AI ne može izvući sljedeću “kraljevsku pretpostavku”

Proteklih nekoliko dana kineski internet preplavila je jedna jedina priča.

Sve je počelo kao novinarski portret matematičarke Wang Hong u listu Guangxi Daily. Tekst je toliko odjeknuo da su tiskana izdanja nestala s tezgi, redakcija je morala najaviti doštampavanje, a cijena primjerka na crnom tržištu skočila je s jedne na čak 60 juana.

Wang Hong 23. srpnja primila je Fieldsovu medalju. Ima 35 godina. Javnost je najviše zaokupilo njezino djelo iz 2025. godine — dokaz trodimenzionalne Kakeya-Besicovitcheve slutnje, koji je izradila zajedno s matematičarem Joshuom Zahlom.

Problem se može opisati ovako: zamislite iglu bez debljine. Koliko prostora minimalno treba da biste je okrenuli u svim smjerovima trodimenzionalnog prostora?

Pitanje zvuči kao zadatak iz osnovnoškolske geometrije, ali odgovor koji su Wang Hong i Zahl dali zauzima punih 127 stranica.

Dok matematičari slave ovaj ljudski doseg, AI matematika tiho prelazi granicu: više nije samo u stanju rješavati iznimno teške zadatke — počinje mijenjati status otvorenih problema.

OpenAI-jev GPT-5.6 Sol Ultra riješio je trostranačnim dokazom Ciklički dvojni pokrov — slutnju koja je čekala rješenje gotovo pola stoljeća. Anthropicov Fable 5 pomogao je matematičarima pronaći kratak protuprimer koji ruši 87 godina staru Jacobijevu slutnju.

Društvene mreže prepune su vijesti o AI čudima: „Matematičar usred noći probudio se zbog Claudeovog otkrića”, „Jedan prompt, srušena slutnja stara 80 godina”. OpenAI i Anthropic natječu se tko će dokazati da više nema matematičke slutnje kojoj njihov vodeći model nije dorastao, potpuno zaneseni idejom o svemoćnom velikom jezičnom modelu.

Ipak, ma koliko AI bio vješt u dokazivanju složenih matematičkih slutnji, još uvijek ne može smisliti lift koji je živio u Einsteinovoj glavi.

Zamislite lift bez prozora, obješen u svemiru.

Raketa se pali i lift počinje ubrzavati prema gore. Pustite jabuku iz ruke — ona pada na pod. Čovjek unutra ne može znati je li jabuka pala zato što negdje u blizini postoji planeta, ili zato što pod ubrzano juri prema njoj.

Godine 1907. Einstein je iz sličnog misaonog eksperimenta izveo princip ekvivalencije: u lokalnom okviru, gravitacija i ubrzanje ne mogu se razlikovati. Kasnije je to nazvao „najsretnijom mišlju svog života”.

Više od sto godina kasnije, istraživač Google DeepMinda Tom Zahavy postavio je taj isti lift pred AI.

Pitanje koje je postavio glasilo je: ako AI-u damo samo znanje koje je postojalo prije nastanka opće teorije relativnosti, može li sam doći do ideje o liftu i iz nje izvesti princip ekvivalencije?

Zahavyjev odgovor bio je negativan. U srpnju ove godine Google DeepMind na konferenciji ICML 2026 predstavio je pozicijski rad pod naslovom LLMs can’t jump. Teza je jasna: veliki jezični modeli nisu sposobni za najvažniji kreativni skok u procesu znanstvenog otkrića.

Istraživač Google DeepMinda Tom Zahavy smatra da su današnji veliki jezični modeli izvrsni u pronalaženju obrazaca u podacima i sve bolji u dokazivanju složenih zaključaka iz aksioma — ali nedostaje im treća vrsta zaključivanja, ona koja je neophodna za znanstveni izum: suočeni s problemom na koji još nema odgovora, aktivno predložiti novo objašnjenje, novi pojam, pa čak i zamijeniti polazne aksiome.

Taj čin u radu nosi slikovit naziv: Skok (Jump).

Tri razine spoznaje

Da bismo razumjeli zašto je skok granica velikih jezičnih modela, moramo najprije razumjeti temeljne mehanizme ljudskog mišljenja i izuma.

Rad se oslanja na trodijelnu podjelu ljudskog zaključivanja američkog logičara Charlesa Sandersa Peircea:

Indukcija: ulaz + izlaz → pravilo. Iz mnoštva opažanja traži se obrazac i izvodi zakonitost.
Dedukcija: pravilo + ulaz → izlaz. Na temelju postojećih aksioma i pretpostavki provodi se strogo logičko izvođenje.
Abdukcija: pravilo + izlaz → novi ulaz (ili novi aksiom). Kada naiđemo na nepoznatu pojavu ili stara teorija zakaže, izlazimo iz postojećeg okvira i predlažemo potpuno novu hipotezu.

Ove tri vrste zaključivanja možemo ilustrirati jednostavnim primjerom: svaki dan beremo jabuku s drveta i svaki put, kad je pustimo, ona padne na tlo.

Nakon mnogo ponavljanja zaključujemo da „jabuke obično padaju prema dolje” — to je indukcija: iz mnoštva primjera izvodi se pravilo. Veliki jezični modeli uče iz golemih količina teksta koje riječi, činjenice i pojave se pojavljuju zajedno, i upravo tu vrstu sposobnosti pri tome uglavnom koriste.

Kad već znamo zakon gravitacije, možemo unaprijed predvidjeti da će i sljedeća jabuka pasti čim je pustimo. To je dedukcija: prihvaćamo skup pravila i iz njih izvodimo što će se dogoditi u konkretnoj situaciji. Rješavanje matematičkih zadataka i pisanje formalnih dokaza uglavnom spada u ovu kategoriju.

Uz pomoć alata za formalnu verifikaciju poput Leana i uz pojačano učenje, AI je već sposoban riješiti većinu zadataka na razini IMO-a i čak automatski provoditi stroge matematičke dokaze.

Ali zamislite da jednog dana pustite jabuku, a ona lebdi u zraku. Počinjete nagađati: možda lift u kojemu se nalazite slobodno pada, pa i vi i jabuka zajedno gubite osjećaj težine. To je abdukcija: vidite čudnu pojavu i predlažete novu hipotezu koja je može objasniti.

Dakle, AI u ovoj fazi može provoditi indukciju — pronalaziti obrasce u postojećoj građi — i dedukciju — izvoditi odgovore iz postojećih pravila. No „indukcija + dedukcija” nije isto što i znanstveni izum. Sve promjene od nule do jedan u povijesti znanosti u biti su bili jedan „SKOK”.

Einsteinov poznati dijagram E-J-A prikazuje upravo to: znanstvenik polazi od osjetilnog iskustva (Experience, E), mora napraviti „skok” (Jump, J) koji se ne može objasniti čistom logikom, i tek tada dospijeva do potpuno novog sustava aksioma (Axioms, A), nakon čega može krenuti s dedukcijom.

A upravo tu leži provalija koju veliki jezični modeli ne mogu prijeći.

Einsteinu nisu trebali veliki podaci

U AI zajednici dugo vlada jedno uvjerenje — „kreativnost je u biti kompresija podataka”. Prema toj teoriji, znanstveno otkriće svodi se na pronalaženje što sažetijeg programa koji može komprimirati i objasniti složene opservacijske podatke.

DeepMind u ovom radu pobija tu pretpostavku upravo poviješću nastanka opće teorije relativnosti.

U razdoblju od 1907. do 1915., dok je Einstein gradio opću teoriju relativnosti, u fizici jednostavno nije postojala nikakva gomila anomalnih podataka koja bi trebala biti „komprimirana”.

Newtonova mehanika tada je funkcionirala besprijekorno u gotovo svim situacijama, a eksperimenti nisu izbacivali nikakve uočljive pogreške koje bi od svih zahtijevale da prepišu fiziku. Einstein je najprije uočio da dvije naizgled nepovezane pojave možda opisuju istu stvar, a zatim tu novu pretpostavku pretvorio u teoriju koja se može izračunati i provjeriti.

Upravo to rad naziva „skokom”: promijeniti pretpostavke kojima pristupamo problemu — još prije nego što se pojavi ikakav odgovor.

Rad analizira i Einsteinov proces izvođenja između 1913. i 1915. godine. U suradnji s matematičarem Grossmannom Einstein je tada bio nevjerojatno blizu konačnog odgovora. Grossmann je čak pronašao Riemannov tenzor zakrivljenosti i izveo oblik koji je bio iznimno sličan modernim jednadžbama polja.

Ipak, zbog jedne kobne pogreške — pogrešnog uvjerenja da taj tenzor ne može u slučaju slabog, statičnog polja prijeći u klasični Newtonov zakon gravitacije (tzv. kršenje Newtonovog limita) — zaključili su da taj put vodi u slijepu ulicu i napustili ispravni geometrijski pristup. Posljedica: nastanak opće teorije relativnosti odgođen je za pune dvije godine.

DeepMindov istraživač Zahavy priznaje da bi, kad bismo danas modernom AI sustavu za dokazivanje teorema dali Einsteinove fizikalne pretpostavke kao početne uvjete, AI vjerojatno brže od Einsteina otkrio tu logičku grešku i ispravio put dokaza.

No to još uvijek nije izum. Dedukcija (A → S) samo je nizvodna provjera. AI može iz „principa ekvivalencije” izvesti precesiju Merkura, ali tek nakon što mu čovjek taj „princip ekvivalencije” preda kao aksiom.

Je li veliki jezični model osuđen samo na ponavljanje — i nikad na pravo stvaranje?

Kad indukcija nema pokretačku snagu, a dedukcija ne može stvoriti pretpostavke, Einstein je upravo abdukcijom ostvario taj „skok”.

Godine 1907. Einstein je zamišljao ono što je nazvao „najsretnijom mišlju svog života”: čovjek koji slobodno pada s krova ne osjeća vlastitu težinu.

To je čuveni „misaoni eksperiment s liftom”: u zatvorenom liftu bez prozora, koji se u dubokom svemiru giba prema gore stalnim ubrzanjem, osjećaj pada predmeta unutra potpuno je isti kao u Zemljinom gravitacijskom polju.

Rad naglašava da Einstein taj abduktivni skok nije ostvario tekstom ni simboličkim računanjem, nego utjelovljenom simulacijom. Mentalno se „smjestio” u taj zamišljeni fizikalni scenarij i izravno manipulirao tjelesnim osjećajem prostora, ubrzanja i gravitacije.

Einstein je jednom napisao: „U mehanizmu mog mišljenja, ni pisani ni govorni jezik, čini se, ne igraju nikakvu ulogu.”

U trenutku kad jezik i matematički simboli za opis zakrivljenog prostora-vremena još nisu ni postojali, on je apstraktne simbole usidrио u tjelesno osjetilno iskustvo i time ostvario skok od osjetilnog doživljaja do novih aksioma (E → A). A upravo tu leži slabost velikih jezičnih modela — „kineska soba” odvojena od stvarnog značenja simbola.

Veliki jezični model u biti je „kineska soba” koja radi u višedimenzionalnom prostoru. Obrađuje statističke vjerojatnosti između tokena i nema osjetilnu vezu s fizičkim svijetom.

Rad napominje da čak ni vodeći generativni video modeli nisu riješili ovaj problem. Kad video model generira jabuku koja pada, to se događa samo zato što statistički nastavlja promjene piksela iz skupa za treniranje — ne zato što je model interno izgradio stvarna fizikalna pravila gravitacije.

Veliki jezični modeli nemaju sposobnost kontrafaktualnih intervencija: ne mogu, kao čovjek, u svom unutarnjem modelu svijeta mentalno „prerezati kabel lifta”, intervenirati i promatrati što bi se fizikalno dogodilo u tom kontrafaktualnom scenariju.

U zaključku rada DeepMind navodi da je ključ za to da AI nauči skakati — nadogradnja „pasivnog predviđanja videa” u „aktivnu, upravljanu simulaciju”.

Čak i kad AI nauči skakati — hoće li matematika moći pratiti?

Prije nekoliko dana Terence Tao održao je javno predavanje na Međunarodnom kongresu matematičara 2026. pod naslovom „Matematika u doba umjetne inteligencije”.

Nije se upuštao u raspravu o tome koliko zadataka veliki jezični modeli mogu riješiti. Umjesto toga, zamolio je publiku da prihvati jednu pretpostavku: AI će uskoro, uz prihvatljive troškove i određeni ljudski nadzor, moći obavljati znatan dio istraživačkih matematičkih zadataka.

Zatim je postavio pitanje: čemu matematička zajednica zapravo teži?

Ako je odgovor samo „riješiti što više neriješenih problema”, OpenAI, Claude i Google taj pokazatelj neprestano poboljšavaju. No Tao podsjeća da matematičko istraživanje uključuje i izgradnju teorija, razumijevanje svijeta, odgoj sljedeće generacije i stvaranje zajedničke baze znanja na kojoj različiti matematičari mogu nastaviti graditi.

Kad problem dobije odgovor, napravljen je tek prvi korak.

Dokaz još treba provjeriti, napisati u obliku koji čovjek može čitati, proći recenziju, ući u rad drugih matematičara i na kraju se taložiti u udžbenicima i općeprihvaćenom znanju cijelog područja. Tao sve te naknadne korake naziva „probavljanjem dokaza”.

AI i Lean ubrzavaju generiranje i verifikaciju na početku tog lanca, ali kasniji koraci ostaju spori i visoko ovisni o ljudima. Hoće li kolege prihvatiti neki rezultat i hoće li ga neko područje smatrati vrijednim daljnjeg istraživanja — to se ne može odlučiti ponovnim pokretanjem modela.

Tao strahuje da bi matematika mogla prijeći iz „oskudice dokaza” u „preobilje dokaza”. Gomile AI dokaza čekaju provjeru; već verificirani dokazi čekaju nekoga tko će ih jasno objasniti; toliko je radova da ih sustav recenzije ne može pratiti; a čak i kad se objave, nitko nema vremena složiti ih u teorije koje se mogu dalje koristiti.

Odgovora je sve više, a razumijevanje bi moglo postati novo usko grlo.

Tao predlaže da matematička zajednica manje nagrađuje „prvog koji je riješio”, a više nagrađuje verifikaciju, objašnjavanje i sređivanje. Ako autor ne može jasno i precizno objasniti vlastiti rezultat i navesti odgovarajuće izvore, taj rezultat ne bi trebalo ni objaviti.

DeepMind se pita može li AI sam ući u lift i, polazeći od jabuke koja lebdi u zraku, predložiti potpuno novi sustav objašnjenja. Tao postavlja sljedeće pitanje: čak i ako to uspije — tko će provjeriti taj skok, tko će ga znati objasniti i tko će uopće moći prosuditi što je njime zapravo promijenjeno?

Znanstveno otkriće ne događa se samo u trenutku kad se generira odgovor — ono zahtijeva da ga drugi mogu razumjeti, preispitati, koristiti i od toga mjesta krenuti dalje.

AI će možda uskoro sam pritisnuti gumb lifta. Ali onda će se morati vratiti pred ploču i svima objasniti zašto je jabuka počela lebdjeti.

Izvor: Ifanr

Povezani članci

Vaš sljedeći odnos mogao bi imati trećeg člana jer Twoo uvodi umjetnu inteligenciju između dvoje ljudi15.9.2026.19.98万元起，吉利银河战舰700开启预售，最高1129匹马力，还有三电机四驱 Od 199.800 juana, Geely Galaxy Battleship 700 počinje s prednarudžbom, maksimalno 1129 konjskih snaga, s tri motora i pogonom na sva četiri kotača15.9.2026.号称人类造的最后一个 AI 要来了，刷屏全网的 RSI 是什么 Navodno zadnja AI koju će stvoriti čovječanstvo dolazi, što je RSI koji je preplavil cijelu mrežu?15.9.2026.Uzbekistanov tehnološki potez: Zemlja se natječe za globalnu pozornicu s novom slobodnom zonom “Enterprise Uzbekistan”14.9.2026.