David Turturean, cựu sinh viên MIT và thành viên nhóm kỹ thuật từ phòng thí nghiệm khởi nghiệp Physical Superintelligence (PSI), đã sử dụng mô hình Fable 5.2 của Anthropic để giải quyết một bài toán tính toán lượng tử đã tồn tại 18 năm.
“Tôi hoàn toàn chấp nhận ý tưởng rằng đây có thể là bài báo cuối cùng tôi công bố,” Turturean nói với TechCrunch. Anh ấy đã hoãn kế hoạch đến Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo nổi tiếng của MIT để theo học thạc sĩ, thay vào đó gia nhập PSI. “Chỉ vài tháng nữa, bạn còn lý do gì để công bố bài báo nữa?”
Câu hỏi này là giả thuyết Aaronson-Ambainis, liên quan đến việc liệu máy tính lượng tử có thể giải quyết vấn đề nhanh hơn máy tính cổ điển hay không. Một trong hai nhà nghiên cứu đưa ra câu hỏi này, Scott Aaronson, viết rằng ông không hoàn toàn hiểu chứng minh này, nhưng ông tin rằng nó đúng vì nó đã được tự động hóa hình thức hóa bằng ngôn ngữ mã hóa toán học Lean và được một nhóm các nhà nghiên cứu hàng đầu chia sẻ giải pháp cùng PSI giải thích.
Câu trả lời này dường như đã đóng một con đường để máy tính lượng tử giải quyết một số vấn đề khó với tốc độ cao, nhưng không phải tất cả các con đường. “Đây là một kết quả tiêu cực, giúp mọi người biết rằng, được rồi, chúng ta sẽ không còn theo hướng đó nữa,” Turturean nói.
Nhìn một cách rộng hơn, điều này cũng phản ánh tác động mà AI đang mang lại cho cộng đồng khoa học trong việc giải quyết các vấn đề.
“Chứng minh đầy đủ [giả thuyết Aaronson-Ambainis] là một trong những vấn đề chưa được giải quyết cuối cùng trong lĩnh vực độ phức tạp truy vấn lượng tử, và đều được coi là cực kỳ quan trọng,” Aaronson viết. Ông cho biết, sau khi nghe tin này, cảm xúc của mình bao gồm sự hài lòng, sự kính nể, sự thất vọng và mệt mỏi. “Thành thật mà nói, tôi rất ngạc nhiên khi vấn đề này không xuất hiện trong bản tổng hợp Mathocalypse của OpenAI vài tuần trước. Chắc chắn họ đã thử, vậy nên liệu nó có thực sự khó hơn nhiều so với tất cả những vấn đề đã được giải quyết trước đó không?”
Điều này cũng hỗ trợ mô hình của PSI: giải quyết các vấn đề khoa học thông qua việc sắp xếp và hệ thống hỗ trợ mô hình chuyên biệt.
Matt Pines, CEO của PSI, cho TechCrunch biết: “Một hệ thống nghiên cứu hiệu quả nên có nhiều thành phần liên quan đến lớp điều phối, nhiều thành phần liên quan đến công cụ, hệ thống bộ nhớ và cơ sở hạ tầng mô phỏng. Bạn cần có khả năng thực sự tiếp cận vấn đề từ cả chiều rộng lẫn chiều sâu, đồng thời xem xét các phương án thay thế tiềm năng khác nhau.”
Hiện tại, doanh thu của công ty đến từ việc sử dụng các công cụ của mình để tối ưu hóa trung tâm dữ liệu, mô phỏng các biến số như nhiệt độ, điện năng, nước, tiếng ồn—“hiệu suất của các trạm này cũng như tác động của chúng đến cộng đồng đều là hàm số trực tiếp của các đặc tính vật lý của chúng.” Tuy nhiên, về lâu dài, công ty mong muốn chuyển hóa những đột phá trong vật lý lý thuyết thành các công nghệ thực tế.
Sáu đến chín tháng trước, khi tôi trao đổi với các nhà đầu tư, tôi vẫn phải cố gắng xác minh điều kiện đó, đúng không? Ví dụ: ‘Không, không, không, tin tôi đi, vật lý lý thuyết sẽ sớm chủ yếu thuộc về máy móc.’” Pines nói, “Hiện tại chưa đến mức đó, nhưng nó đang trên đường đến.”
Tuy nhiên, mặc dù AI đã đạt được những thành tựu quan trọng trong các vấn đề như toán học và khoa học máy tính, những vấn đề có thể biểu đạt bằng mã có thể xác minh, việc thực hiện điều này trong các lĩnh vực như khoa học sự sống hoặc vật lý, những ngành có mức độ trừu tượng thấp hơn, vẫn còn khó khăn hơn nhiều. Tuần trước, công ty khởi nghiệp Discovered Materials đã công bố một cuộc thi thưởng 1 triệu đô la Mỹ dành cho các nhà nghiên cứu sử dụng AI để nghiên cứu các vấn đề như siêu dẫn và phân tán nhiệt.
“Về cơ bản, vật lý khác với toán học vì nó đối mặt với thế giới thực… tự nhiên sẽ bỏ phiếu cho mô hình của bạn về thực tế,” Pines nói. Ông cho biết công ty khởi nghiệp này tập trung vào việc nghiên cứu cách kết hợp hiệu quả nhất các kết quả tính toán với xác thực thực nghiệm.
“Nếu đó thực sự là một sự thật trong tự nhiên, thì đó là một kỹ năng mà bạn có thể tận dụng,” Pines nói. “Bạn có thể chế tạo một thiết bị dựa trên điều đó, phải không? AI đưa ra một ý tưởng; nó giúp bạn thực hiện những điều trước đây không thể làm được trong thế giới thực… Vì vậy, tất cả những điều này đều là những vòng lặp mà PSI đang xây dựng.”
Khi "neolabs trong lĩnh vực khoa học" trở thành con đường có thể mang lại những thành tựu khoa học đột phá, các bên tham gia vẫn đang tìm hiểu các tiêu chuẩn của thế giới mới này. Do PSI phải chờ đến khi mô hình của Anthropic sắp được phát hành mới công bố kết quả, họ đã có thể chia sẻ thành quả với các nhà nghiên cứu liên quan để hiểu rõ hơn về nó.
“Với tư cách là một học giả, chúng tôi mong muốn đóng vai trò của mình trong việc làm đúng việc,” giáo sư Jim Halverson từ Đại học Northeastern, người đưa ra lời khuyên cho PSI, cho biết. Ông sẽ đến MIT vào tuần tới tham dự một hội nghị thượng đỉnh, nơi các nhà vật lý hàng đầu sẽ thảo luận về cách ứng phó với tốc độ khoa học ngày càng tăng. “Các thực hành tốt nhất vẫn đang được hình thành… Chúng tôi cho rằng, duy trì sự minh bạch và kết nối với các chuyên gia là một cách tốt.”
“Chúng tôi đã dành một chút thời gian để tạm gác nó lại… Đây là lần đầu tiên tôi in ra giải pháp mà tôi nhận được từ AI, sau đó tôi đọc lại và nghĩ, được rồi, tôi phải làm thế nào để trình bày nó một cách tự nhiên hơn với con người?” Turturean nói với TechCrunch. Anh cho biết, giới học thuật sẽ kỳ vọng anh giải thích kết quả này. “Tôi cảm thấy điều này cũng giúp tôi nhận ra, ôi trời, tầm trọng lượng của những gì AI có thể làm.”