Дэвид Туртуреан, выпускник MIT и член команды технологий стартап-лаборатории Physical Superintelligence (PSI), решил задачу в области квантовых вычислений, существовавшую уже 18 лет, с использованием модели Fable 5.2 от Anthropic.
«Я полностью принимаю мысль, что это может быть моей последней публикацией», — сказал Туртуреан TechCrunch. Он отложил свой план поступить в известную лабораторию компьютерных наук и искусственного интеллекта MIT для получения магистерской степени, чтобы присоединиться к PSI. «Через несколько месяцев зачем вам вообще публиковать статьи?»
Эта задача — гипотеза Ааронсона-Амбайнис, касающаяся того, могут ли квантовые компьютеры решать задачи быстрее, чем классические. Один из исследователей, предложивших эту проблему, Скотт Ааронсон, написал, что он не полностью понимает это доказательство, но верит в его корректность, поскольку оно было автоматически формализовано с использованием математического языка кодирования Lean и объяснено группой ведущих исследователей, совместно поделившихся решением с PSI.
Этот ответ, похоже, закрывает один из путей к решению некоторых сложных задач с помощью квантовых компьютеров с высокой скоростью, но не все пути. «Это отрицательный результат, который показывает нам: хорошо, больше не будем идти в этом направлении», — говорит Туртуреан.
В более широком смысле это также отражает влияние, которое решение проблем с помощью ИИ оказывает на научное сообщество.
«Доказательство полной [гипотезы Aaronson-Ambainis] является одним из последних нерешённых и всеми признаваемых критически важных вопросов в области квантовой вычислительной сложности», — написал Aaronson. Он отметил, что после получения этой новости испытал удовлетворение, благоговение, разочарование и усталость. «Честно говоря, я был удивлён, что этого не было в сводке OpenAI Mathocalypse несколько недель назад. Они наверняка пробовали, значит, этот вопрос действительно намного сложнее всех уже решённых?»
Это также поддерживает модель PSI: решение научных задач с помощью специализированных моделей оркестрации и поддерживающих систем.
Генеральный директор PSI Мэтт Пайнс сказал TechCrunch: «Эффективная исследовательская система должна включать множество элементов, связанных с оркестрационным слоем, инструментами, системами памяти и инфраструктурой моделирования. Вы должны быть в состоянии действительно решить проблему как с точки зрения широты, так и глубины, а также рассмотреть различные потенциальные альтернативы».
В настоящее время доходы компании поступают от оптимизации центров обработки данных с помощью их инструментов, моделируя такие переменные, как тепло, электричество, вода, шум и т.д. — «производительность этих объектов и их влияние на сообщество являются прямой функцией их физических характеристик». Однако в долгосрочной перспективе компания стремится превратить теоретические физические прорывы в практические технологии.
Шесть-девять месяцев назад, когда я общался с инвесторами, мне приходилось немного убеждать их в этом условии, верно? Например: «Нет-нет, поверьте мне, теоретическая физика скоро станет преимущественно машинной». — говорит Пайнс. — «Сейчас мы еще не дошли до этого, но мы уже на пути».
Однако, несмотря на то, что ИИ уже достиг значительных успехов в таких областях, как математика и компьютерные науки, где задачи можно выразить в виде проверяемого кода, сделать это в таких дисциплинах, как биологические науки или физика, где абстракция ниже, остается гораздо сложнее. На прошлой неделе стартап Discovered Materials объявил конкурс с призовым фондом в 1 миллион долларов для исследователей, использующих ИИ для изучения таких проблем, как сверхпроводимость и тепловое рассеивание.
«В конечном счете, физика отличается от математики, потому что имеет дело с реальным миром… Природа сама голосует за ваши модели реальности», — говорит Пайнс. Он отмечает, что эта стартап-компания сосредоточена на исследовании того, как наиболее эффективно сочетать вычислительные результаты с экспериментальной проверкой.
«Если это действительно реальный факт природы, то это трюк, которым можно воспользоваться», — говорит Пайнс. «Вы можете создать устройство на основе этого, верно? ИИ предлагает идею; он позволяет вам делать в реальном мире то, что раньше было невозможно… Таким образом, это все циклы, которые PSI строит».
Поскольку PSI должны были дождаться приближения выпуска модели Anthropic, прежде чем опубликовать результаты, они смогли поделиться достижениями с соответствующими исследователями, чтобы лучше их понять.
«Как ученые, мы хотим сыграть свою роль в правильном выполнении этих задач», — говорит профессор Джим Халверсон из Университета Северо-Востока, который консультирует PSI. На следующей неделе он отправится в MIT на саммит, где ведущие физики попытаются обсудить способы реагирования на ускорение научного темпа. «Лучшие практики пока еще формируются… Мы считаем, что хорошей идеей является поддержание прозрачности и взаимодействие с экспертами».
«У нас есть время, чтобы на время отложить это… Это первый раз, когда я распечатал решение, полученное с помощью ИИ, и прочитал его, подумав: „Хорошо, как мне сделать это более естественным для человека?“» — сказал Туртуреан TechCrunch. Он отметил, что академическое сообщество ожидает от него объяснения этого результата. «Я понял, насколько велико значение того, что может делать ИИ».