AI zjada naukę. Co naprawdę pokazują najnowsze wyniki
29 września National Bureau of Economic Research opublikowało working paper. Opisuje otwarty proces, w którym duży model językowy odtwarza, ulepsza i rozszerza opublikowane badania ekonomiczne. Proces wykrył rozbieżności w 3 460 z 4 452 pakietów replikacyjnych.

NBER Working Paper 35 782, datowany na wrzesień 2026, pojawił się na stronie biura 29 września. Autorzy Matthew Schwartz, Isaiah Andrews i Jesse M. Shapiro opisują trzystopniowy proces. Najpierw odtwarza on oryginalne obliczenia z artykułu. Potem sprawdza rozbieżności z opublikowanymi wynikami. Na końcu uruchamia automatyczną analizę wrażliwości.
W 4 452 opublikowanych pakietach replikacyjnych z pięciu czasopism ekonomicznych proces wykrył rozbieżności w 3 460 artykułach lub ich załącznikach. To nie znaczy, że większość ekonomii jest błędna. Miara pokazuje, jak często automatyczne powtórzenie nie zgadza się z wydrukowanymi wynikami. Przyczyną mogą być pomyłki w kodzie, niezgodne wersje oprogramowania albo nieudokumentowane decyzje. Praca podaje dwie inne liczby. W 496 artykułach proces skrócił czas obliczeń ponad dziesięciokrotnie przy podobnej lub większej dokładności. W 923 artykułach dał rozszerzenia, których w oryginale nie było, ale zgodne z jego celami i założeniami.
Uczciwe ujawnienie w samej pracy
Praca zawiera oświadczenie, które warto przeczytać przed cytowaniem wyników. Mówi, że modele językowe wykorzystano w analizie i przy pisaniu. Schwartz pracował jako kontraktor dla Anthropic. Praca zaznacza, że Anthropic nie popiera wyników ani poglądów. Shapiro był wcześniej płatnym gościem w Microsoft Research New England i płatnym konsultantem FutureOfCapitalism. Płatano mu też za teksty w New York Times. Taka przejrzystość jest w tej dziedzinie rzadka. Pozwala czytelnikowi ocenić konflikty interesów, a te są realne.
Matematycy spierają się o to samo
Dwa teksty opublikowane 29 września podchodzą do pytania od strony czystej matematyki. Dan Romik pisze na swoim blogu o ogłoszeniu OpenAI, że firma rozwiązała problem Naviera-Stokesa. Mówi, że matematycy boją się o swoją przyszłą rolę. Reakcję Scotta Aaronsona cytuje jako ciąg liter A. Potem Romik przekonuje, że ten lęk jest nieuzasadniony.
Badania matematyczne to pętla sprzężenia zwrotnego, która wytwarza nową wiedzę w stałym procesie ponownego analizowania, trawienia i destylowania wiedzy już istniejącej oraz prób próbowania jej poprawienia, pisze Romik.
Techniczna teza Romika jest węższa, niż sugerują nagłówki. Modele AI trenowane na istniejących zbiorach potrafią generować twierdzenia, jak to nazywa, o odległość jeden od wiedzy wytworzonej przez ludzi. Robią to szybciej, niż ludzie zdążą. Nie potrafią jednak, jego zdaniem, zastanowić się nad tym wynikiem, uprościć go, wyciągnąć, dlaczego dowód działa, ani uogólnić pomysłu do ponownego użycia. Pozostawiony sam sobie system autonomiczny utknie po pierwszej fali i utonie we własnym wyniku, przewiduje. Stephen Wolfram przedstawia pokrewny argument w długim tekście datowanym na 28 września, opublikowanym 29 września. Pisze, że współczesna AI to przede wszystkim sposób czerpania z istniejącego zasobu wiedzy ludzkiej. Rdzeniem czystej matematyki jest, według niego, ludzka wyobraźnia, która wskazuje, o co pytać. Wolfram odróżnia też AI od obliczeń. AI wydobywa to, co ludzie już wytworzyli. Obliczenie startuje od reguły i ją wykonuje, dając wyniki nieredukowalnie nowe. Tę właściwość nazywa nieredukowalnością obliczeniową.
Warstwa przemysłowa rusza równolegle
Wyniki badań przychodzą razem z komercyjnymi ogłoszeniami, które traktują autonomiczne badania jak funkcję produktu. CoreWeave opublikowało 29 września tekst przedstawiający ARIA, agenta do kodowania wbudowanego w Weights & Biases. Czyta eksperymenty zespołu, stawia hipotezę, pisze konfigurację i uruchamia przebieg przez W&B Launch. Potem ocenia wynik względem baseline'u i przygotowuje raport.
Firma twierdzi, że ARIA buduje udostępnialne przestrzenie robocze, panele i raporty w W&B, zamiast zwracać tekst. Jest dostępna w aplikacji mobilnej Weights & Biases. Tekst ukazał się pierwotnie na blogu W&B 29 lipca, wynika z wiersza na górze strony. Strona CoreWeave publikuje go pod datą wrześniową. Oracle zrobił podobny ruch 29 września, ogłaszając Fusion Claw, nadzorowane środowisko wykonawcze dla agentów w swoich Fusion Applications. Firma podaje, że dostępnych jest 25 aplikacji agentowych opartych na Claw, część portfela liczącego 75. Środowisko łączy model frontier z deterministycznym obliczeniem korporacyjnym, a Outcome Receipt ma być audytowalnym zapisem tego, co zostało uruchomione. W ogłoszeniu Oracle cytuje prezesa Mike'a Sicilię. Systemy działają na Oracle Cloud Infrastructure i korzystają z modeli frontier, w tym Gemini i OpenAI, a wsparcie dla kolejnych jest planowane, podaje komunikat prasowy.
Sprzęt goni ten sam problem od strony energii. Efficient Computer poinformowało 29 września, że zebrało 97 mln dolarów w rundzie Series B prowadzonej przez TQ Ventures. Łączne finansowanie firmy sięga 173 mln dolarów przy wycenie 650 mln dolarów. Prezes Brandon Lucia pisze, że procesory firmy dają 10 do 100 razy lepszą efektywność energetyczną niż tradycyjne architektury CPU. Firma wprowadza do sprzedaży Electron E1 dla wbudowanych systemów fizycznej AI. To twierdzenie pochodzi z bloga samej firmy i nie zostało tu niezależnie zweryfikowane.
Energia, woda i miejsca, którym proponuje się hosting
Rozbudowa mocy obliczeniowych ma geografię, a ta geografia ma politykę. CBC News relacjonowało 29 września wypowiedź ministra energii Nowej Fundlandii i Labradoru, Lloyda Parrotta. Powiedział on Zgromadzeniu Ustawodawczemu podczas specjalnej sesji o porozumieniu Churchill Falls w połowie września, że drzwi prowincji stoją otworem dla biznesu. Rzecznik departamentu, Brodie Thomas, potwierdził CBC, że firmy zwracały się do rządu w sprawie centrów danych. Dodał, że o komercyjnie wrażliwych rozmowach nie może się wypowiadać. CBC cytuje Paris Marx, autora książki o centrach danych, który pyta, czy oddawanie tej energii centrom danych ma sens, skoro mogłaby mieć lepsze zastosowania. Andrea King, prezes TechNL, powiedziała stacji, że Labrador spełnia kryteria, których szukają wnioskodawcy: niskoemisyjna hydroenergia, zimny klimat i ziemia. To jednak samo w sobie nie czyni projektu dobrym pomysłem.
Spór nie jest tylko kanadyjski. CBC zauważa, że planowane centrum danych Meta w Sturgeon County w Albercie ma kosztować 13 mld dolarów i ruszyć w ciągu dwóch do trzech lat. Podaje też, że premier Nowej Szkocji Tim Houston ustalił pięć warunków startowych dla każdego wnioskodawcy. Arytmetyka energetyczna stojąca za tym wszystkim jest stara i niemodna. Sustainable Energy Without the Hot Air Davida MacKaya, którego strona ma datę ostatniej modyfikacji 29 sierpnia 2015, wciąż jest standardowym rachunkiem na serwetce. Strona wciąż wypływała 29 września.
Nowsze ujęcie daje Hannah Ritchie, która opublikowała analizę elektryfikacji na swoim Substacku 29 września. Przechodząc przez liczby profesora oksfordzkiego Nicka Eyre'a, podaje, że globalny końcowy popyt na energię spada w systemie po transformacji z 416 do 247 eksadżuli, czyli o około 40 procent. Popyt na energię elektryczną rośnie ze 110 do 189 EJ. Samochody elektryczne zamieniają około 80 procent energii na ruch, wobec 20 procent w przypadku benzyny, pisze. Model zakłada, że wszystkie sektory niez elektryfikowane działają na wodorze. Sama oznacza to jako uproszczenie.
Co ten tydzień faktycznie ustalił
Nic tutaj nie pokazuje, że AI zastąpiła badaczy. Praca NBER dotyczy procesu replikacji, a nie odkrywania. Argument Romika to przewidywanie, nie wynik. Mówi wprost, że jego zdaniem jeszcze nie żyjemy w takim świecie. Tekst Wolframa to esej. Tydzień ustalił jedno: narzędzia do automatycznej replikacji i rozszerzania opublikowanych prac już istnieją i są dostępne otwarcie. Ich wskaźnik błędów na dużym zbiorze jest wystarczająco wysoki, by mieć znaczenie. A ludzie budujący infrastrukturę komercyjną sprzedają autonomię w znacznie krótszym horyzoncie niż ci, którzy myślą, po co ta autonomia ma być.
Źródła
9- 01An LLM Workflow That Reproduces, Improves, and Extends Published Economics ResearchEN
- 02The feedback loop of mathematics researchEN
- 03What's the Future for Pure Math Research in the Age of AI?EN
- 04Introducing CoreWeave ARIA: AI Research and Iteration AgentEN
- 05Oracle Extends Fusion Agentic Applications with Introduction of Fusion ClawEN
- 06Solving computing's energy problem with Efficient Computer's $97M Series BEN
- 07AI data centres in N.L.? The door is 'open for business,' says energy ministerEN
- 08Electrification efficiency: The world will need less energy after the transitionEN
- 09Sustainable energy without the hot airEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.