David Turturean era un estudiante de posgrado a punto de inscribirse en el MIT en el laboratorio de ciencia computacional e inteligencia artificial cuando tomó una decisión que pocos en la academia preveían: dejó la posgrado para unirse a una startup que se autodenomina "Physical Superintelligence" (PSI). La empresa, fundada en 2024 por Jim Halverson (profesor de Northeastern) y Matt Pines, propone algo ambicioso: usar modelos de IA combinados con herramientas especializadas para resolver problemas científicos que antes eran exclusivos de investigadores humanos.
Hasta octubre de 2026, la PSI había hecho promesas y levantado capital. Lo que cambió fue un resultado concreto que la startup presenta como prueba de concepto de que su modelo funciona: el uso del modelo Claude Fable 5.2 de Anthropic para resolver la conjetura de Aaronson-Ambainis, un problema de 18 años en computación cuántica que cuestiona si las computadoras cuánticas pueden resolver ciertos tipos de problemas significativamente más rápido que las clásicas.
La conjetura, propuesta en 2005 por los investigadores Scott Aaronson y Amartya Ambainis, pregunta si existen "problemas naturales" para los cuales la computación cuántica ofrece una ventaja exponencial sobre la clásica. La respuesta que obtuvo la PSI — con la ayuda del Fable 5.2 — fue negativa para un caso específico: el trabajo demuestra, en términos técnicos, que cierto tipo de oráculo que separa clases de complejidad cuántica de las clásicas no existe en este contexto. Es un resultado negativo, lo que significa que cierra una puerta por donde los investigadores podrían haber esperado ganar velocidad cuántica, pero redirige la atención hacia otros enfoques.
Lo que llama la atención no es solo la respuesta, sino cómo llegó hasta allí. Scott Aaronson — uno de los creadores de la conjetura — publicó que, aunque no entiende completamente la prueba, cree que es correcta porque fue autoformalizada en Lean, un lenguaje de programación para demostración formal de teoremas matemáticos. Y esto es significativo: la autoformalización en Lean actúa como una capa de verificación independiente, porque el código no solo expresa el razonamiento, sino que lo compila y valida contra las reglas del sistema.
Pero la PSI no quiere ser solo otro equipo que resuelve problemas en paper. Quiere ser lo que Matt Pines describe como un "neolaboratorio" para la ciencia — un sistema donde la IA opera como parte integrante del ciclo de investigación, desde la generación de hipótesis hasta la validación computacional. El modelo actual de ingresos de la PSI ya es diferente del modelo académico tradicional: la empresa gana dinero optimizando centros de datos, simulando variables como calor, energía, agua y sonido, donde el rendimiento de un sitio y su impacto en la comunidad son función directa de la física del emplazamiento. La ambición a largo plazo es convertir avances de física teórica en tecnologías reales.
La pregunta es si este modelo de "neolaboratorio" se consolidará como una nueva categoría de investigación o si resultará ser una excepción. En áreas donde los resultados pueden expresarse en código validado — matemáticas y ciencias de la computación — la validación automática es posible. En física y biología, donde los experimentos siguen siendo el estándar de verdad, la IA tiene menos espacio para demostrar algo por sí sola. La naturaleza, como dijo Jim Halverson, "tiene voto en los modelos de la realidad".
Lo que muestra la PSI es que, al menos para problemas que caben en formalizaciones matemáticas, la IA ya no solo está ayudando a investigadores a escribir papers — está resolviendo problemas que los humanos tardaron casi dos décadas en resolver. La pregunta que queda es: si un modelo de IA puede resolver la conjetura de Aaronson-Ambainis en semanas, cuánto tiempo más hacemos las cosas a la manera tradicional?
Fuentes: TechCrunch, TryPlox, SyncAI.news
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
