Modele sztucznej inteligencji opracowane przez OpenAI oraz Anthropic wygenerowały formalnie zweryfikowane w języku Lean dowody podważające hipotezę Wykładniczego Czasu (ETH). Teoretyczny demontaż założenia z 1999 roku wpływa na ponad 800 prac naukowych z zakresu złożoności obliczeniowej, lecz nie przekłada się na natychmiastowe złamanie szyfrów produkcyjnych w architekturze IT. CTO oraz architekci bezpieczeństwa zyskują jasny sygnał: choć klasyczna kryptografia pozostaje stabilna, matematyczne fundamenty szacowania dolnych granic wydajności algorytmów uległy zmianie.
Mechanizm podważenia 27-letniego fundamentu informatyki
Model teoretyczny OpenAI obalił hipotezę ETH sformułowaną w 1999 roku przez Russella Impagliazzo i Ramamohana Paturiego, znosząc 27-letnie założenie, że problem 3-SAT wymaga nienaruszalnie czasu wykładniczego. Zamiast tradycyjnego przeszukiwania drzewa wariantów, algorytm OpenAI wykorzystał zliczanie całkowitej liczby rozwiązań oraz XIX-wieczną interpolację Hermite’a do skutecznej redukcji złożoności obliczeniowej.
Hipoteza Wykładniczego Czasu (ETH – Exponential Time Hypothesis) była przez blisko trzy dekady fundamentem teorii złożoności obliczeniowej. Zakładała, że dla problemu spełnialności formuł logicznych 3-SAT żaden algorytm nie jest w stanie zejść poniżej czasu wykładniczego O(2^n), gdzie n oznacza liczbę zmiennych.
Wynik uzyskany przez wewnętrzny model OpenAI polega na zmianie paradygmatu rozwiązywania problemu logicznego:
- Zliczanie zamiast przeszukiwania: Zamiast sekwencyjnego przełączania zmiennych i weryfikacji reguł, model OpenAI przekształcił problem 3-SAT w gigantyczną sumę matematyczną.
- Dekompozycja reguł: Algorytm rozbił formułę na niezależne fragmenty, zliczając rozwiązania dla każdego elementu osobno.
- Interpolacja Hermite’a: Wykorzystując metodę matematyczną z XIX wieku, model wyznaczył dokładną liczbę rozwiązań pierwotnego układu w czasie podwykładniczym.
- Weryfikacja w języku Lean: Dowody wygenerowane przez OpenAI oraz Anthropic zostały poddane maszynowej weryfikacji w asystencie dowodzenia Lean, stworzonym przez Microsoft Research. Kod skompilował się bez błędów składniowych i logicznych.
Nowy czas działania algorytmu wyznaczony przez model OpenAI wynosi w przybliżeniu 2^(n / sqrt(log_2 n)). Choć funkcja ta matematycznie spełnia definicję czasu podwykładniczego, rośnie na tyle wolno, że jej zachowanie rodzi specyficzny paradoks inżynieryjny.
Koszty i skala: dlaczego algorytm galaktyczny nie działa w praktyce
Algorytm opracowany przez OpenAI jest klasycznym przykładem tak zwanego algorytmu galaktycznego, którego przewaga teoretyczna ujawnia się dopiero przy rozmiarach danych przekraczających fizyczne możliwości wszechświata. Dla systemów IT oznacza to brak jakiegokolwiek wpływu na obecny czas wykonywania obliczeń w oprogramowaniu produkcyjnym.
Z punktu widzenia inżynierii oprogramowania i architektury korporacyjnej, obalenie hipotezy ETH przez OpenAI i Anthropic ma charakter wyłącznie teoretyczny. Ze względu na ogromny narzut wstępny (setup overhead), dla małych instancji problemu algorytm AI działa wolniej niż zwykły algorytm brute force.
Poniższe zestawienie ilustruje skalę zjawiska i porównuje tradycyjną złożoność wykładniczą z rozwiązaniem AI:
| Wskaźnik / Rozmiar problemu (n) | Tradycyjny algorytm brute force (2^n) | Algorytm podwykładniczy OpenAI | Wpływ na operacje IT / Biznes |
|---|---|---|---|
| Małe dane (n = 5 zmiennych) | 32 operacje (mikrosekundy) | Narzut strukturalny dławi kod, czas dłuższy niż brute force | Brak korzyści; klasyczny kod jest szybszy |
| Skala produkcyjna (n = 1 000) | 1.07 x 10^301 operacji | 3.39 x 10^300 operacji (mianownik wynosi zaledwie 3.16) | Czas wykonania wielokrotnie przekracza wiek wszechświata |
| Punkt przecięcia (Crossover point) | Wymaga n > 10^10 000 lub n = 2^512 zmiennych | Dopiero przy tym rozmiarze algorytm AI staje się szybszy od 2^n | Liczba zmiennych przewyższa liczbę atomów w znanym wszechświecie |
Zależności te pokazują, że mianownik sqrt(log_2 n) rośnie niezwykle wolno. Badacz Scott Aaronson z oceny prawdopodobieństwa prawdziwości równości P = NP podniósł swoje szacunki z 3% do 5%, podkreślając jednak, że w praktyce inżynieryjnej kod produkcyjny nie zyskał żadnego przyspieszenia.
Czy obalenie hipotezy ETH zagraża kryptografii i stakom IT?
Obalenie hipotezy ETH przez modele OpenAI oraz Anthropic nie łamie bezpośrednio współczesnych standardów szyfrowania, takich jak RSA czy AES. Stwarza jednak ryzyko metodologiczne dla ponad 800 prac naukowych będących podstawą dowodów bezpieczeństwa oraz dolnych limitów wydajności w algorytmach optymalizacyjnych.
Dla dyrektorów ds. bezpieczeństwa (CISO) oraz architektów korporacyjnych kluczowe jest rozróżnienie między teoretycznym podważeniem założenia a podatnością infrastruktury cyfrowej:
- Bezpieczeństwo kryptograficzne: Obecne algorytmy asymetryczne i symetryczne bazują na trudności faktoryzacji lub logarytmu dyskretnego, a nie na bezpośredniej barierze 3-SAT w skali galaktycznej. Kryptografia produkcyjna nie wymaga awaryjnego łatania ani migracji staku w tym tygodniu.
- Podważone prace badawcze: Profesor Daniel Lokshtanov z UC Santa Barbara oszacował, że około 50 jego opublikowanych prac wymaga rewizji lub traci rację bytu. Sytuacja dotyczy również badaczy takich jak Peter Jonsson z Uniwersytetu w Linköping czy Thore Husfeldt z IT University w Kopenhadze.
- Niezależna audytorska grupa robocza: OpenAI powołało zespół weryfikacyjny pod przewodnictwem twórców hipotezy – Russella Impagliazzo i Ramamohana Paturi (UC San Diego) oraz Ryana Williamsa (MIT). Dodatkowo OpenAI przekazało 5 milionów dolarów fundacji Simons Foundation na organizację konferencji i weryfikację wyników.
- Zjawisko slop drop: Nowym wyzwaniem proceduralnym staje się zalewanie środowiska akademickiego niezrecenzowanymi publikacjami generowanymi przez AI (przykładowo publikacja 722 manuskryptów przez OpenAI na serwerze GitHub).
Ograniczenia modeli AI w automatyzacji inżynierii i badaniach
Sukces modeli OpenAI i Anthropic w dowodzeniu twierdzeń matematycznych kontrastuje z ich ograniczonymi możliwościami w praktycznej automatyzacji inżynierii IT. Badanie AGENT4SCI przeprowadzone przez Anthropic wykazało, że bez sztywnych reguł agent AI wpada w pętlę lokalnego dostrajania hiperparametrów zamiast tworzyć innowacje architektoniczne.
Przeprowadzony przez zespół Anthropic eksperyment AGENT4SCI na 20 benchmarkach i 25 zadaniach pokazał wyraźną barierę w autonomicznym rozwoju oprogramowania przez AI:
- Domyślne rutyny AI: Aż 56% prób modelu Claude Opus 4.6 oraz 48% prób Gemini sprowadzało się do modyfikacji współczynnika uczenia się (learning rate) i kosmetycznych zmian w hiperparametrach.
- Zjawisko Exploration Collapse: Po znalezieniu drobnej poprawki agent AI porzucał poszukiwanie lepszych struktur kodu na rzecz wielogodzinnego skanowania losowych ziarn (random seeds).
- Twarde reguły inżynieryjne (Research Ideation): Wymuszenie na agentach roli innowatora i zakaz czytania kodu bazowego podniosły średnią poprawę wyników Claude Opus 4.6 z 0.4% do 20.1%.
Modele AI doskonale radzą sobie z weryfikacją symboliczną w zamkniętych systemach aksjomatycznych (jak język Lean), ale w otwartym środowisku inżynieryjnym IT wymagają rygorystycznego nadzoru architektonicznego ze strony ludzi.
Wnioski praktyczne i rekomendacje
- Zweryfikuj wewnętrzne biblioteki algorytmiczne i moduły optymalizacyjne w firmie pod kątem twardych założeń o czasie wykładniczym. Sprawdź, czy obecne limity złożoności nie wynikają z nieaktualnych publikacji teoretycznych.
- Zmierz rzeczywisty wpływ narzędzi automatyzacji AI (Coding Agents) na procesy programistyczne w zespole IT. Przeanalizuj, czy agenci generują innowacje strukturalne, czy jedynie wykonują powtarzalne dostrajanie parametrów.
- Skonfiguruj procesy przeglądu kodu (Code Review) oraz weryfikacji formalnej dla komponentów o krytycznym znaczeniu biznesowym. Użyj maszynowych asystentów dowodzenia, takich jak Lean, do automatycznego testowania spójności logicznej specyfikacji.
- Wdróż zasady rygorystycznego audytu zewnętrznych bibliotek i wytycznych kryptograficznych, ignorując medialny szum wokół nagłego łamania szyfrów przez AI. Zapewnij zespołom bezpieczeństwa ciągły wgląd w prace audytorskie prowadzone przez grupy naukowe przy MIT i UC San Diego.
Źródła
- AI models challenge one of Computer Science’s biggest assumptions
- Another Math Slop Drop: How AI’s ETH “Proof” Is Practically Useless – Emerald Book
- Computer scientists warn AI made decades of research irrelevant – GEEKSPIN
- OpenAI Just Announced Three Scientific Breakthroughs | Futurism – Vocal Media
- OpenAI and Anthropic claim AI has challenged a 27-year-old computer science hypothesis
- The one thing holding theoretical CS together just broke… kinda
- Two AI labs say they broke a famous CS assumption – YouTube
- What Grigori Perelman thinks about AI solving mathematics | Lex Fridman – YouTube
Dodaj komentarz