Modelos de IA de Frontier Labs desafían la hipótesis central de la complejidad computacional

Image: TechCrunch · Source

Los modelos de IA de OpenAI y Anthropic afirman tener algoritmos que refutan la Hipótesis del Tiempo Exponencial, una suposición fundamental sobre la dificultad computacional. Esto podría transformar la comprensión del problema P vs NP y afectar la criptografía y la informática.

El 27 de octubre de 2026, OpenAI y Anthropic anunciaron afirmaciones revolucionarias de que sus algoritmos desarrollados por IA refutan la Hipótesis del Tiempo Exponencial (ETH), una suposición clave en la teoría de la complejidad computacional. ETH postula que ciertos problemas, notablemente 3-SAT —un tipo de problema de satisfacibilidad booleana— no pueden resolverse más rápido que en tiempo exponencial cuando crece su tamaño. Esta hipótesis sustenta gran parte de la informática teórica e informa las expectativas sobre la dificultad de problemas y la seguridad criptográfica.

OpenAI publicó las demostraciones desarrolladas por sus modelos en GitHub, generando reacciones rápidas y mixtas de la comunidad científica. Para coordinar la comprensión y validación, OpenAI involucró a destacados científicos de la computación, incluyendo al profesor del MIT Ryan Williams y a Russell Impagliazzo y Ramamohan Paturi de la Universidad de California en San Diego, quienes originalmente formularon ETH en 1999. Estos expertos están organizando grupos de trabajo y promoviendo retroalimentación abierta para evaluar rigurosamente los hallazgos.

Según la investigación publicada, un modelo de IA llamado Claude (de Anthropic) descubrió algoritmos deterministas que resuelven el problema 3-SAT e incluso su variante de conteo (#3-SAT) en tiempo subexponencial, específicamente alrededor de 2^{O(n f n / 7sqrt{log n})} tiempo. Esta mejora asintótica sugiere que ETH es falsa, desafiando las limitaciones previas sobre la eficiencia algorítmica.

La Hipótesis del Tiempo Exponencial está estrechamente vinculada a la cuestión P vs NP, que pregunta si los problemas cuyas soluciones pueden verificarse rápidamente (NP) también pueden resolverse rápidamente (P). Aunque ETH brinda evidencia sólida de que muchos problemas NP son inherentemente difíciles, los nuevos algoritmos derivados de IA implican que algunos de estos problemas podrían ser manejables más rápido de lo esperado, lo que podría influir en la opinión científica sobre la plausibilidad de que P = NP.

Sin embargo, Ryan Williams enfatiza la precaución, señalando que los algoritmos generados por IA podrían no representar soluciones óptimas y que el campo debe explorar colectivamente las implicaciones. Muchos resultados previos basados en ETH podrían necesitar reevaluación si estas afirmaciones resisten la revisión por pares.

Este cambio de paradigma tiene importantes repercusiones en la ciberseguridad. Los protocolos criptográficos a menudo dependen de la dificultad de problemas NP y de ETH; mejoras en la resolución de estos problemas podrían comprometer ciertos criptosistemas. Williams confirmó que OpenAI verificó sus algoritmos frente a la seguridad criptográfica y no encontró vulnerabilidades inmediatas.

Esta colaboración evolutiva entre laboratorios de IA y la academia ilustra un nuevo modelo de descubrimiento científico. A pesar de las preocupaciones sobre integrar contribuciones de IA, los expertos mantienen el optimismo de que estos avances impulsarán a los investigadores a explorar preguntas más ambiciosas y adaptar el entendimiento fundamental en la informática teórica.

Los algoritmos y pruebas formales desarrollados por IA están accesibles públicamente a través del GitHub de Anthropic, incluyendo formalizaciones en Lean 4 que permiten la verificación comunitaria. OpenAI y Anthropic planean financiar conferencias y grupos de trabajo para profundizar el discurso.

La importancia de estos desarrollos radica no solo en posibles avances para resolver problemas clásicos de la informática, sino también en su demostración de la IA como un socio activo en el avance de las fronteras científicas.