Startup PSI resolve a conjectura de Aaronson–Ambainis, em aberto há 18 anos, e passa a vender ciência com IA

David Turturean acabou de se formar no MIT, adiou o mestrado no famoso laboratório de ciência da computação e IA e foi trabalhar na startup Physical Superintelligence (PSI). Lá, teve acesso antecipado ao novo modelo da Anthropic, Fable 5.2, e, com a ajuda dele, resolveu a conjectura de Aaronson–Ambainis, que estava há 18 anos em aberto na teoria da complexidade quântica. «Admito totalmente que este seja meu último artigo», diz ele. «Daqui a alguns meses, por que publicar?»

O que exatamente foi resolvido e por que dá para confiar

A conjectura trata de onde os computadores quânticos podem superar os clássicos. O resultado é negativo: fecha uma das direções pelas quais as máquinas quânticas poderiam resolver problemas difíceis com rapidez, mas não todas. Segundo Turturean, os pesquisadores agora sabem que não precisam mais procurar por ali. Para a ciência, isso é valioso, pois economiza anos de tentativas alheias.

A questão central é outra: como verificar uma prova escrita por um modelo? Scott Aaronson, um dos autores da conjectura, admite que não a compreende por completo. Ele acredita nela por dois motivos. Primeiro, a prova foi autoformalizada em Lean, ou seja, é verificada por um compilador, como testes verificam código. Segundo, a solução foi analisada por uma equipe de pesquisadores de peso, a quem a PSI a mostrou. Para um desenvolvedor, a analogia é simples: você não lê dez mil linhas de código gerado, mas tem uma suíte de testes difícil de enganar.

Aaronson descreveu sua reação como uma mistura de satisfação, assombro, decepção e cansaço. Também se surpreendeu por o problema não estar no despejo «Mathocalypse» da OpenAI, publicado algumas semanas antes. Provavelmente tentaram resolvê-lo, o que sugere que ele é bem mais difícil que os demais.

A aposta na camada ao redor, e não só no modelo

O modelo nesta história é de terceiros, da Anthropic. O negócio da PSI se baseia em harnesses e scaffolding especializados para problemas científicos. O CEO Matt Pines diz que um bom sistema de pesquisa tem muito além do modelo: ferramentas, sistemas de memória, infraestrutura de simulação. É preciso saber explorar um problema em largura e em profundidade e percorrer um amplo conjunto de alternativas.

Ainda não há dinheiro na física teórica. A receita da PSI vem da otimização de data centers: a empresa simula calor, consumo de energia, água e ruído. A eficiência de uma instalação e seu impacto sobre os vizinhos dependem diretamente da física. A meta de longo prazo é transformar avanços da física teórica em tecnologias reais. Seis a nove meses atrás, segundo Pines, ele tinha de «forçar» essa tese nas conversas com investidores. Hoje, diz: «Ainda não chegamos lá, mas estamos avançando».

Física não é matemática

A IA já está assumindo decisões importantes onde o resultado pode ser expresso em código verificável: na matemática e na ciência da computação. Nas ciências da vida e na física, é mais difícil. Pines explica: «A natureza também vota nos seus modelos de realidade». Por isso, a PSI trabalha em como verificar de forma mais eficiente os resultados computacionais por meio de experimentos.

A lógica é esta: a IA propõe uma ideia e, se ela for um fato real da natureza, pode ser explorada, até a construção de um dispositivo baseado nela. A PSI constrói cada um desses ciclos de «hipótese — verificação — aplicação». Outros também atuam na área: na semana passada, a startup Discovered Materials anunciou um prêmio de US$ 1 milhão para pesquisadores que aplicam IA à supercondutividade e à dissipação de calor.

Os padrões ainda não foram criados

A PSI segurou o resultado até o modelo da Anthropic estar quase pronto para lançamento. Nesse intervalo, a solução foi mostrada a pesquisadores da área. Jim Halverson, da Northeastern University, consultor da PSI, diz que as melhores práticas ainda estão se formando, e que transparência e contato com especialistas parecem um caminho sensato. Na próxima semana, o MIT receberá uma cúpula em que físicos de destaque discutirão como reagir ao novo ritmo da ciência.

Depois disso, Turturean pegou pela primeira vez a solução gerada pela IA e a reescreveu para que ficasse mais natural de ler para um humano: a comunidade científica espera que ele consiga explicar o resultado. Segundo ele, foi nesse momento que sentiu de fato o peso do que a IA é capaz de fazer.

O que tirar disso

Convém ter as limitações em mente. O Lean confirma que a afirmação é verdadeira, mas não que ela é importante. O resultado em si é restrito e negativo. As informações vêm de uma entrevista ao TechCrunch e do blog de Aaronson; a prova completa não foi analisada por nós. A receita da PSI, por ora, não vem de descobertas, mas de simulações aplicadas.

Na prática, há três lições. Se você constrói agentes para ciência ou engenharia, o maior valor está no verificador e na camada ao redor do modelo, não apenas na escolha do modelo. Onde há um verificador formal, como o Lean ou testes, a IA já vence; onde não há, o gargalo será o experimento. E, para fundadores, a PSI mostra um esquema viável: ganhar dinheiro hoje com simulação aplicada, enquanto as grandes descobertas amadurecem.