مدل جی‌پی‌تی-۵ به حل یکی از سرسخت‌ترین مسائل حل‌نشده محاسبات کوانتومی کمک می‌کند.

در علوم رایانه، NP به مسائلی اشاره دارد که در آنها می‌توان به سرعت راه‌حل را تایید کرد، حتی اگر یافتن آن راه‌حل زمان بسیار زیادی ببرد. این دسته از نظریه‌ها، بخش زیادی از نظریه پیچیدگی مدرن را هدایت کرده‌اند. همتای کوانتومی آن، نظریه کوانتومی QMA است که در آن، اثبات نه به صورت رشته‌ای از بیت‌ها، بلکه به صورت یک حالت کوانتومی شکننده ارائه می‌شود.

به نقل از آی‌ای، محققان اکنون می‌گویند هوش مصنوعی جی‌پی‌تی-۵ شرکت اوپن‌ای‌آی به اثبات محدودیت‌های سختگیرانه در QMA کمک کرده است. این مدل یک عبارت ریاضی را پیشنهاد کرد که منجر به دستیابی به موفقیت در میزان کاهش خطا شد. این مطالعه ممکن است یکی از اولین مواردی باشد که هوش مصنوعی گامی ملموس در تحقیقات پیچیدگی کوانتومی برداشته است.

تعیین مرزها در QMA

اسکات آرونسون از دانشگاه تگزاس در آستین و فریک ویتیوین از آمستردام مقاله جدیدی در این مورد نوشتند.

در QMA، یک اثبات‌کننده به نام مرلین یک شاهد کوانتومی را برای یک تاییدکننده به نام آرتور ارسال می‌کند. آرتور یک الگوریتم کوانتومی را اجرا می‌کند تا تصمیم بگیرد که آیا آن را بپذیرد یا خیر. دو عدد، این سیستم‌ها را تعریف می‌کنند. احتمال دارد که آرتور یک اثبات معتبر را بپذیرد و به آن کامل بودن، گفته می‌شود. همچنین احتمال دارد که او به اشتباه یک اثبات نادرست را بپذیرد که به این صحت گفته می‌شود.

روش‌های تقویت (Amplification) می‌توانند با تکرار آزمون و ترکیب نتایج، میزان خطا را کاهش دهند. جفری و ویتوین نشان دادند که «کامل بودن» با سرعتی فوق‌العاده زیاد به ۱ میل کند؛ نه فقط با سرعت نمایی، بلکه با سرعتی حتی بالاتر یعنی دوبرابر نمایی. پرسش این بود که آیا می‌توان فراتر از آن هم رفت یا نه.

سهم کلیدی جی‌پی‌تی-۵

آرونسون در تحلیل مشکل داشت و به جی‌پی‌تی-۵ روی آورد. اولین پیشنهادات مدل، اشتباه بود اما بعد از چند بار رفت و برگشت، مدل پیشنهاد کرد که مسئله را با تعریف یک تابع واحد دوباره بازنویسی کنند؛ تابعی که نشان می‌داد احتمال پذیرش (قبول شدن) چقدر به یقین (۱۰۰٪) نزدیک است. این ایده تعیین‌کننده بود. محققان با استفاده از نظریه تقریب نشان دادند که «کامل بودن» به معنای احتمال قبول کردن حالت درست، نمی‌تواند بیشتر از نزدیک شدن دوبرابر نمایی به عدد یک باشد و «صحت» یا (soundness) به معنای رد کردن حالت نادرست، نمی‌تواند کمتر از نمایی کوچک شود.

برخی منتقدان گفتند که بینش جی‌پی‌تی-۵ چیز بدیهی‌ بوده است. آرونسون در پاسخ می‌گوید: پیشنهاد GPT۵-Thinking برای استفاده از آن تابع، باید برای ما بدیهی می‌بود. این برای ما بدیهی می‌شد اگر دانش بیشتری داشتیم، یا زمان بیشتری صرف مطالعه‌ی مقالات و پرسیدن از متخصصان کرده بودیم.

این پژوهش پرسش‌های بزرگی را همچنان باقی می‌گذارد. اما یک نقطه‌ عطف مهم به شمار می‌آید: هوش مصنوعی دیگر فقط در نوشتن مقاله یا کدنویسی خلاصه نمی‌شود. در این مورد خاص، به پر کردن شکافی کمک کرده است که چند دهه در یکی از انتزاعی‌ترین شاخه‌های علوم رایانه وجود داشته است.