Poszukiwanie nadprzewodników kontra AI, które na trudnych problemach wypada na 53,7%

To nie jest test nadprzewodników. Jest węższy i bardziej niewygodny: 330 problemów wyciągniętych z prawdziwych badań nad lotnictwem, półprzewodnikami, inteligencją ucieleśnioną i fuzją jądrową. Każdy sprawdzili wymienieni z nazwiska eksperymentatorzy i specjaliści z branży. Każdy wymaga, żeby model wywnioskował zatajony wynik albo wyciągnął wniosek z wybranych dowodów. Nadprzewodniki są w tym zbiorze, ale go nie definiują.

Połowę problemów rozwiązuje co najwyżej jeden model, piszą autorzy. Najmocniejszy model ogólnego przeznaczenia wypada na 53,7%.

Modele zawodzą w konkretny sposób. Popierają to, co prawdopodobne, a nie to, co zaobserwowano. Ta obserwacja jest istotna dla każdego, kto słuchał, jak dostawcy AI sprzedają modele jako przyspieszacze badań. Prawdopodobieństwo jest tanie. Model, który przeczytał literaturę, wie, która odpowiedź brzmi jak wynik. Wiedzieć, którą odpowiedź naprawdę dał eksperyment, to inne zadanie. Zestaw sugeruje, że dzisiejsze systemy nie robią tego rzetelnie.

Co mówią liczby

Pięć z 330 problemów jest międzyskalo­wych w sposób, który autorzy traktują osobno. Spośród nich 130 wymaga rozumowania między skalami. Na dopasowanych problemach wypadają o 8,7 punktu gorzej niż te w jednej skali.

Praca, złożona 30 października, liczy 23 strony, ma cztery rysunki i 13 tabel. Autorzy przeprowadzili też eksperyment adaptacji do dziedziny, z meta-ważonym kontynuowanym pretreningiem i samodystylacją modularną. Podniósł on model o otwartych wagach z 36,7% do 55,4%. Streszczenie twierdzi, że to dorównuje najmocniejszemu modelowi własnościowemu, z poprawą na publicznych zestawach materiałowych i bez spadku łącznego wyniku na zestawach ogólnych. Czytaj to jako twierdzenie o konkretnej recepturze treningu na konkretnym zestawie, nie jako ogólne wydostanie się z sufitu. Wszystkie te liczby pochodzą ze streszczenia.

Autorzy twierdzą, że zestawy oparte na podręcznikach i egzaminach mierzą ustaloną wiedzę. Przez to problemy z pogranicza badań zostają w dużej mierze niesprawdzone. Zarzut jest słuszny i dotyczy relacji z nadprzewodnictwa tak samo jak każdej innej dziedziny. Większość tekstów o tej dziedzinie to albo drobne wyniki laboratoryjne, albo spekulacje o materiałach w temperaturze pokojowej. Bardzo niewiele sprawdza, czy model potrafi prześledzić rozumowanie wewnątrz prawdziwego badania.

Maszyny piszące dowód, maszyny zgadujące

Druga praca na arXiv, złożona 30 października przez Jae-Hyuna Baeka, Byung-Suna Wona i Jon-Larka Kima, pokazuje przeciwny koniec problemu. Ich potok łączy ewolucję programów prowadzoną przez LLM z dokładną oceną, uogólnianiem matematycznym, certyfikowanymi sprawdzeniami nieistnienia i formalną weryfikacją dowodów. Zastosowali go do kwantowych kodów korekcyjnych wspomaganych splątaniem.

Wyewoluowane programy dały skończone konstrukcje kubitowe. Badacze uogólnili je potem do rodziny, $[[n,1,n-1;n-q-1]]_q$ dla potęg pierwszych $q\ge3$ przy $n\ge2q+1$ oraz dla $q=2$ przy nieparzystych $n\ge5$. Lean sprawdza świadectwo algebraiczne stojące za tą rodziną. Dzięki podnoszeniu splątania rodzina zamyka 54 luki w archiwalnych tabelach EAQECC. Autorzy udostępnili 115 zweryfikowanych rekordów kodów, dziesięć wyników nieistnienia ze sprawdzonymi dowodami DRAT, implementacje rodziny i zachowane programy wyszukiwania do odtworzenia.

Zespół przeprowadził kontrolowaną kohortę ośmiu sparowanych bloków generowania. Programy iteracyjne wybierane przez walidację zadziałały w 46,1% i 31,6% przypadków na odłożonych wykonaniach przy niewidzianych długościach n=13 i n=15. Programy generowane niezależnie osiągnęły 19,5% i 3,1%.

Ta różnica ma znaczenie. Praca rozdziela poprawność, ogólność i odtwarzalność jako różne rodzaje dowodu. Utrzymuje też człowieka w pętli, który uogólnia skończone ustalenia maszyny w dowód. Postaw obie prace obok siebie, a dostaniesz czysty obraz miejsca AI w twardej pracy nad materiałami i fizyką. Jest użyteczna, gdy człowiek stawia pytanie, sprawdza wynik i formalizuje rezultat. Zawodzi, gdy każe się jej wywnioskować, co znalazł eksperyment.

Paralela z ciemną materią

Ten sam wzorzec poszerzających się horyzontów poszukiwań widać w dłuższym tekście opublikowanym przez t3n 3 listopada. To adaptacja numeru 8/2026 MIT Technology Review, który trafia do sprzedaży 6 listopada.

Dan Garisto pisze o detektorach wypełnionych ciekłym ksenonem. Stoją pod Apeninami, pod pasmem Jinping w Syczuanie i na dnie kopalni w Dakocie Południowej. Zbudowano je, żeby złapać słabo oddziałującą masywną cząstkę uderzającą w atom ksenonu. Detektory zaczęły rejestrować pojedyncze sygnały. To nie ciemna materia. To neutrina. Detektory są tak duże i czułe, że fizycy podejrzewają, iż utknęły w mgle neutrin, która zagłusza wszystko inne. Przed cząstkami przechodzącymi przez Ziemię nie da się osłonić. Następny eksperyment z tym długo ściganym podejściem może być ostatnim.

Kathryn Zurek, teoretyczna fizyk cząstek z Caltech, mówi magazynowi, że w Wielkim Zderzaczu Hadronów też nie pojawiły się żadne nowe cząstki. „Und wir haben eben noch keine WIMP-Dunkle Materie gesehen”, mówi i dodaje, że czeka mnóstwo innych kandydatów.

Wynik pusty w LHC i mgła szumu tła w detektorach niosą tę samą wiadomość dwa razy. Łatwa wersja poszukiwań się kończy. Dziedzina się rozszerza, a nie kończy.

Najmocniejszy model ogólnego przeznaczenia wypada tylko na 53,7%, a na dopasowanych problemach te międzyskalo­we mają o 8,7 punktu mniej niż te w jednej skali.

Sprzęt wciąż się rusza

Po stronie sprzętu kwantowego IBM Research opublikował pracę „Meter-scale quantum interconnects between large quantum processors”. Semiconductor Engineering zauważył ją 2 listopada. Fragment streszczenia opisuje cztery sprzęgacze L działające między dwoma 120-kubitowymi nadprzewodzącymi procesorami IBM Nighthawk R1. Utrzymują spójne działanie kwantowe na odległościach rzędu metra i skalują się do wielu połączeń między dowolnymi dwoma modułami. Praca to Sundaresan, Neereja M., i in., preprint arXiv:2610.29986, datowany na październik 2026.

Architektury modularne potrzebują dokładnie tego: możliwości zszycia modułów procesora bez utraty spójności na odległości. To klocek, nie maszyna. Tak trzeba to czytać.

Inne dziedziny robią ten sam ruch w stronę zestawów testowych i potwierdzonych twierdzeń. Tekst Yasemin Saplakoglu w Quanta Magazine z 28 października opisuje badania prowadzone przez Gregory’ego Hollanda z San Diego State University. Dotyczy tego, jak cząsteczki jedwabiu pająka w roztworze przegrupowują się w półpłynne kropelki zwane kondensatami, zanim stwardnieją w włókno. Holland nazywa zmapowanie tego mechanizmu „naprawdę świętym Graalem” tej dziedziny. Matthew Harrington z McGill, który w badaniach nie brał udziału, mówi, że staje się jasne, iż kondensaty są wspólną strategią organizmów.

Związek z badaniami materiałowymi jest bezpośredni. Natura ma proces wytwarzania włókna mocniejszego niż Kevlar. Chodzi o zrozumienie mechanizmu na tyle dobrze, żeby go skopiować. To pytanie o mechanizm, nie o odtworzenie wiedzy. FrontierMat twierdzi, że modele mają problem dokładnie z tym.

Gdzie leżą pieniądze i ostrożność

Komercyjne zainteresowanie trudniejszym końcem nauki o materiałach widać w nagłówkach tego tygodnia. Te pozycje są tłem, a nie faktami, na których ten tekst może się oprzeć. Wśród nich: SuperMatics budujące AI do znajdowania nadprzewodników na komercyjny drut, doniesienie o 1% wzroście temperatury przejścia nadprzewodnika i twierdzenie, że ukryta wada podważa 40 lat nauki o nadprzewodnikach.

Podcast Research Focus Microsoftu, odcinek 97 z 29 października, zapowiada BioEmu2 w publicznym podglądzie i nowe ramy prognozowania pogody średniego zasięgu. Omawia też pracę nad agentami kodującymi i to, jak ludzie używają Copilota w pracy. To przypomnienie, że ci sami dostawcy, którzy sprzedają AI jako silnik nauki, publikują też oceny pokazujące, gdzie się ona łamie.

Brakuje źródła pierwotnego samych nagłówków o nadprzewodnikach. Żadnej pracy, żadnego zestawu danych, żadnego zgłoszenia.

Tę lukę warto nazwać, zamiast zaklejać ją streszczeniem streszczenia.

Na co patrzeć

Wartość FrontierMat polega na tym, że da się ją sprawdzić. Problemy są opisane według domeny funkcjonalnej, układu materiałowego i skali mechanizmu rządzącego. Autorzy nazywają zestaw poligonem do mierzenia postępu. Jeśli liczba 53,7% się zmieni, zmieni się wobec stałego zbioru pytań sprawdzonych przez ekspertów, a nie wobec zestawu dostawcy.

Praca o ewolucyjnym kodowaniu daje wzór, jak uczciwie raportować odkrycia wspomagane przez AI. Udostępnij programy wyszukiwania, dowody i świadectwa nieistnienia, i pozwól komuś innemu je odtworzyć. Praca o połączeniach kwantowych daje odpowiednik sprzętowy: preprint z listą autorów i identyfikatorem arXiv.

Badania nad nadprzewodnikami będą dalej dawać nagłówki szybciej, niż dają zweryfikowane wyniki. Użyteczne pytanie dla czytelnika nie brzmi, czy model albo laboratorium ogłasza przełom. Brzmi, czy dowód za nim potrafi odtworzyć ktoś, kogo nie było w pokoju.