Стартап Physical Superintelligence (PSI) пытается построить бизнес на научных открытиях, сделанных с помощью искусственного интеллекта. Один из его сотрудников использовал ранний доступ к модели Anthropic Fable 5.2, чтобы решить задачу в области квантовых вычислений, остававшуюся открытой 18 лет. Для компании это не просто демонстрация возможностей ИИ, а пример того, как специализированные системы могут ускорить фундаментальную науку и в перспективе привести к созданию новых технологий, рассказывает TechCrunch.

ИИ решил задачу, над которой ученые работали почти два десятилетия

Дэвид Туртуран, недавно окончивший MIT, присоединился к PSI вместо того, чтобы продолжить обучение в магистратуре. Работая в стартапе, он получил ранний доступ к модели Fable 5.2 от Anthropic и с ее помощью нашел решение для гипотезы Ааронсона — Амбаиниса, одной из важных открытых задач в теории квантовых вычислений.

Эта гипотеза связана с тем, насколько быстрее квантовые компьютеры способны решать определенные задачи по сравнению с классическими машинами. Найденное решение, судя по всему, закрывает одно из направлений, по которым квантовые компьютеры могли бы получить значительное преимущество при решении некоторых сложных задач. Но оно не означает, что возможности квантовых вычислений в целом оказались ограничены или что все перспективные подходы теперь исключены.

Результат имеет прежде всего отрицательный характер: он позволяет исследователям перестать искать преимущество в конкретном направлении и сосредоточиться на других вариантах.

Скотт Ааронсон, один из ученых, сформулировавших гипотезу, признал, что пока не до конца понимает доказательство. Тем не менее он считает его корректным: решение было формализовано с помощью Lean — языка и системы проверки математических доказательств. Кроме того, PSI передала результат группе ведущих исследователей, которые подготовили его подробное объяснение.

Ааронсон назвал произошедшее одновременно впечатляющим и утомительным событием. Он также удивился, что эта задача не попала в недавнюю подборку математических проблем, решенных с помощью моделей OpenAI: по его мнению, она считалась одной из наиболее значимых нерешенных задач в области сложности квантовых вычислений.

Для Туртурана произошедшее стало поводом задуматься о будущем научных публикаций. Он допустил, что это может оказаться его последней работой в привычном академическом формате: если через несколько месяцев ИИ сможет самостоятельно решать подобные задачи, сама необходимость публиковать статьи может измениться.

PSI делает ставку не на одну модель, а на целую исследовательскую систему

Для PSI это достижение важно еще и потому, что компания пытается выстроить собственный подход к использованию ИИ в науке. Она не рассчитывает просто задавать вопросы универсальной модели и получать готовые открытия. Вместо этого стартап разрабатывает специализированные системы, объединяющие модели, инструменты, память, симуляции и дополнительные программные механизмы — так называемые harnesses.

Глава PSI Мэтт Пайнс считает, что эффективная исследовательская система должна уметь изучать проблему одновременно широко и глубоко: рассматривать множество возможных решений, проверять альтернативы и использовать подходящие вычислительные инструменты.

Иными словами, важна не только способность модели рассуждать, но и инфраструктура, которая позволяет ей вести продолжительную исследовательскую работу. Именно такая комбинация, по замыслу компании, должна превратить ИИ из помощника ученого в самостоятельный инструмент научного поиска.

Пока PSI зарабатывает на более прикладной задаче — оптимизации дата-центров. Ее системы моделируют физические параметры объектов, включая тепло, энергопотребление, воду и шум. От этих характеристик зависят как эффективность работы дата-центра, так и его воздействие на окружающее сообщество.

Однако долгосрочная цель компании гораздо амбициознее: использовать теоретические открытия в физике для создания реальных устройств и технологий. Пайнс признает, что еще недавно ему приходилось убеждать инвесторов в том, что фундаментальная физика вскоре может стать преимущественно областью машинных исследований. По его словам, до этого пока далеко, но движение в таком направлении уже началось.

Почему математические доказательства — только начало

Успехи ИИ в математике и информатике пока не означают, что машины с той же эффективностью смогут совершать открытия в любой научной области.

В математике результат можно выразить в формальной системе и проверить программными средствами. Доказательство, записанное на языке Lean, например, можно подвергнуть строгой автоматизированной проверке. В физике и биологии ситуация сложнее: вычислительная модель должна соответствовать реальному миру, а ее предсказания — подтверждаться экспериментами.

«В конечном счете физика отличается от математики тем, что существует реальный мир. Природа тоже голосует за то, какие модели реальности верны», — объясняет Пайнс.

Поэтому PSI пытается понять, как эффективнее всего превращать вычислительные результаты в экспериментальные проверки. ИИ может предложить новую идею или обнаружить закономерность, но затем исследователям необходимо установить, действительно ли она описывает природное явление. Если это удается подтвердить, открытие может стать основой для технологии или устройства, которые раньше было невозможно создать.

Пайнс описывает этот процесс как последовательность циклов: модель предлагает гипотезу, вычисления помогают ее проверить, эксперименты сопоставляют результат с реальностью, а полученные данные используются для дальнейшего поиска.

Сложность такого подхода уже привлекает внимание других компаний. Например, стартап Discovered Materials объявил о конкурсе с призовым фондом $1 млн для исследователей, которые используют ИИ для решения проблем вроде сверхпроводимости и отвода тепла. Это показывает, что интерес к автоматизированным научным открытиям выходит за пределы математических задач.

Наука еще вырабатывает правила работы с ИИ

Быстрый прогресс ставит перед научным сообществом не только технические, но и организационные вопросы. Как проверять открытия, сделанные моделями? Кто должен отвечать за корректность доказательства? Насколько подробно исследователь обязан понимать решение, полученное с помощью ИИ? И как публиковать такие результаты, чтобы другие ученые могли их независимо оценить?

PSI старалась учитывать эти вопросы при работе над доказательством гипотезы Ааронсона — Амбаиниса. Поскольку компания должна была дождаться момента, когда модель Anthropic приблизится к публичному выпуску, у команды появилось время показать результат профильным специалистам и получить их оценку.

Джим Халверсон, профессор Северо-Восточного университета и научный консультант PSI, считает, что академическое сообщество еще только формирует лучшие практики для новой эпохи исследований. По его словам, открытость и предварительное взаимодействие с экспертами — важные условия ответственного использования ИИ.

Сам Туртуран также столкнулся с необходимостью не просто получить ответ от модели, но и объяснить его людям. Он рассказал, что впервые внимательно прочитал подготовленное ИИ решение уже после того, как оно было оформлено для публикации, и попытался изложить его более естественным для человека языком. Это помогло ему осознать масштаб возможностей новой технологии.

История PSI показывает, что научная работа с помощью ИИ постепенно выходит за рамки автоматизации отдельных вычислений. Модели уже способны участвовать в решении задач, которые долго оставались открытыми для специалистов. Но превращение таких результатов в надежные знания, воспроизводимые эксперименты и коммерческие технологии потребует не только более мощных моделей, но и новых методов проверки. Именно на этом переходе от машинной гипотезы к подтвержденному открытию PSI и пытается построить свой бизнес.