David Turturean era um estudante de pós-graduação prestes a se matricular no MIT no laboratório de ciência computacional e inteligência artificial quando fez uma escolha que poucos na academia preveram: abandonou a pós para entrar numa startup que se autodenomina "Physical Superintelligence" — ou PSI. A empresa, fundada em 2024 por Jim Halverson (professor da Northeastern) e Matt Pines, propõe algo ambicioso: usar modelos de IA combinados com ferramentas especializadas para resolver problemas científicos que antes eram exclusivamente domínios de pesquisadores humanos.
Até outubro de 2026, a PSI tinha feito promessas e levantado capital. O que mudou foi um resultado concreto que a startup apresenta como prova de conceito de que seu modelo funciona: o uso do modelo Claude Fable 5.2 da Anthropic para resolver a conjectura de Aaronson-Ambainis, um problema de 18 anos em computação quântica que questiona se computadores quânticos podem resolver certos tipos de problemas significativamente mais rápido do que computadores clássicos.
A conjectura, proposta em 2005 pelos pesquisadores Scott Aaronson e Amartya Ambainis, pergunta se existem "problemas naturais" para os quais a computação quântica oferece uma vantagem exponencial sobre a clássica. A resposta que a PSI obteve — com ajuda do Fable 5.2 — foi negativa para um caso específico: o trabalho demonstra, em termos técnicos, que um certo tipo de oracle que separa classes de complexidade quântica de classes clássicas não existe nesse contexto. É um resultado negativo, o que significa que fecha uma porta por onde os pesquisadores poderiam ter esperado ganhar velocidade quântica, mas redireciona a atenção para outras abordagens.
O que chama atenção não é apenas a resposta, mas como ela chegou até lá. Scott Aaronson — um dos criadores da conjectura — publicou que, embora não entenda completamente a prova, acredita que está correta porque foi autoformalizada em Lean, uma linguagem de programação para demonstração formal de teoremas matemáticos. E isso é significativo: a autoformalização em Lean age como uma camada de verificação independente, porque o código não apenas expressa o raciocínio, mas o compila e valida contra as regras do sistema.
Mas a PSI não quer ser apenas mais uma equipe que resolve problemas em paper. Quer ser o que Matt Pines descreve como um "neolaboratório" para ciência — um sistema onde a IA opera como parte integrante do ciclo de pesquisa, desde a geração de hipóteses até a validação computacional. O modelo atual de receita da PSI já é diferente do modelo acadêmico tradicional: a empresa ganha dinheiro otimizando data centers, simulando variáveis como calor, energia, água e som, onde o desempenho de um local e seu impacto na comunidade são função direta da física do sítio. A ambição de longo prazo é converter avanços de física teórica em tecnologias reais.
A questão que fica é se esse modelo de "neolaboratório" vai se consolidar como uma nova categoria de pesquisa ou se vai se revelar uma exceção. Em áreas onde os resultados podem ser expressos em código validado — matemática e ciência da computação — a validação automática é possível. Em física e biologia, onde os experimentos ainda são o padrão de verdade, a IA tem menos espaço para provar algo sozinha. Natureza, como disse Jim Halverson, "tem voto em modelos da realidade".
O que a PSI mostra é que, pelo menos para problemas que cabem em formalizações matemáticas, a IA já não está apenas ajudando pesquisadores a escrever papers — está resolvendo problemas que humanos levaram quase duas décadas para encaixar. A pergunta que permanece é: se um modelo de IA pode resolver a conjectura de Aaronson-Ambainis em semanas, quanto tempo mais fazemos as coisas do jeito que fazemos?
Fontes: TechCrunch, TryPlox, SyncAI.news
✓ Fontes independentes cruzadas e verificadas antes da publicação
