Między hipotezami a protokołami: OpenAI wkracza w nauki ścisłe

26 października 2026 r. OpenAI ogłosiło, że jego wewnętrzne modele uzyskały trzy ważne wyniki teoretyczne: obalenie hipotezy czasu wykładniczego (ETH) w informatyce, dowód hipotezy local smoothing w matematyce oraz ścisłe dowody istnienia dla niektórych oddziałujących kwantowych teorii pola w czterech wymiarach, w tym QCD i czystej teorii Yanga-Millsa. Nawet jeśli się potwierdzą, wyniki mają wyraźne granice: obalenie ETH nie rozstrzyga problemu P kontra NP ani nie daje algorytmów wielomianowych, a OpenAI nie twierdzi, że rozwiązało problem milenijny Clay Institute dotyczący teorii Yanga-Millsa, bo część o luce masowej pozostaje otwarta.

Oprócz teoretycznej wagi uwagę zwraca sposób publikacji. Firma wybrała trzy różne ścieżki: natychmiastową publikację z formalizacją w Lean w przypadku matematyki; publikację równoległą do niezależnej weryfikacji w przypadku informatyki, powierzonej autorom hipotezy, Russellowi Impagliazzo i Ramamohanowi Paturiemu z UC San Diego, oraz Ryanowi Williamsowi z MIT; wreszcie wcześniejsze przekazanie materiału grupie fizyków kierowanej przez noblistę Davida Grossa. Według ForkLog grupa zaznaczyła, że udział w weryfikacji nie oznacza poparcia wniosku OpenAI, i zapowiedziała weryfikację otwartą dla społeczności. Jak podał ten sam serwis, OpenAI zadeklarowało zamiar, by „najpierw przekazać materiał ekspertom, którzy następnie zdecydują, jak zostanie opublikowany”. Advisory Group on Mathematics and Artificial Intelligence (AGMAI) wezwała OpenAI do publikacji pracy o teorii Yanga-Millsa: „nie ma żadnego naukowego powodu, by dłużej zwlekać”. Według Scientific American podejście przyjęte w przypadku dwóch z trzech wyników stoi w sprzeczności z zaleceniami grupy, także co do wyznaczenia ekspertów.

Pozostają poważne zastrzeżenia metodologiczne. Żaden z trzech wyników nie przeszedł jeszcze recenzji naukowej ani niezależnego potwierdzenia. Praca o teorii Yanga-Millsa nie jest publiczna, więc na razie nie da się jej sprawdzić. W przypadku ETH dokumentacja w repozytorium GitHub OpenAI wskazuje, że twierdzenie sformalizowane w Lean zawiera słabsze ograniczenie analityczne niż deklarowane w manuskrypcie, i nie sprawdzono, czy sformalizowane twierdzenie dokładnie odpowiada tezie manuskryptu. Co więcej, ponieważ chodzi o zastrzeżony model, którego prompty, czas obliczeń i łańcuchy rozumowania nie są ujawniane, społeczność naukowa musi oceniać teksty, które samo OpenAI nazywa surowymi danymi badawczymi: wynik działania systemu, którego komponenty logiczne pozostają niedostępne.

Ogłoszenia wyprzedzają weryfikację, a weryfikacja wymaga czasu: wartość sztucznej inteligencji w badaniach teoretycznych będzie mierzona także przejrzystością jej metod. — Olya