Odkrycie przed recenzją. Dlaczego wyniki uzyskane z AI ogłasza się tak szybko?

2026.06.09 Logo modelu Claude firmy Anthropic. EPA/ADAM VAUGHAN Dostawca: PAP/EPA
2026.06.09 Logo modelu Claude firmy Anthropic. EPA/ADAM VAUGHAN Dostawca: PAP/EPA

Wieść o matematycznym przełomie obiega świat, choć artykuł naukowy jeszcze nie powstał. Takie ogłoszenie może dać rozgłos, ale może też uruchomić sprawdzanie wyniku. Dwa głośne doniesienia z listopada 2026 r. pokazują, kiedy to się udaje i dlaczego na recenzję trzeba poczekać.

Cztery strony tekstu i paczka plików. Tyle 20 listopada udostępnił matematyk Levent Alpöge, ogłaszając, że z pomocą modelu Claude uzyskał dowód hipotezy Riemanna, jednego z najsłynniejszych problemów matematyki.

Sam dowód umieścił w plikach, w języku Lean. Taki zapis pozwala komputerowi sprawdzić, czy każdy krok wynika z przyjętych założeń i wcześniejszych ustaleń. Alpöge wyjaśnił, że byłby w stanie udostępnić obszerną, trudną do czytania wersję tekstową. Zapowiedział jednak, że najpierw sam spróbuje lepiej zrozumieć rozumowanie i dopiero wtedy je opisze.

Po co w takim razie ogłaszać wynik już teraz? W nauce zawsze liczyło się pierwszeństwo. Fizycy i matematycy od dziesięcioleci udostępniają prace przed recenzją, choćby w działającym od 1991 r. archiwum arXiv. W ten sposób dają też innym czas na znalezienie błędu, zanim ukaże się ostateczna wersja artykułu.

Firmy rozwijające AI mają dodatkowy powód do pośpiechu. Głośny wynik pokazuje możliwości ich produktu. Z zewnątrz trudno rozstrzygnąć, który motyw przeważył. Łatwiej ustalić, jakie materiały dostali badacze, którzy chcą sprawdzić wynik.

W przypadku hipotezy Riemanna mogli zabrać się do pracy jeszcze tego samego dnia. Andrew Sutherland z MIT opisał testy, w których niezależnie napisane programy zaakceptowały zapis dowodu. Sprawdzono również, czy dowodzone twierdzenie odpowiada standardowemu sformułowaniu hipotezy. To ważne, bo bezbłędny ciąg rozumowania może prowadzić do tezy choćby odrobinę innej od tej, którą zamierzano udowodnić. Wyniki tych prób są publiczne i inni badacze mogą je powtórzyć.

Dziesięć dni wcześniej zespół oceniający wynik OpenAI opisał podobną kontrolę w sprawie teorii Yanga–Millsa, ważnej dla fizyki cząstek. Zdaniem ekspertów formalny dowód pokazał, że teorię można matematycznie skonstruować w określonym sensie. Do rozwiązania całego problemu milenijnego potrzeba między innymi dowodu istnienia tak zwanej luki masowej. Chodzi o to, czy do wzbudzenia pola potrzeba pewnej minimalnej energii. W tym samym raporcie eksperci przyznali, że sami jeszcze nie rozumieją dowodu w całości.

Czy taki dowód jest już wkładem w naukę? Tak, jeśli inni badacze mogą sprawdzić, czego dowiedziono i czy rozumowanie jest poprawne.

Zrozumienie dowodu pozwala zrobić z nim znacznie więcej. Trzeba ustalić, na czym polegał decydujący pomysł, jakie wcześniejsze prace go umożliwiły i czy można go zastosować gdzie indziej. Model może dostarczyć obszerny zapis szybciej, niż specjaliści zdołają wydobyć z niego to, co istotne.

Tu widzę też miejsce na recenzję. Jeden ekspert może ocenić zapis formalny, drugi wskazać, które elementy metody są rzeczywiście nowe, a autor musi umieć odpowiedzieć na ich pytania.

A może badaczy powstrzymuje wstyd, że pomysł podsunął program? W obu tych doniesieniach udział AI podano otwarcie. Są też przykłady, w których taki wkład opisano w czasopiśmie. Już w 2022 r. „Nature” opublikowało pracę o systemie AlphaTensor, który znajdował wydajniejsze sposoby mnożenia macierzy czyli tablic liczb.

Autorzy opisali zadanie, sposób oceny rozwiązań i przypadki, w których uzyskali poprawę. Od złożenia pracy do jej przyjęcia minęło dziesięć miesięcy. Ta historia przypomina też, ile czasu może upłynąć, nawet gdy jest już gotowy rękopis i wiadomo, jak ocenić rezultat.

Wczesne ogłoszenie ma sens, gdy daje innym coś, z czym mogą dalej pracować. O hipotezie Riemanna warto było napisać także przed recenzją, pod warunkiem że czytelnik dowie się, co właściwie sprawdzono.

Za kilka miesięcy chętnie przeczytałbym ciąg dalszy tej historii. Może się okazać, że najciekawszą wiadomością będzie metoda, którą matematycy wydobyli z dowodu i zdołali zastosować w innym problemie. Może też okazać się, że całe zamieszanie było chwytem marketingowym rywalizujących producentów algorytmów AI.

Nauka to nie tylko przełomy, to przede wszystkim zrozumienie przez człowieka dowodu i umiejętność jego niezależnego powtórzenia. Wydaje mi się, że granicą, której nie powinniśmy przekraczać w używaniu algorytmów sztucznej inteligencji, jest zastosowanie „wiedzy”, której żaden człowiek nie jest w stanie pojąć… i w związku z tym zaniechanie prób jej zrozumienia. Wówczas nauka przestanie być sobą, a stanie się czymś w rodzaju nowej sztucznej religii.

Krzysztof Petelczyc

Fundacja PAP zezwala na bezpłatny przedruk artykułów z Serwisu Nauka w Polsce pod warunkiem mailowego poinformowania nas raz w miesiącu o fakcie korzystania z serwisu oraz podania źródła artykułu. W portalach i serwisach internetowych prosimy o zamieszczenie podlinkowanego adresu: Źródło: naukawpolsce.pl, a w czasopismach adnotacji: Źródło: Serwis Nauka w Polsce - naukawpolsce.pl. Powyższe zezwolenie nie dotyczy: informacji z kategorii "Świat" oraz wszelkich fotografii i materiałów wideo.

Czytaj także

  • Fot. Adobe Stock

    Nie kompromitujcie nas, czyli jak chronić dane biometryczne

  • Fot. Adobe Stock

    Dzięki soli można przygotować lody na śniegu, byle bez dodatku śniegu

Przed dodaniem komentarza prosimy o zapoznanie z Regulaminem forum serwisu Nauka w Polsce.

newsletter

Zapraszamy do zapisania się do naszego newslettera