ข้อพิสูจน์ที่ขยับเส้นแบ่งระหว่างควอนตัมกับคอมพิวเตอร์ทั่วไป
ข้อคาดเดา Aaronson-Ambainis คือข้อเสนอทางคณิตศาสตร์เกี่ยวกับอิทธิพลของตัวแปรในพหุนาม ซึ่งช่วยอธิบายว่าอัลกอริทึมควอนตัมจะได้เปรียบคอมพิวเตอร์ทั่วไปอย่างมากเมื่อใด และข้อได้เปรียบนั้นขึ้นกับโครงสร้างของข้อมูลแบบไหน เมื่อวันที่ 6 พฤศจิกายน 2026 Physical Superintelligence หรือ PSI ประกาศว่าระบบวิจัยภายในซึ่งใช้โมเดล Anthropic ที่ยังไม่เปิดเผยต่อสาธารณะหลายชุดค้นพบข้อพิสูจน์ของปัญหานี้ ซึ่งค้างมาตั้งแต่ปี 2008 ระบบสร้างข้อพิสูจน์ฉบับสมบูรณ์ได้ภายในวันที่สามบนโครงสร้างพื้นฐานของ PSI เอง นี่เป็นข่าวสำคัญของ AI ค้นพบทางวิทยาศาสตร์ ไม่ใช่เพราะเครื่องจักรตอบได้เร็วอย่างเดียว แต่เพราะคำตอบแตะคำถามแกนกลางของควอนตัมคอมพิวติ้ง: เมื่อใดการเร่งความเร็วระดับเอ็กซ์โพเนนเชียลมีจริง และต้องอาศัยเงื่อนไขพิเศษอะไร

ผลไม่ได้บอกว่าควอนตัมหมดความได้เปรียบ
Scott Aaronson และ Andris Ambainis ตั้งข้อคาดเดาว่าพหุนามดีกรีต่ำที่มีขอบเขตทุกตัวจะมีตัวแปรที่มีอิทธิพลสูง เหตุผลที่ประเด็นนี้สำคัญคือ หากข้อคาดเดาเป็นจริง อัลกอริทึมควอนตัมแบบเรียกถามจำนวนครั้งจำกัดจะจำลองแบบคลาสสิกได้ด้วยจำนวนการเรียกถามที่เพิ่มขึ้นในอัตราพหุนาม สำหรับอินพุตส่วนใหญ่ ภายใต้ค่าความคลาดเคลื่อนและสัดส่วนอินพุตที่ตัดออกซึ่งกำหนดไว้ นั่นไม่ใช่คำตัดสินว่าควอนตัมไม่มีวันเร็วกว่า แต่ชี้ว่าความได้เปรียบแบบเอ็กซ์โพเนนเชียลในบางกรณีต้องอาศัยรูปแบบหรือโครงสร้างพิเศษ งานของ Shor แสดงให้เห็นว่าปัญหาที่มีโครงสร้างเหมาะสมอาจเปิดทางให้ควอนตัมได้เปรียบ ขณะที่ข้อมูลสุ่มหรือไร้โครงสร้างอาจไม่เอื้อเช่นนั้น สำหรับผู้ใช้ทั่วไป ผลนี้ยังไม่เปลี่ยนเครื่องมือในมือทันที แต่ช่วยจำกัดความคาดหวังว่าเครื่องควอนตัมจะเร่งทุกงานได้
บริบทก่อนหน้านี้ก็สำคัญ: งานที่ส่งเมื่อวันที่ 19 สิงหาคม 2026 พิสูจน์ผลสืบเนื่องเกี่ยวกับการจำลองแบบคลาสสิกของอัลกอริทึมควอนตัมแบบขนาน และนักวิจัยกลุ่มนั้นกำลังอ่านข้อพิสูจน์ฉบับเต็มพร้อมเตรียมคำอธิบายสำหรับผู้เชี่ยวชาญ การตรวจทานจากผู้ทำงานกับปัญหานี้จึงเป็นขั้นต่อไปที่ควรจับตา ไม่ใช่รายละเอียดประกอบที่ตัดทิ้งได้
พิสูจน์ด้วยเครื่องเพิ่มความมั่นใจ แต่ไม่ได้ลบคำถามของมนุษย์
จุดแข็งของกรณีนี้อยู่ที่การตรวจสอบซ้ำได้ ไม่ใช่เพียงคำประกาศของผู้พัฒนา ผู้ช่วยพิสูจน์ Lean ยอมรับข้อพิสูจน์ฉบับสมบูรณ์ และเอกสารกับการทำให้เป็นรูปแบบทางการด้วย Lean 4 เปิดเผยต่อสาธารณะ ในการทดสอบแบบแซนด์บ็อกซ์ เครื่องมือที่ใช้เคอร์เนลของ nanoda และ Lean ยอมรับทฤษฎีบทสุดท้ายทั้งสี่ข้อ การพิสูจน์ด้วยเครื่องช่วยตรวจว่าข้อโต้แย้งที่เข้ารหัสไว้เป็นไปตามกฎของระบบอย่างสม่ำเสมอ จึงลดโอกาสที่ความผิดพลาดเชิงตรรกะจะหลุดผ่านการอ่านตามปกติ
แต่การผ่านตัวตรวจสอบไม่ได้พิสูจน์ทุกชั้นของข้ออ้าง ผู้อ่านยังต้องยืนยันว่าข้อความทางการตรงกับข้อคาดเดาที่ตีพิมพ์ และบทความที่มนุษย์อ่านไม่ได้ถูกตรวจด้วยเครื่องโดยตรง เคอร์เนล คอมไพเลอร์ ไลบรารีคณิตศาสตร์ และเครื่องที่ใช้ตรวจสอบก็ยังเป็นส่วนหนึ่งของฐานที่ต้องเชื่อถือ ดังนั้นคำว่า “ผ่านการตรวจ” ควรหมายถึงมีหลักฐานที่ตรวจซ้ำได้ ไม่ใช่ได้รับการรับรองโดยปราศจากข้อจำกัด
AI ทำงานค้นหาได้ แต่มนุษย์ยังรับผิดชอบความหมาย
ตามเอกสารของ PSI โมเดล AI สร้างข้อความทางคณิตศาสตร์ ร่างแรก และรูปแบบทางการด้วย Lean ขณะที่ David Turturean พัฒนาระบบ กำหนดขอบเขตปัญหา ตรวจร่าง และรับผิดชอบบทความ Jim Halverson ตรวจข้อพิสูจน์ ส่วน Phiala Shanahan ให้ความเห็นเรื่องการทำให้เป็นรูปแบบทางการ การแบ่งงานนี้บอกภาพที่สมจริงกว่าคำกล่าวว่า AI แทนนักคณิตศาสตร์: โมเดลช่วยสำรวจและจัดรูปข้อโต้แย้งได้เร็ว แต่มนุษย์ยังต้องตรวจว่าโจทย์ถูกแปลเป็นภาษาทางการตรงต้นฉบับ และผลนั้นมีความหมายตามที่อ้างหรือไม่
ข้อจำกัดอีกด้านคือโมเดล Anthropic ที่ใช้ยังไม่เปิดเผยต่อสาธารณะ และยังไม่มีรายละเอียดชัดเจนว่าเป็นรุ่นใด จึงยากต่อการประเมินว่าอะไรทำให้ระบบสำเร็จ หรือผู้อื่นจะทำซ้ำได้เพียงใด ถึงอย่างนั้น การเปิดต้นฉบับและไฟล์ Lean 4 ทำให้ผู้เชี่ยวชาญตรวจต่อได้ ข้อสรุปของผมคือกรณีนี้เป็นหลักฐานหนักแน่นว่า AI ช่วยเร่งการค้นพบทางวิทยาศาสตร์ได้ แต่ไม่ใช่หลักฐานว่าเครื่องจักรเข้าใจข้อพิสูจน์หรือรับรองความถูกต้องได้ด้วยตัวเอง อนาคตของคณิตศาสตร์น่าจะอยู่ที่การร่วมงานซึ่งเร็วขึ้นและตรวจสอบได้ มากกว่าการมอบอำนาจตัดสินให้ระบบใดระบบหนึ่ง






