KI-Modelle stellen eine Kernannahme der Komplexitätstheorie in der Informatik infrage

Am 27. Oktober 2026 veröffentlichte OpenAI Lösungen für drei bedeutende mathematische Probleme, darunter eine überraschende Widerlegung der Exponential Time Hypothesis (ETH). Diese langjährige Annahme in der Informatik definiert die untere Grenze der Zeit, die erforderlich ist, um bestimmte komplexe logische Rätsel zu lösen. Die Veröffentlichung löste sofortige Reaktionen aus der wissenschaftlichen Gemeinschaft aus; Stunden später stellte Anthropic seinen eigenen Gegenbeweis vor.

Was passiert ist

OpenAI strukturierte die Veröffentlichung je nach betroffener Disziplin unterschiedlich. Mathematiker erhielten die Arbeit über einen GitHub-Drop, während Physiker eine Arbeitsgruppe bildeten, um ihre Publikationsstrategie festzulegen. Für Informatiker richtete OpenAI eine Arbeitsgruppe ein und vereinbarte, eine Konferenz zur öffentlichen Diskussion der Erkenntnisse zu finanzieren. Dieser Ansatz markiert eine Abkehr von früheren Interaktionen, die MIT-Professor Ryan Williams aufgrund des überwältigenden Volumens an unstrukturierten Daten als „DDOS-Angriff auf Mathematiker“ kritisiert hatte.

Williams, der sich auf Berechnungskomplexität spezialisiert hat, erklärte sich bereit, zusammen mit den UC-San-Diego-Forschern Russell Impagliazzo und Ramamohan Paturi bei der Interpretation der Ergebnisse zu helfen. Impagliazzo und Paturi hatten die ETH ursprünglich 1999 veröffentlicht. Die Gruppe gab einen offenen Brief heraus, der Feedback aus der breiteren wissenschaftlichen Gemeinschaft einlud und zu einer Diskussion über Normen für KI-Beiträge zur Forschung aufrief. Der Anthropic-Mathematiker Levent Alpöge schlug zunächst vor, dass OpenAI auf vorhandene Arbeiten zurückgreife, doch Anthropic veröffentlichte anschließend seine eigene Widerlegung der Hypothese.

Williams merkte an, dass zwar Teile des Beweises von OpenAI routinemäßig wirkten, andere Abschnitte jedoch „fremdartig aussahen“. Diese ungewöhnlichen Komponenten überzeugten ihn davon, dass die gesamte Gemeinschaft zusammenarbeiten müsse, um die Implikationen zu verstehen. Das Ziel ist nicht nur die Verifizierung des Algorithmus, sondern auch die Bestimmung, wie grundlegende Theorien angepasst werden müssen, falls die ETH tatsächlich falsch ist.

Wie es funktioniert

Die Exponential Time Hypothesis ist eng mit dem P-versus-NP-Problem verbunden, einer zentralen Frage der Informatik. P bezieht sich auf Probleme, die schnell gelöst werden können, während NP sich auf Probleme bezieht, deren Lösung schnell verifiziert werden kann. Eine gängige Analogie ist Sudoku: Die Überprüfung eines ausgefüllten Rasters geht schnell, aber das Auffinden der Lösung von Grund auf ist rechnerisch aufwendig. Die meisten Wissenschaftler gehen davon aus, dass P nicht gleich NP ist, was bedeutet, dass einige Probleme inhärent schwer zu lösen sind, selbst wenn sie leicht zu überprüfen sind.

Die ETH unterstützt diese Annahme, indem sie besagt, dass für eine spezifische Klasse von Logikrätseln die Zeit, die benötigt wird, um eine Lösung zu finden, exponentiell ansteigt, wenn die Anzahl der Variablen zunimmt. OpenAI und Anthropic behaupten, ihre Modelle hätten Algorithmen entdeckt, die diese Rätsel in „subexponentieller“ Zeit lösen. Das bedeutet, dass die Rechenkosten viel langsamer wachsen als bisher für möglich gehalten, wenn die Problemgröße zunimmt. Falls dies gültig ist, widerlegt es die ETH und deutet darauf hin, dass einige als unlösbar geltende Probleme möglicherweise lösbarer sind als erwartet.

Wichtige Details

• OpenAI veröffentlichte am 27. Oktober 2026 Lösungen für drei große mathematische Probleme, einschließlich einer Widerlegung der Exponential Time Hypothesis.
• Anthropic veröffentlichte Stunden nach dem ersten Drop von OpenAI seine eigene Widerlegung der ETH, nachdem Kommentare des Mathematikers Levent Alpöge eingegangen waren.
• MIT-Professor Ryan Williams führt gemeinsam mit Russell Impagliazzo und Ramamohan Paturi eine Arbeitsgruppe zur Interpretation der Erkenntnisse.
• Die 1999 veröffentlichte ETH besagt, dass bestimmte Logikrätsel exponentiell mehr Zeit zum Lösen erfordern, wenn die Anzahl der Variablen steigt.
• OpenAI hat zugestimmt, eine Konferenz für Informatiker zu finanzieren, um die Implikationen zu diskutieren – eine Änderung gegenüber früheren unstrukturierten Veröffentlichungen.
• OpenAI erklärte, man habe kryptografische Auswirkungen überprüft und sei zuversichtlich, dass keine aktuellen Systeme durch diese neuen Algorithmen gebrochen werden.

Warum es wichtig ist

Für Software-Ingenieure und Sicherheitsarchitekten ist die Kryptografie das unmittelbare Anliegen. Viele Verschlüsselungssysteme beruhen auf der Annahme, dass bestimmte mathematische Probleme innerhalb eines angemessenen Zeitrahmens zu schwer zu lösen sind. Wenn Algorithmen diese Probleme in subexponentieller Zeit lösen können, könnten Schlüsselgrößen, die derzeit als sicher gelten, verwundbar werden. Allerdings bestätigte Dan Roberts, Leiter der Wissenschaftsabteilung bei OpenAI, dass das Labor keine unmittelbaren kryptografischen Brüche gefunden habe. Dies deutet darauf hin, dass sich zwar die theoretische Landschaft verschiebt, die praktische Sicherheitsinfrastruktur aber vorerst intakt bleibt.

Über die Sicherheit hinaus stellt diese Entwicklung die Intuitionen infrage, die Entwickler bezüglich der Berechenbarkeit haben. Wenn KI routinemäßig subexponentielle Lösungen für NP-harte Probleme findet, könnte sich die Definition dessen, was in der Praxis „berechenbar“ ist, erweitern. Dies erzwingt eine Neubewertung von Algorithmenentwurf und Optimierungsstrategien. Es wirft auch Fragen zur Zukunft der wissenschaftlichen Entdeckung auf, da KI beginnt, die menschliche Intuition bei der Identifizierung neuer mathematischer Wege zu übertreffen.

Was Sie tun können

• Verfolgen Sie den offenen Brief und die Updates der Arbeitsgruppe unter Leitung von Ryan Williams, um den Verifizierungsprozess der Community im Blick zu behalten.
• Überprüfen Sie Ihre kryptografischen Abhängigkeiten, um sicherzustellen, dass Sie empfohlene Schlüsselgrößen verwenden, auch wenn kein unmittelbarer Bruch gemeldet wurde.
• Nehmen Sie an der bevorstehenden, von OpenAI finanzierten Konferenz teil, um zu verstehen, wie sich grundlegende Komplexitätsannahmen ändern könnten.
• Hinterfragen Sie interne Annahmen zur Schwierigkeit von Problemen in Ihrer Systemarchitektur neu, insbesondere bei Optimierungsaufgaben.
• Folgen Sie den öffentlichen GitHub-Repositories, in denen OpenAI die mathematischen Beweise zur Peer-Review veröffentlicht hat.
• Bereiten Sie sich auf einen Wandel bei Einstellung und Schulung vor, da KI-Tools routinemäßige mathematische Verifizierungen übernehmen könnten, sodass Ingenieure sich auf die Formulierung höherstufiger Probleme konzentrieren müssen.