正文 · AI 翻译
OpenAI 昨天公布了3道长期困扰研究人员的重大数学难题的解答。其中一项出人意料地否定了指数时间假说（ETH）。这一计算机科学领域长期被接受的假设，对我们理解哪些问题难以计算有着重要影响。
与这家前沿实验室此前突然发布证明时一样，科学界的反应既有兴奋，也有失望。Anthropic 的数学家 Levent Alpöge 认为，OpenAI 的解答可能基于已有研究；数小时后，Anthropic 也发布了自己对 ETH 的反驳。
不过，OpenAI 的做法正在改变。这次，实验室针对涉及的3个学科以不同方式安排成果发布：数学家们在 GitHub 上收到了相关研究；计算机科学家们成立了工作组，要求公开分享证明，并要求 OpenAI 资助一场讨论这些证明的会议；物理学家们则成立了一个工作组，以决定如何发布他们的研究结果。
麻省理工学院教授 Ryan Williams 是正在组织计算机科学界回应这项新发现的计算机科学家。Williams 的研究聚焦于这些计算复杂性问题。他过去曾批评 OpenAI 的做法，称其今年10月早些时候大量发布证明的行为是“对数学家的 DDoS 攻击”。
不过，他告诉 TechCrunch，自己同意与这些前沿实验室合作，以帮助引导对该领域至关重要的想法。该实验室请他与加州大学圣迭戈分校的计算机科学家 Russell Impagliazzo 和 Ramamohan Paturi 一起帮助解读这一解答。后两人于1999年首次提出 ETH。
他们的第一步是发表一封公开信，征求对这些问题感兴趣的科学家的反馈，并呼吁讨论人工智能为其研究作出贡献时应遵循的规范。
“[OpenAI 的证明中]有些部分，也许可以说是常规的，但确实有两三个部分看起来很陌生。正是我看到的这些部分让我觉得，哇，这需要整个学界共同研究，”Williams 告诉 TechCrunch。
你了解 P 与 NP 问题吗？
ETH 属于被称为 P 与 NP 问题的一类更广泛的问题。几十年来，这个问题一直牵动着计算机科学及许多其他领域。简单来说，研究人员试图弄清楚：任何解答容易验证的问题（NP），是否也都容易求解（P）。
数独游戏就是一个简单的例子：一道题一旦有了解答，就能很快验证，但找出解答却很耗时。这种情况也存在于一系列重要问题中，而这一认识是密码系统的基础：有了加密消息的密钥，就能解读消息，但要真正破解一种有效的密码，所需时间会长到失去实用价值。
不过，科学家们尚未证明这种情况是否总是成立。“P = NP 意味着，你不仅能在数独解答存在时验证它们，还能直接生成它们，”Williams 说。“P = NP 断言，对每一个可以快速验证的问题都是如此——如果你能快速验证，就能快速求解。所以这听起来实在好得令人难以置信。”
这就是为什么大多数科学家认为 P ≠ NP。ETH 为这一观点提供了依据。它大致指出，对于某一类棘手的逻辑难题，随着变量数量增加，即使是最快的计算机算法，找到解答所需的时间也会呈指数级增长。
OpenAI 和 Anthropic 声称，它们的模型找出了能在“次指数”时间内解开这些难题的算法，也就是比此前认为可能达到的速度更快。如果属实，它们可能已经证明 EFT 是错误的——用科学术语来说，就是反驳了它——也许还为普遍实现 P = NP 的算法开辟了道路。
“每位计算机科学家或许都应该稍微提高对 P = NP 这一命题成立可能性的估计，但每个人赋予它的权重可能不同，”威廉姆斯说。“我确实认为，这在某种程度上让我们开始质疑自己原先对于……[困难的 NP 问题]究竟有多容易求解的许多直觉。我也认为，这可能还不是最终答案。我不认为 OpenAI 的算法会是所能得到的最佳算法。”
计算机科学家接下来的工作
威廉姆斯说，ETH 长期以来一直站得住脚，因此过去十年里许多科学论文都将其纳入其中；如果这些 AI 实验室声称已证明 ETH 错误的说法经得起检验，这些论文就需要重新审视。
“这也是我一直请 OpenAI 支持举办一场关于此事的会议，或者说一直推动他们这样做的部分原因——这会影响许多研究人员的工作。我们需要弄清楚，除了理解这些算法，接下来该怎么办；我们还需要弄清楚，我们此前所依赖的基础应该是什么？”他说。除了科学方面的关切，网络安全方面也存在问题。威廉姆斯说，改进后的算法可能意味着，依赖某些密钥长度的密码系统会被认为已经失效。因此，他向 OpenAI 科学负责人丹·罗伯茨提出的首批问题之一是，“他们是否检查过这会不会影响任何密码系统……现在有什么东西变得不安全了吗？显然，他们检查过了，而且他们相当有把握地认为，这并不……意味着任何系统会被攻破。”
这种由 AI 推动科学发现的新范式仍在发展中，但威廉姆斯说，尽管存在切实的担忧，尤其是关于如何培养下一代科学家的担忧，他仍持乐观态度。作为一名从事高等数学研究的计算机科学家，他或许比纯数学家更容易适应这种变化。
尽管如此，他说，AI 正在“促使人们对自己所做的工作抱有更大的雄心，并更深入地思考：好吧，如果我过去研究的所有东西如今对 AI 来说都轻而易举，我该如何提高自己想要提出的科学问题的标准？”