Granica matematycznego geniuszu. Dlaczego AI wciąż nie potrafi „skakać”

Dzisiejsze modele językowe świetnie radzą sobie z obliczeniami i wyszukiwaniem wzorców, ale wciąż rozbijają się o szklany sufit, gdy w grę wchodzi tworzenie nowych teorii naukowych. To nie jest kwestia braku mocy obliczeniowej, lecz fundamentalnej niezdolności do tzw. abdukcji — formułowania nowych hipotez i założeń, które nie mają precedensu w danych treningowych. Bez tego mechanizmu AI pozostaje jedynie sprawnym, ale odtwórczym narzędziem.

Mistrzostwo w rzemiośle, deficyt intuicji

Wybitni matematycy, Timothy Gowers i Peter Sarnak, studzą entuzjazm dotyczący rzekomej rewolucji, jaką w naukach ścisłych miały wywołać duże modele językowe (LLM). Choć algorytmy te wykazują sprawność w operowaniu na znanych metodach i potrafią błyskawicznie przeszukiwać tysiące ścieżek rozwiązań, ich rola ogranicza się do bycia zaawansowanymi kalkulatorami. Zdaniem Gowersa problemem jest brak intuicji, która pozwoliłaby modelom wybrać te nieliczne, naprawdę produktywne drogi w nieskończonym oceanie możliwości.

Bariera abdukcji: Dlaczego AI nie jest Einsteinem

Kwestię tę pogłębia Peter Sarnak, zwracając uwagę na różnicę między wyprowadzaniem wyników z istniejącej teorii a tworzeniem nowych abstrakcji. Podczas gdy AI sprawnie porusza się w obrębie znanych ram, zawodzi, gdy z prostego pytania należy wyprowadzić zupełnie nowy fundament teoretyczny. Tom Zahavy z DeepMind w swojej pracy z 2026 roku „LLMs can’t jump” stawia sprawę jasno: „Podczas gdy generatywna AI opanowała indukcję i szybko podbija dedukcję, brakuje jej mechanizmu abdukcji”.

To krytyczne wąskie gardło. AI potrafi wykonać dedukcyjny etap dowodzenia, ale jest strukturalnie niezdolna do formułowania nowych przesłanek. Klasyczny przykład to Albert Einstein i ogólna teoria względności — naukowiec stworzył nowe aksjomaty przy bardzo ograniczonych danych obserwacyjnych. AI, bazując na statystyce, najprawdopodobniej nigdy nie wykonałoby takiego „skoku” myślowego.

Benchmarki a rzeczywista innowacja

Obecna debata nad przyszłością sztucznej inteligencji przesuwa się w stronę pytania: czy systemy te faktycznie stają się mądrzejsze, czy jedynie lepiej radzą sobie z konkretnymi testami? Krytycy sugerują, że obecny postęp to w dużej mierze optymalizacja pod kątem znanych problemów. Nadzieją na przełamanie tego impasu mogą być tzw. modele świata (world models). Zahavy proponuje, aby zamiast czysto statystycznych predyktorów tekstu budować systemy fizycznie ugruntowane, co daje szansę na przejście od symulacji do formalnych aksjomatów i zbliżenie się do autentycznej, twórczej myśli naukowej.