KI-Forschung
Anthropic: Forschungs-Claude erhöht Untergrenze für Riemann-Zeta-Nullstellen auf 67,2%
Ein unveröffentlichtes Claude-Modell löste die Riemann-Hypothese nicht, erzeugte aber ein formal prüfbares Ergebnis zum bekannten Anteil der Zeta-Nullstellen auf der kritischen Geraden.
Anthropic zufolge hat eine unveröffentlichte Forschungsversion von Claude eine langjährige Untergrenze der analytischen Zahlentheorie verbessert und den bekannten Anteil der Nullstellen der Riemannschen Zetafunktion auf der kritischen Geraden von 41,6% auf 67,2% erhöht. Das Ergebnis entstand nach der Aufforderung eines Mitarbeiters, die Riemann-Hypothese ernsthaft zu versuchen. Claude löste das offene Problem nicht; die Techniken dürften laut Unternehmen keinen solchen Beweis liefern.
Die 1859 formulierte Hypothese betrifft die nichttrivialen Zeta-Nullstellen und hängt eng mit der Primzahlverteilung zusammen. Sie besagt, dass alle auf einer bestimmten vertikalen Linie der komplexen Ebene liegen. Das ist weder bewiesen noch widerlegt, doch ein Mindestanteil auf der Linie ist belegt. Vor dem beschriebenen Ergebnis lag die veröffentlichte Untergrenze bei 41,6%.
Claude nutzte Jahrzehnte bestehender Mathematik. Laut Anthropic verband es jüngste Arbeiten von Siegfred Alan Baluyot, Daniel Goldston, Ade Irma Suriajaya und Caroline Turnage-Butterbaugh mit einer Arbeit Enrico Bombieris von 2000. Es verwendete eine von André Weil induzierte quadratische Form und positiv beziehungsweise negativ definite Unterräume zu Nullstellen auf und neben der Linie, um aus ersten und zweiten Momenten eine Rangungleichung abzuleiten.
Entscheidend ist die Prüfung. Zwei Anthropic-Mathematiker untersuchten und validierten die Arbeit und erstellten eine Fachnotiz; Brian Conrey und Daniel Goldston prüften sie kurzfristig ebenfalls. Claude erzeugte einen formal prüfbaren Lean-Beweis, sodass ein Beweisassistent logische Schritte statt nur überzeugender Prosa kontrolliert. Arbeit, Notiz, Anhang und Formalisierung erschienen mit der Ankündigung.
Der Rechenaufwand war erheblich: Das Modell arbeitete über zwei Claude Code-Sitzungen und erzeugte 31 Millionen Ausgabetoken. Es zerlegte das Problem, erkundete Vorarbeiten und überarbeitete den Ansatz in einem langen Lauf. Das war keine gewöhnliche Chatbot-Antwort auf einen Prompt, sondern ein teurer Prozess mit Werkzeugen, großem Kontext und anschließender menschlicher Prüfung.
Der Fall zeigt, warum exakte Einordnung bei offenen Problemen nötig ist. Claude bewies die Hypothese nicht, erklärte 67,2% nicht zum Endwert und beseitigte keine Fachprüfung. Es behauptete eine Verbesserung einer verwandten Untergrenze durch neue Synthese etablierter Techniken; Anthropic hält einen Weg zur vollständigen Vermutung für unwahrscheinlich. Veröffentlichung und Prüfung durch die Mathematikgemeinschaft sind stärker als interne Validierung.
Trotzdem deutet das Ergebnis an, dass lang laufende KI-Forschungssysteme zu besonders strengen Feldern beitragen können. Formale Werkzeuge trennen prüfbare Logik von überzeugender Erklärung, garantieren aber nicht automatisch korrekte Definitionen, Annahmen und Bedeutung. Offen sind unabhängige Bestätigung, Übertragbarkeit und effiziente Reproduktion. Für KI-Labore könnten werkzeuggestützte Prüfung und Expertenbegutachtung ebenso wichtig sein wie bessere Ideengenerierung.