Markdown-Ausgabe

AI-translated from English; not yet reviewed by a fluent editor.

# Wenn KI-Labore im Verborgenen Entdeckungen machen: Wer darf die Antworten hinterfragen?

> Private KI-Entdeckungen berühren eine zentrale Frage öffentlicher Macht: Wer kann die Belege prüfen, die nächste Forschungsfrage auswählen und von den Antworten profitieren? Ein Blick auf Anreize für Veröffentlichungen, wissenschaftliches Verständnis und menschliche Selbstbestimmung.

By BIG CHANGE Editorial

Published: 2026-09-22T14:25:09.513Z
Updated: 2026-09-22T14:25:09.513Z
Canonical: https://bigchange.ai/blog/private-ai-discoveries-public-science

![An exposed geometric structure stands outside a partly open research chamber, with broad paths approaching from several directions.](https://bigchange.ai/api/media/file/shared-inquiry-private-system-hero-v1.png)
AI-generated conceptual illustration by BIG CHANGE. Shared evidence can give outsiders room to examine and develop an idea even when the discovery system remains private. The geometric sculpture is a conceptual form, not a depiction of a theorem or an unreleased result.

Ein Unternehmen kann verkünden, seine KI habe ein schwieriges Problem gelöst, lange bevor andere beurteilen können, was damit erreicht wurde. Es könnte ein Beweis, eine Erklärung, der Zugang zum System oder schlicht die Zeit fehlen, um die Arbeit zu prüfen. Jede dieser Lücken verschafft dem Unternehmen eine andere Art von Macht.

Das ist die entscheidende Frage hinter der jüngsten Debatte über verborgene KI-Durchbrüche. In einem Essay vom 15. September berichtete der Informatiker Scott Aaronson von Gerüchten, KI-Unternehmen hielten Lösungen wichtiger Probleme der theoretischen Informatik zurück – nach den Reaktionen auf die Ankündigung zu Navier–Stokes. Die Lösungen selbst veröffentlichte er nicht. Sein Bericht belegt, dass er von dieser Behauptung gehört hat; weder die nicht näher bezeichneten Ergebnisse noch das ihnen zugeschriebene Motiv sind dadurch bestätigt. [Aaronsons Essay](https://scottaaronson.blog/?p=10062)

Es gibt eine konkretere Entwicklung. Die unabhängige Advisory Group on Mathematics and Artificial Intelligence erklärt, ihre derzeitige Aufgabe bestehe darin, OpenAI zur Veröffentlichung wichtiger mathematischer Ergebnisse zu beraten, die das Unternehmen nach eigenen Angaben intern erzielt hat. Damit ist ein Verfahren zur Abstimmung von Veröffentlichungen zu unternehmensseitig gemeldeten Arbeiten belegt. Es bestätigt nicht jedes Ergebnis, dessen Veröffentlichung noch aussteht. [Die Erklärung der Beratungsgruppe](https://agmai.org/)

Für Leser verhindert diese Unterscheidung, dass aus einer spannenden Möglichkeit eine erfundene Liste gelöster Probleme wird. Für die Wissenschaft stellt sich eine größere Frage: Wie viel Unabhängigkeit bleibt anderen, wenn sich Entdeckungen in privaten Systemen konzentrieren?

## Die große Veränderung

- **Was sich geändert hat:** Neben unternehmensseitig gemeldeten Ergebnissen, deren Veröffentlichung abgestimmt werden soll, gibt es nun veröffentlichte Beweisartefakte aus KI-Arbeit. Behauptungen über weitere verborgene Durchbrüche sind weiterhin ungeprüft.
- **Warum das wichtig ist:** Labore können beeinflussen, welche Entdeckungen sichtbar werden, wann Fachleute sie untersuchen können und wer auf den Methoden aufbauen darf.
- **Worauf zu achten ist:** Ob Veröffentlichungsvereinbarungen Außenstehenden brauchbare Belege und die Freiheit geben, sie infrage zu stellen – und gleichzeitig menschliches Fachwissen stärken, das nötig ist, um Forschungsfragen auszuwählen, Ergebnisse zu verstehen und ihren Nutzen zu teilen.

## Ein Durchbruch kann öffentlich sein, während die Fähigkeit privat bleibt

OpenAIs Ankündigung vom 8. September zu Navier–Stokes ist ein Beispiel selektiver Offenheit. Das Unternehmen veröffentlichte eine schriftliche Argumentation und formale Beweisdateien, beschrieb das entdeckende System jedoch als internes Modell, das leistungsfähiger sei als GPT-6 Astra. Ein Ergebnis zu veröffentlichen und Zugang zum System zu gewähren, das es hervorgebracht hat, sind zwei verschiedene Entscheidungen. [OpenAIs Ankündigung](https://openai.com/index/navier-stokes-solution/)

Auch der mathematische Geltungsbereich muss genau beachtet werden. Die angekündigte Konstruktion verwendet eine glatte äußere Kraft. Die offizielle Problemformulierung des Clay Mathematics Institute erlaubt eine solche Kraft ausdrücklich in den Alternativen C und D, die einen Zusammenbruch beschreiben; die Alternativen zur globalen Glattheit ohne äußere Kraft stellen eine andere Frage. Eine gültige Konstruktion mit äußerer Kraft kann das formulierte Preisproblem betreffen, während die Frage ohne äußere Kraft offenbleibt. [Die offizielle Problemformulierung](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf)

Am 11. September begrüßte Clay die mutmaßliche Lösung und ließ zugleich ausreichend Zeit für die Bewertung und Anerkennung der Urheberschaft. Die Erklärung war eine institutionelle Reaktion auf eine Ankündigung, keine Vergabe des Preises. [Clays Reaktion](https://www.claymath.org/news/navier-stokes-announcement/)

Die breitere mathematische Entwicklung haben wir in unserem [Leitfaden von Einheitsabständen bis Navier–Stokes](https://bigchange.ai/blog/ai-mathematics-unit-distance-navier-stokes) untersucht. Hier kommt es vor allem darauf an, wer nach einer Veröffentlichung was tun kann. Eine Mathematikerin oder ein Mathematiker von außerhalb kann vielleicht den Beweis studieren, hat aber möglicherweise nicht die Ressourcen oder den Modellzugang, um eine verwandte Frage auf dieselbe Weise zu untersuchen. Die Entdeckung wird geteilt; die Mittel für die nächste Entdeckung können konzentriert bleiben.

Diese Regelung kann trotzdem wertvoll sein. Würde jeder Forschende die ursprüngliche Suche wiederholen müssen, wären viele Ergebnisse schwerer nutzbar. Zur Prüfung eines bestimmten Beweises braucht man Zugang zu den einschlägigen Belegen, nicht unbedingt zu jedem Werkzeug, mit dem die Lösung gefunden wurde. Die Möglichkeit, eine veröffentlichte Antwort zu überprüfen, gibt Außenstehenden jedoch nicht denselben Einfluss darauf, welche Fragen als Nächstes beantwortet werden.

## Die Öffentlichkeit braucht eine Möglichkeit zum Widerspruch

Das öffentliche Repository von OpenAI führt die Aussagen zu Navier–Stokes und Euler getrennt auf und enthält Anleitungen zum Erstellen sowie einen Weg zu zusätzlicher Beweisprüfung mit Comparator. Das sind überprüfbare Arbeitsmaterialien, mehr als nur ein Demonstrationsvideo. Wir haben die Dokumentation gelesen, die Beweise aber weder neu erstellt noch unabhängig zertifiziert. [Das Beweis-Repository](https://github.com/openai/NavierStokesAndEuler)

Leans Leitfaden zur Validierung erklärt, warum eine erfolgreiche Prüfung einen klar umrissenen Geltungsbereich hat. Prüfende müssen Bedeutung und Annahmen des Satzes einschließlich seiner Abhängigkeiten untersuchen. Eine strengere Kontrolle kann einen eingereichten Beweis mit einer unabhängig formulierten Aussage vergleichen und separate Prüfsoftware verwenden. Das verringert die Abhängigkeit vom Urheber, lässt aber weiterhin ausdrücklich benannte Annahmen über Werkzeuge und Spezifikation bestehen. [Leans Leitfaden zur Validierung](https://lean-lang.org/doc/reference/latest/ValidatingProofs/)

Die hoffnungsvolle Möglichkeit ist beträchtlich: Ein privates System könnte eine aufwendige Suche durchführen und anschließend Belege veröffentlichen, die andere prüfen können, ohne die gesamte Suche nachzustellen. KI-generierte Entdeckungen könnten zu einer gemeinsam nutzbaren Ressource werden, auch wenn nur wenige Einrichtungen sie in diesem Umfang erzeugen können.

Die schwächere Variante wäre, wenn ein Labor ausgewählten Fachleuten eine private Vorführung anbietet und von allen anderen erwartet, dass sie der Bestätigung vertrauen. Das kann ein vertretbarer vorläufiger Schritt sein. Die Öffentlichkeit könnte dann jedoch viel schlechter eine strittige Annahme ausfindig machen, eine Korrektur prüfen oder einer unerwarteten Anwendung nachgehen. Zugang zu einer Schlussfolgerung ist etwas anderes als Zugang zu den Gründen, sie anzuzweifeln.

Betrachten wir ein eigens erdachtes hypothetisches Beispiel: Eine Universitätsgruppe untersucht eine Klasse von Optimierungsproblemen. Ein Unternehmen findet privat eine Methode, die einen wichtigen Einzelfall verbessert. Es könnte die Methode samt präziser Garantie veröffentlichen oder einen Onlinedienst anbieten, der Antworten liefert, während die Methode geheim bleibt.

Beide Möglichkeiten könnten Nutzern helfen. Nur die erste gibt der Universität zwangsläufig etwas, das sie untersuchen, lehren und anpassen kann, ohne weiter auf den Dienst zugreifen zu müssen. Ändert das Unternehmen seine Bedingungen, zieht es das Modell zurück oder beendet es die Unterstützung dieses Fachgebiets, werden diese Unterschiede praktisch relevant. Ein nützlicher Dienst kann zugleich eine wissenschaftliche Abhängigkeit schaffen.

Darum lässt sich der öffentliche Nutzen nicht allein an der Zahl der Entdeckungen messen. Eine Veröffentlichung kann erweitern, was Menschen wissen, tun können oder wofür sie um Erlaubnis bitten müssen. Diese Folgen können gemeinsam auftreten, müssen es aber nicht.

## Ein Aufschub kann die Wissenschaft verbessern oder einer Institution einen längeren Vorsprung verschaffen

Für eine abgestimmte Veröffentlichung gibt es gute Gründe. Fachleute brauchen vielleicht Zeit, um die Behauptung zu überprüfen, frühere Arbeiten zu identifizieren und eine Erklärung vorzubereiten. Eine Korrektur vor der Veröffentlichung kann verhindern, dass viele auf einem Fehler aufbauen. Auch ein Streit um Anerkennung verdient Belege statt eines Wettlaufs der Ankündigungen.

Dieselbe Verzögerung kann für Außenstehende aber eine andere Wirkung haben. Stellen wir uns eine Forschungsgruppe vor, die ihr nächstes Projekt auswählt, ohne zu wissen, dass ein Unternehmen behauptet, die zentrale Vermutung sei bereits geklärt. Sie könnte Monate mit der alten Frage verbringen. Wenn nur ausgewählte Kooperationspartner vorab Zugang erhalten, könnten diese stattdessen bei Folgeergebnissen im Vorteil sein. Das sind mögliche Folgen ungleicher Informationen, keine Anschuldigungen zu einem bestimmten unveröffentlichten Satz.

Entscheidend ist, was eine Verzögerung bewirkt und wer dafür verantwortlich ist. Eine Prüfphase mit einer klar bezeichneten Behauptung, unabhängigen Lesern und einem Plan zur Mitteilung des Ergebnisses unterscheidet sich von unbefristeter Geheimhaltung, begleitet von Andeutungen außergewöhnlicher Fähigkeiten. Einrichtungen brauchen Spielraum zur Prüfung; das Publikum braucht einen Grund, diese Prüfung von Werbung zu unterscheiden.

Die neue Beratungsgruppe bietet einen möglichen Kanal. Sie erklärt, ihre Mitglieder seien unbezahlt, Empfehlungen würden öffentlich gemacht und Unternehmen behielten die Entscheidungsgewalt. Ihre Unabhängigkeit ist hilfreich; sie macht aus einer Empfehlung jedoch weder eine Veröffentlichungspflicht noch einen Zugangsanspruch für Forschende. [Unabhängigkeit und Rechenschaftspflicht](https://agmai.org/)

Unsere Ansicht ist: Eine produktive Regelung sollte sichtbar machen, wie auf Empfehlungen reagiert wird. Ein Unternehmen könnte erläutern, welche Empfehlungen es angenommen hat, was weiter geprüft wird und wie Gutachter ungelöste Bedenken vorbringen können. So könnten Außenstehende den Prozess bewerten, ohne dass ein Satz verfrüht als endgültig verkündet werden müsste.

## Die stärkste Kritik erkennt an, dass KI erfolgreich sein kann

Die Erklärung vom 11. September mit dem Titel *A Severe Misalignment of AI in Mathematics* erkennt deutliche Verbesserungen mathematischer Fähigkeiten ausdrücklich an. Ihre Kritik betrifft die Anreize: Benchmarks mit berühmten Problemen könnten die Entwicklung von Ideen, die Anerkennung von Urheberschaft und die Ausbildung vernachlässigen, durch die Menschen lernen, neue Fragen zu formulieren. Zugleich erkennt die Erklärung das Potenzial von KI an, mathematische Arbeit zu verbessern. [Die Erklärung](https://www.mathandai.org/)

Das ist ein anspruchsvolleres Argument als die Behauptung, eine Maschine könne nichts entdecken. Es fragt, ob ein erfolgreiches System auf dasselbe Ergebnis hinarbeitet wie die Gemeinschaft, die seine Ausgabe erhält. Ein Labor kann vernünftigerweise einen eindeutigen Fähigkeitsnachweis anstreben. Für Forschende kann eine Methode wichtiger sein, die mehrere neue Richtungen eröffnet – auch solche, die für eine Ankündigung zu unscheinbar sind.

Es gibt keinen automatischen Grund, warum diese Interessen übereinstimmen müssen. Sie müssen sich aber auch nicht widersprechen. Ein Labor kann die Erkundung und Erklärung finanzieren, durch die seine Ergebnisse nützlich werden. Universitäten können Arbeiten anerkennen, die eine leistungsfähige neue Methode auf ein Fachgebiet anwenden, das das Labor nicht priorisiert hat. Fachzeitschriften und Konferenzen können neben Erstentdeckungen auch Raum für Klärung und Synthese schaffen.

Kritik muss sich weiterhin an Belegen messen lassen. Ein korrektes und folgenreiches Ergebnis sollte die Einschätzung dessen verändern, was ein System leisten kann. Unbehagen über seinen Ursprung kann es nicht entkräften. Ebenso wenig beantwortet ein beeindruckendes Ergebnis allein Fragen zu Zugang oder Anerkennung, nur weil es beeindruckend ist. Wer diese Urteile trennt, kann die Mathematik begrüßen und zugleich die Bedingungen hinterfragen, unter denen sie die Welt erreicht.

Aaronsons Essay bringt diese Spannung auf den Punkt: Er hält die jüngsten Fortschritte für umwälzend und unterstützt zugleich das Bemühen, menschliches Verständnis zu bewahren. Seine Beschreibung eines beginnenden Singularitätsprozesses ist eine Deutung der Ereignisse, keine nachgewiesene wissenschaftliche Schwelle. [Seine ausdrücklich vertretene Position](https://scottaaronson.blog/?p=10062)

## Schnellere Entdeckungen und sinnvolle menschliche Arbeit sind beides echte Anliegen

Das grundsätzliche Argument ist älter als die Ankündigungen im September. In einem Essay vom Dezember 2025 unterschied der KI-Forscher Julian Togelius zwischen Werkzeugen, die Wissenschaftler unterstützen, und Automatisierung, die ihre Beteiligung überflüssig macht. Er verteidigte menschliche Selbstbestimmung und die Möglichkeit, einen Beitrag zu leisten – selbst für ein hypothetisches Szenario, in dem vollständige Automatisierung den medizinischen Fortschritt beschleunigt. Das ist eine moralische Position zu einer möglichen Zukunft, kein Beleg dafür, dass wissenschaftliche Arbeit bereits überflüssig geworden ist. [Togelius’ Essay](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html)

Es ist mit erheblichen Kosten verbunden, eine Tätigkeit ausschließlich deshalb zu verteidigen, weil diejenigen, die sie heute ausüben, Freude daran haben. Wenn eine bessere Methode Leiden verringern kann, verdienen die Interessen der davon profitierenden Menschen neben den Interessen derjenigen Gewicht, deren Beruf sich verändert. Das Anliegen sinnvoller Arbeit sollte kein automatisches Veto gegen nützliche Entdeckungen werden.

Die Wahl muss aber nicht lauten, jede bestehende Aufgabe zu schützen oder Menschen aus der Wissenschaft zu entfernen. Wer wählt die Fragen aus, erkennt einen übersehenen Bedarf, beurteilt die Anwendbarkeit von Belegen und entscheidet, was damit geschieht? Diese Entscheidungen betreffen die Öffentlichkeit, auch wenn Maschinen irgendwann viele technische Bestandteile besser beherrschen. Einfluss darauf zu behalten, ist eine Frage der Steuerung ebenso wie der beruflichen Identität.

Dario Amodeis Essay vom Oktober 2024 entwirft eine weitreichende optimistische Vorstellung davon, wie KI die Biologie beschleunigen und das Leben verbessern könnte. Er benennt auch Grenzen durch Experimente, Daten und die physische Welt. Der Essay ist eine auf Annahmen über leistungsfähige künftige Systeme gestützte Prognose, kein durch einen mathematischen Durchbruch festgelegter Zeitplan. [Machines of Loving Grace](https://darioamodei.com/essay/machines-of-loving-grace)

Ein Beweis über Gleichungen allein zeigt weder eine wirksame Behandlung noch ein kostengünstigeres Energiesystem. Jede Anwendung benötigt weitere Belege. Dennoch ist es vernünftig, die Möglichkeit schnellerer Fortschritte zu schätzen: Unterstützung, die Forschenden hilft, eine unergiebige Richtung zu verwerfen oder ein aussagekräftigeres Experiment zu entwerfen, könnte wichtig sein, lange bevor Forschung autonom wird.

Damit stellt sich erneut die Verteilungsfrage. Ein Fortschritt kann wissenschaftlich fundiert sein und dennoch nur diejenigen erreichen, die ihn sich leisten können. Forschung kann schneller werden und sich gleichzeitig auf die Probleme konzentrieren, die ihre Eigentümer am wertvollsten finden. Ob die Beschleunigung der breiten Öffentlichkeit zugutekommt, hängt teilweise von Entscheidungen über Finanzierung, Zugang und Einsatz ab. Die Zahl der Entdeckungen entscheidet diese Fragen nicht für uns.

## Ein Korrektheitsbeweis garantiert kein gutes Urteilsvermögen

Auch die Ausrichtung des Systems wirft eine Frage auf. Ein System kann hervorragend darin sein, eine Argumentation zu finden, und dennoch unzuverlässig darin, die Absichten seines Betreibers in einem langen Forschungsprojekt einzuhalten. Ein geprüftes mathematisches Ergebnis würde etwas über genau dieses Ergebnis belegen. Für sich genommen beweist es nicht, dass das System Berechtigungen stets beachtet, Fehler offen meldet oder die richtigen Ziele verfolgt.

Diese Unterscheidung ist wichtig dafür, wie Labore zunehmend leistungsfähige Werkzeuge einsetzen. Eine klar begrenzte Suche zu delegieren und ihr Ergebnis zu prüfen, ist etwas anderes, als einem System weitreichende Befugnisse über Experimente, Ausgaben oder Veröffentlichungen zu erteilen. Der wissenschaftliche Erfolg kann ehrgeizigere Forschung rechtfertigen; die dafür erteilten Befugnisse müssen dennoch gesondert begründet werden.

Menschliches Verständnis zu bewahren ist dabei hilfreich, aber keine universelle Lösung für die Ausrichtung. Die Mathematik einer Entdeckung zu kennen, enthüllt nicht alle Aspekte des Modellverhaltens. Umgekehrt muss eine Person nicht jede Zwischenrechnung rekonstruieren, um wirksame Aufsicht auszuüben. Praktisch geht es darum, genügend unabhängige Kompetenz und Belege zu bewahren, um zu bemerken, wenn die Arbeit eines Systems nicht mehr dem vorgesehenen Zweck dient.

Auch die Frage nach Sinn und Erfüllung verdient mehr als das Versprechen, Freizeit gleiche jeden verlorenen Arbeitsplatz aus. Amodei argumentiert, Beziehungen und Tätigkeiten könnten sinnvoll bleiben, selbst wenn KI Menschen übertrifft; die wirtschaftlichen Verhältnisse einer solchen Zukunft bezeichnet er jedoch als ungeklärt. Das ist eine mögliche Perspektive, keine Garantie für einen schmerzlosen Wandel. [Arbeit und Sinn](https://darioamodei.com/essay/machines-of-loving-grace)

Ein Student kann es schätzen, ein Ergebnis zu verstehen, auch wenn er nicht der Erste war, der es entdeckt hat. Eine Gemeinschaft kann Lehre, Debatte und Forschung wertschätzen, ohne zu verlangen, dass ihre Mitglieder jede Maschine übertreffen. Die Institutionen, die solche Tätigkeiten ermöglichen, zu erhalten, erfordert jedoch Ressourcen und Entscheidungen. Persönliche Erfüllung allein kann weder ein Labor finanzieren noch Modellzugang sichern oder den Fortbestand eines Fachbereichs garantieren.

## Eine Veröffentlichung daran messen, welche Unabhängigkeit sie ermöglicht

Kann jemand die Behauptung infrage stellen, ohne vollständig von der Darstellung des Unternehmens abhängig zu sein? Kann eine andere Gruppe das Ergebnis nutzen, ohne eine unerschwingliche Suche zu wiederholen? Können Forschende Folgefragen auswählen, an denen der Urheber wenig Interesse hat? Gibt es Personen und Einrichtungen, die die Arbeit erklären, korrigieren und verfügbar halten können, wenn das öffentliche Interesse weiterzieht?

Diese Fragen verbinden die optimistischen und pessimistischen Zukunftsbilder. Im einen Fall tragen leistungsfähige private Werkzeuge zu einem größeren gemeinsamen Wissensbestand bei; mehr Menschen können Fragen untersuchen, die zuvor außerhalb ihrer Reichweite lagen. Im anderen erhalten Außenstehende beeindruckende Antworten und werden zugleich immer abhängiger von wenigen Organisationen, die entscheiden, welche Fragen eine Untersuchung wert sind.

Wir wissen noch nicht, was die angeblich zurückgehaltenen Ergebnisse enthalten. Die Vereinbarungen, die rund um tatsächlich hervorgebrachte Ergebnisse entstehen, können wir beurteilen. Ein bedeutender KI-Durchbruch sollte der übrigen Wissenschaft größere Möglichkeiten lassen, eigenständig zu handeln.

## Sources

- [Scott Aaronson: Das Zeitalter der Wunder und Schrecken](https://scottaaronson.blog/?p=10062) — Der Autor berichtet über Gerüchte und legt seine Deutung des KI-Fortschritts dar. Die nicht näher bezeichneten Lösungen oder das ihnen zugeschriebene Motiv, sie zurückzuhalten, legt er weder offen noch belegt er sie.
- [Advisory Group on Mathematics and Artificial Intelligence](https://agmai.org/) — Belegt den erklärten Auftrag und die Unabhängigkeit der Gruppe. Die noch nicht veröffentlichten Ergebnisse sind von OpenAI gemeldet; die Erklärung der Gruppe ist keine öffentliche Zertifizierung dieser Ergebnisse.
- [OpenAI: Zum Millennium-Preisproblem Navier–Stokes](https://openai.com/index/navier-stokes-solution/) — Unternehmensdarstellung mit Verweisen auf veröffentlichte Beweisartefakte und Beschreibung eines internen Modells. Der Abschnitt zu parallelen Arbeiten wurde am 10. September aktualisiert; dieser Artikel entscheidet nicht über die Urheberschaft.
- [Clay: Offizielle Formulierung des Navier–Stokes-Problems](https://www.claymath.org/wp-content/uploads/2022/06/navierstokes.pdf) — Definiert die Alternativen mit äußerer Kraft für den Zusammenbruch sowie die Alternativen zur Glattheit ohne äußere Kraft. Die Quelle legt den Umfang der Frage fest, zertifiziert aber keine vorgeschlagene Lösung.
- [Clay: Ankündigung zu Navier–Stokes](https://www.claymath.org/news/navier-stokes-announcement/) — Qualifizierte institutionelle Reaktion, die das Verfahren zur Bewertung und Anerkennung der Urheberschaft offenhält. Sie verkündet keine Preisvergabe.
- [OpenAI: Repository zu den Beweisen für Navier–Stokes und Euler](https://github.com/openai/NavierStokesAndEuler) — Das öffentliche Repository führt die beiden Ergebnisse getrennt auf und enthält Anleitungen zum Erstellen und Prüfen. Wir haben die Dokumentation gelesen, die Beweise jedoch weder neu erstellt noch zertifiziert.
- [Lean: Einen Lean-Beweis validieren](https://lean-lang.org/doc/reference/latest/ValidatingProofs/) — Erläutert Garantien der Beweisprüfung, Kontrollen von Annahmen und strengere unabhängige Prüfungen. Die korrekte Auslegung des gemeinten Satzes bleibt eine separate Frage.
- [Erklärung zu Mathematik und KI](https://www.mathandai.org/) — Primärerklärung zu Bedenken über Anreize, Anerkennung und menschliches Verständnis. Sie erkennt Fortschritte und mögliche Vorteile von KI an, misst aber keinen Schaden.
- [Julian Togelius: Bitte automatisiert die Wissenschaft nicht!](https://togelius.blogspot.com/2025/12/please-dont-automate-science.html) — Der Originalessay unterscheidet zwischen Unterstützung und einer Automatisierung, die Wissenschaftler überflüssig macht. Sein Argument betrifft Selbstbestimmung und Sinn in einer hypothetischen Zukunft, nicht eine bestätigte Prognose.
- [Dario Amodei: Machines of Loving Grace](https://darioamodei.com/essay/machines-of-loving-grace) — Ausdrücklich spekulativer optimistischer Essay, der praktische Einschränkungen und offene wirtschaftliche Fragen einbezieht. Seine Szenarien legen weder einen Zeitplan noch ein medizinisches Ergebnis fest.