Twierdzenie OpenAI o obaleniu ETH podważa fundamentalne założenie informatyki

OpenAI twierdzi, że jego AI znalazła obalenie 27-letniej hipotezy informatycznej, podważając założenie wykorzystywane przez badaczy do oceny ograniczeń algorytmów. Twierdzenie OpenAI o obaleniu ETH dotyczy Hipotezy Czasu Wykładniczego, nieudowodnionego stwierdzenia o tym, jak trudne stają się określone problemy logiczne wraz ze wzrostem danych wejściowych. Anthropic opublikował konkurencyjny wynik. Kluczowe pytanie brzmi, czy opublikowane argumenty potwierdzają to, co deklarują firmy, w tym wskazane przez nie ograniczenia.

Historycznym punktem odniesienia są prace Russella Impagliazzo i Ramamohana Paturiego, których hipoteza pomagała badaczom rozumować o trudności obliczeniowej. Prawidłowe obalenie ponownie otworzyłoby kwestie oparte na tym założeniu. Nie unieważniłoby automatycznie każdej powiązanej publikacji ani nie uczyniłoby trudnych zadań obliczeniowych łatwymi.

Główne napięcie dotyczy odkrycia wygenerowanego przez AI i wyniku niezależnie zrozumianego przez badaczy. Publiczne manuskrypty oraz dowody możliwe do sprawdzenia maszynowo dają naukowcom konkretny materiał do analizy. Rodzą także odrębne pytania dotyczące definicji, gwarancji czasu działania, przypisania autorstwa i praktycznej wartości. Te rozróżnienia przesądzają o tym, czy będzie to uznany postęp matematyczny, skorygowane twierdzenie czy coś węższego, niż sugerują nagłówki.

Co faktycznie twierdzi OpenAI w sprawie obalenia ETH

OpenAI ogłosiło wynik 26 października 2026 roku. Firma podaje, że jej model stworzył argument w języku naturalnym 16 października, a następnego dnia nastąpiła jego formalizacja. Formalizacja oznacza przełożenie argumentu na precyzyjne stwierdzenia, które może sprawdzić oprogramowanie do weryfikacji dowodów.

Współpraca naukowa firmy umieszcza wynik pod analizą grupy prowadzonej przez Impagliazzo, Paturiego i Ryana Williamsa z MIT. OpenAI zapowiada publiczne udostępnienie materiałów badawczych oraz sfinansowanie konferencji poświęconej konsekwencjom odkrycia.

Konkretną wiadomością jest opublikowane twierdzenie z możliwymi do zbadania artefaktami i ogłoszonym procesem recenzji, a nie niezależnie rozstrzygnięty wynik.

Problemem docelowym jest 3-SAT, który pyta, czy wartości prawda-fałsz mogą spełnić formułę zawierającą klauzule złożone z najwyżej trzech literałów. Literał to zmienna albo jej negacja, a klauzula łączy alternatywy, które mogą spełnić tę część formuły. Hipoteza głosi, że rozwiązywanie dowolnych instancji wymaga w najgorszym przypadku czasu wykładniczego, w swoim standardowym sformułowaniu.

Czas wykładniczy opisuje wzrost przypominający stałą podstawę podniesioną do potęgi proporcjonalnej do liczby zmiennych. Czas podwykładniczy rośnie wolniej niż każda taka wykładnicza o stałym tempie, gdy dane wejściowe stają się wystarczająco duże. To rozróżnienie dotyczy matematycznych temp wzrostu, a nie obietnicy dotyczącej liczby sekund na laptopie.

Proponowany algorytm zliczający OpenAI twierdzi, że potrafi więcej niż rozstrzygnąć, czy formuła ma rozwiązanie. Ma on dokładnie zliczać spełniające przypisania dla formuł o ustalonej maksymalnej szerokości klauzuli. Zliczanie obejmuje pytanie decyzyjne, ponieważ dodatni wynik zliczania potwierdza istnienie rozwiązania.

To sprawia, że twierdzenie jest istotne, ale zarazem wymaga precyzyjnego języka. Wynik dotyczący zdefiniowanej rodziny formuł i modelu obliczeniowego należy badać w tych właśnie kategoriach. Zastąpienie tego sformułowaniem „AI uczyniła informatykę łatwą” zatarłoby istotę tego, co badacze muszą zweryfikować.

Ta sama ostrożność dotyczy słowa „teoria”. ETH jest hipotezą, co oznacza, że badacze wykorzystywali ją jako jawne założenie, nie dysponując dowodem. Znalezienie prawidłowego kontrargumentu rozstrzygnęłoby otwarte pytanie. Nie oznaczałoby, że badacze potajemnie traktowali ustaloną sprzeczność jako rozstrzygniętą wiedzę.

Dla czytelników szukających wyjaśnienia OpenAI ETH jest to punkt wyjścia: proponowana zmiana dotyczy granicy matematycznej, którą wcześniej zakładano jako obowiązującą. Recenzja musi ustalić, czy algorytm przekracza tę granicę dla całej klasy problemów.

To rozróżnienie wyjaśnia również, dlaczego niewielka poprawa wydajności nie byłaby wystarczająca. Szybszy algorytm wykładniczy może pozostawać zgodny z ETH. Znaczenie deklarowanego postępu wynika z tego, że jego tempo wzrostu należy do innej kategorii.

Badania warunkowe czeka węższe rozliczenie, niż sugerują nagłówki

Pierwszą grupą pod presją są badacze, których wnioski wprost zależą od ETH. Ich natychmiastowym zadaniem jest ustalenie, które konkluzje wymagają tego założenia, a które argumenty zachowują użyteczność niezależnie od niego.

Warunkowa dolna granica mówi, że algorytm nie może osiągnąć określonej wydajności, chyba że bazowe założenie okaże się fałszywe. Redukcja, czyli przekształcenie między problemami obliczeniowymi, łączy problem docelowy z tym założeniem. Wartość intelektualna może obejmować samo przekształcenie, nawet gdy założenie później upadnie.

Fałszywe założenie odbiera wsparcie warunkowej konkluzji; nie czyni automatycznie fałszywym każdego stwierdzenia w publikacji.

Oryginalne badania ETH autorstwa Impagliazzo i Paturiego analizują, jak złożoność spełnialności zmienia się wraz z szerokością klauzuli. Ich publikacja w czasopiśmie ukazała się w 2001 roku, po wcześniejszym sformułowaniu hipotezy. Ta historia wyjaśnia, dlaczego zgłoszony wynik wykracza poza pojedynczy algorytm.

Badacze powinni jednak rozróżniać kilka możliwych konsekwencji. Istniejący dowód może nadal pozostawać poprawną implikacją: jeśli ETH jest prawdziwa, wynika z niej określona konsekwencja. Gdy ETH okaże się fałszywa, taka implikacja przestaje ustanawiać tę konsekwencję jako fakt dotyczący świata.

Sama konsekwencja może mimo to być prawdziwa z innego powodu. Ewentualnie nowy algorytm może wskazać sposób jej obejścia. Ustalenie, który scenariusz zachodzi, wymaga zbadania konkretnej redukcji, rozmiaru danych wejściowych i deklarowanego czasu działania.

Wyobraźmy sobie badacza analizującego trudny problem grafowy. Jego publikacja przekształca określone formuły logiczne w grafy i wykorzystuje ETH do argumentowania przeciw szybszym algorytmom. Obalenie wymagałoby ponownej oceny wniosku z tego argumentu.

Nie dostarczyłoby jednak automatycznie praktycznego solvera problemów grafowych. Przekształcenie mogłoby powiększać dane wejściowe, zachowywać tylko określone parametry albo wprowadzać narzut istotny dla wynikowego czasu działania. Badacz musiałby prześledzić nową granicę przez istniejącą konstrukcję.

Dlatego określenie „dekady pracy wymazane” jest nieadekwatne. Część wniosków straciłaby zakładany fundament. Inne prace stałyby się wskazówką do poszukiwania konsekwencji nowo proponowanego algorytmu.

Kierownicy badań stoją przed podobnym rozróżnieniem, gdy decydują, co wspierać dalej. Zespół powinien przeanalizować projekty, których nowość zależy od bariery opartej na ETH. Powinien też zapytać, czy projekty te zawierają techniki pomagające badać proponowaną alternatywę.

Użyteczną reakcją jest audyt zależności, a nie zbiorowe odrzucenie całej dziedziny. Które stwierdzenia bezpośrednio przywołują ETH? Które opierają się na silniejszym założeniu? Które ustanawiają bezwarunkowe zależności, które pozostają nienaruszone?

Pytania te są wymagające, ponieważ wpływ rozkłada się między poszczególne wyniki. Nagłówek nie może wskazać każdego dotkniętego twierdzenia. Nawet przyjęte obalenie rozpoczęłoby okres interpretacji, zamiast natychmiast tworzyć kompletną mapę zastępczą.

Dla programistów śledzących tę historię istotna presja dotyczy najpierw założeń badawczych. Zmiany w architekturze oprogramowania, wydatkach na infrastrukturę czy mapach drogowych produktów wymagają dodatkowych dowodów powiązanych z rzeczywistymi obciążeniami.

Lepsze tempo wzrostu nie dowodzi szybszego produktu

Proponowany postęp dotyczy złożoności asymptotycznej, czyli tego, jak wymagania dotyczące zasobów zachowują się wraz z nieograniczonym wzrostem danych wejściowych. Ta perspektywa pozwala badaczom odróżniać zasadniczo różne możliwości algorytmiczne. Nie klasyfikuje jednak bezpośrednio implementacji na danych wejściowych spotykanych przez firmy.

Teoretycznie lepsze tempo wzrostu może ustanawiać istotny wynik matematyczny, nie zapewniając natychmiastowej przewagi inżynieryjnej.

Anthropic wyraźnie zaznacza tę granicę w swoich artefaktach badawczych. Repozytorium przypisuje odkrycie wewnętrznemu badawczemu modelowi Claude i opisuje wynik jako czysto asymptotyczny. Podkreśla, że wynik nie zawiera twierdzenia o praktycznym rozwiązywaniu formuł.

To zastrzeżenie powinno kształtować sposób, w jaki czytelnicy porównują firmy. Dowody matematyczne OpenAI i Anthropic należą do dyskusji o możliwych do zbadania wkładach badawczych. Nie stanowią jeszcze podstawy do rankingu asystentów konsumenckich ani wyboru subskrypcji narzędzi programistycznych dla przedsiębiorstw.

Rozróżnienie staje się wyraźniejsze w przykładowym scenariuszu inżynieryjnym. Wyobraźmy sobie zespół oceniający oprogramowanie sprawdzające, czy reguły konfiguracji są ze sobą sprzeczne. Zespół potrzebuje wiarygodnych odpowiedzi w granicach swoich możliwości operacyjnych, dla formuł przypominających własne dane.

Teoretyczna poprawa czasu działania byłaby istotnym kontekstem. Wdrożenie nadal wymagałoby implementacji, reprezentatywnej ewaluacji oraz porównania z obecnym podejściem zespołu. Sam dowód nie ujawnia nakładu potrzebnego do instalacji, niezawodności operacyjnej ani rozmiarów danych wejściowych, przy których pojawia się przewaga.

Znaczenie mają również stałe. Granica czasu działania może ukrywać stałe mnożniki lub zależności, które przeważą asymptotyczną przewagę przy dostępnych rozmiarach danych. Punkt, w którym metoda teoretycznie lepsza staje się szybsza, wymaga własnej analizy.

Znaczenie ma także struktura danych wejściowych. Gwarancja dla najgorszego przypadku obejmuje każdą dopuszczalną instancję, w tym te trudne. Wdrożone obciążenie może zawierać wzorce, z którymi istniejąca implementacja już radzi sobie wydajnie.

Odwrotnie, słabe wyniki praktyczne nie musiałyby podważać twierdzenia matematycznego. Jeśli algorytm spełnia wymaganą granicę dla całej wskazanej klasy problemów, ten wniosek teoretyczny opiera się na jego dowodzie. Użyteczność produktowa jest odrębną kwestią.

To rozdzielenie powinno ograniczać także twierdzenia dotyczące bezpieczeństwa. Wynik odnoszący się do spełnialności nie demonstruje sam w sobie operacyjnego ataku na konkretny system kryptograficzny. Takie twierdzenie wymaga wyraźnego powiązania, konkretnych parametrów i możliwej do realizacji implementacji.

To samo rozumowanie zapobiega innemu częstemu skrótowi myślowemu: założeniu, że obalenie ETH rozstrzyga problem P versus NP. Problem ten pyta, czy rozwiązania, które można skutecznie weryfikować, zawsze można także skutecznie znaleźć. Clay Mathematics Institute nadal wymienia P versus NP jako problem nierozwiązany.

Czas podwykładniczy nie jest synonimem czasu wielomianowego, którego czas działania jest ograniczony stałą potęgą długości danych wejściowych. Przekroczenie granicy ETH nie ustanawia zatem silniejszej gwarancji wydajności związanej z rozwiązaniem problemu P versus NP.

Dla nabywców korporacyjnych praktyczny wniosek jest prosty. Traktujcie to ogłoszenie jako rozwój badań, który warto monitorować. Przed przełożeniem go na decyzję zakupową lub obiecaną poprawę produktywności poproście o dowody dotyczące rzeczywistych obciążeń.

Weryfikacja maszynowa nadal pozostawia stwierdzenie do interpretacji

Najistotniejsze zastrzeżenie pojawia się w samych materiałach technicznych. Zakres formalizacji OpenAI rozróżnia czas działania ustalony w Lean od ostrzejszego ograniczenia przedstawionego w manuskrypcie z 25 października.

Lean to asystent dowodzenia — oprogramowanie sprawdzające, czy formalne argumenty wynikają z ich definicji i dopuszczonych założeń. Jego rola jest cenna, ponieważ sprawia, że zależności logiczne są jawne i możliwe do mechanicznej weryfikacji.

Według informacji o zakresie sformalizowane ograniczenie zawiera dodatkowy czynnik logarytmiczny w porównaniu z ogólnym ograniczeniem z manuskryptu. Oba są określane jako subwykładnicze, lecz nie stanowią identycznych gwarancji.

Twierdzenie sprawdzone maszynowo zasługuje na uwagę, ale jego związek z głównym twierdzeniem nadal wymaga uważnej lektury.

To rozróżnienie nie dowodzi, że obalenie jest błędne. Słabsze ograniczenie może nadal wystarczać, by zaprzeczyć ETH. Oznacza jednak, że czytelnicy powinni unikać stwierdzeń, iż każdy szczegół manuskryptu przeszedł identyczną formalną weryfikację.

Właściwa ocena wymaga pytania, które dokładnie twierdzenie zostało sprawdzone. Następnie należy porównać to twierdzenie z definicjami z artykułu, modelem obliczeniowym, kodowaniem danych wejściowych i rozliczaniem zasobów. Kodowanie oznacza precyzyjną reprezentację problemu otrzymywaną przez algorytm.

Te szczegóły są istotne, ponieważ twierdzenia matematyczne dotyczą zdefiniowanych obiektów. Twierdzenie o jednej reprezentacji nie staje się automatycznie twierdzeniem o każdym nieformalnym opisie brzmiącym podobnie. Takie połączenie wymaga argumentu.

Anthropic pokazuje ten sam ogólny problem z innej strony. Jego repozytorium rozdziela krótki plik definiujący główne twierdzenia od plików zawierających dowody. Dokumentacja wyraźnie pozostawia ludziom odpowiedzialność za sprawdzenie zgodności między formalnym stwierdzeniem a artykułem.

To użyteczny środek przejrzystości. Daje recenzentom mniejsze stwierdzenie do zbadania, zanim przystąpią do analizy mechanizmu dowodowego. Zapobiega też temu, by fraza „zweryfikowane przez Lean” wykonywała więcej pracy wyjaśniającej, niż powinna.

Obrazową analogię stanowią specyfikacje oprogramowania. Program może spełniać zapisaną specyfikację, choć pomija ona wymaganie, które użytkownicy uznawali za oczywiste. Weryfikacja pozostaje znacząca, ale rozbieżność zmienia to, jakie wnioski można wyciągnąć.

Formalizacja matematyczna wymaga porównywalnego rozróżnienia między poprawnością logiczną a zamierzonym znaczeniem. Recenzenci potrzebują pewności zarówno co do sprawdzonego wnioskowania, jak i tego, że jego treść oddaje omawiane pytanie obliczeniowe.

Dla rzetelnego wyjaśnienia ETH przez OpenAI jest to kluczowe zastrzeżenie. Istotne pytanie nie brzmi, czy sprawdzanie maszynowe się liczy. Chodzi o to, co dokładnie ono ustala i w jaki sposób ten wniosek wspiera deklarowane obalenie.

Istnieje również granica raportowania. Analiza publicznych opisów nie jest równoznaczna z niezależnym odtworzeniem formalnego dowodu ani audytem każdej zależności. Ta analiza nie twierdzi, że wykonała którekolwiek z tych zadań.

Dopóki publiczna ocena nie wyjaśni tych warstw, sformułowanie „deklarowane obalenie” pozostaje użyteczne. Uznaje istotne opublikowane dowody, nie przedstawiając interpretacji firm jako ostatecznego werdyktu naukowego.

OpenAI i Anthropic muszą uczynić swój wkład zrozumiałym

Konkurencyjne publikacje wywierają presję na oba laboratoria, by wyjaśniły drogę od wyniku modelu do twierdzenia badawczego. Czytelnicy potrzebują czegoś więcej niż stwierdzenia, że wewnętrzny system rozwiązał ważny problem.

Porównanie powinno skupiać się na dowodach, które można zbadać. Które artefakty są publiczne? Które formalne stwierdzenia odpowiadają manuskryptowi? Jaka praca człowieka połączyła wygenerowany argument z opublikowanym wynikiem?

Najmocniejszy argument badawczy sprawi, że wkład będzie na tyle możliwy do prześledzenia, by osoby z zewnątrz mogły go zrozumieć, zakwestionować i wykorzystać ponownie.

OpenAI opisuje proces obejmujący zewnętrznych badaczy i publiczną analizę. Anthropic udostępnia repozytorium ze stwierdzeniami, materiałami dowodowymi i instrukcjami sprawdzania artefaktów. To różne wybory prezentacyjne w ramach tego samego większego wyzwania: przekształcenia wyniku w wspólne zrozumienie.

Krótkie formalne stwierdzenie w repozytorium Anthropic wyraźnie zaznacza, że zawiera definicje, a nie dowody. To rozdzielenie uwidacznia ważną kwestię: sformułowanie twierdzenia i jego ustanowienie to odrębne artefakty.

W porównaniach dowodów matematycznych OpenAI i Anthropic to rozróżnienie jest bardziej użyteczne niż narracja o wyścigu. Publikacja może pojawić się wcześniej, a jednocześnie wymagać więcej wyjaśnień. Późniejsza publikacja może być łatwiejsza do zbadania, niekoniecznie ustalając pierwszeństwo.

Samo pierwszeństwo wymaga udokumentowanego opisu tego, co istniało w danym momencie. Przypisanie zasług wymaga wskazania wcześniejszych idei oraz wkładu każdego uczestnika. Te kwestie należy badać na podstawie dowodów, a nie wyprowadzać z firmowych komunikatów.

Wartość naukowa zależy również od tego, czy badacze potrafią wyjaśnić, dlaczego metoda działa. Złożony artefakt, który pomyślnie przechodzi sprawdzenie, może nadal wymagać znacznego wysiłku dydaktycznego, uproszczenia i rekonstrukcji, zanim inni będą mogli go rozwinąć.

Ta praca zasługuje na uznanie. Opracowanie zrozumiałego argumentu może ujawnić, które składniki są niezbędne, a które uboczne. Może także wskazać drogę do ulepszeń, której pierwotny wynik nie czyni oczywistą.

Sugeruje to szerszy standard oceny systemów AI do badań naukowych. Imponujące twierdzenie powinno zachęcać do analizy odkrycia, weryfikacji i przekazywania zrozumienia. Traktowanie ich jako odrębnych wkładów czyni ocenę bardziej precyzyjną.

Zmienia to również sposób, w jaki deweloperzy powinni interpretować porównania modeli. Udany wewnętrzny eksperyment badawczy nie ustala, jak publiczny model zachowuje się wobec zwykłych promptów. Opublikowane artefakty nie określają automatycznie odtwarzalności między produktami lub użytkownikami.

Dla zespołów śledzących rozwijającą się dyskusję zarządzanie źródłami staje się częścią pracy. Należy utrzymywać powiązanie między ogłoszeniem, manuskryptem, formalnym stwierdzeniem i późniejszymi poprawkami. Warto zapisywać, który wniosek zależy od którego dokumentu.

Przeszukiwalna baza wiedzy może pomóc zespołom inżynieryjnym zachować te relacje w miarę zmian wersji. Ważnym nawykiem jest utrzymywanie proweniencji, czyli jasnego zapisu pochodzenia każdego twierdzenia.

Obalenie ETH przez OpenAI jest zatem również testem komunikacji naukowej. Wynik potrzebuje formy, która pozwala niezależnej krytyce pogłębiać zrozumienie. Konkurencyjne ogłoszenie przyciąga uwagę; przejrzysty opis daje tej uwadze produktywne ujście.

Obserwuj niezależne ustalenia, zgodność stwierdzeń i implementacje

Kolejne użyteczne sygnały będą dotyczyć dowodów, a nie następnej rundy coraz bardziej pewnych siebie nagłówków. W nadchodzących miesiącach czytelnicy powinni śledzić niezależne analizy, relację między twierdzeniami formalnymi i pisemnymi oraz praktyczne prace implementacyjne.

Niezależne ustalenia powinny kierować oceną, ponieważ określają, na czym społeczność badawcza może odpowiedzialnie budować.

Po pierwsze, warto obserwować publiczne wyjaśnienie niezależnych recenzentów, które wskaże twierdzenie uznane przez nich za poprawne albo wykrytą lukę. Najmocniejsza aktualizacja opisywałaby rozumowanie, istotne założenia i ograniczenia w kategoriach, które inni badacze mogą ocenić.

Udział w grupie recenzenckiej sam w sobie nie jest poparciem. Ukończony opis powinien odróżniać wnioski recenzentów od twierdzeń firmy będącej źródłem pracy. To rozdzielenie ma znaczenie nawet wtedy, gdy wszyscy zaangażowani uznają wynik za obiecujący.

Jeśli recenzenci zaakceptują główny argument, zaufanie do obalenia wzrośnie. Jeśli wskażą błąd możliwy do naprawienia, kolejne pytanie dotyczy tego, czy poprawka zachowuje wymagany czas działania. Krytyczna luka osłabiłaby główne twierdzenie.

Po drugie, warto obserwować, czy artykuł i formalizacja stają się łatwiejsze do porównania. Różnica czasu działania w informacji o zakresie OpenAI zapewnia konkretny punkt wyjścia. Jasne wyjaśnienie powinno wskazywać, które ograniczenia są ustanowione przez które artefakty.

Użyteczna aktualizacja przyporządkowałaby główne pisemne twierdzenia precyzyjnym stwierdzeniom formalnym. Wyjaśniałaby wszelkie pozostałe różnice, nie zmuszając czytelników do wnioskowania o ich znaczeniu wyłącznie z notacji.

Bliższa zgodność wzmocniłaby zaufanie do pełnej prezentacji. Węższe zaakceptowane stwierdzenie wymagałoby ostrożniejszego raportowania, nawet jeśli nadal obala ETH. Zmiany należy oceniać według ich konsekwencji matematycznych, zamiast automatycznie traktować je jako porażkę lub potwierdzenie.

Po trzecie, warto śledzić implementację wspartą odtwarzalną oceną. To zaczęłoby odpowiadać na pytania inżynieryjne, które analiza asymptotyczna pozostawia otwarte. Ocena powinna opisywać obciążenie robocze, metodę porównania i wymagania dotyczące zasobów.

Praktyczna przewaga wzmocniłaby argumenty za wdrożeniem w dalszych zastosowaniach. Brak wykazanej przewagi pozostawiłby pytanie teoretyczne nienaruszone, ograniczając jednak natychmiastowe twierdzenia komercyjne. Te wyniki powinny pozostać rozdzielone w każdej ocenie postępu.

Badacze mogą przygotować się, identyfikując prace, których wnioski wyraźnie zależą od ETH. Deweloperzy mogą przygotować się, dokumentując rodzaje problemów spełnialności lub optymalizacji, z jakimi faktycznie spotykają się ich systemy. Żadna z grup nie musi zakładać wyniku, zanim pojawią się dowody.

Dla wszystkich pozostałych najkorzystniejszym działaniem jest śledzenie artefaktów obok komentarzy. Zacznij od sformułowanego twierdzenia, sprawdź, co akceptują niezależni recenzenci, i oddzielaj zakres matematyczny od obietnic produktowych. Gdy pojawi się nowe ogłoszenie, zapytaj, która część tych dowodów się zmieniła. Czy ktoś wyjaśnił dowód, dopasował formalne stwierdzenie albo wykazał użyteczną wydajność? Twierdzenie o obaleniu ETH przez OpenAI zasługuje na uwagę, ponieważ podważa fundamentalne założenie. Jego trwałe znaczenie będzie zależeć od zaakceptowanego wyniku i od tego, co badacze będą mogli z nim zrobić. Śledź te wydarzenia, zanim uznasz deklarowaną zmianę ograniczeń za praktyczną zdolność obliczeniową.