OpenAI دیروز راه‌حل‌هایی برای سه مسئله ریاضیِ بسیار مهم منتشر کرد که مدت‌ها پژوهشگران را سردرگم کرده بودند. یکی از این راه‌حل‌ها، رد غیرمنتظره فرضیه زمان نمایی (ETH) بود؛ فرضی دیرپا در علوم کامپیوتر که نقشی اساسی در درک ما از دشواری محاسبات دارد.

همانند انتشارهای پیشینِ اثبات‌ها از سوی این آزمایشگاه پیشرو، جوامع علمی با ترکیبی از هیجان و نگرانی واکنش نشان دادند. Levent Alpöge، ریاضی‌دان Anthropic، مطرح کرد که OpenAI راه‌حل‌هایش را بر پایه کارهای پیشین ارائه کرده است. چند ساعت بعد، Anthropic نیز ردیه خود بر ETH را منتشر کرد.

با این حال، روند کار OpenAI در حال تغییر است. این بار، آزمایشگاه برای هر یک از سه رشته مرتبط، شیوه متفاوتی برای انتشار نتایج در نظر گرفت: ریاضی‌دانان با انتشار کار در GitHub روبه‌رو شدند؛ دانشمندان علوم کامپیوتر یک گروه کاری تشکیل دادند و خواستار انتشار عمومی اثبات‌ها و تأمین مالی کنفرانسی از سوی OpenAI برای بررسی آن‌ها شدند؛ فیزیک‌دانان نیز گروه کاری‌ای تشکیل دادند تا درباره نحوه انتشار نتیجه خود تصمیم بگیرند.

استاد MIT، Ryan Williams، دانشمند علوم کامپیوتر و سازمان‌دهنده واکنش این رشته به یافته جدید است. Williams که پژوهش‌هایش بر مسائل پیچیدگی محاسباتی متمرکز است، پیش‌تر از رویکرد OpenAI انتقاد کرده و انتشار انبوه اثبات‌ها در اوایل اکتبر را «حمله DDOS به ریاضی‌دانان» خوانده بود.

با این حال، او به TechCrunch گفت که برای کمک به هدایت ایده‌های حیاتی این حوزه، با آزمایشگاه‌های پیشرو همکاری کرده است. این آزمایشگاه از او خواست در تفسیر راه‌حل کمک کند؛ Russell Impagliazzo و Ramamohan Paturi، دانشمندان علوم کامپیوتر دانشگاه UC San Diego که نخستین بار در سال ۱۹۹۹ ETH را منتشر کردند، نیز در این کار همراه او هستند.

نخستین گام آن‌ها انتشار نامه‌ای سرگشاده بود که در آن از دانشمندان علاقه‌مند به این مسائل خواسته‌اند بازخورد بدهند و درباره هنجارهای مربوط به مشارکت هوش مصنوعی در کارهایشان گفت‌وگو کنند.

Williams به TechCrunch گفت: «بعضی بخش‌های [اثبات OpenAI] شاید معمول و روتین باشند، اما بله، دو یا سه بخش هم وجود دارد که به نظر بیگانه می‌رسند. دقیقاً همین بخش‌ها بود که باعث شد فکر کنم این موضوعی است که کل جامعه علمی باید با هم روی آن کار کند.»

ETH بخشی از دسته گسترده‌تری از مسائل موسوم به P در برابر NP است؛ مسائلی که دهه‌هاست علوم کامپیوتر و بسیاری از حوزه‌های دیگر را به خود مشغول کرده‌اند. به‌طور خلاصه، پژوهشگران می‌کوشند بفهمند آیا هر مسئله‌ای که می‌توان راه‌حل آن را به‌سادگی راستی‌آزمایی کرد (NP)، به‌سادگی نیز قابل حل است (P) یا نه.

بازی سودوکو نمونه‌ای ساده است: وقتی پاسخ یک معما پیدا شود، می‌توان آن را به‌سرعت بررسی کرد، اما یافتن پاسخ زمان‌بر است. این وضعیت در طیفی از مسائل مهم صدق می‌کند و همین بینش زیربنای سامانه‌های رمزنگاری است: وقتی کلید یک پیام رمزگذاری‌شده را داشته باشید، می‌توانید آن را بخوانید؛ اما شکستن یک رمز مؤثر آن‌قدر زمان می‌برد که عملاً فایده‌ای ندارد.

با این حال، دانشمندان هنوز ثابت نکرده‌اند که این موضوع همیشه برقرار است. Williams گفت: «P = NP یعنی نه‌تنها می‌توانید پاسخ‌های سودوکو را، اگر وجود داشته باشند، راستی‌آزمایی کنید، بلکه می‌توانید خودتان آن‌ها را تولید کنید. P = NP ادعا می‌کند که این موضوع برای تک‌تک مسائلی که می‌توان به‌سرعت راستی‌آزمایی کرد درست است؛ اگر بتوانید چیزی را سریع بررسی کنید، می‌توانید آن را سریع حل کنید. بنابراین، این ادعا بیش از حد خوب به نظر می‌رسد که درست باشد.»

به همین دلیل، بیشتر دانشمندان فرض می‌کنند که P ≠ NP. ETH شواهدی در حمایت از این فرض فراهم می‌کرد. این فرضیه اساساً می‌گوید حتی سریع‌ترین الگوریتم رایانه‌ای هم برای یافتن پاسخ، با افزایش تعداد متغیرها در دسته مشخصی از معماهای منطقی دشوار، به زمانی نمایی بیشتر نیاز دارد.

OpenAI و Anthropic ادعا می‌کنند مدل‌هایشان الگوریتم‌هایی ابداع کرده‌اند که این معماها را در زمان «زیرنمایی» حل می‌کنند؛ یعنی سریع‌تر از آنچه پیش‌تر ممکن تصور می‌شد. اگر این ادعا درست باشد، شاید ثابت کرده باشند که EFT نادرست است ــ به‌اصطلاح علمی، آن را رد کرده باشند ــ و چه‌بسا راه را برای الگوریتم‌هایی هموار کرده باشند که به‌طور کلی P = NP را محقق می‌کنند.

Williams گفت: «احتمالاً همه دانشمندان علوم کامپیوتر باید کمی بیشتر احتمال‌پذیری P = NP را جدی بگیرند، هرچند میزان این تغییر در نگاه افراد متفاوت خواهد بود. فکر می‌کنم این موضوع بسیاری از شهودهایی را که درباره میزان حل‌پذیری [مسائل دشوار NP] داشتیم زیر سؤال می‌برد. همچنین فکر می‌کنم این پاسخ نهایی نیست. بعید می‌دانم الگوریتم OpenAI بهترین الگوریتم ممکن باشد.»

Williams گفت دوام ETH باعث شده است طی دهه گذشته در بسیاری از مقالات علمی به آن استناد شود؛ اگر ادعای آزمایشگاه‌های هوش مصنوعی مبنی بر اثبات نادرستی آن تأیید شود، این مقالات باید دوباره بررسی شوند.

او گفت: «تا حدی به همین دلیل بود که از OpenAI خواستم از برگزاری کنفرانسی درباره این موضوع حمایت کند؛ این مسئله بر کار بسیاری از پژوهشگران اثر می‌گذارد و باید بفهمیم گام بعدی چیست. علاوه بر درک الگوریتم‌ها، باید بدانیم مبانی‌ای که پیش‌تر داشتیم از این پس چه وضعی پیدا می‌کنند.»

پیش از نگرانی‌های علمی، پرسش‌هایی درباره امنیت سایبری مطرح است. Williams گفت الگوریتمی بهبودیافته می‌تواند به این معنا باشد که سامانه‌های رمزنگاری متکی بر اندازه‌های مشخصی از کلید را باید شکسته‌شده تلقی کرد. بنابراین یکی از نخستین پرسش‌هایی که از Dan Roberts، مسئول علمی OpenAI، پرسید این بود که «آیا بررسی کرده‌اند این موضوع بر سامانه‌های رمزنگاری اثری دارد یا نه... آیا اکنون چیزی ناامن شده است؟ ظاهراً بررسی کرده بودند و اطمینان نسبتاً زیادی داشتند که این نتیجه به شکسته‌شدن هیچ سامانه‌ای منجر نمی‌شود.»

این الگوی تازه کشف علمی با کمک هوش مصنوعی هنوز در حال شکل‌گیری است، اما Williams با وجود نگرانی‌های واقعی، به‌ویژه درباره آموزش نسل بعدی دانشمندان، خوش‌بین است. شاید پیشینه او به‌عنوان دانشمند علوم کامپیوترِ فعال در ریاضیات پیشرفته باعث شده باشد سازگاری با این وضعیت برایش آسان‌تر از ریاضی‌دانان محض باشد.

با این حال، او می‌گوید هوش مصنوعی «مردم را وادار می‌کند در کاری که انجام می‌دهند کمی بلندپروازانه‌تر باشند و عمیق‌تر فکر کنند که اگر حالا همه موضوعاتی که پیش‌تر رویشان کار می‌کردم برای هوش مصنوعی به‌راحتی قابل دستیابی شده‌اند، چطور می‌توانم سطح پرسش‌های علمی‌ای را که می‌خواهم مطرح کنم بالاتر ببرم؟»