Стартап Physical Superintelligence (PSI) использовал раннюю версию модели Anthropic Fable 5.2, чтобы решить гипотезу Ааронсона — Амбэйнса, над которой специалисты по квантовым вычислениям работали 18 лет. Для русскоязычных разработчиков и фаундеров это не очередной спор о том, «заменит ли ИИ учёных»: ИИ для науки уже начинает закрывать задачи, где ценность измеряется не скоростью написания текста, а проверяемым новым результатом.
Над доказательством работал Дэвид Туртурян, недавний выпускник MIT и сотрудник PSI; об этом сообщает TechCrunch. Он отложил планы поступать в магистратуру лаборатории компьютерных наук и ИИ MIT, чтобы присоединиться к стартапу. Результат касается одного из центральных вопросов квантовой теории сложности: в каких случаях квантовый компьютер действительно может получить существенное преимущество перед классическим.
Гипотеза, сформулированная Скоттом Ааронcоном и Андрисом Амбэйнисом, ограничивает один из возможных путей ускорения вычислений на квантовых машинах. Доказательство не отменяет перспективы квантовых вычислений целиком, но отсекает конкретное направление поиска для некоторых трудных задач. В исследовательской работе это полезный исход: отрицательный результат экономит годы на красивой, но бесперспективной ветке.
Сам Ааронсон написал, что пока не разобрал доказательство во всех деталях, но считает его корректным. Причина не в слепой вере в модель: решение автоматически формализовали и проверили в Lean — языке для машинной верификации математических доказательств. Кроме того, PSI показала материалы профильным исследователям, которые помогли их разобрать. Это важная оговорка для всех разговоров об автономных агентах: ответ модели становится научным результатом только после независимой проверки, а не после впечатляющего демо.
Не одна модель, а исследовательский контур
PSI делает ставку не на универсальный чат-бот для лаборатории. По словам гендиректора Мэтта Пайнса, эффективная система исследований должна объединять специализированные обвязки моделей, инструменты, память и инфраструктуру симуляций. Такой контур способен параллельно проверять гипотезы, сохранять промежуточные находки и переключаться между альтернативными подходами, а не просто продолжать самый правдоподобный текст.
Это отличие особенно заметно на математике и теоретической информатике. Там утверждение часто удаётся выразить в коде и формально проверить. В биологии, материаловедении или прикладной физике цепочка длиннее: модель может предложить механизм, но природа не обязана соглашаться с симуляцией. Нужны эксперимент, измерения, воспроизводимость и понимание границ модели. ИИ для науки здесь упирается не только в качество рассуждений, но и в стоимость и скорость реального эксперимента.
У PSI уже есть более приземлённый источник выручки: её инструменты используют для оптимизации дата-центров. Компания моделирует тепло, энергопотребление, воду и шум — параметры, от которых одновременно зависят эффективность площадки и её воздействие на окружающую среду. Это понятный коммерческий кейс: физическая модель даёт рекомендации, а заказчик может проверить эффект на собственной инфраструктуре.
Дальняя цель сложнее: превращать теоретические открытия в технологии и устройства. По логике Пайнса, установленный факт о природе можно использовать как инженерский приём. Но между доказательством и продуктом остаётся тяжёлая работа: построить эксперимент, подтвердить эффект, обеспечить повторяемость, найти производственный процесс и экономику. Именно на этом участке многие громкие заявления о научном ИИ обычно теряют темп.
Наука меняет темп — и правила публикации
История PSI поднимает и неудобный вопрос об академических процедурах. Команда некоторое время не раскрывала результат, пока модель Anthropic готовилась к релизу. За этот период авторы смогли показать решение экспертам и подготовить человеческое объяснение. Туртурян прямо признаёт, что научное сообщество будет ожидать от него способности объяснить доказательство, даже если существенную часть поиска выполнила модель.
Профессор Северо-Восточного университета Джим Халверсон, консультирующий PSI, говорит о формирующихся практиках прозрачности: раннее обращение к независимым специалистам и открытое обсуждение происхождения результата. Для индустрии это означает будущий спрос не только на модели, но и на журналы действий агентов, воспроизводимые окружения, формальные проверки и понятные протоколы авторства. Если система нашла решение, но никто не может восстановить, как оно было проверено, в науке это ещё не преимущество, а источник риска.
Конкуренция за этот рынок уже выходит за пределы чистой математики. Стартап Discovered Materials на прошлой неделе объявил грандиозный конкурс с призовым фондом $1 млн для исследователей, использующих ИИ в задачах сверхпроводимости и отвода тепла. Такие задачи привлекательнее для бизнеса, но и жёстче для моделей: правильность нельзя окончательно подтвердить компилятором или формальным проверяющим.
Ближайший тест для PSI и подобных «неолабораторий» — не количество решённых головоломок, а способность повторить цикл от вычислительной гипотезы до экспериментально подтверждённой технологии. Решение 18-летней гипотезы показывает, что ИИ для науки умеет ускорять фундаментальный поиск; теперь стартапам предстоит доказать, что этот поиск можно превратить в устойчивый бизнес, а не в серию эффектных научных новостей. Подробнее о позиции PSI и комментариях участников — в .
