Teppo Felin in Matthias Holweg sta v članku »Theory Is All You Need: AI, Human Cognition, and Causal Reasoning« postavila pomembno vprašanje, ali umetna inteligenca res ustvarja novo znanje ali predvsem preoblikuje znanje, ki smo ga že ustvarili ljudje. Njuna osrednja teza je, da uspešno napovedovanje na podlagi obstoječih podatkov še ne pomeni sposobnosti oblikovanja novih vzročnih razlag sveta. Veliki jezikovni modeli so lahko izjemno učinkoviti pri obdelavi informacij, vendar po njunem prepričanju nimajo istega mehanizma za ustvarjanje znanstvenih in tehnoloških prebojev kot ljudje. Človeška posebnost naj bi bila sposobnost zamisliti si nekaj, česar obstoječi podatki še ne potrjujejo, nato pa z usmerjenim eksperimentiranjem ustvariti novo znanje. Članek razvija teoretični argument, podprt z zgodovinskimi primeri, zato ga je treba razumeti kot razpravo o naravi mišljenja in odkrivanja, ne kot dokončen eksperimentalni dokaz meja UI.

Izhodišče njune kritike je dolgoletno enačenje človeškega uma z računalnikom, ki sprejema informacije, jih obdeluje in proizvaja rezultate. Razliko ponazorita z učenjem jezika: veliki jezikovni modeli se učijo iz velikanskih zbirk besedil, otrok pa jezik osvoji iz neprimerno manjšega obsega pogosto nepopolnih in nesistematičnih pogovorov. Kljub temu lahko oblikuje nove stavke in jezik uporablja za raziskovanje okolja, izražanje namenov in delovanje. Felin in Holweg v tem vidita omejitev razlage, po kateri je človeško mišljenje predvsem statistično učenje iz vhodnih podatkov. Po njuni interpretaciji ljudje dejavno oblikujejo predstave o svetu, ki presegajo informacije, s katerimi so bili neposredno seznanjeni. Zato večja količina učnih podatkov in boljši rezultati modela pri posameznih nalogah sama po sebi še ne dokazujejo, da stroj razmišlja na enak način kot človek.

Pri ustvarjalnosti je zato treba razlikovati med novo kombinacijo obstoječih vsebin in nastankom novega znanja. Jezikovni model lahko ustvari besedilo, ki ga še nihče ni napisal, poveže različne načine izražanja in ponudi številne različice odgovora. Felin in Holweg to označujeta kot kombinatorno oziroma kompozicijsko novost, ki je ne enačita z odkritjem nove vzročne zakonitosti. Modele opisujeta kot nekakšno posplošeno tehnologijo prevajanja: isto vsebino lahko izrazijo drugače, jo povzamejo, razširijo ali predstavijo v drugem formatu. Njuno stališče ni, da modeli zgolj dobesedno kopirajo besedila, temveč da tudi zelo izvirna formulacija še ne zagotavlja novega spoznanja. Tekoč in prepričljiv odgovor lahko zato ustvari vtis razumevanja, ki presega dejansko sposobnost preverjanja, zakaj neka trditev drži.

To omejitev ponazorita z miselnim eksperimentom o jezikovnem modelu, naučenem na besedilih, dostopnih leta 1633. Takšen model bi imel na voljo obsežno tradicijo geocentričnih razlag vesolja, medtem ko bi bila Galilejeva podpora heliocentrizmu zastopana bistveno šibkeje. Po njuni presoji bi zato predvsem reproduciral prevladujoče predstave svojega časa, namesto da bi samostojno ugotovil, zakaj ima Galileo prav. Bistvo primera je razlika med prepoznavanjem prevladujoče razlage in preverjanjem njene resničnosti: pogostost neke trditve v besedilih ni dokaz njene pravilnosti. Model, omejen na naučene besedilne povezave, po njunem nima neodvisnega eksperimentalnega merila za razlikovanje med zmotnim soglasjem in pravilno manjšinsko hipotezo. Gre za ponazoritev njunega argumenta, ne za dejansko izveden preizkus takšnega zgodovinskega modela.

Osrednji koncept članka je »asimetrija med podatki in prepričanji«. Običajno pričakujemo, da bodo naša prepričanja sorazmerna z razpoložljivimi dokazi in da jih bomo ob novih informacijah ustrezno popravljali. Toda pri inovacijah lahko prepričanje o izvedljivosti nečesa nastane, še preden obstajajo podatki, ki bi ga potrjevali. Znanstvenik ali izumitelj lahko predpostavi možnost, ki je trenutno znanje ne podpira ali ji celo navidezno nasprotuje. Takšna drža lahko vodi v zmoto, lahko pa je tudi začetek preboja. Felin in Holweg poudarjata, da literatura o kognitivnih pristranskostih večinoma obravnava škodljivo plat vztrajanja pri prepričanjih, manj pa njegovo vlogo pri nastajanju novih odkritij. Pri raziskovanju lahko prav prepričanje usmeri iskanje in eksperimentiranje, s katerima šele nastanejo podatki za njegovo preverjanje.

Najobsežnejša zgodovinska ponazoritev je razvoj motornega poleta z napravo, težjo od zraka. Nekateri ugledni znanstveniki so iz neuspešnih poskusov in opazovanja narave sklepali, da takšen polet ni mogoč. Brata Wright sta iste neuspehe obravnavala kot tehnične probleme, katerih vzroke je mogoče razumeti in odpraviti. Razvoj sta razčlenila na vprašanja vzgona, pogona in krmiljenja, preučila delo predhodnikov ter izvajala usmerjene poskuse. Zgradila sta vetrovnik, preizkušala različne oblike in kote kril ter sistematično zbirala meritve. Njuna prednost torej ni bila odsotnost podatkov ali zavračanje znanosti, temveč drugačna vzročna razlaga problema, ki jima je povedala, katere podatke potrebujeta. Tako sta ustvarila dokaze za možnost, ki je preprosto seštevanje preteklih neuspehov ni razkrilo.

Iz tega sledi širša razlaga inoviranja in odločanja v negotovosti. Podatki opisujejo svet, kakršen je bil, medtem ko mora inovator razmišljati tudi o tem, kakšen bi lahko postal zaradi njegovega posega. Teorija mu omogoči določiti povezavo med sedanjim stanjem, potrebnimi dejanji in želenim rezultatom. Usmerja izbiro poskusov, relevantnih meritev in problemov, ki jih je treba rešiti. Felin in Holweg ta argument preneseta tudi na poslovno strategijo: konkurenčna prednost lahko nastane iz posebne predstave podjetja o prihodnji vrednosti, ki je drugi še ne prepoznajo. Če vsa podjetja uporabljajo iste modele in iste javno dostopne podatke, obstaja nevarnost podobnih sklepov in homogenih strategij. Pri prebojnih inovacijah pa je lahko odločilna prav sposobnost oblikovati in preveriti drugačno razlago prihodnjih možnosti.

Kljub ostri kritiki Felin in Holweg ne zavračata uporabnosti UI. Predvidevata delitev dela, pri kateri modeli prevzemajo ponavljajoče se, računsko zahtevne in podatkovno intenzivne naloge, ljudje pa ohranjajo osrednjo vlogo pri oblikovanju novih teorij in odločanju v izraziti negotovosti. UI lahko sodeluje tudi kot sogovornik pri presojanju različnih strategij in pomaga pri inovacijskih procesih. Posebej poudarjata prilagoditev orodij specifičnim ciljem organizacije, njenemu lastnemu znanju in podatkom. Korist UI zato povezujeta z načinom njene vključitve v raziskovalno ali poslovno delo. Njuno sklepno sporočilo je, da napredek pri napovedovanju še ne upravičuje avtomatičnega prenosa človeškega znanstvenega in strateškega odločanja na algoritme.

Novejše raziskave to izhodišče pomembno dopolnjujejo, predvsem zato, ker raziskovalni sistemi UI vse pogosteje povezujejo jezikovne modele z izvajanjem poskusov in samodejnim preverjanjem rezultatov. Takšen sistem lahko po začetnem učenju pridobiva nove informacije, predlaga spremembe in raziskuje njihove posledice. Primer je AlphaEvolve, predstavljen maja 2025, ki združuje jezikovne modele, evolucijsko iskanje in preverjanje programov. Našel je algoritem za množenje kompleksnih matrik velikosti 4 × 4 z 48 skalarnimi množenji, s čimer je izboljšal dotlej najboljši znani rezultat v tem okviru. Po poročilu razvijalcev je pri približno 20 % preizkušenih matematičnih problemov izboljšal najboljše znane rešitve. To so preverljive novosti, zato jih ni ustrezno opisovati zgolj kot preoblikovanje obstoječih besedil. Vendar raziskovalci še vedno določijo problem, način predstavitve rešitve in merila, po katerih sistem presoja uspešnost.

Podobno Juraj Gottweis in sodelavci v raziskavi »Accelerating scientific discovery with Co-Scientist«, prvič objavljeni leta 2025 in dopolnjeni junija 2026, opisujejo sistem, ki ustvarja, kritizira in izboljšuje raziskovalne hipoteze. Pri tem izhaja iz raziskovalnih ciljev in predhodnih dokazov, ki določajo smer dela. Gottweis in sodelavci poročajo tudi o eksperimentalnem preverjanju predlogov, med drugim o novih možnostih uporabe zdravil in njihovih kombinacij pri akutni mieloični levkemiji, preverjenih in vitro. Takšen rezultat presega oblikovanje prepričljivega besedila, saj predlagano povezavo sooči z laboratorijskimi podatki. Hkrati nova uporabna hipoteza še ni nujno povsem nov temeljni koncept: lahko nastane s povezovanjem znanih mehanizmov na način, ki ga raziskovalci prej niso prepoznali. Študija zato podpira zlasti možnost, da UI močno razširi obseg in hitrost raziskovanja znotraj smiselno opredeljenega problema.

Bolj neposredno možnost konceptualnega inoviranja obravnavajo Yixiu Liu in sodelavci v študiji »AlphaGo Moment for Model Architecture Discovery« iz julija 2025. Njihov sistem ASI-Arch predlaga nove zasnove nevronskih mrež, jih programira, uči in primerja z obstoječimi rešitvami. Poročajo o 1.773 poskusih in 106 novih arhitekturah linearne pozornosti, ki jih ocenjujejo kot vodilne v svojih primerjavah. Gre za ugotovitve avtorjev predobjave v omejenem raziskovalnem okolju, zato iz njih še ni mogoče sklepati o splošni sposobnosti UI za ustvarjanje novih znanstvenih paradigem. Podobno Yutaro Yamada in sodelavci v raziskavi »The AI Scientist-v2« prikazujejo avtomatiziran raziskovalni cikel, pri katerem je eden od treh oddanih člankov dosegel sprejem na delavnici ob konferenci ICLR. Skupaj ti primeri kažejo, da sistemi UI lahko prispevajo nove zasnove in raziskovalne korake. Vprašanje, koliko samostojno določajo tudi pomembne raziskovalne probleme in oblikujejo temeljno nove razlage, pa ostaja odprto.

Posebej odmeven je septembrski primer Navier–Stokesovega problema, enega od milenijskih matematičnih problemov. OpenAI je 8. septembra 2026 objavil predlagano rešitev, ki ob gladki zunanji sili konstruira nastanek singularnosti v končnem času. Po navedbah podjetja rezultat ustreza negativnima različicama C in D uradne formulacije problema. Odločilna skupina približno 10.000 agentov naj bi rešitev našla v 88 urah, formalizacija in preverjanje v sistemu Lean pa sta zahtevala dodatnih 17 ur. Obseg računske obdelave je izjemen, vendar je za razumevanje dosežka pomembna tudi njegova intelektualna podlaga. Matematični rokopis obravnava predhodne rezultate Tristana Buckmasterja in Vlada Vicola ter strategije nastanka singularnosti, ki sta jih razvijala Diego Córdoba in Luis Martínez-Zoroa. Dosežek torej nadaljuje že razvito matematično raziskovalno tradicijo; objava dokaza in njegova formalizacija pa zahtevata tudi neodvisno strokovno presojo njegovega pomena in pravilnosti.

Prav vprašanje izvora zamisli je sprožilo spor z Buckmasterjem, profesorjem na Univerzi v New Yorku, ki je z Leventom Alpögejem ob pomoči UI raziskoval sorodne probleme. Buckmaster je v pogovoru za WIRED očital OpenAI, da je uporabil njegov pristop in z bistveno večjimi računskimi sredstvi prehitel njegovo delo. OpenAI očitek zanika ter navaja, da njegovi nedavni vnosi v Codex niso mogli vplivati na uporabljeni sistem. Uporabe neobjavljenega dela zato ni mogoče predstaviti kot dokazano dejstvo. Primer pa jasno odpira vprašanje razmerja med začetnim matematičnim uvidom in zmogljivostjo njegove nadaljnje izpeljave. Brez predhodno razvitih matematičnih metod bi bila takšna pot do rešitve bistveno težje predstavljiva. Ali je bil zanjo nujen prav Buckmasterjev konkretni neobjavljeni uvid, ostaja zaenkrat nedokazano. Z vidika argumenta Felina in Holwega je bistveno, da velika računska moč še ne pojasni, od kod pride raziskovalna smer, ki jo je vredno tako intenzivno razvijati.

Po mojem mnenju je najpomembnejša uporabna posledica te razprave, da je UI lahko izjemno učinkovita pri povečevanju produktivnosti raziskav, vendar moramo raziskovalci še vedno sami opredeliti, kaj želimo pojasniti, zakaj je problem pomemben in v kateri smeri naj iščemo rešitev. Prav tukaj je relevantna razlika v kognitivnem dojemanju, ki jo poudarjata Felin in Holweg. Raziskovalec iz poznavanja področja, izkušenj, opaženih neskladij in vzročne predstave o svetu oblikuje vprašanje, ki ga obstoječi podatki morda sploh še ne vsebujejo. Presoditi mora tudi, kateri podatki so relevantni in kakšen poskus bi lahko razlikoval med konkurenčnimi razlagami. UI lahko nato znotraj tako opredeljenega problema bistveno hitreje pregleduje literaturo, povezuje rezultate, predlaga alternative, pripravlja izračune in preverja posledice posameznih predpostavk. Pri tem lahko odkrije tudi kaj nepričakovanega in nas spodbudi k spremembi začetne hipoteze. Toda prepričljivost njenega odgovora še ne zagotavlja, da rešuje pravo vprašanje. Raziskovalčeva odgovornost ostaja opredelitev problema, usmerjanje raziskovanja in presoja, kaj dobljeni rezultat dejansko pomeni.

Zato vidim največji potencial v sodelovanju, ki človeško sposobnost konceptualnega in vzročnega razmišljanja poveže z računsko zmogljivostjo UI. Če se vrnem k bratoma Wright: raziskovalni preboj je zahteval razumevanje, da je treba ločeno obravnavati vzgon, pogon in krmiljenje ter določiti, katere meritve so potrebne. UI bi jima lahko močno pospešila primerjavo profilov kril, obdelavo meritev in raziskovanje različnih konstrukcij, morda pa tudi predlagala rešitev, na katero sama ne bi pomislila. Podobno lahko pri matematiki obetaven pristop odpre prostor za množico nadaljnjih izpeljav, ki jih sistemi UI raziskujejo z neprimerljivo večjo hitrostjo. Novejši dosežki zato ne zmanjšujejo pomena dobre raziskovalne zamisli; povečujejo možnosti, da jo učinkovito razvijemo in preverimo. Za znanost in gospodarstvo je lahko učinek izjemen: več preverjenih hipotez, krajši razvojni cikli in nižji stroški poti do uporabne inovacije. Osrednje merilo uspeha je, koliko kakovostnega novega znanja lahko raziskovalci ustvarimo s pomočjo teh orodij.

Toda morda sem preveč konzervativen in morda so nove civilizacije agentov UI danes sposobni tudi že izumljajnja novih konceptov, na katere nihče izmed ljudi doslej še ni pomislil. Ta misel se mi zdi strašljiva.

___________

* Pripravljeno s pomočjo nekaj mučenja UI