La startup PSI cierra la conjetura de Aaronson–Ambainis, abierta hace 18 años, y vende ciencia con IA

David Turturean acababa de graduarse del MIT, aplazó un máster en el célebre laboratorio de informática e IA y se incorporó a la startup Physical Superintelligence (PSI). Allí obtuvo acceso anticipado al nuevo modelo de Anthropic, Fable 5.2, y con su ayuda cerró la conjetura de Aaronson–Ambainis, que llevaba 18 años pendiente en la teoría de la complejidad cuántica. «Admito por completo que este podría ser mi último artículo —dice—. Dentro de un par de meses, ¿para qué publicarlos siquiera?»

Qué se resolvió exactamente y por qué se puede confiar en ello

La conjetura trata de dónde pueden los ordenadores cuánticos superar a los clásicos. El resultado es negativo: cierra una de las direcciones por las que las máquinas cuánticas podrían haber resuelto rápidamente problemas difíciles, pero no todas. Según Turturean, ahora los investigadores saben que ya no hace falta buscar por ahí. Para la ciencia esto es valioso, porque ahorra años de intentos ajenos.

La cuestión principal es otra: ¿cómo se verifica una demostración escrita por un modelo? Scott Aaronson, uno de los autores de la conjetura, admite que no la entiende del todo. La cree por dos razones. Primero, la demostración se autoformalizó en Lean, es decir, la comprueba un compilador, igual que las pruebas comprueban el código. Segundo, la analizó un equipo de investigadores de primer nivel a quienes PSI se la mostró. Para un desarrollador la analogía es sencilla: no lees diez mil líneas de código generado, pero tienes una batería de pruebas difícil de engañar.

Aaronson describió su reacción como una mezcla de satisfacción, asombro, decepción y cansancio. También le sorprendió que el problema no estuviera en el volcado «Mathocalypse» de OpenAI, publicado unas semanas antes. Seguramente lo intentaron, lo que significa que resultó notablemente más difícil que los demás.

Una apuesta por el arnés, no solo por el modelo

El modelo de esta historia es ajeno, de Anthropic. El negocio de PSI se construye en torno a arneses (harnesses) y andamiajes (scaffolding) especializados para tareas científicas. El director ejecutivo, Matt Pines, dice que un buen sistema de investigación contiene mucho más que el modelo: herramientas, sistemas de memoria, infraestructura de simulación. Hay que saber profundizar en un problema tanto a lo ancho como a lo hondo y probar un amplio abanico de alternativas.

Todavía no hay dinero en la física teórica. Los ingresos de PSI provienen de la optimización de centros de datos: la empresa simula calor, consumo energético, agua y ruido. La eficiencia de una instalación y su impacto en los vecinos dependen directamente de la física. El objetivo a largo plazo es convertir los avances de la física teórica en tecnologías reales. Hace seis o nueve meses, según Pines, tenía que «estirar» esta tesis en las conversaciones con inversores. Ahora lo dice así: «Aún no estamos ahí, pero avanzamos».

La física no es matemáticas

La IA ya se está quedando con decisiones importantes allí donde el resultado puede expresarse en código verificable: en matemáticas e informática. En las ciencias de la vida y la física es más difícil. Pines explica: «La naturaleza también vota en tus modelos de la realidad». Por eso PSI trabaja en cómo comprobar de la forma más eficaz los resultados computacionales mediante experimentos.

La lógica es esta: la IA propone una idea y, si es un hecho real de la naturaleza, se puede explotar, hasta construir un dispositivo basado en él. PSI construye cada uno de estos ciclos de «hipótesis, verificación, aplicación». Otros trabajan en paralelo: la semana pasada la startup Discovered Materials anunció un concurso de 1 millón de dólares para investigadores que apliquen la IA a la superconductividad y la disipación del calor.

Los estándares aún no se han inventado

PSI retuvo el resultado hasta que el modelo de Anthropic estuvo casi listo para su lanzamiento. Durante ese tiempo se pudo mostrar la solución a investigadores especializados. Jim Halverson, de la Northeastern University y asesor de PSI, dice que las mejores prácticas aún se están formando y que la transparencia y el contacto con expertos parecen un camino razonable. La próxima semana se reunirá en el MIT una cumbre en la que destacados físicos debatirán cómo responder al nuevo ritmo de la ciencia.

Tras esto, Turturean tomó por primera vez una solución generada por IA y la reescribió para que a una persona le resultara más natural leerla: la comunidad científica espera que sepa explicar el resultado. Según él, fue entonces cuando sintió de verdad el peso de lo que la IA es capaz de hacer.

Qué conviene llevarse de esto

Conviene tener presentes las limitaciones. Lean confirma que un enunciado es verdadero, pero no que sea importante. El resultado en sí es estrecho y negativo. La información procede de una entrevista de TechCrunch y del blog de Aaronson, y no hemos analizado la demostración completa. Los ingresos de PSI no provienen por ahora de descubrimientos, sino de simulaciones aplicadas.

En la práctica se extraen tres ideas. Si construyes agentes para ciencia o ingeniería, el valor principal está en el verificador y el arnés, no solo en la elección del modelo. Donde hay un comprobador formal como Lean o pruebas, la IA ya gana; donde no lo hay, el cuello de botella será el experimento. Y para los fundadores, PSI muestra un esquema que funciona: ganar dinero hoy con simulación aplicada mientras maduran los grandes descubrimientos.