نگاهی به ادعای OpenAI درباره تبدیل فوریه سریع‌تر: پیشرفت ریاضی یا الگوریتم کهکشانی؟ — A look at the math that OpenAI claims computes faster Fourier transforms
خلاصه
مقاله اخیر OpenAI درباره دستیابی به یک تبدیل فوریه سریع‌تر (FFT) بررسی شده است. این ادعا در عمل یک الگوریتم «کهکشانی» با ثابت‌های نجومی و مبتنی بر مدل غیرواقعی محاسبات دقیق است که بیشتر به یک تقلب آکادمیک شباهت دارد تا یک دستاورد مهندسی.
تلاش برای بهینه‌سازی الگوریتم‌ها همواره یکی از دغدغه‌های اصلی مهندسان نرم‌افزار و دانشمندان علوم کامپیوتر بوده است. اخیراً انتشار مخزن ریاضیات توسط OpenAI جنجال‌برانگیز شده و ادعا می‌کند که توانسته است نسخه‌ای سریع‌تر از الگوریتم معروف تبدیل فوریه سریع یا همان FFT ارائه دهد. اما بررسی‌های دقیق‌تر نشان می‌دهد که این ادعا بیشتر به یک سوءاستفاده از نمادگذاری کلان یا همان Big-O شبیه است تا یک پیشرفت واقعی در پردازش سیگنال.
پس‌زمینه و اهمیت FFT
الگوریتم FFT یکی از پایه‌های اساسی در پردازش سیگنال دیجیتال است که به ما اجازه می‌دهد محتوای فرکانسی سیگنال‌ها را به سرعت استخراج، فیلتر و دستکاری کنیم. به طور سنتی، تبدیل فوریه نیازمند انجام عملیات به صورت توان دوم اندازه ورودی است، اما الگوریتم کلاسیک Cooley-Tukey با استفاده از یک رویکرد بازگشتی این زمان را به طور چشمگیری کاهش داده و به مرتبه مشخصی رسانده است.
از زمان ابداع این الگوریتم، محققان همواره به دنبال روش‌هایی بوده‌اند تا این پیچیدگی را باز هم کمتر کنند. به همین دلیل، وقتی بسته مقالات ریاضی OpenAI منتشر شد و ادعای بهبود جزئی در عبارت لگاریتمی پیچیدگی زمانی مطرح شد، جامعه ریاضی و کامپیوتر را کنجکاو کرد.
جزئیات فنی: چرا این الگوریتم کاربردی نیست؟
نویسنده مقاله اصلی به جای مطالعه عمیق فرمول‌ها، رویکرد متفاوتی را انتخاب کرده و از خود هوش مصنوعی برای تحلیل خروجی‌هایش بهره برده است. نتیجه این بررسی مشخص می‌کند که با یک «الگوریتم کهکشانی» (Galactic Algorithm) روبه‌رو هستیم. در تئوری پیچیدگی، نماد Big-O به ما اجازه می‌دهد ثابت‌ها را نادیده بگیریم، به شرطی که ورودی بسیار بزرگ باشد. اما در الگوریتم ارائه شده توسط OpenAI:
- مقدار ضریب ثابت مخفی (Constant C) به قدری بزرگ است که برای اجرایی شدن به ورودی‌هایی در ابعاد غیرقابل تصور (بزرگ‌تر از تعداد اتم‌های جهان شناخته‌شده) نیاز دارد.
- مدل محاسباتی فرض می‌کند که سیستم از «حساب دقیق اعداد مختلط» (Exact Complex Arithmetic) پشتیبانی می‌کند؛ یعنی می‌توان اعداد مختلط با دقتی نامحدود را در یک عمل واحد ذخیره و ضرب کرد.
- اندازه این اعداد مختلط با افزایش سایز ورودی به صورت فوق‌پلی‌نومیشال رشد می‌کند که نیازمند حافظه‌ای به صورت نمایی نسبت به طول ورودی است.
چنین سخت‌افزاری در دنیای واقعی وجود خارجی ندارد؛ بنابراین حتی اگر از نظر تئوری این قضیه اثبات شده باشد، هیچ کمکی به حل مسائل واقعی پردازش سیگنال روی کامپیوترهای سنتی نمی‌کند.
چرا این موضوع برای مهندسان اهمیت دارد؟
این ماجرا شکاف عمیق میان تئوری علوم کامپیوتر (TCS) و مهندسی عملی را آشکار می‌کند. تئوری‌پردازان گاهی در ساختارهایی غرق می‌شوند که ارتباطی با محدودیت‌های فیزیکی رایانه‌های واقعی ندارد و ابزارهایی مانند هوش مصنوعی نیز می‌توانند این تمایل به انتشار مقالات نظری غیرکاربردی را تشدید کنند.
در بحث‌های هکر نیوز (Hacker News) نیز نظرات متفاوتی مطرح شد. برخی کاربران از ماهیت ذاتی ریاضیات نظری دفاع کرده و معتقدند هدف کنفرانس‌های تخصصی مانند STOC لزوماً ارائه کدهای آماده برای تولید نبوده و اثبات مرزهای تئوری اهمیت دارد. در مقابل، بسیاری از توسعه‌دهندگان بر این باورند که وقتی فرمول‌ها ارتباط خود را با واقعیت سخت‌افزاری از دست می‌دهند، به بازی‌های آکادمیک بی‌خاصیتی تبدیل می‌شوند که کمکی به حل چالش‌های مهندسی نرم‌افزار نمی‌کنند.
این مطلب به‌صورت کاملاً خودکار و با هوش مصنوعی از مقالهٔ اصلی و بحث هکرنیوز تهیه شده و ممکن است خطا داشته باشد. حقوق مطلب اصلی متعلق به نویسندهٔ آن است. قوانین و گزارش مشکل