Amit Sahai: KI-Entdeckungen brauchen viel mehr menschliche Mathematiker
Victoria Shinder2 Min. LesezeitAmit Sahai, Kryptograf an der UCLA, hat auf dem Blog von Terence Tao einen Gastbeitrag mit bewusst zugespitztem Titel veröffentlicht: "We're gonna need a lot more mathematicians". Seine Ausgangslage: Die KI-Systeme, mit denen er arbeitet, liefern bereits neue Ideen und nicht bloß schnelle Rechnungen - und Forschungsmathematiker werden bald erleben, wie es ist, nicht mehr mithalten zu können. Die Argumentation läuft der verbreiteten Annahme zuwider, dass schnellere Maschinen weniger Menschen bedeuten.
Sahais These lautet, dass Verstehen nicht mit Rechenleistung skaliert. Er skizziert viele Forschungsgruppen, jeweils für ein Semester oder ein Jahr finanziert, die mit KI-Unterstützung eine einzige Sammlung KI-erzeugter Ideen durchdringen - und hält das für womöglich die wichtigste mathematische Arbeit der kommenden Jahre. Als Beispiel dient ihm ein hypothetischer KI-Entwurf für ein Fusionskraftwerk mit einem Terawatt: Bevor man es baut, müssten Gemeinschaften von Menschen verstehen, warum der Entwurf funktioniert und worauf sich das Vertrauen in seine Sicherheit stützt. Eine Garantie gelte nur innerhalb eines Modells, und über das Modell müsse jemand urteilen. Für mathematisch ausgebildete Menschen, auf die eine Gesellschaft dafür zurückgreifen kann, schlägt er den Begriff "deployable intellectual reserve" vor.
Zwei Details prägen die Lesart. Eine Fußnote betont, dass dieses Verständnis nicht nur bei dem Unternehmen liegen darf, das eine Technologie vorschlägt - bei einer öffentlichen Anhörung müssen unabhängige Fachleute der Argumentation folgen können. Und Sahai legt offen, dass ihm GPT 6 Astra beim Entwurf geholfen hat; Tao vermerkt, dass der Text mit KI aus einem anderen Format konvertiert wurde. Die Kommentare sind skeptisch: Mehrere Leser fragen, wer die zusätzlichen Stellen bezahlen soll, wenn Dauerstellen schon heute knapp sind.
Was das bedeutet
Für Softwareentwickler liegt der Text näher, als sein Thema vermuten lässt. Dieselbe Lücke öffnet sich im Code-Review: Eine Änderung zu erzeugen wird schneller billig, als eine zu verstehen. Ein Team, das nur Ausstoß misst, schließt daraus, weniger Reviewer zu brauchen - genau in dem Moment, in dem es mehr bräuchte. Sahais Fußnote zur unabhängigen Expertise passt direkt auf zugekaufte KI-Werkzeuge, bei denen oft nur Mitarbeiter des Anbieters das Verhalten eines Modells erklären können.
Einen Mechanismus liefert der Essay nicht, und die Kritik an fehlenden Antworten zu Finanzierung und Politik ist berechtigt. Sein Wert liegt in der Umdeutung: Wenn KI die Rate erhöht, mit der folgenreiche Ideen ankommen, werden Menschen, die sie prüfen können, zur knappen Ressource - und Organisationen sollten diese Kapazität ausdrücklich einplanen, statt anzunehmen, das Werkzeug liefere sie mit.