PSI, une preuve quantique et trois regards

MMarc

Physical Superintelligence, ou PSI, affirme avoir obtenu avec un modèle d’Anthropic une preuve liée à un problème ouvert depuis 18 ans en informatique quantique, rapporte TechCrunch. David Turturean a utilisé un accès anticipé à Fable 5.2 pour travailler sur la conjecture d’Aaronson-Ambainis. La démonstration a été formalisée avec Lean, puis partagée avec des chercheurs. Scott Aaronson dit ne pas la comprendre entièrement, mais la juge probablement correcte. Le média insiste aussi sur le pari économique de PSI : ses revenus viennent déjà de l’optimisation de centres de données, et l’entreprise veut transformer des avancées théoriques en technologies concrètes. Elle développe pour cela des systèmes de recherche combinant modèles, outils, mémoire et simulations. Brief IA met davantage l’accent sur le passage de la preuve à l’expérience. PSI dit vouloir déterminer comment valider expérimentalement des résultats obtenus par calcul, puis les convertir en technologies concrètes. Le média relève aussi le calendrier de partage : l’entreprise a attendu que le modèle soit presque prêt à être publié avant de transmettre la preuve aux chercheurs concernés. Jim Halverson, conseiller de PSI, souligne que les pratiques adaptées à cette nouvelle cadence restent à élaborer. Il doit participer à un sommet au MIT où des physiciens discuteront de la réponse au rythme de la recherche, notamment sur la transparence et la consultation d’experts. Brief IA présente également le résultat comme une réorientation des recherches : une voie serait fermée, et les efforts pourraient se porter ailleurs. Unite.AI reprend le lien entre les revenus actuels de PSI et ses ambitions de recherche. Le média indique que PSI décrit ses systèmes de recherche comme des « physiciens virtuels ». Les récits évoquent ainsi le projet de PSI de transformer des percées théoriques en technologies concrètes. Mais leurs angles diffèrent : TechCrunch développe la preuve et le modèle économique, Brief IA s’attarde sur la validation et les pratiques de partage, tandis qu’Unite.AI met en avant les systèmes de recherche de PSI.