Что случилось: PSI, Fable 5.2 и 18-летняя задача квантовой теории сложности
Сотрудник лаборатории Physical Superintelligence (PSI) Дэвид Туртуреан получил ранний доступ к невыпущенной модели Anthropic Fable 5.2 и с её помощью доказал гипотезу Аронсона-Амбайниса. Задача из квантовой теории сложности не решалась около 18 лет: кейс разобрал TechCrunch 10 ноября 2026 года.
Результат отрицательный. Доказательство закрывает одну из дорог, по которым квантовые компьютеры могли бы с высокой скоростью решать некоторые сложные задачи, но не все. Туртуреан описал смысл так: это отрицательный результат, который позволяет людям понять: ладно, здесь мы больше не ищем.
Три уточнения, без которых новость читается неправильно. Гипотезу сформулировал Скотт Аронсон с соавтором, PSI к постановке задачи отношения не имеет. Fable 5.2 публично не выпущена, доступ к ней был ранним и закрытым. И основную работу сделала исследовательская обвязка PSI, а не одна модель в вакууме.
Гипотеза Аронсона-Амбайниса простыми словами
Задача живёт в квантовой query-сложности. Это модель, где алгоритм не получает входные данные целиком, а задаёт вопросы чёрному ящику-оракулу, и сложность считается по числу вопросов. Бытовой аналог: сколько вопросов нужно задать устройству с кнопками, чтобы восстановить его логику, если заглядывать внутрь запрещено.
Гипотеза касается способности квантовых компьютеров решать часть задач быстрее классических. Аронсон назвал доказательство полной гипотезы одной из последних оставшихся открытых проблем в квантовой query-сложности, которую все считали центрально важной.
Почему отрицательный результат тоже результат
В теоретической информатике закрытое направление освобождает ресурсы: гранты, диссертации и инженерные часы перестают уходить в тупик. Ценность такого вывода не в новом алгоритме, а в экономии чужого времени. Именно на это указывает формулировка Туртуреана.
Формулировка из источника важна: закрыта одна дорога из нескольких. Квантовые вычисления не сводятся к этой гипотезе, и доказательство молчит о других маршрутах к ускорению. Как научное сообщество проверяет подобные заявления, видно по истории с опровержением ETH от OpenAI и Anthropic: там вокруг одного результата развернулась отдельная дискуссия о нормах.
Как AI получил доказательство: роль harness, инструментов и памяти
CEO PSI Мэтт Пайнс описывает ставку компании без маркетинга: эффективная исследовательская система должна включать многое, связанное с обвязками, инструментами, системами памяти и инфраструктурой симуляций. Задача такой системы - атаковать проблему вширь и вглубь и рассматривать широкий спектр альтернатив.
Почему одной модели недостаточно
Открытые задачи такого уровня упираются в перебор гипотез, проверку промежуточных шагов и удержание контекста на длинной дистанции. Обвязка (harness, scaffolding) как раз это и обеспечивает: оркестрацию вызовов модели, внешние инструменты, память между шагами и автоматическую проверку того, что получилось.
PSI в источнике описывают именно так: компания решает научные задачи с помощью специализированных модельных обвязок и scaffolding. Внутреннюю архитектуру она не раскрывает. Какие фреймворки, модели памяти и инструменты используются, из публикации не следует, поэтому воспроизвести стек «как есть» по этому материалу нельзя.
Идея не нова по духу: проект Atlas строит научное знание как многомерное пространство, где ИИ работает навигатором по известным законам. Разница в цели: PSI нужен результат по конкретной проблеме, а не карта науки.
Автоформализация в Lean как ключевой элемент пайплайна
Lean - язык и система формальной верификации, в котором математическое доказательство записывают так, что его проверяет компилятор. Доказательство гипотезы Аронсона-Амбайниса автоформализовали в Lean, и для Аронсона это стало одним из оснований доверия к результату.
Автоформализация - отдельный слой работы, а не автоматическое подтверждение истины. Lean проверяет, что вывод соответствует правилам при заданной формализации. Он не проверяет, что формализована именно та теорема, которую обсуждали, и что постановка совпадает с исходной. Эту часть закрывает экспертное объяснение.
Можно ли доверять AI-доказательству: позиция Аронсона и проверка
Скотт Аронсон написал прямо: доказательство он до конца не понимает. Верит в корректность потому, что оно автоформализовано в Lean и объяснено командой топовых исследователей, с которыми PSI поделилась решением (TechCrunch).
Ситуация для математики новая: результат принят не потому, что рецензент прошёл каждый шаг вручную, а потому, что шаги проверила машина, а смысл объяснили люди. Имена исследователей из этой команды в источнике не приводятся, оценить их состав со стороны нельзя.
Что даёт формальная верификация, а что нет
Разделим два вопроса. Первый: соответствует ли текст доказательства правилам вывода. Второй: доказана ли та самая теорема. Lean отвечает на первый, на второй отвечают эксперты, которые читали постановку и объяснение.
Масштаб проблемы виден по соседним кейсам: из публикации OpenAI с 719 математическими рукописями только 10 содержали цепочку рассуждений модели, а 42% доказательств не прошли формализацию. Комбинация «формализация плюс экспертиза» работает, но автоматическим стандартом пока не стала.
Почему задача отсутствовала в OpenAI Mathocalypse
Аронсон удивился, что гипотезы не было в опубликованном наборе решённых задач OpenAI (Mathocalypse), и предположил, что её наверняка пытались решить. Публичный дамп решённых задач не равен полю открытых проблем: часть работы идёт вне анонсов, и это нормально для отрасли.
Fable 5.2 вышла не одна: Anthropic представила её вместе с Claude Mythos 5.2, обе модели используют ту же архитектуру, что и предшественницы, а различаются уровнем встроенных мер безопасности. Параметры и детали обучения не раскрываются, поэтому вклад конкретной версии в результат снаружи не измерить.
Бизнес-модель PSI: от оптимизации дата-центров к технологиям из теоретической физики
Деньги PSI сейчас делает на дата-центрах. Компания применяет свои инструменты, чтобы оптимизировать площадки: симулирует переменные тепла, энергии, воды и звука, где производительность и влияние на сообщество определяются физикой (TechCrunch).
Оптимизация дата-центров как текущий источник выручки
Первый рынок выбран удачно. Переменные измеримы, симуляция даёт проверяемый эффект, а результат влияет на стоимость площадки и на отношения с локальными сообществами. Клиентов, суммы экономии и названия площадок PSI не раскрывает, так что масштаб направления оценить нельзя.
Долгая ставка на теоретическую физику
Долгая стратегия сформулирована как конвертация прорывов в теоретической физике в реальные технологии. Пайнс признаёт: полгода-девять месяцев назад при разговорах с инвесторами ему приходилось натягивать обоснование тезиса о скором доминировании машин в теоретической физике. До этого ещё не дошло, но движение идёт.
Разрыв между доказательством гипотезы и продуктом огромен. Доказательство в квантовой query-сложности не превращается в устройство само по себе, а сроков PSI не называет, и в источнике их нет.
Где упирается подход: математика проверяется кодом, физика экспериментом
Граница проходит по способу проверки. В математике и информатике решение выражают в проверяемом коде, и это работает. В физике и науках о жизни результат приходится подтверждать экспериментом.
| Дисциплина | Что подтверждает результат | Чем проверяют | Цена проверки |
|---|---|---|---|
| Математика, информатика | формальный вывод из аксиом | Lean и аналоги, ревью экспертов | низкая, автоматизируется |
| Физика | совпадение с измерением | эксперимент, стенд, полигон | высокая, месяцы и оборудование |
| Науки о жизни | воспроизводимость | эксперимент и независимая репликация | высокая, плюс этические согласования |
Почему автоформализация не переносится на физику и биологию
Физическая гипотеза не выводится из аксиом: её проверяют измерением. Формализовать можно модель или симуляцию, но не сам факт, что природа ведёт себя именно так. Кейс PSI это и показывает: симуляции дата-центров работают потому, что физику площадки можно измерить и сверить с прогнозом.
Оговорка по источнику: материал обрывается на фразе о том, что физика отличается от математики, поэтому аргумент автора о специфике физики в публикации не завершён. Дальше этой границы утверждения лучше не строить.
Каких стандартов пока нет
Открытых вопросов три. Кто считается автором результата: модель, оператор, лаборатория. Как рецензировать доказательство, которое никто не разобрал целиком. Как отличить открытие от аккуратно оформленной гипотезы.
Кейс PSI задаёт прецедент: автоформализация, объяснение экспертам и публичное признание неполного понимания. Готовым стандартом это не стало. Формирующиеся инициативы двигаются с другой стороны: стартап Discovered Materials выпустил гранд-челлендж на $1 млн для исследователей, применяющих ИИ к сверхпроводимости и рассеянию тепла.
Что из этого полезно за пределами PSI: практические выводы
- Обвязка важнее модели. Инструменты, память и проверка шагов дают то, чего не даёт один чат с длинным контекстом: удержание гипотез и отсев ошибочных веток.
- Проверяемость задаёт скорость. Там, где результат сводится к коду и формальному выводу, цикл «гипотеза - проверка» короткий и дешёвый.
- Для физики и биологии нужен план эксперимента. Без измерения вывод остаётся гипотезой, как бы убедительно он ни выглядел.
- При оценке громких AI-открытий смотрите на два признака: есть ли формальная верификация и есть ли независимое экспертное объяснение. В кейсе PSI присутствовало и то, и другое.
Деталей своего стека PSI не раскрывает, поэтому повторить пайплайн один в один по статье нельзя. Перенимать стоит принципы: специализированная обвязка, внешние инструменты, память между шагами и инфраструктура симуляций под конкретный класс задач. Для задач без формальной проверки добавляйте третий элемент, экспериментальный план, иначе отрицательный или положительный результат останется красивым текстом.