PSI: IA de Anthropic prueba conjetura cuántica de 2008

Physical Superintelligence (PSI), una startup de investigación en física, afirmó el 6 de noviembre que un modelo de Anthropic que todavía no es público ayudó a demostrar la conjetura de Aaronson-Ambainis, un problema de computación cuántica abierto desde 2008. La compañía dice que el asistente de demostraciones Lean aceptó la prueba completa al tercer día de ejecución y publicó el artículo y el código en GitHub con licencia Apache 2.0.

Para un founder, el dato relevante no es la física: es el método. PSI no pidió que le creyeran. Puso el resultado en un repositorio que cualquiera puede volver a ejecutar. Ese estándar —afirmar con un artefacto verificable en lugar de con un comunicado— es el que empieza a separar los anuncios de IA que aguantan el escrutinio de los que no.

¿Qué dice exactamente la conjetura de Aaronson-Ambainis?

La pregunta de fondo es cuándo una computadora cuántica puede ser exponencialmente más rápida que una clásica. Los saltos de rendimiento famosos, como el algoritmo de factorización de Shor, de 1994, dependen de que la entrada esconda un patrón repetido que la máquina cuántica puede explotar.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

La conjetura, planteada por Scott Aaronson y Andris Ambainis, apunta al caso contrario: entradas aleatorias, que casi nunca tienen ese patrón. Si la conjetura es cierta, en esos casos la ventaja cuántica nunca es exponencial.

En el modelo de consultas, un algoritmo cuántico que mira su entrada T veces produce una respuesta cuya probabilidad es un polinomio en los bits de entrada, de grado a lo sumo 2T y con valores entre 0 y 1. La influencia de un bit es cuánto cambia ese polinomio cuando se lo da vuelta. Lo que Aaronson y Ambainis conjeturaron es que todo polinomio acotado y de grado bajo tiene al menos una variable muy influyente.

Según OfficeChai, la prueba de PSI establece que si v mide cuánto varía el polinomio y d es su grado, algún bit tiene una influencia de al menos c·v^(5/2)/d^6, con c cercano a 0,0025, que a su vez es al menos (v/d)^7. Las cotas anteriores para polinomios generales decaían exponencialmente con el grado y solo se habían resuelto casos especiales, según el mismo medio.

¿Cómo se construyó la prueba y quién responde por ella?

El sistema tuvo la demostración completa durante el tercer día de ejecución en la infraestructura propia de PSI. Después, la empresa lo puso a trabajar en problemas relacionados: el sistema mejoró el resultado dos veces y Lean aceptó la versión final.

El repositorio reconoce que los enunciados matemáticos, el primer borrador del artículo y la formalización en Lean fueron producidos por modelos de IA. David Turturean, miembro del staff técnico de PSI, desarrolló y corrió el sistema, delimitó el problema, revisó el borrador y figura como responsable de que el artículo sea correcto. Jim Halverson auditó la prueba y Phiala Shanahan comentó la formalización, según Unite.AI.

La demostración sigue un plan de Shachar Lovett y Jiapeng Zhang basado en certificados fraccionarios y conjuntos de nivel, pero reemplaza una desigualdad que ese plan dejaba como conjetura por una nueva desigualdad all-pairs. Un determinante genera un emparejamiento uno a uno de configuraciones de entrada; según Unite.AI, ese emparejamiento va más allá del Butterfly Lemma de David Reimer porque además acota con qué frecuencia las configuraciones emparejadas coinciden en cada coordenada.

¿Qué está verificado y qué todavía no?

El propio repositorio marca los límites. Falta que un lector humano confirme que el enunciado escrito en Lean equivale a la conjetura tal como la publicaron Aaronson y Ambainis. El artículo en sí no fue verificado por una máquina y uno de los teoremas depende de un resultado de otros autores que no se formalizó.

La verificación automática, en cambio, es inusualmente concreta. Las declaraciones se reprodujeron en el kernel de Lean y en lean4lean, una implementación independiente del verificador de tipos. En una corrida en sandbox, un comparador que usa los kernels nanoda y Lean aceptó los cuatro teoremas finales; en una segunda máquina aceptó una solución correcta pequeña y rechazó cuatro deliberadamente incorrectas, según Unite.AI.

Lo que no existe todavía es revisión por pares. El análisis de explainx.ai, un blog sobre IA, indica que no encontró una valoración pública de Aaronson ni de Ambainis. PSI cita comentarios de cuatro investigadores de Stanford —Guy Blanc, Jordan Docter, Carmen Strassle y Li-Yang Tan— que leyeron la prueba y la calificaron como un resultado enorme, pero esos comentarios se conocen por PSI y no por una publicación de los propios autores.

El antecedente sí está publicado: en agosto de 2026, esos mismos cuatro investigadores habían demostrado la predicción de la conjetura en un caso especial, el de los algoritmos cuánticos que consultan sus datos en un número fijo de rondas en paralelo. La prueba de PSI apunta al caso general.

Anthropic y la ola de resultados de IA en ciencia

El anuncio se apoya en capacidad de Anthropic que ya se había hecho pública. El 16 de octubre, la empresa informó de que Claude diseñó, casi sin ayuda humana, circuitos cuánticos que mejoran los mejores publicados; una de las mejoras volvió unas 12 veces más barato el paso más costoso de un algoritmo de optimización y otro diseño, un cálculo de curvas elípticas, salió de una sola ejecución de 53 horas.

Según Unite.AI, ese trabajo lo lideró Andi Gu dentro del programa STEM Fellows de Anthropic, con un paper enviado a arXiv el 15 de octubre, y reporta que en siete de ocho tareas los circuitos descubiertos reducen los conteos de Toffoli y de qubits frente al estado del arte. El mismo medio recuerda que la estimación para simular el FeMoco pasó de unos 50 billones de compuertas Toffoli en 2017 a unos 340 millones, una reducción de unas 150.000 veces.

PSI tampoco es una desconocida en ese circuito. Según OfficeChai, es una public benefit corporation con base en Cambridge, Massachusetts, que se lanzó públicamente el 1 de septiembre con una ronda seed de US$58 millones liderada por Breakthrough Energy Ventures, lista más de 25 investigadores e ingenieros, publicó en octubre sus primeros resultados sobre cinco problemas de la lista Open Quantum Problems y describe su producto como una fábrica verticalmente integrada de superinteligencia física.

El contexto más amplio es una seguidilla de anuncios de IA resolviendo problemas abiertos —incluidos varios problemas de Erdős— que ha generado escrutinio de matemáticos como Terence Tao sobre cómo se atribuye el crédito y la novedad, según OfficeChai. La verificación formal en Lean es, justamente, uno de los intentos de sacarle ambigüedad a ese tipo de afirmaciones.

¿Qué significa esto para tu startup?

1. Adopta el patrón de bucle cerrado para tus tareas verificables. Lo que hizo el sistema de PSI no fue razonar mejor: fue proponer, recibir una señal automática de correcto o incorrecto y una puntuación, y volver a proponer. Anthropic describió el mismo patrón en su trabajo de circuitos: el modelo escribía diseños en Python, un evaluador independiente los puntuaba y el modelo revisaba sin intervención humana entre rondas. Si tu producto tiene una métrica objetiva —un test que pasa, un costo que baja, un error que se reduce—, ese bucle es lo que convierte un modelo en un sistema.

2. Trata la verificación como parte del producto, no como un anexo. PSI publicó artículo, código y archivos de Lean con licencia Apache 2.0. Eso le da algo que un comunicado no da: cualquiera puede repetir la comprobación. Si vendes IA a clientes que necesitan auditar, un artefacto reproducible vale más que un benchmark propio.

3. Presupuesta el costo humano que queda. El repositorio es explícito: hay que confirmar que el enunciado formal equivale al problema original, el paper no está verificado por máquina y falta revisión por pares. La parte automática se resolvió en tres días; la parte de confianza sigue siendo trabajo de personas con nombre y apellido. En un proyecto real, eso se traduce en horas de especialista que no desaparecen del presupuesto.

Conclusión

La conjetura de Aaronson-Ambainis llevaba 18 años abierta y ahora tiene una prueba que una máquina puede reproducir, con la advertencia de que la equivalencia entre el enunciado formal y el problema original todavía la tiene que firmar un humano. Ese reparto —máquina que verifica pasos, persona que responde por el significado— es probablemente el modelo de trabajo que se va a repetir.

Para un founder, la lección es menos sobre cuántica y más sobre cómo se afirma algo en 2026: si tu sistema de IA produce un resultado, el valor no está en el anuncio sino en el artefacto que otro puede volver a correr.