కంప్యూటర్ సైన్స్‌కు ఇలాంటి నెల అరుదుగా వస్తుంది. దాని ఒక ప్రాథమిక నమ్మకం కూల్చబడింది, మరియు శిధిలాలను పరిశీలిస్తున్నవారిలో దాన్ని నిర్మించిన పరిశోధకులే ఉన్నారు.
అక్టోబర్ 16 న, OpenAI లోని ఒక research model సాధారణ గద్యంలో Exponential Time Hypothesis కు ప్రతివాదాన్ని రూపొందించింది. ఒక రోజులోగా ఆ వాదం Lean లోకి బదిలీ చేయబడింది, ఇది ప్రతి తార్కిక అడుగును యాంత్రికంగా ధృవీకరించే proof checker. 67 పేజీల manuscript లో రచయితగా OpenAI పేరే ఉంది.
ఎలాంటి సమన్వయం లేకుండా పనిచేసిన Anthropic కొన్ని గంటల ముందే అదే గమ్యానికి చేరుకుంది. దాని 49 పేజీల పేపర్ "A 2^o(n) Time Algorithm for 3-SAT" కు Claude శ్రేయస్సు ఇవ్వబడింది, మరియు ఆధార algorithm ను అదే రోజు ఒక Claude research model కనుగొంది.
ఈ hypothesis సుమారు 1999 నాటిది, Russell Impagliazzo మరియు Ramamohan Paturi Boolean satisfiability కు exponential time కంటే వేగవంతమైన algorithm ఏదీ లేదని వాదించారు. ఆ ఒక్క ఆలోచన graph theory, databases, computational biology మరియు geometry లో వందలాది conditional hardness results కు నిశ్శబ్దంగా పునాది.
రెండు బృందాలు ఇప్పుడు subexponential time లో satisfying assignments ను లెక్కించే deterministic పద్ధతిని వివరిస్తున్నాయి, మరియు రెండూ exponent లోని ప్రధాన పదంపై ఒకే ఫలితానికి వచ్చాయి. సమీక్షకులు ఈ పనిని నిర్ధారిస్తే, రంగంలోని అత్యంత నమ్మకమైన గోడల్లో ఒకటిలో తలుపు ఉన్నట్లు తెలుస్తుంది.
ఈ దావాకు బరువు ఇచ్చేది మోడళ్ల వంశావళి కాదు, వాటి చుట్టూ ఉన్న ధృవీకరణ నిర్మాణం. ప్రతి అనుమితి Lean గుండా వెళ్తుంది. మరియు OpenAI ఏర్పాటు చేసిన review panel లో Impagliazzo మరియు Paturi స్వయంగా ఉన్నారు, వారు ఇప్పుడు తమ స్వంత conjecture పతనాన్ని audit చేస్తున్నారు. TU Wien లోని Stefan Szeider బహిరంగ సామగ్రిని పరిశీలించారు మరియు అది జాగ్రత్తగా చదవడాన్ని తట్టుకుంటుందని ఆశిస్తున్నారు.
జాగ్రత్త అయినా అవసరం. ఈ ఫలితం P versus NP గురించి ఏమీ చెప్పదు, మరియు కొత్త algorithm ఇంకా superpolynomial time లో నడుస్తుంది, కాబట్టి రేపు ఉదయం ఏ practical solver వేగవంతం కాదు. మారింది theoretical మ్యాప్, మరియు దాన్ని తిరిగి గీస్తున్నవారి - మనుషులా లేక systems లేదా - గుర్తింపు.
కార్యనిర్వాహకులకు పాఠం complexity classes కు దూరంగా ఉంది. ఇటీవల వరకు పత్రాలను సంక్షిప్తీకరించిన software ఇప్పుడు అసలైన, machine-verified గణితాన్ని ఉత్పత్తి చేస్తోంది. తీవ్రమైన పరిశోధనకు AI ఏమి అందించగలదో దాని సరిహద్దు చాలా planning cycles ఊహించిన దానికంటే వేగంగా కదులుతోంది.
అలాంటి systems తో పాటు పనిచేయడం నేర్చుకునే సంస్థలు, కేవలం వాటికి టైపింగ్ అప్పగించేవి కాకుండా, వచ్చే దశాబ్దపు వేగాన్ని నిర్ణయిస్తాయి.
గణితపరంగా ఆలోచించండి. తెలివిగా ఇంజనీర్ చేయండి. వ్యూహాత్మకంగా నడపండి. బాధ్యతగా నిర్మించండి. ప్రపంచవ్యాప్తంగా విస్తరించండి. ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ ద్వారా నిజమైన వ్యాపార విలువను సృష్టించండి.
