AI-modeller fra Frontier Labs utfordrer grunnleggende antakelser i beregningskompleksitet

Bilde: TechCrunch · Kilde

OpenAI og Anthropic AI-modeller hevder algoritmer som motbeviser den lenge stående Exponential Time Hypothesis, et fundamentalt antakelse om beregningsvanskeligheter. Dette kan endre forståelsen av P versus NP-problemet og påvirke kryptografi og informatikk.

Den 27. oktober 2026 kunngjorde OpenAI og Anthropic banebrytende påstander om at deres AI-utviklede algoritmer motbeviser Exponential Time Hypothesis (ETH), en hjørnesteinsantakelse innen teorien om beregningskompleksitet. ETH postulerer at visse problemer, spesielt 3-SAT — en type boolsk tilfredsstillelsesproblem — ikke kan løses raskere enn eksponentiell tid når størrelsen øker. Denne hypotesen ligger til grunn for mye av teoretisk informatikk og styrer forventninger om problemets vanskelighetsgrad og kryptografisk sikkerhet.

OpenAI publiserte bevis utviklet av sine modeller på GitHub, noe som utløste raske og blandede reaksjoner fra det vitenskapelige miljøet. For å koordinere forståelse og validering engasjerte OpenAI ledende informatikkforskere, inkludert MIT-professor Ryan Williams og UC San Diegos Russell Impagliazzo og Ramamohan Paturi, som opprinnelig formulerte ETH i 1999. Disse ekspertene organiserer arbeidsgrupper og oppmuntrer til åpen tilbakemelding for grundig vurdering av funnene.

Ifølge den publiserte forskningen oppdaget en AI-modell kalt Claude (fra Anthropic) deterministiske algoritmer som løser 3-SAT-problemet og til og med dens tellevariant (#3-SAT) i subeksponentiell tid, spesifikt omtrent i 2^{O(n 3 n / 3 sqrt{log n})} tid. Denne asymptotiske forbedringen antyder at ETH er falsk, og utfordrer tidligere begrensninger knyttet til algoritmisk effektivitet.

Exponential Time Hypothesis er nært knyttet til spørsmålet om P versus NP, som spør om problemer hvis løsninger raskt kan verifiseres (NP) også kan løses raskt (P). Mens ETH gir sterke bevis på at mange NP-problemer er iboende vanskelige, antyder de nye AI-avledede algoritmene at noen av disse problemene kan være løselige raskere enn ventet, noe som potensielt kan påvirke vitenskapelige oppfatninger om sannsynligheten for at P = NP.

Ryan Williams understreker imidlertid forsiktighet og bemerker at de AI-genererte algoritmene kanskje ikke representerer optimale løsninger, og at fagfeltet kollektivt må utforske implikasjonene. Mange tidligere forskningsresultater basert på ETH kan måtte revurderes dersom disse påstandene holder under fagfellevurdering.

Et slikt paradigmeskifte har viktige konsekvenser for cybersikkerhet. Kryptografiske protokoller baserer seg ofte på vanskeligheten til NP-problemer og ETH; forbedringer i å løse disse problemene kan undergrave enkelte kryptosystemer. Williams bekreftet at OpenAI har testet algoritmene mot kryptografisk sikkerhet og ikke funnet umiddelbare sårbarheter.

Dette pågående samarbeidet mellom AI-laboratorier og akademia illustrerer en ny modell for vitenskapelig oppdagelse. Til tross for bekymringer knyttet til integrering av AI-bidrag, er eksperter optimistiske til at slike fremskritt vil føre forskere til å utforske mer ambisiøse spørsmål og tilpasse grunnleggende forståelse i teoretisk informatikk.

De AI-utviklede algoritmene og formelle bevisene er offentlig tilgjengelige via Anthropic sin GitHub, inkludert Lean 4-formaliseringer som muliggjør verifisering av fellesskapet. OpenAI og Anthropic planlegger å finansiere konferanser og arbeidsgrupper for å utdype diskusjonen.

Betydningen av disse utviklingene ligger ikke bare i potensielle gjennombrudd for å løse klassiske problemer innen informatikk, men også i demonstrasjonen av AI som en aktiv partner i å drive vitenskapelig fremgang.