
La semana cerró con una de esas noticias que hacen levantar la ceja hasta al más escéptico: Physical Superintelligence (PSI), una startup de investigación acelerada por IA, anunció el viernes que su sistema interno —corriendo instancias de un modelo no publicado de Anthropic— encontró una prueba completa de la conjetura de Aaronson-Ambainis, un problema de teoría de la computación cuántica abierto desde 2008.
Qué dice la conjetura, en criollo
Scott Aaronson y Andris Ambainis plantearon en 2008 una pregunta central: ¿cuándo puede una computadora cuántica superar exponencialmente a una clásica? Su conjetura conectaba esa pregunta con un enunciado sobre polinomios: si era verdadera, significaba que una máquina clásica podía predecir el comportamiento de un algoritmo cuántico con pocos accesos al input.
La prueba, publicada en un paper de David Turturean en GitHub, establece el resultado: para computaciones de sí/no, un algoritmo clásico puede aproximar la probabilidad de respuesta de un algoritmo cuántico en la mayoría de los inputs aleatorios, sin necesitar exponencialmente más accesos. Traducción: las ventajas cuánticas exponenciales requieren estructura. No hay atajos mágicos en datos desordenados.
Lo que lo hace distinto de un “Claude escribió una demo”
Tres detalles levantan el nivel de esta noticia:
- Formalización en Lean: el teorema principal y la formulación de la conjetura original fueron verificados por el kernel de Lean, el proof assistant que revisa cada paso lógico mecánicamente. No es un “confía en mí”.
- Revisión humana: además del chequeo automático, investigadores revisaron el trabajo.
- El tiempo: el sistema encontró la prueba completa durante el tercer día de corrida. Un problema de 18 años, tres días de compute.
PSI lo resumió así: “settling one of the most fundamental questions in quantum computing. Quantum computing still has plenty of mysteries, but now there is one fewer.”
Matices importantes
- El teorema limita accesos al input, no el tiempo total de cómputo. No cierra la puerta a ventajas cuánticas prácticas en problemas con estructura — de hecho, le da base teórica más firme a buscar speedups donde la estructura del problema ayude.
- El modelo es no público: no hay paper del modelo ni detalles de qué es exactamente. La fe en “un modelo de Anthropic que nadie más puede usar” es parte del combo.
- Llega en una semana donde los resultados matemáticos generados por IA se están acumulando, con anuncios paralelos de OpenAI apuntando en direcciones similares.
Por qué importa para el que construye software
Más allá de la física, la señal es de infraestructura: los sistemas de investigación autónomos con verificación formal (Lean) ya no son paperware. La combinación modelo frontera + proof assistant + orquestación de corridas largas es exactamente el patrón que las plataformas de agentes están habilitando — y esta vez el output fue un teorema que aguantó el chequeo.
Lectura rápida: IA probando teoremas verificables pasó de demo a resultado publicable. El siguiente que te diga que los agentes “solo escriben código boilerplate”, cuéntale esta.


