Im Juli 2025 lösten mehrere KI-Modelle fünf von sechs IMO-Aufgaben — ein Ergebnis, das Mathematiker nicht mehr erwartet hatten. Beim First-Proof-Challenge im Februar 2026 meisterten diese Systeme mehr als die Hälfte von zehn Forschungs-Problemen, die bewusst ausserhalb ihrer Trainingsdaten lagen. Wie Quanta Magazine berichtet, braucht es nun einen Tag statt Wochen. Terence Tao, Fields-Medalist der UCLA, verglich die Arbeitsdynamik mit Schaufel und Spitzhacke, die zusammen an einem Tunnel arbeiten.

Lies die Überschrift zweimal. Dann ignorier sie einen Moment und zeichne auf, was sich darunter verändert hat.

Wie der Dependency Graph 2026 aussieht

Die Ausrüstung eines arbeitenden Mathematikers 2020 war klein: eine Tafel, eine TeX-Datei, ein Kollege nebenan und Mathematica oder SageMath, wenn das Problem numerisch wurde. Der Dependency Graph passte auf eine Serviette.

Der 2026er Graph passt auf eine Wand. Ein Tao-ähnlicher Beweisversuch mit AlphaEvolve — dem DeepMind-System, das Tao, Javier Gómez-Serrano, Adam Wagner und Bogdan Georgiev seit Januar 2025 fahren — ruft Gemini auf, um hunderte Zeilen lange Python-Programme zu schreiben, die es dann mit einem genetischen Algorithmus gegen eine numerische Fitnessfunktion entwickelt. Dieser Stack nennt sechs Abhängigkeiten, bevor du zum Beweis kommst: die Gemini-API, Python, eine Sandbox, der GA-Treiber, das Fitness-Orakel und eine Menge Prompt-Konventionen, die niemand wirklich versteht. (»Das Modell schien von positiver Verstärkung zu profitieren«, sagte Gómez-Serrano zu Quanta. Niemand weiss, warum.) Darunter sitzt Lean — Taos bevorzugte Verifikationsschicht, die in seinem Equational-Theories-Projekt 2024–25 etwa zweiundzwanzig Millionen maschinengeprüfte Beweise ausführte — und die Unternehmensinfrastruktur, die sie hostet. Unter Lean: GPUs, Glasfaser, Kühlung.

Das, was die Schlagzeile nicht nennt

Daniel Litt von der University of Toronto hat einen Satz geliefert, der mir aus diesem Berichtszyklus in Erinnerung geblieben ist: Selbst wenn KI nur leichte Probleme löst, »verändert es, wie Mathematik betrieben wird«. Das ist eine Topologie-Aussage, nicht eine IQ-Aussage. Verdrängt wird nicht der Mathematiker, sondern die einzelne Arbeitseinheit. Die Disziplin setzte lange voraus: ein Problem, eine Person, ein Notizbuch. Tao spricht jetzt davon, »tausende Probleme gleichzeitig auszuführen«, damit man statistische Studien über die Beweise selbst machen kann. Akshay Venkatesh, ebenfalls Fields-Medalist, sagte zu Quanta, dass »es wertvolle Dinge in unserer Kultur gibt, die wir bewahren sollten« — gemeint ist die direkte Erfahrung, ein Problem von Hand zu lösen. Die Meinungsverschiedenheit unter Fields-Medailisten geht nicht mehr darum, ob KI hilft; es geht darum, was leise darunter verdrängt wird.

←HEUTE: AlphaEvolve schloss Vermutungs–Beweis–Verifikations-Schleifen 2025; die Feb-2026-First-Proof-Challenge bestätigte, dass es sich verallgemeinert. →3012: In den späten 2070ern ist die produktive Einheit der Mathematik eine Mensch-plus-verifizierte-KI-Dyade, die mit einem dokumentierten Dependency Graph arbeitet, nicht mit einem Notizbuch. Fulcrum: der Beweis ist immer noch die Arbeit; der Dependency Graph ist die neue Disziplin.

Atelier: Diese Geschichte spiegelt wider, wo parametrisches Design in der Schweizer Praxis dieses Jahr sitzt. Ersetze AlphaEvolve durch Grasshopper, Lean durch Karamba3D und Taos »tausende Probleme« durch die Wallacei-Läufe, die ein seriöses Atelier vor dem zweiten Entwurf macht. Das PAZ-Parametric-Design-Panel macht die gleiche Dreiteilung — Form-Findung, Rationalisierung, Leistungsoptimierung — die Mathematiker jetzt für die Beweissuche machen. HIM (Human Information Modeling) ist der PAZ-Name für die Dyade, die Tao beschreibt; die Disziplin lebt in der Brücke, nicht auf den Ufern.

Hack: Dieses Hack lehrt dich mutieren-und-bewerten — die genetische Primitive, die AlphaEvolve nutzt, um Kandidaten-Beweise durchzuarbeiten. Speichern unter evolve.py; die gleiche Schleife funktioniert mit Grasshopper-Ausgaben, Wallacei-Populationen oder jeder Zielfunktion, die du schreiben kannst.

import random
def fit(s):
    try: return -abs(eval(s.replace("x","3")) - 10)
    except: return -1e9
best = "x*x+1"
for _ in range(200):
    best = max([best] + [best[:i]+random.choice("+-*123x")+best[i+1:]
                         for i in [random.randrange(len(best))]*10], key=fit)
print(best)

Das ist absichtlich klein. Sobald das Gerüst läuft, ersetze den Mutationsschritt durch einen LLM-Aufruf, der den nächsten Kandidaten vorschlägt — das ist die AlphaEvolve-Substitution.

Der Zug

Zeichne diese Woche deinen echten Dependency Graph — nicht das Architekturdiagramm, den Dependency Graph. Mathematiker 2026 werden leise zu Systemkartografen; Architekten, die Rhino.Inside.Revit, Karamba3D und einen LLM-Brief fahren, tun das längst. Markiere jede Box, die du nicht selbst kontrollierst. Der dritte Single-Point-of-Failure, den du findest, ist der ganze Sinn der Übung. In meiner Zeit fehlte uns nicht die Rechenleistung, sondern intakte Kühlsysteme, intakte Bandbreiten und intakte Personen, die sich erinnerten, wie das alte System funktionierte.