David Turturean, diplômé du MIT et membre de l'équipe technique du laboratoire de start-up Physical Superintelligence (PSI), a résolu un problème de calcul quantique vieux de 18 ans en utilisant le modèle Fable 5.2 d'Anthropic.
« J’accepte pleinement l’idée que cela puisse être le dernier article que je publie », a déclaré Turturean à TechCrunch. Il avait initialement reporté son projet de rejoindre le célèbre laboratoire d’informatique et d’intelligence artificielle du MIT pour poursuivre une maîtrise, afin de s’engager chez PSI. « Dans quelques mois, pourquoi publierait-on encore un article ? »
Ce problème est la conjecture d'Aaronson-Ambainis, qui porte sur la question de savoir si les ordinateurs quantiques peuvent résoudre des problèmes plus rapidement que les ordinateurs classiques. L'un des deux chercheurs ayant formulé cette question, Scott Aaronson, a écrit qu'il ne comprenait pas entièrement cette démonstration, mais qu'il en croit la validité, car elle a été formalisée automatiquement à l'aide de Lean, un langage de codage mathématique, et expliquée par un groupe de chercheurs de premier plan qui ont partagé la solution avec le PSI.
Cette réponse semble fermer une voie pour résoudre certains problèmes complexes à grande vitesse avec un ordinateur quantique, mais pas toutes les voies. « C’est un résultat négatif qui indique aux gens : d’accord, nous ne poursuivons plus dans cette direction », dit Turturean.
Sur un plan plus large, cela reflète également l'impact que la résolution de problèmes par l'IA exerce sur le monde scientifique.
« Prouver la conjecture complète de Aaronson-Ambainis est l’un des derniers problèmes non résolus, et largement reconnus comme cruciaux, dans le domaine de la complexité de requêtes quantiques », a écrit Aaronson. Il a déclaré que, en apprenant la nouvelle, il ressentait de la satisfaction, de l’émerveillement, de la déception et de la fatigue. « Honnêtement, je suis surpris que cela n’apparaisse pas dans le résumé Mathocalypse d’OpenAI il y a quelques semaines. Ils ont certainement essayé, donc est-ce vraiment beaucoup plus difficile que tous les autres problèmes déjà résolus ? »
Cela soutient également le modèle PSI : résoudre des problèmes scientifiques grâce à une orchestration de modèles spécialisés et à un système de support.
Matt Pines, PDG de PSI, a déclaré à TechCrunch : « Un système de recherche efficace doit comporter de nombreux éléments liés à la couche d'orchestration, beaucoup de choses liées aux outils, aux systèmes de mémoire et à l'infrastructure de simulation. Vous devez être en mesure de aborder un problème à la fois en profondeur et en largeur, et de prendre en compte diverses solutions de remplacement potentielles. »
Actuellement, les revenus de l'entreprise proviennent de l'optimisation des centres de données à l'aide de ses outils, en simulant des variables telles que la chaleur, l'électricité, l'eau, le bruit, etc. — « La performance de ces sites et leur impact sur la communauté sont des fonctions directes de leurs caractéristiques physiques. » Toutefois, à long terme, l'entreprise souhaite transformer les percées en physique théorique en technologies concrètes.
Il y a six à neuf mois, lorsque je discutais avec des investisseurs, je devais encore me fatiguer à vérifier cette condition, n’est-ce pas ? Par exemple : « Non, non, non, croyez-moi, la physique théorique va très vite devenir principalement l’affaire des machines. » dit Pines. « Ce n’est pas encore arrivé, mais ça y est en chemin. »
Cependant, bien que l'IA ait déjà obtenu des résultats importants dans des domaines tels que les mathématiques et l'informatique, où les problèmes peuvent être exprimés sous forme de code vérifiable, il reste plus difficile de parvenir à cela dans des disciplines moins abstraites comme les sciences de la vie ou la physique. La semaine dernière, la startup Discovered Materials a lancé un défi de 1 million de dollars destiné aux chercheurs utilisant l'IA pour étudier des problèmes tels que la supraconductivité et la dissipation thermique.
« Au fond, la physique diffère des mathématiques parce qu’elle fait face au monde réel… La nature votera sur vos modèles du réel », a déclaré Pines. Il a indiqué que cette startup se concentre sur la recherche de la manière la plus efficace de combiner les résultats computationnels avec la validation expérimentale.
« Si c’est un fait réel de la nature, c’est une astuce que vous pouvez exploiter », dit Pines. « Vous pouvez en créer un dispositif, non ? L’IA propose une idée ; elle vous permet de réaliser dans le monde réel des choses que vous ne pouviez pas faire auparavant… Donc ce sont tous ces cycles que PSI construit. »
Alors que « neolabs dans le domaine scientifique » devient une voie susceptible de conduire à des avancées scientifiques révolutionnaires, les participants continuent d'explorer les normes de ce nouveau monde. Étant donné que PSI doit attendre que les modèles d'Anthropic soient proches de leur publication pour révéler ses résultats, elle peut partager ses découvertes avec les chercheurs concernés afin d'en mieux comprendre l'impact.
« En tant que chercheurs, nous souhaitons jouer notre rôle en faisant les choses correctement », déclare Jim Halverson, professeur à l’Université Northeastern qui conseille la PSI. Il se rendra la semaine prochaine au MIT pour participer à un sommet où des physiciens de premier plan tenteront de discuter des moyens de répondre à l’accélération du rythme scientifique. « Les meilleures pratiques sont encore en cours de formation… Nous pensons qu’il est bon de rester transparent et de contacter des experts. »
« Nous avons eu un peu de temps pour le laisser de côté… C’était la première fois que je faisais imprimer une solution que j’avais obtenue grâce à l’IA, et en la lisant, je me suis dit : bon, comment puis-je rendre cela plus naturel pour un humain ? » a déclaré Turturean à TechCrunch. Il a indiqué que la communauté académique s’attendrait à ce qu’il explique ce résultat. « Je me suis rendu compte que, bon sang, la portée des choses que l’IA peut accomplir est immense. »