A PSI está tentando transformar a descoberta científica impulsionada por IA em um negócio

David Turturean, um recém-formado pelo MIT e membro da equipe técnica do laboratório de startups Physical Superintelligence (PSI), usou o acesso antecipado ao modelo Fable 5.2 da Anthropic para resolver um problema de 18 anos sobre computação quântica.

“Estou aceitando totalmente a ideia de que este pode ser o último artigo que publicarei na vida”, disse Turturean ao TechCrunch, que adiou os planos de cursar o mestrado no prestigiado laboratório de ciência da computação e IA do MIT para se juntar à PSI. “Em alguns meses, tipo, por que alguém publicaria um artigo?”

O problema em questão, a conjectura de Aaronson-Ambainis, diz respeito à capacidade dos computadores quânticos de resolverem problemas mais rapidamente do que os clássicos. Scott Aaronson, um dos dois pesquisadores que propuseram o problema, escreve que não entende completamente a prova, mas que acredita estar correta porque ela foi autoformalizada em Lean, uma linguagem de programação para matemática, e explicada por uma equipe de principais pesquisadores com quem a PSI compartilhou a solução.

A solução parece fechar as portas para um caminho que os computadores quânticos poderiam seguir para resolver certos problemas difíceis em alta velocidade, mas não todos. “É um resultado negativo que permite às pessoas saberem: ok, não estamos mais procurando por aí”, disse Turturean.

Em um sentido mais amplo, isso reflete a reviravolta no mundo científico causada pela resolução de problemas por IA.

“Uma prova completa da [conjectura de Aaronson-Ambainis] era um dos últimos problemas em aberto restantes na complexidade de consultas quânticas com o qual todos pareciam concordar que era de importância central”, escreveu Aaronson, que descreveu se sentir satisfeito, impressionado, desapontado e fatigado com a notícia. “Sinceramente, fiquei surpreso ao ver que isso estava ausente do despejo do Mathocalypse da OpenAI algumas semanas atrás. Com certeza eles tentaram, então será que era realmente tão mais difícil do que todos os problemas que foram resolvidos?”

Esse é um ponto a favor do modelo da PSI, que consiste em resolver problemas científicos com suportes e arcabouços de modelos especializados.

“Um tipo eficaz de sistema de pesquisa deve ter muitas coisas relacionadas a suportes, muitas relacionadas a ferramentas, sistemas de memória, infraestrutura de simulação”, disse o CEO da PSI, Matt Pines, ao TechCrunch. “Você quer ser capaz de realmente ir atrás de um problema em largura e profundidade, e poder considerar uma ampla gama de potenciais alternativas.”

Por enquanto, a receita da empresa vem do uso de suas ferramentas para otimizar data centers, simulando as variáveis de calor, energia, água, som — “onde o desempenho desse site, bem como seu impacto na comunidade, são uma função direta de sua física.” O objetivo de longo prazo, no entanto, é converter descobertas da física teórica em tecnologias reais.

“Seis a nove meses atrás, quando eu estava conversando com investidores, eu meio que tinha que me esforçar para validar essa condicional, sabe? Tipo, 'não, não, não, confie em mim, daqui a pouco a física teórica será principalmente domínio das máquinas'”, disse Pines. “E ainda não chegou lá, mas está a caminho.”

Ainda assim, embora a IA tenha reivindicado soluções importantes em áreas como matemática e ciência da computação, onde é possível expressá-las em código validado, fazer o mesmo em disciplinas menos abstratas, como ciências da vida ou física, tem se mostrado mais difícil. Na semana passada, a startup Discovered Materials lançou um grande desafio de US$ 1 milhão para pesquisadores que usam IA para entender problemas como supercondutividade e dissipação de calor.

“No fim das contas, a física é diferente da matemática porque é o mundo real... a natureza tem voto em seus modelos da realidade”, disse Pines. Ele afirmou que a startup está focada em entender como pegar resultados computacionais e validá-los com experimentos da maneira mais eficiente possível.

“Se for um fato verdadeiro da natureza, esse é um truque que você pode explorar”, disse Pines. “Você pode construir um dispositivo a partir dele, certo? A IA sugere uma ideia; ela permite que você faça algo no mundo que você não era capaz de fazer antes... e assim cada um desses são tipos de ciclos que a PSI está construindo.”

À medida que os “neolaboratórios para a ciência” se tornam um caminho para ciências potencialmente revolucionárias, os participantes ainda estão descobrindo quais são os padrões para este novo mundo. Como a PSI teve que guardar seu resultado até que o modelo da Anthropic estivesse quase pronto para lançamento, eles puderam compartilhá-lo com pesquisadores relevantes para compreendê-lo melhor.

“Como acadêmicos, queríamos cumprir nosso papel fazendo as coisas da maneira certa”, disse Jim Halverson, professor da Northeastern University que atua como consultor da PSI. Ele participará de uma cúpula no MIT na semana passada [sic] onde principais físicos tentarão elaborar uma resposta ao novo ritmo da ciência. “As melhores práticas ainda estão surgindo... Achamos que a transparência é um bom caminho a seguir, e entrar em contato com especialistas é um bom caminho a seguir.”

“Tivemos algum tempo para analisar a situação... e foi a primeira vez que peguei uma das minhas soluções obtidas por IA impressa, li tudo e pensei: ok, como posso fazer com que isso... seja apresentado de forma mais natural para um ser humano?”, disse Turturean ao TechCrunch, acrescentando que a comunidade acadêmica esperará que ele saiba explicar o resultado. “E acho que isso também me fez perceber, meu Deus, o peso do que a IA é capaz de fazer.”