OpenAI und Navier-Stokes: Was bewiesen ist, was nicht – und warum es Zoff gibt

Am 8. September 2026 gab OpenAI bekannt, ein internes Modell habe einen Beweis zu den Navier-Stokes-Gleichungen erbracht – einem der sieben Millennium-Probleme des Clay Mathematics Institute. Schlagzeilen rund um den Globus erzählten es als den Moment, in dem eine Maschine ein seit dem Jahr 2000 offenes Problem gelöst habe.

Die wahre Geschichte ist vielschichtiger: Es gibt ein ernstzunehmendes mathematisches Resultat, eine technische Nuance, die seine Reichweite deutlich verändert, zwei spanische Mathematiker am Ursprung der Idee, einen Autorenschaftsstreit mit gegenseitigen Vorwürfen – und einen grundsätzlichen Einwand dazu, was KI mit der Forschung macht.

Was genau hat OpenAI angekündigt?

Ein internes Modell, das das Unternehmen als deutlich leistungsfähiger als GPT-6 Astra beschreibt und dessen Training am 28. August begonnen hatte, arbeitete mit rund 10.000 Agenten parallel an dem Problem. Der Einsatz verbrauchte knapp 2,7 Millionen Nachrichten und rund 130 Milliarden Output-Tokens über etwa 88 Stunden. Sébastien Bubeck von OpenAI bezifferte die Rechenkosten auf mehrere Millionen Dollar.

Das Ergebnis ist ein Beweis dafür, dass die Dynamik der Navier-Stokes-Gleichungen eine Singularität in endlicher Zeit entwickeln kann. In einfachen Worten: Ein durch diese Gleichungen beschriebenes Fluid kann einen Punkt erreichen, an dem die mathematische Lösung keinen Sinn mehr ergibt – mit Größen, die gegen unendlich explodieren.

Nach dem Beweis widmete ein anderes Modell, diesmal GPT-6 Astra, weitere 17 Stunden der Formalisierung des Arguments in Lean, einem Beweisassistenten, der jeden logischen Schritt mechanisch überprüft. Die Zertifikate sind in einem offenen Repository veröffentlicht.

So verhält sich das Fluid nahe der Singularität. Orange markiert die Bereiche, die sich schneller drehen, und Türkis die langsameren; die Bahnen winden sich nach innen, während sich das Fluid entlang der Achse streckt. Quelle: OpenAI.

Was sind die Navier-Stokes-Gleichungen – und warum sind sie wichtig?

Es sind die Gleichungen, die die Bewegung von Fluiden beschreiben – von der Luft um einen Flügel über Wasser in einer Leitung bis hin zu Blut in einer Arterie. Sie werden täglich in der Luftfahrttechnik, Klimatologie, Motorenentwicklung und industriellen Simulation eingesetzt und funktionieren in der Praxis gut.

Was niemand bewiesen hatte, ist, dass sie immer wohldefiniert sind. Das Millennium-Problem fragt, ob die Gleichungen – ausgehend von einem glatten, gutartigen Fluid in drei Dimensionen – für alle Zeiten eine glatte Lösung garantieren, oder ob sie irgendwann „brechen“ können. Es ist eine Frage nach den Fundamenten, nicht nach der Anwendung.

Aber Vorsicht: Selbst wenn sich das Ergebnis vollständig bestätigt, ändert es morgen keine Ingenieursrechnung. Reale Fluide haben eine molekulare Struktur, und die Gleichungen sind schon lange bevor eine mathematische Singularität erreicht wird nicht mehr anwendbar.

Bekommt OpenAI die eine Million Dollar?

Nein – das sagt das Unternehmen selbst. In seiner Veröffentlichung hält es fest, dass es den Millennium-Preis für dieses Ergebnis nicht beansprucht.

Der Grund ist eine technische Nuance, die die meisten Schlagzeilen ausgelassen haben. Die offizielle Aufgabenstellung, die Charles Fefferman für das Clay Institute formuliert hat, umfasst mehrere Fassungen. Die preisrelevanten beziehen sich auf ein Fluid ohne äußere Kraft, das sich selbst überlassen ist. Was OpenAI bewiesen hat, entspricht den Fassungen mit Forcing, also mit einer von außen angelegten glatten Kraft, die das Fluid in Richtung Singularität treibt.

Der Unterschied ist nicht kosmetisch. Eine maßgeschneiderte Kraft zu konstruieren, die das System ins Desaster führt, ist sehr schwierig – aber deutlich weniger schwierig, als zu zeigen, dass das Fluid auch von allein brechen kann. Das Millennium-Problem im strengen Sinn bleibt offen.

Hinzu kommt das Verfahren. Die Regeln des Clay Institute verlangen eine Veröffentlichung in einer Spitzenzeitschrift und zwei Jahre Prüfung durch die Fachcommunity, bevor überhaupt etwas vergeben wird. Stand heute gibt es keine offizielle Validierung durch das Institut.

Wer hat die Ideen wirklich geliefert?

Hier kommt der Teil, der in Spanien wenig erzählt wurde. Die analytische Strategie, auf der das Ergebnis beruht, stammt aus der Arbeit von Diego Córdoba vom Instituto de Ciencias Matemáticas in Madrid und Träger des Nationalen Forschungspreises, sowie von Luis Martínez-Zoroa. Sie hatten jahrelang an der Methode gearbeitet, mit der sich in dieser Art von Gleichungen Singularitäten konstruieren lassen.

Charles Fefferman, der die offizielle Problemformulierung verfasst hat, brachte es ohne Umschweife auf den Punkt: Die Helden dieser Geschichte seien Córdoba und Martínez-Zoroa. Tristan Buckmaster von der New York University ging sogar so weit zu sagen, Martínez-Zoroas Arbeit verdiene eine Fields-Medaille.

Anders gesagt: Die KI hat nicht bei null angefangen. Sie ist mit hoher Geschwindigkeit einen Weg entlanggelaufen, den zwei menschliche Mathematiker geöffnet und markiert hatten.

Warum gibt es einen Autorenschaftsstreit?

Buckmaster und Levent Alpöge, ein mit Anthropic verbundener Forscher, arbeiteten parallel an den erzwungenen Euler-Gleichungen – mit einem Ansatz, der den von Córdoba und Martínez-Zoroa weiterführte. Sie veröffentlichten ihre Ergebnisse am 7. September, einen Tag vor der Ankündigung von OpenAI.

Buckmaster sagt, OpenAI habe ihn am 6. September kontaktiert und mitgeteilt, man habe einen rund hundertseitigen Beweis mit demselben Ansatz erhalten. Als er fragte, wann man diese Instruktionen an das Modell gegeben habe, sei die Antwort gewesen: in den letzten Tagen – direkt nachdem man von seiner Arbeit erfahren habe. Er fügt hinzu, man habe ihm eine Koautorenschaft angeboten, allerdings mit der Bitte, Alpöge wegen seiner Tätigkeit in einem konkurrierenden Unternehmen außen vor zu lassen, und er beschreibt Druck, als er versuchte, dies öffentlich zu machen.

OpenAI weist die Vorwürfe zurück, bezeichnet sie als falsch, gratuliert beiden Forschern zu ihrer Arbeit und erklärt, die Priorität dieser anzuerkennen. Bubeck entschuldigte sich öffentlich für das, was er eine sehr unglückliche Wortwahl zur Autorenschaft nannte. Einen Punkt räumte das Unternehmen jedoch ein, der Aufmerksamkeit verdient: dass de-identifizierte Daten aus der Nutzung seiner Produkte zur Verbesserung seiner Modelle beigetragen haben könnten.

Buckmaster wiederum räumt ein, dass er den Beweis von OpenAI nicht gesehen hat und nicht weiß, was das Modell getan hat und wie. Auf Basis der öffentlich verfügbaren Informationen lässt sich keine der beiden Versionen als abschließend betrachten.

Reicht es nicht, dass Lean es verifiziert hat?

Lean leistet viel – aber nicht alles, und diese Unterscheidung ist die nützlichste des ganzen Vorgangs. Was Lean bestätigt, ist, dass sich der Satz logisch aus den niedergeschriebenen Hypothesen ableiten lässt, Schritt für Schritt, ohne Lücken. Das eliminiert auf einen Schlag jene Fehlerklasse, die im Lauf der Geschichte berühmte Beweise zu Fall gebracht hat.

Was Lean nicht beurteilen kann, ist ob die niedergeschriebenen Hypothesen die richtigen sind. Wenn sich bei der Formalisierung eine andere Abklingbedingung einschleicht, ein bequemerer Funktionenraum oder eine Definition der Glattheit des Forcings, die nicht der offiziellen Aufgabenstellung entspricht, kompiliert der Code trotzdem – und der bewiesene Satz ist ein anderer. Menschliche Begutachtung bleibt notwendig, sie konzentriert sich nun nur auf die Formulierung statt auf den Beweis.

Der grundsätzliche Einwand – laut Terence Tao

Terence Tao, vermutlich der einflussreichste lebende Mathematiker auf diesem Gebiet, hat eine Kritik formuliert, die über die Frage hinausgeht, wer was unterschreibt. Sein Argument: Der Wert eines offenen Problems liegt nicht nur in der Antwort. Er liegt in den Werkzeugen und Ideen, die beim Versuch entstehen, es zu lösen – und die fast immer mehr wert sind als das konkrete Resultat. Wenn eine autonome KI die Lösung privat produziert, ohne den Prozess oder die Sackgassen zu zeigen, bleibt dem Feld das Ergebnis – aber ohne das Lernen.

Tao fasste es in ein hartes Bild: eine wahllose Ausbeutung offener Probleme, die das Ökosystem zerstören kann, aus dem die nächste Generation von Techniken, Problemen und Mathematikern hervorgegangen wäre. Und er warnt vor einem Nebeneffekt: Eine schnelle Antwort entmutigt diejenigen, die gerade andere Wege erkunden. Es ist ein Einwand gegen die Methode, nicht gegen die Fähigkeit. Niemand bestreitet, dass das System etwas Bemerkenswertes geleistet hat.

Was würde diese Entdeckung bedeuten?

Man sollte trennen zwischen dem, was sich morgen ändert, und dem, was sich in zehn Jahren ändert:

In der Ingenieurpraxis: kurzfristig wenig. Keine Aerodynamik- oder Klimatologie-Rechnung wird deswegen neu aufgesetzt. Reale Fluide haben eine molekulare Struktur, und die Gleichungen hören lange vor einer mathematischen Singularität auf, sie zu beschreiben. Was sich ändert, ist der Status des Modells: Zu wissen, dass es brechen kann, zwingt dazu, genauer zu bestimmen, unter welchen Bedingungen eine Simulation verlässlich ist – und diese Präzisierung schlägt sich am Ende in der täglich genutzten Software nieder.

In der Mathematik: ein Berufswechsel. Wenn sich das Muster wiederholt, verschiebt sich die Arbeit des Forschers vom Finden des Beweises hin zum sauberen Formulieren des Problems und zum Prüfen dessen, was die Maschine zurückliefert. Die Formalisierung in Assistenten wie Lean ist dann keine Nischenspezialität mehr, sondern Infrastruktur – weil sie das Einzige ist, was eine skalierbare Auditierbarkeit dessen ermöglicht, was ein automatisches System produziert.

In der Künstlichen Intelligenz: die Messlatte steigt. Bislang war der Maßstab, Probleme mit bekannter Lösung zu lösen. Diese Episode deutet – wenn sie Bestand hat – auf etwas anderes: neues, überprüfbares Wissen zu erzeugen. Und sie bringt eine teure Methode mit sich: massives Rechnen als Forschungsform, mit Tausenden parallelen Versuchen und einem objektiven Filter, der die überlebenden auswählt.

In Unternehmen: der Zeitplan rückt vor. Was heute für ein offenes Problem zehntausend Agenten und mehrere Millionen Dollar braucht, wird in ein paar Jahren dem ähneln, was Sie auf ein gut abgegrenztes internes Problem ansetzen können. Und es verändert, was als akzeptables Deliverable gilt – weil das Ergebnis zunehmend mit seiner Verifikation kommt, statt einen Akt des Glaubens zu verlangen.

Wenn Sie bewerten, wie Sie Agenten mit Verifikation und Kontrolle in Ihrer Organisation einsetzen können: Bei LISDATA erarbeiten wir dieses Design in unserer Beratung zu KI-Agenten für Unternehmen.