Die Mathematik ist nicht zufällig bei der künstlichen Intelligenz angelangt. Die Werkzeuge, die Machine Learning ermöglichen, von Matrizenoperationen bis hin zu Wahrscheinlichkeitsketten, wurden über Jahrhunderte hinweg von Menschen entwickelt, die völlig andere Probleme lösten. Ein neues Buch der Mathematiker Steven Strogatz und Alex Townsend, Big Math (Little, Brown and Company, 2026), zeichnet diese Abstammung mit ungewöhnlicher Klarheit nach. Das Ergebnis ist ein Porträt darüber, wie abstraktes mathematisches Denken, das oft Jahrhunderte alt ist, still und leise zum Motor der folgenschwersten Technologie der Gegenwart geworden ist.
Die Bambusstäbe, die neuronale Netze vorhersagten
Einer der auffälligsten Argumente in Big Math ist, dass die für KI zentrale Mathematik nicht neu ist. Strogatz und Townsend beschreiben, wie antike chinesische Mathematiker Buchhaltungsprobleme lösten, genauer gesagt den Ertrag an essbarem Reis aus Bündeln von unverarbeitetem Reis schätzten, indem sie Bambusstäbe manipulierten. Die zugrundeliegende Struktur dieser Berechnungen umfasst in modernen Begriffen ausgedrückt lineare Gleichungssysteme, Matrizen und Vektoren.
Das ist keine historische Kuriosität. Genau diese mathematischen Strukturen bilden den Kern der Funktionsweise heutiger neuronaler Netze. Die Manipulation massiver Matrizen, die Hunderte von Milliarden und sogar Billionen Zahlen enthalten, wird im Buch als das Herzstück von generativer KI beschrieben. Die chinesischen Rechenmeister, die mit Bambus arbeiteten, hatten keine Ahnung, dass sie den Bauplan für eine Technologie entwarfen, die etwa zwei Jahrtausende später ankommen würde.
Das Buch bringt auch eine treffende Beobachtung des Mathematikers James Joseph Sylvester aus dem neunzehnten Jahrhundert ans Licht, der das Wort Matrix prägte und sie als Mutter, Generator und Wesen beschrieb, das andere mathematische Objekte gebar. Strogatz und Townsend merken an, dass diese Einordnung angesichts dessen, was Matrizen heute hervorbringen, unheimlich vorausahnend wirkt.
Von sozialen Netzwerken zu Suchmaschinen: Der lange Bogen der Matrizenmethoden
Das Buch hört bei der antiken Geschichte nicht auf. Es zeichnet nach, wie sich Matrizenmethoden im zwanzigsten Jahrhundert zu Werkzeugen entwickelt haben, um menschliche Beziehungen zu verstehen. Leon Festingers Idee aus dem Jahr 1949, dass wiederholte Matrizen-Vektor-Multiplikationen verborgene Strukturen in sozialen Netzwerken aufdecken können, führte schließlich zu Methoden, um Einfluss zu messen, Cluster zu erkennen und Individuen nach ihrem Grad der Verbindung zu ordnen.
Diese Linie führt direkt zu einer der bekanntesten Anwendungen in der Technologiegeschichte. Strogatz und Townsend erklären, wie das Brettspiel Schlangen und Leitern genutzt werden kann, um eine Markov-Kette zu verstehen, eine mathematische Formulierung, bei der die Wahrscheinlichkeit des nächsten Zustands nur vom aktuellen Zustand abhängt und von keinem vorherigen. Diese Struktur war der Schlüssel zu Googles frühen Suchalgorithmen.
Das Buch erzählt auch die Geschichte von George Dantzig, der 1939 als Doktorand an der University of California, Berkeley, zu spät zu einer Statistikstunde kam und zwei Gleichungen von der Tafel abschrieb, in der Annahme, sie seien Hausaufgaben. Er löste sie Tage später und entschuldigte sich für die Verspätung. Es waren offene, ungelöste Probleme. Die Geschichte wurde später zur Grundlage für eine Szene im Film Good Will Hunting von 1997.
Diese Anekdoten sind keine Dekoration. Sie veranschaulichen ein Muster: Mathematische Werkzeuge, die in einem Kontext und oft ohne angewandten Zweck im Sinn entwickelt wurden, erweisen sich wiederholt als genau das, was eine zukünftige Technologie benötigt.
Warum die Geschichte der Mathematik auch die Geschichte von KI ist
Hier ist, was die meiste Berichterstattung über KI verpasst. Die öffentliche Diskussion über künstliche Intelligenz neigt dazu, sich auf die jüngsten Durchbrüche zu konzentrieren, darauf, was ein Modell heute leisten kann im Vergleich zum Vorjahr. Big Math stellt die Frage neu. Die Fähigkeiten, die plötzlich erscheinen, basieren auf mathematischen Fundamenten, die alles andere als plötzlich entstanden sind.
Regina Barzilays Geschichte, mit der das Buch beginnt, macht dies greifbar. Barzilay, eine Informatikerin, die Brustkrebs hatte, beschloss nach Abschluss ihrer Behandlung im Jahr 2014, den Mangel an Werkzeugen zur Früherkennung anzugehen. Die Technologie, die sie brauchte, existierte bereits in Form von Machine Learning, wurde jedoch hauptsächlich dazu verwendet, Filme zu empfehlen und das Online-Kaufverhalten zu steuern. Durch die Zusammenarbeit mit Radiologen und Informatikern entwickelte sie ein Machine-Learning-Modell, das in der Lage ist, das Risiko einer Person, innerhalb der nächsten fünf Jahre an Brustkrebs zu erkranken, anhand einer einzigen Mammographie vorherzusagen.
Die Mathematik hinter diesem Modell wurde nicht für die Medizin erfunden. Sie wurde aus Strukturen angepasst, die sich über Jahrhunderte angesammelt hatten. Das ist der tiefere Punkt, den Strogatz und Townsend vorbringen: Große Mathematik, wie sie es nennen, ist das gemeinsame Substrat unter Technologien, die verändern, wie Menschen arbeiten, lernen, einkaufen, reisen, kommunizieren und heilen.
Dieses Substrat zu verstehen erfordert nicht, Mathematiker zu werden. Es erfordert jedoch anzuerkennen, dass KI kein Bruch mit der Vergangenheit ist. Sie ist deren Vollendung.
Kurz gesagt
Die Mathematik, die KI antreibt, einschließlich Matrizen, Vektoren, linearer Gleichungen und Markov-Ketten, wurde über Jahrhunderte hinweg entwickelt, um Probleme zu lösen, die nichts mit Computertechnik zu tun hatten. Big Math von Steven Strogatz und Alex Townsend zeichnet diese Geschichte von der antiken chinesischen Buchhaltung bis zu Googles Suchalgorithmen nach und zeigt, dass das, wie eine technologische Revolution aussieht, auch das jüngste Kapitel einer sehr langen mathematischen Geschichte ist.
Basierend auf Berichten von Nature.