Der Navier-Stokes-Satz: Big Tech zwischen Verstehen, Verifizieren und Verlangsamen
Ich habe einige Wochen gewartet, bis sich der Staub der Kontroverse und des Hypes gelegt hatte, bevor ich versuchen wollte zu erzählen, was bei Navier-Stokes wirklich passiert ist. In den ersten Tagen teilten sich die Schlagzeilen in zwei entgegengesetzte Lager: „Künstliche Intelligenz hat ein Millennium-Problem gelöst“ auf der einen Seite, „Nein, sie haben nur die Arbeit zweier Mathematiker gestohlen“ auf der anderen. Beide spiegeln den Ton des Geschehens wider, nicht die Fakten. Und die Fakten, aneinandergereiht, zeichnen eine Geschichte, die interessanter ist als jede Schlagzeile. Es gibt zudem einen Faden, der diese Geschichte mit einer anderen verbindet, die nur wenige Tage später auftauchte – dem Essay, in dem Dario Amodei dazu aufrief, die Entwicklung der KI zu verlangsamen: dieselbe Frage danach, was an diesen Unternehmenserzählungen überprüfbar ist und was bloßes Versprechen bleibt. Wir kommen nach der Mathematik darauf zurück.
Eine Maschine, eine Datei und ein verbleibender Zweifel
Am 8. September veröffentlichte OpenAI das, was das Unternehmen als eine von einem internen Modell generierte Lösung für eine der berühmtesten offenen Fragen der Mathematik bezeichnet: Können die Navier-Stokes-Gleichungen unter bestimmten Bedingungen „explodieren“? Die Antwort kommt in zwei Formen: ein Dokument mit über 160 Seiten und eine von der Software Lean überprüfte Datei, die jeden logischen Schritt prüft wie ein unerbittlicher Korrektor – ohne jemals zu ermüden und ohne sich jemals ablenken zu lassen.
Zur selben Zeit erklären jedoch einige der einflussreichsten Mathematiker der Welt, dass der wichtigste Teil – wirklich zu verstehen, was in diesen Gleichungen vor sich geht – noch gar nicht eingetroffen ist. Terence Tao, Fields-Medaillist und der im Internet wahrscheinlich meistgefolgte lebende Mathematiker, hatte dies bereits fünf Tage vor der Veröffentlichung der Lösung geschrieben, und bevor er überhaupt wusste, dass sie existierte. Es ist keine Reaktion, sondern eine Vorhersage, die eingetroffen ist. Tao befürchtete ein Szenario, in dem eine „größtenteils von KI generierte“ Lösung schließlich das Problem als Quelle weiteren Fortschritts kontaminiert, anstatt es voranzubringen.
Dieser Artikel versucht, beide Aspekte zusammenzuhalten, ohne Partei zu ergreifen: Was wurde tatsächlich verifiziert, was bleibt Erzählung, und welche Fragen bleiben offen.
Worum es geht
Die Navier-Stokes-Gleichungen sind im Wesentlichen das zweite Newtonsche Gesetz, angewendet auf Flüssigkeiten und Gase. Sie beschreiben, wie sich Wasser, Luft, Blut in den Adern oder die Atmosphäre bewegen. Sie werden jeden Tag genutzt, um Flugzeuge zu konstruieren, das Wetter vorherzusagen und die Blutzirkulation zu erforschen. Das mathematische Problem, das sie betrifft, hat jedoch nichts mit dem Wetter von morgen zu tun: Die Frage ist, ob ein Fluid, das ruhig und regelmäßig mit begrenzter Energie startet, für immer regelmäßig bleiben kann oder ob an einem bestimmten Punkt ein Ort entstehen kann, an dem die Geschwindigkeit in endlicher Zeit grenzenlos ansteigt. Stellen Sie sich einen Tropfen in einem sich immer enger ziehenden Wirbel vor, der auf einen Punkt der Dimension Null schrumpft, der sich mit unendlicher Geschwindigkeit dreht: Das ist das, was Mathematiker einen „Blowup“ (Explosion/Kollaps) nennen, und es ist genau das, was nach der realen Physik niemals passieren sollte, weil die innere Reibung des Fluids stets dazu neigt, die Bewegung abzumildern.
In zwei Dimensionen weiß man seit Langem, dass dies niemals passiert. In drei Dimensionen ist die Frage seit fast neunzig Jahren offen, seit der Pioniertat von Jean Leray im Jahr 1934, und sie zählt seit dem Jahr 2000 zu den sieben Millienium-Problemen des Clay Mathematics Institute, von denen jedes mit einem Preisgeld von einer Million Dollar dotiert ist. Das einzige Mal, dass das Preisgeld verliehen wurde, war 2010 für die Poincaré-Vermutung – und der Gewinner, Grigori Perelman, lehnte es ab.
OpenAI beansprucht die Seite der „Explosion“ für sich: eine Konfiguration, bei der sich unter Anwendung einer glatten äußeren Kraft auf das Fluid und bei dauerhaft endlicher Energie dennoch eine Singularität in endlicher Zeit entwickelt. Die technische Schwierigkeit ist nicht dekorativ: Der Kollaps muss aus der eigenen Bewegung des Fluids entstehen, nicht aus etwas Unnatürlichem, das gewaltsam dort hineingebracht wurde.
Warum kümmert das jemanden, wenn es nichts daran ändert, wie wir das Wetter von morgen vorhersagen? Weil, wie Tao schreibt, das Problem nicht wegen seiner direkten physikalischen Anwendung wichtig ist, sondern wegen dem, was es auf dem Weg dorthin erzeugt: Jahrzehnte von Antwortversuchen haben heute fundamentale mathematische Werkzeuge hervorgebracht, von den schwachen Lösungen nach Leray-Hopf bis zu den Blowup-Kriterien nach Beale-Kato-Majda. Das Problem war mit anderen Worten schon immer ein Theorem-Generator, kein abzukassierender Preis.
Lean prüft die Logik, nicht die Frage
Der am meisten missverstandene Teil der ganzen Geschichte betrifft genau jene in Lean überprüfte Datei. Lean ist ein Beweisassistent, ein im Microsoft-Umfeld im Jahr 2013 entstandenes Programm, das Schritt für Schritt prüft, ob jede Schlussfolgerung korrekt aus den vorherigen folgt. Das ist der Grund, warum die Ankündigung solider klingt als eine einfache Pressemitteilung: Der Beweis ist nicht die Meinung eines Sprachmodells, sondern eine Datei, die eine Maschine mechanisch überprüft.
Das Problem ist, dass Lean prüft, ob die Demonstration aus der geschriebenen Aussage folgt, nicht ob die geschriebene Aussage die richtige ist. Wenn die Übersetzung des Problems in formale Sprache – was genau „Lösung“, „endliche Energie“ oder „Glattheit“ bedeutet – unpräzise ist, kann der Beweis tadellos sein und dennoch keineswegs das beweisen, von dem man glaubt, dass es bewiesen wird. Lance Fortnow, Komplexitätstheoretiker, bemerkt zudem einen Nebeneffekt: Lean wird zu einer Art Poststempel, einem Weg, Priorität für ein Theorem zu beanspruchen, bevor man es überhaupt auf eine für Menschen verständliche Weise aufgeschrieben hat. Er berichtet, dass Anthropic wenige Tage zuvor den gesamten Großen Satz von Fermat in Lean formalisiert hatte und dass die Nachricht „kaum Wellen geschlagen hatte“ – ein Zeichen dafür, dass sich das Genre erschöpft.
Zu diesem Punkt kommt der nützlichste Beitrag, der nach der ersten Welle von Schlagzeilen erschienen ist: ein Text von Silvia De Toffoli und Eamon Duede, der als Gastbeitrag auf Taos Blog verfasst wurde. Ihre These ist, dass zwei verschiedene Begriffe des Beweises existieren: der logische Beweis – die mechanisch überprüfbare deduktive Gültigkeit, die eine Lean-Formalisierung vollkommen erfüllt und die Gewissheit garantiert; und der verständliche Beweis, der das Verstehen betrifft, das Begreifen, warum etwas wahr ist. Historisch gesehen sind die beiden Dinge immer Hand in Hand gegangen, weil kein Mensch einen riesigen logischen Beweis konstruieren konnte, ohne vorher die Ideen zu erfassen, die ihn wahr machten. Mit der KI, so schreiben sie, können sich diese beiden Begriffe nun dramatisieren trennen. Der Satz, der die gesamte Angelegenheit am besten zusammenfasst, stammt von ihnen: OpenAI hat eine Antwort gegeben, aber es ist alles andere als klar, ob das Unternehmen eine fruchtbare Lösung angeboten hat. Und das ist keine isolierte Meinung: Das Clay Institute selbst schreibt auf der offiziellen Seite des Problems, dass ein Beweis zählt, weil er nicht nur Gewissheit, sondern auch Verständnis bringt. Es ist die geschriebene Regel des Wettbewerbs, die durch den Wettbewerb selbst in die Krise geraten ist.
Zehntausend Versuche und ein bereits vorgezeichneter Weg
Der interessanteste Teil des Geschehens ist jedoch, wie man zu einem solchen Ergebnis gelangt, weil es mehr als jede Erklärung darüber aussagt, was die Maschine tatsächlich getan hat. Nach der Rekonstruktion von OpenAI hat das Unternehmen etwa zehntausend parallele Agenten eingesetzt, die in Gruppen aufgeteilt waren und unterschiedliche Ansätze erkundeten: Einige suchten nach dem Beweis, dass das Fluid explodiert, andere nach der gegenteiligen Widerlegung, ohne dass das System gefragt wurde, welcher der beiden Fälle wahr sei. Die Gesamtrechenkosten, die von Simon Willison über die dreihundert Milliarden Token geschätzt wurden, die für alle in jenen Tagen versuchten offenen Probleme verwendet wurden (nicht nur für die einhundertdreißig Milliarden für Navier-Stokes allein), würden bei Listenpreisen bei etwa fünfzehn Millionen Dollar liegen.
Doch den Weg, den zehntausend Agenten in achtundachtzig Stunden zurückgelegt haben, hat keine Maschine gebahnt, sondern zwei menschliche Mathematiker Jahre zuvor. Diego Córdoba und Luis Martínez-Zoroa erkundeten seit 2023 die Konstruktion erzwungener Kollapse für verwandte Gleichungen. Ihre Arbeit ermöglichte es Tristan Buckmaster, Professor an der New York University, und Levent Alpöge, einem Forscher, der auch für Anthropic arbeitet, in einem Jahr persönlicher, aus eigener Tasche bezahlter Zusammenarbeit analoge Ergebnisse für andere Gleichungen zu erzielen. Córdoba sagt es mit einem Satz, der mehr wert ist als jede technische Analyse: Wenn ihre Arbeit nicht existiert hätte, hätte die künstliche Intelligenz das Problem nicht gelöst. Und Tao selbst hatte am 3. September, drei Tage vor der Ankündigung, bereits öffentlich die Vier-Schritte-Strategie beschrieben, die zur Lösung führte, und sie als „einigermaßen gut definierte Strategie“ bezeichnet. Die Maschine hat den Weg nicht gefunden: Sie hat ihn in achtundachtzig Stunden statt in Monaten zurückgelegt.
Das bedeutet nicht, dass es sich um reine rohe Gewalt handelt. Bryna Kra, eine auf ein anderes langjähriges Problem (die Nivat-Vermutung) spezialisierte Mathematikerin, erzählt, dass sie und ihre Kollegen jahrelang geahnt hatten, wo sich die Verbindung zwischen zwei verschiedenen Ansätzen verbarg, ohne sie finden zu können. Eine Maschine, so schreibt sie, braucht keine Jahre, um verschiedene Bereiche der Mathematik zu absorbieren, bevor sie Verbindungen findet, und sie kann Tausende von Kombinationen ausprobieren, ohne jemals den Mut zu verlieren. Das ist ein Lob, keine Verurteilung: Die Maschine macht den mechanisierbaren Teil gut – suchen, kombinieren, überprüfen auf einer Karte, die bereits von anderen gezeichnet wurde. Sie hat noch nicht gezeigt, dass sie die nächste Frage generieren kann, diejenige, die entscheidet, wo das nächste Mal gegraben werden muss.
Es gibt jedoch eine beunruhigendere Kehrseite von all dem, und es ist vielleicht die stärkste These, die Tao in dieser Angelegenheit vorgebracht hat. Wenn ein solcher iterativer Prozess, der normalerweise wertvolle Einblicke in die reale Funktionsweise von Fluids generiert, vollständig von einem Unternehmen durchgeführt wird, das den Weg fast vollständig vor den Augen der Öffentlichkeit verbirgt, dann wird selbst bei einer technischen Lösung des Problems dem kollektiven Wissen fast nichts hinzugefügt. Die eigentliche Trennlinie ist nach dieser Lesart nicht rohe Gewalt gegen menschlichen Erfindungsgeist, sondern veröffentlichter Prozess gegen verborgener Prozess. OpenAI hat das Ziel öffentlich gemacht, nicht den Weg.
Fünfundzwanzig Fields-Medaillisten, eine gemeinsame Sorge
Am 11. September unterzeichneten fünfundzwanzig Fields-Medaillisten, darunter Tao selbst, eine eilig verfasste Erklärung ohne das übliche Konsultationsverfahren, „weil die Dringlichkeit der Situation“ es erforderte. Der Text verurteilt nicht den Einsatz künstlicher Intelligenz an sich, prangert aber eine Fehlausrichtung zwischen den Zielen der Unternehmen, die diese Modelle entwickeln, und denen der mathematischen Gemeinschaft an: Probleme als Werbeschaufenster zu lösen, birgt das Risiko, die Disziplin selbst zu schädigen. Die immer schnellere Produktion von Richtig-Falsch-Aussagen, so schreiben sie, könnte fruchtbaren Boden zerstören, anstatt neue Ideen hervorzubringen, und die Eile, mit der diese Ergebnisse angekündigt werden, wirft auch ernste Fragen bezüglich der Urheberschafts-Zuordnung auf.
Die European Mathematical Society gelangt in einer von ihrem Präsidenten Jan Philip Solovej unterzeichneten Erklärung vom 10. September zu einer Formel, die vielleicht die wirksamste Kritik von allen darstellt: Es reicht nicht aus zu sagen, dass die KI keine Mathematik kann; das wahre Problem ist, dass das für dieses Ergebnis verwendete Modell intern bei OpenAI verbleibt und für niemanden sonst zugänglich ist. Im Geiste der Open Science, so schreibt die EMS, ist dies ein Problem, dem sich die mathematische Gemeinschaft stellen muss. Es ist kein Einwand gegen den Inhalt des Ergebnisses, sondern ein Einwand gegen den Zugang.
Der umstrittene Kredit
Der heikelste Aspekt betrifft das, was genau zwischen dem 3. und 8. September geschah, und hier gilt die Regel, dass das Umstrittene denjenigen zugeschrieben werden muss, die es behaupten, ohne Partei zu ergreifen. Buckmaster berichtet in einem wenige Stunden vor der offiziellen Ankündigung veröffentlichten Dokument, dass er von OpenAI kontaktiert wurde, nachdem er selbst an einen Forscher des Unternehmens geschrieben hatte, aus Sorge, dass Gerüchte über seine Arbeit mit Alpöge ein Konkurrenzrennen ausgelöst haben könnten. Während eines Anrufs am 6. September wird ihm ein Beweis für „erzwungene“ Navier-Stokes-Gleichungen beschrieben – genau die Richtung, die er und Alpöge stillschweigend gewählt hatten: Er bezeichnet dies als Alarmsignal, weil es keine Richtung ist, zu der man in wenigen Tagen gelangt, wenn man nur von der Problemstellung ausgeht. Buckmaster erzählt auch, dass ihm bezüglich der Möglichkeit, nicht an der Veröffentlichung beteiligt zu sein, der Satz gesagt wurde: „Warum willst du deine Karriere ruinieren?“, eine Formulierung, die er als verdeckte Drohung erlebte.
Sébastien Bubeck, OpenAI-Forscher und Teilnehmer jenes Anrufs, veröffentlichte eine andere Version desselben Vorfalls: Er gibt an, diesen Kommentar in einem völlig anderen Kontext gemacht zu haben, bei einer Diskussion darüber, wer als Hauptautor bei einer Überarbeitung des OpenAI-Beweises aufgeführt werden sollte, und sich auf der Stelle für die unglückliche Wortwahl entschuldigt zu haben. Sam Altman seinerseits schrieb, dass sein Team mit Integrität gehandelt habe, dass sie ursprünglich glaubten, an einer gemeinsamen Ankündigung zu arbeiten, und dass sie, nachdem sie entdeckt hatten, dass Buckmaster und Alpöge ein anderes Problem gelöst hatten (Euler, nicht Navier-Stokes), anboten, ihnen den Vortritt bei der Veröffentlichung zu lassen. Alpöge bestätigt auf seinem eigenen Profil die wichtigsten Fakten, gibt denselben Ereignissen jedoch eine entgegengesetzte Bedeutung und nimmt explizit in Anspruch, bei seiner Arbeit stets KI-Werkzeuge, einschließlich derer von OpenAI, genutzt zu haben und ihnen öffentlich danken zu wollen.
Die zwei Versionen jenes Telefongesprächs bleiben unvereinbar, und es gibt keine Elemente, um festzustellen, welche korrekt ist. Was hingegen nach einer Prüfung von Emily Riehl auf X, die am 9. September 2026 berichtet wurde, überprüfbar ist, ist die Bibliografie: Überprüfungen über die Wayback Machine bestätigen, dass das öffentliche Dokument von OpenAI am 8. September um 19:09 Uhr GMT aktualisiert wurde, wobei genau jene Verweise auf Córdoba und Martínez-Zoroa hinzugefügt wurden, die in der ersten Version fehlten. Das ist keine Meinung, das ist ein Zeitstempel.
Das Paradoxon des „Verlangsamens“
Ein Detail verbindet dieses Geschehen mit einem fast parallelen Ereignis, das nur wenige Tage später eintraf. Am 12. September veröffentlichte Dario Amodei, CEO von Anthropic, einen Essay mit dem Titel We Must Pace the Frontier („Wir müssen das Tempo an der Frontlinie steuern“), in dem er argumentiert, dass die Industrie das Tempo, mit dem sie die Fähigkeiten ihrer Modelle steigert, bewusst verlangsamen muss. Innerhalb weniger Stunden schrieb Sam Altman, dass er zustimme, und Elon Musk antwortete mit zwei Worten: „Dario is right“ (Dario hat recht). Es ist genau dasselbe Wort – pacing (Temposteuerung/Taktung) –, das vier Tage zuvor auf der OpenAI-Seite zum Navier-Stokes-Ergebnis erschien, wo das Unternehmen schreibt, das Tempo seiner Fortschritte führen und steuern zu wollen.
Das ist kein dekoratives Detail. Amodei selbst erklärt, dass wie viel sich amerikanische Unternehmen an Verlangsamung leisten können, davon abhängt, wie weit sie gegenüber China voraus sind, und widmet einen wesentlichen Teil des Textes der Forderung an die Regierung, den Verkauf fortschrittlicher Chips nach Peking zu blockieren und die sogenannte Modelldestillation zu bekämpfen – die Praxis, ein kleineres Modell so zu trainieren, dass es ein leistungsfähigeres imitiert. Wenn diese Maßnahmen gut umgesetzt werden, so schreibt er, würden sie den amerikanischen Vorsprung in den nächsten drei bis fünf Jahren vergrößern.
Kritische Lesarten ließen nicht lange auf sich warten und stammten aus sehr unterschiedlichen Lagern. The Register beschrieb es als Versuch, günstige regulatorische Bedingungen zu erlangen, getarnt als Sicherheitsappell. Eine unabhängige Analyse merkt an, dass der Essay von der Regierung zwei sehr konkrete Dinge fordert – den Stopp des Chipverkaufs nach China und das Vorgehen gegen Destillation –, während der Teil über internationale Kooperation eher dazu diene, ein Bild der Verantwortung aufzubauen, als ein realistisches Abkommen mit Peking zu erzielen, von dem Amodei selbst, dieser Lesart zufolge, weiß, dass es unerreichbar ist. Selbst vorsichtige Branchenbeobachter merken an, dass eine reale Verpflichtung zur Verlangsamung bedeuten würde, Trainingsläufe zu stoppen, nicht nur externe Beobachter mit Veröffentlichungsrecht hinzuzufügen: Beobachter können ignoriert werden, Trainingsläufe nicht. Sogar ein Kommentar der chinesischen Staatspresse, die offensichtlich ein eigenes Interesse daran hat, dies zu betonen, gelangt zur selben Schlussfolgerung und liest den Essay als Werkzeug zur Wahrung der amerikanischen technologischen Vorherrschaft statt als Vorschlag für gemeinsame Sicherheit.
Nicht jeder liest den Essay als reines PR-Manöver. Demis Hassabis, CEO von Google DeepMind, nannte ihn öffentlich einen Schritt in die richtige Richtung und fügte hinzu, dass Details noch ausgearbeitet werden müssten, die Grundausrichtung jedoch korrekt sei. Zvi Mowshowitz, einer der meistgefolgten Analysten zum Thema KI-Sicherheit und im Allgemeinen streng mit den Unternehmen der Branche, nannte ihn „einen hervorragenden Vorschlag“ und argumentierte, dass die erste konkrete Zusage – externe Evaluatoren mit dauerhaftem Zugang – keineswegs symbolisch sei: In Amodeis Text erhalten diese Beobachter Schreibtische, Ausweise, Firmenlaptops und vor allem das Recht, ihre Schlussfolgerungen ohne redaktionelle Kontrolle des Unternehmens zu veröffentlichen, wobei Schwärzungen nur aus Sicherheitsgründen oder wegen rechtlicher Geheimhaltung zulässig sind, niemals um unvorteilhafte Ergebnisse zu verbergen. Das ist ein Detail, das Kritiker, die den Essay als einfache Rhetorik abtun, dazu neigen auszulassen: Wenn es ehrlich eingehalten wird, verlagert es die Überprüfungsmacht nach außerhalb des Unternehmens – etwas, das bisher kein Labor in dieser Form getan hatte.
Es ist dasselbe Schema, das sich durch diesen Artikel zieht, nur in einem anderen Maßstab. OpenAI nutzte das Ergebnis zu Navier-Stokes auch, um die Welt über das Tempo der eigenen Fortschritte zu informieren – eine Formulierung, die gleichzeitig zwei Dinge aufbaut: das Bild eines gefährlich mächtigen Unternehmens und die Voraussetzung, um anschließend zu bitten, nach den eigenen Bedingungen reguliert zu werden. Die Frage, die die Kritiker von Amodeis Essay stellen, ist dieselbe, die die mathematische Gemeinschaft zur Ankündigung von OpenAI stellt: Wer das Tempo bestimmt – verlangsamt er wirklich oder wählt er nur bessere Worte, um sein Rennen zu beschreiben?
Was knapp wird
Der Faden, der diese gesamte Geschichte zusammenhält, einschließlich des Paradoxons des Verlangsamens, ist nicht „wer recht hat“, sondern eine einfachere Frage: Wer überprüft was? Lean überprüft die Deduktion, nicht die Aussage. Konzerne überprüfen ein Modell, nicht das öffentliche Interesse. Das Clay Institute – das bis heute nichts validiert hat und das Problem weiterhin als „aktiv“ und nicht als „gelöst“ führt – überprüft mit bewusst langsamer Bedachtsamkeit. Niemand überprüft vorerst die Wahl, welches Problem es wirklich wert ist, angegangen zu werden, und niemand überprüft, nach den Kritiken an Amodeis Essay zu urteilen, ob diejenigen, die zum Verlangsamen auffordern, wirklich verlangsamen oder nur sorgfältiger die Worte auswählen, mit denen sie ihr Rennen beschreiben.
Bryna Kra schließt ihre Überlegung mit der Frage ab, die vielleicht am meisten zählt: Was schätzen wir in der Mathematik jetzt, da eine bestimmte Art von Entdeckung keine knappe Ressource mehr ist? Es ist eine Frage, die man außerhalb der Mathematik jedem stellen kann, der verspricht zu verlangsamen, während er im selben Atemzug fortfährt zu erklären, wie unaufhaltsam seine Technologie bereits ist. Daniel Litt, Mathematiker an der Universität von Toronto, bietet vielleicht die konstruktivste Antwort des Dossiers, indem er vorschlägt, den akademischen Wert an Seminaren und öffentlichen Diskussionen statt an der bloßen Artikelproduktion zu bemessen – denn wer nur einen Knopf gedrückt hat, ohne zu verstehen, wird eine strenge Diskussion vor Kollegen kaum überstehen. Es ist ein Prinzip, das auch außerhalb der Wissenschaft gilt: Transparenz misst sich daran, was Schritt für Schritt gezeigt wird, nicht daran, was in Worten versprochen wird. Litt schließt mit einem Satz, den mitzunehmen es sich lohnt: Es gibt noch unendlich viel zu lernen; wir waren immer am Anfang und werden es immer sein. Das gilt für die Mathematik – und es gilt vielleicht auch für diejenigen, die die Mathematik als Figur in einem größeren Spiel benutzen.
Hinweis: Einige in diesem Artikel zitierte Quellen (Mastodon-Beiträge, PDF-Dokumente, X-Beiträge) wurden durch Abgleich mehrerer unabhängiger Quellen verifiziert; wo der Originalinhalt öffentlich nicht mehr zugänglich ist, bleibt die Referenz dennoch über die Medien nachvollziehbar, die darüber berichtet haben (darunter Nature, Quanta Magazine und Axios).