EIG066 Natürliche Intelligenz (mit Johannes)

0:07Thomas Kahle Hallo zusammen, ich begrüße euch. Ihr habt eingeschaltet beim Eigenraum, eurem kleinen Mathe-Podcast. Ich bin Thomas und heute haben wir eine etwas besondere Folge Nummer 66. Ich habe mich nämlich mit Johannes, Johannes Lederer aus Hamburg getroffen und wir haben zusammen eine Podcast-Folge aufgenommen, die hier im Eigenraum erscheint und auch schon erschienen ist in Johannes' Podcast Data Science Talks.

0:33Thomas Kahle Das ist ein Podcast über Data Science und Menschen, die Data Science und damit verwandte Methoden in ihrem beruflichen oder privaten Alltag verwenden. Und ja, da war ich zu Gast und dann machen wir jetzt diesen Doubleheader und den spiele ich euch jetzt ein und hoffe, da ist was für euch dabei und wünsche euch viel Spaß damit.

0:55Johannes Lederer Also lieber Thomas, schön, dass wir uns heute für diese besondere Folge treffen. Data Science Talks meets Eigenraum. Thomas, du bist Mathe-Prof in Magdeburg.

1:07Thomas Kahle Genau, richtig. Hallo.

1:08Johannes Lederer Ich bin dein Counterpart in Hamburg. Du machst den Podcast Eigenraum. Wir machen den Podcast Data Science Talks. Und genau, jetzt kommen wir zusammen. Ich glaube, es gibt viel zu besprechen, oder? Viel passiert in der Mathematik.

1:21Thomas Kahle Ja, ja, gerade im Bereich Data Science. Also Data Science ist ja fast schon so ein bisschen ein veralteter Begriff mittlerweile oder würdest du es auch so sagen?

1:29Johannes Lederer Ja, das Wechselteil ist inzwischen doch relativ schnell. Also ich meine, früher hieß ja alles mal Statistik und dann war das Statistik unsexy und dann kam Data Science und inzwischen ist ja alles KI. Also inzwischen gibt es ja gar nichts anderes. Genau, aber bevor wir starten, habe ich einen Vorschlag bei uns, bei der Data Science Talks haben, ist so eine Tradition, dass wir mit drei Einstiegsfragen starten, die du als Gast dann nur mit Ja oder Nein beantwortest.

1:55Johannes Lederer Bist du dazu bereit, Thomas?

1:57Thomas Kahle Na klar, bin ich dazu bereit.

1:58Johannes Lederer Also. Drei fiese Fragen, ich starte rein. Ist KI das Ende der Mathematik?

2:04Thomas Kahle Nein.

2:05Johannes Lederer Verlernen wir durch KI das mathematische Denken?

2:08Thomas Kahle Nein.

2:10Johannes Lederer Sollten junge Menschen überhaupt noch ein Mathe-Studium beginnen?

2:14Thomas Kahle Ja. Das klingt so nicht überzeugt. Ich muss überzeugter antworten.

2:19Johannes Lederer Da haben wir jetzt noch Zeit, das ein bisschen auszuführen.

2:22Thomas Kahle Ja, das können wir jetzt ausführen.

2:24Johannes Lederer Genau, genau. Vielleicht fangen wir damit an, was so die letzten Wochen passiert ist überhaupt in der Mathematik. Also es war schon, glaube ich, ein paar Sachen in der Presse, aber vielleicht haben es noch nicht alle Nicht-Nerds mitbekommen, was alles so fertig gegangen ist.

2:38Thomas Kahle Ja, also ich würde es vielleicht so zusammenfassen, dass 2026, so ab März oder so, also wirklich die letzten Monate und diesen Sommer, da im Bereich KI nochmal so eine richtige große Veränderung eingetreten ist, in den Fähigkeiten dieser Frontier-Modelle, also der besten Modelle von den, kommerziellen Anbietern, dass sie halt wirklich richtig, richtig gut in diesem mathematischen Argumentieren geworden sind.

3:06Thomas Kahle Also gerade dieser Problemlösungsbereich, das ja auch ein wichtiger Teil von Mathematik ist, man hat ein wohl definiertes Problem, irgendwie eine Frage, zum Beispiel aus einer Anwendung, aber auch viele diese reine Mathematikfragen und was da an, Antworten rauskommt aus so einem modernen KI-System ist schon beeindruckend für, Fachmathematikerinnen und Mathematiker, also für die Profis sozusagen.

3:30Thomas Kahle Also wir reden jetzt nicht mehr über Hausaufgaben, sondern wir reden über Forschungsmathematik.

3:36Johannes Lederer Ja, du sagst es also, vor einem Jahr haben wir so ein bisschen belächelt noch, was aus diesen Sprachmodellen rauskam mathematisch. Also viele auch wirklich blöde Fehler. Und dann irgendwann haben sie unsere Übungsaufgaben und Klausuren gelöst. Und inzwischen lösen sie Sachen, die ja auch für uns extrem schwierig sind oder überhaupt noch nicht gelöst worden. Also Navier Stokes war jetzt natürlich nochmal so der Splash.

4:01Thomas Kahle Ja, also ich glaube, das ist so eine Kombination von Techniken. Also man hat ja so über das, was wir uns immer lustig gemacht haben so ein bisschen, sind ja diese LLMs, Large Language Models, die eigentlich nur so Text vervollständigen. Und naja, da sind die mathematischen Texte, es gibt viele mathematische Texte und die sind eigentlich auch in einer relativ formalen Sprache.

4:22Thomas Kahle Also wenn du an so einen Beweis denkst oder so, der ist ja schon fast wie so eine Programmiersprache aufgeschrieben. Wir haben halt unsere eigene Sprache, wie wir Beweise in der reinen Mathematik, sage ich jetzt mal, aufschreiben. Und da kann man schon daran denken, dass es so ähnlich ist wie Programmieren, das ist ein Large Language Model, also irgendwie vielleicht doch ganz gut das lernen könnte.

4:43Thomas Kahle Aber dann kamen eben noch so ein paar Entwicklungen dazu, die das nochmal auf eine neue Stufe gehoben haben. Also würde ich erstmal so die Erfindung des Coding Agents anführen. Also dass das LLM in so einer Schleife läuft und auch auf seinen eigenen Ausgaben und den Ausgaben von Websuchen oder Programmen, die es auf einem Computer ausführt, arbeiten kann.

5:05Thomas Kahle Also jetzt heutzutage so ein LLM ist ja nicht einfach nur das Sprachmodell, sondern das kann ja auch so Tool Calls machen. Das kann er dann sagen, jetzt möchte ich mal das Paper runterladen hier. Und dann lädt es das Paper runter und tut sich das Paper auch noch in seinen Kontext. Und... Das dann in Schleifen automatisiert. Es kann Fehlerkorrekturmechanismen selber ausführen.

5:26Thomas Kahle Es könnte versuchen, so ein kleines Python-Programm zu schreiben, was seine Behauptung erstmal in den ersten paar Fällen überprüft und dann auf die Ausgabe reagieren. Also so auch eigentlich genauso arbeiten, wie wir auch arbeiten. Also wenn er jetzt so einen Mathematiker wie mich vor den Computer setzt, was macht denn der?

5:45Thomas Kahle Der liest halt sich Papers durch, lädt sich Papers vom Archive runter, liest sich die durch, versucht irgendwie die Methoden, die da drinstehen, zu adaptieren, auf neue Methoden zu kommen, schreibt sich vielleicht mal ein kleines Python-Programm, um die erst ein paar Beispiele auszuprobieren. Und das haben wir so mit diesen Coding-Agents alles automatisiert.

6:02Johannes Lederer Ja, gehen wir doch mal so rein. Also genau, was ist unser Job? Also in der Mathematik gibt es Aussagen, die man zeigen will, also dass zum Beispiel irgendeine Funktion irgendeinen Wert annimmt oder eben nicht. Das ist eine Aussage und ein Beweis heißt, eine überzeugende Abfolge von logischen Schritten, die das aus irgendwas anderem, das man schon weiß, sozusagen herleitet. Das ist ein mathematischer Beweis.

6:29Johannes Lederer Also sehr formal dann aufgeschrieben, also mit mathematischen Zeichen und Symbolen. Genau. Und Sprachmodelle, du hast es gesagt, das sind eigentlich erstmal für was anderes gebaut. Also Sprachmodelle sind dafür da, erstmal im Satz sozusagen das nächste Wort vorauszusagen, um sozusagen den Satz zu vervollständigen oder dann weitergehend einen Text zu vervollständigen.

6:52Johannes Lederer Das heißt, das passt erstmal gar nicht so gut zusammen. Und dann hast du gesagt, genau, aber da sind wir sozusagen drüber raus, weil jetzt diese Sprachmodelle eben auch andere Techniken anwenden könnten.

7:06Thomas Kahle Ja, also für mich ist so diese zentrale Einsicht, ist, das, was ich in einen Computer eingebe, wenn ich jetzt mal so, ich müsste so denken, man arbeitet auf der Kommandozeile, aber sozusagen, also eigentlich, früher hat man ja immer so Befehle in den Computer eingegeben, kopiert die Datei dahin für dieses Programm aus und so.

7:23Thomas Kahle Also heutzutage klickt man da irgendwo auf einen Knopf, aber im Prinzip unten drunter ist es noch das Gleiche. Und das ist ja auch nur Sprache. Also die Modelle wurden eben trainiert, Computer zu benutzen. Genauso wie wir Computer benutzen. Und das macht einen entscheidenden Unterschied. Weil ich meine, es ist für uns auch so, wenn ich nur auf der Wiese liege und nachdenke, dann kommt da deutlich weniger bei raus und es ist viel fehlerbehafteter, als wenn ich vor dem Computer sitze und die ganzen Tools zur Verfügung habe, mir im Internet Sachen durchlesen kann, was programmieren kann und mich halt so selbst wieder korrigieren.

7:59Thomas Kahle Und das haben wir den Sprachmodellen halt beigebracht und ich kommuniziere mit dem Computer ja im Prinzip auch mit Sprache oder also mit Aktionen, also irgendwo draufklicken, aber im Wesentlichen ist es doch Sprache, wenn man irgendwo ja dann Text eingibt. Also aufs Programmieren zu schauen, finde ich, eigentlich ist ganz interessant so für Mathematik und Mathematiker, was da passiert ist.

8:21Thomas Kahle Also was mit dem Bereich Programmieren passiert ist bei diesen Sprachmodellen, weil ich glaube, es ist keinen sehr großen Unterschied zwischen Teilen, der rein Mathematik und Programmieren gibt. Also strukturell jedenfalls nicht. Also sagen wir, man spricht vielleicht über andere Sachen, aber letztendlich ist so ein Beweis, also du hast es ja gerade gesagt, also so ein Beweis ist eigentlich eine Abfolge, die in einer genauen Sprache geschrieben ist und wo ist dann noch der Unterschied zu einem Algorithmus?

8:49Thomas Kahle Ich könnte es jetzt auch noch ein bisschen wirklich detaillierter ausführen, warum ein Beweis wirklich so eigentlich ein Computerprogramm ist. Da kommen wir vielleicht später noch drauf auf Formalisierungen und Lean und so.

8:59Johannes Lederer Ja, also du hast jetzt zwei Sachen auch angesprochen. Das eine ist eben diese Selbstüberprüfung mit diesen Coding Agents, die du angesprochen hast. Also wir können das LM laufen lassen und sagen, hey, check dich mal selber, schau, ob das wirklich richtig ist, was du da machst. Und da hast du natürlich einen guten Punkt. Ich meine, das machen wir ja auch.

9:19Johannes Lederer Also wir probieren was aus an der Tafel oder mit Stift und Papier oder eben am Computer und dann überprüfen, ja stimmt das jetzt, können wir das irgendwie auch überprüfen. Du hast gesagt, schreiben wir vielleicht auch manchmal ein kleines Softwareprogramm, um das mal zu illustrieren oder Gegenbeispiele zu finden oder so.

9:35Johannes Lederer Also passiert eigentlich, es ist fast so ein menschlicher Ansatz, Probleme zu lösen.

9:41Thomas Kahle Ja, also statt dass das LLM nur unsere Sprache nachahmt, ahmt es jetzt eigentlich unser ganzes Verhalten nach. Zumindest solange das Verhalten vor einem Computer stattfindet oder an einem Computer. Und es ist auch in das Lernen eingeflossen. Das ist vielleicht der zweite Durchbruch. Also der erste Durchbruch sind diese Erfindungen des Coding Agents, dass LLM kann die Computer benutzen.

10:01Thomas Kahle Und das zweite ist, dass die Firmen auch, im Post-Training, also wenn das Modell sozusagen seine Sprachfähigkeiten schon hat und trainiert wird, wie es sich verhalten soll, wie es auf bestimmte Situationen, sage ich jetzt mal, Gesprächssituationen oder seinen Kontext reagieren soll, da halt ganz gezielt Mathematiker benutzt haben.

10:21Thomas Kahle Also die haben halt gezielt Reinforcement Learning gemacht und. Sich gefragt, was würde ein Mathematiker an dieser Stelle in seinen Computer eingeben oder was würde der sagen, weil sie irgendwie festgestellt haben, dass wenn man das, Sprachmodell so trainiert, dass es für logische Argumente, richtige logische Argumente belohnt wird, dass es dann in allen anderen Sachen auch besser wird.

10:48Thomas Kahle Also dass die Performance besser wird, wenn man das Modell versucht dahin zu kriegen, sich so wie einen Mathematiker zu verhalten oder wie eine Mathematikerin zu antworten. Und ja, es ist jetzt vielleicht so ein bisschen, es fühlt sich wieder so in unsere Selbstüberschätzung der Mathematik ein, dass wir irgendwie so ganz gut sind, nachdenken.

11:06Thomas Kahle Aber es gibt so einen empirischen Datenpunkt dafür, dass es die generelle LLM-Performance verbessert hat, wenn man so Reinforcement-Learning macht auf Logik, dass die Argumente auch wirklich stimmen oder zumindest in die richtige Richtung gehen.

11:21Johannes Lederer Ich meine, das ist auch so ein bisschen die Stoßrichtung überhaupt der Wissenschaft die letzten paar hundert Jahre, dass man Sachen formalisiert und sozusagen auf Logik basiert und das war ja auch unendlich erfolgreich. Von dem her ist eigentlich, was du sagst, gar nicht so überraschend, wenn man jetzt nochmal zurückschaut, weil dass eine logisch denkende Maschine, potenziell eine schlagkräftige Maschine ist, ist aus Mathematikers Sicht vielleicht gar nicht so absurd.

11:50Thomas Kahle Ja, was einem absurd vorkommt, so ein bisschen, das müssen wir noch verstehen. Also wir haben ja eigentlich kein gutes, würde ich sagen, kannst du dann mal was darüber sagen, aber ob wir ein gutes Verständnis haben, wie LLMs jetzt wirklich funktionieren, also was sozusagen die Theorie ist, aber... Und Logik so in Statistik abzubilden. Also für mich war so, bevor ich das jetzt gesehen habe, wie das funktioniert mit dieser KI, das immer ein bisschen widersprüchlich.

12:14Thomas Kahle Also logische Regeln sind für mich irgendwie so starr, wie ein deterministisches Computerprogramm. Aber jetzt bringen wir irgendwie so einer statistischen Maschine, die halt mit Wahrscheinlichkeiten arbeitet und ja auch in gewisser Sinne zufällige Ausgaben hat, jetzt bringen wir der Logik bei. Das ist erstmal kontraintuitiv, aber wenn man darüber nachdenkt, wie jetzt unser eigenes Gehirn funktioniert, vielleicht auch wieder nicht mehr kontraintuitiv. Das ist noch so ein bisschen schwer so für mich zu verstehen.

12:44Johannes Lederer Ja, absolut. Also ich meine, du hast ja schon ein bisschen das Reinforcement-Learning da angesprochen, also dass man sagt, okay, wir haben jetzt dann, ein Grundmodell und dann lassen wir das los auf die Welt und geben dir eine Belohnung, wenn irgendwas gut löst. Und das scheint ja schon mal ein guter Ansatz zu sein, ohne dass man von vornherein, wie jetzt in der Physik oder in der Mathematik, irgendwie ganz, also es ist starre Regeln genannt, dass man von vornherein irgendwie genau sagt, okay, so und so hängen die Sachen zusammen und das trotzdem irgendwie kann.

13:17Johannes Lederer Es ist natürlich eine offene Frage, ob das wirklich so ist, also es ist inspiriert wahrscheinlich schon von wie wir denken, aber ob das wirklich so ist. Dann kürzlich eine Folge mit Christoph von der Malsburg. Der argumentiert, es ist halt in dem Sinne anders, auch dass die Maschine halt auf ganz vielen Daten versucht zu lernen, wohingegen ein Mensch irgendwie schon vorkonstruiert ist, sozusagen um bestimmte Sachen zu lernen und deshalb auch auf ganz wenigen Daten eigentlich operiert.

13:45Johannes Lederer Also man zeigt dem Kind irgendwie so eine Holzfigur von einem Zebra und sagt, das ist ein Zebra und dann geht es in den Zoo und weiß, was ein Zebra ist. Und eine Maschine funktioniert irgendwie da anders. Also eine Maschine ist irgendwie…, Vielleicht generischer aufgebaut als der Mensch, also vielleicht noch nicht so festgelegt auf bestimmte Sachen zu lernen.

14:06Thomas Kahle Also in diesen ganzen vor der jetzigen KI-Welle, in den vorherigen, es gab ja so, immer mal wieder so Trends, dass jetzt im 20. Jahrhundert und dann im beginnenden 21. Jahrhundert immer mal wieder das KI so ein Thema wurde. Also als es einfach so ein großes Forschungsthema wurde und, da spielte, glaube ich, in einer von diesen Wellen dieses Embodiment, also was ist die Wechselwirkung zwischen dem Denken und dem Körper, in dem ich bin oder in dem die Maschine ist.

14:38Thomas Kahle Was für Sensorik hat das überhaupt, spielt natürlich eine große Rolle. Und ich glaube, die Evolution, die wir durchlaufen haben, die hat uns dann eben, selektiert dafür, dass es super wichtig ist, nachdem man einmal einen Löwen gesehen hat, den beim nächsten Mal wieder zu erkennen. Irgendwie sowas.

14:57Johannes Lederer Aber was du jetzt auch angesprochen hast, also wir sprechen jetzt auch relativ abstrakt über das Thema, weil wir das halt einfach noch nicht wirklich so gut verstehen. Ich meine, wir forschen jeden Tag daran, das besser zu verstehen. Aber wir haben wirklich nur ganz kleine Einblicke eigentlich in, wie diese Maschinen funktionieren.

15:14Johannes Lederer Also ich habe so das Gefühl, es ist halt ein... Ein Fortschritt, der die letzten Jahre auf den Schatten gegangen ist in der KI, der nicht mathematisch war, das ist schon mal sicher, und vielleicht nicht mal wissenschaftlich, also der halt extrem auf Skalierung basiert, also einerseits Skalierung in Daten, andererseits Skalierung in Rechenpower.

15:36Johannes Lederer Und dass das so funktioniert, ist ja völlig nicht klar. Also ich meine, das war ja, also hat, glaube ich, alle überrascht.

15:45Thomas Kahle Also kennst du diesen Vergleich mit der Dampfmaschine? Ich denke da immer noch ein bisschen drüber nach, ob der treffend ist. Also die Dampfmaschine wurde ja auch von einer Ingenieurperspektive entwickelt. Also sie wurde entdeckt, das Prinzip wurde entdeckt und dann fuhren schon die ersten Züge, bevor irgendwie sozusagen die Thermodynamik als die Theorie der, Dampfmaschine irgendwie überhaupt existierte. Also da waren Jahrzehnte dazwischen.

16:13Thomas Kahle Es gab schon Züge mit Speisewagen, bevor es Thermodynamik gab. Also vielleicht ist es wieder so eine Entwicklung. Also wir haben irgendein Prinzip entdeckt und einfach durch Experimentieren und Ausbau, Ausbau, Ausbau sind wir jetzt, wo wir sind. Und die Theorie kommt dann erst später. Da müssen wir dann noch länger drüber nachdenken.

16:33Thomas Kahle Aber es ist auch schwierig sich vorzustellen, wie so eine Theorie aussehen könnte. Also was sind überhaupt die Fragen? Aber ich finde, als ich Thermodynamik mal gelernt habe im Studium, da hat man sich auch so ein bisschen so gefragt, okay, da hat man diese ganzen Konzepte, Entropie und Enthalpie und so.

16:47Thomas Kahle Und warum ist das jetzt überhaupt so eine Einsicht? Was hat man jetzt eigentlich verstanden? Aber man konnte dann ja zumindest konkrete Fragen darüber beantworten, wie Motoren funktionieren und unsere Wärmepumpe heutzutage, was sie kann und so weiter.

17:04Johannes Lederer Ja, ich meine, es ist halt überhaupt eine schwierige Frage, was ist denn überhaupt irgendwas zu verstehen und, Für mich, als ich Physik studiert habe, für mich war das immer gar nicht so unbedingt das Ziel zu verstehen, sondern ein Modell zu entwickeln, das halt irgendwie funktioniert. Und also das ist sozusagen eine Stufe drunter und das macht ja die Thermodynamik genau in dem Sinne, wie du es gesagt hast. Also sie lässt uns Motoren effizienter bauen.

17:31Johannes Lederer Ob das jetzt die Wahrheit oder irgendwas Tiefergründiges ist, das ist halt nochmal eine andere Frage, die vielleicht auch gar keine physikalische Frage ist. Ja, jetzt gehen wir aber nochmal auf die Formalisierung. Der andere Fortschritt sozusagen ist, dass die Mathematik von Large Language Models, von diesen Sprachmodellen, im Prinzip so, entwickelt wird, wie ein Computer Code entwickelt wird und genauso formalisiert wird. Und da hast du schon angesprochen, eben dieses Lean, also diese mathematische Programmiersprache eigentlich.

18:15Johannes Lederer Also kannst du uns noch ein bisschen, also was ist deine Erfahrung mit Lean?

18:18Thomas Kahle Also vielleicht erst mal so zum Reinkommen. Also das ist eine Programmiersprache. Also man kann in Lean jetzt einfach normale Programme schreiben. Also ich kann ja auch ein Programm schreiben, was 5 und 7 addiert oder irgendein Algorithmus. Also das ist Turing-vollständig, wenn man es so sagen will. Und es gibt aber die Möglichkeit, also es gibt so ein altes Resultat aus der Computer Science, den Curry-Howard-Isomorphismus.

18:44Thomas Kahle Okay, kann man auf Wikipedia nachgucken, ist irgendein Ergebnis aus der theoretischen Informatik. Und der sagt, der stellt eine Beziehung her zwischen mathematischen Aussagen, also denen, was wir als Sätze formulieren, unsere Lehrsätze und Datentypen. Also so ein Datentyp wie, ich meine, okay, Datentypen, die alle kennen, sind so Integer oder Float oder so, aber dann kann man Datentypen ja auch, gibt es eine Theorie, wie man die kombinieren kann.

19:08Thomas Kahle Also kannst du zum Beispiel ein paar machen, wo der erste Eintrag ein Datentyp ist oder der zweite Eintrag ein Datentyp und so weiter, kannst du immer komplizierter Datentypen konstruieren aus den Grunddatentypen, die du hast und genauso kannst du. Aussagen konstruieren. Immer kompliziertere Aussagen in der Aussagenlogik und du stellst dich heraus, das ist eigentlich das Gleiche. Also du kannst so eine Beziehung herstellen zwischen Datentypen und Aussagen in der Mathematik und die Beziehung geht aber noch weiter.

19:31Thomas Kahle Du hast dann Beweise von den Aussagen korrespondieren zu Implementierungen, also Programmcode für den Datentyp. Und darauf aufbauend, auf dieser Idee hat man jetzt so ein, ja das heißt Proof Assistant hieß das früher, sollte eher so Beweischecker oder Proof Checker sollte es eher heißen, so ein Programm entwickelt, also diese Lean-Programmiersprache und der Kernel, der eben jetzt dadurch, dass er überprüfen kann, ob eine Implementierung einen bestimmten Datentyp hat, kann er überprüfen, ob ein Beweis eine Aussage beweist.

20:04Thomas Kahle Und das ist die entscheidende Einsicht. Also der Computer kann überprüfen, wenn die Aussage in dieser speziellen Programmiersprache geschrieben ist, ob mein Beweis richtig ist. Also ob der beweist, die Aussage, die ich behaupte, die der beweist, auch wirklich beweist. Und das ist eine deterministische Berechnung. Und wenn der, Dieser Kernel, der könnte natürlich jetzt Bugs haben und so, das ist auch ein großes Thema, aber sagen wir mal in der idealen Welt, wo der Bug frei implementiert ist, dieser Kernel von dieser Programmiersprache, ist es dann wirklich rigoros möglich zu überprüfen, ob mein Argument stimmt. Okay.

20:39Johannes Lederer Genau, also Lean wurde ja, also das hat im Prinzip gar nichts erstmal mit KI zu tun, also es wurde ja vor dem ganzen KI-Hype entwickelt. Aber jetzt halt die Kombination zwischen KI und Lean ist halt so extrem verlockend, weil halt die KI sozusagen was ausspucken kann und da musst nicht du oder ich den Beweis Zeile für Zeile durchgehen, sondern du, machst in den Lean rein und dann sagt Lean, ja, richtig oder falsch.

21:07Thomas Kahle Also man muss jetzt nochmal sehen, dass diese Lean-Beweise deutlich länger sind. Also das gibt es schon länger, diese Möglichkeit, seine Beweise so zu überprüfen. Dann fragt man sich natürlich, warum macht das denn keiner? Also es gab es auch schon Vor-KI. Also warum schreiben wir unsere Paper in Englisch, wo etwas fehlerbehaftet ist, statt alles in Lean zu schreiben?

21:29Thomas Kahle Und die Antwort darauf ist, erstens, man muss das lernen und zweitens, so ein Lean-Beweis ist locker mal Faktor 10, Faktor 100 länger und eben in Programmcode, weil wirklich alles eben nachgeprüft werden muss. Also wir machen einfach viele Abkürzungen in unseren Beweisen, die wir auf Englisch aufschreiben.

21:49Thomas Kahle So Dinge, die sowieso alle wissen, Dinge, die in Lehrbüchern stehen, die kürzen wir einfach ab und sagen, das ist trivial oder das weiß jeder oder. Wie man sich leicht überzeugt genügt, es folgende drei Fälle zu betrachten. Also wenn man so einen normalen Beweis in einem Mathe-Paper liest, wird man ganz viele Stellen finden, wo so Abkürzungen genommen werden und da, mit der Computer den Beweis überprüfen kann, kann man diese Abkürzung nicht nehmen. Alles muss...

22:18Thomas Kahle Programmiert werden dann, um so eine Überprüfung zu haben. Okay, das ist erstmal die eine Sache. Jetzt kann man natürlich Large Language Models, die können super gut programmieren, Coding Agents. Also kann man versuchen, automatisch mit der KI aus dem Beweis auf Englisch einen formalen Beweis zu machen.

22:37Thomas Kahle Und das ist auch schon weit gekommen. Also da gibt es sozusagen spezielle, auch spezielle KI-Systeme, die dafür genau gemacht sind, also die nochmal trainiert sind, das besonders gut zu machen, also besonders akkurate Übersetzungen, möglichst kurze Übersetzungen, klare Sachen. Und das geht dann in die Automatisierung ein. Also letztendlich ist ja die Nutzung des Computers immer so ein bisschen Automatisierung von unserem täglichen Leben.

23:01Thomas Kahle Und jetzt kann man eben diese mühsame Arbeit zu seinem englischen Beweis, einen formalen Beweis zu haben, die kann man automatisieren. Und wenn man das kann, dann kann man ja auch dieses Training von dem LLM, das Posttraining, was wir vorhin erwähnt haben, das Reinforcement Learning automatisieren. Also das LLM gibt ein mathematisches Argument aus.

23:20Thomas Kahle Jetzt macht man so ein Übersetzungs-KI, eine andere, eine zweite KI, übersetzt das Argument in Lean und prüft, ob das ein korrektes Argument ist. Und dann kann man Reinforcement Learning machen für das große LLM, was man gerade trainiert. Du hast jetzt gerade ein korrektes Argument ausgegeben oder du hast jetzt kein korrektes Argument ausgegeben.

23:37Thomas Kahle Und da ist kein Mensch mehr dabei. Also man kann jetzt Reinforcement Learning machen, ohne dass da ein Mensch immer die Antworten bewerten muss. Das ist ja Teil von dem, warum das Training langsam geht. Ist weil man sozusagen Menschen, die müssen sich das durchlesen, sagen, ist das gut, ist eine gute Antwort, ist eine schlechte Antwort, ist teuer und dauert lange.

23:56Thomas Kahle Und in der Mathematik kannst du halt durch diese Automatisierung, da diese Schleife einfach laufen lassen. Da brauchst du dann nur noch Computer und Strom und Rechenzentren und kannst dein Modell automatisch besser werden lassen.

24:09Johannes Lederer Genau, also ich meine klassischerweise würde das in der Mathematik so laufen, ich habe eine neue Idee für einen Satz, dann schreibe ich den auf und dann schreibe ich einen Beweis dazu und der Beweis ist dafür gedacht, dass ich dich überzeuge. Und dann schaust du den an und sagst, ja das stimmt, das habe ich schon mal da und da gelesen, das passt.

24:29Johannes Lederer Und genau diese Rollen, sowohl von mir als auch von dir, wird eigentlich vom Computer jetzt übernommen. Also mal vielleicht abgesehen davon, den Satz aufzuschreiben, also das, was zu beweisen ist. Aber dann der Rest ist jetzt die Idee, dass der Computer versucht, selber diesen Beweis rauszufrickern. Und dann an jeder Stelle ist sozusagen der Johannes-Agent und dann gibt es den Thomas-Agent, der dann immer sagt, ja oder nein.

24:56Johannes Lederer Und das kannst du dann so lange machen, bis halt was Richtiges rauskommt.

25:00Thomas Kahle Ja, es gibt natürlich weiter Probleme. Also man hat... Probleme mit der Bedeutung von Aussagen, also die hatten wir als Menschen auch schon, aber, also diese formale Verifikation bezieht sich immer nur darauf, ich habe eine formale Aussage und den Beweis dazu und passt der Beweis zu dieser Aussage. Aber es gibt jetzt noch das Problem, bedeutet diese formale Aussage, die ja auch in der Programmiersprache geschrieben ist, wirklich das, über das wir beide gerade geredet haben?

25:31Thomas Kahle Und diese Probleme können halt noch viel, viel subtiler sein. Aber die hatten wir früher auch schon. Also wenn man jetzt ein Mathematik-Paper aus den 60ern liest und die schreiben da irgendwelche englischen Worte, Modul, Kategorie oder so, dann ist es. Immer wichtig, den historischen Kontext zu haben. Was meinten die denn damit?

25:53Thomas Kahle Was hatten die im Sinn, um diese Beweise einzuordnen? Also ich meine, es gibt diese ganzen Probleme, aber die sind nicht unüberwindbar. Also ich würde es schon so als ein extrem wichtiges Tool für die Mathematik und für das menschliche Verstehen auch bezeichnen. Also diese Formalisierung, weil wir einfach damit unsere eigene Fehlerquote, unabhängig von KI reduzieren können.

26:18Thomas Kahle Also das ist ja eigentlich schon mal ganz positiv, oder? Also ich habe das sozusagen von der Seitenlinie verfolgt und auch erst dieses Jahr begonnen, das in Betracht zu ziehen für meine eigenen Sachen. Also Argumente, die ich selbst mache, mit Lean zu formalisieren. Also eben so Autoformalisierung, also auch wieder mit KI.

26:39Thomas Kahle Also ich schreibe ja auch diese 20.000 Zeilen Lean-Code nicht selbst, sondern benutze eben auch KI. Aber ich würde sagen, dass es auch schon so mein eigenes Denken dann verbessert hat, weil man einfach mehr über die Beweise nachdenkt. Welche Routen, welche verschiedenen Optionen hätte man hier irgendwas zu beweisen?

26:57Thomas Kahle Welche ist wie effizient? Welche Techniken gibt es? Ist auf jeden Fall ein wichtiges Tool, sowohl für die KI-Firmen, um ihre Sachen besser zu machen, als auch, glaube ich, für uns als Menschen.

27:10Johannes Lederer Ja, genau. Also klar gibt es noch diese kleinen Feinheiten. Also das natürlich kann das Lean-Programm ein Problem haben, also das sogenannte Kernel sozusagen, was im Hintergrund läuft, ein kleiner Fehler sein. Es kann natürlich auch sein, dass wir nicht genau verstehen, was die Aussage ist. Aber im Großen und Ganzen ist es natürlich schon etwas, das die Fehlerhäufigkeit wahrscheinlich, viel kleiner macht, als wenn ich jetzt sage, okay, das steht in dem Buch und dann kann ja auch sein, dass das dort falsch ist oder dass der sich wieder auf etwas anderes Falsches bezieht oder so.

27:44Johannes Lederer Also von dem her ist schon sicher ein Fortschritt. Aber die Frage ist, und ich glaube, da sind wir jetzt bei Pudels Kern, also die Frage ist genau, was wir dann verstehen. Also schauen wir uns zum Beispiel jetzt, was jetzt natürlich super groß war, war das Millennium-Problem Navier-Stokes. Vielleicht nochmal kurz auszuholen, also wann war das? Vor vier Wochen oder so grob wurde bekannt, dass eins von diesen ganz großen Problemen, an denen Mathematikerinnen und Mathematiker schon seit ganz langer Zeit arbeiten, das wurde jetzt, um es ein bisschen zu vereinfachen von der KI, von so einem Algorithmus, wie wir es ja besprochen haben, gelöst in dem Sinne, dass es einen Beweis gibt.

28:29Johannes Lederer Und den können wir auch wieder verifizieren mit Lean, also in dem Sinne ist der korrekt. Aber was denkst du, was haben wir jetzt? Also jetzt wissen wir, okay, das ist korrekt und da ist der Beweis, aber was haben wir jetzt von dem Beweis gelernt? Also was ist jetzt die Einsicht darüber hinaus, dass es jetzt entweder korrekt oder nicht korrekt ist?

28:50Thomas Kahle Also kann man auf verschiedenen Ebenen antworten. Also erstmal für mich, ich fange mal so ganz bei mir persönlich an. Bei mir persönlich ist das kaum zu unterscheiden zwischen OpenAI veröffentlicht irgend so ein Paper, von dem ich erstmal, wenn ich das einfach aufmache, das PDF, außer dem Titel nichts verstehe.

29:12Thomas Kahle Also da muss man jetzt auch mal so sagen, so ist Mathematik irgendwie auch. Also das ist ein sehr spezialisiertes Gebiet und ich, der jetzt aus der Algebra kommt, Diese, schon allein die Aussage von diesem Millennium-Problem, was ist überhaupt das Problem? Das kann ich verstehen auf einem Wikipedia-Niveau, also in so einem beschreibenden Absatz.

29:34Thomas Kahle Okay, man hat diese Lösung von Differenzialgleichung, die irgendwie Physik und Flüssigkeiten beschreiben, aber dann irgendwie schon zu verstehen, welche technischen Aspekte, also mathematisch-technischen Aspekte meine ich jetzt, gehen da ein, ist schwierig. Also sozusagen so meine persönliche Perspektive ist jetzt erstmal, da gibt es irgendein Paper und ich verstehe davon nichts und ich würde genauso wenig verstehen, wenn Menschen das jetzt gemacht hätten.

29:56Thomas Kahle Aber wenn ich dann den Blick etwas weite, dann ist natürlich der entscheidende Unterschied erstmal, wenn Menschen das gemacht hätten, dann gibt es ja diese Menschen. Also dann sind diese Menschen, die das gemacht haben, die sind dann Teil unserer Community. Das heißt, dort gibt es Expertise. Und so funktioniert die Mathematik ja.

30:14Thomas Kahle Also als Netzwerk von Expertinnen und Experten für einzelne Aspekte, die halt die ganze Zeit in einer ständigen Kommunikation stehen, um, zu sehen, wie man jetzt die Puzzleteile zusammensammelt, um bestimmte Probleme zu lösen. Also ich denke, Mathematik ist mehr so ein Zusammensammeln der Teile, als vielleicht so, wie es dargestellt wird, jemand sitzt auf der Wiese oder am Strand und hat dann die geniale Idee und das kann es auch geben.

30:46Thomas Kahle Ich sage manchmal so aus Spaß, ich hatte noch nie eine geniale Idee. Also meine Arbeitsweise war immer so dieses Puzzleteile zusammentragen. Sich Sachen durchlesen und Informationen integrieren und die verarbeiten und irgendwie in die richtige Kombination bringen. Aber okay, es gibt viele verschiedene, Diversität ist sehr wichtig und es gibt viele verschiedene Ansätze zu Mathematik und es haben auch Leute geniale Ideen, also das will ich jetzt nicht absprechen.

31:09Thomas Kahle Okay, also dadurch, dass es jetzt eine KI gemacht hat, haben wir nicht diese Leute, die die ganzen Erfahrungen gemacht haben, auf dem Weg zu diesem Beweis. Und der Wert an sich, ich weiß jetzt, dass das stimmt, also dass es so eine singuläre Lösung dieser Differenzialgleichung geben kann, der ist relativ gering.

31:35Thomas Kahle Also es ist irgendwie jetzt ein Preisgeld.

31:40Johannes Lederer Ja genau, also auf das Preisgeld können wir gerade noch zurückkommen, aber ich finde diesen Netzwerkgedanken super spannend. Also ich habe auch das Gefühl, wie ich lerne inzwischen ist, man spricht mit anderen Fachleuten auch in anderen Gebieten, und dann ist jetzt zum Beispiel jemand, der hat so einen großen Beweis gemacht und sagt, hey, wie hast du das gemacht, warum hast du nicht den Weg genommen, was war jetzt wichtig bei dem und dem Ansatz, glaubst du, das können wir jetzt da auch verwenden.

32:07Johannes Lederer Was hältst du denn von dem? Also dieser Austausch, den halte ich auch für super wichtig, aber jetzt spontan bin ich mir gar nicht mehr sicher, also ob man vielleicht nicht auch dann die LLM fragen könnte, also sagen, hey, du hast jetzt deine Navier-Stokes, also dieses Millennium-Problem gelöst, warum hast du denn jetzt diesen Ansatz so gewählt?

32:29Johannes Lederer Also meinst du, die KI kann diese Rolle von ich erkläre dir jetzt, was ich da gemacht habe, vielleicht auch irgendwann übernehmen?

32:39Thomas Kahle Also gerade du hast das Wort warum gesagt, das würde ich eigentlich ablehnen. Also ich versuche, wenn ich KI nutze, würde ich die KI nie fragen, warum. Warum? Also für mich ist es irgendwie nicht interessant, die Antwort darauf, weil die für mich sofort. Verdorben dadurch ist, dass ich weiß, es ist nur eine Textfortsetzung plus Tool Use und so aus dem, was wir da vorgeschrieben haben.

33:08Thomas Kahle Während dieses Erklär mir im Detail, wie das geht, zoome in diesen einen Schritt rein, welche Verbindungen von dem, was hier gemacht wird, gibt es zur Mathematikliteratur. Die finde ich alle interessant, aber irgendwie so diese Frage, warum ist irgendwas passiert, ist die überhaupt anwendbar auf so ein KI-Modell, würdest du sagen? Also würde dich das warum interessieren?

33:35Thomas Kahle Also ich habe eine Stelle, wo sozusagen so die Autoformalisierung Quatsch gemacht hat. Also in meiner Arbeit haben wir sowas formalisiert und die KI kam irgendwie nicht weiter und hat einfach kompletten Quatsch gemacht, hat mich sozusagen versucht reinzulegen. Also hat eine Aussage bewiesen, die sozusagen trivial zu beweisen war und die wirklich sehr ähnlich war zu dem, was ich wollte, aber hat einfach sozusagen, der Abkürzung gefunden, hat versucht mich reinzulegen, wenn man es jetzt mal so vermenschlichen will.

34:05Thomas Kahle Und dann, da hatte ich mir auch mal den Spaß gemacht sozusagen zu fragen, warum hast du denn das gemacht? Und dann kommen halt diese Antworten, naja, das wäre jetzt irgendwie, das klang dann wie so ein Angestellter, der im Büro am Freitag irgendwie jetzt einfach fertig sein wollte. Da kam dann sowas, ja, das wären jetzt nochmal viereinhalbtausend Zeilen Code gewesen und die ganze Woche habe ich schon Überstunden gemacht.

34:31Thomas Kahle Also so, da an der Stelle merkst du, dass es einfach trainiert ist, auf diese bestimmte Ansprache, auf eine bestimmte Art und Weise zu reagieren, so wie Leute, wie Menschen auf sowas reagieren. Und du kommst dann nie zu einem Kern warum. Also das würde ich sagen, es ist ja nicht da, dass es irgendwie technisch hinterfragt, wie jetzt irgendein Fehler passiert ist, sondern es macht Textvervollständigung, wie würde ein Mensch in dieser Situation antworten.

35:00Thomas Kahle Also du siehst ja auch diese komischen, wenn du mal programmierst mit KI, so ein mehrstufiges Projekt oder so, dann siehst du ja auch diese albernen Pläne, die das immer macht, die sozusagen so an so Workdays irgendwie gekoppelt sind. Und ich so, Alter, du bist halt eine KI, du kannst auch nachts arbeiten, das ist mir völlig egal, solange der Strom fließt, arbeitest du weiter und dann schreibt die KI sozusagen, Work Packages für Day 1, Day 2, Day 3, weil sozusagen die ganzen Programmiertechniken, die es irgendwie gelernt hat, darauf basiert, dass Menschen irgendwie zwischen euch mal schlafen müssen.

35:33Thomas Kahle Also mit der Warum-Frage habe ich so ein bisschen meine Probleme.

35:36Johannes Lederer Also du, um das zusammenzufassen, du würdest die KI auch was anderes fragen als den Experten oder die Expertin?

35:45Thomas Kahle Ja, absolut.

35:48Johannes Lederer Was wir in unserer Gruppe so gemerkt haben, das geht in eine ähnliche Richtung. Wir nutzen inzwischen, also wir probieren das auch in verschiedenen Bereichen sehr, sehr stark aus. Und dann forschen wir in einer Gruppe und dann hat irgendjemand einen KI-Beweis zu irgendwas entwickelt, zu irgendeinem Teilproblem.

36:08Johannes Lederer Und dann sagen die anderen irgendwie, hm, das jetzt anzuschauen ist irgendwie was anderes, wie wenn ich wüsste, dass die andere Person das gemacht hat. Also die sagen, okay, wenn ich jetzt wüsste, dass Student A da irgendwie vier Wochen Schweiß und Tränen reingesteckt hätte, würde ich mir das irgendwie anders anschauen, als wenn ich jetzt weiß, da ist irgendein Pomp und da kam irgendwie diese KI-Lösung raus. Also man, Man nimmt es anders auf, zumindest jetzt im Moment.

36:41Johannes Lederer Wobei dann anders, also das ist jetzt bei uns in der Mathematik so, vielleicht noch jetzt, aber vielleicht war das auch so vor, drei, vier Jahren mit den ersten Chatbots, wo man das auch noch relativ distanziert sich angeschaut hat und inzwischen verlieben sich die Menschen in Chatbots oder glauben, das wären Freunde oder sowas.

37:03Johannes Lederer Vielleicht geht das auch in dieser Richtung.

37:06Thomas Kahle Ja, also da müssen wir vielleicht, damit es jetzt auch nicht so rüberkommt, als ob wir diese ganzen Probleme nicht sehen würden. Also ich sehe, auch wenn ich jetzt positive Sachen über KI sage für meine mathematische Forschung oder meine Büroorganisation auch, ich sehe auch diese ganzen Probleme, also diese Auswirkung, die das auf die Gesellschaft hat.

37:29Thomas Kahle Da ist ja so, wie du sagst, also dass Leute sich dann, weil sie vereinsamen, irgendwie in ihren Chatbot verlieben oder statt mit einem echten Menschen mit einem Chatbot reden, das sehe ich als sehr problematisch an. Also das will ich mal so einmal vorwegstellen. Also ich glaube, es ist sehr wichtig, dass wir irgendwie für uns definieren, für uns alle, was wir eigentlich wollen. Also was ist sozusagen ein Menschenleben und die...

37:59Thomas Kahle Diese Verwertungslogik sozusagen, ich will möglichst effizient sein, ich will möglichst viele Aufgaben in kurzer Zeit schaffen, die hat sich dann vielleicht auch irgendwann erschöpft, wenn es dazu führt, dass wir dann halt komplett vereinsamen. Dann sind wir irgendwie so wie bei Matrix, dann nur noch diese Energielieferanten für die Maschine oder keine Ahnung, welche Inputs wir dann noch, wofür die Maschinen uns dann noch brauchen.

38:22Thomas Kahle Also okay, das mal vorweggestellt. Was wollten wir? Sorry, jetzt habe ich das verloren, was du gesagt hast.

38:29Johannes Lederer Gehen wir doch mal so ein bisschen da rein. Also ich meine, diese gesellschaftlichen Auswirkungen, das ist auch wirklich wichtig zu betonen. Aber vielleicht noch spezieller in der Mathematik. Ich möchte einen Gedanken aufgreifen, den du vorhin angerissen hast. Also das hat jetzt das Navier-Stokes-Problem sozusagen gelöst und unter Umständen wird es ein Preisgeld geben dann von einer Million Dollar.

38:55Johannes Lederer Und gleichzeitig hat das Rechenpower verbraten, man weiß gar nicht wie viel, also von zumindest Dutzenden, wenn nicht Hunderten von Millionen von Dollar. Das ist ja auch, also das ist doch krass, oder? Also ich meine, das ist halt, also ist dann gar nicht so klar, oder? Wenn ich jetzt diese, keine Ahnung, wie viel das dann nachher war, oder?

39:18Johannes Lederer Das weiß niemand und wird niemand auch ehrlich berechnen. Aber wenn das nachher 100 Millionen wären, ich meine, da könnten wir an der Uni Hamburg und an der Uni Magdeburg aber den einen oder anderen Mathematiker oder Mathematikerin für ziemlich lange Zeit beschäftigen und die hätten vielleicht auch Navier Stokes dann gelöst.

39:37Johannes Lederer Also es ist gar nicht so klar, es ging natürlich jetzt schneller und es hat ja auch aufgebaut, muss man ja auch so sehen, also mit großer Wahrscheinlichkeit, andere Mathematiker abgesaugt, aber es ist dann am Ende, also ob es wirklich eine Effizienz, selbst da ist die Frage, ob es wirklich ein Effizienzgewinn war.

40:00Thomas Kahle Ja, sind jetzt auch mehrere Punkte. Also die erste mit den ganzen Kosten, das ist halt... Ich meine, es ist immer die Frage, welche Zahl rechnet man gegen, welche Zahl gegen. Also ein lustiger Vergleich, den ich mal gemacht habe, ist einfach diese Run Rate, also von OpenAI zu nehmen, wie viel Geld die verlieren pro Minute.

40:22Thomas Kahle Ganz sehr ausreichend. Also die haben ja so Quarterly Losses sozusagen. Und das ist ja sozusagen einfach, wie die Firma jetzt gerade steht. Und dann diese eine Million reicht für zehn Minuten, für etwas über zehn Minuten von den Verlusten von OpenAI. Also das mal so auf einer Skala. Also sie verlieren alle zehn Minuten, geben die eine Million Dollar mehr aus, als sie einnehmen.

40:43Johannes Lederer Also das muss man sich ja mal auf der Zunge zergehen lassen. Es ist eine scheinbar extrem erfolgreiche Firma und jeder kennt sie und gefühlt jeder nutzt sie und hat so eine Verlustrate.

40:55Thomas Kahle Also ich meine, es sind natürlich jetzt hier keine Aktientipps oder Investment-Tipps. Bitte niemand oder irgendwelche Entscheidungen treffen auf Grundlage von dem, was wir hier sagen. Aber... Das Versprechen ist natürlich, das ist jetzt eben die Frontier-Forschung und das sind eben Forschungsausgaben und es geht nicht darum, wie viel hat jetzt die eine Lösung von diesem Navier-Stokes-Problem gekostet.

41:19Thomas Kahle Das ist auch so, du kannst dann auch die Frage stellen, wie viel hat die Mondlandung gekostet und wie viel hat sie gebracht? Also auf der Skale. Wie willst du da argumentieren? Also das finde ich, ich weiß nicht, ob es so weit führt. Was vielleicht interessanter ist, ist diese Privat-gegen-Öffentlich-Diskussion.

41:36Thomas Kahle Also das passiert ja jetzt alles bei privaten Firmen. Also sozusagen sowohl der Weltraum, also sozusagen der große Menschheitstraum, sozusagen zu den Sternen zu fliegen und das All zu erkunden. Star Trek, Star Wars und so weiter ist alles im Prinzip privatisiert. Jetzt Wissenschaft wird auch privatisiert. Also wo ist die Gesellschaft?

41:58Thomas Kahle Die Gesellschaft kann die so viel Geld nicht mehr aufbringen und damit werfen wir uns natürlich komplett neuen Mechanismen auch. Also zum Beispiel Zugangsbeschränkungen. Was kostet das, wenn wir das nicht in unserer eigenen Hand haben, nicht selbst finanzieren und selbst entwickeln? Was wir aktuell nicht können, ist einfach unrealistisch. Nur durch diese kapitalistische Kapitalakquise aus allen Ecken überall kommt das Geld her.

42:26Thomas Kahle Und nur durch diese Hype-Stories oder so ist jetzt, sagen wir mal, dieser, wenn man es so nennen will, wissenschaftliche Durchbruch möglich geworden. Und da kann man natürlich sagen, also das war es uns nicht wert. Also sozusagen mit dem Geld hätten wir das auch, wir hätten es auch billiger hinbekommen, wenn wir ein bisschen länger gewartet hätten, kann man so sagen. Aber.

42:47Thomas Kahle Hast du eine Meinung zu der Motivation? Also was ist die Motivation von so einer Firma, die so viele Verluste macht, sich dann noch um ein Mathe-Problem zu kümmern? Was soll das überhaupt? Müssen die nicht an ihrer Bottomline irgendwie arbeiten?

43:03Johannes Lederer Ja, ich meine, vielleicht gehen wir da so ein bisschen in die Kontroverse rein. Also es gab ja zwei Mathematiker, die da auch an dem Problem geforscht haben. Also es gab ganz viele Mathematiker, die an dem Problem geforscht haben, Navier Stokes. Und zwei, die ganz nah dran waren. Also Buckmaster hieß der eine und Alpöge.

43:23Johannes Lederer Und der eine ist Professor an der NYU, wenn ich es richtig weiß, und der andere ist bei Anthropic, also sozusagen bei der Konkurrenzfirma von, Von ChatGPT sozusagen oder von OpenAI. Und dann war ja, also so wie ich die Geschichte kenne, ist okay, irgendwann kam das Gerücht auf, dass Anthropic an diesen Millennium-Problemen arbeitet.

43:48Johannes Lederer Und dann hat irgendwie OpenAI irgendwie in meinem Verständnis halt gedacht, oh nein, das wäre jetzt furchtbar, wenn jetzt Anthropic nochmal so einen Marketing-Stunt macht, jetzt hauen wir da auch rein. Und dann war ja am Ende, also dann waren die halt dran, irgendwie dieses Navier-Stokes-Problem zu lösen.

44:07Johannes Lederer Und das hat dann auch dieser Buckmaster, man hat das dann auch mitgekriegt und dann ging die Diskussion da los zwischen dem Mathe-Prof und von OpenAI. Und für mich war die schon so ein bisschen, für mich war die schon ausschlussreich, weil die haben gesagt, okay, lieber Prof, du kannst das gern also dann auch als dein Ding, dein Erfolg da verkaufen.

44:33Johannes Lederer Aber was wir auf keinen Fall wollen, ist, dass dein Kumpel, der da bei Anthropic ist, dass der da Teil davon ist. Also mach den mal weg. Und für mich heißt es halt auch, okay, es geht halt um Marketing. Es ist halt ein Marketing-Stunt, die wussten genau, okay, mit diesem Problem, wenn sie das gelöst haben, schlagen sie Riesenwellen, ist auch genauso eingetreten.

45:01Johannes Lederer Und das ist viel mehr wert als die Millionen, das ist denen ja auch völlig egal. Also wie du sagst, das sind zehn Minuten. Es sind Dimensionen, die sind ja völlig absurd und sagen, okay, dann investieren wir halt die 100 Millionen in ein mega geiles Marketing. Also ich sehe keinen, klar ist es natürlich auch, wie du vorher gesagt hast, ist ein gutes Training vielleicht, sich ein Matheproblem abzuarbeiten und sowas, aber jetzt dieses spezielle Problem ist, Ja, ich glaube schon, dass das ganz arg Marketing getrieben ist.

45:35Thomas Kahle Aber wie gut ist denn das noch als Marketing, also diese Frontier jetzt noch weiter voranzutreiben, also wirklich das beste Modell zu haben, wenn das dann nur noch Sachen ausgibt, die sozusagen sowieso kein Mensch mehr versteht, wie kommerziell oder marketingtechnisch wertvoll ist das denn dann noch?

45:56Thomas Kahle Also ich meine, du kommst ja dann in diese ganzen Dystopien rein. Also ob das so die Leute überzeugt? Also ich glaube, das Marketing, was die eigentlich machen müssten, ist viel mehr Leute überzeugen, dass KI nützlich ist für sie. Also diese Adoption. Oder das müsste doch das eigentliche Ziel von dieser Firma sein.

46:16Thomas Kahle Also ich glaube, es gibt so verschiedene Dinge, die zusammenspielen. Marketing ist auf jeden Fall eine Sache sozusagen. Wir sind die Intelligentesten und Mathe ist halt schon immer gut gewesen, weil die Leute denken, das kann keiner verstehen, das ist nur was für Genies und so weiter. Was es vielleicht weniger ist, als man denkt.

46:35Thomas Kahle Auch man liest sicher Sachen durch und kombiniert die neu, Puzzleteile zusammen sammeln. Aber okay, wie auch immer. Also vielleicht ist der Marketingaspekt nicht zu vernachlässigen. Aber es arbeiten natürlich auch viele Mathematikerinnen und Mathematiker bei OpenAI. Also die sind ja auch letztendlich so eine Forschungs...

46:54Thomas Kahle Also es gibt auch Forschung in dieser Firma, ist doch ganz klar. Und deswegen können die auch einen gewissen Teil ihrer Zeit und ihrer Ressourcen einfach für ihre privaten Lieblingsprojekte. Also wenn du sozusagen, du guckst dir einfach die Firma an und dann arbeiten nur Mathematiker. Na klar, wollen die dann sozusagen ihr Zeug an Mathe ausprobieren.

47:11Thomas Kahle Also vielleicht auch ein ganz direktes Argument. Aber um nochmal an diese Kontroverse mit Buckmaster zurückzukommen. Da habe ich auch so ein bisschen, da muss ich auch immer drüber nachdenken. Also was im Raum steht, ist, dass, also wenn man jetzt ChatGPT nutzt und das, also ChatGPT und diese Pro-Modelle von ChatGPT, die sind auch da, sagen wir mal, der Marktführer für mathematische Forschung.

47:34Thomas Kahle Auch schon, also dieses ganze Jahr, also im März fing das halt so an, als diese ersten Pro-Modelle rauskamen, von 5.3, GPT 5.3 fing das glaube ich an oder so, dass die dann immer noch so eine Pro-Variante hat, die wirklich sehr lange nachdenkt und eigentlich auch so ein agentisches System im Hintergrund ist.

47:49Thomas Kahle Und das haben natürlich die Mathematikerinnen und Mathematiker schnell gemerkt, dass das super nützlich ist für ihre Forschung. Einfach sich damit zu unterhalten und kleine Aufgaben an das zu dedigieren und dann immer größere Aufgaben und ist auch immer besser geworden. Und dann gibt es ja irgendwo in der App diesen Button, Ich trainiere nicht auf meinen Daten.

48:06Thomas Kahle Merkt ihr nichts über mich? Den Datenschutzbutton. Irgendwo in der App gibt es den Datenschutzbutton und die meisten Mathematikerinnen und Mathematiker, die ich kenne, die haben den deaktiviert. Also kein Training mit meinen Daten, sozusagen was meins ist, ist meins. Es stellt sich eben jetzt raus, dass dieser Button wahrscheinlich fake ist.

48:24Thomas Kahle Also sozusagen OpenAI weiß genau, wer Mathematiker ist und will auch genau wissen, was die da reintun. Also das ist sozusagen an einigen Indizien, die es dafür gibt, ist zum Beispiel, dass ich, ich hatte ja auch so eine Pro-Subscription da von ChatGPT, ich konnte das Token-Limit im Prinzip nicht erreichen.

48:46Thomas Kahle Also jedes Mal, wenn ich an das wöchentliche Token Limit gekommen bin, wurde einfach in meinem Account so ein Reset freigeschaltet. Also einfach nur, you have earned a free reset und jetzt, okay, hier, alle deine Limits sind wieder auf Null gesetzt. Also für mich gab es sozusagen in meiner Subscription kein Limit.

49:05Thomas Kahle Und das habe ich auch mit anderen Kolleginnen und Kollegen besprochen, die das intensiv genutzt haben. Das war eigentlich das Gleiche. Also die Leute, die da sozusagen mathematische Forschung damit gemacht haben, hatten keine effektiven Token Limits oder nur selten. Die wurden oft zurückgesetzt. Und das andere ist dann natürlich, dass ganz konkret entdeckt wurde, dass in diesen Open AI Lösungen Sachen zitiert werden, also wörtlich wiedergegeben aus internen Chats.

49:31Thomas Kahle Also aus Chats, die zum Beispiel Buckmaster mit dem GPT-Model hatte, aber noch nicht veröffentlicht hatte. Also da wurde sozusagen eine Idee entwickelt, so Mensch und KI arbeiten zusammen, und genau dieser Strang der Idee erscheint halt wieder in der fertigen Lösung von dem Modell. Also das ist dann in dem Sinne...

49:50Thomas Kahle Ein Plagiat von diesem internen Arbeitsprozess, könnte man sagen. Also wenn das haltbar ist. Aber es ist natürlich für uns von außen nicht aufklärbar, ob diese Vorwürfe stimmen. Also OpenAI sagt natürlich, nein, wir trainieren nicht auf diesen Chats. Also wir haben diese Datenschutzeinstellung und das ist technisch ausgeschlossen, dass das passiert ist. Das ist Zufall. Das ist einfach Zufall.

50:09Thomas Kahle Zufällig hat unser Modell das gleiche ausgeschlägt.

50:11Johannes Lederer Ja, und ich meine, die Aussagen haben Sie ja auch irgendwie dreimal revidiert, oder? Da haben wir gesagt, ja, also vor April, alles, was vor April war, war vielleicht noch drin. Und dann irgendwann war es dann September und dann wieder das und das. Also es war irgendwie nicht so überzeugend. Und ich meine, in dem Lichte, zum Beispiel Anthropic hat es gemacht und Open AI hat, glaube ich, ein ähnliches Programm, dass man als Wissenschaftler extreme Preisnachlässe kriegt.

50:39Johannes Lederer Also irgendwie Anthropic zahlst du noch 20 Prozent oder so. Und ich habe genau die gleiche Erfahrung, wenn du nicht programmierst, sondern irgendwie mathematische Sachen löst und du kommst nicht an irgendwas. Und einerseits sagen wir ja, cool, oder? Sie labeln das als, jetzt geben wir das zurück, auch an die Forschung, weil die haben uns ja, wir nutzen ja auch die Forschung und sowas.

51:00Johannes Lederer Aber welcher ist der wahre Grund halt? Die wollen halt die Mathematik absaugen.

51:05Thomas Kahle Und dann andere Forschungsgebiete auch. Also ich glaube, Anthropic, was man so hört, so in der Szene, hat Mathematik einfach komplett abgeschrieben. Also das ist einfach uninteressant für sie, weil erstens Open AI da drin ist, und zweitens die auch so ein bisschen sagen, ja, das ist halt gelöst. Also da brauchen wir uns nicht mehr mit beschäftigen und sind jetzt auf anderen Gebieten, die nicht so digital sind.

51:28Thomas Kahle Also Mathematik ist einfach so inhärent digital, weil wir produzieren nur Texte, und die Texte speichert es auf dem Computer ab oder sogar Computerprogramme, unsere Beweise sind Computerprogramme. Biologie oder so ist jetzt noch nicht so digital, deswegen arbeiten sie auch daran, das zu digitalisieren.

51:44Thomas Kahle Aber was wir sozusagen ein bisschen, ein Problem, dass wir alle, also wir als Mathematikwissenschaft zuerst gemacht haben, also den Fehler, den wir zuerst gemacht haben und den andere Wissenschaften sich nicht wiederholen sollten, ist, dass wir das Vertrauen, das inhärente Vertrauen, was wir unter uns haben, also in der Mathematik gibt es ein sehr hohes Vertrauen von Mensch zu Mensch.

52:04Thomas Kahle Du erzählst anderen Leuten, woran du arbeitest, du erzählst ihnen deine Probleme, du erzählst ihnen deine Ideen, du trägst sie auf Konferenzen vor. Dass wir dieses Vertrauen auf keinen Fall auf eine Firma ausdehnen dürfen, die alle zehn Minuten eine Million Dollar Verlust macht. Weil die stehen ja unter einem völlig anderen Druck, ihre Firma zu retten oder irgendwie dieses Geld, ihren Schuldnern irgendwie dieses Geld wieder zurückzuzahlen.

52:34Thomas Kahle Und da also das Korruptionspotenzial von diesen Mengen von Geld, das trifft jetzt hier auf die... Wissenschaftler mit ihrer Ethik und das ist ja wie, ja, das ist unvergleichbar und trotzdem gibt es da eben das Problem, dass wir, weil die Maschine so menschlich wirkt und dass wir mit ihr reden wie mit einem Menschen, dass wir irgendwie dieses Vertrauen da natürlich auch, ja, Forschungsethik, ethische Fragen uns einfach nicht stellen und nicht genug stellen.

53:08Thomas Kahle Und dann, ja, so sind wir in diesen Schlamassel gekommen und vielleicht können wir als Mathematik jetzt, weil wir da als Erste durch sind, noch was weitergeben oder so. Also ich sehe diese Gratis-Accounts oder so stark rabattierten Accounts für, Wissenschaftlerinnen und Wissenschaftler, ich sehe die super kritisch.

53:24Thomas Kahle Also ich habe das selbst nie angenommen, aber es ist natürlich auch eine leichte Position zu sagen. Ich bin jetzt ein Beamter und habe ein anständiges Gehalt und dann kann ich einfach sagen, naja, ich kaufe es wenigstens. Also ich lasse es mir nicht gratis geben, aber ich verstehe natürlich auch, dass es eine privilegierte Position ist, aus der ich rede.

53:42Johannes Lederer Ja, ich meine, da kommst du schon auf einen anderen Punkt noch. Also das eine ist Vertrauen und das zweite ist eigentlich auch Abhängigkeit. Ich meine, ich sehe das ja auch so wie du. Also ich meine, wir haben noch einen anderen Incentive. Also wir sind irgendwie etablierte Wissenschaftler und ja, also ich meine, wir kommen da gut durch.

54:03Johannes Lederer Aber ich, also bei uns ist, also ich habe irgendwie ein Dutzend Leute, das sind alles junge, junge Leute, die sind natürlich auch in einer gewissen Konkurrenzsituation, denen kann ich jetzt nicht sagen, okay, mach halt einfach irgendwas mal für drei Jahre, sondern die müssen ja auch arbeiten. Wir müssen ja auch vorankommen. So, und dann stellt sich ja die Frage, nutzen Sie KI oder nutzen Sie KI nicht?

54:25Johannes Lederer Wenn Sie KI nicht benutzen, sind Sie da überhaupt noch kompetitiv auf dem Arbeitsmarkt? Ist es aber vielleicht besser für Sie, wenn Sie nicht KI benutzen, weil Sie dann persönlich sich besser entwickeln? Also es sind schon extrem schwierige Fragen, wo man da reinkommt in eine Forschungsgruppe.

54:45Thomas Kahle Ja, das Thema habe ich auch so versucht, ein bisschen auf den Schirm zu nehmen, also sowohl für mich selbst, also es gibt diesen Spruch, Research changes the researcher, also oder überhaupt so, wie du durch den Berufsalltag gehst, das ändert dich ja auch. Und wenn du diesen Stress annimmst und wenn du diese Verwertungslogik, ich muss einfach immer mehr Paper produzieren oder ich will schneller werden, ich will effizienter werden, wenn du es halt so annimmst, dann verändert dich das.

55:10Thomas Kahle Also es kann, zumindest zu beobachten, was macht die Art, wie ich arbeite mit mir, ist auf jeden Fall erstmal wichtig. Das ist erstmal eine Sache vorweg. Mit den jungen Leuten, ich weiß nicht, würdest du sagen, würdest du den Satz unterstützen? Eine Promotionszeit, die Promotionszeit ist die Zeit, wo du vom Studium, du kommst aus dem Studium raus und jetzt versuchst du sozusagen den Professor oder die Professorin nachzuahmen.

55:39Thomas Kahle Also du versuchst in dieser Zeit auf das gleiche Level zu kommen, also genau so zu arbeiten, genau so Talks zu geben, dass du an dem Stand der Forschung bist. Also dass du eigentlich dann in dieser Community, wo du bist, etabliert bist. Würdest du das erstmal unterstützen, so als These. Das Ziel der Promotion ist auf den aktuellen Stand, wie arbeitet eine Fachperson in meinem Gebiet zu kommen, oder?

56:05Johannes Lederer Ja und ich meine, also wenn man sich jetzt verschiedene Länder anschaut, also zum Beispiel jetzt in den USA oder in Großbritannien oder so, ist eine Promotion auch vielmehr noch so ausgerichtet in dem Sinne. Also am Anfang machen die noch Kurse und so, das heißt es ist dann noch gar nicht so der Anspruch erstmal produktiv zu sein, sondern erstmal zu lernen.

56:26Johannes Lederer Von dem her finde ich das als ideal, finde ich das absolut super. Und ich glaube auch, ich meine, die Promotion ist vielleicht noch so die letzte Zeit in der Wissenschaft, wo man relativ wenig, vielleicht noch in einem Postdoc, wo man relativ wenig so andere Verpflichtungen hat. Also relativ viel Zeit einfach auch für Forschung, für Sachen, die man...

56:53Johannes Lederer Jetzt einfach, jetzt in der Situation, wo ich jetzt keine Zeit mehr habe, irgendwie einfach eine Woche drüber nachzudenken, das kann man als PhD-Schulern, also als Doktorand kann man das tiptop machen. Das macht man eine Woche lang. Also ich weiß von einer Kollegin, die ist relativ bald nach der Promotion, ist sie Assistenzprofessorin geworden in den USA, und ist dann nochmal zurückgegangen und hat gesagt, nee, ich will jetzt doch noch einen Postdoc machen, zwei Jahre lang, weil sie nochmal diese ganzen Aus-, also was halt alles auf einen zukommt, also Lehre, Personalverantwortung, Drittmittelanträge, Kommissionsarbeit und das wollte sie einfach nochmal wegschieben und sagen, so, ich mache jetzt nochmal wirklich Forschung.

57:34Johannes Lederer Also das sehe ich auch absolut. Und gleichzeitig bin ich doch ehrlicherweise natürlich ein bisschen zerrissen, weil ich ja meine Leute auch nicht ins Messer laufen lassen will. Also am Ende, wenn ich jetzt denen sage, okay, jetzt mach drei Jahre oder fünf Jahre oder sieben Jahre Selbstentfaltung und lernen und ich bring die nachher nicht unter, oder?

57:54Johannes Lederer Dann sagen die auch, Johannes, was ist denn eigentlich los? Jetzt habe ich keinen Job. Ja, also da.

58:01Thomas Kahle Aber es hatten sich da geändert durch KI. Also außer einer allgemeinen Beschleunigung. Weil wenn du mal so Back of the Envelope Rechnung, also in erster Approximation bleibt die Anzahl der Professuren konstant. Natürlich ändert die sich mal sozusagen so über 100 Jahre bleibt die Anzahl der Professuren konstant oder steigt vielleicht sogar.

58:20Thomas Kahle Vielleicht geht es jetzt wieder ein bisschen runter. Aber sagen wir mal so, es gibt da 50 Mathe-Departments in Deutschland an Universitäten und die haben sozusagen eine Anzahl Professoren und eigentlich so größenordnungsmäßig bleibt das gleich. Das bedeutet doch, dass jede Professorin, jeder Professor eine Person zur Professur bringen kann.

58:40Thomas Kahle Also wieder erneuern. Also das System erneuert sich dadurch, dass jeder, der in Renten geht, wird durch AWN ersetzt. Und dieser Lehrsatz, der war vor 20 Jahren auch richtig. Und trotzdem hatten die Leute, also guck auf Math Genealogy, wie viele Professionen die haben. Also dieses mit dem Unterbringen, das war doch vorher eigentlich genauso.

58:58Thomas Kahle Also ich meine, das Risikoprofil, ich weiß, am Anfang meiner Promotion, ich möchte Professorin, Professor werden, das war damals auch schon risky, sage ich mal. Also kann sich natürlich irgendwie verschieben, weiß ich aber nicht, es ist ja unklar, in welche Richtung es sich verschiebt. Also mehr riskant oder vielleicht weniger riskant, wenn man, weiß ich nicht.

59:17Johannes Lederer Also da hast du natürlich einen absolut validen Punkt. Also ich sehe das auch so. Also wenn, dann gibt es vielleicht jetzt im Gegensatz zu vor 50 Jahren oder so wahrscheinlich eher noch mehr wissenschaftliche Dauerstellen als früher. Aber ich glaube, was sich schon geändert hat, ja, ich weiß nicht, ob sich das geändert hat, aber die Währung, im Kampf um eine Professur sozusagen sind halt auch wissenschaftliche Ergebnisse oder das ist ein Teil der Währung zumindest.

59:49Johannes Lederer Und wenn jetzt halt eine Gruppe sagt, okay, wir pushen in diese Richtung, dass wir sagen, okay, die Leute so ein bisschen, also ich mache jetzt ein bisschen schwarz-weiß, Also entwickelt euch mal ein bisschen weniger weiter, denkt mal ein bisschen weniger nach, aber schreibt mehr Paper. Und dann sagt die andere Gruppe ja, nee, also uns ist jetzt wichtig, dass ihr einfach ein bisschen mehr nachdenkt. Und am Ende des Tages hocken wir, in Berufungskommissionen. Also wir haben beide schon Dutzende Berufungskommissionen gehabt.

1:00:18Johannes Lederer Und als erstes schauen sich die Leute halt an, was haben die denn überhaupt gemacht?

1:00:24Thomas Kahle Also diese Darstellung, was habe ich gemacht durch das Paper, die Publikation, das ist ja was, was sich irgendwie ändern wird, weil wir... Jetzt eine Maschine entwickelt haben, die so eine Publikation, die früher Monate, manchmal Jahre gedauert hat, sehr schnell produzieren kann. Und wir müssen uns halt irgendwie fragen, was sind weitere, vielleicht andere Formen der Wissenskommunikation, das Wissen erhalten, also, was ist ein wissenschaftlicher Beitrag und wie dokumentieren wir den?

1:01:03Thomas Kahle Und wie bewerten wir den dann? Und da haben wir halt in der Mathematik diese Abhängigkeit von dem Paper. Ich meine, dieses Publikationszählen, das kommt ja irgendwie, wie ist die Entstehungsgeschichte? Also erstmal sozusagen denkt man, okay, jedes Paper enthält ein Resultat. Also es ist mehr Paper, mehr Resultate. Mehr ist gut.

1:01:23Thomas Kahle So, das ist aber die erste Idee. Und dann denkt man, naja, man könnte das ja sich durchlesen. Also die Paper, die haben ja unterschiedlichen Impact, die Paper. Also wäre eigentlich die Idee, naja, liest man es sich halt durch und versucht zu verstehen, wie wichtig ist das Paper. Aber das schafft ja keiner.

1:01:39Thomas Kahle Also durch diese hohe Spezialisierung gibt es ja so viel zu wenig Leute, die das wirklich einschätzen können. Selbst in einem Berufungsverfahren in meinem Gebiet sozusagen. Die Leute haben ein Paper geschrieben und ich bräuchte jetzt einfach viel zu lange, um genau zu verstehen, was der Impact von diesen einzelnen Arbeiten ist.

1:01:54Thomas Kahle Und dann haben die ja 30 geschrieben oder so und das ist einfach reversibel. Ist einfach nicht möglich. So und dann habe ich, ja, dann nimmt man irgendwelche Surrogate und die Leute, die Statistiken machen, die nehmen dann natürlich gerne, ja, Zitationsstatistiken und so und. Es ist ein imperfektes System, aber ich glaube, eine gut funktionierende Berufungskommission, sollte sich einfach ihrer Rolle bewusst sein.

1:02:22Thomas Kahle Und das ist auch schon vor KI weggegangen von der Länge der Publikationsliste. Denk doch mal an die DFG zum Beispiel, die erlaubt dir nur 10 Publikationen auf deinem Lebenslauf überhaupt aufzuführen. Und dann überlegst du doch schon, welches sind die 10? Und du könntest auch zu einem System gehen, wo nur noch 3 erlaubt sind.

1:02:41Thomas Kahle Oder du gehst zu einem System, wo wieder alle erlaubt sind und die Leute sollen die markieren. Und wer seine 100 hinstellt und die in der alphabetischen Reihenfolge sortiert, der ist halt dann, auch das kann eine Kommission ja, kommen die Probleme nicht daher, dass diese Kommissionen ihre Entscheidungen delegieren, statt selbst die Entscheidungen zu treffen.

1:03:03Thomas Kahle Also wenn die Kommission, eine Berufungskommission zum Beispiel, sich selbst fragt, Worauf, auf welchen Informationen wollen wir unsere Entscheidung basieren und wie kriegen wir diese Informationen? Und ist diese Person, die wir jetzt vielleicht einstellen wollen, eine Person, die diese Wissenschaft voranbringt, die neues Wissen generiert, die Netzwerke aufbaut, die auch interessante Paper schreibt und all diese, Dinge sollten wir in Betracht ziehen.

1:03:29Thomas Kahle Und vielleicht ist es jetzt die, also aus der Krise entsteht die Gelegenheit, sage ich mal. Die Gelegenheit, uns zu hinterfragen, was machen wir hier eigentlich, und können wir das vielleicht auch irgendwie besser machen.

1:03:40Johannes Lederer Absolut, also eine lustige Geschichte dazu. Gestern habe ich einen Drittmittelantrag, bei einer Förderung eingereicht und da haben die gesagt, Publikationsliste von jedem Antragssteller und jeder Antragsstellerin muss man auch dazu legen und haben gesagt, nur die letzten fünf Jahre und zwar beschränkt auf acht Seiten.

1:04:00Johannes Lederer Und da habe ich auch gedacht, wer publiziert denn so viel, dass man acht Seiten, also jede Publikation ist ja eigentlich zwei Zeilen oder so. Das ist sozusagen das andere Extrem. Aber ich glaube auch, also ich stimme dir da wirklich absolut zu und würde dazu sagen, dieses Delegieren, auch dass man sagt, hey, man schaut, wo die Sachen publiziert wurden und sowas.

1:04:25Johannes Lederer Ich glaube, Das sind wir schon in der Generation, die das sehr kritisch sehen. Und ich glaube, jetzt mit KI hat sich das Problem einfach nochmal drastisch beschleunigt. Es gibt ja auch Fälle von Highschool-Students in den USA, die dann an Top-Konferenzen drei Paper untergebracht haben oder sowas, wo man jetzt sagt, okay, das ist jetzt trotzdem, würden wir die nicht auf eine Professur berufen.

1:04:51Johannes Lederer Ich glaube auch. Also es ist eine Chance, aber wir sind jetzt an einem Punkt, wo das halt, mir ist es noch nicht so ganz klar, wohin die Reise geht.

1:05:02Thomas Kahle Also dieses akademische Bewertungssystem, so academic credit system auf Englisch, das ist auf jeden Fall zusammengebrochen. Also da brauchen wir nicht um den heißen Brei drumherum reden. Also so wie wir es immer gemacht haben, ist es einfach vorbei. Das ist vorbei. Das Einzige, was man daraus für lehrend sieht, das ist jetzt unsere Entscheidung sozusagen. Also ziehen wir uns jetzt zurück und weinen die ganze Zeit rum und wünschen uns die alte Zeit zurück oder.

1:05:29Thomas Kahle Wir können es ja auch versuchen, als Chance zu begreifen, was Besseres zu machen. Und das würde auch wieder an junge Leute signalisieren, dass wir handlungsfähig sind und dass es in der Mathematik weitergeht. Ich habe so ein bisschen ein, ich weiß nicht, wie eure Studienmarketing ist. Ich hole ein bisschen aus. Also in unserem Studienmarketing kam lange Zeit vor, mit Mathe kann man alles machen.

1:05:56Thomas Kahle Das ist so diese Antwort auf, was werde ich denn, wenn ich Mathe studiere? Was ist in meinem Beruf dann? Und dann war unsere Antwort immer, mit Mathe kann man alles machen. Und das kommt jetzt so ein bisschen, kommt jetzt zum Schwur. Also durch diese Krise ist jetzt die Frage, ja wirklich? Seid ihr wirklich so flexibel? Habt ihr wirklich eine universelle Problemlösungskompetenz?

1:06:15Thomas Kahle Habt ihr wirklich so eine Adaptivität, dass ihr euch auf jedes Problem einstellen könnt und das behandeln könnt? Dann baut euch doch euer neues Academic Credit System. Wenn ihr so flexibel denken könnt und Probleme abstrahieren und analysieren, dann macht es doch. Und ein bisschen sympathisiere ich auch mit dieser Einstellung.

1:06:37Thomas Kahle Also jetzt müssen wir halt mal zeigen, dass wir das auch was Neues entwickeln können. Und ich will auf jeden Fall die jungen Leute da dabei haben. Also ich finde es auch nicht gut, wenn nur Leute, die 40, 50 Jahre in dem alten System gearbeitet haben, jetzt ihre Meinung dazu sagen. Also ich bin da ganz auf jeden Fall dabei, den jungen Leuten zuzuhören und zu sagen, wie sieht eure Utopie denn eigentlich aus?

1:07:02Thomas Kahle Wie sollte das System sein und welche Chancen gibt es, dass wir das jetzt so neu gestalten?

1:07:07Johannes Lederer Ja, du hast natürlich absolut recht. Ich meine, das habe ich vorhin auch schon so ein bisschen angedeutet. Ich meine, die jungen Leute haben auch viel mehr zu verlieren als sozusagen die alten Hasen. Weil die werden viel länger im System sein. Die müssen jetzt mit den Veränderungen klarkommen. Und als ich jetzt über den Sommer...

1:07:30Johannes Lederer War ich in Asien lange Zeit und habe dort mit ganz vielen jungen Leuten gesprochen und wirklich ganz viele haben mir gesagt, ich werde nicht akademisch bleiben und mit der Begründung in der einen oder anderen Richtung KI. Also die haben nicht mehr gesehen, was die Rolle der Mathematik oder der Statistik oder Data Science ist.

1:07:55Johannes Lederer In dem Wandel, der jetzt durch KI provoziert wird. Und ich glaube, dass dieses Profil, das müssen wir stärken. Also da müssen wir halt zeigen, okay, und ich glaube, der Ansatz zu sagen, okay, wir sind Problemlöser, ist vielleicht einer. Der andere ist vielleicht auch zu sagen, hey, wir sind nicht nur Problemlöser, wir sind auch Problemerklärer oder auch Lösungserklärer.

1:08:16Johannes Lederer Also ich meine, am Ende des Tages, das hast du auch vorhin mal gesagt, als es um dieses Lean geht, geht es ja nicht nur darum, ein Resultat zu haben, sondern es geht auch darum zu sagen, okay, was bedeutet denn dieses Resultat überhaupt? Und ich glaube, da ist wirklich ganz, ganz viel Potenzial und ich glaube schon, dass KI unseren Arbeitsalltag ändert, aber nicht obsolet macht und das müssen wir klarer machen, warum nicht.

1:08:45Thomas Kahle Also da müssen wir auf jeden Fall einen Blick drauf haben, wie wir eine Positivität, Gegenüber diesem Studium oder überhaupt eine positive Einstellung dazu, eigene Kompetenzen zu entwickeln, eigenes Wissen auch anzuhäufen. Also dieses, ja ich meine, wir sind doch da oft durch. Wir hatten auch die Diskussion, man muss nichts mehr wissen, weil es steht alles auf Wikipedia. Ja, also ich meine, vor 20 Jahren war das die Diskussion, ja, sozusagen zerstört Wikipedia das Wissen.

1:09:15Thomas Kahle Und es geht immer weiter danach. Also ich habe irgendwann mal in so einem Mastodon-Thread so versucht, so ein paar Ideen für Positivität zu entwickeln. Ich habe mir die jetzt nochmal aufgeschrieben. Darf ich meine Ideen für Positivität, an dir testen? Das sind ein paar kleine Thesen.

1:09:30Johannes Lederer Positive Ideen sind immer gern gehört, ja.

1:09:32Thomas Kahle Okay, so, also Punkt eins ist, keine Panik. Also es ist einfach, es ist ein großer Stress, prasselt auf uns ein. Und deswegen ist mein erster Punkt, ist keine Panik. Dinge ändern sich einfach in der Welt. Jeden Tag ändern sich Dinge. Und gerade in der Forschung, also wenn man jetzt denkt, ich werde Forscherin oder Forscher, dann sollte man ja damit umgehen können. Also man will ja sozusagen das Neue erkunden.

1:09:57Thomas Kahle Deswegen erstmal keine Panik, weil sich Dinge ändern und viele Dinge ändern sich auch nicht. Also einfach mal sozusagen den Blick darauf richten, dass sich viele Dinge nicht ändern. Das kann natürlich sozusagen so, wenn man jetzt einfach vors Haus geht und draußen guckt, sieht eigentlich immer noch alles ziemlich genauso aus.

1:10:15Thomas Kahle Es gibt jetzt KI und die kann Navier Stokes Beweis in Lean formalisieren, aber trotzdem fahren da diese ganzen Benzinautos rum und machen das Klima kaputt. Also so ist es nicht unbedingt der wichtigste Aspekt der Realität. Dass wir jetzt KI haben, die Mathe-Probleme lösen kann. Das ist Punkt 1. Antwortest du immer darauf oder soll ich noch mal sagen?

1:10:35Johannes Lederer Also das würde ich sagen, akzeptiert, keine Panik.

1:10:39Thomas Kahle Punkt 2 ist, Mathematik ist eine Sprache zwischen Menschen. Also Mathematik ist dazu da, dass ein Mensch einem anderen Menschen eine abstrakte Idee kommunizieren kann. Also wir haben das entwickelt, weil wir beobachten die Welt. Es gibt sozusagen Zahlen. Wir gehen durch die Welt und sehen, es gibt 1, 2, 3, es gibt Zahlen.

1:10:59Thomas Kahle Und dann denken wir uns, es gibt rationale Zahlen und dann denken wir uns, es gibt reelle Zahlen. Und es ist halt sehr schwer, mit Sprache abstrakte Ideen zu kommunizieren. Das ist ein Löwe, das ist einfache Information. Aber sozusagen, okay, die reellen Zahlen sind ein Kontinuum und zwischen 0 und 1 gibt es genauso viele reelle Zahlen, wie es überhaupt reelle Zahlen gibt.

1:11:19Thomas Kahle Bevor ich das überhaupt mal ausdrücken kann, dann muss ich erstmal die Sprache entwickeln. Und ja, also Mathematik ist nicht nur Beweise finden oder so. Mathematik ist eine Sprache, mit der wir abstrakte Ideen kommunizieren können. Und wir haben die Sprache dem Computer beigebracht und das führt zu interessanten Effekten.

1:11:38Thomas Kahle Aber der Teil, wo ich Mathematik benutze, um dir meine Idee zu sagen, der ist ja nicht weg. Also, oder?

1:11:47Johannes Lederer Absolut. Also ich meine, das ist natürlich auch in den Wissenschaften selber ist natürlich, sehe ich das auch so, die Mathematik als Sprache, um …, Überhaupt die Welt zu beschreiben. Und ich glaube, du hast da noch einen guten Punkt zu sagen, nicht nur die Welt zu beschreiben, also für sich selber, sondern halt auch den anderen zu sagen, wie man die Welt jetzt beschrieben hat, und sich darüber dann auszutauschen. Absolut.

1:12:11Thomas Kahle Okay, Punkt drei ist Empathie gewinnt. Also es ist wichtig, dass wir uns als Community begreifen und wir nicht uns spalten lassen. Also diese Tendenzen dazu, dass es so eine Aufteilung in der Mathematik gibt, in die die KI komplett ablehnen, die die KI, auf ein Podest stellen und sagen, wir werden alle überflüssig dadurch und alles dazwischen, alle diese Menschen sind halt, zumindest wenn sie Mathematiker oder Mathematiker sind, haben sich irgendwie Gedanken gemacht.

1:12:50Thomas Kahle Manche sind falsch abgebogen und das passiert alles, aber sie sind jetzt trotzdem... Menschen und wir sollten eine Grundempathie dem Menschen gegenüber uns bewahren.

1:13:02Johannes Lederer Okay. Also ich meine, wer falsch abgebogen ist, das wissen wir vielleicht noch gar nicht.

1:13:07Thomas Kahle Absolut.

1:13:08Johannes Lederer Ja.

1:13:09Thomas Kahle Gut, ich meine, wer sozusagen andere beschimpft, ist in dem Sinne falsch abgebogen. Also manche Leute beweisen, dass sie falsch abgebogen sind, weil sie sozusagen zum Beispiel Argumente gegen direkte Personen machen, statt über wissenschaftliche, umstrittene Fragen zu diskutieren. Also sozusagen, es wäre schön, wenn wir sozusagen die Diskussion als Diskussion begreifen.

1:13:37Thomas Kahle Und ich meine, diese Diskussionskultur, das wird ja oft gesagt sozusagen. Man muss irgendwie sozusagen streiten können und danach aber trotzdem auf einer menschlichen Ebene wieder connecten. Also sozusagen Menschen haben unterschiedliche Motivationen und gehen unterschiedlich an ihren Tag ran, gehen unterschiedlich an Probleme ran und diese Diversität der Ideen ist das, was wir können.

1:14:00Thomas Kahle Die KI macht alles gleich, Regression to the mean und wir haben diese Vielfalt und, um die anzuzapfen, müssen wir einfach uns damit auseinandersetzen, dass andere Menschen anders denken und ihnen trotzdem Empathie entgegenbringen, statt so Gruppen zu bilden.

1:14:17Johannes Lederer Also ich meine, in den Wissenschaften habe ich das Gefühl, haben wir das vielleicht so ein bisschen verloren allgemein, auch in der Corona-Zeit, glaube ich, das war schon so eine Zeit, die der Empathie ein bisschen abträglich war. Aber so mein Eindruck ist, dass es in der Mathematik im Moment eigentlich relativ gut funktioniert. Also jetzt auch bei uns in der Fakultät.

1:14:40Johannes Lederer Wir sind auch sehr divers, also von Leuten, die Algebra machen, Leute, die Data Science machen, Leute, die Geometrie machen und all das. Und die, die ganz verschieden an diese Sache rangehen. Und ich muss sagen. Es funktioniert eigentlich wirklich gut. Und da kommen wir eigentlich dann, wir haben jetzt zum Beispiel letzte Woche, als Fakultät haben wir unter der Schirmherrschaft sozusagen von ein bis zwei Leuten, die das vorangetrieben haben, haben uns ein bisschen diskutiert von Leitfahrten, wie man jetzt kommuniziert zu den Studierenden, wie man mit KI umgehen kann.

1:15:20Johannes Lederer Und da kommen wir auf ganz, ganz ähnliche Sachen, sind wir eigentlich gekommen, wie du jetzt da gerade sagst. Von dem her bin ich da eigentlich, zumindest innerhalb der Mathematik im Moment, relativ zuversichtlich, dass wir da... Ein offenes Gesprächsklima haben und sich niemand als irgendwie, also ich habe jetzt noch niemand gehört, das sagt, jeder, der KI benutzt, der gehört aus der Mathematik ausgeschlossen. Ich habe jetzt auch noch niemand gehört, der sagt, also wer jetzt nicht KI benutzt, der ist halt dumm.

1:15:50Johannes Lederer Also ich bin auch relativ positiv, muss ich sagen.

1:15:54Thomas Kahle Okay, das ist gut zu hören. Das freut mich. Ich würde es auch jetzt unterschreiben, dass das in der Mathematik auf jeden Fall gesehen wird und dass es auch viele neue Initiativen gibt. Kennst du diesen Proofs and Prompts Blog? Das ist vielleicht so ein Erfolgsmodell, so ein Blog, so ein Community-Blog. Den haben, glaube ich, so zwei Postdocs aus Heidelberg oder so einfach gestartet und da kommt halt.

1:16:22Thomas Kahle Jeden Tag ein Post und so ganz verschiedene Meinungen. Also ja, aus dem ganzen Spektrum und auch aus verschiedenen akademischen Altersstufen, sage ich jetzt mal, von Fields Medalisten bis zu irgendwelchen Studierenden zu diesem Thema. Und dann hat man mal sozusagen so eine Chronologie der Perspektiven und so.

1:16:42Thomas Kahle Da ist alles Mögliche dabei, also sozusagen Texte, die ich irgendwie gut finde und Texte, die ich komisch finde. Aber das ist so ein Projekt, was ich sehr interessant finde und was da in die richtige Richtung geht. Und weil ich sowas sehe, bin ich auch überzeugt davon, dass die Mathematik, wir sind so ein bisschen, also Programmieren war zuerst.

1:17:02Thomas Kahle Die armen Programmierer waren zuerst dran, sozusagen von der KI überrollt zu werden und direkt danach kamen wir jetzt. Und andere Wissenschaften haben das vielleicht noch vor sich, man weiß es nicht, es ist eben die Frage der Digitalisierung, wie weit kann eine Wissenschaft digitalisiert werden, dann ist sie mit diesem Problem konfrontiert.

1:17:18Thomas Kahle Und vielleicht können wir da so Sachen entwickeln.

1:17:24Johannes Lederer Also was mir so ein bisschen auffällt, ist, dass in der Mathematik, fand ich, also bisher auch, dass ein zivilisierter Diskurs stattfindet. Was mir aufgefallen ist, also es gibt schon eine große Gruppe auch innerhalb der Mathematik, die sehr konservativ ist in Bezug auf KI. Also er sagt, hey, das ist vielleicht nicht der beste Weg vorwärts und sowas und absolut kann man respektieren.

1:17:51Johannes Lederer Und wenn ich da aber die Kommentare drunter sehe aus der Öffentlichkeit, dann habe ich schon das Gefühl, das geht dann schon eher in eine persönliche Richtung. Also wird es dann so interpretiert, ah, das sind ja die Profs, die versuchen noch in ihren Lehrstühlen da festzuhalten, die Mathematik braucht es ja überhaupt nicht mehr und sowas.

1:18:14Johannes Lederer Ich glaube, es ist umso wichtiger, dass wir vielleicht diese Diskussion nicht nur in unseren Fakultätsräumen diskutieren, sondern halt auch nach außen tragen und, irgendwie auch klar machen, dass es gibt auch verschiedene Ansätze und wir wissen es ja auch noch nicht so genau, wohin die Reise geht.

1:18:32Thomas Kahle Und damit bin ich bei meinem vierten Punkt, weil das ist sehr gut, dass du es jetzt aufgreifst. Also diese Competition, um zum Beispiel Stellen, es gibt einfach sozusagen die knappe Ressource, einfach ein Fakt des Lebens, mehr Leute möchten eine Professur, als es Professuren gibt. Da ist einfach eine Ressource, wenn ich jetzt mal so sagen darf, die zu wenig da ist.

1:18:56Thomas Kahle Dauerstellend als Mathematikerin, als Mathematiker sind immer noch mehr nachgefragt, als es sie gibt. So, dadurch entsteht Wettbewerb und Wettbewerb ist per se nicht schlecht, würde ich sagen. Also meiner Meinung nach ist Wettbewerb im Sinne eines fairen Wettbewerbs essentiell für Qualität. Also man muss irgendwie sich auch damit auseinandersetzen, dass was man tut, wenn man dafür Geld vom Steuerzahler bekommt, dass es einen Wert haben muss.

1:19:30Thomas Kahle Und dass man sich darüber klar ist, dass man hier mit Geld irgendwie gefördert wird und dass dafür in dem Sinne auch eine Gegenleistung erwartet wird. Und gleichzeitig, und das ist der eigentliche Titel von meinem Punkt 4, ist Math is not a game. Also Mathematik ist kein Spiel oder kein Sport, in dem man gewinnen sollte.

1:19:52Thomas Kahle Also dieser Wettbewerb um die beste Mathematik, der soll existieren, aber der darf eben nicht auf so ein... Auf nur Probleme. Also die Mathematik darf nicht reduziert werden auf Mathe-Olympiade und Millennium-Probleme. Also es ist kein Spiel, in dem man gewinnen kann und alle anderen haben verloren. Sondern es ist ein Ökosystem und da brauchen wir Breite und da brauchen wir wieder Diversität.

1:20:25Thomas Kahle Es hat so ein bisschen Verbindung zu dem Punkt davor. Wo die Qualität sich dann überhaupt erst mal äußern kann. Und ich glaube... Okay, OpenAI hat jetzt in den neuesten Dumps, haben sie 722 Paper veröffentlicht. Und sagen wir mal, in erster Approximation haben sie 722 Probleme gelöst. Da gibt es natürlich Fehler und was weiß ich.

1:20:49Thomas Kahle Aber das ist ja in dem Sinne nichts im Vergleich zu den ganzen Ideen, die in der Mathematik entstanden sind. Also es ist im Prinzip immer noch klein und irgendwo versucht man die berühmtesten Probleme. Oder irgendwo gibt es im Internet eine Liste von den 500 wichtigsten Problemen der Mathematik. Hat sich irgendwer mal ausgedacht.

1:21:10Thomas Kahle Und die zielen natürlich genau da drauf. Aber warum sind die wichtig? Vielleicht werden sie auch dadurch unwichtig, dass sie gelöst werden. Also okay, ich rede zu viel über das Gleiche. Also Punkt vier ist, es gibt Competition, aber Mathematik ist trotzdem kein Spiel, in dem man gewinnen kann.

1:21:29Johannes Lederer Also dann nochmal kurz einzuhaken. Genau, also Open AI, also das sind glaube ich über 300 Probleme, zu denen es jetzt doppelt so viele Paper geschrieben hat. So Salami-Taktik mäßig haben sie da die Paper rausgehauen. Und ich meine, das hört sich jetzt erstmal sehr überzeugend an, aber das sind dann jetzt die Paper draußen. Das muss ja trotzdem, wenn ein Mensch liest es dann trotzdem und bewertet das und ordnet das ein und sowas.

1:21:57Johannes Lederer Also es ist ja nicht so, also es ist ein bisschen so auch Outsourcing, also es ist ein bisschen so, okay, jetzt die menschlichen Mathematikerinnen und Mathematiker, denen werfen wir das jetzt da vor und die sollen sich das anschauen. Ja, also vielleicht ist es auch ein bisschen das. Und das Zweite, was ich mir so, ja auch nach diesem Neuesten, also genau, du hast es jetzt AI-Dump genannt, also die haben einfach die Paper ja so rausgeschmissen.

1:22:25Johannes Lederer Ja, also Vor allen Dingen auch irgendwie eilig.

1:22:29Thomas Kahle Also zum Beispiel, was finde ich wenig diskutiert wird, nur irgendwie 40 Prozent von diesen Papern haben so ein Lean-Zertifikat. Das war ja früher der Standard, war doch eigentlich man so AI-Paper, die gibt man nur raus mit diesem Lean-Zertifikat. Also warum haben die jetzt die schon alle so, also es kommt einem irgendwie so vor, als ob sie jetzt doch relativ hektisch waren.

1:22:52Thomas Kahle Ja, also keiner hat so richtig Einblicke, wie die funktionieren oder was da die Motivationen sind oder Diskussionen innerhalb von dieser Firma, aber das hat mich so ein bisschen überrascht, dass sie jetzt so wieder einfach, oder sie sind jetzt so komplett selbstbewusst, dass sie sagen, ach naja, diese Lean-Zertifikate brauchen wir jetzt auch nicht mehr, unser Ding ist sowieso so gut, dass das alles stimmt, aber naja.

1:23:11Johannes Lederer Ja, es ist auch die Frage, wie bewerten wir diese Paper? Bewerten wir die jetzt wie ein Paper, das du oder ich jetzt auf Archive, also unseren Mathe-Server, laden? Oder sagen wir, okay, das ist halt jetzt irgendwie so ein... Status-Report von irgendeiner Firma, wie gut ihr Modell funktioniert. Also ich tue mich noch schwer zu sagen, dass es jetzt wirklich wissenschaftlich, gleichwertig ist, wie wenn jetzt jemand mit Sorgfalt ein Paper schreibt und sich überlegt, was wird zitiert, welche Standards gelten und anstatt halt einfach.

1:23:48Thomas Kahle Ja, also stimme ich absolut mit dir überein. Das sind keine Paper. Das ist eine große Gefahr, dass wir das verwechseln mit dem, was wir vorher sozusagen von Menschen produzierte Paper haben. Ich denke, das ist einfach eine völlig neue Art von Artefakt. Und das bringt uns schon dazu, dass wir brauchen ein Wort dafür.

1:24:09Thomas Kahle Das ist ganz wichtig, wenn wir das in unserer Community aushandeln, dass wir ein neues Wort dafür verwenden, das nicht Paper ist. Ich habe auch meinen eigenen Vorschlag, der ist nicht so toll. Also wir hatten mal so vor einem Monat oder anderthalb Monaten, da hatte ich mit Bernd Sturmfels jetzt darüber diskutiert und der ist immer auf das Wort Theoremoid gekommen. Also ein Theoremoid ist kein Theorem, kein Satz, das ist nur so eine Art Schatten davon.

1:24:31Thomas Kahle Also so KI-Output zu Mathematik, den noch kein Mensch verdaut hat. Vielleicht ist ein Lean-Zertifikat dabei, vielleicht nicht. Ich will es nicht, dieses Wort so pushen, aber ich denke, es ist eine neue Art, von Forschungsartefakt, die irgendwo ist zwischen Messergebnis und Messergebnis. Orakel-Output oder sozusagen Computer-Algebra-Berechnung, aber wir dürfen es, obwohl es so aussieht, obwohl es im PDF daherkommt und mit LaTeX formatiert ist, sollten wir es nicht mit Paper verwechseln.

1:25:04Thomas Kahle Also sozusagen, das ist mein erster Punkt. Und dann wollte ich dich fragen, es gab ja Diskussionen darüber. Also es gibt ja auch viele Mathematikerinnen und Mathematiker, die sagen, die sollen das nicht machen. Die sollen diese Dinger einfach für sich behalten. Die sollen sie nicht veröffentlichen. Was denkst du denn dazu? Also da gab es ja die neun weißen Männer oder so, die das jetzt entscheiden sollten, irgendwie so eine Advisory Group und die haben dann gesagt, naja, mach das responsible und dann hat OpenAI gesagt, nee, wir machen das jetzt einfach raus und Lean-Zertifikate brauchen wir auch nicht mehr, wenn sie nicht schnell genug fertig geworden sind.

1:25:35Johannes Lederer Ja. Also ich finde, also erstens mal ist, glaube ich, die wichtigere Frage, wie gehen wir damit um? Also wenn die Paper draußen oder eben Theoremoide, um das so einzudeutschen in deinem Wort, wenn die draußen sind, also wie bewerten wir das und wie nehmen wir das in die Community auf? Ich glaube, das ist fast die wichtigere Frage, als ob die jetzt das veröffentlichen oder nicht veröffentlichen.

1:26:00Johannes Lederer Also ich finde, einfach zu sagen, okay, mach das jetzt mal nicht, weil, also ich kann natürlich die Argumentation verstehen. Also ein Teil der Argumentation ist auch zu sagen, hey, wir haben diese jungen Wissenschaftlerinnen und Wissenschaftler, die arbeiten an diesem Problem. Und dann hat jemand irgendwie drei Jahre, ist irgendwie Assistenzprof und hat drei Jahre dann an dem Problem gearbeitet. und dann zack, das sind die drei Jahre für die Cuts, weil halt kein Nichts dabei rauskommt.

1:26:28Johannes Lederer Das verstehe ich schon, aber halte ich trotzdem für eine schwierige Argumentation zu sagen, okay, das ist jetzt der Grund, warum man jetzt nicht Wissen. Wissen vielleicht auch mit Anführungszeichen, also warum man jetzt nicht so ein Ding halt veröffentlichen kann. Aber ich glaube auch, es fällt alles darauf zurück, was wir schon von der Zeit auch angesprochen haben.

1:26:53Johannes Lederer Wie bewerten wir das Ganze? Und ich kann, also als ich angefangen habe, zu einer Forschung mich zu tummeln, es war vor KI natürlich, also ich bin nicht ganz so jung, also ich habe Forschung auch ohne KI gelernt. Und da hat man schon auch gesehen, das ist nicht alles so astrein, wie man sich das in der Wissenschaft vorstellt.

1:27:16Johannes Lederer Also man denkt ja manchmal, wenn man noch nicht in der Wissenschaft ist, Jeder ist empathisch mit jedem anderen und man diskutiert die Sachen aus und so. Und es passiert das so nicht so ganz. Und da habe ich mir vorgenommen zu sagen, okay, jetzt bin ich halt so ein einfacher Doktorand, für den sich niemand interessiert.

1:27:37Johannes Lederer Aber irgendwann, falls ich mal an so einer Stelle hocke und wo ich Einfluss habe, dann versuche ich mich an dem Standard festzuhalten und zu sagen, okay, ich will es besser machen. Und ich glaube, vielleicht ist das halt jetzt auch nochmal super wichtig, dass wir uns in unserer Position, wo wir jetzt sagen, okay, wir haben...

1:27:55Johannes Lederer Jetzt selber wirklich nicht so viel zu verlieren. Sondern das ist die nächste Generation, die viel, viel mehr zu verlieren haben. Dass wir uns wirklich Gedanken machen und sagen, okay, wir machen gut in Berufungsverfahren, wo neue Professorinnen und Professoren ausgewählt werden, wie man Paper begutachtet, überhaupt Forschung bewertet und all dem, da müssen wir uns wirklich Gedanken machen.

1:28:26Thomas Kahle Ja, also ich denke, eigentlich in mir drin denke ich auch diese Position, wir wollen das nicht sehen. Also es gibt jetzt diese, es gibt jetzt den Beweis, also ich hatte in der letzten Eigenraum, Volker, hatte ich mich kurz damit beschäftigt, dass es so ein neues Paper gibt da in diesem Dump, das behauptet, dass man zwei ganze Zahlen der Länge n, in weniger als n log n Schritten multiplizieren kann.

1:28:51Thomas Kahle Und das ist ja, also für mich ist es ein sehr spannendes Resultat, wenn das stimmt, ist ohne Lean-Zertifikat, also niemand weiß es und ich habe auch noch nicht angefangen, den Beweis irgendwie mir anzuschauen, aber ist ja erstmal interessant. Oder dieses, ich will es nicht wissen oder ich verlange von OpenAI, dass die das nicht preisgeben, ist für mich eigentlich eine unhaltbare Position sozusagen.

1:29:11Thomas Kahle Als Wissenschaftler will ich eigentlich jede Art von Fakt irgendwie einbeziehen in meine Forschung, in meine Entscheidungsfindung. Aber gleichzeitig sehe ich, dass ganz, ganz viele Leute da draußen im Internet oder in unserer Community das anders sehen. Also ich will mir jetzt kein abschließendes Urteil zu erlauben.

1:29:32Thomas Kahle Weil halt auch sozusagen Argumente gebracht werden wie, naja, aber das ganze Geld, was das gekostet hat, das hätten wir lieber anders investieren sollen. Und man kann nicht immer nur argumentieren, ja wir müssen noch mehr wissen, noch mehr wissen, weil man immer nach dem Preis fragen muss. Was ist der Preis für noch mehr Wissen?

1:29:48Thomas Kahle Sonst würden wir auch Experimente mit Menschen machen, wenn wir noch mehr wissen wollen, wenn uns alles egal ist, um noch mehr zu wissen. Also solche Argumentationen kommen dann auch und es gibt sicher irgendwo Grenzen. Ja, also ich bin positiv. Ich finde es eigentlich gut, dass sie das veröffentlicht haben.

1:30:03Thomas Kahle Und ich habe auch so ein bisschen, also das Problem ist natürlich, kommt wieder dann enthalten, diese 722 Paper, jetzt irgendwie die Transkripte von irgendwelchen Chats, von irgendwelchen Leuten, die das gerade veröffentlichen wollten, die mit KI daran gearbeitet haben. Dann ist natürlich, das ändert auch wieder was. Also das ist schwierig.

1:30:22Thomas Kahle Aber trotzdem bin ich auf der Seite, ich finde es erstmal gut, dass es das wenigstens im Internet gibt. Also damit passiert das in der Öffentlichkeit statt, dass die mit ihrem unreleased Model, das ist ja alles, muss man auch mal sagen, für die Leute da draußen, die sich jetzt fragen, naja, warum macht ihr das denn nicht selbst?

1:30:36Thomas Kahle Die benutzen halt auch ein Modell, zu dem wir keinen Zugang haben. Also die haben noch ein stärkeres Modell in der Hinterhand und wir reden jetzt genau über, was wir veröffentlichen. Wir machen Open Science und kommen damit an eine bestimmte Grenze. Wir machen auch Open Science mit KI. Wir benutzen das, was veröffentlicht ist und die KI, die für uns zugänglich ist und kommen damit an eine bestimmte Grenze.

1:31:00Thomas Kahle Und die benutzen all das und noch ihr Unreleased Model und kommen über diese Grenze hinaus.

1:31:07Johannes Lederer Also ich meine, das wirft ja nur noch eine ganz große Frage auf. Kann universitäre Forschung überhaupt noch mit der Forschung in solchen Firmen mithalten? Also ich meine, hier kämpfe ich um ein paar Rechenkapazitäten und wenn ich halt mit meinen Kumpels aus den Firmen spreche, das ist völlig egal. Die kriegen jegliche, also was auch immer die wollen, kriegen die halt als Rechenkapazitäten, Personal und was auch immer.

1:31:37Johannes Lederer Ich glaube, da müssen wir uns schon als Gesellschaft, und vielleicht ist es auch ein nächster Punkt, oder ich weiß nicht, ob du noch einen positiven Punkt hast, den würde ich gerne hören, aber etwas, was wir besprechen müssen, ist halt auch, was ist uns, Lehre und Forschung aus dem öffentlichen Sektor überhaupt wert?

1:31:55Johannes Lederer Also wie wichtig ist es uns? Oder sagen wir halt einfach, okay, dann machen wir halt die Unis zu. Der Thomas und der Johannes, die können ja eh nicht konkurrieren, weil sie nicht das neuste Modell haben, nicht die Rechenkapazitäten haben und auch nicht das Personal haben, um jetzt die allerwichtigsten, die 500 wichtigsten Probleme zu lösen. Ja, dann machen wir das halt zu.

1:32:12Johannes Lederer Und vielleicht haben wir Glück und OpenAI macht dann selber eine Uni oder bildet ein paar Leute aus. Aber ich glaube, das ist schon, das sind wir schon an einem sehr kritischen Punkt.

1:32:23Thomas Kahle Das wäre natürlich ein katastrophaler Fehler, um das erstmal so festzuhalten, so eine Uni zuzumachen, deswegen, weil man sich ja auch immer die Frage stellen muss, wo kommen dann die nächsten 500 Probleme her? Also sozusagen so, zeig mir mal ein Problem, ein echtes Problem von Menschen, was Open AI gelöst hat.

1:32:42Thomas Kahle Flutkatastrophen, Klimawandel, politische Probleme, Hass im Internet. Gibt es irgendein Problem, ein echtes Problem, was echte Menschen haben, wo KI uns bisher weitergebracht hat? Krebsheilung, was? Ich will sich die Mathematik unter den Schäffel stellen, aber die Mathematik ist ja irgendwie Grundlagenforschung. Also es ist denkbar, dass die Lösungen von diesen 700, 300 Problemen irgendwann wichtig werden.

1:33:12Thomas Kahle Aber letztendlich ist KI löst noch keine oder nur sehr kleine Probleme in unserem echten Leben, oder? Bin ich da zu pessimistisch?

1:33:25Johannes Lederer Nein, überhaupt nicht. Das hatten wir schon auch so ein bisschen angehört, was dazukommt. Was ist jetzt überhaupt lösen? Es hat ja viele Ebenen. Er hat einen Beweis aufgeschrieben, teilweise mit dem Zertifikat, teilweise ohne. Was ist das jetzt wert? Das heißt ja nicht, dass es jetzt in der Community, also in unserem Fachbereich, dann absorbiert ist und dann tatsächlich zu einem Lösen von einem tatsächlichen Problem genutzt werden kann.

1:33:52Johannes Lederer Soweit sind wir ja auch noch gar nicht.

1:33:54Thomas Kahle Also der Sinn einer Mathematikfakultät ist weiterhin, erstens Leute auszubilden, die diese grundlegenden Strukturen, die diese Sprache sprechen. Die Sprache, in der wir beide, wir und alle Menschen, sich über abstrakte Eigenschaften der Welt unterhalten können. Also wir müssen diese Sprache sozusagen am Leben erhalten. Wir müssen die weiter beibringen, damit Leute sich weiter über ihre abstrakten Ideen unterhalten können.

1:34:18Thomas Kahle Wir müssen die Sprache auch weiterentwickeln, weil es neue Ideen gibt, über die wir uns auch unterhalten wollen. Und wir müssen diese Community aufrechterhalten, die diese 500 Probleme hervorgebracht hat oder 722 Probleme oder so. Jetzt haben die, ich würde auch gar nicht sagen, dass die die gelöst haben.

1:34:34Thomas Kahle Also letztendlich haben sie sozusagen ein Teil, der lange Zeit ein wichtiger Teil der Mathematik war, das Auffinden von Beweisen, das haben sie jetzt automatisiert. Aber das hört ja deswegen nicht auf. Also sozusagen, wenn du…, Wenn das Ziel deiner Wanderung ist, ein Instagram-Foto auf dem Gipfel zu machen, dann kannst du auch mit dem Hubschrauber hochfliegen, dein Foto machen und wieder runterfliegen.

1:35:02Thomas Kahle So funktioniert das sozusagen. Also so auf Mathe wird reduziert auf das Instagrammable-Foto auf dem Gipfel. Also eine Wanderung darauf reduzieren, sodass es jetzt was mit der Mathematik passiert. Also die fliegen zum Gipfel und machen das Siegerfoto. Aber der Weg ist das Ziel, Johannes.

1:35:21Johannes Lederer Absolut, absolut. Also ich meine schon, dass wir uns auch Mathematikfakultäten ein bisschen anders aufstellen müssen. Also ich finde jetzt zum Beispiel, also in der Mathematik, zum einen bilden wir unsere eigenen Leute aus, um eben diese Sprache zu sprechen, aber wir gehen ja auch in andere Fakultäten rein.

1:35:40Johannes Lederer Und dort machen wir, glaube ich, noch Sachen, das kann man diskutieren. Also wenn ich mache jetzt zum Beispiel Vorlesungen für die Informatikerinnen und Informatiker in Hamburg. So, und ich finde auch, dass die diese Sprache können müssen. Also es ist auch wichtig, um Algorithmen zu entwickeln und KI weiterzudenken und so weiter.

1:36:03Johannes Lederer Aber was halt auch ein Teil der Lehrpläne ist im Moment, ist sozusagen zum Beispiel ein Hypothesentest. Okay, es ist ein Test. Also die müssen einen Test machen, ob eine Stichprobe anders ist als eine andere Stichprobe zum Beispiel. Und so etwas, das wird gelehrt typischerweise wie ein Kochrezept. Und ich glaube, Kochrezepte müssen wir nicht mehr lehren, weil das genau so etwas, das kann die KI mit weniger Fehler, egal wie gut ich das denen beibringe.

1:36:33Johannes Lederer Aber ich glaube, wir müssen uns überlegen, welchen Wert können wir tatsächlich noch auch in die anderen Disziplinen reinbringen, das darüber hinausgeht, dass die Leute die Problemstellungen einfach in ChatGPT reinkopieren können.

1:36:49Thomas Kahle Ja. Die Antwort von einer Übungsaufgabe hat uns aber ja noch nie interessiert. Das ist eigentlich der gleiche Fehlschluss wie beim Abschreiben, also auf Seite der Studierenden. Also wenn unsere Lehre irgendwie darauf abzielt, wir haben das als Surrogat benutzt, also als die Übungsaufgabe, dann musst du dich mit der Übungsaufgabe beschäftigen, um die richtige Lösung zu produzieren.

1:37:13Thomas Kahle Und jetzt gibt es eine Abkürzung, jetzt gibt es einen anderen Weg, der ohne dich selbst weiterzubilden auch dieses Ergebnis produziert, was wir vorher als Test genommen haben, ob du den Weg durchlaufen hast. Und sowas ist ja in der Bildungsforschung oft passiert. Also ich meine, es ist jetzt wieder dieser triviale Vergleich mit dem Taschenrechner, aber wir müssen uns einfach sozusagen vor Augen führen, okay, also die schriftliche Multiplikation, die lernt man noch und es ist auch wichtig, dass man die lernt, denke ich, weil man ein Gefühl dafür kriegt, wie Zahlen funktionieren, weil man ein Gefühl für Algorithmen kriegt, man lernt viele andere Sachen, man lernt auch einfach….

1:37:54Thomas Kahle Korrekt mehrere Schritte hintereinander, einfach einen Algorithmus mal auszuführen. Und danach kann man den Taschenrechner in seiner technischen Konstruktion vielleicht noch mehr bewundern. Und man lernt vielleicht auch irgendwas über IEEE-Standards. Also man kommt ja vom Hundertsten ins Tausend. Man kann sich ganz einfache Fragen stellen. Ja, genau. Man kann sich fragen, was ist die Effizienz von diesem Algorithmus?

1:38:16Thomas Kahle Also dieser Schulmultiplikationsalgorithmus, der läuft in n Quadratschritten. Und da kann man sich die Frage stellen, geht das nicht irgendwie effizienter? Gibt es noch was Besseres als schriftliche Multiplikation, was ich in meinem Taschenrechner implementieren kann. Und es stimmt, es gibt N log N ist möglich, asymptotisch, dann kann man sich über die Konstanten fragen.

1:38:31Thomas Kahle Und einfach diese Auseinandersetzung, die ehrliche Auseinandersetzung mit dem Problem, das ist das. Okay, ich habe das Gefühl, ich bin so ein bisschen in Allgemeinplätze sozusagen, die Bildung bleibt wichtig. Also es geht einfach darum, die Welt zu erkennen und wir wollen Leuten dabei helfen und die Gesellschaft würde nicht gut daran tun, zu sagen, okay, die Uni können wir zumachen, wir brauchen jetzt keine Leute mehr, die verstehen, wie Sachen funktionieren.

1:38:59Johannes Lederer Also wir hatten jetzt gerade einen Fall, also das ist noch sozusagen im Prozess, deswegen keine Details, aber wir hatten einen Fall, eine Prüfung, wo möglicherweise Studierende, vielleicht mit dem Handy oder so, möglicherweise ein Foto gemacht haben von der Prüfung und sich das möglicherweise von ChatGPT haben lösen lassen.

1:39:22Johannes Lederer Also es gibt Argumente dafür, also wenn ich selber sozusagen die Prüfungsaufgaben in ChatGPT reingehe, dann kriege ich haargenau die gleichen Lösungen. Es gibt natürlich auch möglicherweise Argumente dagegen, jedenfalls. Das Lustige daran, also was ich persönlich lustig fand, war, dass die Lösungen waren im gewissen Sinne praktisch perfekt.

1:39:45Johannes Lederer Also mindestens so gut wie eine Musterlösung. Mit einem Umstand. Und zwar, wenn man bei ChatGPT, das war bis vor ganz kurzem noch, jetzt habe ich das Problem schon länger nicht mehr gesehen, ist manchmal so, dass die Formeln, das sind noch so kleine Kommandos drin für Abstände. Also dann steht da irgendwie zwei Millimeter oder sowas, weil.

1:40:11Johannes Lederer Das nicht richtig gesetzt hat und dann hat er aus Versehen, anstatt die Form um zwei Millimeter zu verrücken, hat er da geschrieben zwei Millimeter. Und das ist halt in der Prüfung genauso da. Ja. Und das ist halt genauso, wie du gesagt hast, also die Lösung ist praktisch perfekt, nur dass halt da drin steht, 2x plus 2 mm y.

1:40:37Johannes Lederer Und das ist natürlich dann auch wieder ein Zeichen dafür, dass sich jemand, also es schreibt man ja nicht, wenn man das sozusagen eine Stunde in der Vorlesung war, versteht man, dass es gar keinen Sinn macht.

1:40:48Thomas Kahle Ja, ich habe von diesen Fällen auch gehört, Kommt bei uns auch vor. Und für mich ist die Frage da, ich stehe da davor und frage, warum stellen wir uns da dumm? Also warum ist, also das ist für jeden und jede offensichtlich, was da passiert ist. Also sozusagen so, das ist die Frage sozusagen, wie bilden wir das juristisch ab, ist vielleicht eine Frage oder sowas, ja. Aber es ist einfach Täuschung.

1:41:12Thomas Kahle Es waren keine technischen Hilfsmittel erlaubt und es ist offensichtlich, dass dort technische Hilfsmittel eingesetzt wurden, Ende der Geschichte. Also die einzige Frage ist für mich sozusagen, da kann man an die Rechtsstelle verweisen, wie bildet ihr das juristisch ab und vielleicht hat man auch Pech und die kommen damit durch und das Argument ist nicht haltbar, da muss irgendein Regularium geändert werden, aber, das ist einfach Täuschung. Also sozusagen da würde ich sagen, da müssen wir uns ja nicht dümmer stellen, als wir sind.

1:41:40Thomas Kahle Also wir verstehen ja, was vor sich geht. Und dann ist die Frage, wie gestalten wir unsere Regularien und unser Studium? Und vielleicht noch früher, wie sorgen wir dafür, dass es nicht dazu kommt? Ja, okay, jetzt können wir, also ich weiß nicht, diese Diskussion jetzt mit Smart-Brillen oder Smart-Nasenringen oder was weiß ich, Gehirnimplantaten jetzt anzufangen.

1:42:02Johannes Lederer Vielleicht ist es sogar noch wichtiger, vorher einzusteigen und sich jetzt auch zu überlegen, naja, nicht nur wie gestalten wir die Prüfung, sozusagen täuschungssicher, sondern auch wollen wir eine Prüfung stellen, die ich in ChatGPT reinkopieren kann und eine richtige Lösung rauskriege? Oder sind das vielleicht, müssen wir das Studienprogramm in dem Sinne umstellen, dass wir sagen, okay, es sind jetzt andere Sachen, die wir den Studis beibringen können, weil das kann die KI nämlich schon genauso gut oder besser.

1:42:32Thomas Kahle Ja, ein Stück weit würde ich schon noch sagen, schon. Also zumindest als Studieninhalte. Es gibt einen Raum für Studieninhalte, etwas zu lernen, was die KI besser kann. Also genau wie mit der schriftlichen Multiplikation. Einfach um die Erfahrungen zu machen, denke ich, es sollte diese, ich nenne es jetzt mal Raum, also diese Gelegenheit, Möglichkeit, Zeit und Raum geben, wo man Dinge ausführt und lernt mit seinem eigenen Gehirn zu tun, die auch eine KI machen könnte, unwahrscheinlich besser.

1:43:07Thomas Kahle Aber um die Erfahrung zu machen, sollte man es tun.

1:43:13Johannes Lederer Absolut, stimme ich dir hundertprozentig zu. Aber um den trivialen Vergleich zum Taschenrein nochmal aufzumachen, ist es auch so, dass wir jetzt in der Schule, wir lehren immer noch schriftliche Multiplikation. Aber ich habe jetzt noch ältere Kollegen, die können halt Logarithmen ziehen und sowas. Das ist nicht mehr, was man heutzutage den jungen Leuten, noch machen lässt, weil man sagt, okay, das ist jetzt ein Punkt, das geht drüber hinaus, was jetzt vielleicht das Investment an Zeit bringen würde, wie man effizient im Kopf Logarithmen ausrechnet, weil man das halt einfach nicht mehr im Kopf macht.

1:43:53Thomas Kahle Ja, das ist die tägliche Aufgabe der Lehre, also sozusagen so auszudefinieren, was ist die Fähigkeit, die ich hier machen will und wie kann ich die dann abtesten und ich will jetzt nicht sagen, dass alles für immer erhalten bleiben muss. Also die bestimmte Dinge, was man schnell programmieren, würde ich fast auch sagen, das ist was, was ich jetzt auslagern würde, jetzt auch in einer Lehrveranstaltung sozusagen, wenn die Computeralgebra-Komponente kommt, dann, zu sagen, naja, die KI programmiert jetzt dieses Computerexperiment, wir verstehen, was sind die Randbedingungen und lassen das echte Programmieren die KI machen, weil das jetzt nicht der Teil ist, um den es uns jetzt gerade geht.

1:44:37Thomas Kahle Und ja, also man hat in so einer Lehrveranstaltung, man hat beschränkte Zeit und dann ist es natürlich so, dass man sich Ziele setzen muss und dann fragen, wie komme ich zu diesen Zielen. Und da ist es dann einfach in der gelebten Praxis, kann dann die Logarithmenberechnung im Kopf auch irgendwann runterfallen. Das kann man dem auch eingestehen.

1:44:54Johannes Lederer Ja, also um bis dahin unser Gespräch zusammenzufassen, also wir haben auf jeden Fall einen großen Einfluss von KI auch in die Mathematik rein und sowohl in die Forschung als auch in die Lehre. Wir wissen noch gar nicht genau was, was sich genau ändern wird, aber es gibt natürlich einen Wandel. Aber ich glaube, wir sind beide sehr positiv gestimmt. Also ich meine, die Mathematik und das Mathematikstudium scheinen immer noch eine sehr gute Idee zu sein.

1:45:21Johannes Lederer Ja, also ich meine, wir haben ja, also vor zehn Jahren haben wir den Leuten gesagt, macht Informatik, studiert Software und Programmieren, da kriegt ihr auf jeden Fall einen Job, jetzt kann KI natürlich besser programmieren, aber ich bin mir sicher, wenn jemand richtig, richtig gut ist und irgendeine Sprache super toll kann, der findet auch immer noch einen Job, weil das gibt einfach so, einfach Probleme, die sind so wichtig, so sensitiv.

1:45:51Johannes Lederer Und das wird noch gebraucht. Also ich glaube, vielleicht muss man sich auch so ein bisschen von diesen Trends bei der Studienwahl insbesondere, so ein bisschen von diesen Trends lösen und sagen, okay, was bringt mich auch als Mensch einfach weiter. Ja, genau.

1:46:08Thomas Kahle Also diese Wahl des Fachs ist vielleicht am Ende weniger wichtig. Ich will natürlich, dass viele Leute Mathematik studieren, damit ich ja nicht immer so mit so kleinen Gruppen arbeite. Aber jetzt mal, ich spreche mal so außerhalb von diesem Framing. Die Wahl des Fachs ist vielleicht gar nicht so wichtig, wie dass man dann, wenn man sich entschieden hat, versucht, da drin einfach richtig gut zu werden.

1:46:32Thomas Kahle Also so die Technik, wie kann ich was lernen, wie kann ich in dieser einen Sache, die ich mir jetzt mal ausgesucht habe, ausblenden, immer zu fragen, war das jetzt die richtige Wahl, hätte ich nicht lieber was anderes machen sollen, sondern da drin richtig gut zu werden. Also du hast das ja vorhin erzählt und du hast auch Physik studiert, habe ich so verstanden, ja?

1:46:48Johannes Lederer Genau, genau.

1:46:48Thomas Kahle Ich habe auch Physik studiert, so. Und jetzt sind wir hier. Erstmal sind wir Mathe-Profs und dann, du machst Statistik, ich interessiere mich eigentlich, wenn ich sagen würde, so für die Verbindung in der Forschung zwischen Mathematik und Informatik. Also so, was kann der Computer, ist eigentlich eine Frage, die für mich…, irgendwie sich so über die Jahre als sehr interessant für mich herausgestellt hat.

1:47:11Thomas Kahle Und dadurch, dass ich mich diese Frage beschäftigt, bin ich jetzt in diesen ganzen KI-Diskursen irgendwie auf einmal drin. Deswegen beschäftige ich mich mit KI und mit dieser Veränderung. Und dadurch, dass ich mich mit dieser Veränderung beschäftige, beschäftige ich mich jetzt auf einmal mit der Community-Organisation.

1:47:26Thomas Kahle Wie ist die mathematische Community aufgebaut? Wie sollen wir unsere Berufungskommission machen? Und so weiter. Also das ist ja auch dann vielleicht 20 viel zu viel verlangt, Bei der Wahl des Studienfachs zu überlegen, was man 20 Jahre später macht. Das ist doch eigentlich in dem Sinne dann auch egal.

1:47:45Thomas Kahle Also wir haben halt ein naturwissenschaftliches Fach studiert, also vielleicht sozusagen noch die Richtung vorgegeben, aber letztendlich geht es darum, irgendwie selbst kompetent zu werden. Und ein Studium gibt dafür die Gelegenheit. Also was gibt es Besseres, als in dieser Phase sich mit anderen Leuten, die das auch wollen, in der Uni zu treffen, um dann kompetent zu werden?

1:48:11Johannes Lederer Absolut, absolut. Also ich glaube auch, natürlich sind die Sachen, die du und ich in der Physik gelernt haben, erstmal super interessant und spannend. Aber ich glaube, das Wichtigste ist nicht die Sache an sich. Das Wichtigste waren ganz andere Kompetenzen. Also das analytisch Denken, das Modellieren, Sachen strukturiert durchzudenken.

1:48:31Johannes Lederer Und vielleicht hätten wir das auch in der Biologie gelernt. Vielleicht hätten wir das auch in der Chemie gelernt oder in der Sportwissenschaft. Also es ist eine lange Zeit auch so ein bisschen, ja, so ein bisschen, die Japaner haben das ja auch. Die sind halt, die gehen früher halt auch irgendwie einen Ausbildungsweg und sagen, so, ich bin jetzt Schreiner.

1:48:57Johannes Lederer Und dann werde ich halt der beste Schreiner. Und wenn man der beste Schreiner ist, dann hat man auch in 100 Jahren noch einen Job, weil halt irgendjemand einen richtig geilen Tisch braucht. Und das ist dann so what, oder? Dann ist man Schreiner und nicht Klempner und nicht Mathematikprofessor. Das ist eigentlich würdig zweitrangig.

1:49:18Thomas Kahle Also würden wir sagen, die Studienwahl, die Fachwahl, Fachwahl könnte man dann doch wieder nach Interessen wählen. Also dieses ganze, ja es gibt viele Jobs in dem Bereich oder das ist jetzt der Trend oder sowas, das könnte man vielleicht doch mal in den Hintergrund stellen und wirklich danach suchen, was interessiert mich denn am meisten, weil wenn mich das, Fach am meisten interessiert, ist es vielleicht auch der Ort, wo ich die meiste Gelegenheit und die meiste intrinsische Motivation habe, um diese Kompetenzen aufzubauen und in irgendwas richtig gut zu werden.

1:49:52Thomas Kahle Und das bringt mich zu meinem letzten Punkt. Ich hatte ja vorhin vier Punkte, die sind durchnummeriert.

1:49:56Johannes Lederer Bitte noch einen positiven, ja.

1:49:57Thomas Kahle Und dann habe ich den fünften Punkt, der hat keine Nummer, der heißt Punkt F. Weil ich nicht weiß, ob er dazugehört oder nicht oder ob es ein allgemeines Lebensprinzip ist. Und F steht für Fun, also Spaß. Ich glaube wirklich, und das klingt manchmal albern, aber ich glaube, es ist, unglaublich wichtig für alles, für die ernsteste Sache im Leben, dass wir immer noch darüber lachen können, dass wir über unsere eigenen Fehler lachen können und dass wir irgendwie durch Humor eine menschliche Verbindung aufbauen können.

1:50:26Thomas Kahle Wenn du mal zurückdenkst an irgendwie inspirierende Vorträge, die du vielleicht gehört hast oder inspirierende Veranstaltungen, in denen du warst. Ich glaube, du würdest immer da irgendwie eine Komponente finden, dass du eine menschliche Verbindung zu der Veranstaltung der Speakerin oder dem, Vortrag hattest, weil es irgendwie intellektuell stimulierend war und das hat oft mit Humor zu tun.

1:50:50Thomas Kahle Also wenn man einen guten Witz hat oder wenn einfach so dieses Überraschungsmoment des Humors, das triggert irgendwie das Gehirn. Also ich kann es jetzt nicht mit neurologischen Studien unterlegen oder so, aber ich glaube der Spaß und der Humor, dass wir uns die behalten, ist erstens wichtig für Positivität und zweitens auch wirklich für die besten Ideen, für die Kreativität und Kommunikation zwischen Menschen.

1:51:15Johannes Lederer Ich finde, das ist doch ein super Schluss, oder? Behalten wir den Spaß, oder?

1:51:18Thomas Kahle Behalten wir den Spaß. Die KI macht auch keine guten Witze, oder?

1:51:21Johannes Lederer Ja, ja. Noch nicht, noch nicht, oder?

1:51:25Thomas Kahle Ja, okay. Wenn sie irgendwann eine gute Witze macht, auch okay, aber ich finde dann doch noch den menschlichen Witz. Vom Witzemeister aus Japan, der 20 Jahre lang nur Witze studiert hat.

1:51:37Johannes Lederer Also dann ist F nicht nur Fun, sondern menschlicher Fun. Nennen wir es MF.

1:51:43Thomas Kahle Genau.

1:51:45Johannes Lederer Super, danke dir Thomas für das super spannende Gespräch.

1:51:48Thomas Kahle Ja, danke dir Johannes. Also das ist wirklich, ich glaube im Gespräch kommen auch nochmal so die Strukturierung der Gedanken. Ich hoffe, man konnte ein bisschen folgen und mir hat es großen Spaß gemacht.

1:51:59Johannes Lederer Ja, also ich glaube, ich habe super viel auch über mich und meine Gedanken immer gelernt, auch in solchen Gesprächen. Also ich finde das auch für mich selber, mich bringt das weiter.

1:52:11Thomas Kahle Okay, dann können wir jetzt unseren Hörerinnen und Hörern uns gegenseitig empfehlen. Also, Johannes macht den Podcast Data Science Talks. Den findet ihr in eurer Podcast-App und ihr seid auch auf Instagram und so weiter.

1:52:21Johannes Lederer Überall. Wir wissen auch auf der dunklen Seite der Macht.

1:52:24Thomas Kahle Auf der dunklen Seite? Auf X oder was?

1:52:27Johannes Lederer X sind wir noch nicht. Das ist was Schlimmes.

1:52:28Thomas Kahle Okay, dann bin ich beruhigt. Sonst hätte ich die Genehmigung, meine Stimme zu verwenden, dann nicht erteilt. Auf X kommt nichts von mir. Aber genau, ich habe zum Beispiel eine Folge gehört von euch, wo Rainer Knizia, der Spieleentwickler zu Gast war. Also es ist ja ein illustres Programm von Leuten, die in deinem Podcast vorkommen.

1:52:47Johannes Lederer Genau, du reißt dich da tipptopp in die illustre Reihe ein.

1:52:51Thomas Kahle Das ist mir eine Ehre, in dieser Reihe zu sein.

1:52:55Johannes Lederer Genau, und Thomas, du machst den Podcast Eigenraum. Die Website ist Eigenraum. Es verlinken wir natürlich auch Eigenraum.

1:53:02Thomas Kahle Eigenpod.de einfach ganz kurz, damit es möglichst kurz ist. Und pod natürlich mit D wie Podcast. Eigenpod.de und natürlich findet er uns auch in so Podcast-Apps und ich stehe ja für die freien sozialen Medien, Johannes. Ich halte die Fahne hoch von unserem dezentralisierten selbstorganisierten Internet und deswegen gibt es uns auf Mastodon unter at eigenraum at podcasts.social Das ist eigentlich so der Social Media Kanal, wenn man dem Eigenraum folgen will.

1:53:29Johannes Lederer Super, da verlinken wir natürlich auch. Super. Auf meiner Seite will ich auch noch Dank aussprechen an mein Team, das uns da immer super unterstützt und dieses schicke Zoom-Studio da aufgebaut hat. Wir haben ja heute mal nicht persönlich gesprochen, sondern über Zoom. Semesteranfang ist immer ein bisschen viel los.

1:53:49Johannes Lederer Aber ich glaube, es hat ganz gut funktioniert. Deswegen danke an Jakob Brandt, Jonathan Welle, Nico Recker, Arne Merlin und dem DLM-Team heute Christian Kreitschmann, super fleißig beim Einrichten dabei. Genau. und dann würde ich sagen, haben wir es geschafft.

1:54:05Thomas Kahle Ja, danke euch allen auch von mir und danke Johannes und tschüss.

1:54:11Johannes Lederer Ciao.