Giorgio Parisi, laureat Nagrody Nobla z fizyki, przez ponad dekadę nie potrafił udowodnić zależności matematycznej wynikającej z jego własnej teorii. Rozwiązanie, które w końcu zadziałało, powstało we współpracy z modelem Claude.
Kluczowe fakty:
- Giorgio Parisi, laureat Nagrody Nobla z fizyki, wraz z Francesco Zamponim z Uniwersytetu La Sapienza udowodnił matematyczny domysł dotyczący zjawiska jamming, który pozostawał nierozwiązany przez ponad dziesięć lat.
- W procesie tworzenia dowodu uczestniczył model językowy Claude firmy Anthropic – współpraca miała charakter iteracyjny, w którym model proponował kroki rozumowania, a naukowcy je weryfikowali i poprawiali.
- Fizycy, którzy zweryfikowali wyniki, ocenili zaproponowane rozwiązanie jako matematycznie poprawne, a efekty pracy zostały opisane w konkretnej publikacji naukowej.
Historia brzmi jak anegdota z konferencji naukowej, ale ma pokrycie w konkretnej publikacji. Parisi wraz z Francesco Zamponim z rzymskiego uniwersytetu La Sapienza opisali dowód domysłu matematycznego dotyczącego zjawiska jamming, który opierał się środowisku fizyków od dziesięciu lat. W procesie dochodzenia do rozwiązania brał udział model językowy Anthropic, a mediom udało się potwierdzić, że efekt pracy uznano za matematycznie poprawny.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Zagadka, która nie poddawała się fizykom
Zjawisko jamming dotyczy sytuacji, w której ziarna, kulki albo inne cząstki upakowane są tak ciasno, że nie mogą się już przemieszczać względem siebie. To zjawisko z pozoru banalne, bo każdy widział, jak piasek w klepsydrze się zacina albo jak ryż w słoiku tworzy sztywną strukturę. W fizyce statystycznej problem jamming jest jednak matematycznie brutalny, a jedna konkretna zależność liczbowa opisująca zachowanie takich układów pozostawała nieudowodniona od dziesięciu lat, mimo że sam Parisi rozwijał teorię, z której ta zależność wynikała.
Sprawdziłem, jak Gizmodo opisało reakcję środowiska naukowego na ten dowód. Portal cytuje ocenę, że rozwiązanie zaproponowane przy udziale Claude jest zasadniczo poprawne zdaniem fizyków którzy je zweryfikowali.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Jak wyglądała współpraca człowieka z modelem
Z komunikatu prasowego wynika, że proces nie był jednorazowym zapytaniem, na które model odpowiedział gotowym dowodem. Parisi i Zamponi opisują to jako iteracyjną współpracę, w której model proponował kroki rozumowania, autorzy je weryfikowali, poprawiali błędy i kierowali dalsze poszukiwania. Pierwsze podejścia modelu zawierały usterki, ale kierunek okazał się trafny na tyle, żeby fizycy mogli dopracować go do postaci nadającej się do publikacji.
To wpisuje się we wzorzec, który obserwuję w matematyce i fizyce teoretycznej od początku roku. W maju OpenAI ogłosiło, że jeden z jego modeli poczynił postęp w zagadnieniu związanym z problemem jednostkowych odległości na płaszczyźnie, a matematycy zewnętrzni potwierdzili wartość tego wyniku, zaznaczając jednocześnie, że sam większy problem pozostaje otwarty. Podobnie head-Rekha Vakil i jego współpracownicy opisali w preprincie ze stycznia 2026 roku przypadek, w którym model pomógł domknąć dowód ogólnego przypadku twierdzenia, wcześniej rozwiązanego częściowo przez DeepMind.
- Parisi i Zamponi: dowód domysłu jamming sprzed dziesięciu lat, publikacja w Journal of Statistical Mechanics
- OpenAI, maj 2026: postęp w problemie jednostkowych odległości na płaszczyźnie
- Vakil i współpracownicy, styczeń 2026: domknięcie ogólnego przypadku twierdzenia po wcześniejszym częściowym dowodzie DeepMind
Ten przypadek pokazuje coś więcej niż pojedynczy sukces. Widzę tu wzorzec: modele językowe nie zastępują fizyków ani matematyków, ale stają się narzędziem, które przyspiesza fazę eksploracji, tam gdzie człowiek musiałby spędzić tygodnie na ślepych uliczkach. Zarazem trzeba jasno powiedzieć, że bez weryfikacji przez Parisiego i Zamponiego pierwsze propozycje modelu zawierały błędy i same w sobie nie stanowiły dowodu. To rozróżnienie jest kluczowe dla tego, jak relacjonujemy takie historie. Model nie udowodnił twierdzenia sam. Model pomógł je udowodnić fizykom, którzy rozumieli, gdzie leży granica między poprawną intuicją a gotowym dowodem.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Skala zjawiska w nauce
Rozwój AI w matematyce badawczej nabrał tempa w ciągu ostatniego roku na tyle wyraźnie, że National Science Foundation w Stanach Zjednoczonych uruchomiła jesienią Instytut Wspomaganego Komputerowo Rozumowania w Matematyce, mimo napiętego budżetu agencji. W lutym 2026 roku odbył się konkurs First Proof, w którym modele AI z różnym poziomem autonomii rozwiązały ponad połowę z dziesięciu badawczych problemów matematycznych dobranych tak, by nie mogły wcześniej pojawić się w danych treningowych. Rośnie też liczba wyspecjalizowanych systemów jak Aristotle czy Seed-Prover, które osiągają wyniki na poziomie złotych medali olimpiad matematycznych.
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Co to oznacza dla polskiej nauki
Polska nie stoi z boku tego trendu, choć skala inwestycji różni się od amerykańskiej. W 2025 roku powstał Instytut Badawczy IDEAS, którego zadaniem jest zatrzymywanie w kraju wybitnych naukowców zajmujących się sztuczną inteligencją i budowanie sieci współpracy z organizacjami takimi jak ELLIS. Budżet na naukę i szkolnictwo wyższe w 2026 roku wynosi 44,26 miliarda złotych, z czego 3,14 miliarda przeznaczono na badania o praktycznym zastosowaniu.
Warto też odnotować, że 11 czerwca 2026 roku Sejm przyjął ustawę o systemach sztucznej inteligencji, która wdraża unijny AI Act i tworzy Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji jako organ nadzoru nad rynkiem AI w Polsce. Ustawa daje ministrowi cyfryzacji możliwość finansowania badań naukowych i prac rozwojowych dotyczących AI ze środków budżetu państwa i budżetu Unii Europejskiej. Dla polskich ośrodków akademickich zajmujących się fizyką teoretyczną czy matematyką stosowaną oznacza to, że narzędzia podobne do tych użytych przez Parisiego i Zamponiego mogą stać się elementem regularnego warsztatu badawczego, nie tylko ciekawostką z zagranicznych publikacji.
Obserwuję, że polskie uczelnie wciąż traktują generatywną AI w badaniach podstawowych ostrożnie, częściej jako narzędzie pomocnicze w pisaniu kodu czy przeszukiwaniu literatury niż jako partnera w samym procesie dowodzenia twierdzeń. Ten przypadek z udziałem noblisty może być argumentem, że warto tę granicę przesunąć.
Źródła i metodologia
Artykuł powstał na podstawie analizy redakcji AIPORT.pl oraz dodatkowych źródeł, w tym artykułu Gizmodo oraz komunikatu prasowego EurekAlert opisującego współpracę fizyków z modelem Claude przy dowodzie domysłu jamming. Kontekst dotyczący wcześniejszych przypadków wykorzystania AI w matematyce badawczej oparto na materiałach Quanta Magazine oraz Forbes. Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl. Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji na temat wykorzystania modeli AI w badaniach matematycznych i fizycznych.
