W skrócie
- 26 października 2026 r. OpenAI ogłosiło, że jego model obalił hipotezę czasu wykładniczego (ETH) z 1999 r.; kilka godzin później Anthropic opublikował własny dowód przypisany modelowi Claude.
- Oba dowody sformalizowano w języku Lean, a niezależną ocenę wyniku OpenAI prowadzi grupa Impagliazzo, Paturi i Williams; OpenAI obiecało sfinansować konferencję o skutkach odkrycia.
- Wynik jest teoretyczny: Anthropic zastrzega, że nie mówi nic o rozwiązywaniu zadań w praktyce, a według TechCrunch OpenAI jest dość pewne, że nie łamie on żadnego systemu szyfrowania.
Stan na 28 października 2026
Co się stało: dwie firmy, ten sam przełom w ciągu kilku godzin
Modele AI dwóch firm niezależnie udowodniły, że fałszywa jest hipoteza czasu wykładniczego (ETH), jedno z podstawowych założeń informatyki teoretycznej. OpenAI ogłosiło wynik 26 października 2026 r. razem z dwoma innymi odkryciami: z analizy harmonicznej (hipoteza lokalnego wygładzania we wszystkich wymiarach) i z fizyki (dowód istnienia chromodynamiki kwantowej). Według firmy model napisał dowód obalający ETH 16 października, a dzień później sformalizowano go w Lean, języku, w którym komputer sprawdza każdy krok rozumowania.
Kilka godzin później Anthropic opublikował na GitHubie własną pracę, przypisaną wewnętrznemu badawczemu modelowi Claude. Opisuje deterministyczny algorytm, który rozwiązuje problem 3-SAT (spełnialność formuł logicznych, w których każdy warunek łączy najwyżej trzy zmienne) w czasie podwykładniczym, czyli 2o(n) dla n zmiennych. ETH mówiła, że to niemożliwe. Anthropic zastrzega, że „wynik jest czysto asymptotyczny i nic nie mówi o rozwiązywaniu formuł w praktyce”.
ETH sformułowali w 1999 r. Russell Impagliazzo i Ramamohan Paturi z UC San Diego. Teraz razem z Ryanem Williamsem z MIT kierują grupą, która ma niezależnie sprawdzić i objaśnić wynik OpenAI. To ważne zastrzeżenie: na dziś oba dowody ogłosili sami producenci, a recenzja środowiska dopiero trwa. Lean sprawdza każdy krok dowodu, ale nie to, czy sformalizowane twierdzenie mówi dokładnie to samo co tekst pracy; Anthropic sam o tym uprzedza. Ciekawostka z polskim akcentem: dowód fizyczny OpenAI opiera się, jak pisze firma, na podejściu Tadeusza Bałabana, fizyka matematycznego z Polski (doktorat na Uniwersytecie Warszawskim), od lat związanego z Rutgers University.
P vs NP, szyfrowanie i Twój serwer: co się zmienia
ETH to mocniejsza wersja intuicji stojącej za sporem P vs NP: że niektóre zadania logiczne da się szybko sprawdzić, ale nie da się ich szybko rozwiązać. Obalenie ETH nie rozstrzyga P vs NP; OpenAI pisze wprost, że wynik ponownie otwiera pytanie, o ile szybciej można rozwiązywać takie zadania, a do praktycznych algorytmów potrzeba dalszych badań. Ryan Williams powiedział TechCrunchowi, że wynik podważa wiele intuicji, a prawdopodobieństwu, że P = NP, warto przypisać nieco większą wagę.
Przykład, szacunek: zadanie z n = 100 zmiennymi tak/nie ma 2100, czyli około 1,3 × 1030 możliwych ustawień. Podwykładniczy algorytm rośnie wolniej niż każda wykładnicza funkcja, ale tylko „na nieskończoności”: dla 100, 1000 czy 10 000 zmiennych (typowy harmonogram zmian w zakładzie albo plan tras floty) nikt nie pokazał, że będzie szybszy od dzisiejszych solverów. Firma planująca produkcję w Excelu czy w programie do optymalizacji nie odczuje różnicy w tym roku.
Z szyfrowaniem jest podobnie, choć to pytanie padło od razu. Popularne szyfrowanie, na którym stoi bankowość i HTTPS (RSA, krzywe eliptyczne, AES), nie opiera się wprost na ETH. Według TechCrunch OpenAI na prośbę Williamsa sprawdziło skutki dla kryptografii i jest dość pewne, że wynik nie łamie żadnego systemu. Ciekawe porównanie dla czytelnika, który ma dostęp tylko do publicznych modeli: Anthropic podaje, że ogólnodostępny Claude Opus 5.5, gdy dostanie skrócony opis dowodu, odtwarza obalenie ETH w słabszej wersji (bez ostrych ograniczeń z pracy), a pełny dowód zrobił model wewnętrzny.
Co to znaczy dla Ciebie
Jeśli prowadzisz firmę, nie musisz dziś niczego zmieniać w zabezpieczeniach: aktualizuj systemy jak zwykle i nie wierz ofertom „pilnej migracji szyfrowania po przełomie AI”. Ważniejszy sygnał jest inny: modele AI zaczynają dostarczać dowody, nad którymi ludzie pracowali dekady, a weryfikacja ich wyników staje się osobną pracą. W firmie oznacza to tę samą zasadę na mniejszą skalę: wynik z AI wymaga sprawdzenia, najlepiej narzędziem albo osobą, która go nie pisała. Jak ułożyć taki proces w zespole, pokazujemy na szkoleniach AI dla firm. Do tematu warto wrócić po konferencji, którą obiecało sfinansować OpenAI, i po ocenie grupy Williamsa. Więcej o samym Anthropicu, który przygotowuje się do wejścia na giełdę, piszemy osobno.Najczęstsze pytania
Czy AI rozwiązała problem P vs NP?
Nie. Modele OpenAI i Anthropic obaliły hipotezę czasu wykładniczego (ETH), mocniejsze założenie związane z P vs NP. OpenAI pisze, że wynik ponownie otwiera pytanie o szybsze algorytmy, ale sam spór P vs NP pozostaje nierozstrzygnięty.
Czy obalenie ETH zagraża szyfrowaniu w banku albo w mojej firmie?
Na dziś nie ma na to dowodów. Według TechCrunch OpenAI sprawdziło skutki dla kryptografii i jest dość pewne, że wynik nie łamie żadnego systemu, a Anthropic zastrzega, że wynik nie mówi nic o rozwiązywaniu zadań w praktyce.
Kto sprawdza dowody wygenerowane przez AI?
Oba dowody sformalizowano w języku Lean, w którym komputer sprawdza każdy krok. Niezależną ocenę wyniku OpenAI prowadzi grupa Russella Impagliazza, Ramamohana Paturiego (UC San Diego) i Ryana Williamsa (MIT).
Przewodnik
LLM, czyli duże modele językowe: jak działają i który model AI wybrać
Źródła i data sprawdzenia
- OpenAI: Współpraca ze środowiskami akademickimi na rzecz zrozumienia naukowego (26.10.2026)
- Anthropic: repozytorium formal-math, folder eth (GitHub)
- TechCrunch: Frontier AI labs say their models refuted the Exponential Time Hypothesis
Sprawdzono 28 października 2026
Czytaj dalej
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
W tej sprawie
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
Zobacz też
- Co to jest sztuczna inteligencja? AI wyjaśniona prosto dla początkujących
- DeepSeek: co to jest, ile kosztuje i czy jest bezpieczny dla Twoich danych
- Ollama: jak uruchomić model AI na własnym komputerze
- LM Studio: jak uruchomić lokalny model AI bez terminala
- Bielik AI: polski model językowy – wersje, licencja, sprzęt i wyniki
- Grok AI: co to jest, ile kosztuje i jak działa po polsku
- RAG po ludzku: jak AI odpowiada na podstawie dokumentów Twojej firmy
- Chińskie AI: DeepSeek, Kimi, GLM, MiniMax – przegląd modeli i co z danymi
- Qwen od Alibaby: co to jest, jak z niego korzystać i czy jest bezpieczny
- Kimi AI od Moonshot: co to jest, jak z niego korzystać i czy jest bezpieczny
- MiniMax AI: modele M3, MiniMax Code, ceny API i bezpieczeństwo danych
- Mistral AI: europejski model, Le Chat i czy warto
- Llama od Meta: otwarty model AI — wersje, licencja i jak go uruchomić
- Rodzaje sztucznej inteligencji: wąska, ogólna, generatywna — wyjaśnienie bez żargonu
- Gemma od Google: otwarty model AI do uruchomienia na własnym komputerze
- Ilya Sutskever: współtwórca OpenAI i Safe Superintelligence
- Wojciech Zaremba: Polak, który współtworzył OpenAI
- Demis Hassabis: współzałożyciel DeepMind i noblista za AlphaFold
- Embedding po polsku: jak AI zamienia tekst na liczby i po co to firmie
- VRAM: co to jest i ile pamięci karty potrzeba do lokalnego AI
- Sam Altman: kim jest szef OpenAI i dlaczego budzi spory
- Ranking AI 2026: który model AI jest najlepszy i do czego go używać
Zobacz też
Zobacz też
Przewodnik po temacie LLM, czyli duże modele językowe: jak działają i który model AI wybrać

