Миналата седмица присъствах на лекция в MIT на Нийл Томпсън (Neil Thompson), който изследва напредъка в компютърните технологии и изкуствения интелект. В рамките на едва половин час Томпсън представи убедителни аргументи, че редица научни области са напът да бъдат преобразени от AI.

Докато математиците все още са разтърсени от начина, по който AI автоматизира тяхната сфера, най-новото изследване на Томпсън показва, че теорията на вероятностите, математическата статистика, икономическата теория, физиката на високите енергии, гравитацията и космологията, както и квантовата физика, може да са следващите, благодарение на бързо развиващите се възможности на водещите модели. Според проучването между средата на 2024 г. и средата на 2026 г. най-добрите AI модели са преминали от успешно решаване на около 2 процента от теоретичните проблеми в тези области до приблизително 35 процента. И няма признаци този напредък да се забави.

„Само в рамките на няколко години очакваме много теоретични въпроси да бъдат напълно преобразени по отношение на способността на AI да ги решава“, заявява Томпсън.

В по-широк план лабораторията на Томпсън изследва как напредъкът в компютърните науки влияе върху обществото и иновациите. Това изследване — проведено от Томпсън съвместно с докторанта Габриел Мансо (Gabriel Manso) и изследователя Клаудио Майринк Вердун (Claudio Mayrink Verdun) — взема научни проблеми от публикации, качени онлайн между декември 2025 г. и май 2026 г., и тества дали различни модели на OpenAI — o1, o3, GPT-5, GPT-5.1, GPT-5.4 и GPT-5.5 — могат да ги решат.

От решаващо значение е, че решенията на тези задачи са открити в научни трудове, публикувани след крайната дата за обучение на GPT-5.5 и предходните модели. Това означава, че тестваните модели е трябвало да достигнат до решенията самостоятелно, вместо да разчитат на отговори, заложени като данни за обучение. (Тези публикации са послужили за еталон при проверка на уменията на моделите за решаване на проблеми.) Изследователите също така са блокирали достъпа до интернет, което е предотвратило търсенето на решения онлайн от страна на тестваните модели.

Обхванатите от проучването области са били ограничени — триото се е фокусирало върху сфери, в които AI моделите биха могли да намерят решение, без да се налага провеждането на симулации или експерименти. Научният труд обаче подсказва, че трусовете, които в момента се усещат в математиката, най-вероятно ще се разпространят и към други научни направления със силна теоретична и математическа насоченост.

Миналия месец OpenAI разтърси математическата общност, като обяви, че все още непубликуван модел е решил отдавнашно фундаментално математическо предизвикателство, известно като уравненията на Навие-Стокс (Navier-Stokes), които описват движението на флуидите. Случаят предизвика допълнителни спорове, след като математик от Нюйоркския университет (NYU) — работил заедно с друг учен, свързан с Anthropic — обвини OpenAI, че ги е изпреварила нелоялно, след като е разбрала за техния напредък.

Оттогава насам OpenAI и други организации обявиха стотици нови решения на дългогодишни математически задачи, което предизвика своеобразна криза в областта. Някои математици призоваха за ограничения при използването на AI, предупреждавайки, че самият процес на решаване на проблемите често е толкова полезен, колкото и получаването на крайния отговор.

Както и при математиката, Томпсън отбелязва, че трябва да очакваме напредъкът в другите сфери да доведе както до положителни, така и до отрицателни последици. Той посочва, че теоретичните открития понякога стимулират практическите иновации в науката и предполага, че по-широкото използване на AI може да ускори именно този вид прогрес.

Някои видни изследователи в областта на изкуствения интелект вече създадоха нови лаборатории, фокусирани върху AI за научни цели, а водещите технологични лаборатории засилват своите научни разработки. Тези усилия проучват как на AI могат да се предоставят възможности да провежда реални експерименти паралелно с теоретичните анализи. Въпреки че AI може да направи излишна ролята на теоретиците при решаването на ключови проблеми, изследователите подчертават, че това не означава, че експертите няма да са нужни за осмислянето на решенията и за потвърждаването на тяхната достоверност.

„Все още ще имаме нужда от хора, които да генерират добри идеи и да свързват отделните елементи“, казва Мансо. Той допълва, че при изключително сложни проблеми съществува вероятност AI да допуска грешки. (Всъщност OpenAI оттегли няколко решения в последния си масив от данни след публикуването им.) „Нуждаем се и от методи за верификация на постигнатото, тъй като за един модел е много лесно да заяви: „това е правилният отговор“, а когато разгледате цялото решение, да започнете да виждате, че може би не е така.“