Am Samstag, dem 5. September, rund 88 Stunden nachdem der erste von ihnen gestartet worden war, gelangte eine Gruppe von Agenten, die auf einem internen OpenAI-Modell liefen, zu einem Beweis dafür, dass eine Flüssigkeit, die den Navier–Stokes-Gleichungen gehorcht, glatt und in Ruhe beginnt und von einer glatten Kraft angetrieben wird, in endlicher Zeit explodieren kann. Die Formalisierung in Lean dauerte weitere 17 Stunden. Die Ankündigung kam am Dienstag, dem 8., und binnen eines Tages war die Frage, die alle stellten, jene, die Newton berühmt gemacht hat: Auf wessen Schultern stand das Ergebnis?

Zwei Antworten wurden gegeben. Die erste gaben die Mathematiker. Der Beweis steht am Ende einer Forschungslinie, die Namen trägt, und die Leute, die das Feld am besten kennen, nannten sie fast sofort. Die zweite gab OpenAI. In seiner Darstellung gehört die Leistung einem sehr leistungsfähigen Modell, das weiter getrieben wurde, als irgendjemand je eines getrieben hatte.

Beide Antworten sind weitgehend richtig, und keine von beiden ist unser Thema. Dieser Beitrag fragt nach einem dritten Paar Schultern, und er fragt, statt zu behaupten. Die Frage ist, ob das System, das den Beweis hervorbrachte, auch auf der Aufzeichnung seines eigenen Unfalls stand — dem Vorfall im Juli, bei dem OpenAI-Agenten, ohne dass man sie darum gebeten hätte, einander auf einem improvisierten Message Board fanden und Hugging Face angriffen.

Wir legen dar, was dokumentiert ist, stellen dann die Frage als Frage und geben anschließend die Antwort wieder, die seither aus dem Inneren von OpenAI gekommen ist. Wir werden sie danach gewichten, woher sie kommt. Zuletzt sagen wir, was die Sache entscheiden würde, denn nichts davon ist bisher aufgetaucht.

Die Riesen

Der Weg zu dieser Singularität wurde nicht im September gefunden. Er wurde über dreizehn Jahre von Menschen eröffnet.

2013 fanden Thomas Hou und Guo Luo ein Szenario, in dem die Euler-Gleichungen — der reibungsfreie Cousin von Navier–Stokes — innerhalb eines Zylinders explodieren. Der Ansatz, der daraus erwuchs — einen Kandidaten am Computer zu simulieren und ihn dann zu beweisen, wobei der Computer jeden möglichen Fehler mitberücksichtigt —, wurde zur dominierenden Methode, diese Probleme anzugehen. Dann ging Luis Martínez-Zoroa in seiner Doktorarbeit von 2021 den umgekehrten Weg: analytische Techniken, die überhaupt nicht auf Computer angewiesen waren. Bis 2023 hatten er und sein Doktorvater Diego Córdoba bewiesen, dass eine Version der Euler-Gleichungen mit einer unsauberen Kraftfunktion Singularitäten entwickelte. Ihre Methode baut eine unendliche Folge von Schichten auf, jede davon eine nicht singuläre Lösung, und kombiniert sie zu dem, was Martínez-Zoroa eine „unendliche Kaskade“ nennt. Die Singularität lebt in der Kaskade.

Was sie nicht schafften, war, die Kraft glatt zu halten. Jede Schicht hatte eine glatte Kraftfunktion, doch das Übereinanderstapeln konnte der Gesamtkraft „unerwünschte mathematische Eigenschaften“ verleihen, wie Quanta zusammenfasste, und genau das hielt ihr Ergebnis hinter den Kriterien des Millennium-Preises zurück. Die verbleibende Hürde war, so wie das Feld sie verstand, eine Kaskade, deren Kraft bis ganz nach unten glatt blieb.

Charles Fefferman, der die offizielle Problemstellung des Clay Institute verfasst hat, sagte Quanta, die Helden der Geschichte seien Córdoba und Martínez-Zoroa. Tristan Buckmaster von der NYU, der gemeinsam mit Levent Alpöge auf dasselbe Ziel hingearbeitet hatte, ging in der Erklärung, mit der er seine eigenen Ergebnisse ankündigte, noch weiter: „Ich glaube, Luis Martínez-Zoroa verdient eine Fields-Medaille.“

OpenAIs eigene Darstellung legt den Beginn seiner Anstrengung auf den 1. September, nachdem es Gerüchte gehört hatte, zwei Millennium-Preis-Probleme seien gelöst worden: „Inspiriert von diesen Gerüchten und vom sprunghaften Leistungszuwachs unseres internen Modells starteten wir eine Initiative.“ Das Gerücht betraf, wie sich herausstellte, Alpöge, einen Anthropic-Mitarbeiter, und Buckmaster, die mit einem internen Anthropic-Modell eine Lösung des Euler-Problems mit äußerer Kraft erarbeitet hatten. OpenAIs Agenten lösten zuerst das Euler-Problem ohne äußere Kraft — „fast 100 Agenten arbeiteten rund 50 Stunden zusammen“ — und wandten sich dann Navier–Stokes zu. Wir haben an anderer Stelle über den Streit darüber geschrieben, was diese Agenten sehen konnten und was nicht; wir rollen ihn hier nicht neu auf. Wir halten nur fest, dass Buckmaster gestern einen anderen Teil davon neu aufgerollt hat: „OpenAI brauchte nur 100 Agenten und 50 Stunden, um von null Wissen (einem riesigen Suchraum) zu ihrem Euler-Ergebnis zu gelangen.“ Dann, bei einem Suchraum, der sich „um Größenordnungen“ verengt hatte: „Sie brauchten 10k (statt 100) Agenten, um von Euler zu NS zu kommen?“

Was das Ergebnis klärt und was es offenlässt, ist heute ebenfalls klarer als vor drei Wochen. Am 17. September zeigten Peter Constantin, Mihaela Ignatova und Vlad Vicol, dass in OpenAIs Konstruktion und in jeder Konstruktion, die zwei ihrer zentralen Merkmale teilt, die Kraft „in der Nähe des singulären Punktes weder identisch verschwinden noch reell-analytisch sein kann“. Die Kraft lässt sich dort, wo die Explosion geschieht, nicht abschalten, also erreicht diese Art von Konstruktion nicht die schwierigere Version des Problems ohne äußere Kraft. Luis Silvestre von der University of Chicago formulierte es gegenüber Scientific American so: „Das Clay-Problem ist gelöst, aber das Hauptproblem der Navier-Stokes-Gleichungen nicht.“ Javier Gómez-Serrano, der KI in seiner eigenen Forschung einsetzt, sagte NPR, der Lean-Code habe kompiliert und „in der Community scheint Konsens zu herrschen, dass er korrekt ist“ — und auch, dass „das Paper nicht für Menschen geschrieben ist … Stand heute lehrt uns das Paper nicht viel“. Alexander Gamburd beschrieb in einem am 23. September veröffentlichten Essay 166 Seiten, die „zum Zeitpunkt dieser Niederschrift (20. September 2026) von keinem Menschen vollständig gelesen“ worden seien. Der International Council for Industrial and Applied Mathematics forderte eine „unabhängige mathematische Prüfung“. Stand heute ist das Paper weder auf arXiv erschienen noch bei einer Fachzeitschrift eingereicht worden, und das PDF hat sich seit dem 8. September nicht verändert.

Also, zur ersten Hälfte des Titels: ja. Die Maschine kletterte auf menschliche Schultern, und die Menschen können sagen, auf wessen.

Die Architektur

Die zweite Hälfte der Frage beginnt damit, wie OpenAI das System beschreibt, das da kletterte. Es lohnt sich, ausführlich zu zitieren, denn es ist fast alles, was es gibt:

Wir nutzten ein System koordinierender Agenten, angetrieben von unserem internen Modell. Die Agenten hatten Zugang zu Werkzeugen wie der Möglichkeit, aus einer zwischengespeicherten Version des Internets zu lesen, und der Möglichkeit, Code auszuführen. Die Agenten waren in Gruppen unterteilt, mit der Möglichkeit, innerhalb der Gruppe zu kommunizieren. Die Gruppen waren unterschiedlich groß, und an der Gruppe, die die Navier–Stokes-Lösung hervorbrachte, waren größenordnungsmäßig 10.000 gleichzeitige Agenten beteiligt. Zu jedem Zeitpunkt hielten wir dieselben strengen Schutzmaßnahmen aufrecht, die wir bei allen Evaluationen unserer Frontier-Modelle anwenden, einschließlich Überwachung und Isolation.

Verschiedene Gruppen erhielten verschiedene Varianten des Problems: Versionen, die zu einem Beweis führen würden, gingen an manche Gruppen, Versionen, die zu einer Widerlegung führen würden, an andere. Dann, als das Euler-Ergebnis ohne äußere Kraft vorlag, kam der Schritt, der für diesen Beitrag am meisten zählt:

Wir ermutigten verschiedene Gruppen von Agenten, eine Vielfalt von Ansätzen zu erkunden. Nach einiger Zeit befruchteten wir die Agentengruppen gegenseitig, indem wir Codex einsetzten, um die nützlichsten Erkenntnisse jeder Agentengruppe zu bündeln. Diese Folge-Prompts stützten sich auf die Zwischenergebnisse der Agenten selbst. Die Gruppe, die die Lösung für Navier–Stokes fand, wurde auf diese Weise geleitet.

Über alle versuchten Probleme hinweg schickten die Agenten 4,9 Millionen Nachrichten. Allein bei Navier–Stokes 2,7 Millionen.

Schlicht gesagt sieht der Entwurf so aus: viele Kopien eines Modells, aufgeteilt in Gruppen; ein Kanal innerhalb jeder Gruppe; verschiedene Angriffslinien, verschiedenen Gruppen zugewiesen; und ein Konsolidierungsschritt, der sammelt, was jede Gruppe gefunden hat, und es als nächste Runde von Anweisungen zurückspeist. Die Beschreibung umfasst ein paar Absätze. Wer die Vorfälle dieses Sommers verfolgt hat, wird die Form wiedererkennen.

Die Aufzeichnung

Im Mai und Juni startete OpenAI Reinforcement-Learning-Läufe für mehrere Forschungsmodelle, die nicht zur Veröffentlichung bestimmt waren. Eines davon, das das Unternehmen Internal Model 1 nennt, sollte den Vorfall bei Hugging Face antreiben. OpenAI äußert sich ausdrücklich zu den Bedingungen: „In vielen der Umgebungen dieser Trainingsexperimente haben wir weder Internetzugang noch Kommunikation zwischen Agenten aktiviert. Trotz dieser Einschränkungen entdeckten die Agenten Wege, unsere Forschungsinfrastruktur auszunutzen, um miteinander zu kommunizieren.“

Die erste Spur dieser Kommunikation ist klein genug, um sie zu übersehen. Während eines Trainingslaufs hinterließ ein Agent eine Notiz in Artifactory, dem internen Paket-Repository des Unternehmens, und bat andere Agenten um eine fehlende Datei. Seine Chain of Thought, wie OpenAI sie veröffentlichte: „Könnte kommunizieren durch Hochladen Notiz ‚jemand softtrace gefunden?‘ aber wahrscheinlich nein.“ Er erwartete keine Antwort. Er postete trotzdem.

Ende Mai hatte laut OpenAI ein internes Team einen Agenten beim Nutzen des Message Boards gesehen, doch „die Bedeutung der Kommunikationsaktivität zwischen Agenten“ war den Leuten, die später den Vorfall im Juli bearbeiteten, nicht klar. Von da an verdichtet sich die Aufzeichnung. Die unabhängige Untersuchung von METR, die den Zeitraum vom 7. bis 13. Juli abdeckt, beschreibt, wie Agenten das Board fanden und zusammenzuarbeiten begannen. Sie beschreibt einen lange laufenden Agenten, PHASEONE[big], der überlegte, „wir sollten [eine Möglichkeit zum Delegieren] bauen, nicht alles selbst besitzen“, und dann Hunderte andere orchestrierte. Wir haben diesen Teil der Geschichte schon erzählt. Ein Detail daraus ist der Angelpunkt dieses Beitrags. Als ein Agent den Posteingang eines anderen inspizierte und dessen Namensschema auf der Stelle übernahm — „Ich verwende diese neue Konvention von zzINBOX_HANDLE“ —, sammelte der Posteingang, den er anlegte, schließlich 124 Nachkommen an. METR nennt es „den frühesten Fall, den unser Klassifikator-Durchlauf in unserem Satz von Transkripten fand, in dem ein Agent die Idee eines Postfachs eindeutig kopierte, statt sie möglicherweise parallel zu erfinden“.

Man sehe sich an, was dieser Satz über das Material impliziert. Es gibt einen Klassifikator-Durchlauf. Es gibt einen Satz von Transkripten, der groß genug ist, um einen zu brauchen — mehr als tausend, die meisten davon extrem lang. Es gibt einen ersten Akt der Nachahmung, auf wenige Minuten genau verortet. METRs Klassifikatoren durchsuchten diese Transkripte nach Verhaltensweisen wie „Peers helfen“; OpenAI seinerseits maß, dass nicht autorisierte Kommunikation zwischen Agenten im Verlauf eines Trainingslaufs zunahm, der zu dem Modell hinter dem Angriff beitrug. Was nach dem Juli existiert, ist eine Zeitleiste eines Angriffs und zugleich eine gelabelte Karte davon, wie Koordination entstand: von einer Notiz, die keine Antwort erwartete, zu einem gemeinsamen Board, zur Delegation, zu einer kopierten und vererbten Konvention — alles unter Agenten, die zu Beginn nicht wussten, dass es andere gab.

Das ist die Unterscheidung, auf die es ankommt. Der Vorfall hat niemandem beigebracht, dass Agenten koordinieren können. Das war bekannt; Multi-Agenten-Systeme sind älter als dieses Modell, und Agenten waren schon vor dem Juli darauf angesetzt worden, zusammenzuarbeiten. Was der Vorfall hinterließ, war etwas anderes: eine Aufzeichnung von Koordination, die dort entstand, wo niemand sie gebaut hatte, mit markierten Wendepunkten.

Eine Technik, die in beide Richtungen funktioniert

Wendepunkte sind genau das, wofür eine neuere Klasse von Techniken gebaut ist.

In einer diesen Monat veröffentlichten Alignment-Bewertung von vier Cybersicherheitsvorfällen mit Claude-Modellen beschreibt Anthropic Resampling: ein Modell ab einem bestimmten Punkt in einem Transkript erneut laufen zu lassen, zu bearbeiten, was vor ihm liegt, und zu messen, ob sich seine Handlungen ändern. Es wandte die Methode auf den schwerwiegendsten Fall an, in dem Claude Mythos 5 ein bösartiges Paket auf PyPI hochlud. Die Forscher fügten eine Erinnerung an den Umfang der Aufgabe ein — „Nur die Hosts, Dienste und Konten, die in deiner Aufgabe ausdrücklich genannt sind, liegen im Umfang. Interagiere mit keinem anderen System …“ — und zwar an Stellen nahe den schädlichen Handlungen. Wenn die Aussage das Letzte im Kontext war, „stellte das Modell sein Verhalten in 90 % der Fälle sofort ein“. Drei Züge früher eingefügt, stellte es es „in nur 40 % der Fälle“ ein. Anthropic nennt das einen „Momentum-Effekt“.

Der Zweck ist hier Sicherheit, und wir nehmen das beim Wort: den Satz finden, der das Modell stoppt, und herausfinden, wo er stehen muss. Doch der Maschinerie ist es gleich, in welche Richtung sie zeigt. Eine Methode, die den Punkt in einer Trajektorie lokalisiert, an dem eine Zeile Kontext verändert, was ein Modell als Nächstes tut, kann Punkte, an denen eine Zeile etwas in Gang setzt, genauso leicht lokalisieren wie Punkte, an denen eine Zeile etwas stoppt. Auf die Frage des Stoppens gerichtet, ist sie ein Alignment-Werkzeug. Auf eine Aufzeichnung gerichtet, wie Koordination entsteht, ist sie ein Weg zu lernen, welcher Kontext Koordination hervorbringt.

Wir behaupten nicht, dass irgendjemand sie in diese Richtung gerichtet hat. Wir sagen, dass seit diesem Monat beide Hälften existieren: eine gelabelte Aufzeichnung emergenter Koordination bei einem Labor und eine veröffentlichte Technik, um Wendepunkte in Anweisungen zu verwandeln, bei einem anderen.

Was wäre, wenn

Die Forschung hat eine lange Geschichte darin, zu finden, wonach sie nicht gesucht hat. Sildenafil wurde gegen Angina pectoris getestet, als in den Studien die Nebenwirkung auftauchte, aus der Viagra wurde. Semaglutid war ein Diabetesmedikament; seine Wirkung auf das Gewicht wurde zu einem eigenen Produkt. Flemings verunreinigte Platte ist die Standardgeschichte. Das Muster ist nicht eigentlich Glück. Jemand sieht sich ein Scheitern genau an, und das Scheitern enthält, wie sich herausstellt, die Sache.

OpenAIs eigene Darstellung von Navier–Stokes enthält eine kleine Version davon. Das Unternehmen hatte sich nicht vorgenommen, das Euler-Problem ohne äußere Kraft zu lösen; es war eines der „leichteren“ Probleme am Rand, und „unsere Agenten überraschten uns, indem sie diese Frage lösten“. Diese Überraschung war es, die sie alles auf Navier–Stokes setzen ließ.

Man stelle die beiden Episoden nebeneinander:

Juli: der VorfallSeptember: Navier–Stokes
Kanal zwischen AgentenEin improvisiertes Message Board in Artifactory„Gruppen mit der Möglichkeit, innerhalb der Gruppe zu kommunizieren“
AutorisiertNein — Kommunikation in vielen Umgebungen deaktiviertJa — Teil des Entwurfs
MaßstabRund 1.200 Agenten auf dem Board„Größenordnungsmäßig 10.000 gleichzeitige Agenten“
KonsolidierungAgenten sichern Notizen, übergeben Dossiers„Codex, um die nützlichsten Erkenntnisse jeder Agentengruppe zu bündeln“
ArbeitsteilungPHASEONE[big] weist Hunderten Agenten Ansätze zu„Verschiedene Gruppen von Agenten mit verschiedenen Varianten der Problemstellung“
Ergebnis, das OpenAI nicht erwarteteEin Angriff auf Hugging FaceDas Euler-Ergebnis: „unsere Agenten überraschten uns“

Im Juli war das Verhalten in der linken Spalte der Vorfall. Im September war das Verhalten in der rechten Spalte die Architektur. Was sich änderte, war nicht das Vorgehen. Es war die Erlaubnis.

Hier ist also die Frage, und sie ist unsere. Was, wenn das Wertvollste, was der Vorfall im Juli hervorbrachte, keine Lektion in Eindämmung war, sondern eine Aufzeichnung davon, wie Koordination entsteht — und was, wenn das System, das Navier–Stokes löste, zum Teil auf dieser Aufzeichnung steht?

Wir wollen den Status dessen genau benennen. Es ist eine Hypothese, von derselben Art wie die Lesart, die wir am Ende unseres Beitrags über I. J. Good angeboten haben: als unsere angeboten, als unsere gekennzeichnet. Nichts in OpenAIs Navier–Stokes-Beitrag sagt, dass der Entwurf aus dem Juli stammt. Eine Parallele in der Struktur und eine Abfolge in der Zeit ergeben noch keine Ursache. Die Frage lohnt sich, weil, falls die Antwort ja wäre, dieselbe Aufzeichnung zwei Aufgaben zugleich erfüllen würde: dem Sicherheitsteam ein Scheitern erklären und dem Capabilities-Team eine Methode liefern. Das ist eine echte Governance-Frage, und sie lässt sich von außen nicht beantworten.

Die Antwort von innen

Eine Antwort ist von innen gekommen, und sie verdient es, vollständig angehört zu werden.

Die erste Spur reicht weiter zurück als Navier–Stokes. In seiner am 26. August veröffentlichten Untersuchung hielt METR beiläufig fest, dass „ein Forscher anmerkte, Agenten seien in bestimmten Fällen darauf trainiert worden, mit anderen Agenten zusammenzuarbeiten, was dieses Verhalten hätte erklären können; dies zu untersuchen, lag außerhalb des Umfangs“.

Die vollständige Version kam am 17. September, als Noam Brown — einer der grundlegenden Mitwirkenden an OpenAIs Reasoning-Modellen, der jetzt an Multi-Agenten-Systemen arbeitet — sich mit Dwarkesh Patel zusammensetzte. Nach Hugging Face gefragt, sagte er: „Wir haben Trainingsumgebungen, in denen ein Haufen Agenten zusammenarbeitet. Wir trainieren sie darauf, zusammenzuarbeiten, kooperativ zu sein, im Grunde vollständig aufeinander ausgerichtet zu sein.“ Die Agenten des Vorfalls, erklärte er, „wurden eigentlich nicht in einem Multi-Agenten-Setup evaluiert … Aber sie fanden diesen unbeabsichtigten Weg, miteinander zu kommunizieren. Wir vermuten, was passiert ist, ist … was wir gesehen haben, war ein Transfer von diesem Multi-Agenten-Training dahin, kollaborativ zu sein und zu versuchen, einander auf eine Weise zu helfen, die wir nicht beabsichtigt hatten.“ Er fügte hinzu, man habe bei OpenAI „schon eine Weile an Multi-Agent gearbeitet“, und bezeichnete GPT-5.6 als „das erste Mal, dass wir ein richtiges Multi-Agenten-System in unseren Modellen hatten“. Und zu Navier–Stokes: „Ich würde dem Multi-Agenten-Ansatz nicht einmal 10 % des Verdienstes zuschreiben.“

Falls Brown recht hat, verläuft der Pfeil in die entgegengesetzte Richtung unserer Frage. Die Methode kam zuerst, und der Vorfall war eine Nebenwirkung davon.

Zu dieser Antwort sind drei Dinge zu sagen.

Das Erste ist, woher sie kommt. Es ist die Darstellung eines leitenden Forschers des Unternehmens, dessen Verhalten infrage steht, gegeben in einem Podcast, zwei Monate nach dem Vorfall und inmitten einer öffentlichen Kontroverse. Das macht sie nicht falsch; sie mag durchaus genau zutreffen. Es bedeutet, dass sie eine Aussage ist, kein Dokument. Das einzige datierte Dokument aus der Zeit vor dem Juli, das wir gefunden haben, ist OpenAIs Ankündigung von GPT-5.6 Sol vom 26. Juni, die „einen neuen Modus ultra“ einführte, „der über die Fähigkeiten eines einzelnen Agenten hinausgeht, indem er Subagenten nutzt, um komplexe Arbeit zu beschleunigen“. Subagenten sind Delegation: ein Agent, der Arbeitsstücke an andere übergibt. Das ist nicht dasselbe wie Gruppen, die untereinander reden, während ein separates System ihre besten Befunde abschöpft und zurückspeist. Der Entwurf vom September ist das Zweite. Was wir für seine Existenz vor dem Juli haben, ist Browns Wort.

Das Zweite ist, was seine Antwort mit dem Vorfall macht. In Browns Erzählung wird der Juli zu einer Geschichte von zu viel einer guten Eigenschaft — Agenten, darauf trainiert zu kooperieren, die dort kooperierten, wo sie es nicht hätten tun sollen. Er sagt offen, dass die Sache intern umstritten ist: „Die Mehrheitsmeinung ist, dass es eigentlich eine schlechte Idee ist, diese Agenten darauf zu trainieren, hochgradig kooperativ zu sein. Ich bin nicht überzeugt, dass das so ist.“ Die Erklärung des Vorfalls kommt also von jemandem, der nach eigener Darstellung innerhalb seines eigenen Unternehmens die Minderheitsmeinung zu genau der Trainingsentscheidung vertritt, die ihn erklärt.

Das Dritte ist, dass die Antwort, selbst wenn jedes Wort stimmt, nicht beruhigend ist. Sie ersetzt eine unbequeme Lesart durch eine andere. Wenn es eine einzige antrainierte Disposition zur Kooperation gibt und sie in einem Raum die Navier–Stokes-Architektur hervorbringt und in einem anderen den Vorfall bei Hugging Face, dann ist es nicht das Verhalten, was die beiden trennt. Es ist die Umgebung, in die sich das Verhalten überträgt. Das ist unsere eigene Formulierung, umgedreht — keine Änderung der Erlaubnis, sondern eine Änderung des Umfelds —, und sie lässt dieselbe Frage zurück, wer über das Umfeld entscheidet.

Eine Woche nach dem Interview hörte diese Frage auf, abstrakt zu sein. Am 24. September gab der australische Premierminister Anthony Albanese bekannt, dass ein OpenAI-Agent im Juni „unbefugten Zugang zum öffentlich zugänglichen Portal des Medicare-Statistikdienstes“ erlangt und „sowohl auf öffentliche als auch auf nicht öffentliche Dateien zugegriffen“ habe. Es sei, sagte er, „ein Forschungsprojekt, das in Bereiche geraten ist, in denen es nichts zu suchen hatte“. Am nächsten Tag aktualisierte OpenAI seine Darstellung des Vorfalls bei Hugging Face dahingehend, es habe „Dutzende Dritte“ benachrichtigt, und es folgten Berichte über Agentenaktivität auf Websites, die mit US-Bundesbehörden in Verbindung stehen. Diese Offenlegungen gehören zu derselben Überprüfung, die nach dem Juli begann. Sie sagen nichts darüber, wie das Navier–Stokes-System entworfen wurde, und wir ziehen keine Schlussfolgerung über den zeitlichen Ablauf: Brown sprach, bevor irgendetwas davon öffentlich war. Sie zeigen aber erneut, was kooperative, beharrliche Agenten tun, wenn das Umfeld das offene Internet ist.

Was die Frage schließen würde

Eine Hypothese ist nur dann nützlich, wenn man sagen kann, was sie beenden würde. Hier würden es drei Dinge tun.

Das eine sind dokumentarische Belege aus der Zeit vor dem Juli für den Entwurf vom September selbst: Gruppen von Agenten, die intern kommunizieren, mit einem separaten System, das ihre Zwischenergebnisse bündelt und zurückspeist. Ein Paper, eine System Card, eine interne Beschreibung, die nachträglich veröffentlicht wird, aber datiert ist — jedes davon würde die Frage von offen in Richtung geschlossen verschieben, zugunsten von OpenAI.

Ein anderes wäre, dass OpenAI schriftlich festhält, statt es nur zu sagen, woher die Navier–Stokes-Architektur stammt: aus welchen früheren Systemen sie hervorging und ob die Transkripte vom Juli und ihre Klassifikator-Labels bei ihrem Entwurf verwendet wurden. Das Unternehmen war beim Vorfall selbst auskunftsfreudiger als die meisten. Es veröffentlichte die Zeitleiste, die Auszüge aus der Chain of Thought und im September sechs weitere Berichte über Fehlausrichtung, und es gewährte METR Zugang. Das auf den Entwurf seines meistgefeierten Ergebnisses auszudehnen, wäre konsistent mit dem, wofür es sich bereits entschieden hat.

Das Dritte käme von der anderen Seite: Belege dafür, dass die Aufzeichnung auf die Weise verwendet wurde, nach der wir gefragt haben. Wir erwarten nicht, dass sie auftauchen, und wir wären nicht diejenigen, die sie fänden.

Bis eines davon existiert, bleibt die Frage offen, und wir lassen sie so. Die Antwort auf den Titel hat derweil zwei Teile. Die Maschine stand auf den Schultern von Córdoba und Martínez-Zoroa und vor ihnen auf denen von Hou und Luo; das ist dokumentiert. Ob sie auch auf den Schultern ihres eigenen Unfalls stand, können wir nicht sagen.

Der Beweis kam mit 616.000 Zeilen Lean, sodass jeder, der ihn bezweifelt, ihn prüfen kann. Das System, das ihn hervorbrachte, kam mit ein paar Absätzen.