Az OpenAI közzétette, hogy belső AI-modelljei három jelentős tudományos eredményt értek el. Az állítások között szerepel a lokális simítási sejtés bizonyítása minden dimenzióban, az exponenciális idő hipotézisének (ETH) megcáfolása egy új determinisztikus algoritmussal, valamint a kvantum-színdinamika egzakt egzisztenciabizonyítása.
A cég nem kér tudományos elismerést a felfedezésekért, hanem külső szakértőket kért fel az eredmények független ellenőrzésére. Az informatikai bizonyítást az ETH eredeti megfogalmazói, Russell Impagliazzo és Ramamohan Paturi vizsgálják felül, míg a fizikai áttörést a Nobel-díjas David Gross által vezetett csoport dolgozza fel. A matematikai modellt és a Lean-bizonyítást nyilvánosan is elérhetővé tették a GitHubon.
A megközelítés ugyanakkor szakmai vitákat is kiváltott. Az OpenAI matematikai tanácsadó testülete arra figyelmeztetett, hogy a kiválasztott szakértők előzetes hozzáférése információs aszimmetriát és egyenlőtlen viszonyokat teremt. Elemzők emellett emlékeztetnek, hogy a Lean-alapú kódok ellenőrzése során korábban is előfordult már, hogy a gépi bizonyítás a vártnál gyengébb állítást igazolt.
Az eredeti szöveg (Perplexity Discover)
Az OpenAI október 26-án, hétfőn közölte, hogy belső modelljei három új eredményt hoztak. Az egyik a lokális simítási sejtés bizonyítása minden dimenzióban, ami a Kakeya- és a Stein-féle megszorítási sejtést is eldöntené. A második az exponenciális idő hipotézisének (Exponential Time Hypothesis) megcáfolása, a harmadik pedig a kvantum-színdinamika egzakt egzisztenciabizonyítása. A cég nem tudományos elismerést kért, hanem külső szakértőket hívott meg „pásztorként” (shepherd), hogy szervezzenek csoportokat, amelyek ellenőrzik és megmagyarázzák a munkát.
A matematikai állítás Christopher Sogge 1991-es lokális simítási sejtésére épül. A matematikusok 2019-ben bizonyították két térbeli dimenzióban, a Kakeya-sejtést pedig 2025-ben igazolták három dimenzióban. Az OpenAI szerint a bizonyítása „egy újszerű segéd-parciális differenciálegyenleten" alapul. Egy szakértő azt javasolta, hogy a nyers kimenetet tegyék közzé, ezért az OpenAI feltöltötte a modell leírását és egy Lean-bizonyítást a GitHubra, ahogyan az október 6-i közzététel esetében is tette.
Az informatikai eredmény egy determinisztikus algoritmust ír le, amely szubexponenciális időben megszámolja a rögzített szélességű CNF-formulák kielégítő hozzárendeléseit. A 3-SAT-ra alkalmazva ez megcáfolna egy több száz nehézségi bizonyításban használt sejtést. A felülvizsgálatot Russell Impagliazzo és Ramamohan Paturi (UC San Diego), a hipotézis első felvetői vezetik majd az MIT-s Ryan Williamsszel együtt. Figyelmeztettek, hogy „a részvételünket nem szabad az állítás hitelesítéseként értelmezni". Az OpenAI a kérésükre azt is vállalta, hogy finanszíroz egy konferenciát arról, mit jelent az eredmény a szakterület számára.
A fizikai anyagokat visszatartották. A Nobel-díjas David Gross vezette csoport – Michael Douglas, Arthur Jaffe, Igor Klebanov és Nikita Nekrasov részvételével – úgy döntött, hogy maga írja meg az eredmény leírását. A munka tartalmaz egy egzisztenciabizonyítást a tiszta Yang–Mills-elméletre, amely a Clay Intézet millenniumi problémáinak egyikének része.
Az OpenAI közlése szerint a „pásztorok” (shepherds) nem írnak alá titoktartási megállapodást, és fizetést sem kapnak. Azt is közölte, hogy modelljei felfedezéseiért „nem kér tudományos elismerést”. A vállalat elismerte, hogy az első pásztorok kiválasztása „információs aszimmetriát teremt”. A megoldás kiegészíti az OpenAI nemrég a Simons Foundationnek nyújtott 5 millió dolláros támogatását, amelyből az MI által előállított eredményekkel foglalkozó workshopokat finanszíroznak.
Nem mindenki ért egyet a megközelítéssel. A bejelentés előtt egy nappal az OpenAI saját matematikai tanácsadó testülete azt javasolta, hogy az MI-cégek ne vezessék be azt a gyakorlatot, hogy kiválasztott személyek elsőként férhetnek hozzá a modell kimenetéhez. A testület egyenlőtlen hozzáférésre, kölcsönzött hírnévre és torzított kiválasztásra hivatkozott. A Gizmodo megjegyezte, hogy a Lean-alapú ellenőrzés korábban is okozott már gondot. Az OpenAI korábbi, Navier–Stokes-egyenletekkel kapcsolatos állításának olvasói attól tartottak, hogy a Lean-bizonyítás gyengébb állítást igazolt, mint amelyet a vállalat közzétett. Az OpenAI az új kéziratokat „nyers kutatási adatnak” nevezi, amelyből a tudományos közösségnek kell megértést építenie.
