دیوید تورتوریان، فارغ‌التحصیل تازه دانشگاه ام‌آی‌تی و از اعضای کادر فنی آزمایشگاه استارتاپی «ابر هوشمندی فیزیکی» (Physical Superintelligence یا PSI)، از دسترسی زودهنگام به مدل «فیبل ۵.۲» آنتروپیک استفاده کرد تا یک مسئله ۱۸ ساله در حوزه محاسبات کوانتومی را حل کند.
او در گفت‌وگو با تک‌کرانچ گفت: «کاملاً این ایده را می‌پذیرم که این ممکن است آخرین مقاله‌ای باشد که منتشر می‌کنم.» تورتوریان برای پیوستن به PSI، برنامه‌اش برای تحصیل در مقطع کارشناسی ارشد در آزمایشگاه مشهور علوم کامپیوتر و هوش مصنوعی ام‌آی‌تی را به تعویق انداخته بود: «چند ماه دیگر، اصلاً چرا کسی مقاله منتشر کند؟»
مسئله مورد بحث، «حدس آرونسون-امبینیس» است و به توانایی رایانه‌های کوانتومی در حل مسائل سریع‌تر از رایانه‌های کلاسیک مربوط می‌شود. اسکات آرونسون، یکی از دو پژوهشگری که این مسئله را مطرح کرده بودند، می‌نویسد که خودش اثبات را کاملاً درک نمی‌کند، اما به درستی آن باور دارد؛ چون اثبات به زبان رسمی لین (Lean)، زبان برنامه‌نویسی مخصوص ریاضیات، خودکارسازی و صورت‌بندی شده و تیمی از پژوهشگران برجسته که PSI راه‌حل را با آنها به اشتراک گذاشته، آن را توضیح داده‌اند.
این راه‌حل به نظر می‌رسد یکی از مسیرهایی را می‌بندد که رایانه‌های کوانتومی می‌توانستند برای حل سریع برخی مسائل دشوار طی کنند — نه همه آنها. تورتوریان می‌گوید: «این یک نتیجه منفی است که به آدم‌ها می‌گوید دیگر لازم نیست آن‌جا را بگردند.»
فراتر از خود مسئله، ماجرا نشان‌دهنده آشفتگی بزرگ‌تری است که حل مسئله با هوش مصنوعی در جهان علم ایجاد کرده است. آرونسون که خود را هم‌زمان «راضی، مبهوت، ناامید و خسته» توصیف کرده، نوشته است: «اثبات کامل حدس آرونسون-امبینیس یکی از آخرین مسائل باز در پیچیدگی پرس‌وجوی کوانتومی بود که همه توافق داشتند مرکزاً مهم است.» او افزوده: «صادقانه تعجب کردم که آن را در انبار مسائل ریاضی اوپن‌ای‌آی که چند هفته پیش منتشر شد ندیدم. حتماً امتحانش کرده بودند؛ پس واقعاً از همه آن مسائل حل‌شده سخت‌تر بوده؟»
همین نکته، به نفع مدل PSI تمام می‌شود: حل مسائل علمی با «مهار» (harness) و «داربست» (scaffolding) تخصصی مدل، نه فقط با پرسیدن یک سؤال از یک چت‌بات.
مت پاینز، مدیرعامل PSI، به تک‌کرانچ می‌گوید: «یک سیستم پژوهشی مؤثر باید چیزهای زیادی در ارتباط با مهارها، ابزارها، سیستم‌های حافظه و زیرساخت شبیه‌سازی داشته باشد. می‌خواهی بتوانی مسئله را در پهنا و ژرفا دنبال کنی و طیف وسیعی از گزینه‌های ممکن را در نظر بگیری.»
درآمد فعلی شرکت از استفاده از همین ابزارها برای بهینه‌سازی مراکز داده می‌آید: شبیه‌سازی متغیرهای گرما، برق، آب و صدا در یک سایت، جایی که به گفته پاینز «کارایی آن سایت و اثرش بر جامعه، تابع مستقیم فیزیک آن است». اما بازی بلندمدت چیز دیگری است: تبدیل دستاوردهای فیزیک نظری به فناوری واقعی.
پاینز می‌گوید: «شش تا نه ماه پیش، وقتی با سرمایه‌گذاران حرف می‌زدم، باید کمی کش می‌آمدم تا این شرط را توجیه کنم؛ می‌گفتم نه، نه، باور کن، خیلی زود فیزیک نظری عمدتاً قلمرو ماشین‌ها می‌شود. هنوز آن‌جا نیستیم، اما در راه است.»
با این حال، هوش مصنوعی در ریاضیات و علوم کامپیوتر — رشته‌هایی که می‌توان آنها را در قالب کد معتبر بیان کرد — به راه‌حل‌های مهمی رسیده است، اما انجام همین کار در رشته‌های کمتر انتزاعی مثل علوم زیستی یا فیزیک دشوارتر بوده. هفته گذشته استارتاپ «مواد کشف‌شده» (Discovered Materials) یک چالش یک میلیون دلاری برای پژوهشگرانی اعلام کرد که با هوش مصنوعی مسائلی مثل ابررسانایی و دفع گرما را بررسی می‌کنند.
پاینز می‌گوید: «در نهایت، فیزیک با ریاضی تفاوت دارد چون دنیای واقعی است... طبیعت در مدل‌های واقعیت تو رأی می‌دهد.» به گفته او شرکت روی این تمرکز دارد که بفهمد چطور نتایج محاسباتی را به کارآمدترین شکل با آزمایش تأیید کند: «اگر واقعیتی از طبیعت باشد، ترفندی است که می‌توانی از آن بهره ببری. می‌توانی از آن دستگاه بسازی. هوش مصنوعی ایده‌ای پیشنهاد می‌دهد، به تو اجازه می‌دهد کاری در جهان بکنی که قبلاً نمی‌توانستی... هر کدام از این‌ها حلقه‌هایی است که PSI می‌سازد.»
با تبدیل شدن «آزمایشگاه‌های نوین علم» (neolabs for science) به مسیری برای علم بالقوه تحول‌آفرین، فعالان این حوزه هنوز در حال تعیین استانداردهای این جهان تازه‌اند. چون PSI مجبور بود نتیجه را تا نزدیک شدن مدل آنتروپیک به انتشار نگه دارد، فرصت داشت آن را با پژوهشگران مرتبط به اشتراک بگذارد تا بهتر درک شود.
جیم هالورسون، استاد دانشگاه نورث‌ایسترن که مشاور PSI است، می‌گوید: «به عنوان یک دانشگاهی، می‌خواستیم نقش خودمان را در انجام درست کار ایفا کنیم.» او هفته آینده در نشستی در ام‌آی‌تی شرکت می‌کند که فیزیک‌دانان برجسته در آن تلاش می‌کنند پاسخی برای سرعت تازه علم پیدا کنند: «بهترین رویه‌ها هنوز در حال شکل‌گیری است... ما فکر کردیم شفافیت راه خوبی است و تماس با متخصصان هم راه خوبی است.»
تورتوریان هم می‌گوید: «کمی وقت داشتیم روی آن بنشینیم... و این اولین بار بود که یکی از راه‌حل‌های استخراج‌شده با هوش مصنوعی را چاپ کردم و از اول تا آخر خواندم و فکر کردم چطور می‌توانم آن را طبیعی‌تر برای انسان ارائه کنم؟» او اضافه می‌کند که جامعه دانشگاهی انتظار دارد بتواند نتیجه را توضیح دهد: «و فکر می‌کنم این باعث شد بفهمم، خدای من، وزن آنچه هوش مصنوعی می‌تواند بکند چقدر سنگین است.»