AI ใช้ 3 วันพิสูจน์โจทย์ควอนตัมค้าง 18 ปี ทำไมคำตอบว่าเมื่อไรเร็วกว่าถึงสำคัญ

บทนำ: ข่าวใหญ่ที่ไม่ใช่เรื่องชิปแรงขึ้น

บทความนี้จะพาคุณเข้าใจข่าวที่ดูเหมือนเป็นเรื่องของนักคณิตศาสตร์กลุ่มเล็ก ๆ แต่จริง ๆ แล้วกระทบวิธีคิดเรื่องคอมพิวเตอร์ควอนตัมทั้งวงการ นั่นคือ มีรายงานว่าระบบวิจัยปัญญาประดิษฐ์ของบริษัท Physical Superintelligence หรือ PSI สามารถหาบทพิสูจน์ของข้อคาดการณ์ Aaronson-Ambainis ได้สำเร็จ โดยใช้เวลาอยู่ในรอบการทำงานวันที่สาม และบทพิสูจน์นั้นผ่านการตรวจสอบด้วย Lean ซึ่งเป็นโปรแกรมช่วยพิสูจน์ทางคณิตศาสตร์ที่ตรวจทุกขั้นตอนด้วยคอมพิวเตอร์

ถ้าคุณอ่านจบ คุณจะเข้าใจสามเรื่องหลัก เรื่องแรกคือข้อคาดการณ์นี้ถามว่าอะไรกันแน่ เรื่องที่สองคือทำไมคำตอบของมันจึงบอกเราว่าคอมพิวเตอร์ควอนตัมจะเร็วกว่าคอมพิวเตอร์ปกติแบบก้าวกระโดดได้ในสถานการณ์แบบไหน และเรื่องที่สามคือทำไมการมี Lean มาตรวจสอบจึงสำคัญพอ ๆ กับตัวบทพิสูจน์เอง และทำไมเรายังต้องระวังไม่รีบสรุปว่าทุกอย่างจบแล้ว

สิ่งสำคัญที่ต้องพูดไว้ตั้งแต่ต้นคือ ข้อมูลนี้มาจากการประกาศของบริษัทผู้พัฒนา ยังไม่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญอิสระแบบวารสารวิชาการในขั้นตอนที่บทความนี้เขียนขึ้น บทความนี้จึงแยกให้ชัดว่าส่วนไหนคือคำกล่าวอ้างของ PSI ส่วนไหนคือความรู้พื้นฐานที่วงการยอมรับมานาน และส่วนไหนคือข้อจำกัดที่ผู้อ่านควรเก็บไว้ในใจ

เกิดอะไรขึ้นกันแน่

ตามประกาศของ PSI บริษัทระบุว่าระบบวิจัยที่พัฒนาขึ้นภายในองค์กรของตน ซึ่งใช้โมเดลของ Anthropic ที่ยังไม่เปิดเผยต่อสาธารณะ ได้หาบทพิสูจน์ที่สมบูรณ์ของข้อคาดการณ์ Aaronson-Ambainis พบในวันที่สามของการทำงาน และ Lean ยอมรับบทพิสูจน์นั้น PSI ยังระบุว่าได้เผยแพร่ต้นฉบับและบทพิสูจน์ในรูปแบบ Lean 4 ให้สาธารณะตรวจสอบได้

ข้อคาดการณ์นี้เปิดค้างมาตั้งแต่ปี 2008 ถ้านับถึงปี 2026 ก็ประมาณ 18 ปี ตัวเลข 18 ปีจึงไม่ใช่การปัดเศษแบบลอย ๆ แต่มาจากช่วงเวลาที่โจทย์นี้ยังไม่มีบทพิสูจน์สมบูรณ์ ส่วนคำว่า 3 วัน หมายถึงวันที่ระบบมีบทพิสูจน์สมบูรณ์ในรอบการทำงานนั้น ไม่ได้หมายความว่ามนุษย์ใช้เวลาแค่สามวันในการเข้าใจปัญหาทั้งหมด เพราะเบื้องหลังมีงานวิจัยสะสมหลายสิบปี มีเครื่องมือ Lean มีงานคณิตศาสตร์ก่อนหน้า และมีโจทย์ที่ถูกตั้งมาอย่างชัดเจนอยู่แล้ว

อีกประเด็นที่ต้องไม่เข้าใจผิดคือ AI ไม่ได้สร้างคอมพิวเตอร์ควอนตัมเครื่องใหม่ ไม่ได้เพิ่มจำนวนคิวบิต และไม่ได้ทำให้ชิปควอนตัมเสถียรขึ้น สิ่งที่เกิดขึ้นอยู่ในโลกของทฤษฎี นั่นคือการพิสูจน์ข้อความทางคณิตศาสตร์เกี่ยวกับขีดจำกัดของความเร็ว แต่ทฤษฎีแบบนี้แหละที่กำหนดว่าเราควรคาดหวังอะไรจากฮาร์ดแวร์ และควรทุ่มทรัพยากรไปแก้ปัญหาแบบไหน

Aaronson และ Ambainis คือใคร และโจทย์นี้มาจากไหน

ชื่อของข้อคาดการณ์มาจากนักวิทยาศาสตร์คอมพิวเตอร์สองคนคือ Scott Aaronson และ Andris Ambainis ทั้งสองทำงานในสาขาความซับซ้อนเชิงคำนวณควอนตัม ซึ่งเป็นสาขาที่ถามว่าคอมพิวเตอร์แบบต่าง ๆ แก้ปัญหาได้เร็วแค่ไหน ต้องถามข้อมูลกี่ครั้ง และต้องใช้ทรัพยากรเท่าไร

ในปี 2008 พวกเขาเสนอข้อคาดการณ์ที่เชื่อมคณิตศาสตร์เรื่องพหุนามกับพฤติกรรมของอัลกอริทึมควอนตัม ต่อมาแนวคิดนี้ถูกอ้างอิงอย่างกว้างขวางในงานวิจัยด้านทฤษฎีควอนตัม เพราะถ้าข้อคาดการณ์เป็นจริง มันจะช่วยอธิบายเงื่อนไขที่ทำให้คอมพิวเตอร์ควอนตัมได้เปรียบอย่างมหาศาล หรือในทางกลับกัน เงื่อนไขที่ทำให้ความได้เปรียบนั้นหายไป

ถ้าเปรียบเทียบให้เห็นภาพ งานของ Aaronson และ Ambainis ไม่ใช่การสร้างรถที่เร็วกว่า แต่เป็นการเขียนแผนที่บอกว่าถนนเส้นไหนรถแบบใหม่จะวิ่งเร็วกว่ารถแบบเดิมได้จริง และถนนเส้นไหนต่อให้รถแรงแค่ไหนก็แทบไม่ต่างกัน แผนที่แบบนี้มีค่ามากเพราะช่วยไม่ให้เราหลงไปลงทุนผิดทาง

โจทย์ถามว่าอะไร อธิบายแบบไม่ต้องมีสมการ

หัวใจของข้อคาดการณ์พูดถึงพหุนามดีกรีต่ำที่มีค่าอยู่ในช่วงจำกัด บนอินพุตที่เป็นเลขศูนย์และหนึ่ง ข้อคาดการณ์กล่าวว่าพหุนามแบบนี้จะต้องมีตัวแปรที่มีอิทธิพลสูงอย่างน้อยหนึ่งตัว คำว่าอิทธิพลสูงหมายถึงการเปลี่ยนค่าของตัวแปรตัวนั้นเพียงตัวเดียว สามารถทำให้ค่าผลลัพธ์โดยรวมเปลี่ยนไปมากพอสมควร

ฟังดูเหมือนเรื่องนามธรรม แต่ลองแปลเป็นภาษาชีวิตประจำวัน สมมติคุณมีสูตรคำนวณที่รับข้อมูลหลายช่อง แล้วสูตรนั้นไม่ซับซ้อนเกินไป ข้อคาดการณ์บอกว่าในสูตรนั้นต้องมีช่องข้อมูลอย่างน้อยหนึ่งช่องที่เป็นจุดชี้ขาด ถ้าคุณเปลี่ยนช่องนั้น ผลลัพธ์จะขยับอย่างมีนัยสำคัญ ไม่ใช่ทุกช่องสำคัญเท่ากันหมดแบบกระจายตัวจนจับต้องไม่ได้

ทำไมเรื่องนี้เกี่ยวกับควอนตัม เพราะความน่าจะเป็นที่อัลกอริทึมควอนตัมจะตอบว่าใช่ สามารถเขียนให้อยู่ในรูปของพหุนามแบบหนึ่งได้ ถ้าพหุนามนั้นมีตัวแปรทรงอิทธิพล เราก็พอจะเดาทิศทางของผลลัพธ์ได้โดยไม่ต้องสำรวจทุกอินพุตอย่างละเอียด นี่คือสะพานเชื่อมระหว่างคณิตศาสตร์บริสุทธิ์กับคำถามเชิงปฏิบัติว่าเมื่อไรควอนตัมจะเร็วกว่า

ตัวอย่างเล็ก ๆ ที่ช่วยเห็นภาพ

สมมติมีเกมทายผลที่รับข้อมูล 100 ช่อง ถ้าเกมนี้ซับซ้อนในระดับหนึ่งและมีตัวแปรชี้ขาดอยู่จริง คุณอาจไม่ต้องเปิดดูทุกช่องเพื่อประเมินแนวโน้มผลลัพธ์ คุณแค่โฟกัสที่ช่องสำคัญไม่กี่ช่องก็พอ ในทางกลับกัน ถ้าไม่มีตัวแปรใดโดดเด่นเลย คุณอาจต้องสำรวจข้อมูลจำนวนมากกว่าจะมั่นใจ

ข้อคาดการณ์ Aaronson-Ambainis พยายามยืนยันว่าในกรณีของพหุนามดีกรีต่ำ สถานการณ์แบบมีตัวแปรชี้ขาดนั้นต้องเกิดขึ้นเสมอ นี่เป็นข้อความที่ฟังดูเรียบง่าย แต่การพิสูจน์ให้ครอบคลุมทุกกรณีกลับยากมาก เพราะต้องแสดงให้เห็นว่าไม่มีข้อยกเว้นแอบซ่อนอยู่เลย

ทำไมคำตอบว่าเมื่อไรควอนตัมเร็วกว่า ถึงสำคัญกว่าชิปแรงแค่ไหน

คำถามยอดฮิตเกี่ยวกับควอนตัมมักเป็นเรื่องจำนวนคิวบิต อัตราความผิดพลาด หรือใครสร้างชิปที่แรงที่สุด คำถามเหล่านี้สำคัญ แต่ยังไม่พอ เพราะชิปที่แรงขึ้นไม่ได้แปลว่าจะเร็วกว่าในทุกโจทย์เสมอไป

ข้อคาดการณ์นี้ช่วยตอบคำถามเชิงโครงสร้างว่า ถ้าอินพุตถูกสุ่มมาแบบทั่วไป หรือไม่มีโครงสร้างพิเศษซ่อนอยู่ คอมพิวเตอร์ปกติจะสามารถประมาณคำตอบของอัลกอริทึมควอนตัมได้ดีพอหรือไม่ ถ้าคำตอบคือทำได้โดยไม่ต้องใช้ทรัพยากรมากเกินไป นั่นหมายความว่าความได้เปรียบแบบก้าวกระโดดของควอนตัมไม่ได้เกิดจากความเร็วดิบเพียงอย่างเดียว แต่ต้องอาศัยโครงสร้างพิเศษของปัญหา เช่น โครงสร้างทางคณิตศาสตร์ โครงสร้างของข้อมูล หรือเงื่อนไขที่ทำให้ปัญหานั้นเหมาะกับควอนตัมเป็นพิเศษ

ตารางเปรียบเทียบวิธีคิดสองแบบ

วิธีคิด	คำถามหลัก	สิ่งที่ได้	ข้อจำกัด
เน้นฮาร์ดแวร์	ชิปมีกี่คิวบิต ผิดพลาดน้อยแค่ไหน	เห็นความก้าวหน้าทางวิศวกรรม	ไม่บอกว่าโจทย์ไหนคุ้มค่าจะใช้ควอนตัม
เน้นทฤษฎี	โจทย์แบบไหนควอนตัมเร็วกว่าแบบก้าวกระโดด	เห็นขอบเขตและเงื่อนไขของความได้เปรียบ	ไม่ได้สร้างเครื่องจริงขึ้นมาทันที
ผสมทั้งสองแบบ	โจทย์ไหนควรใช้เครื่องแบบไหน	วางแผนวิจัยและลงทุนได้ตรงจุด	ต้องอาศัยทั้งคณิตศาสตร์และวิศวกรรม

ในโลกจริง นักวิจัยและบริษัทเทคโนโลยีจึงต้องการทั้งสองด้าน ด้านฮาร์ดแวร์ทำให้เครื่องใช้งานได้จริง ส่วนด้านทฤษฎีทำให้เราไม่เสียเวลาไปแก้โจทย์ที่ควอนตัมไม่ได้ช่วยอะไรมาก และหันไปโฟกัสโจทย์ที่ควอนตัมมีโอกาสสร้างความแตกต่างอย่างแท้จริง เช่น การจำลองโมเลกุล ปัญหาการค้นหาแบบมีโครงสร้าง หรือการคำนวณบางประเภทที่มีโครงสร้างทางคณิตศาสตร์รองรับ

Lean คืออะไร และทำไมการตรวจด้วย Lean ถึงสำคัญ

Lean คือโปรแกรมช่วยพิสูจน์ทฤษฎีบททางคณิตศาสตร์ ผู้ใช้เขียนบทพิสูจน์ในภาษาที่ Lean เข้าใจ แล้ว Lean จะตรวจทุกขั้นตอนว่ามีเหตุผลรองรับครบถ้วนหรือไม่ ถ้ามีช่องโหว่แม้เพียงจุดเดียว Lean จะไม่ยอมรับ

ความสำคัญอยู่ตรงนี้ บทพิสูจน์ทางคณิตศาสตร์ที่มนุษย์เขียนอาจยาวมากและมีรายละเอียดจำนวนมาก ผู้เชี่ยวชาญต้องใช้เวลานานในการตรวจสอบ และบางครั้งข้อผิดพลาดเล็ก ๆ ก็หลุดรอดไปได้ การมี Lean มาช่วยตรวจจึงเหมือนมีผู้ตรวจสอบที่ไม่เหนื่อย ไม่ข้ามขั้นตอน และไม่ยอมให้คำว่าเห็นได้ชัดว่าจริงผ่านไปโดยไม่มีเหตุผลรองรับ

แต่ต้องเข้าใจขอบเขตของ Lean ให้ถูกต้อง Lean ตรวจว่าบทพิสูจน์นั้นถูกต้องตามหลักตรรกะหรือไม่ จากข้อความทางคณิตศาสตร์ที่ถูกป้อนเข้าไป Lean ไม่ได้ตัดสินเองว่าข้อความที่ป้อนเข้าไปตรงกับเจตนาดั้งเดิมของ Aaronson และ Ambainis ทุกประการหรือไม่ นั่นคือเหตุผลที่ชุมชนคณิตศาสตร์ยังต้องตรวจสอบว่านิยามที่ใช้ในไฟล์ Lean ตรงกับข้อคาดการณ์ต้นฉบับหรือไม่ แม้ว่า Lean จะยอมรับบทพิสูจน์แล้วก็ตาม

อีกประเด็นคือ Lean ไม่ได้ทำให้บทพิสูจน์เข้าใจง่ายโดยอัตโนมัติ บทพิสูจน์ที่เครื่องตรวจผ่านอาจยังอ่านยากสำหรับมนุษย์ นักคณิตศาสตร์จึงมักต้องการคำอธิบายที่เป็นภาษามนุษย์ควบคู่กัน เพื่อให้เข้าใจแนวคิดหลักว่าเหตุใดบทพิสูจน์จึงใช้ได้ และนำแนวคิดนั้นไปต่อยอดในงานอื่นได้

AI พิสูจน์คณิตศาสตร์ได้อย่างไรในกรณีนี้

จากข้อมูลที่ PSI เปิดเผย ระบบวิจัยของบริษัทใช้โมเดลที่ยังไม่เปิดเผยต่อสาธารณะ และทำงานบนโครงสร้างพื้นฐานของบริษัทเอง ระบบนี้ไม่ได้แค่ตอบคำถามสั้น ๆ แต่ทำงานเป็นรอบการวิจัย ค้นหาแนวทาง ทดลองเขียนบทพิสูจน์ และปรับแก้จนได้บทพิสูจน์ที่ Lean ยอมรับ

ภาพรวมของกระบวนการแบบนี้มักประกอบด้วยหลายขั้นตอน เริ่มจากการทำความเข้าใจนิยามและข้อความที่ต้องการพิสูจน์ จากนั้นแตกปัญหาใหญ่เป็นปัญหาย่อย เสนอเลมมาหรือข้อความช่วยที่อาจเป็นจริง แล้วพยายามพิสูจน์เลมมาเหล่านั้นทีละชิ้น ถ้าทางใดตันก็ย้อนกลับและลองทางใหม่ เมื่อได้โครงร่างที่ดูเป็นไปได้ ระบบจะแปลงเป็นภาษา Lean และให้ Lean ตรวจหาจุดผิด ถ้า Lean บอกว่าผิดตรงไหน ระบบก็แก้ตรงนั้นแล้วตรวจใหม่ วนไปจนกว่าจะผ่าน

จุดที่ทำให้กรณีนี้แตกต่างจากแชตบอตทั่วไปคือมีตัวตรวจสอบที่เป็นทางการอยู่ตรงกลาง AI ไม่สามารถอ้างว่าเกือบถูกแล้วผ่านไปได้ เพราะ Lean จะบอกว่าผิดหรือถูกอย่างชัดเจน การมีตัวตรวจสอบแบบนี้ทำให้การทำงานของ AI กลายเป็นกระบวนการค้นหาและแก้ไขที่มีหลักฐาน ไม่ใช่แค่การเขียนข้อความที่ฟังดูน่าเชื่อถือ

อย่างไรก็ตาม เรายังไม่ทราบรายละเอียดทั้งหมดจากแหล่งอิสระว่า PSI ใช้ทรัพยากรคำนวณเท่าไร ใช้โมเดลรุ่นใดแน่ชัด หรือมีมนุษย์เข้ามาช่วยในขั้นตอนไหนบ้าง บทความนี้จึงไม่สรุปเกินกว่าที่ PSI ประกาศ และไม่ถือว่ารายละเอียดที่ยังไม่เปิดเผยนั้นเป็นข้อเท็จจริงที่ยืนยันแล้ว

สิ่งที่บทพิสูจน์นี้เปลี่ยน และสิ่งที่ไม่เปลี่ยน

ถ้าบทพิสูจน์ได้รับการยืนยันจากชุมชนในที่สุด สิ่งที่จะเปลี่ยนคือความเข้าใจพื้นฐานเกี่ยวกับขอบเขตของความได้เปรียบของควอนตัม นักวิจัยจะมีฐานทฤษฎีที่มั่นคงขึ้นในการอธิบายว่าเมื่อไรการจำลองแบบคลาสสิกทำได้ดีพอ และเมื่อไรควอนตัมจึงจะโดดเด่นจริง ๆ นอกจากนี้ยังเป็นสัญญาณว่าการใช้ AI ร่วมกับเครื่องมือพิสูจน์เชิงรูปแบบอาจเร่งงานคณิตศาสตร์เชิงทฤษฎีได้มากขึ้น โดยเฉพาะงานที่ต้องตรวจสอบรายละเอียดจำนวนมาก

แต่มีหลายอย่างที่ไม่เปลี่ยนในทันที ประการแรก คอมพิวเตอร์ควอนตัมในห้องแล็บไม่ได้เร็วขึ้นในชั่วข้ามคืน ประการที่สอง ปัญหาทางวิศวกรรมอย่างการลดสัญญาณรบกวน การแก้ไขข้อผิดพลาด และการขยายระบบยังคงเป็นงานใหญ่ ประการที่สาม ผลลัพธ์นี้ไม่ได้บอกว่า AI จะมาแทนนักคณิตศาสตร์ทั้งหมด เพราะการตั้งโจทย์ที่ดี การเลือกทิศทาง และการตีความผลลัพธ์ยังคงต้องใช้ความเข้าใจเชิงลึกของมนุษย์

ที่สำคัญ ผลลัพธ์นี้ไม่ได้หมายความว่าทุกโจทย์ควอนตัมจะถูกจำลองด้วยคอมพิวเตอร์ปกติได้ง่าย ๆ ข้อสรุปที่ถูกต้องกว่าคือมันช่วยระบุเงื่อนไขที่การจำลองแบบคลาสสิกทำได้ดีพอในบางสถานการณ์ ไม่ใช่การล้มล้างศักยภาพของควอนตัมทั้งหมด

ข้อควรระวังก่อนเชื่อข่าวนี้เต็มร้อย

ข้อควรระวังข้อแรกคือสถานะการตรวจสอบ บทความนี้อ้างอิงการประกาศของ PSI ซึ่งระบุว่ามีต้นฉบับและไฟล์ Lean ให้ตรวจสอบได้ แต่จนกว่าจะมีการตรวจสอบจากผู้เชี่ยวชาญอิสระอย่างกว้างขวาง เราควรใช้คำว่า มีรายงานว่าพิสูจน์ได้ แทนคำว่า พิสูจน์ได้อย่างสมบูรณ์โดยไม่มีข้อโต้แย้ง

ข้อควรระวังข้อที่สองคือความตรงกันของนิยาม ในงานคณิตศาสตร์ระดับนี้ ความแตกต่างเล็กน้อยของนิยามอาจทำให้ข้อความที่พิสูจน์แล้วไม่ตรงกับข้อความดั้งเดิมทั้งหมด ชุมชนจึงต้องตรวจสอบไฟล์ Lean และต้นฉบับอย่างละเอียดว่าไม่มีการตีความนิยามที่คลาดเคลื่อน

ข้อควรระวังข้อที่สามคืออย่าตีความว่า 3 วัน คือต้นทุนทั้งหมดของการค้นพบ เบื้องหลังมีงานวิจัยหลายปี มีเครื่องมือที่พัฒนามายาวนาน และมีโจทย์ที่ถูกตั้งอย่างชัดเจน การวัดแค่เวลารันรอบเดียวอาจทำให้ประเมินความยากของงานวิจัยต่ำเกินไป

ข้อควรระวังข้อที่สี่คืออย่าโยงผลลัพธ์นี้กับผลิตภัณฑ์เชิงพาณิชย์โดยตรง การที่ทฤษฎีหนึ่งถูกพิสูจน์ไม่ได้แปลว่าบริษัทใดจะมีชิปควอนตัมที่ดีที่สุด หรือโมเดล AI รุ่นใดจะเก่งที่สุดในทุกงาน

แล้วผู้อ่านทั่วไปควรเอาประโยชน์อะไรจากข่าวนี้

ถ้าคุณเป็นนักเรียนหรือคนที่สนใจควอนตัม ข่าวนี้คือตัวอย่างที่ดีว่าทำไมคณิตศาสตร์จึงเป็นหัวใจของเทคโนโลยีล้ำสมัย การเข้าใจโครงสร้างของปัญหาสำคัญพอ ๆ กับการสร้างฮาร์ดแวร์ และเครื่องมืออย่าง Lean กำลังกลายเป็นทักษะที่เชื่อมโลกคณิตศาสตร์กับโลกซอฟต์แวร์เข้าด้วยกัน

ถ้าคุณทำงานด้านเทคโนโลยีหรือธุรกิจ ข่าวนี้ช่วยเตือนว่าเวลาประเมินคำว่า ควอนตัมเร็วกว่า ให้ถามต่อว่า เร็วกว่าในโจทย์แบบไหน บนอินพุตแบบไหน และเร็วกว่าแค่ไหน คำถามเหล่านี้จะช่วยให้แยกแยะระหว่างคำโฆษณากับศักยภาพจริงได้ดีกว่าการดูแค่จำนวนคิวบิต

ถ้าคุณติดตามข่าว AI ข่าวนี้แสดงให้เห็นบทบาทใหม่ของ AI ที่ไม่ใช่แค่ช่วยเขียนข้อความหรือโค้ด แต่ช่วยสำรวจพื้นที่ของบทพิสูจน์ทางคณิตศาสตร์ โดยมีตัวตรวจสอบเชิงรูปแบบเป็นกรรมการที่ไม่ยอมให้เดาผ่าน การผสมกันระหว่างความคิดสร้างสรรค์ของ AI กับความเข้มงวดของ Lean คือหัวใจสำคัญของเรื่องนี้

สรุป

ข่าวที่ว่า AI ใช้เวลาในรอบการทำงานวันที่สามเพื่อหาบทพิสูจน์ข้อคาดการณ์ Aaronson-Ambainis และ Lean ยอมรับบทพิสูจน์นั้น เป็นข่าวใหญ่เพราะมันแตะคำถามพื้นฐานว่าคอมพิวเตอร์ควอนตัมจะเร็วกว่าคอมพิวเตอร์ปกติแบบก้าวกระโดดได้เมื่อไร ไม่ใช่แค่คำถามว่าชิปจะแรงขึ้นเท่าไร

ข้อคาดการณ์นี้เชื่อมพหุนามดีกรีต่ำกับตัวแปรทรงอิทธิพล และเชื่อมต่อไปยังคำถามว่าอัลกอริทึมควอนตัมสามารถถูกประมาณด้วยอัลกอริทึมคลาสสิกได้ดีแค่ไหนในสถานการณ์ทั่วไป ถ้าบทพิสูจน์ผ่านการตรวจสอบจากชุมชนอย่างสมบูรณ์ มันจะช่วยให้เราวางแผนวิจัยควอนตัมได้แม่นยำขึ้น และเข้าใจบทบาทของ AI ในงานคณิตศาสตร์เชิงลึกได้ชัดเจนขึ้น

ในขณะเดียวกัน ผู้อ่านควรจำไว้ว่านี่คือรายงานจากบริษัทผู้พัฒนา ยังต้องรอการตรวจสอบอิสระ และผลลัพธ์ทางทฤษฎีไม่ได้ทำให้ฮาร์ดแวร์ควอนตัมเร็วขึ้นทันที สิ่งที่เปลี่ยนไปจริง ๆ คือแผนที่ความเข้าใจของเรา และแผนที่ที่ดีก็มีค่าพอ ๆ กับเครื่องยนต์ที่แรงขึ้น

แหล่งข้อมูลอ้างอิง

• Physical Superintelligence (PSI) — หน้าหลักขององค์กรผู้ประกาศผล
• Lean — โปรแกรมช่วยพิสูจน์ทฤษฎีบทที่ใช้ตรวจสอบบทพิสูจน์