PSI、AI研究の野心を支えるデータセンター事業の収益を詳説

TechCrunchは報じた。2026年11月10日、Physical Superintelligenceは、長期的にはAIを活用した物理学の発見を基盤とする事業を目指す一方、現在は自社のツールでデータセンターを最適化して収益を上げている。

最高経営責任者のMatt Pinesは、理論物理学のブレークスルーを実際の技術へと転換することが目標だと説明した。このアプローチを試す最初の場がデータセンターであり、PSIが「仮想物理学者」と呼ぶAI研究システムは、測定可能な運用上の制約がある実稼働中の物理システムに取り組むことができる。

PSIは公益法人であり、安全性、検証、責任ある開発、広く社会に利益をもたらすことを定款に定めている。会社紹介ページによると、研究者とエンジニアは25人を超え、Breakthrough Energy Venturesを筆頭に5,800万ドルを超える資金を調達している。

商業化に向けた実証の場としてのデータセンター

現在の最適化業務では、熱、電力、水、音をシミュレーションし、施設の性能や地域社会への影響を立地の物理的特性と結び付けている。ビジョンページでPSIは、実稼働中の施設を高精度にモデル化し、仮想物理学者がシステム全体を調べ、隠れた制約を見つけ、対策を試せるようにしていると説明する。その狙いは、計算密度の向上、エネルギー利用の効率化、熱管理の改善、資本効率の向上だ。

商業キャンペーンは、研究に対するフィードバックももたらす。PSIによると、実稼働中の施設にはシミュレーションでは想定されない制約があり、各キャンペーンで得られる成果は、後続のキャンペーンで使われる仮想物理学者の訓練に役立つ。そのため、データセンター事業には、現在の収益源であると同時に、研究システムの改善に必要な実践的制約を得る場という二つの役割がある。

検証を中心に据えた研究システム

Pinesは、効果的な研究システムとは、モデルを取り巻くソフトウェアの仕組み、ツール、記憶システム、シミュレーション基盤を組み合わせたものだと説明した。これにより、幅広い選択肢を検討しながら、問題を広さと深さの両面から追究できる。PSIはこのプロセスを「自律型キャンペーン」として体系化している。これは、問題の定義から仮説、検証、実験、エンジニアリング、実用化までを一貫して進める取り組みだ。各キャンペーンには測定可能な節目と厳格な検証基準が設けられ、実用化への道筋がある一方、ミッションと成功基準は人間の研究者が選ぶ。

このアーキテクチャーでは、候補の生成と検証を分離している。検証には、保存則、対称性、次元の整合性、形式証明、シミュレーション、デジタルツイン（物理システムの仮想的な複製）、物理的な測定が含まれる。PSIによると、結果を認証する検証器は、後続の仮想物理学者にとって報酬関数、つまり学習信号にもなり得る。こうして評価をシステムの改善に直接結び付けている。

PSIが2026年11月6日に発表した研究は、その一例だ。同社によると、当時は非公開だったAnthropicのモデルを稼働させた自社開発システムが、実行開始から3日目にAaronson–Ambainis予想の証明を完成させた。各ステップを検査する証明支援系Leanがこれを受理し、その後、2回の改良を経た最終版も受理した。2008年から未解決のこの予想は、ランダムな入力に対して量子コンピューターが通常のコンピューターより指数関数的に速く処理できるのはどのような場合かを扱う。研究を主導したDavid Turtureanは、Anthropicが2026年11月9日に一般公開したClaude Fable 5.2を早期に利用できた。

商業化の試金石は、今も実世界での検証

この証明は、商業化の限界も示している。数学やコンピューターサイエンスでは、検証済みのコードで成果を表現できるが、物理学や生命科学では、今も自然を相手に実験する必要がある。Pinesによると、PSIは計算による成果を実験で効率よく検証する方法に取り組んでいる。この違いを、「現実を表すモデルには、自然も一票を投じる」という言葉で要約した。

Pinesはまた、6～9か月前に投資家に対して、条件付きながらより踏み込んだ見通しを示していたにもかかわらず、理論物理学の大部分はまだ機械が担う領域ではないと述べた。この留保はPSIの事業にとって重要だ。現在の収益は施設の最適化に依存する一方、より大きな目標の実現には、検証を経て装置やその他の技術につながる発見が必要となる。

Pinesは、自然界で検証された事実が、これまで実現できなかった能力を備えた装置の開発につながる可能性を示した。したがってPSIにとって商業上の課題は、生成と検証のプロセスを通じて、実験で確認された成果を繰り返し生み出せるかどうかだ。それができれば、同じ研究システムをAIインフラの最適化から、新しい物理学に基づく技術の創出へと展開できる。