AI zjada naukę. Co naprawdę pokazują najnowsze wyniki

Praca to NBER Working Paper 35 782, datowany na wrzesień 2026. Na stronie biura pojawił się 29 września. Autorzy, Matthew Schwartz, Isaiah Andrews i Jesse M. Shapiro, opisują workflow, który najpierw próbuje odtworzyć oryginalne obliczenia z artykułu, potem sprawdza rozbieżności z opublikowanymi wynikami, a na końcu uruchamia automatyczną analizę wrażliwości.

Zespół przejrzał 4 452 opublikowane pakiety replikacyjne z pięciu czasopism ekonomicznych. Rozbieżności znalazł w 3 460 artykułach lub ich aneksach. To nie twierdzenie, że większość ekonomii jest błędna. To twierdzenie o tym, jak często automatyczne powtórzenie obliczeń nie zgadza się z tym, co poszło do druku. Powód bywa różny: błąd w kodzie, niezgodność wersji albo nieudokumentowana decyzja. Ta sama praca podaje dwie inne liczby. W 496 artykułach workflow skrócił czas obliczeń ponad dziesięciokrotnie, przy podobnej albo większej dokładności. W 923 artykułach wygenerował rozszerzenie, którego nie ma w oryginale, a które jest zgodne z celami i założeniami oryginału.

Uczciwe ujawnienie w samej pracy

Jest jedno ujawnienie, które warto przeczytać, zanim gdziekolwiek zacytuje się te wyniki. Praca NBER mówi wprost, że LLM-ów użyto w analizie i w pisaniu artykułu. Schwartz pracował jako kontraktor dla Anthropic, a praca zastrzega, że wyniki i opinie nie są przez Anthropic firmowane. Shapiro był w przeszłości płatnym gościem w Microsoft Research New England i płatnym konsultantem FutureOfCapitalism, a New York Times płacił mu za teksty. To więcej przejrzystości, niż niesie większość ogłoszeń w tej dziedzinie, i działa w obie strony: czytelnik może konflikty zważyć, a konflikty są prawdziwe.

Matematycy spierają się o to samo

Dwa teksty opublikowane 29 września podchodzą do pytania od strony czystej matematyki. Na swoim blogu Dan Romik pisze, że po ogłoszeniu przez OpenAI rozwiązania problemu Naviera-Stokesa matematycy niepokoją się, jaka rola im zostanie. Przytacza reakcję Scotta Aaronsona na tę wiadomość, ciąg liter A, i przekonuje, że niespokojna lektura jest błędna.

Badania matematyczne to pętla sprzężenia zwrotnego, która wytwarza nową wiedzę w stałym procesie ponownego przyglądania się istniejącej wiedzy, trawienia jej i destylowania oraz prób poprawiania jej, pisze Romik.

Jego teza techniczna jest węższa niż wersja nagłówkowa. Modele AI trenowane na istniejącym korpusie potrafią generować twierdzenia, które są, jak to ujmuje, o dystans jeden od wiedzy wytworzonej przez ludzi, i zrobią to szybciej, niż ludzie zdążą. Nie potrafią natomiast, argumentuje, zastanowić się nad tym wynikiem, uprościć go, wyłuskać, dlaczego dowód działa, i uogólnić pomysł tak, żeby dało się go użyć ponownie. Zdany na siebie system autonomiczny, przewiduje, zatrzyma się po pierwszej fali i utonie we własnym wyniku. 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 korpusu ludzkiej wiedzy, a w jądrze czystej matematyki leży ludzka wyobraźnia, która wybiera, jakie pytania zadawać. Wolfram oddziela też AI od obliczeń. AI, w jego ujęciu, wydobywa to, co ludzie już wytworzyli. Obliczenie, które startuje od reguły i ją wykonuje, generuje wyniki nieredukowalnie nowe, właściwość, którą nazywa nieredukowalnością obliczeniową.

Warstwa przemysłowa rusza równolegle

Wyniki badań przychodzą razem z komercyjnymi ogłoszeniami, które traktują autonomiczne badania jak funkcję produktu. CoreWeave opublikował 29 września tekst zapowiadający ARIA, agenta kodującego wbudowanego w Weights & Biases. Agent czyta eksperymenty zespołu, stawia hipotezę, pisze konfigurację i uruchamia przebieg przez W&B Launch, a potem ocenia wynik względem baseline'u i przygotowuje raport.

Firma twierdzi, że ARIA buduje udostępnialne przestrzenie robocze, panele i raporty W&B, a nie zwraca tekstu, i że jest dostępna w aplikacji mobilnej Weights & Biases. Tekst pierwotnie ukazał się na blogu W&B 29 lipca, zgodnie z linijką na górze strony, a witryna CoreWeave publikuje go pod wrześniową datą. Oracle zrobił podobny ruch 29 września, ogłaszając Fusion Claw, zarządzane środowisko wykonawcze dla agentów w swoich Fusion Applications. Firma podaje, że dostępnych jest 25 aplikacji agentowych opartych na Claw, część portfela liczącego 75, a środowisko łączy model frontier z deterministycznymi obliczeniami korporacyjnymi, z Outcome Receipt jako audytowalnym zapisem tego, co zostało uruchomione. W ogłoszeniu Oracle cytuje Mike'a Sicilię, prezesa firmy. Systemy działają na Oracle Cloud Infrastructure i napędzają je modele frontier, w tym Gemini i OpenAI, a wsparcie dla kolejnych jest planowane, czytamy w komunikacie.

Sprzęt goni ten sam problem od strony energii. Efficient Computer podał 29 września, że pozyskał 97 000 000 dolarów w rundzie Series B prowadzonej przez TQ Ventures, co daje łącznie 173 000 000 dolarów przy wycenie 650 000 000 dolarów. Prezes Brandon Lucia pisze, że procesory firmy dają od 10 do 100 razy lepszą efektywność energetyczną niż tradycyjne architektury CPU i że firma wprowadza Electron E1 do produkcji seryjnej dla wbudowanych systemów fizycznej AI. To twierdzenie pochodzi z bloga samej firmy i nie zostało tu niezależnie zweryfikowane.

Energia, woda i miejsca, które mają to hostować

Rozbudowa mocy obliczeniowych ma geografię, a geografia ma politykę. CBC News podało 29 września, że minister energii Nowej Fundlandii i Labradoru Lloyd Parrott powiedział Zgromadzeniu Ustawodawczemu podczas nadzwyczajnej sesji o porozumieniu z Churchill Falls w połowie września, że drzwi prowincji są otwarte dla biznesu. Rzecznik departamentu Brodie Thomas potwierdził CBC, że do rządu zgłaszały się firmy w sprawie centrów danych, i powiedział, że nie może komentować rozmów o charakterze handlowo wrażliwym. CBC cytuje Parisa Marxa, autora książki o centrach danych, który pyta, czy oddawanie tej energii centrom danych ma sens, skoro mogą istnieć lepsze zastosowania. Andrea King, prezes TechNL, powiedziała nadawcy, że Labrador spełnia kryteria, których szukają wnioskodawcy: niskoemisyjna hydroenergetyka, zimny klimat i ziemia. To samo w sobie nie czyni jednak projektu dobrym pomysłem.

Debata nie jest tylko kanadyjska. CBC zauważa, że planowane centrum danych Meta w Sturgeon County w Albercie ma kosztować 13 000 000 000 dolarów i ruszyć w ciągu dwóch do trzech lat, a premier Nowej Szkocji Tim Houston ustanowił pięć warunków wstępnych dla każdego wnioskodawcy. Arytmetyka energetyczna stojąca za tym wszystkim jest stara i niemodna. Sustainable Energy Without the Hot Air Davida MacKaya, którego strona nosi datę ostatniej modyfikacji 29 sierpnia 2015, wciąż jest standardowym rachunkiem na serwetce, a strona wciąż wypływała 29 września.

Nowsze ujęcie daje Hannah Ritchie, która opublikowała analizę elektryfikacji na swoim Substacku 29 września. Pracując na liczbach profesora oksfordzkiego Nicka Eyre'a, podaje, że globalny końcowy popyt na energię spada z 416 do 247 eksadżuli w systemie po transformacji, o około 40% mniej, a popyt na energię elektryczną rośnie ze 110 do 189 EJ. Samochody elektryczne zamieniają około 80% energii na ruch, wobec 20% w benzynie, pisze. Model zakłada, że wszystkie niezelektryfikowane sektory działają na wodorze, i zaznacza, że to uproszczenie.

Co ten tydzień faktycznie ustalił

Nic tutaj nie pokazuje, żeby AI zastąpiła badaczy. Praca NBER dotyczy workflow replikacji, nie jest twierdzeniem o odkryciach. Argument Romika to przewidywanie, nie wynik, i sam mówi wprost, że jego zdaniem jeszcze w takim świecie nie jesteśmy. Tekst Wolframa to esej. Ten tydzień ustalił jedno: narzędzia do automatycznej replikacji i rozszerzania opublikowanych prac już istnieją w otwartym dostępie, ich wskaźnik błędów na dużym korpusie jest dość wysoki, żeby mieć znaczenie, a ludzie budujący komercyjną infrastrukturę sprzedają autonomię w znacznie krótszym horyzoncie niż ci, którzy myślą o tym, do czego autonomia ma służyć.