Dlaczego AI nie wywoła nowej rewolucji naukowej? Google DeepMind o barierach modeli językowych

Albert Einstein nie przewidział teorii względności, bo przeanalizował miliard stron tekstu. Zrobił to, bo potrafił zakwestionować fundamenty fizyki, ignorując presję danych. Nowe opracowanie badaczy z Google DeepMind stawia jasną diagnozę: dzisiejsze modele językowe (LLM), choć sprawnie rozwiązują zadania na poziomie olimpijskim, nie mają w sobie tego buntu. Są więźniami statystyki, które zamiast burzyć stare paradygmaty, wolą je idealnie kopiować.

To krytyczny moment dla branży. Mimo ogromnych nakładów na procesory i dane, coraz wyraźniej widać, że metoda „przewidywania kolejnego tokena” nie jest tożsama z metodą naukową. Według opracowania opisanego przez The Decoder, modele te świetnie wykonują dedukcję i indukcję, ale polegają na tzw. abdukcji manipulacyjnej — umiejętności tworzenia nowych pojęć tam, gdzie nie istnieje jeszcze żaden językowy szablon.

Problem abdukcji manipulacyjnej

Tom Zahavy z Google DeepMind, wspierając się logiką Charlesa Sandersa Peirce’a, punktuje architekturę maszynową. AI radzi sobie z abdukcją zwyczajną — dobiera najlepsze wyjaśnienie z gotowej listy, jak lekarz stawiający diagnozę na bazie podręcznika. Jednak nauka to coś więcej. Thomas Wolf na łamach CNBC zauważa trafnie: „Celem naukowca nie jest jedynie antycypowanie najbardziej oczekiwanego słowa. Zamiast tego stara się on zidentyfikować innowacyjną koncepcję, która może wydawać się nieprawdopodobna, ale jest rzeczywiście trafna”.

Prawdziwa rewolucja wymaga stworzenia przyczyny zjawiska, której nikt wcześniej nie nazwał. Modele językowe to zaawansowane kompresory tekstu działające w zamkniętym systemie. Bez punktu odniesienia poza językiem, stają się „więźniami istniejących paradygmatów”.

Czego nie widzi algorytm

Spójrzmy na historię odkryć. Na początku XX wieku anomalię w orbicie Merkurego fizycy tłumaczyli istnieniem planety Wulkan. AI trenowana do minimalizacji błędu przewidywania postąpiłaby identycznie. Optymalizując model pod kątem dostępnych danych, po prostu dorysowałaby nową planetę. Einstein poszedł pod prąd. Wykonał skok intuicyjny bez dowodów empirycznych. Te potwierdziły jego teorię dopiero lata później. Algorytm nastawiony na statystyczną trafność nigdy nie zaryzykowałby tak „mało prawdopodobnej” hipotezy.

Ciało i doświadczenie jako silnik innowacji

Kreatywność wielkich myślicieli nie brała się z żonglowania symbolami, lecz z ucieleśnionej symulacji. Eksperymenty myślowe Einsteina bazowały na fizycznym odczuciu braku ciężaru w spadającej windzie. Modele językowe działają jak „chiński pokój” Searla: sprawnie operują regułami fizyki, nie rozumiejąc samej fizyczności.

Zahavy sugeruje, że przyszłość należy do „modeli świata”. Chodzi o systemy zdolne do aktywnej interwencji w laboratoriach syntetycznych — symulowanych, fizycznie spójnych środowiskach. Dopóki AI nie będzie mogła „poczuć” mechaniki zdarzeń w wirtualnej rzeczywistości, pozostanie sprawnym asystentem badawczym. Narzędziem, które zawęża zbiór hipotez i optymalizuje kod, ale nigdy nie podpisze się pod kolejnym naukowym przewrotem.