David Turturean, graduado del MIT y miembro del equipo técnico del laboratorio de startups Physical Superintelligence (PSI), resolvió un problema de computación cuántica de 18 años de antigüedad utilizando el modelo Fable 5.2 de Anthropic.
“Aceptar completamente la idea de que esto podría ser mi última publicación”, dijo Turturean a TechCrunch. Originalmente pospuso su plan de ir al famoso Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT para hacer una maestría, y en su lugar se unió a PSI. “¿Para qué publicar un artículo dentro de unos meses?”
Este problema es la conjetura de Aaronson-Ambainis, que aborda si las computadoras cuánticas pueden resolver problemas más rápido que las computadoras clásicas. Uno de los dos investigadores que plantearon esta pregunta, Scott Aaronson, escribió que no comprende completamente la demostración, pero cree que es correcta porque ha sido formalizada automáticamente mediante Lean, un lenguaje de codificación matemática, y explicada por un grupo de investigadores líderes que compartieron la solución con el PSI.
Esta respuesta parece cerrar una vía para que las computadoras cuánticas resuelvan ciertos problemas difíciles a alta velocidad, pero no todas las vías. “Es un resultado negativo que indica: ‘Bien, ya no seguimos por ese camino’, ” dijo Turturean.
Desde una perspectiva más amplia, esto también refleja el impacto que la resolución de problemas mediante IA está teniendo en la comunidad científica.
“Demostrar la conjetura de Aaronson-Ambainis completa es uno de los últimos problemas pendientes en el campo de la complejidad de consultas cuánticas, y todos están de acuerdo en que es fundamental,” escribió Aaronson. Él indicó que, al enterarse de la noticia, sus emociones incluyeron satisfacción, asombro, decepción y agotamiento. “Honestamente, me sorprendió que no apareciera en la recopilación Mathocalypse de OpenAI de hace unas semanas. Seguramente lo intentaron, ¿entonces es realmente mucho más difícil que todos esos problemas ya resueltos?”
Esto también respalda el modelo de PSI: resolver problemas científicos mediante orquestación y sistemas de soporte especializados.
Matt Pines, CEO de PSI, dijo a TechCrunch: "Un sistema de investigación efectivo debería tener muchas cosas relacionadas con la capa de orquestación, muchas relacionadas con herramientas, sistemas de memoria e infraestructura de simulación. Debes poder abordar realmente un problema desde la amplitud y la profundidad, y considerar diversas alternativas potenciales."
Actualmente, los ingresos de la empresa provienen de optimizar centros de datos con sus herramientas, simulando variables como calor, electricidad, agua, ruido, etc.: “El rendimiento de estos sitios y su impacto en la comunidad son funciones directas de sus características físicas.” Sin embargo, a largo plazo, la empresa espera convertir avances en física teórica en tecnologías prácticas.
“Hace seis a nueve meses, cuando hablaba con inversores, todavía tenía que esforzarme para validar esa condición, ¿verdad? Por ejemplo, ‘No, no, créeme, pronto la física teórica será principalmente cosa de máquinas.’” dice Pines, “Aún no hemos llegado a ese punto, pero estamos en camino.”
Sin embargo, aunque la IA ya ha logrado avances significativos en problemas como las matemáticas y la ciencia de la computación, que pueden expresarse mediante código verificable, lograrlo en disciplinas menos abstractas como las ciencias de la vida o la física sigue siendo más difícil. La semana pasada, la startup Discovered Materials lanzó un desafío de 1 millón de dólares dirigido a investigadores que utilizan IA para estudiar problemas como la superconductividad y la disipación térmica.
“En última instancia, la física es diferente de las matemáticas porque se enfrenta al mundo real... la naturaleza votará sobre tus modelos del mundo real,” dijo Pines. Indicó que esta startup se enfoca en investigar cómo combinar los resultados computacionales con la validación experimental de la manera más eficiente.
“Si es realmente un hecho real de la naturaleza, entonces es una técnica que puedes aprovechar,” dijo Pines. “Puedes construir un dispositivo basado en ello, ¿verdad? La IA propone una idea; te permite hacer en el mundo real cosas que antes no eran posibles… Así que todos estos son ciclos que PSI está construyendo.”
A medida que “neolabs en el ámbito científico” se convierten en una vía potencial para lograr avances científicos revolucionarios, los participantes aún están explorando los estándares de este nuevo mundo. Dado que PSI debe esperar hasta que los modelos de Anthropic estén cerca de su lanzamiento para revelar los resultados, pueden compartir los hallazgos con investigadores relevantes para comprenderlos mejor.
“Como académicos, queremos desempeñar nuestro papel en hacer las cosas correctamente”, dijo el profesor Jim Halverson de la Universidad de Northeastern, quien asesora a la PSI. Él viajará la próxima semana al MIT para asistir a una cumbre donde físicos líderes intentarán discutir cómo responder al aceleramiento del ritmo científico. “Las mejores prácticas aún se están formando… creemos que mantener la transparencia es una buena idea, y también es una buena idea consultar con expertos.”
“Tenemos un poco de tiempo para dejarlo de lado por ahora… Esta fue la primera vez que imprimí una solución que obtuve mediante IA, y al leerla, pensé: ‘Bien, ¿cómo puedo presentar esto de manera más natural para los humanos?’”, dijo Turturean a TechCrunch. Indicó que la comunidad académica esperaría que explicara este resultado. “Creo que esto también me hizo darme cuenta de: ‘Dios mío, cuánto puede hacer la IA’”.