La startup PSI résout la conjecture d'Aaronson–Ambainis, ouverte depuis 18 ans, et vend de la science par IA

David Turturean vient de sortir du MIT, a repoussé son master dans le célèbre laboratoire d'informatique et d'IA et a rejoint la startup Physical Superintelligence (PSI). Il y a obtenu un accès anticipé au nouveau modèle d'Anthropic, Fable 5.2, et, grâce à lui, a résolu la conjecture d'Aaronson–Ambainis, restée ouverte pendant 18 ans en théorie de la complexité quantique. « J'admets tout à fait que ce soit mon dernier article, dit-il. Dans quelques mois, pourquoi en publier encore ? »

Ce qui a été résolu exactement et pourquoi on peut le croire

La conjecture porte sur les cas où les ordinateurs quantiques peuvent dépasser les ordinateurs classiques. Le résultat est négatif : il ferme l'une des pistes par lesquelles les machines quantiques pourraient résoudre rapidement des problèmes difficiles, mais pas toutes. Selon Turturean, les chercheurs savent désormais qu'il n'y a plus lieu de chercher de ce côté-là. C'est précieux pour la science, car cela épargne des années d'efforts à d'autres.

La vraie question est ailleurs : comment vérifier une preuve écrite par un modèle ? Scott Aaronson, l'un des auteurs de la conjecture, reconnaît ne pas la comprendre entièrement. Il y croit pour deux raisons. D'abord, la preuve a été autoformalisée dans Lean, c'est-à-dire qu'elle est vérifiée par un compilateur, comme des tests vérifient du code. Ensuite, la solution a été examinée par une équipe de chercheurs de haut niveau auxquels PSI l'a montrée. Pour un développeur, l'analogie est simple : vous ne lisez pas dix mille lignes de code généré, mais vous disposez d'une suite de tests difficile à tromper.

Aaronson a décrit sa réaction comme un mélange de satisfaction, d'émerveillement, de déception et de fatigue. Il s'est aussi étonné que le problème ne figure pas dans l'export « Mathocalypse » d'OpenAI, publié quelques semaines plus tôt. Il a sûrement été essayé, ce qui suggère qu'il s'est révélé nettement plus difficile que les autres.

Un pari sur l'infrastructure autour du modèle, pas seulement sur le modèle

Le modèle, dans cette histoire, vient d'un tiers : Anthropic. Le modèle économique de PSI repose sur des harnesses et du scaffolding spécialisés pour les problèmes scientifiques. Le PDG Matt Pines explique qu'un bon système de recherche comprend bien d'autres éléments que le modèle : outils, systèmes de mémoire, infrastructure de simulation. Il faut savoir creuser un problème en largeur comme en profondeur et passer en revue un large éventail d'alternatives.

La physique théorique ne rapporte pas encore d'argent. Les revenus de PSI viennent de l'optimisation de data centers : l'entreprise simule la chaleur, la consommation d'énergie, l'eau et le bruit. L'efficacité d'un site et son impact sur le voisinage dépendent directement de la physique. L'objectif à long terme est de transformer les percées de la physique théorique en technologies concrètes. Il y a six à neuf mois, selon Pines, il devait « forcer » cette thèse face aux investisseurs. Aujourd'hui, il dit : « On n'y est pas encore, mais on avance ».

La physique n'est pas les mathématiques

L'IA prend déjà des décisions importantes là où le résultat peut s'exprimer en code vérifiable : en mathématiques et en informatique. En sciences du vivant et en physique, c'est plus difficile. Pines explique : « La nature vote aussi dans vos modèles de la réalité ». C'est pourquoi PSI travaille sur les moyens les plus efficaces de vérifier les résultats de calcul par des expériences.

La logique est la suivante : l'IA propose une idée et, s'il s'agit d'un véritable fait de la nature, on peut l'exploiter, jusqu'à construire un dispositif fondé dessus. PSI construit chacun de ces cycles « hypothèse — vérification — application ». D'autres sont aussi à l'œuvre : la semaine dernière, la startup Discovered Materials a annoncé un concours doté d'un million de dollars pour les chercheurs qui appliquent l'IA à la supraconductivité et à la dissipation de la chaleur.

Les normes restent à inventer

PSI a retenu le résultat jusqu'à ce que le modèle d'Anthropic soit presque prêt pour sa sortie. Entre-temps, la solution a pu être montrée à des chercheurs spécialisés. Jim Halverson, de la Northeastern University, consultant de PSI, indique que les bonnes pratiques sont encore en train de se former, et que la transparence et le contact avec les experts lui semblent une voie raisonnable. La semaine prochaine, le MIT accueillera un sommet où des physiciens de premier plan discuteront de la manière de réagir au nouveau rythme de la science.

Après cela, Turturean a pour la première fois pris la solution générée par l'IA et l'a réécrite pour qu'elle soit plus naturelle à lire pour un humain : la communauté scientifique attend de lui qu'il sache expliquer le résultat. Selon lui, c'est à ce moment-là qu'il a vraiment ressenti le poids de ce dont l'IA est capable.

Ce qu'il faut en retenir

Il faut garder les limites en tête. Lean confirme qu'un énoncé est vrai, mais pas qu'il est important. Le résultat lui-même est étroit et négatif. Les informations proviennent d'un entretien accordé à TechCrunch et du blog d'Aaronson ; nous n'avons pas analysé la preuve complète. Les revenus de PSI ne viennent pas encore de découvertes, mais de simulations appliquées.

En pratique, trois enseignements. Si vous construisez des agents pour la science ou l'ingénierie, la valeur principale réside dans le vérificateur et l'infrastructure autour, pas seulement dans le choix du modèle. Là où existe un vérificateur formel comme Lean ou des tests, l'IA gagne déjà ; là où il n'y en a pas, l'expérience deviendra le goulot d'étranglement. Et pour les fondateurs, PSI montre un schéma viable : gagner de l'argent aujourd'hui avec la simulation appliquée, pendant que les grandes découvertes mûrissent.