AI-modeller från Frontier Labs utmanar grundläggande antagande inom beräkningskomplexitet

Bild: TechCrunch · Källa

OpenAI och Anthropic AI-modeller hävdar algoritmer som motbevisar den länge etablerade Exponential Time Hypothesis, ett grundläggande antagande om beräkningssvårigheter. Detta kan omforma förståelsen av P kontra NP-problemet och påverka kryptografi och datavetenskap.

Den 27 oktober 2026 meddelade OpenAI och Anthropic banbrytande påståenden om att deras AI-utvecklade algoritmer motbevisar Exponential Time Hypothesis (ETH), ett hörnstenantagande inom teorin om beräkningskomplexitet. ETH föreslår att vissa problem, särskilt 3-SAT — en typ av Boolesk satisfierbarhetsproblem — inte kan lösas snabbare än i exponentiell tid i takt med att deras storlek växer. Detta antagande är grunden för mycket av teoretisk datavetenskap och styr förväntningar på problemens svårighetsgrad samt kryptografisk säkerhet.

OpenAI publicerade bevis utvecklade av deras modeller på GitHub, vilket utlöst snabba och blandade reaktioner från det vetenskapliga samfundet. För att samordna förståelse och validering har OpenAI engagerat ledande datavetare, inklusive MIT-professorn Ryan Williams och UC San Diegos Russell Impagliazzo och Ramamohan Paturi, som ursprungligen formulerade ETH 1999. Dessa experter organiserar arbetsgrupper och uppmuntrar öppen återkoppling för att noggrant utvärdera resultaten.

Enligt den publicerade forskningen upptäckte en AI-modell vid namn Claude (från Anthropic) deterministiska algoritmer som löser 3-SAT-problemet och även dess räknevariant (#3-SAT) i subexponentiell tid, specifikt ungefär i 2^{O(n 3 n / 3 sqrt{log n})} tid. Denna asymptotiska förbättring antyder att ETH är falsk, vilket utmanar tidigare begränsningar för algoritmisk effektivitet.

Exponential Time Hypothesis är nära kopplad till frågan om P kontra NP, som undrar om problem vars lösningar snabbt kan verifieras (NP) också kan lösas snabbt (P). medan ETH ger starka bevis för att många NP-problem är inneboende svåra, antyder de nya AI-deriverade algoritmerna att vissa av dessa problem kan vara mer hanterbara snabbare än väntat, vilket potentiellt påverkar vetenskapliga åsikter om rimligheten i P = NP.

Ryan Williams betonar dock försiktighet och noterar att de AI-genererade algoritmerna kanske inte representerar optimala lösningar och att fältet måste utforska konsekvenserna gemensamt. Många tidigare forskningsresultat som bygger på ETH kan behöva omprövas om dessa påståenden håller under vetenskaplig granskning.

En sådan paradigmskift bär viktiga säkerhetskonsekvenser. Kryptografiska protokoll förlitar sig ofta på svårigheten hos NP-problem och ETH; förbättringar i lösningen av dessa problem kan underminera vissa kryptosystem. Williams bekräftade att OpenAI kontrollerade sina algoritmer mot kryptografisk säkerhet och inte fann omedelbara sårbarheter.

Detta pågående samarbete mellan AI-laboratorier och akademi illustrerar en ny modell för vetenskapliga upptäckter. Trots oro kring integrering av AI-bidrag förblir experter optimistiska om att sådana framsteg kommer att driva forskare att utforska mer ambitiösa frågor och anpassa grundläggande förståelse inom teoretisk datavetenskap.

De AI-utvecklade algoritmerna och formella bevisen är offentligt tillgängliga via Anthropics GitHub, inklusive Lean 4-formaliseringar som möjliggör gemenskapens verifiering. OpenAI och Anthropic planerar att finansiera konferenser och arbetsgrupper för att fördjupa diskussionen.

Betydelsen av dessa utvecklingar ligger inte bara i potentiella genombrott som löser klassiska problem inom datavetenskapen utan också i att de visar AI som en aktiv partner i att driva vetenskapliga framsteg.