AI Radar
OpenAI и Anthropic опубликовали опровержения гипотезы экспоненциального времени
OpenAI и Anthropic опубликовали полученные AI-моделями алгоритмы, которые, по заявлениям компаний, опровергают гипотезу экспоненциального времени. Она касается пределов скорости решения 3-SAT, одной из ключевых задач теории вычислений.
Гипотеза экспоненциального времени, или ETH, утверждает, что для задачи 3-SAT не существует алгоритма с субэкспоненциальным временем работы. В 3-SAT нужно определить, можно ли подобрать значения переменных так, чтобы выполнялись все условия формулы. Поэтому предложить более быстрый алгоритм и доказать его корректность достаточно, чтобы опровергнуть ETH. Из этого, однако, не следует решение вопроса P против NP: субэкспоненциальный алгоритм всё ещё может быть слишком медленным по сравнению с полиномиальным.
Anthropic представила работу «A 2^o(n) Time Algorithm for 3-SAT» с указанием «Claude, Anthropic» в качестве автора. В ней описан детерминированный алгоритм, время работы которого растёт медленнее любой экспоненты вида 2^cn при фиксированном положительном c. Компания также сообщает, что алгоритм подсчитывает число подходящих наборов значений для #3-SAT. По заявлению Anthropic, ядро решения внутренняя исследовательская модель Claude нашла 16 октября без подсказок человека; при работе она сгенерировала 14 млн выходных токенов.
OpenAI сообщила о собственном опровержении ETH среди трёх представленных результатов по математике, информатике и физике. Компании утверждают, что их модели получили решения почти одновременно. Пока речь идёт о двух опубликованных работах, которым предстоит оценка научного сообщества. По инициативе специалистов по вычислительной сложности, в том числе Райана Уильямса, Расселла Импальяццо и Рамамохана Патури, для обсуждения доказательства OpenAI сформирована рабочая группа и открыт сбор отзывов исследователей.
В работе Anthropic доказательство оформлено в Lean 4 – системе, которая проверяет формальные шаги рассуждения. Указаны 1050 модулей поверх библиотеки Mathlib; проверку проводили ядро Lean и отдельный чекер nanoda. При этом авторы работы оговаривают, что ни один человек пока не известен как проверивший всю формализацию целиком: её создавали AI-модели, а проверяли другие экземпляры моделей. Для практического решения 3-SAT результат тоже пока не подходит: согласно приведённой оценке, выигрыш для типичной формулы появляется лишь при числе переменных порядка 10^10000.
Почему это важно
Исследователям вычислительной сложности предстоит проверить алгоритмы и пересмотреть работы, опирающиеся на ETH, если доказательства подтвердятся. Для инженеров это пока не означает ускорения решения задач 3-SAT на практике.
Мнение редакции
Формальная проверка помогает быстро находить ошибки в доказательствах, которые выдали AI-модели. Теперь математикам предстоит разобраться в самих идеях алгоритмов: почему они работают и какие прежние результаты требуют пересмотра.
Первоисточники и подтверждения
- Frontier AI labs say their models refuted the Exponential Time Hypothesis. What does that mean?Откроется в новой вкладке
- OpenAI asks outside experts, including a Nobel laureate, to check proofs its AI produced in math, computer science, and physicsОткроется в новой вкладке
- Researchers are getting tired of OpenAI gatekeeping its breakthroughsОткроется в новой вкладке
Подборку проверяет редакция DSML. AI помогает дедуплицировать сигналы и готовить текст, но опубликованный выпуск остаётся редакционным продуктом, а не лентой отдельных каналов.
