مدل هوش مصنوعی GPT-5 به حل یکی از پیچیده‌ترین و سرسخت‌ترین مسائل حل‌نشده در حوزه محاسبات کوانتومی کمک کرد.
به گزارش تکناک، کاهش خطای کوانتومی محدودیتی دارد و GPT-5 با پیشنهاد یک تابع ریاضی که این سقف را آشکار کرد، نقشی تعیین‌کننده‌ای در این کشف داشت. در علم رایانه، NP به مسائلی گفته می‌شود که در آنها یک پاسخ به سرعت قابل تأیید است، حتی اگر یافتن همان پاسخ نیازمند زمانی بسیار طولانی باشد. این دسته‌بندی، پایه بسیاری از نظریه‌های پیچیدگی مدرن را شکل داده است. همتای کوانتومی آن، QMA است که در آن اثبات نه به صورت رشته‌ای از بیت‌ها، بلکه به شکل یک حالت کوانتومی شکننده ارائه می‌شود.
اکنون پژوهشگران عنوان کردند که مدل هوش مصنوعی GPT-5 شرکت OpenAI توانسته است به اثبات محدودیت‌های جدی در QMA کمک کند. این مدل با پیشنهاد یک عبارت ریاضی، راه را برای کشف مهمی در تعیین حدود کاهش خطا هموار ساخت. این دستاورد به باور بسیاری، یکی از نخستین نمونه‌هایی است که هوش مصنوعی به صورت مستقیم در پژوهش نظریه پیچیدگی کوانتومی، نقش مؤثری ایفا می‌کند.
اسکات آرونسون از دانشگاه تگزاس در آستین و فریک ویتوین از مؤسسه CWI آمستردام مقاله‌ای با عنوان Limits to black-box amplification in QMA نوشته‌اند، که هم‌اکنون در arXiv منتشر شده است.
این پژوهش بر نتایج سال ۲۰۲۵ استیسی جفری و ویتوین، همچنین بر کار آرونسون در جداسازی اوراکلی سال ۲۰۰۸ استوار است.
در QMA، فردی به نام مرلین به عنوان اثبات‌کننده، یک شاهد کوانتومی در اختیار راستی‌آزمایی‌کننده‌ای به نام آرتور قرار می‌دهد. آرتور با اجرای الگوریتم کوانتومی تصمیم می‌گیرد که این شاهد را بپذیرد یا رد کند. در این چارچوب، دو مفهوم اساسی تعریف می‌شود: کامل بودن که احتمال پذیرش یک اثبات درست توسط آرتور است و درستی که احتمال پذیرش نادرست یک اثبات غلط از سوی او را نشان می‌دهد.
روش‌های تقویتی با تکرار آزمایش‌ها و ترکیب نتایج تلاش می‌کنند که خطا را کاهش دهند. جفری و ویتوین نشان دادند که کامل بودن می‌تواند تا نزدیکی مضاعف نمایی به یک برسد. با وجود این، پرسش اصلی همچنان باقی بود که آیا امکان دستیابی به سطحی فراتر از این وجود دارد یا خیر.
آرونسون در مرحله تحلیل به مانع برخورد و از مدل هوش مصنوعی GPT-5 کمک گرفت. نخستین پیشنهادهای مدل نادرست بودند، اما پس از بحث‌های مکرر، مدل پیشنهاد داد که مسئله با استفاده از یک تابع واحد بازنویسی شود؛ تابعی که اندازه‌گیری می‌کرد پذیرش تا چه اندازه به قطعیت نزدیک است.
این ایده سرنوشت‌ساز شد. پژوهشگران با بهره‌گیری از نظریه تقریب نشان دادند که کامل بودن نمی‌تواند از نزدیکی مضاعف نمایی به یک فراتر برود و درستی نیز نمی‌تواند پایین‌تر از مقدار نمایی قرار گیرد.
آرونسون در وبلاگ Shtetl Optimized خود نوشت: «اکنون در سپتامبر ۲۰۲۵، می‌توانم بگویم هوش مصنوعی سرانجام وارد قلمرویی شده است که از نگاه من انسانی‌ترین فعالیت فکری بشر به حساب می‌آید، که اثبات جداسازی‌های اوراکلی میان رده‌های پیچیدگی کوانتومی است.»
این اثبات نشان داد که تقویت جعبه‌سیاه به سقف خود رسیده است: کامل بودن فراتر از مضاعف نمایی نمی‌رود و درستی نیز پایین‌تر از نمایی کاهش نمی‌یابد.
نتایج این تحقیق تأیید می‌کند که برای پاسخ به پرسش دیرینه برابری QMA و QMA1 باید از روش‌های غیرنسبی استفاده کرد؛ روش‌هایی که به جای در نظر گرفتن مدارها به عنوان جعبه سیاه، ساختار آنها را به صورت مستقیم بررسی می‌کنند. علاوه بر این، عدم تقارن در این حوزه کاملاً آشکار است: کامل بودن تنها به وجود یک شاهد خوب نیاز دارد، در حالی که درستی باید در برابر همه شاهدهای ممکن برقرار باشد.
برخی منتقدان ادعا کردند که بینش مدل هوش مصنوعی GPT-5 چندان بدیع نبوده است. اما آرونسون پاسخ داد: «پیشنهاد GPT5-Thinking برای استفاده از یک تابع، باید برای ما بدیهی می‌بود، اگر دانش بیشتری داشتیم یا زمان بیشتری برای بررسی منابع و پرسش از متخصصان صرف می‌کردیم.»
این پژوهش همچنان پرسش‌های بزرگی را بی‌پاسخ می‌گذارد، از جمله اینکه آیا QMA واقعاً با QMA1 برابر است یا خیر. با وجود این، نقطه عطفی را رقم می‌زند: هوش مصنوعی دیگر تنها ابزاری برای نوشتن مقاله یا تولید کد نیست، بلکه به پر کردن شکافی چند دهه‌ای در یکی از انتزاعی‌ترین شاخه‌های علم رایانه کمک کرده است.
