Pochopenie deficitu: Ako umelá inteligencia mení prácu výskumníkov a ďalších vedcov, manažérov

Vďaka matematikovi, fyzikovi a astronómovi Carlovi Gaussovi sa matematika už takmer dve storočia nazýva kráľovnou vied.

V posledných mesiacoch sa obavy rýchlo zvýšili tak v rámci samotnej kráľovnej, ako aj v celej vedeckej sfére. Ako je dnes bežné, na vine je umelá inteligencia, ktorá si začala nárokovať nielen úlohu asistenta vedca, ale aj zdroja (a dokonca aj autora) základných výsledkov. V dôsledku toho by sa neočakávaným kritickým deficitom v novej vede (a v konečnom dôsledku aj v novom biznise) mohla ukázať schopnosť ľudí overovať a chápať získané výsledky.

Dňa 26. októbra spoločnosť OpenAI  oznámila tri výsledky, z ktorých každý, ak by sa potvrdil, by bol významnou vedeckou udalosťou. V oblasti matematickej analýzy bolo dokázaných niekoľko súvisiacich hypotéz; v teoretickej informatike bolo navrhnuté vyvrátenie  hypotézy o exponenciálnom čase ETH (dôležitý predpoklad o rýchlosti riešenia výpočtových problémov); a v teoretickej fyzike bol poskytnutý matematicky rigorózny dôkaz existencie určitých interagujúcich kvantových teórií poľa v štyroch rozmeroch. O niekoľko hodín neskôr sa objavil nezávislý výsledok od spoločnosti Anthropic, ktorý tiež tvrdil, že vyvracia hypotézu o exponenciálnom čase. Najnovšie výkonné modely umelej inteligencie dosiahli základy matematiky a fyziky – ale k tomuto bodu sa neustále usilovne uberajú už celý rok, čo vyvoláva vlny pobúrenia (predovšetkým zo strany  matematikov ).

Reakcia vedeckej komunity sa však túto jeseň ukázala byť oveľa zaujímavejšia ako bežná debata medzi nadšencami, ktorí veria, že umelá inteligencia dramaticky urýchli pokrok v mnohých oblastiach, a skeptikmi, ktorí pochybujú o tom, že umelá inteligencia je vôbec schopná vytvárať skutočne nové poznatky. Tí istí výskumníci uznávajú rozsah dosiahnutých výsledkov, no vyjadrujú rozhorčenie nad spôsobom, akým sú publikované. Zdá sa, že modely sa naučili produkovať výsledky rýchlejšie, ako ich vedecká komunita dokáže premeniť na poznatky. A práve táto skutočnosť, nie najnovšia senzačná publikácia, predstavuje začiatok novej éry vedy.

Keď dôkaz neznamená pochopenie

Pre niekoho, kto sa vedou nezaoberal bližšie, znie fráza v podtitulku zvláštne: ako môžete niečo spoľahlivo dokázať bez toho, aby ste tomu najprv úplne porozumeli? Výrok „dôkaz neznamená pochopenie“ znie paradoxne, ak dôkaz považujete len za formálny, logický reťazec krokov. Pre vedcov však existuje zásadný  rozdiel medzi objektívnou správnosťou dôkazu a subjektívnym chápaním toho, prečo je výsledok pravdivý a čo znamená pre vedu. Význam a kontext sú dôležitejšie ako samotný fakt dôkazu. Práve preto je reakcia vedeckej komunity prekvapujúcou, no pochopiteľnou zmesou potešenia a podráždenia.

Neľudský výkon umelej inteligencie vyvolal nový konflikt vo vede. Po masívnom publikovaní matematických výsledkov zo strany OpenAI začiatkom októbra (370 dôkazov naraz, bez najmenšieho vysvetlenia alebo interpretácie) jeden z popredných matematikov súčasnosti, Terence Tao,  kritizoval situáciu, v ktorej iniciátori riešení umelej inteligencie, ktorí publikujú svoje dôkazy, sami nie sú schopní zmysluplne diskutovať o výslednom texte, vysvetliť ho a už vôbec ho neintegrovať do vývoja vedeckej oblasti. Tao, na rozdiel od niektorých svojich radikálnych kolegov, nepožadoval zákaz umelej inteligencie, ale trval na zachovaní tradičnej hodnoty vedeckej práce: skutočne dôležité sú vysvetlenia čitateľné človekom, rozvoj nových smerov a vytváranie výskumných komunít, nielen dokončenie ďalšieho problému.

Tento prístup implicitne naznačuje spomalenie vedeckého pokroku, spomaľuje ho do bodu, kedy ho vedci dokážu pochopiť a integrovať do svojho svetonázoru. To vytvára zaujímavé konflikty, ktoré dobre ilustruje napríklad stav vecí v meteorológii.  Preukázaná účinnosť modelov umelej inteligencie pri predpovedaní (najmä nebezpečných prírodných javov, ako sú tajfúny) vytvára nezvyčajnú situáciu: predpovedanie počasia už nie je diskutovaným, prísnym vedeckým modelom atmosférických procesov, ale „čiernou skrinkou“ v reálnych procesoch pripravenosti na núdzové situácie, ktorú nemožno preskúmať ani diskutovať v rámci čisto vedeckej diskusie.

Toto je pre vedu nový stav vecí: v niektorých situáciách výsledok prestáva byť plne interpretovateľný, ale napriek tomu sa stáva funkčným. To je síce prospešné pre praktické aplikácie, ale narúša to tradičný mechanizmus autokorekcie implementácií náročných na vedomosti. Debata o umelej inteligencii sa presunula z diskusie o prípustnosti nástroja na formulovanie nových pravidiel pre vedu, v rámci ktorých sa tento nástroj stal vplyvným hráčom už za rok.

Zvykli sme si myslieť, že hlavným obmedzením vedy je ťažkosť získavania odpovedí. Posledné mesiace odhalili ďalšie potenciálne obmedzenie: existuje viac odpovedí, než dokážeme spracovať a pochopiť. A vedecký prielom teraz nemusí byť len riešením problému, ale aj spôsobom, ako toto riešenie urobiť zrozumiteľným, overiteľným a prístupným pre všetkých.

Prečo je to dôležité pre podniky a pre nás všetkých

Náš svet a podniky v ňom sú plné digitálnych produktov aj výrobných procesov náročných na vedomosti. V roku 2026 umelá inteligencia radikálne  zmenila kódovanie digitálnych produktov aj metódu získavania nových vedeckých výsledkov. Počas tohto roka sa veda a softvérové ​​produkty zblížili v netriviálnom operačnom bode: obe sú produkované strojmi mnohokrát rýchlejšie, ako ich dokážu overiť ľudia. Vo vede aj vo vývoji softvéru to viedlo k presunu úzkeho hrdla z vytvárania nových produktov na overovanie existujúcich výsledkov. Schopnosť rozlíšiť, čo funguje, od toho, čo je pravdepodobné, a ochota prevziať zodpovednosť za výsledky sú nedostatkom. 

Ak sa bližšie pozrieme na to, čo sa deje, poskytne to podnikom (a nám všetkým) veľmi jasnú a včasnú indíciu o tom, kde a ako sa musíme zmeniť, na čo sa musíme pripraviť a na čo si musíme dať pozor. Zdôrazním tri najzrejmejšie závery.

• Porozumenie sa stáva drahším . V dôsledku toho sa menia náklady na výskumné operácie a štruktúra príslušných oddelení, čo znamená, že sa mení aj odôvodnenie a politika investovania do výskumných tímov. Deficit ľudského porozumenia začne reštrukturalizovať obchodné procesy aj v iných oddeleniach.

• Operačná implementácia vedeckých výsledkov umelej inteligencie predbieha regulačný rámec a zásady zodpovednosti . Regulačné orgány napríklad zatiaľ neopísali, aký dôkaz musí poskytnúť výrobca lieku vytvoreného umelou inteligenciou, a neexistujú žiadne audítorské protokoly pre predpovede umelej inteligencie. Spoločnosti, ktoré ako prvé zavedú interné rámce pre dôveru, audit a reverzibilitu, dostanú bonus za spoľahlivosť, zatiaľ čo ostatné budú čeliť pokutám a zrušeniu licencií.

• Hodnota sa nezvratne presúva z rolí „producenta“ na role kurátora : čítanie, overovanie, výber a zostavovanie významu. Podniky, ktoré súťažia v objeme produktov umelej inteligencie bez vlastného jasného koncepčného rámca pre význam, z toho v blízkej budúcnosti profitujú – ale zároveň začnú rýchlo prehrávať: trh sa už učí rozlišovať medzi masovou produkciou a spoľahlivými výsledkami a tento filter bude čoraz účinnejší.

Najzaujímavejšie a často aj najdôležitejšie veci však nie sú hneď zrejmé. Preto by ma neprekvapilo, keby o rok dôraz na porozumenie ako kľúč k práci s AI nefungoval, pretože by sa to zároveň ukázalo ako úzke hrdlo. Preto sa pri skutočne pokročilom vývoji AI deleguje nielen písanie, ale aj kontrola kódu. A potom už nebude prvoradá schopnosť porozumieť, ale zručnosť a ochota pracovať s nepochopiteľným na dennej báze a prevziať zodpovednosť za výsledky tejto práce.