OpenAI 发布证明推翻指数时间假设

OpenAI 发布了一篇题为“指数时间假设是错误的”的预印本，并附带了在 Lean 定理证明器中验证过的形式化证明。该论文提出了一种确定性算法，能够在 $(n+m)^{O_k(1)} imes 2^{O_k(n \log\log n / \sqrt{\log n})}$ 的时间内，利用多项式空间计算 $n$ 个变量上规范编码的 $k$-CNF 公式的满足赋值数量。这一结果正式反驳了指数时间假设 (ETH)，该假设认为 3-SAT 无法在次指数时间内求解。

理解该结果及其范围

虽然这一结果是计算复杂性领域的一项重大理论突破，但它并不意味着 NP 完全问题可以在多项式时间内求解 (P=NP)。正如社区研究人员所指出的，该算法为 SAT 提供了一种次指数时间解，但对于实际应用而言，其运行时间仍然“慢得惊人”。

“该次指数解确实适用于任何可以归约为变量数为线性的 3SAT 的问题。他们列举了：计算独立集、计算适当的 q-着色、计算完美匹配。” — @cochne

至关重要的是，次指数优势是相对于变量数 ($n$) 而言的。由于将其他 NP-hard 问题归约为 3-SAT 的标准多项式时间归约通常会增加变量数量，因此该算法的次指数特性往往会被归约开销所掩盖。因此，该结果目前不会威胁到依赖 NP 完全问题难度的密码系统。

理论与实证意义

Hacker News 上的讨论强调了该证明的数学意义与其即时效用之间的分歧。一些观察人士指出，该算法的常数以及实现次指数加速所需的巨大输入规模，使其目前仅具有理论意义。

“在 $n = 1{,}000$ 个变量时，指数已经约为 $1{,}000 \times 5 / 5 \approx 1{,}000$，即 $2^{1000}$ —— 远远超出了任何可行的计算范围。” — @jaekwon

尽管对现有硬件没有实际影响，但该结果挑战了许多复杂性理论家长期持有的直觉，即 NP 完全问题具有固有的指数下界。在 Lean 中的形式化为证明的正确性提供了高度的信心，将讨论从传统的纸笔验证提升到了新的高度。

AI 在数学发现中的作用

此次发布是 OpenAI 数学部门一系列预印本的一部分，涵盖了从几何到量子复杂性的广泛主题。利用自动化工具生成和验证此类复杂证明的能力，引发了关于数学研究未来的争论。

“我很好奇 LLM 是否擅长数学，因为在这个层面上几乎没有错误的数学内容。对于代码，总是有很多 bug……但在数学中，证明要么存在，要么不存在，而且它们总是可以使用像 Lean 这样的工具进行自动验证。” — @martin-t

虽然一些用户对这些 AI 生成证明的“黑箱”性质表示怀疑，但对 Lean 验证的依赖表明，数学界正在转向一种范式，即机器检查的证明有效性成为接受的主要标准，而不仅仅是依靠人类的直觉。