Show Notes
Stellt euch Dr. Katharina Hess vor. Sie leitet die Computational Chemistry Group bei einer der großen Pharmafirmen im Novartis-Korridor. 11 Postdocs und Data Scientists unter sich. Nicht drei Projekte — 30 offene Projekte. Forschungszyklen von 5, 10, 20 Jahren.
Vor fünf Tagen schlägt sie Nature auf. Die Headline springt sie an:
"AI cracks an 80-year-old mathematical challenge."
Sie liest. Liest nochmal. Beim dritten Mal versteht sie: ihre F&E-Abteilung läuft bald auf Steroiden. Nicht weil das Mathe-Problem so spektakulär ist — sondern weil die Methode, wie es geknackt wurde, alles ändert.
Und der eigentliche Schock: die KI, die das gelöst hat, war kein superduper Spezial-Mathe-Modell. Es war ChatGPT. Ja, euer ChatGPT.
🧮 Wer war Paul Erdős?
Ungarischer Mathematiker, 1913 geboren. Einer der produktivsten Mathematiker des 20. Jahrhunderts — über 1.500 Fachartikel. Restless. Keine Wohnung. Kein fixes Büro. Heute würde man "digitaler Nomade" sagen — damals war er einfach von Universität zu Universität gewandert.
Seine Leidenschaft war nicht das Lösen — sondern das Formulieren. Er hat über 1.000 offene mathematische Fragen gestellt. Und er hat Geldprämien gesetzt: 25 Dollar bis 10.000 Dollar für die Lösung.
📐 Das Problem: Planar Unit Distance
Stellt euch einen großen Platz vor. Ihr nehmt 1.000 Reißnägel. Wie viele Nagel-Paare könnt ihr gleichzeitig genau gleich weit voneinander aufstellen — sagen wir 1 Zentimeter?
Klingt einfach. Ist es nicht.
1984 hat eine Gruppe unter Spencer und Trotter die obere Grenze auf n hoch 4/3 ausgerechnet. Diese Grenze hat sich 40 Jahre lang nicht bewegt. Noga Alon, der in Princeton lehrt: "It was one of Erdős' favorite problems."
💸 Wie ChatGPT es gelöst hat — für ~1.000 Euro
Erstmal: welches ChatGPT? Nicht das, das eure E-Mails halb durcheinander schreibt. Das Reasoning-Modell — GPT-5.4 oder das Pro-Modell. Ihr müsst draufdrücken und das richtige Modell wählen.
Der Prompt war fast unscheinbar: "Could Erdős be wrong? Could the way he reasoned about this answer be flawed?"
Und dann hat das Modell gearbeitet. Komplett autonom. 125 Seiten geschrieben. Circa 100.000 Tokens. Kosten: zwischen 100 und 1.000 Euro.
Vergleich: Ich fliege morgen zu einer Erdöl-Erdgas-Firma nach Hannover. Der Flug Zürich-Hannover: 800 Euro. Die Tokenkosten, um ein mathematisches 80-Jahre-Problem zu lösen, sind in der Größenordnung eines einzigen Business-Trips.
🔧 Der Trick: nicht der bessere Schraubenzieher, sondern ein ganz anderer Schlüssel
Mathematiker haben 40 Jahre lang die Werkzeuge der Geometrie benutzt: Inzidenzgeometrie, Trotter-Theorem, Kreuzungsanzahl-Methode. Diese Werkzeuge kommen zu einer natürlichen Decke — die n^(4/3)-Grenze.
Die KI hat etwas ganz anderes gemacht. Sie hat aus dem Werkzeugkasten einen anderen Schlüssel rausgeholt: algebraische Zahlentheorie. CM-Körper. Komplex-Multiplikations-Felder. Unendliche Galois-Türme.
Sie hat das Problem nicht gelöst. Sie hat es umformuliert — von einem geometrischen zu einem zahlentheoretischen Problem. Und plötzlich war die Antwort viel besser und konkreter.
👨🏫 Die Verifizierung — neun Fields-Medaillen-Träger
OpenAI hat das nicht einfach verkündet. Sie haben gewusst: das hat ein LLM geschrieben — da muss ein Mensch drüber schauen. Also haben sie das Paper an eine Gruppe von 9 Mathematikern und Physikern gegeben:
- Noga Alon (Princeton)
- Daniel Litt (Toronto)
- Melanie Wood (Harvard)
- ...und 6 weitere
Manche davon sind Fields-Medaillen-Träger — der "Nobelpreis für Mathematik". Sie haben gemeinsam ein Paper geschrieben, um zu prüfen: ist das richtig oder Vollscheiß?
"There is no question — it is incredible that the AI managed this. It shows us that AI is more than just an assistant for mathematicians. It looks as if AI itself can have ingenious ideas."
🎯 Demis Hassabis bremst — und gleichzeitig nicht
Der DeepMind-CEO (der KI-Arm von Google) hat sich gemeldet: "Für eine KI war das eigentlich gar nicht so schwierig."
Warum? Weil das Problem zwar extrem schwer zu lösen ist — aber begrenzt. Es ist nicht, dass die KI jetzt 1.000 andere schwierige Sachen machen kann.
Aber acht andere Experten sagen das Gegenteil: das wirklich Clevere war nicht die Lösung. Das Cleverste war die Umformulierung — die Cross-Domain-Synthese. Und genau dorthin kommen wir jetzt.
🧬 Eure F&E-Abteilung — die Silo-Forschung muss sterben
Was machen Pharmaforscher? Sie arbeiten in Silos. Drug Discovery ist ein Paradebeispiel:
- Medizinchemiker definieren und finden die Ziele
- Biologen kennen die Pathways
- Statistiker arbeiten sich durch die Daten
Aber die arbeiten in ihren Silos. Sie reden nicht miteinander auf der Ebene, wo Durchbrüche passieren.
Leonardo da Vinci konnte das. Mathematik + Chemie + Physik + Anatomie — alles in einem Kopf, alles verknüpft. Heute ist das wegen der Informationsflut unmöglich für einen Menschen.
Aber eine KI? Eine KI hat genau diese Cross-Domain-Synthese.
Side note: Google DeepMind hat schon vor zehn Jahren mit AlphaFold den Nobelpreis gewonnen — für das Lösen des Protein-Folding-Problems. Das war auch Cross-Domain. Wenn Pharmafirmen das verstanden hätten, wären sie heute ein Jahrzehnt weiter.
🦴 Die unbequeme Wahrheit für eure Senior-Forscher
Wer sind in einer F&E-Abteilung die teuersten Leute? Nicht die Junioren. Es sind die 30-Jahre-Senioren, die eine Dreiviertelmillion Euro pro Jahr verdienen.
Und das sind die schlimmsten KI-Nutzer. Weil sie fundamental sagen: "Die letzten 40 Jahre habe ich so geforscht — ich brauche kein ChatGPT."
Wenn ihr in eurer Firma einen Doktoranden einstellt, ist die Frage 2026 nicht mehr nur "ist er gut in seinem Thema?" Es ist:
- Kann er ein Reasoning-Modell richtig prompten?
- Kann er Cross-Domain-Anfragen stellen — "Wie würde ein Biologe das sehen? Wie ein Ökonom?"
- Drückt er auf "Auto" oder wählt er bewusst GPT-5.4 Reasoning?
⚖️ Die Rechtsabteilung wird euch auf die Finger hauen
Stellt euch vor: ihr habt etwas Geniales mit ChatGPT entdeckt. Ihr wollt es patentieren. Wer ist der Erste, der euch stoppt?
Die Rechtsabteilung. Weil:
- Gehört das uns? Oder OpenAI?
- Gehört es Microsoft (wenn ihr Copilot benutzt habt)?
- Wer hält das Patent?
Und die Antworten sind noch nicht geklärt. Eure Entdeckungen können 2 Jahre in der Legal-Abteilung liegen bleiben. Plant das ein.
🎯 Drei Montag-Aktionen für jede F&E-Abteilung
- Reasoning-Modelle JETZT ausrollen. Nicht "Auto"-Modus, nicht der schnelle Default. Trainiert eure Forscher, bewusst GPT-5.4 Pro oder Claude Opus zu wählen. Die Antwortqualität verdreifacht sich.
- Token-Budget pro Forscher dramatisch erhöhen. 100 Euro pro Monat ist 2020er-Denken. Gebt ernsthaften Forschern 100.000 Euro Token-Budget pro Jahr. Mit 1.000 Euro ist ein 80-Jahre-Problem gelöst worden. Mit 100k könnt ihr 100 solcher Probleme angreifen.
- Cross-Domain-Prompting als Pflicht-Skill. Jeder Forscher muss lernen, der KI zu sagen: "Wie würde ein Mathematiker das sehen? Wie ein Biologe? Wie ein Ökonom?" Das ist die Werkzeug-Wechsel-Frage, die das Erdős-Problem geknackt hat.
🎬 Die Zusammenfassung
Paul Erdős hat ein Problem gestellt. 80 Jahre lang kamen die besten Mathematiker der Welt nicht durch. Heute, für etwa 1.000 Euro, hat ein Reasoning-Modell von ChatGPT es gelöst — indem es das Problem komplett umformuliert hat.
Eure F&E-Probleme stagnieren wahrscheinlich an irgendeiner Disziplin-Grenze. Lasst keinen einzigen Prozess in eurer Firma laufen, ohne dass dieser Prozess von KI unterstützt ist.
⏱️ Timestamps
- 00:00 — Cold Open: Dr. Katharina Hess und die Nature-Headline
- 03:00 — Wer war Paul Erdős? 1.500 Papers, digitaler Nomade, Geldprämien
- 06:00 — Das Planar Unit Distance Problem — die 40-jährige Decke n^(4/3)
- 09:00 — Wie ChatGPT es geknackt hat — 125 Seiten, 100k Tokens, 1.000 Euro
- 12:00 — Der Trick: nicht Geometrie, sondern algebraische Zahlentheorie
- 15:00 — Die Verifizierung: 9 Mathematiker, mehrere Fields-Medaillen-Träger
- 18:00 — Demis Hassabis bremst (und auch nicht)
- 20:00 — Eure F&E in Silos vs. Cross-Domain-Synthese
- 23:00 — Die Senior-Forscher und die Token-Budget-Frage
🎙️ Über den Host
Malcolm Werchota leitet KI-Adoptionsprogramme für Unternehmen in ganz Europa. Nach über 15 Jahren bei Novartis und Schlumberger heute Fokus: KI ohne Bullshit. Dozent an ESADE und HSLU. Studiert in Leoben — angewandte Physik / Werkstoffwissenschaften.
🚀 Ressourcen für Führungskräfte
📬 Kontakt
📰 Quellen
- Nature — "AI cracks an 80-year-old mathematical challenge" (Mai 2026)
- OpenAI — Reasoning-Modell GPT-5.4 Pro
- Noga Alon (Princeton), Daniel Litt (Toronto), Melanie Wood (Harvard) — Verifizierungs-Paper
- Demis Hassabis / Google DeepMind — Kommentar zur KI-Mathematik
- Spencer & Trotter (1984) — ursprüngliche Planar-Unit-Distance-Obergrenze
- Erdős's offene Probleme — historischer Hintergrund
Tags: #ErdosProblem #ChatGPT #ReasoningModels #AlphaProof #DeepMind #Pharma #Forschung #FuE #CrossDomain #AlgebraischeZahlentheorie #FieldsMedaille #DemisHassabis #SilosForschung #AGI #werchota #DasKIKochbuch