← Terug naar kennisbank
AI Nieuws
·
Leestijd: 4 min
PSI, een startup die zich richt op AI‑ondersteunde wetenschap, gebruikte vroege toegang tot een krachtig taalmodel om een oud en lastig probleem uit de kwantumcomputing op te lossen. De oplossing werd gedeeld met andere onderzoekers en zet een stap richting het automatiseren van wetenschappelijk werk.
Wat is er precies gebeurd?
David Turturean, recent afgestudeerd aan MIT en technisch medewerker bij Physical Superintelligence (PSI), gebruikte vroege toegang tot Anthropic’s model Fable 5.2, een geavanceerd taalmodel dat kan helpen bij redeneren en het vinden van oplossingen. Met dat model hielp hij bij het oplossen van de Aaronson‑Ambainis conjectuur, een probleem dat al achttien jaar openstond in de kwantumcomputing.
De conjectuur gaat in eenvoudige woorden over de vraag of kwantumcomputers bepaalde problemen veel sneller kunnen oplossen dan gewone computers. De nieuwe uitkomst laat zien dat één mogelijke manier waarop kwantumcomputers winst zouden kunnen boeken, waarschijnlijk geen vruchtbare weg is. Het is dus een negatieve uitkomst: het sluit een route af, maar speelt andere mogelijkheden niet uit.
De oplossing is ook geformaliseerd in Lean, een programmeeromgeving die gebruikt wordt om wiskundige bewijzen nauwkeurig vast te leggen. Daardoor konden andere experts het resultaat controleren en uitleggen.
Waarom maakt dit indruk?
Ten eerste is het bijzonder dat een kleine groep met hulp van een AI‑model zo’n belangrijk theoretisch probleem heeft weten op te lossen. Belangrijke onderzoekers in het vakgebied reageerden verrast en gemengd: opgelucht, onder de indruk, maar ook enigszins moe door de snelheid waarmee dit gebeurde.
Verder laat het zien dat AI niet alleen helpt met eenvoudige taken, maar ook met complexe, abstracte problemen — mits het systeem goed wordt opgebouwd en begeleid. Voor sommige vakgebieden, zoals wiskunde en theoretische informatica, is het makkelijker om AI‑oplossingen gecontroleerd vast te leggen omdat je ze in code en formele bewijzen kunt vastleggen. Voor gebieden die meer met de echte wereld te maken hebben, zoals scheikunde of biologie, is dat lastiger.
Hoe werkt PSI en wat is hun businessmodel?
PSI probeert wetenschap te versnellen met een combinatie van geavanceerde AI en een uitgekiende werkwijze. Volgens de oprichter bouwen ze niet alleen een slim model, maar ook veel ondersteunende systemen zodat het model grondig en systematisch kan zoeken naar oplossingen.
Belangrijke onderdelen van hun aanpak zijn:
speciale hulpmiddelen en procedures om het model te sturen,
instrumenten om tussentijdse resultaten op te slaan en terug te kijken,
simulatie‑infrastructuur om fysieke systemen te modelleren,
en samenwerking met vakexperts om resultaten te toetsen.
Op korte termijn verdient PSI geld met praktische diensten: ze gebruiken hun technieken om datacenters te verbeteren door fysische factoren te simuleren en te optimaliseren. Denk aan zaken als warmte, stroomverbruik, watergebruik en geluid. Die praktische toepassingen leveren vandaag al inkomsten op.
Op de langere termijn is de ambitie groter: theoretische doorbraken in de natuurkunde of materiaalkunde omzetten in echte apparaten of processen. Als de AI een nieuw natuurkundig feit ontdekt dat ook werkelijk in experimenten werkt, kun je daar een apparaat of product op bouwen.
De brug tussen computer en werkelijkheid
Een terugkerende uitdaging is dat fysieke wetenschap niet alleen om logische regels gaat; de natuur heeft het laatste woord. Daarom richt PSI zich ook op het zo efficiënt mogelijk toetsen van computergestuurde ontdekkingen met echte experimenten.
Andere partijen merken die kloof ook op. Zo riep een startup een prijsvraag uit van een miljoen dollar voor wie met AI inzicht kan geven in lastige materieproblemen zoals supergeleiding en warmteafvoer. Zulke initiatieven laten zien dat veel onderzoekers zoeken naar manieren om computermodel‑resultaten betrouwbaar te maken.
PSI nam daarnaast een voorzichtige route met de recent gevonden oplossing: het team wachtte totdat het AI‑model bijna klaar was voor vrijgave en deelde de uitkomst vervolgens met relevante vakgenoten. Dat gaf ruimte om het resultaat door andere experts te laten bekijken en te begrijpen.
Jim Halverson, adviseur van PSI en professor aan Northeastern University, benadrukte dat transparantie en contact met vakexperts belangrijk zijn. De gemeenschap zoekt nog naar goede werkwijzen voor dit nieuwe soort onderzoek.
Conclusie
De zaak rond PSI laat zien dat AI steeds vaker meedenkt in wetenschappelijke problemen en soms verrassende resultaten oplevert. Vooralsnog werkt het vooral goed in vakgebieden waar resultaten formeel vastgelegd en gecontroleerd kunnen worden. De grotere uitdaging blijft het betrouwbaar maken van AI‑aanbevelingen in echte experimenten en het omschakelen van een gevonden idee naar een bruikbaar apparaat of proces.
PSI zit nu op die snijlijn: ze verdienen al aan praktische optimalisaties, en proberen tegelijk theoretische ontdekkingen te vertalen naar tastbare technologieën.
