Dirbtinio intelekto modeliai „Frontier Labs“ kelia iššūkį pagrindinei skaičiavimo sudėtingumo prielaidai

Vaizdas: TechCrunch · Šaltinis

OpenAI ir Anthropic AI modeliai teigia, kad sukūrė algoritmus, paneigiančius ilgalaikę eksponentinio laiko hipotezę – kertinę prielaidą apie skaičiavimo sudėtingumą. Tai galėtų pakeisti P vs NP problemos supratimą bei paveikti kriptografiją ir kompiuterių mokslą.

2026 m. spalio 27 d. „OpenAI“ ir „Anthropic“ paskelbė revoliucinius pareiškimus, kad jų AI sukurtos algoritminių sprendimų versijos paneigia Eksponentinio Laiko Hipotezę (ETH), kuri yra kertinė skaičiavimo sudėtingumo teorijos prielaida. ETH teigia, kad tam tikros problemos, ypač 3-SAT – tam tikra Būlinio patenkinamumo problema – negali būti išspręstos greičiau nei eksponentiniu laiku, kai jų dydis didėja. Ši hipotezė yra pagrindas daugeliui teorinės kompiuterių mokslo sričių ir lemia problemų sudėtingumo lūkesčius bei kriptografinį saugumą.

„OpenAI“ paskelbė savo modelių sukurtus įrodymus GitHub platformoje, sukeldama greitas ir įvairias mokslininkų bendruomenės reakcijas. Siekdama koordinuoti supratimą ir patvirtinimą, „OpenAI“ įtraukė žinomus kompiuterių mokslininkus, įskaitant Masačusetso technologijos instituto profesorių Ryaną Williamsą bei Kalifornijos universiteto San Diego narius Russellą Impagliazzo ir Ramamohaną Paturi, kurie ETH suformulavo 1999 metais. Šie ekspertai rengia darbo grupes ir skatina atvirą grįžtamąjį ryšį, siekdami griežtai įvertinti rezultatus.

Pagal paskelbtus tyrimus, AI modelis Claude („Anthropic“) atrado deterministinius algoritmus, sprendžiančius 3-SAT problemą ir net jos skaičiavimo variantą (#3-SAT) subeksponentiniu laiku, maždaug 2^{O(n ǀ√log n)} laiko. Šis asimptotinis pagerėjimas rodo, kad ETH yra klaidinga, iššūkį metant ankstesnėms algoritmo efektyvumo riboms.

Eksponentinio Laiko Hipotezė glaudžiai siejasi su P vs NP klausimu, kuris kelia esmę, ar problemos, kurių sprendimus galima greitai patikrinti (NP), gali būti taip pat greitai išspręstos (P). ETH yra stiprus įrodymas, kad daugelis NP problemų yra intrinsiskai sudėtingos, tačiau nauji AI sukurti algoritmai rodo, jog kai kurios šios problemos gali būti sprendžiamos efektyviau nei manyta, galimai keisdami mokslines nuomones apie P = NP tikimybę.

Tačiau Ryanas Williamsas pabrėžia atsargumą, pažymėdamas, kad AI generuoti algoritmai gali neatitikti optimalumo ir sritis turi kolektyviai tirti pasekmes. Daugelis ankstesnių tyrimų, paremtų ETH, gali reikalauti peržiūros, jei šie pareiškimai patvirtinami kolegų ekspertizės.

Toks paradigma keitimas turi svarbių pasekmių kibernetiniam saugumui. Kriptografinės protokolai dažnai remiasi NP problemų ir ETH sunkumu; pažanga šiose srityse gali silpninti tam tikras kriptosistemas. Williamsas patvirtino, kad „OpenAI“ patikrino savo algoritmus kriptografiniu saugumu ir nerado skubių spragų.

Ši besivystanti bendradarbiavimo modelis tarp AI laboratorijų ir akademinės bendruomenės iliustruoja naują mokslinių atradimų modelį. Nepaisant susirūpinimo dėl AI indėlio integravimo, ekspertai išlieka optimistiški, kad tokie pasiekimai paskatins mokslininkus tirti ambicingesnius klausimus ir adaptuoti teorinės kompiuterių mokslo pagrindus.

AI sukurti algoritmai ir formalūs įrodymai viešai prieinami „Anthropic“ GitHub platformoje, įskaitant Lean 4 formalizacijas, leidžiančias bendruomenei patikrinti. „OpenAI“ ir „Anthropic“ planuoja finansuoti konferencijas ir darbo grupes gilinti diskusijoms.

Šių įvykių svarba ne tik potencialiu proveržiu klasikinių kompiuterių mokslo problemų sprendime, bet ir tuo, kad demonstruoja AI kaip aktyvų partnerį mokslo pažangos srityje.