هوش مصنوعی ممکن است در آستانه ایجاد یکی از مهم‌ترین تحولات تاریخ علوم کامپیوتر باشد. بر اساس گزارش نیویورک‌تایمز در ۶ نوامبر ۲۰۲۶، مدل‌های پیشرفته هوش مصنوعی توانسته‌اند راه‌حل‌های ریاضی جدیدی ارائه کنند که یکی از فرضیه‌های قدیمی و تأثیرگذار در نظریه پیچیدگی محاسباتی را زیر سؤال می‌برد. این دستاورد، در صورت تأیید مستقل، می‌تواند درک دانشمندان از محدودیت‌های محاسباتی رایانه‌ها را به شکل قابل‌توجهی تغییر دهد.

فرضیه زمان نمایی چیست و چرا اهمیت دارد؟

فرضیه زمان نمایی (Exponential Time Hypothesis) یا به اختصار ETH، یکی از فرضیه‌های مهم در علوم نظری کامپیوتر است که در اواخر دهه ۱۹۹۰ مطرح شد. این فرضیه بیان می‌کند که حل برخی مسائل محاسباتی، به‌ویژه مسئله معروف 3-SAT، با افزایش تعداد متغیرها به منابع محاسباتی بسیار زیادی نیاز دارد و نمی‌توان آن‌ها را با الگوریتمی در زمان زیرنمایی حل کرد.

برای درک بهتر موضوع، تصور کنید رایانه باید مجموعه‌ای از متغیرهای منطقی را بررسی کند تا مشخص شود آیا می‌توان شرایط مشخصی را به‌صورت هم‌زمان برقرار کرد یا خیر. با افزایش تعداد متغیرها، تعداد حالت‌های احتمالی به‌شدت افزایش پیدا می‌کند. فرضیه ETH می‌گوید این پیچیدگی را نمی‌توان به شکل اساسی و با الگوریتم‌های سریع‌تر از رشد نمایی کاهش داد. اهمیت این فرضیه تنها به یک مسئله ریاضی محدود نیست. طی بیش از دو دهه، پژوهشگران از آن برای اثبات دشواری صدها مسئله در حوزه‌هایی مانند نظریه گراف، زیست‌شناسی محاسباتی، هندسه و پایگاه داده استفاده کرده‌اند.

نقش هوش مصنوعی OpenAI و Anthropic در این کشف

آنچه این خبر را به یک رویداد مهم تبدیل می‌کند، نقش مدل‌های هوش مصنوعی در ارائه راه‌حل‌های ریاضی است. بر اساس گزارش‌های منتشرشده، OpenAI و Anthropic به‌طور مستقل اعلام کرده‌اند که مدل‌های پژوهشی آن‌ها توانسته‌اند الگوریتم‌هایی ارائه کنند که فرضیه زمان نمایی را به چالش می‌کشند. OpenAI مقاله‌ای با عنوان «The Exponential Time Hypothesis is False» منتشر کرده است. در سوی دیگر، Anthropic نیز پژوهشی را ارائه کرده که مدعی دستیابی به الگوریتمی با پیچیدگی زمانی زیرنمایی برای مسئله 3-SAT است.

نکته قابل‌توجه این است که طبق توضیحات منتشرشده، مدل‌های هوش مصنوعی در یافتن ایده اصلی این الگوریتم‌ها نقش داشته‌اند و سپس نتایج در قالب استدلال‌های ریاضی و ساختارهای رسمی ارائه شده‌اند. یکی از ابزارهای مهم در این فرایند Lean است؛ محیطی برای صورت‌بندی و بررسی رسمی اثبات‌های ریاضی که امکان شناسایی خطاهای منطقی در استدلال‌های صوری را فراهم می‌کند.

آیا این کشف تمام محدودیت‌های محاسباتی را از بین می‌برد؟

با وجود اهمیت این پیشرفت، نباید آن را به معنای پایان محدودیت‌های محاسباتی یا حل تمام مسائل دشوار رایانه‌ای دانست. نخست اینکه الگوریتم‌های پیشنهادی از نوع زیرنمایی هستند، نه لزوماً چندجمله‌ای. بنابراین حتی اگر نتایج کاملاً صحیح باشند، به این معنا نیست که مسائل دشوار فوراً با سرعت بالا روی رایانه‌های امروزی حل خواهند شد.

همچنین این دستاورد به‌تنهایی مسئله مشهور P در برابر NP را حل نمی‌کند؛ مسئله‌ای بنیادی که همچنان یکی از بزرگ‌ترین پرسش‌های حل‌نشده ریاضیات و علوم کامپیوتر محسوب می‌شود. از طرف دیگر، تأیید رسمی یک اثبات و بررسی صحت ارتباط آن با ادعای مطرح‌شده در مقاله، دو موضوع متفاوت هستند. به همین دلیل، بررسی مستقل متخصصان برای تأیید نهایی این نتایج ضروری است.

آینده علوم کامپیوتر پس از این پیشرفت

اگر ادعاهای مطرح‌شده توسط OpenAI و Anthropic تأیید شوند، بخش قابل‌توجهی از پژوهش‌های نظری کامپیوتر باید دوباره بررسی شود. برخی گزارش‌ها از وجود بیش از ۸۰۰ مقاله علمی مرتبط با این فرضیه یا فرضیه‌های قوی‌تر وابسته به آن خبر داده‌اند. این اتفاق همچنین پرسش‌های جدیدی درباره امنیت سایبری، رمزنگاری و آینده طراحی الگوریتم‌ها ایجاد می‌کند؛ هرچند هنوز نمی‌توان نتیجه گرفت که سیستم‌های رمزنگاری فعلی در معرض شکست قرار گرفته‌اند.

در نهایت، اهمیت این رویداد فراتر از معرفی یک الگوریتم جدید است. هوش مصنوعی در حال تبدیل شدن از ابزاری برای کمک به برنامه‌نویسی و تحلیل داده به یک ابزار جدی برای کشف دانش علمی است. اگر این نتایج از آزمون جامعه علمی سربلند بیرون بیایند، سال ۲۰۲۶ می‌تواند به‌عنوان یکی از نقاط عطف همکاری هوش مصنوعی و علوم نظری کامپیوتر در تاریخ علم ثبت شود.

منبع خبر: nytimes