David Turturean، فارغ‌التحصیل اخیر MIT و عضو کادر فنی آزمایشگاه استارتاپی Physical Superintelligence (PSI)، با استفاده از دسترسی زودهنگام به مدل Fable 5.2 شرکت Anthropic، مسئله‌ای را که ۱۸ سال بی‌پاسخ مانده بود در حوزه رایانش کوانتومی حل کرد.

Turturean که برای پیوستن به PSI، برنامه‌اش برای ادامه تحصیل در مقطع کارشناسی ارشد در آزمایشگاه معتبر علوم کامپیوتر و هوش مصنوعی MIT را به تعویق انداخت، به TechCrunch گفت: «کاملاً پذیرفته‌ام که شاید این آخرین مقاله‌ای باشد که منتشر می‌کنم. چند ماه دیگر، اصلاً چرا باید مقاله‌ای منتشر کرد؟»

مسئله مورد بحث، حدس Aaronson-Ambainis، به توانایی رایانه‌های کوانتومی برای حل مسائل سریع‌تر از رایانه‌های کلاسیک مربوط می‌شود. Scott Aaronson، یکی از دو پژوهشگری که این مسئله را مطرح کردند، می‌نویسد که هنوز کاملاً برهان را درک نکرده است، اما معتقد است درست است؛ چون این برهان در Lean، زبان برنامه‌نویسی ریاضی، به‌صورت خودکار صوری‌سازی شده و گروهی از پژوهشگران برجسته که PSI راه‌حل را با آن‌ها در میان گذاشت، آن را توضیح داده‌اند.

به نظر می‌رسد این راه‌حل یکی از مسیرهایی را مسدود می‌کند که رایانه‌های کوانتومی می‌توانستند برای حل سریع برخی مسائل دشوار دنبال کنند، اما همه این مسیرها را نه. Turturean گفت: «این نتیجه‌ای منفی است که به پژوهشگران می‌گوید: خب، دیگر لازم نیست آن مسیر را بررسی کنیم.»

در نگاهی گسترده‌تر، این رویداد بازتابی از دگرگونی‌هایی است که حل مسئله با هوش مصنوعی در جهان علم به وجود آورده است.

Aaronson که گفت خبر را با ترکیبی از رضایت، شگفتی، ناامیدی و خستگی دریافت کرده است، نوشت: «اثبات کامل [حدس Aaronson-Ambainis] یکی از معدود مسائل حل‌نشده‌ای بود که در پیچیدگی کوئری کوانتومی باقی مانده بود و به نظر می‌رسید همه بر اهمیت محوری آن توافق دارند. راستش تعجب کردم که چند هفته پیش در مجموعه مسائل Mathocalypse شرکت OpenAI اثری از آن نبود. حتماً سراغش رفته بودند؛ پس آیا واقعاً از همه مسائلی که حل شدند، خیلی دشوارتر بود؟»

این موضوع به نفع رویکرد PSI است؛ رویکردی که بر حل مسائل علمی با استفاده از چارچوب‌های اجرایی تخصصی برای مدل‌ها و زیرساخت‌های پشتیبان تکیه دارد.

Matt Pines، مدیرعامل PSI، به TechCrunch گفت: «یک سامانه پژوهشی مؤثر باید مجموعه‌ای از امکانات مرتبط با چارچوب‌های اجرایی، ابزارها، سامانه‌های حافظه و زیرساخت شبیه‌سازی داشته باشد. باید بتوانید مسئله را از جنبه‌های گوناگون و با عمق کافی بررسی کنید و طیف گسترده‌ای از گزینه‌های ممکن را در نظر بگیرید.»

در حال حاضر، درآمد شرکت از به‌کارگیری ابزارهایش برای بهینه‌سازی مراکز داده به دست می‌آید؛ این ابزارها متغیرهایی مانند گرما، برق، آب و صدا را شبیه‌سازی می‌کنند؛ متغیرهایی که «عملکرد آن مرکز و نیز تأثیرش بر جامعه مستقیماً تابع فیزیک آن است». بااین‌حال، هدف بلندمدت شرکت تبدیل دستاوردهای فیزیک نظری به فناوری‌های واقعی است.

Pines گفت: «شش تا نه ماه پیش، وقتی با سرمایه‌گذاران صحبت می‌کردم، باید خیلی تلاش می‌کردم تا این ادعای مشروط را موجه جلوه دهم؛ مثلاً می‌گفتم: “نه، نه، نه، به من اعتماد کنید؛ به‌زودی فیزیک نظری عمدتاً در اختیار ماشین‌ها خواهد بود.” هنوز به آن نقطه نرسیده‌ایم، اما در مسیر رسیدن به آن هستیم.»

بااین‌حال، هوش مصنوعی توانسته است در حوزه‌هایی مانند ریاضیات و علوم کامپیوتر، که می‌توان نتایج را در قالب کدی معتبر بیان کرد، به دستاوردهای مهمی برسد؛ اما دستیابی به چنین نتایجی در رشته‌های عینی‌تری مانند علوم زیستی یا فیزیک دشوارتر بوده است. هفته گذشته، استارتاپ Discovered Materials از یک چالش بزرگ یک‌میلیون‌دلاری برای پژوهشگرانی رونمایی کرد که از هوش مصنوعی برای فهم مسائلی مانند ابررسانایی و اتلاف گرما استفاده می‌کنند.

Pines گفت: «در نهایت، فیزیک با ریاضیات فرق دارد، چون با دنیای واقعی سروکار دارد... طبیعت هم در مدل‌های شما از واقعیت حرفی برای گفتن دارد.» او گفت استارتاپ بر این موضوع متمرکز است که چگونه می‌توان نتایج محاسباتی را به مؤثرترین شکل ممکن با آزمایش‌ها اعتبارسنجی کرد.

Pines گفت: «اگر چیزی واقعاً از حقایق طبیعت باشد، می‌توانید از آن ترفندی به نفع خودتان به کار بگیرید. می‌توانید بر اساس آن دستگاهی بسازید، درست است؟ هوش مصنوعی ایده‌ای پیشنهاد می‌دهد و به شما امکان می‌دهد کاری را در جهان انجام دهید که قبلاً از عهده‌اش برنمی‌آمدید... و PSI در حال ساختن چنین چرخه‌هایی است.»

با تبدیل‌شدن «آزمایشگاه‌های نوین علمی» (neolabs for science) به مسیری برای پیشبرد پژوهش‌های بالقوه تحول‌آفرین، فعالان این حوزه هنوز در حال تدوین معیارهای دنیای جدید هستند. از آنجا که PSI باید انتشار نتیجه‌اش را تا نزدیک زمان عرضه مدل Anthropic به تعویق می‌انداخت، فرصت یافت آن را با پژوهشگران مرتبط در میان بگذارد تا درک بهتری از آن پیدا کند.

Jim Halverson، استاد دانشگاه Northeastern که مشاور PSI است، گفت: «ما به‌عنوان دانشگاهیانی که می‌خواستیم نقش خود را درست ایفا کنیم، تصمیم گرفتیم این کار را به شیوه‌ای اصولی انجام دهیم.» او هفته آینده در نشستی در MIT شرکت می‌کند که در آن فیزیک‌دانان برجسته می‌کوشند درباره واکنش به شتاب تازه علم به جمع‌بندی برسند. «هنوز بهترین رویه‌ها در حال شکل‌گیری‌اند... به این نتیجه رسیدیم که شفافیت راه خوبی است و تماس با متخصصان هم راه خوبی است.»

Turturean که گفت جامعه دانشگاهی از او انتظار دارد بتواند نتیجه را توضیح دهد، به TechCrunch گفت: «مدتی فرصت داشتیم آن را بررسی کنیم... و برای اولین بار یکی از راه‌حل‌هایی را که با کمک هوش مصنوعی به دست آورده بودم، روی کاغذ دیدم و خواندم؛ با خودم گفتم خب، چطور می‌توانم آن را طوری ارائه کنم که برای انسان طبیعی‌تر باشد؟» او افزود: «فکر می‌کنم همین باعث شد به عمق توانایی‌های هوش مصنوعی پی ببرم.»