OpenAI 发布了对三个长期困扰研究人员的重量级数学问题的解决方案。其中之一是意外地否定了指数时间假说（ETH），这是计算机科学中一个经久不衰的假设，在我们理解哪些问题难以计算方面发挥着重要作用。
与这家前沿实验室之前的证明投递一样，科学界的反应混杂着兴奋与沮丧。Anthropic数学家Levent Alpöge 建议 OpenAI 的解决方案是基于已有成果开发的，而数小时后，Anthropic 随后 发布 对ETH本身的反驳。
不过，OpenAI 的流程正在演变。这一次，该实验室 安排其发布结构 这三个相关学科各自有不同的反应：数学家的工作成果被发布在 GitHub 上；计算机科学家组成了一个工作组，要求公开分享这些证明，并请 OpenAI 资助一场讨论这些证明的会议；物理学家组成了一个工作组，将由该工作组决定他们的结果如何发布。
MIT教授Ryan Williams正是正在组织其领域对这一新发现作出回应的计算机科学家。Williams的研究专注于这些计算复杂性问题，他过去曾批评过OpenAI的方法。 呼叫 其于今年10月早些时候发布的证明堆料被称作“针对数学家的DDOS攻击”。
然而，他告诉TechCrunch，他同意与这些前沿实验室合作，以帮助推动对该领域至关重要的想法。该实验室请他与加州大学圣地亚哥分校的计算机科学家Russell Impagliazzo和Ramamohan Paturi一起帮助解读这一解决方案，后者于1999年首次发表了ETH。
他们的第一步是发布 一封公开信 呼吁对此类问题感兴趣的科学家提供反馈，并就AI对其工作的贡献规范展开讨论。
“OpenAI证明中的某些部分,也许你可以说是常规的,但确实有两三个看起来很陌生的部分,而我看到的正是这些部分,让我觉得,哇,这是需要整个社区共同攻关的东西,”Williams告诉TechCrunch。
你了解 P 与 NP 问题吗？
ETH 属于一类更广泛的问题,即 P 与 NP 问题,该问题几十年来一直激励着计算机科学及许多其他领域。简而言之,研究人员试图弄清:任何一个其解可以容易验证(NP)的问题,是否也能被容易地求解(P)。
一个简单的例子是数独游戏：一旦谜题的解已经存在，就能快速验证，但找出解却很耗时。这一特性适用于许多重要问题，也是密码系统的基础：当你拥有加密信息的密钥时，可以将其解读出来，但要真正破解一个有效的密码，所需时间之长使其毫无实用价值。
然而，科学家尚未证明这是否总是成立。“P = NP 意味着，你不仅能验证数独解是否存在，还能直接生成它们，”Williams 说，“P = NP 断言，对于每一个你可以快速验证的问题都是如此——如果你能快速验证它，你就能快速求解它。所以这听起来简直好得不像真的。”
这正是大多数科学家假设 P ≠ NP 的原因。ETH 为此提供了证据。它基本上表明，随着某一类棘手的逻辑难题中变量数量的增长，即使是运行最快的计算机算法也需要呈指数级增加的时间才能找到解。
OpenAI 和 Anthropic 的说法是，他们的模型已经找到了能在“亚指数”时间内解决那些谜题的算法，也就是说比此前认为可能的速度更快。如果属实，它们可能已经证明 EFT 是错误的——用科学术语来说，即反驳了它——并或许为普遍实现 P = NP 的算法开辟了一条道路。
“每位计算机科学家或许都应该把 P = NP 成立的可能性权重调高一点，但各自的权重可以不同，”Williams说。“我确实认为这多少让我们质疑了许多曾经自以为有的直觉，即关于……[困难NP问题]有多容易处理。我也认为这很可能也不是最终答案。我不认为OpenAI的算法可能是你能得到的最好算法。”
计算机科学家接下来的工作
Williams说，ETH的持久性导致过去十年里许多科学论文都把它作为前提，如果这些AI实验室声称已证明其错误的说法站得住脚，那些论文就需要被重新审视。
“这也是我要求或推动 OpenAI 支持一场相关会议的部分原因——这会影响许多研究者的工作，我们需要弄清楚，好吧，除了理解算法之外，接下来会发生什么。我们需要理解，与以前相比，基础应该发生怎样的变化？”他说。
在科学层面的担忧之前，还存在网络安全方面的问题。Williams 表示，一个改进的算法可能意味着依赖某些密钥长度的密码系统会被视为已被破解。因此，他向 OpenAI 科学负责人 Dan Roberts 提出的首批问题之一“就是他们是否检查过这是否影响任何密码系统……现在是否有任何系统变得不安全？显然，他们检查过了，并且他们相当有信心这并不会……导致任何破解。”
这种科学发现的新 AI 范式仍在发展之中，但 Williams 表示，尽管存在切实的担忧，尤其是关于培养下一代科学家的担忧，他仍然持乐观态度。作为一名从事高深数学研究的计算机科学家，这种调整对他来说也许比纯粹的数学家更容易一些。
尽管如此，他说 AI 正在“迫使人们对自己的工作类型更加雄心勃勃，并更深入地思考，好吧，如果我过去所做的所有事情现在对 AI 来说都是唾手可得的成果，那我该如何提高我想提出的科学问题的门槛呢？”