PSI يحل تخمين Aaronson-Ambainis عبر Fable 5.2 ويحوّل الاكتشاف العلمي إلى أعمال

PSI تحل تخميناً كمومياً عمره 18 عاماً بنموذج Fable 5.2 وتؤسس لنموذج أعمال علمي

أعلنت شركة Physical Superintelligence (PSI) الناشئة أن عضو فريقها التقني David Turturean، خريج MIT الحديث، استخدم وصولاً مبكراً إلى نموذج Anthropic Fable 5.2 لحل تخمين Aaronson-Ambainis المفتوح منذ 18 عاماً في تعقيد الاستعلام الكمومي. النتيجة نُشرت بعد تحقق أكاديمي وتمثيل آلي في لغة Lean، وتُعد إشارة على تحول جوهري في منهجية الاكتشاف العلمي.

تفاصيل الإعلان والمعمارية التقنية

تعتمد PSI على ما يسميه CEO Matt Pines نظام بحث متكامل يشمل 'harnesses' وأدوات وذاكرة وبنية محاكاة، بهدف مهاجمة المشكلة بعمق واتساع واختبار بدائل متعددة. حل تخمين Aaronson-Ambainis جاء عبر هذا النظام، وتم التحقق منه آلياً في Lean، ما دفع Scott Aaronson للقول إنه لا يفهم البرهان بالكامل لكنه يثق بصحته. النتيجة سلبية وتغلق مساراً واحداً أمام الحوسبة الكمومية دون إغلاق جميع المسارات.

حالياً تُموّل PSI نفسها من تحسين مراكز البيانات، حيث تُحاكى متغيرات الحرارة والطاقة والمياه والصوت لأن أداء الموقع وأثره المجتمعي دالة مباشرة لفيزيائه. الهدف البعيد هو تحويل اختراقات الفيزياء النظرية إلى تقنيات فعلية، عبر حلقات: اقتراح الذكاء الاصطناعي، التحقق التجريبي، ثم بناء جهاز. ويؤكد Pines أن 'الطبيعة لها صوت' في نماذج الفيزياء، ما يجعل التحقق التجريبي ضرورة لا رفاهية.

المقارنة المعيارية والأداء التنافسي

يبرز حل PSI في سياق موجة إثباتات آلية أعلنتها مختبرات كبرى، إذ أشار Aaronson إلى مفاجأته من غياب التخمين عن 'Mathocalypse dump' من OpenAI قبل أسابيع. هذا يضع PSI في منافسة مباشرة مع مختبرات الذكاء الاصطناعي الكبرى على حل المشكلات الرياضية المفتوحة. في المقابل، أطلقت Discovered Materials تحدياً بقيمة 1,000,000 دولار للفيزياء التطبيقية، ما يعكس إدراك السوق أن الفيزياء أصعب من الرياضيات بسبب الحاجة للتحقق التجريبي. كما جمعت Harbinger تمويلاً بقيمة 240,000,000 دولار بعد توسعها في الدفاع، ما يدل على شهية المستثمرين للتقنيات العميقة.

ماذا يعني هذا للمطور والمستخدم العربي؟ (The Localization Edge)

لا تقدم PSI حالياً منتجاً موجهاً للمطور العربي، لكن نموذجها يفتح فرصاً غير مباشرة: أدوات تحسين مراكز البيانات بالفيزياء يمكن أن تُساهم في كفاءة الطاقة لمراكز البيانات الإقليمية في الخليج ومصر، حيث تكلفة التبريد والطاقة محور رئيسي. كما أن الاعتماد على 'harnesses' وأدوات خارجية بدلاً من نموذج واحد ضخم يقلل كلفة التوكنز ويسمح ببناء أنظمة بحثية محلية بموارد محدودة. للمشاريع الناشئة العربية، الدرس هو أن التخصص في مشكلة علمية ضيقة مع تحقق آلي قد يكون مساراً أسرع من بناء نماذج عامة. أما دعم اللغة العربية فغير معلن، ما يعني أن أي توطين يتطلب طبقة معالجة لغوية إضافية.

الخلاصة والتطلعات القادمة

يمثل حل PSI لتخمين Aaronson-Ambainis دليلاً عملياً على أن الذكاء الاصطناعي بدأ ينتقل من مساعد بحثي إلى منتج للنتائج العلمية. التحدي القادم ليس الحل نفسه بل بناء معايير التحقق والنشر والشفافية، وهو ما يعمل عليه مستشارو PSI مع الأوساط الأكاديمية. نجاح النموذج التجاري يعتمد على تحويل هذه القدرات إلى قيمة صناعية ملموسة في مراكز البيانات والفيزياء التطبيقية.

المصدر الإعلامي: TechCrunch AI | تدقيق وتحليل البيانات: AI Tools Oasis