelösten Probleme, und sonst nichts.

the mass production at faster and faster pace of "true/false" statements could destroy fertile ground instead of breathing life into new ideas

Konkreter wird der zweite Vorwurf, und er trifft die Ankündigungspraxis. Lösungen würden im Eiltempo veröffentlicht, ohne Zeit für eine ordentliche Ausarbeitung, ohne die neuen Methoden herauszuarbeiten und ohne Vorarbeiten anderer zu zitieren. Die Erklärung nennt das beim Namen: "this raises severe attribution and plagiarism questions".

Namen nennt der Text nicht. Der Zusammenhang ist trotzdem offensichtlich. Wir haben am 09.09. beschrieben, wie OpenAI eine Lösung des Navier-Stokes-Problems veröffentlichte und der NYU-Mathematiker Tristan Buckmaster daraufhin eine Chronologie vorlegte, die die Priorität anders verteilt. Beim Economist heißt der Artikel dazu entsprechend "Top mathematicians are outraged by OpenAI's methods".

Warum das nicht nur Mathematik betrifft

Der für uns interessante Absatz steht in der Mitte und handelt nicht von Mathematik:

In many fields and activities, years of training have traditionally served not only to produce a final answer or product, but also to develop understanding and the ability to formulate new questions and ideas. However, building on a vast body of previous human work, AI systems are becoming increasingly capable of producing the results of such work directly, and these goals cease to align.

Das ist eine ziemlich genaue Beschreibung dessen, was gerade in vielen Entwicklungsteams passiert. Ein Ticket wird erledigt, das Ergebnis stimmt, und niemand im Team hat dabei etwas über das System gelernt, an dem er arbeitet. Beim einzelnen Ticket ist das egal. Über zwei Jahre hinweg ist es der Unterschied zwischen einem Team, das sein System versteht, und einem, das nur noch Ergebnisse abnimmt.

Dafür liefert die Erklärung das Vokabular: Das Ergebnis war nie das Ziel, sondern Stellvertreter für etwas anderes. Wer nur den Stellvertreter optimiert, verliert das, wofür er stand. Bei Benchmarks in der Mathematik heißt das Verständnis, in der Softwareentwicklung Systemkenntnis, in QA Gefühl dafür, wo dieses Produkt erfahrungsgemäß bricht.

Was das für euch heißt

Einordnung

Man kann diese Erklärung als Besitzstandswahrung lesen, und ein paar Leute tun das bereits. Das greift zu kurz. Tao gehört zu den Mathematikern, die KI-Werkzeuge seit Jahren selbst benutzen und öffentlich für nützlich halten. Dass ausgerechnet er das hier mitträgt, ist das eigentliche Signal.

Einen Stopp fordert sie trotzdem nicht. Im Schlussabsatz steht ausdrücklich, KI biete das Potenzial, echtes mathematisches Verständnis zu beschleunigen, und das Fach werde sich anpassen müssen. Der strittige Punkt ist die Methode: Ankündigung vor Ausarbeitung, Benchmark vor Einordnung, Tempo vor Zitat.

Für unsere Arbeit ist die brauchbare Mitnahme weniger die Empörung als die Unterscheidung. Ergebnis und Ziel sind nicht dasselbe, und Werkzeuge, die sehr gut im Liefern von Ergebnissen sind, machen diese Unterscheidung schwerer, nicht leichter. Das ist keine Frage von Haltung gegenüber KI, sondern eine Frage danach, was man in zwei Jahren noch selbst kann. Die Antwort darauf steht in der Erklärung ziemlich nüchtern: Sie hängt an den Entscheidungen der Menschen, die die Technik in der Hand haben. Das schließt uns ein.