OpenAI publicó soluciones a tres problemas matemáticos de gran renombre que durante mucho tiempo han desconcertado a los investigadores. Una fue un rechazo sorpresa de la Hipótesis del Tiempo Exponencial (ETH), una suposición duradera en la informática que desempeña un papel importante en cómo entendemos qué es difícil de calcular.
Al igual que con publicaciones de pruebas anteriores del laboratorio de frontera, las comunidades científicas respondieron con una mezcla de emoción y consternación. El matemático de Anthropic Levent Alpöge sugirió que OpenAI basaba sus soluciones en trabajos previos, y horas después, Anthropic posteriormente publicó su propia refutación de la ETH.
Sin embargo, el proceso de OpenAI está evolucionando. Esta vez, el laboratorio estructuró sus publicaciones de manera diferente para cada una de las tres disciplinas involucradas: los matemáticos recibieron el trabajo publicado en GitHub; los informáticos formaron un grupo de trabajo, pidieron que las pruebas se compartieran públicamente y que OpenAI financiara una conferencia para discutirlas; los físicos formaron un grupo de trabajo que determinará cómo se publicará su resultado.
El profesor del MIT Ryan Williams es el informático que está organizando la respuesta de su campo al nuevo hallazgo. Williams, cuyo trabajo se centra en estas cuestiones de complejidad computacional, ha criticado en el pasado el enfoque de OpenAI, llamando a su volcado de pruebas a principios de este octubre un "ataque DDOS a los matemáticos".
Sin embargo, aceptó colaborar con los laboratorios de frontera para ayudar a guiar ideas que son vitales para el campo, dijo a TechCrunch. El laboratorio le pidió que ayudara a interpretar la solución, junto con los informáticos de UC San Diego Russell Impagliazzo y Ramamohan Paturi, quienes publicaron la ETH por primera vez en 1999.
Su primer paso fue publicar una carta abierta pidiendo comentarios de científicos interesados en estos problemas y una discusión sobre las normas en torno a las contribuciones de la IA a su trabajo.
"Algunas partes [de la prueba de OpenAI] son, quizás se podría decir, rutinarias, pero luego sí, hay dos o tres partes de aspecto alienígena, y son exactamente estas partes las que vi y que me hicieron pensar, vaya, esto es algo en lo que toda la comunidad necesita trabajar junta", dijo Williams a TechCrunch.
¿Estás al tanto de P versus NP?
La ETH es parte de una clase más amplia de problemas conocidos como P versus NP, que ha animado a la informática y a muchos otros campos durante décadas. De forma reduccionista, los investigadores intentan entender si todo problema cuya solución puede verificarse fácilmente (NP) también puede resolverse fácilmente (P).
Un ejemplo simple es el juego del Sudoku: una vez que la solución de un rompecabezas está puesta, puede verificarse rápidamente, pero encontrar la solución requiere tiempo. Esa dinámica es cierta en una gama de problemas importantes, y la idea sustenta los sistemas criptográficos: cuando tienes la clave de un mensaje codificado, puedes revelarlo, pero descifrar realmente un código efectivo toma demasiado tiempo como para ser útil.
Sin embargo, los científicos aún no han demostrado si eso siempre es cierto. "P = NP dice que, no solo puedes verificar soluciones de Sudoku cuando existen, sino que puedes simplemente generarlas", dijo Williams. "P = NP afirma que esto es cierto para cada problema que puedas verificar rápidamente: si puedes verificarlo rápidamente, puedes resolverlo rápidamente. Así que esto simplemente parece demasiado bueno para ser verdad".
Por eso la mayoría de los científicos asume que P ≠ NP. La ETH aportó evidencia de ello. Básicamente dice que incluso el algoritmo de computadora más rápido necesita exponencialmente más tiempo para encontrar una solución a medida que crece el número de variables en una clase específica de rompecabezas lógicos difíciles.
Las afirmaciones de OpenAI y Anthropic son que sus modelos han ideado algoritmos que resuelven esos rompecabezas en tiempo "subexponencial", es decir, más rápido que las velocidades previamente consideradas posibles. Si es cierto, pueden haber demostrado que la ETH es falsa —refutada, en términos científicos— y tal vez abierto un camino para algoritmos que en general logren P = NP.
"Todo informático probablemente debería poner un poco más de peso en la plausibilidad de P = NP, pero el peso de cada uno puede variar", dijo Williams. "Sí creo que esto cuestiona en cierto modo muchas de las intuiciones que creíamos tener sobre... cuán tratables son [los problemas NP difíciles]. También creo que probablemente esta no sea la respuesta final. No creo que el algoritmo de OpenAI pueda ser el mejor algoritmo que se pueda obtener".
El trabajo pendiente de los informáticos
La durabilidad de la ETH ha llevado a que sea incluida en muchos artículos científicos durante la última década que tendrán que ser revisados si las afirmaciones de los laboratorios de IA de que han demostrado que es falsa se mantienen, dijo Williams.
«Esta es una de las razones por las que estaba pidiendo o presionando a OpenAI para que apoyara una conferencia sobre esto: va a afectar el trabajo de muchos investigadores, y necesitamos averiguar, bueno, qué viene después además de entender los algoritmos. Necesitamos entender, ¿cómo deberían cambiar los fundamentos en comparación con lo que teníamos antes?», dijo.
Antes de las preocupaciones científicas están las preguntas de ciberseguridad. Williams dijo que un algoritmo mejorado podría implicar que los sistemas criptográficos que dependen de ciertos tamaños de clave podrían considerarse rotos. Así que una de las primeras preguntas que le hizo al líder científico de OpenAI, Dan Roberts, «fue si habían verificado que esto afectaba a algún sistema criptográfico… si algo es inseguro ahora. Y aparentemente lo comprobaron, y estaban razonablemente seguros de que esto no… implicaba ninguna ruptura».
Este nuevo paradigma de IA para el descubrimiento científico todavía está en desarrollo, pero Williams dice que es optimista a pesar de preocupaciones reales, en particular sobre la formación de la próxima generación de científicos. Ser un informático que hace matemáticas de alto nivel quizás le ha facilitado la adaptación más que a los matemáticos puros.
Aun así, dice que la IA está «obligando a la gente a ser un poco más ambiciosa con el tipo de trabajo que hace, y a pensar más profundamente, vale, si todas las cosas en las que trabajaba son ahora fruta al alcance de la IA, ¿cómo puedo elevar el listón del tipo de preguntas científicas que quiero hacer?»