Hipoteza czasu wykładniczego (Exponential Time Hypothesis, ETH), jedno z fundamentalnych założeń informatyki teoretycznej, mogła właśnie upaść. OpenAI ogłosił 26 października, że jego wewnętrzny model AI znalazł jej obalenie. Kilka godzin później Anthropic opublikował własne obalenie, przypisane modelowi Claude. Żaden z tych wyników nie został jeszcze potwierdzony przez środowisko naukowe.
ETH sformułowali w 1999 roku Russell Impagliazzo i Ramamohan Paturi z Uniwersytetu Kalifornijskiego w San Diego. Hipoteza zakłada, że niektórych problemów logicznych, takich jak spełnialność formuł (SAT), nie da się rozwiązać szybciej niż w czasie rosnącym wykładniczo wraz z liczbą zmiennych. Na tym założeniu opierają się setki prac z teorii złożoności. Według OpenAI model wygenerował dowód 16 października, a dzień później firma sprawdziła go maszynowo w języku Lean. Kod i dowody trafiły na GitHub.
Weryfikacja zamiast fanfar
Impagliazzo i Paturi wraz z Ryanem Williamsem z MIT zgodzili się poprowadzić otwartą, niezależną recenzję wyniku. W liście do środowiska od razu zastrzegli jednak granice swojej roli:
„Nasze zaangażowanie nie powinno być traktowane jako certyfikacja tego twierdzenia. Wynik o takiej wadze wymaga starannej, niezależnej weryfikacji.” (Impagliazzo, Paturi, Williams, list otwarty; tłum. własne)
Williams powiedział TechCrunch, że część dowodu jest rutynowa, ale dwa lub trzy fragmenty wyglądają „obco” i zrozumienie ich wymaga pracy całej społeczności. Dodał, że to prawdopodobnie nie jest ostatnie słowo w sprawie. Recenzenci nie podpisali umów o poufności i nie pobierają wynagrodzenia. Na ich prośbę OpenAI udostępni surowe dane i sfinansuje konferencję poświęconą temu wynikowi.
ETH to nie jedyne ogłoszenie. OpenAI twierdzi też, że model udowodnił hipotezę lokalnego wygładzania (local smoothing), co rozstrzygałoby hipotezy Kakeyi i restrykcji Steina. W fizyce model miał przedstawić ścisły dowód istnienia pewnych czterowymiarowych kwantowych teorii pola, w tym teorii Yanga-Millsa, jednego z problemów milenijnych. Weryfikacją części fizycznej kieruje noblista David Gross. Firma przekazała też 5 mln dolarów Fundacji Simonsa na warsztaty poświęcone wynikom uzyskanym przez AI i nie rości sobie praw do zasług akademickich.
Co to znaczy dla polskich firm
Bezpośredniego wpływu na codzienną pracę na razie nie ma. Nawet potwierdzone obalenie hipotezy czasu wykładniczego nie da z dnia na dzień szybszych narzędzi do planowania czy optymalizacji. Jeśli wynik się obroni, setki twierdzeń opartych na ETH trzeba będzie przemyśleć na nowo, a to praca dla naukowców na lata.
Ważniejszy jest sygnał. Modele frontier przestają być wyłącznie asystentami do tekstu i kodu. Zaczynają generować wyniki, które muszą sprawdzać najlepsi specjaliści na świecie. Wart uwagi jest też sam sposób weryfikacji: maszynowe sprawdzenie dowodu, publiczne dane i niezależni recenzenci. To dobry wzorzec dla każdej firmy wdrażającej AI. Wynik modelu, nawet imponujący, wymaga kontroli, zanim stanie się podstawą decyzji.
Źródło: TechCrunch (EN), 27 października 2026; The Next Web (EN).
