AI-modeller påstår sig ha motbevisat ett klassiskt matematikteorem
OpenAI och andra ledande AI-labb hävdar att deras modeller har motbevisat Exponential Time Hypothesis – ett decennier gammalt antagande inom datavetenskap om hur snabbt vissa beräkningsproblem kan lösas. TechCrunch pratade med en MIT-forskare om vad det faktiskt innebär, och det intressanta är inte bara resultatet utan frågan om vi verkligen kan lita på att en AI-modell gör genuin matematisk slutledning – eller om det handlar om något mer svårdefinierat.
Djupdykning
OpenAI och andra frontier-labb hävdar nu att deras modeller har motbevisat Exponential Time Hypothesis (ETH) – en av de fundamentala antagandena inom teoretisk datavetenskap som säger att vissa problem *måste* ta exponentiellt lång tid att lösa, oavsett hur bra din algoritm är. Om det stämmer är det ungefär som att hitta en genväg i ett labyrint som alla matematikers bevisat saknar genvägar. Problemet är att "motbevisa" i det här sammanhanget är ett väldigt starkt ord – vad modellerna faktiskt gjort är att hitta lösningar på specifika instanser av problemet snabbare än förväntat, vilket inte automatiskt innebär att ETH som helhet faller. MIT-forskaren som fått förklara upptäckten för omvärlden verkar själv nyanserad: det är ett remarkabelt resultat, men den vetenskapliga processen med peer review och replikering har knappt börjat. Det de flesta missar i den här typen av nyheter är skillnaden mellan att en AI *hittar* ett svar och att den *förstår varför* det fungerar – och det är just den skillnaden som avgör om vi lärt oss något nytt om matematiken eller bara fått ett bättre gissningsverktyg. Om AI-modeller kan börja göra genuina bidrag till komplexitetsteori ruckar det på antagandet att formell matematik är det sista territoriet där mänsklig intuition är oersättlig.