OpenAI: KI-Modelle widerlegen Exponential Time Hypothesis und belegen Local-Smoothing-Vermutung

OpenAI meldet drei Forschungsergebnisse, die interne Modelle erzeugt haben sollen, und setzt bei der Veröffentlichung auf externe „Shepherds", also unabhängige Expertengruppen, die die Resultate prüfen und erklären. Die Manuskripte versteht OpenAI als „Rohdaten", aus denen erst die Fachwelt Verständnis machen müsse.

Die drei Ergebnisse

• Mathematik: Ein Beweis der Local-Smoothing-Vermutung (Sogge, 1991) in allen Dimensionen. Daraus folgen auch die Kakeya- und die Stein-Restriktionsvermutung in allen Dimensionen. Der Beweis nutzt eine neuartige Hilfs-PDE. KI-Output vom 18. Oktober, Lean-Formalisierung einen Tag später, beides öffentlich auf GitHub.
• Informatik: Die Exponential Time Hypothesis (ETH), eine Grundannahme der Komplexitätstheorie zur Erfüllbarkeit boolescher Formeln, sei falsch. Hunderte Hardness-Resultate bauen auf der ETH auf. Der Beweis wurde in Lean verifiziert; geprüft wird er von einer Gruppe um Russell Impagliazzo, Ramamohan Paturi (die ETH-Urheber) und Ryan Williams. OpenAI finanziert eine Konferenz dazu.
• Physik: Ein mathematisch strenger Existenzbeweis für bestimmte 4D-Quantenfeldtheorien mit Eichfeldern und Fermionen, darunter QCD und Pure Yang-Mills (Teil eines Clay-Millennium-Problems). Die Gruppe hält die KI-Artefakte vorerst zurück und schreibt selbst.

Einordnung

OpenAI verzichtet ausdrücklich auf akademische Anerkennung, die Gruppen arbeiten unbezahlt und ohne NDA. Die Resultate sind bislang nur vom Hersteller berichtet; die unabhängige Bewertung steht aus. Gerade bei ETH und Yang-Mills dürfte sich zeigen, wie belastbar die Lean-Formalisierungen die Aussagen tatsächlich abbilden.

Quelle: OpenAI