Der Streit um den mutmaßlichen Durchbruch beim Navier-Stokes-Problem wirft eine naheliegende Frage auf: Hat ein KI-Anbieter von unveröffentlichter Forschung seiner Nutzer profitiert? Das ist umstritten. Doch der Fall stellt noch eine andere Frage, die auch dann bleibt, wenn dieser Vorwurf nicht zutrifft: Wer profitiert von einer vielversprechenden Forschungsrichtung, sobald sie bekannt wird?
Was feststeht
Das Navier-Stokes-Problem gehört zu den Millennium-Problemen, auf deren Lösung das Clay Mathematics Institute je eine Million Dollar ausgesetzt hat. Am 11. September erklärte das Institut, das Problem sei offenbar gelöst. Die Prüfung und die Zuordnung wissenschaftlicher Verdienste sollen ausdrücklich ohne Eile erfolgen. Eine Preisentscheidung steht aus.
OpenAI veröffentlichte am 8. September einen Lösungsvorschlag. Nach Unternehmensangaben arbeiteten daran zeitweise etwa 10.000 KI-Agenten mit einem unveröffentlichten Modell. Nach 88 Stunden lag das Ergebnis vor; Formalisierung und Prüfung mit dem Beweisassistenten Lean beanspruchten weitere 17 Stunden. Rund 130 Milliarden Output-Tokens entfielen auf Navier–Stokes, 300 Milliarden auf das Gesamtprojekt mit mehreren Problemen.
Dem vorausgegangen waren Arbeiten des NYU-Mathematikers Tristan Buckmaster und seines bei Anthropic angestellten Kollegen Levent Alpöge an verwandten Problemen der Strömungsmathematik. Buckmaster wirft OpenAI vor, nach Kenntnis ihrer Fortschritte einen konkurrierenden Anlauf gestartet zu haben.
Was offen ist
Buckmaster äußerte auch die Sorge, seine Arbeit mit Codex könne OpenAIs Forschung zugutegekommen sein.
OpenAI bestreitet den Zugriff auf unveröffentlichte Arbeiten. In einer Aktualisierung vom 10. September erklärt das Unternehmen zudem, Buckmasters Codex-Eingaben der vorangegangenen zwei Monate hätten das System auch über Training nicht beeinflussen können.
Dieser Streit wird hier nicht entschieden. Technisch ist aber eine Unterscheidung nötig: Bei der gewöhnlichen Beantwortung einer Anfrage ändern sich die Gewichte eines Sprachmodells nicht. Trotzdem kann das Modell neue Informationen aus dem Gespräch unmittelbar nutzen. Dieses Lernen im Kontext ist etwas anderes als Training.
Auch eine spätere Weiterverwendung von Informationen setzt nicht zwingend neue Modellgewichte voraus: Gespeicherte Inhalte könnten einem System erneut als Kontext gegeben werden. Ob das geschieht, hängt von Datenflüssen, Zugriffsrechten und der konkreten Nutzung ab. Dass es in diesem Fall geschehen sei, ist damit nicht belegt.
Wer Wissen schützen will, muss deshalb mehr prüfen als die Frage, ob damit trainiert wird.
Was auch ohne Datenübernahme bleibt
OpenAI nennt Gerüchte über bevorstehende Lösungen als Anlass für den Anlauf. Die Konzentration auf Navier–Stokes sei anschließend aus eigenen Zwischenergebnissen entstanden.
Ein solches Gerücht verrät noch keinen Beweisweg. Es kann aber die Einschätzung verändern, ob sich ein großer Einsatz lohnt. Ein lange unzugängliches Problem erscheint plötzlich erreichbar.
Genau darin liegt die weiterführende Frage dieses Falls: Welchen Wert hat schon das Signal, dass andere Forschende Fortschritte machen? Und was geschieht, wenn ein Akteur auf dieses Signal mit Ressourcen reagieren kann, über die die Forschenden selbst nicht verfügen?
Dafür muss kein Manuskript übernommen worden sein.
Was das über Arbeit sagt
Die Frage, wer die Produktivitätsgewinne der Automatisierung bekommt, wird häufig an Routinetätigkeiten diskutiert. Hier stellt sie sich an der Spitze wissenschaftlicher Arbeit.
Der Fall beweist nicht, dass sich beliebige mathematische Durchbrüche kaufen lassen. Er zeigt aber, wie groß der Vorsprung werden kann, den leistungsfähige Modelle und massive Rechenkapazität bei der Bearbeitung eines Problems verschaffen.
Dabei bleibt eine Leistung leicht unsichtbar: herauszufinden, welche Fragen und Ansätze die Arbeit überhaupt lohnen.
Ein solches Urteil kann aus Jahren der Forschung entstehen. Sein Ergebnis lässt sich manchmal in einem Satz weitergeben. Die Arbeit, die eine Richtung sichtbar macht, ist aufwendig. Der Hinweis auf diese Richtung kann sich fast kostenlos verbreiten.
Das schafft ein mögliches Missverhältnis: Wer einen Weg eröffnet, ist nicht unbedingt derjenige, der ihn zuerst bis zu einem anerkannten Ergebnis verfolgen kann. Der Zugang zu Modellen, Rechenleistung und Infrastruktur beeinflusst damit auch, wem Aufmerksamkeit und wissenschaftliche Anerkennung zufallen.
Das betrifft jeden Akteur mit solchen Kapazitäten, nicht nur ein einzelnes Unternehmen.
Was auf dem Spiel steht
Terence Tao warnt davor, offene mathematische Probleme allein als Ziele automatisierter Lösungssuche zu behandeln. Dabei könnten die Einsichten, Methoden und Lernprozesse verloren gehen, die während ihrer Bearbeitung entstehen und das Fach weitertragen.
Tao zieht daraus selbst die Folgerung für die Anreize. Wissenschaft lebt davon, dass Ideen früh geteilt werden. Wenn aber schon das Gerücht, jemand arbeite an einem Problem, eine Welle automatisierter Anstrengungen auslösen kann, bevor das eigene Vorhaben ausgereift ist, sprechen die Anreize nach Tao dafür, vielversprechende Richtungen gar nicht mehr zu teilen. Das würde, so seine Warnung, eine jahrhundertealte Tradition offener Wissenschaft umkehren und dem Fach langfristig schaden.
Dass Forschende deshalb künftig weniger teilen, ist keine feststehende Folge dieses Falls. Es ist ein Risiko, das sich aus dieser Konstellation ergibt: Die Zahl gelöster Probleme könnte steigen, während die Bereitschaft sinkt, vielversprechende Ansätze offen zu entwickeln.
Was bleibt
Daraus folgt nicht, auf KI zu verzichten. Die Frage nach den Gewinnen der Automatisierung wird jedoch schärfer. Es geht auch darum, wie diejenigen Anerkennung und Einfluss behalten, deren Vorarbeit einen Durchbruch möglich macht.
Eine Richtung zu erkennen und sie bis zum Ergebnis zu verfolgen, sind unterschiedliche Beiträge. Wissenschaft braucht beide.
Wer die Rechenleistung besitzt, kann beim Ergebnis zuerst ankommen. Damit ist noch nicht entschieden, wem wir den Fortschritt verdanken.