Frontier Labsin tekoälymallit haastavat keskeisen laskennallisen kompleksisuuden oletuksen

Kuva: TechCrunch · Lähde

OpenAI:n ja Anthropicin tekoälymallit väittävät löytäneensä algoritmeja, jotka kumoavat kauan vallinneen eksponenttisen aikahypoteesin, joka on keskeinen oletus laskennallisesta vaikeudesta. Tämä voi muuttaa käsityksiä P vs NP -ongelmasta ja vaikuttaa kryptografiaan sekä tietojenkäsittelytieteeseen.

27. lokakuuta 2026 OpenAI ja Anthropic julkaisivat mullistavia väitteitä siitä, että heidän tekoälyn kehittämät algoritmit kumoavat Eksponenttisen Aikahypoteesin (ETH), joka on keskeinen oletus laskennallisen kompleksisuuden teoriassa. ETH olettaa, että tietyt ongelmat, erityisesti 3-SAT—eräs Boole’n tyyppinen tyydyttävyyteen liittyvä ongelma—eivät ratkea nopeammin kuin eksponentiaalisessa ajassa niiden koon kasvaessa. Tämä hypoteesi on pohjana suurelle osalle teoreettista tietojenkäsittelytiedettä ja vaikuttaa käsityksiin ongelmien vaikeudesta sekä kryptografisesta turvallisuudesta.

OpenAI julkaisi algoritmeihin liittyvät todistukset GitHubissa, mikä herätti nopeita ja vaihtelevia reaktioita tieteellisessä yhteisössä. Ymmärryksen ja validoinnin koordinoimiseksi OpenAI kutsui mukaan johtavia tietojenkäsittelytieteen asiantuntijoita, mukaan lukien MIT:n professori Ryan Williams sekä Kalifornian yliopiston San Diegon tutkijat Russell Impagliazzo ja Ramamohan Paturi, jotka alun perin muotoilivat ETH:n vuonna 1999. Nämä asiantuntijat järjestävät työryhmiä ja kannustavat avointa palautetta tulosten tarkan arvioinnin edistämiseksi.

Julkaistun tutkimuksen mukaan Anthropicin tekoälymalli nimeltä Claude löysi deterministisiä algoritmeja, jotka ratkaisevat 3-SAT-ongelman ja sen laskentamuodon (#3-SAT) ali-ekspotentiaalisessa ajassa, tarkemmin sanottuna noin 2^{O(n √log n)} ajassa. Tämä asymptoottinen parannus vihjaa, että ETH on epätosi, mikä haastaa aiemmat rajoitukset algoritmien tehokkuudelle.

Eksponenttinen aikahypoteesi liittyy läheisesti P vs NP -kysymykseen, jossa pohditaan, ovatko ongelmat, joiden ratkaisut voidaan nopeasti tarkistaa (NP), myös nopeasti ratkaistavissa (P). ETH antaa vahvan perusteen uskomukselle, että monet NP-ongelmat ovat sisäisesti vaikeita, mutta uudet tekoälyn kehittämät algoritmit viittaavat siihen, että jotkin näistä ongelmista saattavat olla ratkottavissa odotettua nopeammin, mikä saattaa muuttaa tieteellisiä näkemyksiä P = NP:n todennäköisyydestä.

Ryan Williams kuitenkin korostaa varovaisuutta ja huomauttaa, että tekoälyn generoimat algoritmit eivät välttämättä ole optimaalisia, ja alan tulee yhdessä tutkia niiden vaikutuksia. Monet aiemmat ETH:hen perustuvat tutkimukset saattavat vaatia uudelleen arviointia, jos nämä väitteet kestävät vertaisarvioinnin.

Tämä paradigman muutos kantaa merkittäviä kyberturvallisuusvaikutuksia. Kryptografiset protokollat tukeutuvat usein NP-ongelmien ja ETH:n vaikeuteen; ongelmien ratkaisun parantuminen saattaa heikentää joitain kryptojärjestelmiä. Williams vahvisti, että OpenAI testasi algoritmejaan kryptografista turvallisuutta vastaan eikä havainnut välittömiä haavoittuvuuksia.

Tämä tekoälylaboratorioiden ja akateemisen maailman yhteistyö kuvastaa uutta tieteellisen löytämisen mallia. Vaikka tekoälyn panoksen integrointi herättää huolta, asiantuntijat ovat optimistisia, että nämä edistysaskeleet kannustavat tutkijoita kohtaamaan kunnianhimoisempia kysymyksiä ja mukauttamaan teoreettisen tietojenkäsittelytieteen perustaa.

Tekoälyn kehittämät algoritmit ja formaalit todistukset ovat julkisesti saatavilla Anthropicin GitHubissa, sisältäen Lean 4 -formalismit, jotka mahdollistavat yhteisön validoinnin. OpenAI ja Anthropic aikovat rahoittaa konferensseja ja työryhmiä keskustelun syventämiseksi.

Näiden kehitysten merkitys ei rajoitu pelkästään klassisten tietojenkäsittelytieteen ongelmien mahdollisiin läpimurtoihin, vaan myös osoitukseen siitä, että tekoäly toimii aktiivisena kumppanina tieteellisen tutkimuksen edistämisessä.