
OpenAI 证伪计算机科学长期假设,或带来效率突破
来源标题:A.I. Just Blew Up a Key Tenet of Computer Science
OpenAI 推翻了一个长期假设,即某些问题对计算机而言始终难以快速求解,这为大幅提升计算效率提供了可能。该假设与「P vs. NP」问题相关,此前学界普遍认为求解问题远比验证答案困难,如同数独。这一结果引发了对全新效率空间的讨论。
以下正文由 AI 翻译自 Hacker News(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
图片来源……Erik Carter 跳至内容 跳至站点索引 一个长期存在的假说认为,某些问题对计算机来说永远难以快速求解。但OpenAI推翻了这一假说——这打开了实现激进新效率的可能性。 收听 · 6:09 分钟 分享全文 390 作者:Cade Metz Cade Metz 报道人工智能已有 15 年以上。但他从未解出过一道 1000 行的数独题。 要理解 AI 生成数学领域最新出现的惊人进展,不妨先想一想数独。 解出一道九宫格数字谜题——尤其是在最高难度级别——可能极其耗时。但一旦你有了答案,复核对错却很容易:只需扫一遍每一行、每一列和每一个九宫格,确认每个整数恰好出现一次即可。 加州大学圣迭戈分校计算机科学教授 Russell Impagliazzo 就用这个类比来解释一个备受关注的数学问题——“P vs. NP”。Impagliazzo 博士解释说,多年来,他和其他计算机科学家一直假定数学和计算机科学服从数独所体现的那条显而易见的真理:求解一个问题,远比检查一个答案是否正确要难得多。 “P vs. NP”横跨数学与理论计算机科学的交界,是克莱数学研究所 25 年前提出的百万美元“千禧年大奖难题”之一。用非数学的话说,“P”代表可以快速求解的计算问题,而“NP”代表答案可以轻松验证的问题。 常识告诉我们,验证答案应该比寻找答案容易得多。“如果 P 和 NP 遵从直觉,那么它们绝对不应该相等,”麻省理工学院工程与计算机科学教授 Ryan Williams 说。 10 月 26 日,ChatGPT 的开发者 OpenAI 对这一看似显而易见的论断提出了质疑。虽然更宏大的“P vs. NP”问题仍未解决,但该公司宣布,其最新的人工智能技术已经推翻了一个相关猜想——“指数时间假说”(exponential time hypothesis,简称 E.T.H.)。该假说是 Impagliazzo 博士于 1998 年与同事 Ramamohan Paturi 以及贝尔实验室研究员 Francis Zane 共同提出的。与“P 不可能等于 NP”的论点类似,E.T.H. 认为某些问题对计算机来说必定始终难以快速求解。 我们无法获取文章内容。 请在浏览器设置中启用 JavaScript。 感谢您的耐心等待,我们正在验证您的访问权限。
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。