Kevin Hartnett porträtiert Hannah Cairo, ein Teenager, der auf den Bahamas aufwuchs, nie eine Schule besuchte, sondern zu Hause lernte (die Gründe dafür bleiben im Dunkeln) und quasi aus dem Nichts einen Artikel veröffentlichte, "der die Mathematikwelt in Staunen und Begeisterung versetzte. Sie war sofort bereit, ein neues Talent in ihren Reihen willkommen zu heißen. Die Autorin, Hannah Cairo, war damals gerade einmal 17 Jahre alt. Sie hatte ein 40 Jahre altes Rätsel über das Verhalten von Funktionen gelöst, die sogenannte Mizohata-Takeuchi-Vermutung. 'Wir waren alle absolut schockiert. Ich kann mich nicht erinnern, jemals etwas Vergleichbares gesehen zu haben', sagte Itamar Oliveira von der Universität Birmingham". Mathematik war für Cairo auch eine Flucht aus der Enge, die der Heimunterricht darstellte: "'Es gab da diese unausweichliche Gleichförmigkeit, in gewisser Weise. Egal, was ich tat, ich war immer am selben Ort und machte meistens dieselben Dinge', sagte sie. 'Ich war sehr isoliert, und nichts, was ich tun konnte, konnte daran wirklich etwas ändern. An manchen Tagen wachte ich auf und stellte fest, dass ich einfach nur älter geworden war.' Mathematik wurde für sie zu einer Art Flucht, zu einem Raum, der sich weitläufig anfühlte, während ihr Alltag dies nicht tat. 'Mathematik war eine andere Welt, die ich erkunden konnte. Eine Welt, die nicht einengend war, eine Welt, zu der ich jederzeit Zugang hatte, indem ich einfach nur daran dachte', sagte sie. 'So bin ich aufgewachsen und habe Mathematik als eine Welt der Ideen betrachtet, die ich auf eigene Faust erkunden kann. Dieser Prozess hat mir geholfen, Mathematik anders zu sehen als viele andere Menschen.'"

Ingrid Wickelgren unterhält sich mit dem Informatiker Brian Hie, Leiter des Laboratory of Evolutionary Design an der Stanford University, über sein Projekt Evo, ein genomisches Großsprachenmodell (Large Language Modell, LLM), das er als ChatGPT für DNA beschreibt. Die Idee dahinter: DNA, mit ihrer scheinbar zufälligen Aneinanderreihung von A, T, C und G, als Sprache zu lesen, um die "genetische Bibliothek" besser zu verstehen. Geholfen hat ihm dabei sein Interesse für Literatur. "Zu einem bestimmten Zeitpunkt in meinem Leben wollte ich einen Doktortitel in englischer Literatur erwerben. In der High School und am College lernte ich die Poesie zu schätzen. Die Art von Lyrik, die ich besonders mochte, hatte viel Struktur und große Konzepte und verwendete Sprache auf sehr neue und interessante Weise. Die Vorliebe für das Scannen eines Sonetts oder das Erkennen von Strukturen in einem gut komponierten englischen Gedicht ist vergleichbar mit dem Wunsch, Modelle zu entwickeln, die Genom- oder Proteinsequenzen besser interpretierbar machen und ihre verborgene Struktur aufdecken. Es ist fast wie Literaturkritik an biologischen Sequenzen. Auf diese Weise betreibe ich immer noch Literaturkritik. ... Die DNA selbst ist sequenziell, wie die natürliche Sprache des Menschen. Sie ist eine Folge von diskreten 'Token' oder Bausteinen. Die natürliche Sprache des Menschen unterteilen wir in Wörter, Buchstaben des Alphabets oder chinesische Schriftzeichen. In der Biologie kann ein Token einem DNA-Basenpaar oder einer Aminosäure [den molekularen Bausteinen für Proteine] entsprechen. Und wie die natürliche Sprache hat auch die DNA eine natürliche Struktur. Die Sequenzen sind nicht zufällig. Viele Strukturen in der natürlichen Sprache sind auch informell; sie können mehrdeutig sein und ändern sich ständig. Genauso sind DNA-Sequenzen mehrdeutig. Dieselbe Sequenz kann in einem anderen Kontext etwas anderes bedeuten."

Die Entwicklungen chaotischer Systeme lassen sich nur sehr überschaubar vorhersagen - ab einem gewissen Komplexitätsgrad wird jede Prognose zur Spekulation. Natalie Wolchover meldet auf diesem Gebiet nun Fortschritte: An der Universität Maryland haben Edward Ott und sein Team einen Algorithmus entwickelt, der auf reichhaltiger Datenbasis relativ erfolgreich Aussagen über Ergebnisse der Kuramoto-Sivashinsky-Gleichung trifft. Mit dieser Gleichung lassen sich etwa Turbulenzen und anderes "raumzeitliches Chaos" beschreiben. Der Clou dabei: "Der Algorithmus selbst hat keinen Dunst von dieser Gleichung. Er erhält lediglich Daten über die sich voranschreitende Lösung der Gleichung. Dies stärkt den Aspekt des maschinellen Lernens. Denn in vielen Fällen ist die Gleichung, die ein chaotisches System beschreibt, nicht bekannt. Ott und seine Resultate legen nun nahe, dass man die Formel gar nicht kennen muss - schon die Daten reichen aus. 'Diese Forschungsergebnisse stellen in Aussicht, dass wir eines Tages das Wetter mittels maschineller Lern-Algorithmen vorhersagen könnten und nicht dank ausgeklügelter Klimamodelle', sagt Holger Kantz vom Max-Planck-Institut in Dresden. Neben der Wettervorhersage könnte maschinelles Lernen einigen Experten zufolge auch dabei nützlich dabei sein, Herzrhythmusstörungen auf Anzeichen eines bevorstehenden Infarkts hin zu beobachten und neuronale Feuerwerke im Gehirn im Hinblick auf Neuronen-Spikes. Auch wird darüber spekuliert, dass sie dabei behilflich sein könnten, Riesenwellen, die Schiffe in Gefahr bringen, vorherzusagen und womöglich sogar Erdbeben."