OpenAI发布针对三个长期研究问题的解法，其中一项声称反驳了指数时间假设（ETH）。这项理论计算机科学中的重要假设认为，对于特定类别的逻辑问题，最快算法仍需要随变量规模增长而耗费指数级时间。OpenAI提出的算法被称为可以用次指数时间解决相关问题；Anthropic随后也公布了自己的反驳结果。
相关主张若经验证，可能改变研究者对某些计算问题难度的判断。MIT计算机科学家Ryan Williams参与组织学界对这一结果的回应。他曾批评此前研究成果的集中发布方式，但这次同意帮助协调讨论，并与OpenAI及其他学者共同推动公开审查。其原因之一是，如果结果成立，许多引用ETH的论文可能需要重新评估。
关键在于证明是否经得起检验
ETH与更广泛的P与NP问题有关。粗略地说，研究者希望知道：一个答案能够被快速验证的问题，是否也总能被快速求解。数独可以作为直观例子：检查一个填好的答案相对容易，但找到解可能需要大量尝试。现实中的计算难题涉及更复杂结构，也与算法效率和密码学安全判断有关。
OpenAI和Anthropic的主张并非已经获得学界普遍认可的定理，而是需要同行逐步检查的证明和算法。Williams表示，证明中既有常规部分，也有一些不寻常的推导，研究社区需要一起理解其适用范围。OpenAI与Anthropic分别公开结果，也让各自的算法能够相互比较，但仍不能仅凭发布方声明得出假设已被推翻的结论。
研究者还关注这些算法是否会对现实系统产生安全影响。若新方法能显著加速某类困难问题，理论上可能改变依赖计算难度的密码系统评估。TechCrunch报道指出，Williams询问OpenAI是否检查了密码安全影响；OpenAI方面表示已进行检查，并认为相关结果不会直接导致现有密码系统失效。这一判断仍需要技术细节和独立复核支撑。
从“证明发布”转向协作审查
不同学科的研究团队正在采取不同公开方式。数学领域的材料已放到GitHub，计算机科学家建立工作组并呼吁公开分享证明，物理学家则准备讨论结果的发布方式。研究者还提出召开会议，讨论AI参与科研的规范，以及哪些环节需要披露模型作用、验证方法和作者责任。
AI模型在数学推理中的能力可能促使研究者重新选择问题，但科研结论依赖可重复检查和社区验证，而不是模型输出本身。若证明最终成立，许多基于旧假设的结果可能需要重新审视；若证明存在漏洞，也能帮助界定当前AI工具的能力。现阶段准确的表述是两家实验室提出挑战性结果，学界正在核验，理论结论尚未完成定案。这一轮工作也提出科研机构如何分享AI参与过程的问题。公开算法、证明文本、运行环境和模型使用方式，有助于其他研究者复现结果；对于涉及复杂推导的部分，还需要专家检查隐藏假设和边界条件。若结论影响大量既有研究，学术界需要比一般产品发布更充分的讨论时间。当前的工作组和公开征求意见，正是把初步主张转化为可共同审查对象的步骤。理论工作是否成立，最终取决于证明中的每一步是否能独立复核，而非研究团队的声望或模型规模。公开讨论可以同时检验算法价值与适用限制，也能帮助研究者判断哪些密码学或复杂性结论需要更新。