麻省理工學院應屆畢業生、初創實驗室 Physical Superintelligence（PSI）技術團隊成員 David Turturean，借助 Anthropic 的 Fable 5.2 模型，解決了一個已有 18 年歷史的量子計算難題。
「我完全接受這樣一種想法：這可能會是我發表的最後一篇論文，」Turturean 對 TechCrunch 說。他原本推遲了前往 MIT 著名計算機科學與人工智慧實驗室攻讀碩士的計劃，轉而加入 PSI。「再過幾個月，你還為什麼要發表論文呢？」
這道題是 Aaronson-Ambainis 猜想，涉及量子電腦是否能比經典電腦更快地解決問題。提出這一問題的兩位研究者之一 Scott Aaronson 寫道，他並不完全理解這份證明，但他相信它是正確的，因為它已被使用 Lean 這一數學編碼語言進行自動形式化，並由 PSI 與之分享解決方案的一組頂尖研究人員加以解釋。
這項解答似乎關閉了量子計算機以高速解決某些困難問題的一條路徑，但並非全部路徑。「這是一個負面結果，它讓人們知道，好的，我們不再往那個方向找了，」Turturean 說。
更廣泛地看，這也反映出 AI 求解問題正在給科學界帶來的衝擊。
「證明完整的 [Aaronson-Ambainis 猜想] 是量子查詢複雜性領域最後幾個仍未解決、而且大家都一致認為至關重要的問題之一，」Aaronson 寫道。他表示，聽到這個消息後，自己的感受包括滿足、敬畏、失望和疲憊。「老實說，我很驚訝幾週前 OpenAI 的 Mathocalypse 匯總裡沒有它。它們肯定試過了，所以它真的比所有那些已被解決的問題難很多嗎？」
這也為 PSI 的模式提供了支持：通過專門的模型編排與支撐系統來解決科學問題。
PSI 首席执行官 Matt Pines 對 TechCrunch 說：「一個有效的研究系統應該包含許多與編排層相關的內容，許多與工具、記憶系統、模擬基礎設施相關的內容。你需要能夠真正從廣度和深度上攻克一個問題，並能考慮各種潛在替代方案。」
目前，公司的收入來自使用其工具優化數據中心，模擬熱量、電力、水、噪音等變量——「這些站點的性能以及它們對社區的影響，都是其物理特性的直接函數。」不過，從長期來看，公司希望將理論物理突破轉化為實際技術。
六到九個月前，當我和投資者交流時，我還得花點力氣去驗證那個條件，對吧？比如說，「不不不，相信我，理論物理很快就會主要屬於機器。」Pines 說，「現在還沒到那一步，但它正在路上。」
不過，儘管 AI 已在數學和電腦科學等可透過可驗證代碼表達的問題上取得重要成果，但在生命科學或物理學等抽象程度較低的學科中，要做到這一點仍更困難。上周，初創公司 Discovered Materials 發布了一項 100 萬美元的挑戰賽，面向使用 AI 研究超導和熱耗散等問題的研究人員。
「歸根結底，物理與數學不同，因為它面對的是現實世界……自然會對你關於現實的模型投票，」Pines 說。他表示，這家初創公司專注於研究如何以最有效的方式將計算結果與實驗驗證相結合。
“如果這確實是自然界的一個真實事實，那它就是一種你可以利用的技巧，”Pines 說。“你可以根據它製造出一個裝置，對吧？AI 提出一個想法；它讓你能夠在現實世界中完成以前無法做到的事情……因此，這些都是 PSI 正在構建的循環。”
隨著「科學領域的 neolabs」成為可能帶來突破性科學成果的路徑，參與者仍在摸索這個新世界的標準。由於 PSI 必須等到 Anthropic 的模型接近發布時才公佈結果，他們得以將成果分享給相關研究人員，以便更好地理解它。
「作為一名學者，我們希望在把事情做對這件事上盡到自己的角色，」為 PSI 提供建議的東北大學教授 Jim Halverson 說。他下周將前往 MIT 參加一場峰會，屆時領先物理學家將嘗試就科學節奏加快後的應對方式進行討論。「最佳實踐仍在形成中……我們認為，保持透明是個好辦法，聯繫專家也是個好辦法。」
「我們有一些時間把它先放一放……這是我第一次把透過 AI 得到的解決方案印出來，然後我讀了一遍，心想，好吧，我該怎麼把它……更自然地呈現給人類？」Turturean 對 TechCrunch 說。他表示，學術界會期待他能夠解釋這一結果。「我覺得這也讓我意識到，天哪，AI 能做到的事情分量有多重。」