A Physical Superintelligence (PSI) nevű startup labor egyik kutatója, David Turturean — aki az MIT-ről frissen végzett és a PSI technikai csapatának tagja — állítása szerint Anthropic Fable 5.2 modelljének korai hozzáférését használva megoldott egy, a kvantumszámítással kapcsolatos, 18 éve nyitott problémát. Turturean a TechCrunch-nak azt mondta: „Teljesen elfogadom azt az elképzelést, hogy ez lehet az utolsó cikkem”, és arról is beszélt, hogy elhalasztotta az MIT számítástudományi és mesterséges intelligencia laborjához tervezett mesterképzését, hogy a PSInél dolgozzon.
A probléma: Aaronson–Ambainis feltételezés
A megoldás tárgya az Aaronson–Ambainis feltételezés, amely arra vonatkozik, hogy milyen mértékben képesek a kvantumszámítógépek egyes problémákat gyorsabban megoldani, mint a klasszikus gépek. Scott Aaronson, az egyik eredeti megfogalmazó, azt írja, hogy maga nem teljesen érti a bizonyítást, de helyességéhez hozzájárul, hogy a megoldást Lean formális bizonyítási nyelven autoformalizálták, és hogy a PSI megosztotta az eredményt egy neves kutatókból álló csoporttal, akik elmagyarázták a lépéseket.
A bejelentés szerint a bizonyítás elzár egy lehetséges utat, amelyen a kvantumszámítógépek bizonyos nehéz feladatokat nagy sebességgel oldhattak volna meg; ez egy negatív eredmény abban az értelemben, hogy megszabta, mely irányok már nem ígéretesek a további keresésre. Turturean ezt így fogalmazta meg: „Ez egy negatív eredmény, ami lehetővé teszi az emberek számára, hogy tudják, oké, már nem ott keresünk.”
A szerepét és a módszertanát érintő következtetések
A történet szélesebb értelemben is tükrözi azt a zavaró hatást, amelyet a mesterséges intelligencia a tudományos kutatás módjára gyakorol. Aaronson azt írta, hogy a teljes Aaronson–Ambainis feltételezés bebizonyítása az egyik utolsó nyitott probléma volt a kvantumlekérdezési komplexitás területén, amit a szakma központinak tekintett; saját érzelmeit a bejelentés kapcsán úgy írta le, hogy elégedettség, áhítat, csalódottság és fáradtság keveredett benne.
Aaronson megjegyezte továbbá, hogy meglepődött, amikor néhány héttel korábban az OpenAI „Mathocalypse” halmazából hiányzott ez az eredmény — ez arra utal, hogy bár az AI-kísérletek már sok problémát megoldtak, ez a feladat talán nehezebb volt számukra.
PSI megközelítése a tudományos problémák megoldására specializált modellek és kiegészítő eszközök ("harnesses" és scaffolding) alkalmazására épül. Matt Pines, a PSI ügyvezető igazgatója a TechCrunch-nak elmondta, hogy egy hatékony kutatási rendszernek sokféle eszközre, memóriarendszerre és szimulációs infrastruktúrára van szüksége, hogy egy problémát alaposan és széles spektrumban lehessen vizsgálni.
Gyakorlat és üzleti modell
Jelenleg a PSI bevételét elsősorban az jelenti, hogy eszközeivel adatközpontokat optimalizálnak: a modellek képesek szimulálni a hő-, energia-, víz- és zajviszonyokat, ahol a telephely teljesítménye és környezeti hatása fizikai tényezők függvénye. A hosszú távú cél az, hogy az elméleti fizikai felfedezések gyakorlati technológiákká alakuljanak.
Pines elmondása szerint „nagyjából hat–kilenc hónappal ezelőtt” még nehéz volt befektetőknek meggyőzően bemutatni, hogy a jövőben az elméleti fizika nagy része a gépek doménjévé válik, de szerinte a folyamat elindult: „Még nem tartunk ott, de úton vagyunk.”
A kísérleti validálás és a szakmai gyakorlatok kérdései
Míg a matematika és a számítástudomány területén, ahol az eredmény kódba is átültethető és ellenőrizhető, az AI már fontos megoldásokat adott, a kevésbé absztrakt diszciplínák — például az élettudományok vagy a kísérleti fizika — esetében ez nehezebb feladat. A Discovered Materials nevű startup például nemrég egymillió dolláros kihívást hirdetett olyan kutatóknak, akik AI-t használnak például a vezetőképesség vagy a hőelvezetés problémáinak megértésére.
PSI számára kulcskérdés, hogyan lehet a számítási eredményeket a lehető leghatékonyabban kísérleti úton validálni. Pines szerint ha egy eredmény a természet valódi törvényeiből következik, azt fel lehet használni eszközök építésére: „Az AI ötleteket javasol; lehetővé teszi, hogy a világban olyat csinálj, amit korábban nem tudtál.” Ezt a visszacsatoló, kísérleti fejlesztési hurkot építik a vállalatnál.
Átláthatóság és szakértői ellenőrzés
Az úgynevezett „neolaborok a tudományért” útján születő eredményeknél még formálódnak a gyakorlatok és normák. PSI azért várta meg, amíg Anthropic modellje majdnem kiadásra kész volt, hogy eredményét megossza — így időt nyertek arra, hogy releváns kutatókkal átnézessék és megértsék a bizonyítást.
Jim Halverson, a Northeastern University professzora és PSI tanácsadója azt mondta, hogy mint akadémikusok, igyekeznek „jól csinálni a dolgokat”: a transzparencia és a szakértői bevonás szerinte jó út. Halverson részt vesz egy jövő heti MIT-szimpóziumon, ahol vezető fizikusok próbálják megvitatni a tudomány új, gyorsabb tempójára adott válaszokat.
Turturean arról is beszélt, hogy ez volt az első alkalom, amikor nyomtatásban megjelent egy AI-által generált megoldásból kiinduló dolgozata; átnézte és emberi olvasatra természetesebbé tette azt, mivel számít rá, hogy az akadémiai közösség elvárja, hogy képes legyen elmagyarázni az eredményt. „És azt hiszem, ez ráébresztett arra, óriási a súlya annak, amit az AI képes megtenni” — mondta.
