Sztuczna inteligencja nie tylko przyspiesza badania w fizyce, chemii czy matematyce, ale też sama może stać się bardziej zrozumiała dzięki metodom nauk ścisłych. Coraz wyraźniej widać, że to relacja dwukierunkowa — i strategiczna.
Punkt zwrotny dla nauki i algorytmów
W historii technologii przełomy rzadko rodziły się wyłącznie z „praktycznych” potrzeb albo wyłącznie z czystej ciekawości. Z jednej strony to fundamentalne pytania o naturę materii doprowadziły do mechaniki kwantowej, a w konsekwencji do elektroniki, na której stoi współczesne przetwarzanie informacji. Z drugiej — wynalazki takie jak silnik parowy długo wyprzedzały teorię, która dopiero później pozwoliła je w pełni okiełznać.
Dziś podobny moment przeżywają sztuczna inteligencja oraz nauki matematyczne i fizyczne. Nowoczesne modele uczenia maszynowego wyrosły na problemach, danych i intuicjach pochodzących z tych dziedzin, a jednocześnie same zaczęły realnie wpływać na to, jak prowadzi się badania. Symboliczne było choćby to, że w 2024 roku Nagrody Nobla w fizyce i chemii podkreśliły wagę metod AI zakorzenionych w fizyce oraz zastosowań AI w projektowaniu białek.
Warsztat, który zamienił się w plan działania
W 2025 roku w Massachusetts Institute of Technology zorganizowano warsztat poświęcony przyszłości współpracy AI z naukami matematycznymi i fizycznymi. Spotkanie, wsparte finansowaniem National Science Foundation oraz zapleczem uczelni i jej wydziałów nauk ścisłych, zgromadziło badaczy z kilku społeczności: od astronomii, przez chemię i naukę o materiałach, po matematykę i fizykę.
Efektem nie była jedynie wymiana poglądów, ale zestaw rekomendacji opisanych później w formie „white paper” opublikowanego w czasopiśmie naukowym. Wnioski są zaskakująco spójne: jeśli instytucje chcą, by AI realnie podniosła tempo odkryć, muszą inwestować w infrastrukturę danych i mocy obliczeniowej, rozwijać techniki pracy ponad dyscyplinami oraz budować rygorystyczne ścieżki kształcenia.
Dwukierunkowy most zamiast jednokierunkowego narzędzia
Najciekawsza teza raportu brzmi jednak inaczej: nie chodzi tylko o to, by AI „pomagała” nauce. Nauka może też pomóc AI — uczynić ją bardziej przewidywalną, lepiej ugruntowaną i łatwiejszą do kontrolowania. To podejście bywa opisywane jako „science of AI”, czyli próba badania systemów uczących się podobnie, jak bada się złożone zjawiska w przyrodzie.
W tym ujęciu wyróżnia się trzy nurty. Po pierwsze, nauka może napędzać AI, dostarczając sposobów rozumowania i formalnych ograniczeń, które porządkują projektowanie modeli. Po drugie, nauka może inspirować AI, bo jej problemy często wymuszają tworzenie nowych algorytmów. Po trzecie, nauka może wyjaśniać AI — używać narzędzi analizy znanych z fizyki czy matematyki do zrozumienia, co dzieje się „wewnątrz” sieci neuronowych i dlaczego podejmują takie, a nie inne decyzje.
Gdzie AI spotyka się z twardą rzeczywistością danych
Dobrym przykładem są zastosowania w fizyce cząstek, gdzie aparatura eksperymentalna generuje potoki informacji, których nie da się analizować ręcznie ani nawet klasycznymi metodami w rozsądnym czasie. Rozwijane są więc algorytmy działające w czasie rzeczywistym, selekcjonujące i interpretujące dane na bieżąco. Stawka jest podwójna: z jednej strony chodzi o szansę na nowe odkrycia, z drugiej — o rozwiązania, które później mogą przenikać do innych dziedzin, bo problem „nadmiaru danych” jest dziś uniwersalny.
To właśnie w takich zastosowaniach widać też ograniczenia obecnej fali AI. Modele potrafią być skuteczne, ale bywają trudne do audytu: nie zawsze wiadomo, czy uczą się właściwych zależności, czy tylko sprytnie wykorzystują przypadkowe korelacje. Nauki ścisłe, przyzwyczajone do testowania hipotez, szukania praw rządzących zjawiskami i opisu niepewności, mogą wnieść tu coś więcej niż kolejne procenty w benchmarkach.
„Centaur scientists” i problem kadrowy
Most między AI a naukami ścisłymi nie zbuduje się samą infrastrukturą. Kluczową barierą są ludzie: potrzeba badaczy, którzy rozumieją zarówno narzędzia uczenia maszynowego, jak i realia konkretnej dyscypliny — od języka matematyki po praktykę pracy z eksperymentem. W raporcie pojawia się określenie „centaur scientists”, czyli osoby autentycznie dwujęzyczne kompetencyjnie.
To ważne, bo interdyscyplinarność często bywa deklaracją, a nie umiejętnością. Jeśli ktoś zna AI tylko „z kursu”, a fizykę tylko „z wykładu”, to w praktyce będzie tłumaczem między zespołami, nie twórcą nowych metod. Dlatego rekomendacje idą w stronę zintegrowanych programów studiów, interdyscyplinarnych doktoratów, a nawet wspólnych rekrutacji na stanowiska akademickie.
Trzy filary: badania, talent, społeczność
Wnioski z warsztatu porządkują temat w trzech obszarach: badania, talent i społeczność. W praktyce oznacza to równoległe myślenie o finansowaniu projektów, o ścieżkach kariery oraz o miejscach, w których ludzie z różnych dziedzin faktycznie się spotykają — nie tylko na konferencji raz do roku, ale w stałych formatach współpracy.
W tym kontekście warto zauważyć rolę instytucji publicznych finansujących naukę, takich jak National Science Foundation, bo to one mogą premiować projekty wymagające wspólnych standardów danych, otwierania zasobów i budowania narzędzi, które da się przenosić między dziedzinami. Bez takiego impulsu łatwo ugrzęznąć w lokalnych, niekompatybilnych rozwiązaniach, które działają „u nas”, ale nie składają się na większy ekosystem.
Strategia zamiast mozaiki inicjatyw
Najostrzejsza krytyczna obserwacja płynąca z dyskusji jest prosta: liderami zostaną te ośrodki, które działają systemowo, a nie punktowo. Pojedyncze granty, pojedyncze laboratoria czy pojedyncze kursy nie wystarczą, jeśli nie ma wspólnego planu łączącego zatrudnienia, kształcenie i priorytety badawcze. Zasoby są ograniczone, więc brak koordynacji oznacza rozproszenie energii.
Jednocześnie „systemowo” nie znaczy „centralnie i sztywno”. Chodzi raczej o to, by instytucja świadomie tworzyła warunki do sprzężenia zwrotnego: nauka przyspiesza dzięki AI, a AI dojrzewa dzięki nauce. Jeśli ten cykl zadziała, efektem może być nie tylko szybsze tempo odkryć, ale też bardziej solidne, wyjaśnialne i bezpieczniejsze systemy sztucznej inteligencji — takie, które da się rozumieć, a nie tylko podziwiać ich wyniki.
Oryginalny tekst: 3 Questions: On the future of AI and the mathematical and physical sciences