PSI is trying to make a business out of AI-driven scientific discovery

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

PSI는 Anthropic의 Fable 5.2를 활용한 18년 된 양자컴퓨팅 난제 해결을 계기로, 특화 연구 시스템과 실험 검증을 통해 AI 과학 발견을 실제 기술과 사업으로 연결하려 한다.

📌 핵심 요약

• PSI 연구원 David Turturean은 Anthropic의 Fable 5.2 사전 접근 권한을 활용해 양자컴퓨터와 고전컴퓨터의 문제 해결 속도 차이에 관한 18년 된 Aaronson-Ambainis 추측의 해법을 도출했다.
• Scott Aaronson은 증명을 완전히 이해하지는 못하지만 Lean을 통한 자동 형식화와 PSI가 결과를 공유한 정상급 연구자들의 설명을 근거로 옳다고 믿는다고 밝혔다. 이 결과는 양자컴퓨터가 특정 어려운 문제를 빠르게 푸는 일부 접근 경로를 차단하는 것으로 보이며, 모든 가능성을 부정하지는 않는다.
• PSI는 특화된 모델 하네스와 보조 구조, 도구, 메모리 시스템, 시뮬레이션 인프라를 결합해 과학 문제를 해결한다. 현재 수익원은 열·전력·물·소음 변수를 시뮬레이션하는 데이터센터 최적화이며, 장기 목표는 이론물리학의 돌파구를 실제 기술로 전환하는 것이다.
• 코드로 검증할 수 있는 수학·컴퓨터과학과 달리 생명과학·물리학의 AI 성과는 검증이 더 어렵다. PSI는 계산 결과를 효율적인 실험으로 검증하는 데 집중하며, CEO Matt Pines도 이론물리학이 주로 기계의 영역이 되는 단계에 아직 도달하지 않았다고 인정했다.
• PSI는 Anthropic의 모델 출시가 임박할 때까지 결과 공개를 기다리는 동안 관련 연구자들과 해법을 공유했다. 자문 교수 Jim Halverson은 투명성과 전문가 접촉을 강조했으며, Turturean은 학계가 자신에게 결과를 설명할 능력을 요구할 것이라고 말했다.

🧩 주요 포인트

1. 난제 해결과 이해의 간극: Lean을 통한 자동 형식화와 전문가 설명은 증명에 대한 신뢰를 뒷받침하지만, Aaronson의 반응은 결과의 타당성과 인간의 이해가 별개의 과제로 남을 수 있음을 보여준다.
2. 현재 수익과 장기 사업의 연결: 데이터센터 최적화는 PSI의 현 수익 기반이며, 이론물리학의 기술 전환은 계산 결과를 실험으로 검증하는 역량에 달려 있다.
3. 발견 속도와 연구 관행의 조정: Fable 5.2를 활용한 성과는 특화 연구 시스템의 가능성을 보여주는 동시에, 투명한 공개·전문가 검토·인간이 이해할 수 있는 설명의 중요성을 부각한다.

🧠 상세 정리

1. Fable 5.2로 도출한 18년 난제의 해법

최근 MIT를 졸업하고 Physical Superintelligence(PSI)의 기술진으로 합류한 David Turturean은 Anthropic의 Fable 5.2 모델을 사전에 이용해 18년 된 Aaronson-Ambainis 추측의 해법을 도출했다. 이 추측은 양자컴퓨터가 고전컴퓨터보다 얼마나 빠르게 문제를 해결할 수 있는지에 관한 문제다. Turturean은 PSI에 합류하기 위해 MIT의 컴퓨터과학·AI 연구소에서 석사과정을 밟으려던 계획을 미뤘다. 그는 이번 논문이 자신의 마지막 논문이 될 가능성도 받아들인다며, 몇 달 뒤에는 논문을 발표하는 행위 자체에 어떤 의미가 있을지 의문을 제기했다. 이러한 발언은 AI가 연구 성과를 만드는 속도가 기존 학술 활동의 의미까지 흔들 수 있다는 그의 인식을 드러낸다.

2. 증명의 신뢰성과 양자컴퓨팅에 주는 의미

문제를 제안한 두 연구자 중 한 명인 Scott Aaronson은 증명을 완전히 이해하지는 못하지만 옳다고 믿는다고 밝혔다. 그 근거는 수학을 위한 코딩 언어 Lean으로 증명이 자동 형식화됐고, PSI가 해법을 공유한 정상급 연구자들이 이를 설명했다는 점이다. 해법은 양자컴퓨터가 특정 어려운 문제를 빠르게 해결할 수 있는 한 경로를 닫는 것으로 보이지만, 모든 경로를 배제하는 결과는 아니다. Turturean은 이를 연구자들이 더는 해당 방향을 탐색하지 않아도 된다는 사실을 알려주는 부정적 결과라고 설명했다. Aaronson은 이 추측의 완전한 증명이 양자 질의 복잡도 분야에서 중요성이 널리 인정되던 마지막 미해결 문제들 중 하나였다며, 만족과 경외, 실망과 피로가 뒤섞인 반응을 보였다.

3. 특화 연구 시스템과 데이터센터 사업

Aaronson은 몇 주 전 OpenAI의 Mathocalypse 공개 성과에 이 문제가 포함되지 않았던 점에 놀랐다며, 다른 해결된 문제들보다 정말 훨씬 어려웠던 것인지 의문을 제기했다. 기사는 이번 성과를 특화된 모델 하네스와 보조 구조로 과학 문제를 푸는 PSI 방식에 유리한 사례로 제시한다. CEO Matt Pines는 효과적인 연구 시스템에 하네스뿐 아니라 도구, 메모리 시스템, 시뮬레이션 인프라가 필요하다고 설명했다. 목표는 문제를 폭넓고 깊게 탐색하면서 다양한 대안을 검토하는 것이다. 현재 회사는 이러한 도구로 데이터센터의 열·전력·물·소음 변수를 시뮬레이션하고 최적화해 수익을 얻으며, Pines는 시설의 성능과 지역사회에 미치는 영향이 그 물리적 특성에 직접 좌우된다고 말했다.

4. 수학의 성과를 물리학으로 옮길 때의 한계

PSI의 장기 목표는 이론물리학의 돌파구를 실제 기술로 전환하는 것이지만, Pines는 이론물리학이 주로 기계의 영역이 되는 단계에는 아직 이르지 않았다고 인정했다. 그는 6~9개월 전 투자자들에게 이러한 미래를 설명할 때는 상당한 설득이 필요했으나, 이제 그 방향으로 나아가고 있다고 주장했다. 기사는 수학과 컴퓨터과학에서는 해법을 검증 가능한 코드로 표현할 수 있지만, 생명과학이나 물리학처럼 추상화 수준이 낮은 분야에서는 AI의 성과 도출이 더 어려웠다고 짚는다. 관련 사례로 스타트업 Discovered Materials는 지난주 초전도와 열 방출 같은 문제를 AI로 연구하는 연구자들을 대상으로 100만 달러 규모의 도전 과제를 내놓았다. 이는 수학적 문제 해결의 진전과 현실의 물리 현상을 이해하는 일이 같은 검증 조건을 갖지는 않는다는 논점으로 이어진다.

5. 계산 결과를 실험과 기술로 연결하는 과정

Pines는 물리학이 현실 세계를 다루기 때문에 수학과 다르며, 현실을 설명하는 모델의 성패에는 자연 자체가 영향을 미친다고 강조했다. 이에 따라 PSI는 계산으로 얻은 결과를 가능한 한 효율적으로 실험 검증하는 방법을 이해하는 데 집중하고 있다. 그가 제시한 사업화 논리는 AI가 제안한 내용이 실제 자연의 사실이라면 이를 활용해 장치를 만들거나 이전에는 불가능했던 일을 할 수 있다는 것이다. 따라서 AI의 아이디어 제안만으로 기술 전환이 끝나는 것이 아니라, 그 아이디어가 현실에서 성립하는지 확인하는 과정이 필요하다. PSI는 이러한 제안과 검증, 실제 활용으로 이어지는 반복 과정을 구축하고 있다고 설명하지만, 기사에는 이론물리학의 돌파구에서 이미 완성된 구체적 장치가 제시되지는 않는다.

6. 공개 방식과 인간이 설명해야 할 책임

과학 분야의 새로운 연구소들이 획기적인 발견의 경로로 떠오르면서, 참여자들은 달라진 연구 환경의 기준을 정립하는 중이다. PSI는 Anthropic의 모델 출시가 임박할 때까지 결과 공개를 기다려야 했고, 그 시간을 이용해 관련 연구자들에게 해법을 공유하고 이해를 높였다. PSI를 자문하는 Northeastern University 교수 Jim Halverson은 학자로서 올바른 방식으로 기여하려 했다며, 아직 모범 관행이 형성되는 단계에서 투명성과 전문가 접촉을 택했다고 설명했다. 그는 다음 주 MIT에서 주요 물리학자들이 새로운 과학 연구 속도에 대한 대응을 논의하는 회의에 참석할 예정이라고 밝혔다. Turturean은 AI로 도출한 해법을 처음으로 종이에 출력해 읽으며 인간에게 더 자연스럽게 제시할 방법을 고민했고, 학계가 자신에게 결과를 설명할 능력을 기대할 것이라고 말했다.

🧾 핵심 주장 / 시사점

• 양자컴퓨팅의 가능성을 제한하는 부정적 결과도 탐색할 필요가 없는 방향을 알려준다는 점에서 연구 자원을 집중시키는 의미가 있다.
• PSI의 사업 구상은 모델의 문제 해결 능력뿐 아니라 도구·메모리·시뮬레이션을 결합한 연구 시스템과 실험 검증 과정에 무게를 둔다.
• AI가 증명을 도출하고 형식화하더라도, 전문가가 결과를 이해하고 다른 연구자에게 설명하는 역할은 이번 사례에서 여전히 중요하게 다뤄진다.

✅ 액션 아이템

• Aaronson-Ambainis 추측의 결과를 해석할 때 특정 접근 경로의 제한과 양자컴퓨팅 전체의 가능성을 구분해 검토.
• PSI의 데이터센터 최적화 수익 기반과 이론물리학 성과의 기술 전환 가능성을 실험 검증 역량과 함께 평가.
• Fable 5.2를 활용한 연구 성과의 공개 방식에서 투명성·전문가 검토·인간이 이해할 수 있는 설명을 중점 검토.

❓ 열린 질문

• Lean을 통한 자동 형식화와 전문가 설명으로 뒷받침된 Aaronson-Ambainis 추측의 증명을 연구자들이 충분히 이해하려면 어떤 설명이 필요한가?
• PSI는 계산 결과를 효율적인 실험으로 검증해 이론물리학의 성과를 실제 기술로 전환할 수 있을까?
• Fable 5.2를 활용한 성과처럼 AI가 발견 속도를 높일 때 투명한 공개와 전문가 검토의 기준은 어떻게 정립돼야 할까?