Model Anthropic pomógł rozwiązać problem kwantowy

Badacze z laboratorium Physical Superintelligence Inc. (PSI) poinformowali, że wykorzystali niepubliczny jeszcze model sztucznej inteligencji od Anthropic do udowodnienia hipotezy Aaronsona-Ambainisa — zagadnienia otwartego w informatyce kwantowej od 2008 roku. To kolejny sygnał, że systemy AI coraz śmielej wkraczają na teren, który do niedawna wydawał się domeną wyłącznie ludzkiej intuicji matematycznej.

Na czym polegało osiągnięcie zespołu PSI

Hipoteza Aaronsona-Ambainisa dotyczyła pozornie prostego pytania: kiedy komputery kwantowe mogą być istotnie szybsze od klasycznych? Przez lata pozostawała w sferze przypuszczeń — wykształconej intuicji badaczy, której nikt nie potrafił formalnie potwierdzić. Zespół PSI zbudował system badawczy oparty na modelu Anthropic, który w ciągu zaledwie trzech dni dostarczył pełny dowód.

Jak podkreśliło laboratorium, rozwiązanie to zamyka jedno z fundamentalnych pytań informatyki kwantowej. W komunikacie PSI stwierdzono, że choć dziedzina ta wciąż kryje wiele tajemnic, to właśnie o jedną mniej. Prace nad systemem prowadził David Turturean, członek zespołu technicznego PSI. Nie ujawniono, o jaki dokładnie model chodziło — Anthropic nie odniósł się do prośby o komentarz.

Co wynika z dowodu dla komputerów kwantowych

Wynik ma wymiar nie tylko teoretyczny. Dowód pokazuje bowiem, że określone wykładnicze przewagi obliczeń kwantowych wymagają szczególnych struktur lub wzorców. Innymi słowy — komputery kwantowe mają swoje ograniczenia, co od dawna podejrzewano, ale dotąd nie potwierdzono formalnie. Nie oznacza to, że maszyny kwantowe tracą sens: w wybranych zadaniach wciąż pozostają znaczącym usprawnieniem względem klasycznych rozwiązań, choć sama technologia jest na wczesnym etapie rozwoju.

Badacze ze Stanford University — Guy Blanc, Jordan Docter, Carmen Strassle i Li-Yang Tan — którzy wcześniej pracowali nad tym zagadnieniem, nazwali dowód ogromnym rezultatem. Według ich słów wszystkie elementy układanki połączyły się w zaskakująco elegancki sposób.

AI w matematyce: seria przełomów i rosnące pytania

To nie pierwszy raz, gdy sztuczna inteligencja pomaga w rozwiązaniu problemu matematycznego o długiej historii. We wrześniu OpenAI poinformowało o rozwiązaniu równań Naviera-Stokesa — zagadnienia otwartego od dziewięćdziesięciu lat, określanego mianem jednego z najgłębszych problemów na granicy matematyki. Takie doniesienia wywołują w środowisku akademickim mieszane reakcje.

Co mówią sami matematycy

Terence Tao, ceniony profesor matematyki na UCLA, stwierdził niedawno, że romantyczna epoka matematyki dobiegła końca. Jego zdaniem wchodzimy w czas, w którym możliwe są ekscytujące odkrycia, ale część dotychczasowych wartości bezpowrotnie znika. To wypowiedź o tyle istotna, że pochodzi od jednej z najbardziej rozpoznawalnych postaci współczesnej matematyki.

Niepokój wśród studentów i doktorantów

Badacze z MIT przepytali doktorantów i osoby na stażach podoktorskich. Aż 76 procent respondentów zadeklarowało, że po ukończeniu studiów raczej nie zostanie w matematyce akademickiej. Taki sam odsetek przyznał, że rozwój AI zmniejszył ich motywację do prowadzenia badań. To dane, które pokazują, jak szybko technologia zmienia nie tylko metody pracy naukowej, ale też wybory życiowe młodych naukowców.

Jak interpretować ten przełom

Przypadek hipotezy Aaronsona-Ambainisa dobrze ilustruje obecną rolę AI w nauce. Model nie zastąpił matematyków — został włączony do systemu badawczego zaprojektowanego przez ludzi, a jego wynik zweryfikowali eksperci z danej dziedziny. To raczej obraz współpracy niż rywalizacji, przynajmniej na tym etapie.

Warto jednak zauważyć, że tempo takich doniesień rośnie. Od równań Naviera-Stokesa po problemy informatyki kwantowej — systemy AI coraz częściej trafiają na pierwsze strony komunikatów o przełomach. Dla jednych to dowód na dojrzewanie narzędzi, dla innych sygnał, że środowisko akademickie musi na nowo zdefiniować swoją rolę. Jedno wydaje się pewne: pytanie o miejsce człowieka w matematyce przestało być abstrakcyjną dyskusją, a stało się praktycznym wyzwaniem, z którym mierzą się dziś studenci i profesorowie.