Ich stimme der Meinung von Terence Tao besonders zu: In der aktuellen Phase ist die geeignetste Verwendung von KI nicht, die leistungsstärksten KI-Modelle direkt zur Lösung der schwierigsten mathematischen Probleme einzusetzen. Eine breitere und praktischere Anwendung könnte darin bestehen, mittelmäßige KI-Tools zu nutzen, um Mathematikern zu helfen, alltägliche, mühsame, aber unerlässliche Grundlagenforschungsaufgaben schneller zu erledigen. Vor einigen Tagen hörte ich einen Mitarbeiter von CVS erzählen, dass die CVS-Apotheke sehr beschäftigt ist, aber die meiste Zeit mit einigen mühsamen Aufgaben verschwendet wird, wie zum Beispiel dem Zählen von Tabletten, da die Anzahl der Tabletten für jeden Patienten unterschiedlich ist. Es werden zwei Fachapotheker benötigt: einer ist dafür verantwortlich, die angegebene Anzahl von Tabletten in die Flasche zu füllen, und der andere überprüft, ob die Anzahl der Tabletten in der Flasche korrekt ist. Eine Gruppe hochqualifizierter, professionell ausgebildeter Apotheker verbringt jeden Tag viel Zeit mit diesen Aufgaben. Daher haben sie kürzlich den Prozess automatisiert, indem sie KI und Roboter eingesetzt haben, um die Apotheker zu entlasten, damit sie wichtigere Aufgaben erledigen können. Ich selbst nutze KI im Alltag ähnlich. Sie kann mir nicht unbedingt bei vielen technischen Problemen helfen, aber ich kann KI nutzen, um einige kleine Tools zu entwickeln oder direkt mit bestimmten Eingabeaufforderungen zu arbeiten, um viele mühsame Aufgaben zu erledigen. Das hat bereits meine Gesamteffizienz erheblich gesteigert. --- Die Übersetzung des Originals finden Sie in den Kommentaren.

Terence Tao: Meine Überlegungen zu den jüngsten Anwendungen von KI im Bereich der Mathematik In letzter Zeit habe ich zunehmend das Gefühl, dass die kurzfristig effektivsten Anwendungen von Künstlicher Intelligenz (KI) im Bereich der Mathematik nicht unbedingt darin bestehen, die leistungsstärksten KI-Modelle direkt zur Lösung der schwierigsten mathematischen Probleme einzusetzen. Natürlich sehen wir gelegentlich einige besonders erfolgreiche Fälle, aber diese erfordern oft erhebliche Rechenressourcen und die Energie von Spitzenexperten. Die wirklich breitere und praktischere Anwendung könnte vielmehr darin bestehen, diese leistungsstarken, aber moderaten KI-Tools zu nutzen, um Mathematikern zu helfen, alltägliche, mühsame, aber unerlässliche Grundlagenforschungsaufgaben schneller zu erledigen. Diese scheinbar trivialen Aufgaben könnten von menschlichen Experten erledigt werden, erfordern jedoch mehr Zeit und Energie. Das ist tatsächlich ein großer Vorteil der KI-Anwendung und kein Mangel. Denn menschliche Experten haben bereits reichlich Erfahrung und Intuition gesammelt, um schnell und genau zu beurteilen, ob die Ausgaben der KI zuverlässig sind, und sie sicher in ihren Forschungsprozess zu integrieren. Ein einfaches Beispiel: Literaturrecherche. Mathematiker müssen vor der Untersuchung eines Problems oft eine große Menge an vorhandener Forschungsliteratur durchsehen. Wenn das Problem bereits einen anerkannten Namen hat und es eine aktive Forschungsgruppe gibt, sind die bestehenden Suchmaschinen und akademischen Datenbanken bereits ausreichend. Mathematiker müssen nur mit einem wichtigen Artikel beginnen, entlang der Zitationskette vor- und zurücksuchen und können schnell den Forschungsstand des Problems erfassen. Es gibt jedoch viele Fälle, in denen ein Forschungsproblem keinen einheitlichen Namen hat und verschiedene Wissenschaftler möglicherweise unterschiedliche Ansätze verfolgen. Die relevante Literatur ist in verschiedenen Zeitschriften, Konferenzen und Büchern verstreut, und die Zitationsbeziehungen sind chaotisch. Manchmal erwähnt ein Artikel nur einen kleinen Teil des Problems, vermischt mit einer Menge irrelevanter Inhalte. In solchen Fällen ist es besonders mühsam, wirklich wertvolle Literatur zu finden: Man muss möglicherweise Artikel suchen und wiederholt filtern, und es kann sein, dass man lange sucht, nur um festzustellen, dass es keinerlei Bezug zu seinem eigenen Problem hat. Aber sobald man tatsächlich relevante Artikel gefunden hat, kann ein Experte sie schnell überfliegen und sofort beurteilen, ob dieser Artikel einen Beitrag zum aktuellen Problem leistet. Diese Fähigkeit zur schnellen Validierung macht KI besonders geeignet für die Literaturrecherche (vorausgesetzt, der Forscher hat selbst das notwendige Fachwissen, um die Qualität der Literatur unabhängig zu beurteilen). Besonders wenn Forscher gleichzeitig mehrere Forschungsfragen im Auge behalten müssen, wird der Vorteil der Nutzung von KI noch deutlicher. In diesem Szenario muss die KI nicht zu 100 % genau sein; solange die Erfolgsquote hoch genug ist, wird die Gesamteffizienz viel höher sein als bei traditionellen Methoden. Außerdem können Forscher, die etwas Zeit investieren, um zu lernen, wie man KI-Tools effektiv nutzt, die Kosten durch wiederholte Nutzung allmählich senken. Kürzlich gab es ein sehr typisches Beispiel in der Mathematikgemeinschaft: Der berühmte Mathematiker Paul Erdős hat zu Lebzeiten viele interessante mathematische Probleme aufgeworfen. Derzeit gibt es auf der Website Erdős Problems, die speziell diese Probleme sammelt und aufbereitet, über tausend Probleme, von denen etwa 600 als „unlösbar“ (open) gekennzeichnet sind. Obwohl einige Probleme bereits umfassend untersucht wurden, gibt es auch viele relativ unbekannte Probleme, bei denen es schwierig ist, allein durch einfache manuelle Recherche zu beurteilen, ob es Lösungen gibt. In den letzten Tagen haben einige Forscher begonnen, systematisch KI-Tools zu nutzen, um relevante Literatur zu durchsuchen. Sie veröffentlichen die Ergebnisse der KI nicht direkt auf der Website, sondern überprüfen sie zunächst manuell, um sicherzustellen, dass sie gültig sind, bevor sie Kommentare oder Anmerkungen hinzufügen. In nur wenigen Tagen haben sie durch diese Methode der „KI-unterstützten Literaturrecherche + manuellen Bestätigung“ bereits mindestens 6 Problemlösungen erfolgreich entdeckt. Diese Probleme waren ursprünglich als „unlösbar“ gekennzeichnet, und ihr Status wurde jetzt auf „gelöst“ (solved) geändert. Zum Beispiel: Problem 339, Problem 1043, Problem 494, Problem 621, Problem 822, Problem 903. Es gibt noch einige Dutzend Probleme, die zwar noch ungelöst sind, aber relevante Literatur wurde erfolgreich recherchiert und nach manueller Bestätigung auch in die Kommentare auf der Problemseite aufgenommen. Obwohl nicht jeder Kommentar ausdrücklich angibt, dass KI verwendet wurde, deutet die signifikante Zunahme der Kommentare in kurzer Zeit auf den Beitrag der KI hin. Ein weiterer potenzieller Vorteil dieser KI-Tools ist, dass sie auf natürliche Weise über „negative Ergebnisse“ (negative results, d.h. „keine relevanten Literatur gefunden“) berichten können. Im Allgemeinen berichten Forscher, wenn sie bei der Literaturrecherche nichts finden, normalerweise nicht darüber, möglicherweise aus Angst, eine wichtige Arbeit übersehen zu haben, was peinlich sein könnte. Diese Stille führt tatsächlich zu viel redundanter, wiederholter Arbeit – verschiedene Forscher haben möglicherweise viel Zeit damit verbracht, nach nicht existierender Literatur zu suchen oder fälschlicherweise zu glauben, dass ein Problem ungelöst ist, obwohl es einfach nie ernsthaft recherchiert wurde. Wenn KI-Tools systematisch große Literaturrechercheaufgaben bearbeiten, sind Forscher natürlich eher bereit, solche „negativen Ergebnisse“ offen zu berichten. Zum Beispiel: „Das KI-Tool hat 36 Probleme überprüft, von denen 24 (66 %) neue gültige Literatur gefunden haben, während 12 (33 %) nur bekannte oder irrelevante Ergebnisse zurückgegeben haben.“ Diese offene und transparente Vorgehensweise ermöglicht es der gesamten akademischen Gemeinschaft, besser zu verstehen, wie der Forschungsstand zu einem bestimmten Problem aussieht, und vermeidet viele unnötige Wiederholungen. Zusammenfassend lässt sich sagen, dass die kurzfristig effektivste Nutzung von KI im Bereich der mathematischen Forschung möglicherweise genau in diesen für menschliche Experten etwas „trivialen“, aber für die Forschungsarbeit entscheidend wichtigen grundlegenden Aufgaben liegt. Die Rolle der KI hier ist nicht die eines überragenden Genies, sondern die eines Effizienzbeschleunigers. Sie kann Forschern helfen, mehr wertvolle Energie von mühsamen Grundaufgaben zu befreien und besser in Bereiche zu investieren, die wirklich Innovation und tiefes Nachdenken erfordern.