这场争论的核心在于理论复杂度与实际执行之间的区别，特别是关于“银河级”算法。这些算法拥有更优越的 Big-O 复杂度（渐近增长率），但由于其常数因子过大，甚至超过了可观测宇宙中的原子数量，导致它们无法被实际使用。指数时间假设（ETH）为理解这些限制提供了一个理论框架，表明某些问题需要指数级的时间才能解决。争议的核心在于，当实现这些算法所需的物理条件根本无法满足时，这些理论边界是否仍然具有意义。
在最近的一项批评中，一位数学教授反对了他所谓的“Big-O 秘密结社”，即计算机科学中一种被认为优先考虑渐近最优性而非实际效用的文化。作者特别指出了一项涉及 OpenAI 的近期证明，指出该证明中使用的算法在低于“超天文”阈值的所有实例中执行暴力搜索。这一观察表明存在一种脱节：一个证明可能声称属于某种复杂度类别，但在人类或当前机器实际上能够处理的任何输入规模上，它实际上依赖于暴力搜索方法。这种做法“掩盖了证明的重点”，因为理论上的效率仅在实际上无法达到的规模上才会生效。
相反，计算机科学界的许多人认为，这一批评忽略了复杂度理论的要点。Hacker News 上的评论者指出，根据定义，Big-O 复杂度独立于常数阈值；无论切换到更高效方法的转折点是在十还是在一万亿，算法的渐近行为保持不变。他们认为，“不切实际”的数学是复杂度理论中标准且有效的追求，就像纯数学一样。这一权衡仍是该领域的根本问题：目标是寻找问题复杂度的绝对数学底线，还是开发能够在物理硬件上实际执行的算法。虽然作者认为依赖银河级常数是“偏离主题”的时刻，但其他人坚持认为，追求理论纯粹性是一项必要且有效的科学事业。