OpenAI: nasz model AI obalił hipotezę ETH

OpenAI poinformowało, że opracowany przez firmę system sztucznej inteligencji obalił hipotezę czasu wykładniczego (Exponential Time Hypothesis, ETH) – założenie o kluczowym znaczeniu dla setek wyników w informatyce teoretycznej. Ogłoszenie pojawiło się 26 października 2026 roku i od razu wywołało dyskusję w środowisku naukowym. Co istotne, twórcy nie poprzestali na samym komunikacie – udostępnili do publicznej analizy zarówno wywód sformułowany w języku naturalnym, jak i jego formalizację w Lean.

Trzy wyniki badawcze i jeden kontrowersyjny dowód

Za komunikatem stoi Dan Roberts, który w OpenAI kieruje zespołem Frontiers. To on 26 października przedstawił trzy nowe rezultaty badawcze – z zakresu matematyki, informatyki oraz fizyki – dotyczące odpowiednio analizy harmonicznej, teorii złożoności obliczeniowej i zagadnień kwantowych. Informacje o odkryciach Roberts przekazał również w serii wpisów na platformie X.

Największe poruszenie wywołał wynik dotyczący teorii złożoności. Hipoteza czasu wykładniczego zakłada, że pewnych problemów obliczeniowych nie da się rozwiązać istotnie szybciej niż metodą brute force – czyli sprawdzania po kolei wszystkich możliwości. Na tym założeniu opiera się znaczna część współczesnej informatyki teoretycznej, w tym wiele twierdzeń o granicach efektywności algorytmów. Jeśli ETH rzeczywiście upada, konsekwencje mogą sięgać bardzo głęboko.

Dlaczego formalizacja w Lean ma znaczenie

OpenAI nie ograniczyło się do publikacji samego twierdzenia. Firma udostępniła naturalnojęzykowy argument modelu oraz jego zapis w Lean – języku formalnym służącym do maszynowej weryfikacji dowodów matematycznych. To posunięcie ma kluczowe znaczenie, ponieważ pozwala zewnętrznym badaczom samodzielnie sprawdzić poprawność rozumowania, zamiast opierać się wyłącznie na zapewnieniach twórców.

W środowisku akademickim takie podejście jest szczególnie istotne. Dowody generowane przez systemy AI bywają trudne do zweryfikowania przez ludzi – zwłaszcza gdy dotyczą zaawansowanych zagadnień teoretycznych. Formalizacja w Lean umożliwia komputerowe sprawdzenie każdego kroku rozumowania, co znacząco podnosi wiarygodność całego wyniku.

OpenAI stawia na współpracę ze środowiskiem naukowym

Firma podkreśla, że chce budować zrozumienie naukowe wspólnie ze społecznością akademicką. Publikacja materiałów do zewnętrznej analizy wpisuje się w ten kierunek – zamiast ogłaszać przełom za zamkniętymi drzwiami, OpenAI zaprasza badaczy do samodzielnej oceny przedstawionych argumentów.

To podejście może mieć szersze znaczenie dla przyszłości badań naukowych z udziałem AI. Coraz częściej modele językowe wspierają naukowców w dowodzeniu twierdzeń i rozwiązywaniu problemów teoretycznych. Kluczowym wyzwaniem staje się jednak weryfikacja takich wyników – i właśnie narzędzia takie jak Lean mogą tu odegrać rolę pomostu między maszynowym rozumowaniem a ludzką kontrolą.

Co dalej z hipotezą czasu wykładniczego

Na razie społeczność naukowa musi samodzielnie ocenić opublikowane materiały. Jeśli wynik się potwierdzi, może to oznaczać konieczność rewizji wielu twierdzeń opartych na ETH. Jeśli nie – sprawa stanie się cennym studium przypadku pokazującym, jak weryfikować matematyczne twierdzenia generowane przez sztuczną inteligencję.

Niezależnie od ostatecznego rozstrzygnięcia, samo ogłoszenie pokazuje, jak szybko zmienia się rola AI w nauce. Systemy sztucznej inteligencji przestają być wyłącznie narzędziami wspomagającymi – zaczynają uczestniczyć w rozwiązywaniu fundamentalnych problemów teoretycznych. Pytanie brzmi, czy środowisko akademickie jest gotowe na weryfikowanie takich wyników na masową skalę.