Модели ИИ из Frontier Labs ставят под сомнение ключевое предположение вычислительной сложности

Image: TechCrunch · Source

Модели ИИ OpenAI и Anthropic утверждают, что их алгоритмы опровергают давнюю Гипотезу экспоненциального времени (ETH), ключевое предположение о вычислительной сложности. Это может изменить понимание проблемы P против NP и повлиять на криптографию и информатику.

27 октября 2026 года OpenAI и Anthropic объявили о революционных утверждениях, что разработанные их ИИ алгоритмы опровергают Гипотезу экспоненциального времени (ETH), основополагающее предположение в теории вычислительной сложности. ETH утверждает, что определённые задачи, в частности 3-SAT — тип булевого задания удовлетворимости — нельзя решить быстрее экспоненциального времени при увеличении их размера. Эта гипотеза лежит в основе теоретической информатики и формирует ожидания о сложности задач и безопасности криптографии.

OpenAI опубликовала доказательства, разработанные их моделями, на GitHub, вызвав быстрые и неоднозначные реакции научного сообщества. Для координации понимания и проверки OpenAI привлекла ведущих компьютерных учёных, включая профессора MIT Райана Уильямса и Рассела Импальяццо и Рамамохана Патури из UC San Diego, которые изначально сформулировали ETH в 1999 году. Эти эксперты организуют рабочие группы и стимулируют открытый обмен отзывами для тщательной оценки результатов.

Согласно опубликованным исследованиям, модель ИИ по имени Claude (от Anthropic) обнаружила детерминированные алгоритмы решения задачи 3-SAT и даже её счётной версии (#3-SAT) за субэкспоненциальное время, примерно 2^{O(n f(n) / 1корень из log n)}. Это асимптотическое улучшение указывает на ложность ETH, оспаривая прежние ограничения по эффективности алгоритмов.

Гипотеза экспоненциального времени тесно связана с задачей P против NP, которая спрашивает, можно ли задачи, решение которых быстро проверяется (NP), также быстро решить (P). В то время как ETH даёт сильные доказательства того, что многие NP-задачи по своей природе сложны, новые алгоритмы, созданные ИИ, предполагают, что некоторые из этих задач могут быть решены быстрее, чем ожидалось, что может сместить научные взгляды на вероятность равенства P и NP.

Однако Райан Уильямс призывает к осторожности, отмечая, что сгенерированные ИИ алгоритмы могут не быть оптимальными решениями и что всему сообществу необходимо совместно исследовать последствия. Многие ранее выполненные исследования, основанные на ETH, возможно, придётся пересмотреть, если эти утверждения пройдут проверку коллег.

Такой сдвиг парадигмы имеет важные последствия для кибербезопасности. Криптографические протоколы часто опираются на сложность NP-задач и ETH; улучшения в решении этих задач могут подорвать некоторые криптосистемы. Уильямс подтвердил, что OpenAI проверила свои алгоритмы на устойчивость к криптографическим атакам и не выявила немедленных уязвимостей.

Эволюция сотрудничества между лабораториями ИИ и академическим сообществом демонстрирует новую модель научного открытия. Несмотря на опасения по поводу интеграции вклада ИИ, эксперты остаются оптимистами, что такие достижения побудят исследователей задавать более амбициозные вопросы и пересматривать фундаментальные знания в теоретической информатике.

Разработанные ИИ алгоритмы и формальные доказательства доступны публично через GitHub Anthropic, включая формализации на Lean 4, которые позволяют сообществу проверять их. OpenAI и Anthropic планируют финансировать конференции и рабочие группы для углубления дискуссий.

Значение этих событий заключается не только в потенциальных прорывах в решении классических задач информатики, но и в демонстрации ИИ как активного партнёра в расширении научных горизонтов.