PSI utnytter AI for å fremme vitenskapelig oppdagelse med gjennombrudd i kvantedatabehandling

Bilde: TechCrunch · Kilde

Oppstartsselskapet PSI brukte en ikke-utgitt Anthropic AI-modell for å løse et lenge uløst problem innen kvantedatabehandling, og illustrerer AI sin voksende rolle i vitenskapelig forskning og potensialet til å omforme teoretisk fysikk til praktiske teknologier.

Physical Superintelligence (PSI), et startup-laboratorium fokusert på AI-drevet vitenskapelig forskning, gjorde nylig betydelige fremskritt ved å løse et 18 år gammelt problem innen kvantedatabehandling ved hjelp av en ikke-utgitt versjon av Anthropics AI-modell Fable 5.2. David Turturean, MIT-alumnus og teknisk medarbeider hos PSI, benyttet tidlig tilgang til denne avanserte modellen for å adressere Aaronson-Ambainis formodning – et grunnleggende spørsmål om kvantedatamaskiners evne til å overgå klassiske maskiner i problemløsningshastighet.

Dette problemet, fremmet av forskere inklusive Scott Aaronson, hadde vært uløst i nesten to tiår. Selv om Aaronson selv uttrykte usikkerhet omkring detaljene i det AI-genererte beviset, hadde han tillit til dets korrekthet fordi det ble formalisert i Lean, et rigorøst matematisk kodespråk, og ble gransket av et team av ledende forskere som samarbeidet med PSI. AI-løsningen leverte et negativt resultat som eliminerte en mulig vei som kvantedatamaskiner kunne tatt for å oppnå høyhastighets problemløsning, og innsnevret dermed fokuset for pågående kvantedatabehandlingsforskning.

PSIs tilnærming eksemplifiserer et nytt paradigme innen vitenskapelig undersøkelse: å integrere spesialiserte AI-modeller med omfattende forskningsrammer og verktøy for å takle komplekse teoretiske fysikkproblemer. Administrerende direktør Matt Pines understreket nødvendigheten av slike systemer for å muliggjøre brede og dype utforskninger av vitenskapelige spørsmål gjennom robuste infrastrukturer, inkludert minnesystemer og simuleringskapasiteter.

Per i dag genererer PSI inntekter ved å bruke sine AI-verktøy til å optimalisere fysiske datasenterdrift, hvor de simulerer miljømessige og fysiske variabler som påvirker både ytelse og samfunnseffekter. Selskapets langsiktige visjon er imidlertid å omsette fremskritt i teoretisk fysikk – muliggjort ved AI-assistanse – til konkrete teknologier.

Oppstartsselskapets gjennombrudd speiler AI sin disruptive potensial i domener som tradisjonelt har vært utfordrende for maskinell resonnering, særlig innen eksperimentell vitenskap der naturlige fenomener må valideres gjennom fysiske eksperimenter. Pines bemerket at i motsetning til matematikk, involverer fysikk reelle variabler som kan bekrefte eller motbevise datamodeller, noe som gjør eksperimentell validering til en kritisk komponent. PSI utvikler derfor iterative løkker mellom AI-genererte hypoteser og empirisk testing for å utnytte disse oppdagelsene effektivt.

Med AI som akselererer hastigheten på vitenskapelige oppdagelser, understreker PSI og dets akademiske rådgivere viktigheten av åpenhet og samarbeid. Selskapet utsatte offentliggjøringen av sine resultater til den underliggende AI-modellen nærmet seg klarhet for lansering, og ga dermed tid til å konsultere eksperter og forbedre presentasjonen for menneskelig forståelse. Denne forsiktige tilnærmingen fremhever fremvoksende beste praksis innen AI-drevet forskning, som balanserer rask innovasjon med metodologisk strenghet.

PSI-saken understreker et bredere skifte der "neolabber for vitenskap" dukker opp, og utnytter AI for å presse grenser innen fysikk og relaterte disipliner. Selv om utfordringer gjenstår med å standardisere arbeidsflyt og validering i dette nye forskningslandskapet, bekrefter de demonstrerte resultatene AI sin transformative rolle i å utvide vitenskapelig kunnskap og til slutt muliggjøre nye teknologier.