Dos de las mayores empresas de inteligencia artificial del planeta — OpenAI y Anthropic — anunciaron esta semana que sus modelos internos de IA produjeron resultados que refutan la Hipótesis del Tiempo Exponencial (ETH, por sus siglas en inglés), una conjetura propuesta en 1999 que ha servido como cimiento durante décadas de investigación en complejidad computacional. Si la alegación se confirma, se trata de un resultado que exigiría una revisión completa de cientos de artículos científicos y libros de texto sobre algoritmos.
La historia comenzó el 16 de octubre, cuando un modelo de OpenAI encontró lo que la empresa describe como una refutación de la ETH. Al día siguiente, el equipo de la empresa formalizó el argumento usando Lean, un asistente de demostración ampliamente utilizado por matemáticos. El 26 de octubre, OpenAI publicó una entrada en su blog anunciando los resultados y, horas después, Anthropic divulgó un resultado paralelo e independiente — acreditado a "Claude (Anthropic)" — que había encontrado el algoritmo central sin intervención humana en la misma fecha.
¿Qué es la Hipótesis del Tiempo Exponencial?
La Hipótesis del Tiempo Exponencial es una conjetura sobre el problema SAT (Boolean Satisfiability Problem, o Problema de Satisfacibilidad Booleana), ampliamente considerado el problema más fundamental de la teoría de la complejidad computacional. El problema SAT pregunta si existe una asignación de valores de verdad para las variables de una fórmula lógica que haga que la fórmula entera sea verdadera. Para fórmulas en forma normal conjuntiva (CNF), el problema correspondiente — el 3-SAT — es NP-completo, lo que significa que, si algún algoritmo puede resolverlo en tiempo polinomial, entonces P = NP.
La ETH va más allá de la pregunta binaria "P versus NP" y hace una afirmación más específica: propone que el 3-SAT requiere tiempo exponencial — es decir, que no existe ningún algoritmo capaz de resolver el problema en tiempo subexponencial, que crece como 2^o(n), donde o(n) es cualquier función que crece más rápido que c^k·n para alguna constante k. En términos prácticos, la ETH establece un "piso" bajo el tiempo exponencial, una frontera de dificultad computacional que la comunidad científica ha asumido como verdadera durante tres décadas.
Fedor Fomin, de la Universidad de Bergen en Noruega, dijo al New Scientist que el descubrimiento lo dejó "sorprendido". "Sería necesario una revisión completa de varias áreas de algoritmos", afirmó, observando que un libro didáctico que escribió sobre el tema se volvería obsoleto si el resultado se confirma.
Cómo los modelos llegaron al resultado
Según OpenAI, su modelo produjo un procedimiento determinístico que cuenta exactamente las asignaciones satisfactorias de fórmulas CNF de anchura fija usando tiempo subexponencial y espacio polinomial. La empresa publicó una formalización en Lean en GitHub y describió el trabajo como parte de tres descubrimientos científicos anunciados simultáneamente — los otros dos abordaban análisis armónico y teoría cuántica de campos.
Anthropic, por su parte, afirmó que su modelo Claude identificó el "algoritmo central" sin ninguna entrada humana. Investigadores de Anthropic posteriormente ayudaron a mejorar la presentación del resultado, que también incluye una formalización en Lean disponible en un repositorio público.
Ambas empresas fechan el descubrimiento central el 16 de octubre. La coincidencia temporal plantea preguntas sobre si los dos modelos siguieron aproximaciones similares — o si la naturaleza del problema hace que cierto camino de investigación sea inevitable cuando se tiene un sistema de razonamiento matemático suficientemente poderoso.
La reacción de la comunidad científica
La comunidad académica reaccionó con cautela. El investigador de complejidad computacional Richard Williams, del MIT, que había criticado públicamente la práctica de la OpenAI de "descargas de demostraciones" anteriores como un "ataque DDoS contra matemáticos", aceptó colaborar con las empresas fronterizas para interpretar los nuevos resultados. Pidió a OpenAI que financie una conferencia sobre el tema, argumentando que "necesitas entender, más allá de los algoritmos, cuáles deberían haber sido los fundamentos que teníamos antes."
Levent Alpöge, matemático de Anthropic, sugirió inicialmente que OpenAI podría estar basando sus soluciones en trabajo preexistente. Horas después de publicar, Anthropic anunció su propio resultado independiente — lo cual, en lugar de confirmar la especulación de plagio, reforzó la independencia del descubrimiento.
Los propios creadores de la ETH — incluyendo Russell Impagliazzo y Ramamohan Paturi, de la Universidad de California en San Diego, que publicaron la hipótesis original en 1999 — lideran un grupo de trabajo para examinar las pruebas. OpenAI publicó una carta abierta pidiendo feedback de científicos interesados y proponiendo discutir las normas en torno a contribuciones de IA al trabajo académico.
Por qué importa esto (si es verdadero)
La ETH no es solo una conjetura abstracta. Ha sido usada en cientos de artículos como base para "límites inferiores condicionales" — afirmaciones sobre cuán difíciles son ciertos problemas que dependen de otras suposiciones. Si la ETH es refutada, muchas de estas conclusiones se vuelven inútiles y deben ser reconstruidas desde cero.
El impacto se extendería más allá de la teoría pura. Algoritmos de criptografía, optimización, verificación formal e aprendizaje automático frecuentemente asumen que ciertos problemas no pueden ser resueltos más rápido que tiempo exponencial. Si hay algoritmos subexponenciales para el 3-SAT, esto cuestiona no solo la complejidad teórica, sino la seguridad práctica de protocolos que dependen de la dificultad computacional.
Lo que hace este caso diferente de otros supuestos "avanços" de IA en matemáticas es la existencia de una prueba verificable en máquina. En lugar de simplemente describir un algoritmo en lenguaje natural — lo que antes generó resultados cuestionados — ambas empresas han disponibilizado formalizaciones en Lean, lo que permite que cualquier investigador verifique cada paso lógicamente. Esto acelera el proceso de revisión en comparación con pruebas manuscritas tradicionales que podrían llevar meses o años para ser examinadas.
Aún así, el proceso está lejos de estar concluido. Como observó John D. Cook en su blog, "el estado de P = NP sigue siendo desconocido: aunque el 3-SAT no toma tiempo exponencial, aún toma más que tiempo polinomial, hasta donde se sabe". Refutar la ETH no prueba automáticamente que P = NP — solo que el 3-SAT es más fácil de lo que se pensaba. La frontera entre tiempo subexponencial y tiempo polinomial permanece intacta.
Qué esperar en los próximos días
La comunidad está ahora en un período de verificación intensiva. El grupo liderado por los creadores originales de la ETH debería producir un veredicto en las próximas semanas. OpenAI ya pidió a la comunidad que financie una conferencia dedicada al tema. Mientras tanto, cientos de investigadores en complejidad computacional están revisando las formalizaciones del Lean.
Independientemente del resultado final, este episodio ya cambió la forma como la comunidad piensa sobre el papel de la inteligencia artificial en el descubrimiento científico. Por primera vez, dos de los mayores laboratorios del sector anunciaron resultados independientes sobre el mismo problema fundamental — y ambos atribuyeron el descubrimiento central a sus modelos, no a humanos. Si la ETH es refutada, será un hecho humano en el sentido tradicional (los teoremas aún fueron formulados y verificados por personas), pero un logro sin precedentes en el papel de la IA como socia de investigación teórica.
Fuentes: TechCrunch, Progressive Robot, New Scientist, OpenAI Blog, John D. Cook
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
