OpenAI behauptete am 26. Oktober 2026, ein internes System habe die Exponentialzeithypothese (ETH) widerlegt. Das Unternehmen veröffentlichte dazu einen natürlichsprachlichen Text und einen in Lean formalisierten Beweis. Die Ankündigung betrifft eine Vermutung zur Rechenkomplexität, nicht die ungelöste Frage P vs. NP. OpenAIs Ankündigung
ETH beschreibt eine Annahme über den Rechenaufwand, der nötig ist, um zu bestimmen, ob bestimmte boolesche Formeln erfüllbar sind. OpenAIs Behauptung zielt auf diese Annahme.
Wie OpenAI den Weg zum Ergebnis beschreibt
Nach Angaben von OpenAI erzeugte das interne System am 16. Oktober einen natürlichsprachlichen Beweistext. Am 17. Oktober formalisierte das Unternehmen das Ergebnis in Lean, einer Softwareumgebung für mathematische Beweise. Am 26. Oktober stellte OpenAI beide Ausarbeitungen öffentlich bereit.
OpenAI kündigte außerdem eine externe Gruppe unter Leitung von Russell Impagliazzo, Ramamohan Paturi und Ryan Williams an. Sie sollte das computerwissenschaftliche Ergebnis begleiten und erläutern. Laut OpenAI arbeiten die Mitglieder unabhängig; die Schlussfolgerungen seien ihre eigenen.
Eine formale Ausarbeitung und ein praktischer Geschwindigkeitsgewinn sind zwei verschiedene Fragen.
Der englischsprachige Kommentar von E8 Holographic Framework setzt bei dieser Trennung an. Der Videomacher argumentiert, eine formale Prüfung mathematischer Schritte beantworte nicht automatisch, wie hoch der Rechenaufwand bei der tatsächlichen Ausführung ist.
ETH ist nicht P vs. NP
Die Exponentialzeithypothese betrifft die Rechenkomplexität boolescher Erfüllbarkeitsprobleme. P vs. NP ist eine weiter gefasste, eigenständige Frage. Die New York Times berichtete, dass P vs. NP ungelöst bleibt; OpenAI beanspruchte nicht, dieses Problem gelöst zu haben.
Welche Folgen hätte eine Widerlegung?
OpenAI zufolge wurde ETH in Hunderten wissenschaftlichen Arbeiten als Grundlage für bedingte Aussagen zur Rechenhärte verwendet. Sollte sich die Widerlegung in der fachlichen Prüfung halten, müssten solche Ergebnisse, die ETH voraussetzen, neu bewertet werden.
Ein unmittelbarer Leistungssprung bei praktischen Anwendungen folgt daraus nicht. OpenAI erklärte, dass erhebliche weitere Forschung nötig sei, um theoretische Fortschritte in praktische Verbesserungen umzusetzen.
