PSI, el laboratorio de física con IA, resuelve un teorema

¿Qué resolvió PSI con un modelo de Anthropic?

Physical Superintelligence (PSI) es un laboratorio de investigación con estructura de startup. Uno de sus integrantes, David Turturean, recién graduado del MIT, usó acceso anticipado al modelo Fable 5.2 de Anthropic para resolver la conjetura Aaronson-Ambainis, un problema de computación cuántica que llevaba 18 años abierto.

Turturean dejó en pausa sus planes de hacer una maestría en el laboratorio de ciencias de la computación e IA del MIT para sumarse a PSI. Su frase resume el momento que vive la investigación: «Acepto totalmente la idea de que este podría ser el último paper que publique», dijo a TechCrunch. «En unos meses, ¿por qué ibas a publicar un paper?»

El resultado no acelera las computadoras cuánticas. Hace lo contrario: cierra una de las vías por las que se esperaba que esos equipos resolvieran ciertos problemas difíciles a alta velocidad. «Es un resultado negativo que le permite a la gente saber: ok, ya no estamos buscando por ahí», explicó Turturean.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Qué es la conjetura Aaronson-Ambainis y por qué importa?

El problema, abierto desde 2008 según el medio especializado Unite.AI, trata sobre cuándo una computadora cuántica puede ser exponencialmente más rápida que una clásica. El algoritmo de factorización de Shor, de 1994, logra esa ventaja porque su entrada tiene estructura: un patrón repetido que el algoritmo explota. La conjetura de Scott Aaronson y Andris Ambainis apuntaba al caso opuesto, el de entradas aleatorias o sin estructura.

En el modelo de consultas, un algoritmo clásico lee un bit por consulta, mientras que una consulta cuántica puede repartirse en superposición sobre muchas posiciones de la entrada. La explicación de PSI conecta ese modelo con polinomios: después de T consultas cuánticas, la probabilidad de que el algoritmo responda «sí» es un polinomio acotado de los bits de entrada, de grado máximo 2T. Simular el algoritmo cuántico se vuelve entonces un problema de estimar ese polinomio sin leer una cantidad exponencial de bits.

Aaronson y Ambainis conjeturaron que todo polinomio acotado de grado bajo tiene una variable muy influyente. Si eso se cumple, cualquier algoritmo cuántico de T consultas puede simularse en la mayoría de las entradas con un número polinómico de consultas clásicas. El resultado no elimina toda ventaja cuántica: solo la de los problemas sin estructura aprovechable.

Para un founder, la lectura práctica es que el mapa de dónde hay negocio en computación cuántica se está redibujando. Cuando se cierra una avenida teórica, el capital y el talento se reasignan a las que quedan abiertas.

¿Cómo se verifica un resultado que nadie entiende del todo?

El propio Scott Aaronson escribió que no entiende del todo la prueba, pero que cree que es correcta porque fue autoformalizada en Lean, un lenguaje de programación para matemáticas, y explicada por un equipo de investigadores de primer nivel con quienes PSI compartió la solución.

Según Unite.AI, el sistema de investigación de PSI produjo una prueba completa durante el tercer día de una corrida sobre su propia infraestructura, y el asistente de pruebas Lean la aceptó. Después, PSI le asignó problemas abiertos relacionados y el sistema mejoró el resultado dos veces antes de que Lean aceptara la versión final. El manuscrito y la formalización en Lean 4 son públicos.

El desarrollo formal no contiene marcadores de prueba pendientes ni axiomas añadidos, según la auditoría registrada en el repositorio. Las declaraciones se reprodujeron a través del kernel de Lean y de lean4lean, una implementación independiente de su verificador de tipos. En una corrida en sandbox, un comparador que usa los kernels de nanoda y de Lean aceptó los cuatro teoremas finales; en una segunda máquina aceptó una solución pequeña correcta y rechazó cuatro deliberadamente erróneas.

Los propios autores del repositorio señalan los límites: un lector humano todavía debe confirmar que el enunciado formal coincide con la conjetura impresa, y el paper legible por humanos no está verificado por máquina. El kernel de Lean, las definiciones de Mathlib y las máquinas usadas para verificar forman parte de la base de confianza.

El anuncio de PSI, del 6 de noviembre de 2026, siguió a un paper enviado el 19 de agosto de 2026 por Guy Blanc, Jordan Docter, Carmen Strassle y Li-Yang Tan, que habían resuelto la consecuencia de simulación clásica para algoritmos cuánticos paralelos. Según Unite.AI, los cuatro están leyendo la prueba completa y preparan una exposición más corta para expertos.

¿Cómo gana dinero un laboratorio de descubrimiento científico con IA?

Aquí está la parte que más le sirve a un emprendedor. PSI no monetiza el teorema. Su facturación actual viene de usar sus herramientas para optimizar data centers, simulando variables de calor, energía, agua y sonido. El argumento del CEO Matt Pines es que el desempeño de un sitio y su impacto en la comunidad son función directa de su física.

La apuesta de largo plazo es otra: convertir avances de física teórica en tecnologías reales. Pines reconoce que hace seis o nueve meses, cuando hablaba con inversores, tenía que estirar el argumento de que la física teórica sería pronto dominio de las máquinas. «Todavía no llegó, pero va en camino», dijo.

El cuello de botella que identifica es concreto: la IA ya resolvió problemas importantes en matemáticas y ciencias de la computación porque se pueden expresar en código validable. En disciplinas menos abstractas, como las ciencias de la vida o la física, eso es más difícil. «Al final del día, la física es distinta de la matemática porque es el mundo real… la naturaleza tiene voto en tus modelos de realidad», dijo Pines.

El ecosistema se está moviendo en esa dirección. La semana pasada, la startup Discovered Materials lanzó un gran desafío de US$1 millón para investigadores que usen IA en problemas como superconductividad y disipación de calor, según TechCrunch.

¿Qué son los neolabs y por qué atraen capital?

TechCrunch describe a PSI como parte de una camada de «neolabs para la ciencia»: laboratorios con estructura de startup que persiguen ciencia potencialmente transformadora. El formato atrae capital porque promete capturar valor del descubrimiento, no solo publicarlo.

El comparable más visible es Isomorphic Labs, la escisión de Alphabet dedicada al descubrimiento de fármacos con IA. Según reportó Bloomberg y recogieron Yahoo Finance y SiliconANGLE, la compañía está en conversaciones tempranas para levantar una ronda con una valoración de al menos US$40.000 millones, que podría llegar a US$50.000 millones. Su ronda anterior, de US$2.100 millones, se anunció en marzo de 2026.

Isomorphic nació en 2021 para capitalizar AlphaFold, el sistema de DeepMind que ganó el Nobel de química en 2024. Monetiza con alianzas de investigación con farmacéuticas: acuerdos con Eli Lilly y Novartis, y una colaboración con Johnson & Johnson. Aun así, ninguna compañía de descubrimiento de fármacos con IA ha llevado un medicamento diseñado por IA al mercado, lo que muestra los plazos largos y el riesgo del sector.

La diferencia de PSI es el andamiaje. Pines lo describe como un sistema con muchas piezas alrededor del modelo: herramientas, sistemas de memoria e infraestructura de simulación. «Quieres poder ir a fondo y a lo ancho en un problema, y considerar un rango amplio de alternativas potenciales», dijo.

Ese es el punto que Aaronson dejó abierto al preguntarse por qué la conjetura no apareció en la tanda de resultados que OpenAI publicó semanas atrás. Si el modelo solo no alcanzaba, el valor está en el sistema que lo rodea.

¿Qué significa esto para tu startup?

1. Tu foso no es el modelo, es el andamiaje. Si tu producto depende de un modelo de frontera al que también accede tu competencia, la ventaja se construye en las capas de alrededor: herramientas propias, memoria del contexto, datos de dominio e infraestructura de simulación. PSI resolvió un problema de 18 años con un modelo al que otros también podían acceder; lo que marcó la diferencia fue cómo lo instrumentó.

2. Diseña un negocio puente que financie la apuesta larga. PSI paga la investigación con un servicio con demanda actual y ciclo de venta corto, como la optimización de data centers. El mismo patrón aplica a cualquier startup de tecnología profunda: encuentra el servicio que hoy alguien ya paga, úsalo para sostener caja y financia con eso el producto que recién rendirá en tres o cinco años.

3. Formaliza lo que puedas verificar. El resultado se sostiene porque pasó por un asistente de pruebas formal y por verificadores independientes. En tu operación, eso se traduce en tests automatizados, contratos de datos y revisión humana sobre los puntos donde el error es caro. La transparencia también es táctica: PSI compartió el resultado con expertos externos antes de publicarlo, y el profesor de Northeastern University Jim Halverson, que asesora a la compañía, lo resumió así: las mejores prácticas todavía se están definiendo, y contactar expertos es un buen camino.

4. Prepárate para plazos que no controlas. El equipo tuvo que retener el resultado hasta que el modelo de Anthropic estuviera casi listo para su lanzamiento. Si tu roadmap depende de un proveedor externo, asume que su calendario será el tuyo y planifica la caja en consecuencia.