Mākslīgā intelekta modeļi no Frontier Labs izaicina galveno aprēķinu sarežģītības pieņēmumu

Attēls: TechCrunch · Avots

OpenAI un Anthropic mākslīgā intelekta modeļi apgalvo, ka viņu algoritmi atspēko ilgstošo eksponenciālā laika hipotēzi, kas ir fundamentāls pieņēmums par aprēķinu sarežģītību. Tas var mainīt izpratni par P pret NP problēmu un ietekmēt kriptogrāfiju un datorzinātni.

2026. gada 27. oktobrī OpenAI un Anthropic paziņoja par revolucionāriem apgalvojumiem, ka viņu mākslīgā intelekta izstrādātie algoritmi atspēko eksponenciālā laika hipotēzi (ETH), kas ir centrāls pieņēmums aprēķinu sarežģītības teorijā. ETH pieņem, ka daži uzdevumi, īpaši 3-SAT — viens no boolea apmierināmības problēmu tipiem — nevar tikt atrisināti ātrāk par eksponenciālu laiku, palielinoties to apjomam. Šī hipotēze ir teorētiskās datorzinātnes pamats un ietekmē uzskatus par problēmu grūtībām un kriptogrāfisko drošību.

OpenAI publicēja to modeļu izstrādātos pierādījumus GitHub platformā, radot ātras un dažādas reakcijas zinātniskajā kopienā. Lai koordinētu izpratni un pārbaudi, OpenAI iesaistīja vadošos datorzinātniekus, tostarp MIT profesoru Ryanu Viljamsu (Ryan Williams) un Kalifornijas Universitātes Sandjego pētniekus Raselu Impaljacazo (Russell Impagliazzo) un Ramamohanu Paturi (Ramamohan Paturi), kuri ETH pirmoreiz formulēja 1999. gadā. Šie eksperti organizē darba grupas un aicina uz atklātu atsauksmju sniegšanu, lai rūpīgi izvērtētu atklājumus.

Publicētajā pētījumā minēts, ka AI modelis ar nosaukumu Claude (no Anthropic) atklāja deterministiskus algoritmus, kas spēj atrisināt 3-SAT problēmu un tās skaitīšanas varianti (#3-SAT) subeksponenciālā laikā, konkrēti aptuveni 2^{O(n f n / √{log n})} laika. Šī asimptotiskā uzlabošana liecina, ka ETH ir aplama, izaicinot iepriekšējos algoritmiskās efektivitātes ierobežojumus.

Eksponenciālā laika hipotēze ir cieši saistīta ar P pret NP jautājumu, kas liek jautājumu, vai problēmas, kuru risinājumus var ātri pārbaudīt (NP), ir arī ātri atrisināmas (P). Kaut gan ETH sniedz spēcīgu pierādījumu, ka daudzas NP problēmas ir būtiski sarežģītas, jaunie AI izstrādātie algoritmi liecina, ka dažas no šīm problēmām varētu būt atrisināmas ātrāk, nekā līdz šim uzskatīts, iespējams, mainot zinātnisko skatījumu par P=NP ticamību.

Tomēr Ryans Viljamss uzsver piesardzību, norādot, ka AI ģenerētie algoritmi var neatspoguļot optimālus risinājumus, un nozarei kopā jāizpēta šo rezultātu nozīme. Daudzi iepriekšējie pētījumi, kas balstās uz ETH, var prasīt pārskatīšanu, ja šie apgalvojumi izturēs zinātniskās kopienas pārbaudi.

Šāda paradigmas maiņa rada svarīgas kiberdrošības sekas. Kriptogrāfijas protokoli bieži paļaujas uz NP problēmu un ETH sarežģītību; uzlabojumi šo problēmu risināšanā var apdraudēt noteiktus kriptosistēmas risinājumus. Viljamss apstiprināja, ka OpenAI pārbaudīja savus algoritmus attiecībā uz kriptogrāfisko drošību un nekonstatēja tūlītējus ievainojamības riskus.

Šī sadarbība starp AI laboratorijām un akadēmiju parāda jaunu zinātniskās atklāšanas modeli. Neskatoties uz bažām par AI ieguldījumu integrēšanu, eksperti ir optimistiski, ka šie sasniegumi mudinās pētniekus uzņemties ambiciozākus jautājumus un pielāgot teorētiskās datorzinātnes pamatus.

AI izstrādātie algoritmi un formālās pierādījumu versijas ir publiski pieejamas Anthropic GitHub platformā, tostarp Lean 4 formalizācijas, kas ļauj kopienai veikt pārbaudi. OpenAI un Anthropic plāno finansēt konferences un darba grupas, lai padziļinātu diskusijas.

Šo attīstību nozīmība ir ne tikai iespējamajos atklājumos klasisko datorzinātnes problēmu risināšanā, bet arī tajā, ka tie demonstrē AI kā aktīvu partneri zinātnes robežu paplašināšanā.