Hoe OpenAI de Exponential Time Hypothesis in de Verenigde Staten uitdaagt
Bron: TechCrunch AI
OpenAI heeft onlangs oplossingen gepresenteerd voor drie belangrijke wiskundige problemen die onderzoekers al lange tijd bezighouden. Een van deze oplossingen is een onverwachte afwijzing van de Exponential Time Hypothesis (ETH), een grondige aanname binnen de computerwetenschap die een belangrijke rol speelt in ons begrip van de moeilijkheidsgraad van berekeningen.
De reacties vanuit de wetenschappelijke gemeenschap waren een mix van enthousiasme en teleurstelling. Levent Alpöge, een wiskundige van Anthropic, suggereerde dat OpenAI's oplossingen voortkwamen uit eerder werk. Enkele uren later kwam Anthropic zelf met een weerlegging van de ETH.
OpenAI's aanpak evolueert echter. Dit keer heeft het laboratorium zijn publicaties anders gestructureerd voor de drie betrokken disciplines: wiskundigen kregen de resultaten via GitHub, computerwetenschappers vormden een werkgroep die vroeg om publieke toegang tot de bewijzen en om financiering voor een conferentie, en natuurkundigen richtten een werkgroep op om te bepalen hoe hun resultaten gepresenteerd worden.
De rol van MIT-professor Ryan Williams
Ryan Williams, een professor aan het MIT, is de computerwetenschapper die de reactie vanuit zijn vakgebied organiseert op deze nieuwe bevindingen. Williams, wiens werk zich richt op vragen rondom computationele complexiteit, heeft in het verleden kritiek geuit op de aanpak van OpenAI, en noemde de eerdere bewijslevering van dit jaar een "DDoS-aanval op wiskundigen".
Toch stemde hij ermee in om samen te werken met de frontier labs om ideeën te begeleiden die cruciaal zijn voor het veld, zoals hij vertelde aan TechCrunch. Het laboratorium vroeg hem om te helpen bij de interpretatie van de oplossing, samen met de computerwetenschappers Russell Impagliazzo en Ramamohan Paturi van UC San Diego, die de ETH in 1999 voor het eerst publiceerden.
Open brief en samenwerking met wetenschappers
Een van de eerste stappen die ze ondernamen was het uitgeven van een open brief waarin ze feedback vroegen van wetenschappers die geïnteresseerd zijn in deze problemen en waarin ze de discussie over de normen rondom AI-bijdragen aan hun werk opriepen.
“Sommige delen [van OpenAI's bewijs] zijn misschien routine, maar er zijn ook twee of drie delen die er vreemd uitzien, en dat zijn precies deze delen die me deden denken: dit is iets waar de hele gemeenschap samen aan moet werken,” aldus Williams in een interview met TechCrunch.
De Exponential Time Hypothesis en P versus NP
De ETH maakt deel uit van een bredere klasse van problemen die bekend staat als P versus NP, wat al decennialang een belangrijke discussie vormt binnen de computerwetenschap en vele andere velden. In essentie proberen onderzoekers te begrijpen of elk probleem waarvan de oplossing gemakkelijk kan worden geverifieerd (NP) ook gemakkelijk kan worden opgelost (P).
Een eenvoudig voorbeeld is het spel Sudoku: Zodra een oplossing voor een puzzel is gevonden, kan deze snel worden geverifieerd, maar het vinden van de oplossing kost veel tijd. Dit principe geldt voor een reeks belangrijke problemen en vormt de basis voor cryptografische systemen: Wanneer je de sleutel van een gecodeerd bericht hebt, kun je het onthullen, maar daadwerkelijk een effectieve code kraken, kost te veel tijd om nuttig te zijn.
De implicaties van P = NP
Wetenschappers zijn er echter nog niet in geslaagd om te bewijzen of dit altijd waar is. “P = NP betekent dat, niet alleen kun je Sudoku-oplossingen verifiëren wanneer ze bestaan, maar je kunt ze ook gewoon genereren,” legt Williams uit. “P = NP stelt dat dit waar is voor altijd.”
De ontwikkelingen rond de ETH en de samenwerking tussen OpenAI en wetenschappers in de Verenigde Staten kunnen een grote impact hebben op de manier waarop we deze complexe vraagstukken in de toekomst benaderen. Het is een spannend tijdperk voor de computerwetenschap, waarin samenwerking en openheid essentieel zijn voor vooruitgang.
Vertaald met ChatGPT gpt-4o-mini
