Стартап PSI закрыл 18-летнюю гипотезу Ааронсона–Амбайниса и продаёт ИИ-науку

Дэвид Туртуреан только закончил MIT, отложил магистратуру в знаменитой лаборатории компьютерных наук и ИИ и пошёл в стартап Physical Superintelligence (PSI). Там он получил ранний доступ к новой модели Anthropic Fable 5.2 и с её помощью закрыл гипотезу Ааронсона–Амбайниса, которая 18 лет висела в квантовой теории сложности. «Я полностью допускаю, что это моя последняя статья, — говорит он. — Через пару месяцев зачем вообще их публиковать?»

Что именно решили и почему этому можно верить

Гипотеза касается того, где квантовые компьютеры способны обогнать классические. Результат отрицательный: он закрывает одно из направлений, по которым квантовые машины могли бы быстро решать сложные задачи, но не все. По словам Туртурена, теперь исследователи знают, что здесь искать больше не нужно. Для науки это ценно, потому что экономит годы чужих попыток.

Главный вопрос в другом: как проверять доказательство, которое написала модель? Скотт Ааронсон, один из авторов гипотезы, признаётся, что до конца его не понимает. Верит он по двум причинам. Во-первых, доказательство автоформализовали в Lean, то есть его проверяет компилятор, как тесты проверяют код. Во-вторых, решение разобрала команда сильных исследователей, которым PSI его показала. Для разработчика аналогия простая: вы не читаете десять тысяч строк сгенерированного кода, но у вас есть тест-сьют, который трудно обмануть.

Аарронсон описал свою реакцию как смесь удовлетворения, благоговения, разочарования и усталости. Ещё он удивился, что задачи не было в «Mathocalypse»-выгрузке OpenAI, опубликованной несколькими неделями ранее. Наверняка её пробовали, значит, она оказалась заметно сложнее остальных.

Ставка на обвязку, а не только на модель

Модель в этой истории чужая, от Anthropic. Бизнес PSI строится вокруг специализированных обвязок (harnesses) и «лесов» (scaffolding) для научных задач. Гендиректор Мэтт Пайнс говорит, что в хорошей исследовательской системе много всего, кроме самой модели: инструменты, системы памяти, инфраструктура симуляций. Нужно уметь копать задачу и вширь, и вглубь и перебирать широкий набор альтернатив.

Денег на теоретической физике пока нет. Выручка PSI идёт от оптимизации дата-центров: компания симулирует тепло, энергопотребление, воду и шум. Эффективность площадки и её влияние на соседей напрямую зависят от физики. Долгосрочная цель в том, чтобы превращать прорывы теоретической физики в реальные технологии. Полгода-девять месяцев назад, по словам Пайнса, ему приходилось «натягивать» этот тезис в разговорах с инвесторами. Сейчас он говорит так: «Пока не там, но движемся».

Физика — не математика

ИИ уже забирает важные решения там, где результат можно выразить в проверяемом коде: в математике и информатике. В науках о жизни и физике это сложнее. Пайнс объясняет: «Природа тоже голосует в ваших моделях реальности». Поэтому PSI занимается тем, как эффективнее всего проверять вычислительные результаты экспериментами.

Логика такая: ИИ предлагает идею, и если это настоящий факт природы, его можно эксплуатировать, вплоть до устройства на его основе. Каждый такой цикл «гипотеза — проверка — применение» PSI и строит. Рядом работают другие: на прошлой неделе стартап Discovered Materials объявил конкурс на $1 млн для исследователей, которые применяют ИИ к сверхпроводимости и рассеиванию тепла.

Стандарты ещё не придуманы

PSI придержала результат, пока модель Anthropic не была почти готова к релизу. За это время решение успели показать профильным исследователям. Джим Хэлверсон из Northeastern University, консультант PSI, говорит, что лучшие практики ещё формируются, а прозрачность и контакт с экспертами кажутся разумным путём. На следующей неделе в MIT соберётся саммит, где ведущие физики обсудят, как реагировать на новый темп науки.

Туртуреан после этого впервые взял сгенерированное ИИ решение и переписал, чтобы человеку было читать естественнее: научное сообщество ждёт, что он сможет объяснить результат. По его словам, именно тогда он по-настоящему ощутил вес того, что умеет ИИ.

Что из этого вынести

Ограничения стоит держать в голове. Lean подтверждает, что утверждение верно, но не что оно важно. Сам результат узкий и отрицательный. Сведения взяты из интервью TechCrunch и блога Ааронсона, а полное доказательство мы не разбирали. Выручка PSI пока идёт не от открытий, а от прикладных симуляций.

Практически выходит три вещи. Если вы строите агентов для науки или инженерии, главная ценность в верификаторе и обвязке, а не только в выборе модели. Где есть формальный проверяющий вроде Lean или тестов, ИИ уже выигрывает; где его нет, бутылочным горлышком станет эксперимент. А основателям PSI показывает рабочую схему: зарабатывать на прикладной симуляции сегодня, пока большие открытия созревают.