人工智能（AI）近期证实了一项关于量子计算能力的长期猜想：在处理某些缺乏特定数学结构的随机问题时，量子计算机并不具备显著优势。
这一结论终结了自 1999 年以来困扰学界的“阿伦森-安巴尼斯”（Aaronson-Ambainis, AA）猜想。当时，德克萨斯大学奥斯汀分校的斯科特·阿伦森（Scott Aaronson）与拉脱维亚大学的安德里斯·安巴尼斯（Andris Ambainis）提出假设，认为对于几乎无结构的问题，经典计算机可以近似达到量子计算机的性能，而无需付出更多时间成本。换言之，在这类场景下使用量子计算机并非必要。
尽管研究人员早已知晓 Shor 算法在质因数分解等具有特定数学结构的问题上展现出的量子优势，但一直未能证明这种优势是否适用于更广泛的领域。直到最近，物理超级智能（PSI）创业公司的 David Turturean 及其团队利用 Anthropic 的 Fable 5.2 模型完成了这一证明。
Turturean 指出，这是一个极具挑战性的数学问题，也是少数几个长期悬而未决且值得研究的难题之一。该突破消除了关于量子计算机擅长领域的诸多不确定性。
AA 猜想的核心在于测试计算机对巨大随机字符串（由 0 和 1 组成）的回答能力。阿伦森和安巴尼斯将这一计算机科学问题转化为多项式语言，使其成为纯数学领域的一个命题。阿伦森表示，没想到这一问题会引发如此广泛的兴趣，甚至吸引了非量子计算领域的研究者。
据 PSI 团队介绍，Fable 5.2 模型花费约 4 天时间完成验证，期间经过两次改进和完善，最终通过 Lean 软件进行了形式化验证。随后，团队将证据分享给斯坦福大学的 Guy Blanc、Jordan Docter、Carmen Strassle 和 Li-Yang Tan 组成的研究小组。斯坦福团队在联合声明中表示，新证据超越了此前所有相关研究，其证明路径完全不同且更为复杂，各部分以一种全新的方式紧密交织。
加州大学圣地亚哥分校的沙查·洛维特（Shachar Lovett）评论称，这篇论文揭示了数学家可以学习和复用的技巧，有助于指导未来的研究方向。他认为，AI 工具将使研究者能够提出更具雄心的问题。
然而，对于这项发现对量子计算的实际影响，学界持谨慎态度。阿伦森认为，虽然这排除了寻找量子加速的一个潜在方向，但该方向本身就不太合理。目前的关键问题转向了探索量子计算机真正能解决的新问题领域。
斯坦福研究小组强调，这并不意味着量子加速的终结，而是明确了应关注的问题类型。他们指出，涉及较短或较少随机输入字符串的类似问题，或者要求量子计算机提供比简单“是/否”更复杂答案的场景，仍可能从量子方法中获益。这包括模拟工业相关分子以及部分优化问题。
随着许多量子信息科学相关的数学问题被交由 AI 处理，制定新问题变得至关重要。安巴尼斯表示，他和同事希望利用 AI 来探索新想法，而非仅仅解决已知问题。但他也承认，未来能否成功取决于重大的创意飞跃，而这恰恰是目前 AI 尚不擅长的领域。
