Как и в случае с предыдущими публикациями из передовой лаборатории, научное сообщество отреагировало смесью восторга и недоумения. Математик Anthropic Левент Альпоге предположил, что OpenAI основывает свои решения на уже существующих работах, а через несколько часов Anthropic опубликовал собственное опровержение ETH.
Однако процесс OpenAI развивается. На этот раз лаборатория структурировала свои релизы по-разному для каждой из трех задействованных дисциплин: математики получили работу, опубликованную на GitHub; ученые-компьютерщики сформировали рабочую группу, попросили публично поделиться доказательствами и финансировать конференцию для их обсуждения; физики сформировали рабочую группу, которая определит, как будет опубликован их результат.
Профессор Массачусетского технологического института Райан Уильямс — ученый-компьютерщик, который организует реакцию своего поля на новое открытие. Уильямс, чьи работы сосредоточены на вопросах вычислительной сложности, в прошлом критиковал подход OpenAI, назвав публикацию доказательств в октябре этого года «DDOS-атакой на математиков».
Однако он согласился сотрудничать с передовыми лабораториями, чтобы помочь продвигать идеи, жизненно важные для этой области, сообщил он TechCrunch. Лаборатория попросила его помочь интерпретировать решение вместе с учеными-компьютерщиками Калифорнийского университета в Сан-Диего Расселом Импальяццо и Рамамоханом Патури, которые впервые опубликовали ETH в 1999 году.
Их первым шагом стало открытое письмо с призывом к обратной связи от ученых, заинтересованных в этих проблемах, и обсуждению норм, касающихся вклада ИИ в их работу.
«Некоторые части [доказательства OpenAI] можно назвать рутинными, но да, есть две или три части, выглядящие как инопланетные, и именно эти части заставили меня подумать: «Вау, это то, над чем все сообщество должно работать вместе», — сказал Уильямс TechCrunch.
Вы согласны с P vs NP?
ETH является частью более широкого класса проблем, известного как P vs NP, который десятилетиями волновал информатику и многие другие области. Упрощенно говоря, исследователи пытаются понять, может ли любая задача, решение которой легко проверить (NP), также быть легко решена (P).
Простой пример — игра судоку: как только решение головоломки найдено, его можно быстро проверить, но найти решение занимает много времени. Эта динамика применима к целому ряду важных задач, и это понимание лежит в основе криптографических систем: когда у вас есть ключ к закодированному сообщению, вы можете его раскрыть, но взлом эффективного кода занимает слишком много времени, чтобы быть полезным.
Однако ученые еще не доказали, всегда ли это так. «P = NP означает, что вы не только можете проверять решения судоку, когда они существуют, но вы можете их просто генерировать», — сказал Уильямс. «P = NP утверждает, что это верно для каждой задачи, которую можно быстро проверить — если ее можно быстро проверить, ее можно быстро решить. Так что это кажется слишком хорошо, чтобы быть правдой».
Вот почему большинство ученых предполагают, что P ≠ NP. ETH предоставил доказательства этого. По сути, он говорит, что даже самый быстрый компьютерный алгоритм требует экспоненциально больше времени для поиска решения по мере роста числа переменных в определенном классе сложных логических головоломок.
Заявления OpenAI и Anthropic заключаются в том, что их модели создали алгоритмы, решающие эти головоломки за «субэкспоненциальное» время, то есть быстрее, чем считалось ранее возможным. Если это правда, они могли опровергнуть EFT, то есть опровергнуть его в научном смысле, и, возможно, открыть путь для алгоритмов, которые в целом реализуют P = NP.
«Каждый ученый-компьютерщик, вероятно, должен немного больше учитывать правдоподобность P = NP, но вес может варьироваться», — сказал Уильямс. «Я думаю, что это ставит под сомнение многие интуитивные представления, которые, как мы думали, у нас были о… насколько [сложные NP-задачи] решаемы. Я также думаю, что это, вероятно, не окончательный ответ. Я не думаю, что алгоритм OpenAI может быть лучшим алгоритмом, который можно получить».
Предстоящая работа для ученых-компьютерщиков
Прочность ETH привела к тому, что он был включен во многие научные работы за последнее десятилетие, которые придется пересмотреть, если утверждения ИИ-лабораторий о том, что они доказали его ошибочность, окажутся верными, сказал Уильямс.
«Отчасти поэтому я просил или подталкивал OpenAI поддержать конференцию по этому поводу — это повлияет на работы многих исследователей, и нам нужно выяснить, хорошо, что будет дальше, помимо понимания алгоритмов, нам нужно понять, какими должны быть основы, которые у нас были раньше?» — сказал он.
Прежде чем перейти к научным проблемам, существуют вопросы кибербезопасности. Уильямс сказал, что улучшенный алгоритм может означать, что криптографические системы, полагающиеся на определенные размеры ключей, могут считаться взломанными. Поэтому один из первых вопросов, который он задал руководителю отдела науки OpenAI Дэну Робертсу, был: «Влияет ли это на какие-либо криптосистемы… стало ли что-то небезопасным сейчас? И, видимо, они проверили и были достаточно уверены, что это не… подразумевает каких-либо сбоев».
Эта новая парадигма научного открытия с помощью ИИ все еще находится в стадии разработки, но Уильямс говорит, что он оптимистичен, несмотря на реальные опасения, особенно в отношении обучения следующего поколения ученых. Будучи ученым-компьютерщиком, занимающимся высокоуровневой математикой, он, возможно, легче адаптировался, чем чистые математики.
Тем не менее, он говорит, что ИИ «заставляет людей быть немного более амбициозными в отношении той работы, которую они делают, и глубже задуматься: хорошо, если все, над чем я раньше работал, теперь является легкой добычей для ИИ, как я могу повысить планку для научных вопросов, которые я хочу задать?»
Всегда имейте в виду, что редакции могут придерживаться предвзятых взглядов в освещении новостей.
Автор – Tim Fernholz
