آیا هوش مصنوعی می‌تواند جایگزین فیزیکدانان در کشف قوانین طبیعت شود؟

تصور کنید سیستمی فیزیکی طراحی شود که فراتر از توان تخیل انسان است و قوانینی از طبیعت کشف شوند که تا به حال هیچ انسانی آن‌ها را ندیده است. این چشم‌اندازی است که شرکت Physical Superintelligence (PSI) دنبال می‌کند؛ استارتاپی در کمبریج که در ۱ سپتامبر ۲۰۲۶ هدف خود را برای صنعتی کردن اکتشافات فیزیک اعلام کرد.

این شرکت در دور اول جذب سرمایه (Seed Round)، مبلغ ۵۸ میلیون دلار را تحت رهبری Breakthrough Energy Ventures به دست آورد. طبق اعلام شرکت، این بودجه برای تبدیل متد علمی به یک فرآیند خودکار و مقیاس‌پذیر هزینه خواهد شد.

در این جذب سرمایه، مجموعه‌ای گسترده از سرمایه‌گذاران استراتژیک حضور داشتند. شرکت‌های Dragon Global، Robot Ventures، Solari، Susa، SV Angel (متعلق به ران کانوی)، Valkyrie، و همچنین چهره‌های شناخته‌شده‌ای چون بالاجی سرینیواسان و آنتونی اسکاراموچی در این دور مشارکت کردند. علاوه بر این، سرمایه‌گذاران خردی از شرکت‌های OpenAI، NVIDIA، SoftBank Energy، Oracle، Hugging Face، JUMP Capital و صندوق a16z Scout نیز در این تامین مالی نقش داشتند.

مات پاینز، مدیرعامل و هم‌بنیان‌گذار PSI، می‌گوید هدف آن‌ها ایجاد یک مزیت رقابتی ملموس برای مشتریان در طراحی مراکز داده در زمان حال است، در حالی که هم‌زمان روی مسائل فیزیکی‌ای کار می‌کنند که دهه‌ها دست‌نخورده مانده‌اند. کارمایکل رابرتز از Breakthrough Energy Ventures معتقد است هوش مصنوعی می‌تواند سرعت اکتشافات علمی، به‌ویژه در حوزه فیزیک را به‌طور بنیادین تغییر دهد.

این رویکرد نشان‌دهنده چرخش به سمت «هوش مصنوعی فیزیکی» است؛ جایی که مدل‌ها از دنیای متن خارج شده و قوانین جهان مادی را می‌آموزند. همان‌طور که در تحلیل قبلی ما درباره‌ی Veeda AI و جذب ۹۰ میلیون دلاری‌اش برای ساخت مدل‌های جهان اشاره کردیم، PSI گامی جسورانه‌تر برداشته تا خودِ «روش علمی» را اتوماتیک کند. در واقع، این شرکت می‌خواهد آزمایشگاهی بسازد که پژوهشگرانش نه انسان‌هایی با روپوش سفید، بلکه مدل‌های استدلالی (Reasoning Model) — شبیه شطرنج‌بازی که چند حرکت جلوتر را می‌بیند — باشند که میلیون‌ها شبیه‌سازی موازی را اجرا می‌کنند. این رویکرد در راستای تحولی است که مدل‌های جهانی Veeda AI برای افزایش سرعت یادگیری ربات‌ها پیش‌بینی کرده بودند.

قلب تپنده این عملیات، پلتفرمی به نام Emmy است که به افتخار آمالی اِمی نوتر، ریاضی‌دان مشهور، نام‌گذاری شده است. برخلاف فیزیکدانان انسانی که به یک مدل ذهنی واحد تکیه می‌کنند، Emmy مدل‌های دنیای با دقت بالا می‌سازد و مسائل پژوهشی را به درخت‌هایی از فرضیات قابل تأیید تجزیه می‌کند.

پلتفرم Emmy در واقع تیمی از فیزیکدان‌های مجازی است که روی یک موتور استدلال حاکمیتی و مجموعه‌ای عظیم از شبیه‌سازی‌های منتخب بنا شده است. این پلتفرم به عنوان یک کارخانه یکپارچه عمودی برای تولید «ابر‌هوش فیزیکی» عمل می‌کند. تیم سازنده این پلتفرم از نخبگان مؤسساتی چون گوگل، OpenAI، هاروارد، متا، انویدیا، MIT، استنفورد، آکسفورد، جانز هاپکینز، کمبریج، مؤسسه مطالعات پیشرفته (IAS) و مؤسسه پیرامتر (Perimeter Institute) تشکیل شده است.

شرکت PSI دو مقیاس کاملاً متفاوت از زیرساخت را هدف قرار داده است:

• کارخانه‌های هوش مصنوعی: Emmy مسائل پیچیده طراحی مربوط به چند-فیزیک (Multiphysics) در زمینه‌های توان، خنک‌سازی و محاسبات را در مراکز داده زمینی و مداری حل می‌کند. این یعنی مراکز داده پیش از آنکه حتی یک آجر گذاشته شود یا برای بهره‌وری بازسازی شوند، بهینه‌ترین حالت خود را می‌یابند. این تلاش برای بهینه‌سازی حرارتی، یادآور رویکرد استارتاپ Discovered Materials در به‌کارگیری عامل‌های AI برای حل مشکل گرمای تراشه‌هاست که به دنبال رفع گلوگاه‌های سخت‌افزاری است.
• سفرهای میان‌ستاره‌ای: PSI شریک فنی مؤسس مأموریت Fermi Explorer است؛ یک سازمان غیرانتفاعی (501(c)(3)) که قصد دارد فضاپیمایی را به ستاره آلفا سنتوری بفرستد.

به نقل از این شرکت، PSI فیزیک این مأموریت را اعتبارسنجی کرده و مسیری بهینه‌تر را با بودجه‌ای ۱۵ میلیون دلاری شناسایی کرده است. این مأموریت که توسط فیلیپ جانستون، رئیس و هم‌بنیان‌گذار، رهبری می‌شود، قصد دارد تا پایان سال ۲۰۲۹ پرتاب شود. هدف این است که محموله‌ای یک کیلوگرمی در حجم ۱۰ در ۱۰ در ۱۰ سانتی‌متر، طی ۸۰ هزار سال به ۹۹٪ مسیر آلفا سنتوری برسد.

برای حمایت از جامعه علمی، این شرکت ابزار Get Physics Done را به صورت متن‌باز منتشر کرده است؛ یک کمک‌خلبان هوش مصنوعی که به‌طور اختصاصی برای فیزیکدانان طراحی شده است.

این استراتژی، گلوگاه اکتشافات علمی را از «شهود انسانی» به «تأیید در مقیاس ماشین» منتقل می‌کند. در یک ارزیابی فنی در جولای ۲۰۲۶، PSI گزارش داد که پلتفرم خود‌مختارش توانسته تمام نتایج کمی را به‌صورت سرتاسری (End-to-End) تولید کند. این فرآیند شامل عامل‌های تأییدکننده مجزا برای استخراج مجدد اعداد کلیدی و حسابرسی‌های خصمانه (Adversarial Proof Audits) برای ادعاهای تئوریک در سطح قضایا بود.

برای دنیای کسب‌وکار، این یعنی «زنجیره انرژی-محاسبات» اکنون هدف بهینه‌سازی هوش مصنوعی است. PSI قصد دارد از بودجه خود برای جذب پژوهشگران و ساخت زیرساخت‌های شبیه‌سازی استفاده کند تا اکتشافاتی از حسگرهای نوین تا بسترهای محاسباتی جدید را دنبال کند. اگر PSI بتواند هزینه‌های خنک‌سازی و برق کارخانه‌های هوش مصنوعی را کاهش دهد، هزینه آموزش نسل بعدی مدل‌ها به‌شدت افت خواهد کرد.

با این حال، شرکت در ارزیابی جولای ۲۰۲۶ اشاره کرد که نتایجش هنوز مورد بازبینی جامع توسط همتایان انسانی (Peer Review) قرار نگرفته است. تکیه بر عامل‌های خود‌مختار برای ادعاهای تئوریک، همچنان یک قمار جسورانه و اثبات‌نشده در جامعه علمی است.

منتظر پنجره پرتاب سال ۲۰۲۹ مأموریت Fermi Explorer باشید تا ببینید آیا مسیرهای طراحی‌شده توسط AI در خلأ فضا پاسخ می‌دهند یا خیر.

گام بعدی شما

• اگر در حوزه زیرساخت‌های مرکز داده فعالیت می‌کنید، ابزار Get Physics Done را برای بهینه‌سازی‌های اولیه بررسی کنید.
• روند پیشرفت مأموریت Fermi Explorer را دنبال کنید تا ببینید آیا مسیرهای طراحی‌شده توسط AI در خلأ فضا پاسخ می‌دهند یا خیر.
• تغییرات قیمت سخت‌افزارهای خنک‌کننده را رصد کنید؛ موفقیت PSI می‌تواند بازار این قطعات را دگرگون کند.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.