Koniec ery AI jako „czarnej skrzynki”: MIT chce stworzyć dwukierunkowy most między nauką a kodem

Fizyka zamiast czystej magii danych

Tradycyjna nauka i sztuczna inteligencja przestały być osobnymi lądami. Nagrody Nobla z 2024 roku w dziedzinie fizyki i chemii ostatecznie zniosły podział na „teoretyków” i „użytkowników GPU”. Dziś Jesse Thaler, profesor fizyki w MIT i szef IAIFI, stawia sprawę jasno: potrzebujemy dwukierunkowej autostrady między algorytmami a naukami ścisłymi.

To nie jest kolejna opowieść o tym, jak AI przyspiesza badania. To manifest nauki o AI.

Trzy drogi do zrozumienia kodu

Relacja nauki z AI wedle białej księgi MIT dzieli się na trzy kluczowe nurty:

• Science driving AI: Wykorzystanie naukowego rozumowania do projektowania fundamentów architektury sieci.
• Science inspiring AI: Wyzwania stawiane przez naturę zmuszają programistów do tworzenia zupełnie nowych algorytmów.
• Science explaining AI: Użycie narzędzi matematycznych do prześwietlenia „czarnych skrzynek” głębokiego uczenia.

W dziedzinie fizyki cząstek elementarnych algorytmy analizujące dane z koliderów w czasie rzeczywistym nie tylko odkrywają nowe formy materii. One same stają się uniwersalnymi narzędziami, które znajdują zastosowanie daleko poza laboratorium fizycznym.

Narodziny „centaurów”

Edukacja w obecnym modelu trzeszczy w szwach. MIT diagnozuje jasny problem: brakuje ludzi, którzy płynnie posługują się językiem równań fizycznych i Pythona jednocześnie. Instytut stawia na tak zwanych naukowców-centaurów – badaczy bilingwalnych, którzy czują się równie pewnie przy tablicy z kredą, co przy klastrze obliczeniowym.

Dla instytucji szkolnictwa wyższego to sygnał alarmowy: silosy muszą zniknąć.

10 procent doktorantów fizyki na MIT już teraz wybiera ścieżkę łączącą ich macierzystą dziedzinę ze statystyką i informatyką. To nie jest moda. To ewolucja gatunkowa naukowca.

Strategia zamiast chaosu

Problemem współczesnego AI w nauce jest jego przypadkowość. Większość projektów realizowana jest punktowo, bez spójnej struktury finansowania czy infrastruktury. Thaler i jego zespół w Machine Learning: Science and Technology argumentują, że system instytucjonalny wygrywa z pojedynczymi grantami.

MIT przechodzi do ofensywy, uruchamiając wspólne etaty profesorskie (joint faculty lines) między wydziałem fizyki a Schwarzman College of Computing. To precedens, który wymusi na innych uczelniach zmianę definicji „kariery akademickiej”.

Infrastruktura to nowe laboratorium

Sama pasja badaczy nie wystarczy. Raport podkreśla konieczność inwestycji w:

• Skoordynowane klastry obliczeniowe dedykowane naukom ścisłym.
• Otwarte, rygorystyczne repozytoria danych badawczych.
• Finansowanie postdoktorantów łączących odległe dyscypliny.

Sztuczna inteligencja nie jest już tylko asystentem. Staje się nowym rodzajem mikroskopu, którego budowę i sposób działania musimy w końcu zrozumieć, by przestać ufać mu „na słowo”. Albo zrozumiemy fizykę AI, albo na zawsze utkniemy w świecie symulacji, których nie potrafimy zweryfikować.