OpenAI hat am Sonntag einen eigenen Blog für Wissenschaft eröffnet. Dort sollen Forschende zeigen, was sie mit KI herausfinden und wie sie dabei arbeiten. Geplant sind drei Arten von Beiträgen: neue Ergebnisse, Methoden zum Nachmachen samt Hinweisen, wo sie versagen, und Erfahrungsberichte aus den Fachgebieten.
Was OpenAI bisher vorzeigt
Im Startbeitrag zählt OpenAI auf, was seine Modelle in den letzten Monaten geliefert haben: im September einen Beweis zum Navier-Stokes-Problem, im Oktober eine Sammlung mathematischer Ergebnisse, darunter eine engere Fehlerschranke für die Abschätzung, wie viele Primzahlen unter einer Zahl liegen. Aus der Biologie nennt OpenAI ein Projekt mit PerturbAI und Scripps Research: Tausende Agenten auf Basis von GPT-Rosalind haben dort in 32 Minuten Messdaten aus Millionen Mäusehirnzellen ausgewertet und mögliche Mechanismen für Laborversuche vorgeschlagen. Dass OpenAI aus der Oktober-Sammlung drei Manuskripte wegen eines Vorzeichenfehlers zurückziehen musste, steht nicht im Text. Immerhin spricht der Beitrag die offene Frage an, wie maschinell erzeugte Beweise geprüft und in ein Fach aufgenommen werden.
Ein Gitter für das Standardmodell
Den ersten Gastbeitrag schreibt Nathaniel Craig. Er leitet die Gruppe für Teilchentheorie an der University of California in Santa Barbara und arbeitet derzeit als Gastwissenschaftler bei OpenAI. Sein Thema: Das Standardmodell der Teilchenphysik stimmt über 18 Größenordnungen mit Experimenten überein, hat aber bis heute keine vollständige mathematische Definition, die ohne Näherung auskommt. Physiker rechnen meist so, als wären die Wechselwirkungen ausgeschaltet, und fügen sie dann als kleine Korrekturen hinzu. Für die Masse des Protons funktioniert das nicht.
Ein Ausweg ist, die Raumzeit als Gitter aus Punkten zu behandeln. Für die starke Kraft hat das in den letzten Jahrzehnten viel gebracht. Schwierig wird es beim vollständigen Standardmodell, weil linkshändige Teilchen auf dem Gitter eine passende Phasenkorrektur brauchen. Craig hatte eine Idee, wie sich diese Korrektur über immer feinere Gitter zusammensetzen lässt, konnte aber nicht beweisen, dass sie in allen Fällen trägt. In einem Preprint aus dem Oktober schlägt er nun eine Definition vor. Laut Craig hat GPT-6 Astra gezeigt, wie sich die Kraftfelder auf feinere Gitter übertragen lassen, nachgewiesen, dass die Vergleiche zu einem festen Ergebnis führen, und bei der detaillierten Beweisführung die Führung übernommen. Drei Gittertheoretiker, Maarten Golterman, Andreas Kronfeld und Yigal Shamir, haben den Beweis gelesen und kritisch nachgefragt.
Ein Kandidat, noch keine Lösung
Craig formuliert vorsichtig. Er nennt das Ergebnis einen Kandidaten, der eine über fünfzig Jahre offene Frage „möglicherweise“ beantwortet, und eher eine Antwort im Prinzip als in der Praxis. Ob die Konstruktion alle nötigen Eigenschaften hat, müssten Fachleute erst klären. Er selbst prüft gerade die sogenannte Reflexionspositivität.
Mir gefällt dieser Ton, und er passt zu OpenAIs eigenen Plänen für den Blog, auch über Grenzen von Methoden zu schreiben. Ein Blog, in dem Forschende selbst erzählen, was das Modell beigetragen hat und wer es geprüft hat, ist nachvollziehbarer als die großen Ankündigungen vom Herbst. Wie viel er taugt, zeigt sich, wenn dort zum ersten Mal ein Ergebnis steht, das nicht gehalten hat.