Стартап Physical Superintelligence (PSI) решил конъюнктуру Ааронсона-Амбаиниса — открытую математическую проблему, над которой учёные бились 18 лет. Решение получено с использованием ранней версии модели Fable 5.2 от Anthropic и затем верифицировано в Lean, формальном языке для математических доказательств. Один из авторов исходной проблемы, Скотт Ааронсон, признал корректность доказательства, хотя сам его полностью не понял — помогла формальная верификация и экспертная проверка. Это «отрицательный результат», закрывающий один из потенциальных путей ускорения квантовых вычислений.
Сам по себе результат показывает, что AI начинает справляться с задачами математического уровня сложности лучше, чем ручной перебор. Но здесь важнее бизнес-модель PSI: компания не просто гонится за решением конкретных проблем, а строит систему с harnesses, инструментами, памятью и симуляцией. Идея в том, что чистая AI-мощь недостаточна — нужны специализированные леса вокруг неё, чтобы система могла атаковать задачу вширь и вглубь. Это отличается от подхода OpenAI, который недавно выложил batch-решения множества математических задач без такой настройки.
На данный момент PSI получает деньги, оптимизируя дата-центры через моделирование тепла, электричества и водяного охлаждения — то есть используя те же методы, но для вполне осязаемой производственной задачи. Долгосрочный план — превратить теоретические прорывы в рабочие технологии. CEO Мэтт Пайнс говорит, что полгода назад ему нужно было «тянуть» инвесторов на идею, что теоретическая физика скоро станет доменом машин, а сейчас это уже не звучит притянутым за уши.
Однако масштабирование за пределы математики натыкается на реальность. В точных науках вроде математики и computer science AI может выдать формально верифицируемый результат. В физике, биологии, материаловедении сложнее: нужна экспериментальная валидация, и не всегда ясно, как эффективно это организовать. Соответственно, появляются конкуренты: стартап Discovered Materials недавно выложил грант на миллион долларов для исследователей, которые решают AI-методами проблемы типа сверхпроводимости.
PSI берёт это в расчёт. Пайнс подчёркивает фундаментальное отличие: «В физике природа голосует — это реальный мир». Компания фокусируется на том, чтобы научиться эффективно валидировать вычислительные предложения через эксперименты. Если AI предлагает идею, которая работает в природе, её можно превратить в устройство, технологию, новый цикл. Каждый такой цикл PSI пытается оптимизировать.
Для российского бизнеса эта модель может быть интересна в тех сферах, где есть и вычислительная сложность, и необходимость практической валидации: оптимизация энергетических систем, логистика, материаловедение, фармацевтика. Вместо того чтобы ждать, пока универсальные модели станут достаточно умными, компании могут уже сейчас собирать специализированные системы с инструментами, базами знаний и циклами обратной связи — как PSI делает для data center optimization.
Одновременно научное сообщество только начинает разбираться со стандартами такой работы. PSI демонстрировала прозрачность, делясь результатом с экспертами до публикации. На грядущем саммите в MIT физики будут обсуждать, как вообще устанавливать стандарты для науки, которую делают машины. Молодой автор решения Давид Туртуреан даже отложил магистратуру в MIT, чтобы присоединиться к PSI, и заметил, что в мире, где AI помогает доказывать теоремы, смысл академической публикации может переосмыслиться.
Алексей Мартыненко
Главный редактор SPV News
PSI делает то, что часто не получается у генеральных AI-лаб — специализируется вместо тотального масштабирования. Решение конкретной 18-летней проблемы интересно не столько самой результатом, сколько тем, что это сделано через набор инструментов, а не чистой моделью. Это подход, который, судя по всему, лучше работает там, где нужна не ширина, а глубина.