LONDON (IT BOLTWISE) – OpenAI und das Umfeld um Anthropic sprechen davon, die Exponential Time Hypothesis (ETH) mit KI-gestützten Algorithmen zu widerlegen. Damit rückt ein seit Jahrzehnten offenes Kernproblem der theoretischen Informatik, die Frage P vs NP, erneut in den Fokus. Der Prozess läuft aber nicht als „Proof-Dump“ aus einem Guss, sondern nach Sparten unterschiedlich koordiniert. Gleichzeitig wächst der Druck, die Ergebnisse für Mathematik, Informatik und Kryptografie sauber nachzuprüfen.
In der theoretischen Informatik ist die Exponential Time Hypothesis (ETH) mehr als nur ein Spekulationsanker: Sie beschreibt eine erwartete Härteklasse für bestimmte Entscheidungs- und Optimierungsprobleme und ist über Jahre hinweg in Begründungen eingebaut worden, wenn Forscher erklären mussten, warum ein Problem „wahrscheinlich nicht effizient“ lösbar ist. Vor diesem Hintergrund wirkt die jüngste Ankündigung von OpenAI wie ein Erdbeben, weil die Hypothese damit möglicherweise nicht nur vorsichtig infrage gestellt, sondern im wissenschaftlichen Sinne „widerlegt“ werden soll. Dass auch Anthropic in diesem Umfeld kurzfristig gegensteuert und seinerseits eine eigene Zurückweisung (ebenfalls bezogen auf ETH) veröffentlicht hat, zeigt vor allem eins: Der Streit dreht sich nicht um Software-Updates, sondern um die grundlegende Art, wie wir Komplexität behaupten und belegen.
Technisch betrachtet ist ETH eng mit der breiteren Familie der „P vs NP“-Fragen verknüpft. Während „NP“ vereinfacht gesagt Probleme meint, deren Lösungen sich schnell verifizieren lassen, steht „P“ für Probleme, die sich schnell lösen lassen. Ein klassisches Beispiel ist Sudoku: Eine gültige Lösung ist nachträglich in kurzer Zeit prüfbar, das Auffinden der Lösung selbst gilt aber als rechnerisch aufwendig. Genau hier setzt die Argumentationskette an: Kryptografische Systeme verlassen sich darauf, dass das Finden eines passenden Geheimschlüssels aus einer überprüfbaren Beschreibung zu teuer bleibt, auch wenn Verifikation grundsätzlich möglich ist. ETH liefert dafür eine zusätzliche Grundlage, weil sie nicht nur abstrakte Härte behauptet, sondern den Zeitaufwand zumindest in einer Exponentialordnung verankert.
Entscheidend ist jetzt, welche Art von Verbesserung die KI-Modelle angeblich liefern. Die Kernaussage, so wie sie in der Debatte wiedergegeben wird, lautet, dass die gefundenen Algorithmen in „sub-exponentieller“ Zeit arbeiten sollen. In der Praxis bedeutet das: Mit wachsender Problemgröße wächst die Laufzeit langsamer, als es ETH für die betreffende Problemklasse erwarten würde. Falls sich diese Behauptung sauber verifizieren lässt, folgt daraus nicht automatisch automatisch „P = NP“ für jede denkbare Instanz, aber sie würde den bisherigen Intuitionsrahmen beschädigen, der ETH und verwandte Annahmen stützt. Levent Alpöge, der in der Diskussion als Mathematiker auftaucht, beschreibt dabei ein wiederkehrendes Problem, das viele bei KI-bezogenen Beweisen kennen: Die Lösungen könnten auf vorbestehender Arbeit aufbauen, statt neue Argumentationsketten zu liefern.
Auch der Ablauf der Veröffentlichung unterscheidet sich diesmal spürbar. Laut den Angaben aus dem Umfeld erhielten Mathematiker ihre Arbeit direkt über ein öffentliches GitHub-Repository; für Informatik und Physik wurden dagegen Arbeitsgruppen gebildet, die Feedback und eine koordinierte Diskussion organisieren sollen. Konkret heißt das: In der Informatikschiene ging es darum, dass die Beweise öffentlich geteilt werden und OpenAI die Diskussion auf einer Konferenz finanziell unterstützen soll; in der Physikschiene soll eine gesonderte Gruppe festlegen, wie das Ergebnis veröffentlicht wird. Der Professor Ryan Williams, der in dieser Runde als Koordinator der Reaktion aus der Informatik beschrieben wird, hatte OpenAI zuvor kritisiert und die vorherige Veröffentlichung als „DDOS attack on mathematicians“ bezeichnet. Gleichzeitig signalisiert er jetzt Kollaboration: Er soll Ergebnisse helfen zu interpretieren, zusammen mit Informatikern wie Russell Impagliazzo und Ramamohan Paturi, die ETH bereits 1999 erstmals publiziert hatten.
Für die wissenschaftliche Community ist die nächste Hürde daher weniger die Frage, ob eine KI einen Satz „produzieren“ kann, sondern ob der Beweis in den bestehenden Normen und Prüfmechanismen der jeweiligen Disziplin aufgeht. Williams beschreibt als ersten Schritt ein offenes Schreiben, das Feedback von Wissenschaftlern einholt und gleichzeitig die Frage adressiert, wie KI-Beiträge als Teil der Forschungskultur bewertet werden können. In einem ähnlichen Sinne formuliert er auch seine Erwartung an die Informatik: Jede Person soll plausibilisieren, wie stark „P = NP“ inzwischen erscheint, auch wenn der persönliche „Gewichtungsgrad“ stark variieren kann. Zugleich betont er, dass das Ergebnis wahrscheinlich nicht die „finale“ Endstufe der besten Algorithmen sei – also eher ein neuer Ausgangspunkt als eine vollständige Lösung.
Damit verschiebt sich der Blick auch in Richtung Sicherheitstechnik. Denn wenn die Algorithmik für ETH-nahes Rechnen tatsächlich schneller wird, könnte das bei kryptografischen Annahmen in eine Grauzone führen: Systeme, die auf bestimmten Schlüssellängen oder Hardness-Parametern aufbauen, könnten unter veränderte Komplexitätsannahmen fallen. Williams beschreibt dazu eine konkrete Anfrage an den OpenAI-Wissenschaftslead Dan Roberts: Ob geprüft wurde, ob bestehende Kryptosysteme dadurch unsicher werden. Demnach habe man getestet und sei zuversichtlich, dass keine unmittelbaren Brüche zu erwarten seien. Für Unternehmen und Sicherheitsverantwortliche ist das dennoch kein Freifahrtschein, sondern ein Hinweis, dass der Bewertungsmaßstab für „praktische Sicherheit“ langfristig auch von theoretischen Fortschritten abhängen kann.
Gleichzeitig liegt der größte operativ spürbare Effekt wahrscheinlich weniger in der Mathematik selbst als in der Art, wie KI-gestützte Entdeckung den Forschungsalltag verändert. Williams deutet an, dass KI Menschen dazu zwingt, ambitionierter zu planen und die Messlatte für die eigenen Fragen höher zu setzen: Wenn klassische Teilprobleme für KI schneller erreichbar werden, bleibt weniger Raum für Arbeiten, die nur aus dem „Schon-mal“-Eimer schöpfen. Für die Ausbildung der nächsten Generation ist das besonders relevant, weil es nicht nur darum geht, neue Tools zu bedienen, sondern die Fähigkeit zu schärfen, Beweise einzuordnen, Lücken zu finden und Ergebnisse unter realistischem Aufwand zu prüfen. Ob die ETH-Widerlegung letztlich standhält, entscheidet sich damit nicht an der Modellkompetenz allein, sondern an der geduldigen, gemeinschaftlichen Verifikation – und genau diese Arbeit dürfte jetzt in den Vordergrund rücken.
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "KI-Modelle widerlegen die Exponential Time Hypothesis – und stellen P vs NP neu" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "KI-Modelle widerlegen die Exponential Time Hypothesis – und stellen P vs NP neu" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »KI-Modelle widerlegen die Exponential Time Hypothesis – und stellen P vs NP neu« bei Google Deutschland suchen, bei Bing oder Google News!