Dnešní AI není schopná dělat vlastní objevy. Tečka?

Přes všechny mediální titulky typu „AI objevila nový lék“, „Rozluštila hieroglify“ nebo „Zvládla vyplnit formulář pro registraci vozidla bez jediné chyby!“ – i přes všechna nadšená prohlášení, současná umělá inteligence nedokáže dělat žádné vlastní objevy.

Teda alespoň prozatím :-)

Objevy dělají lidé, kteří AI využívají jako sofistikovaný nástroj. Což není drobná nuance – je to zatraceně velký rozdíl. Jako mezi tvrzením, že dláto vytesalo sochu 🙀, a „dláto v rukou umělce“ vytesalo sochu. Kdybyste si přečetli titulek „dlátko vytesalo sochu“, pravděpodobně byste se podivili a řekli si, že jde buď o chybu nebo divný clickbait. Jenže když se používají tyhle novinářské zkratky u AI, lidé tomu věří.

„Ale AI už přece udělala objevy!!!"

Úplně to už slyším. AI už prolamuje hesla! Nebo „Objevila převratný způsob násobení matic!“ Tak se u toho zastavme. Jde o projekt AlphaTensoru od DeepMind, který po 50 letech překonal legendární Strassenův algoritmus a zjednodušil násobení matic 4×4 na 47 násobení místo původních 49. (Zanedlouho AI o tuto trofej připravili lidští matematici Lince, kteří našli ještě lepší algoritmus.)

Pro lepší pochopení celé problematiky se pokusíme rozlišit dvě hraniční kategorie toho, jak lze vnímat úlohu AI v procesu objevování:

a) AI udělala matematický objev

Tento výrok implikuje vysokou míru autonomie a autorství ze strany AI:

• AI samostatně identifikuje problémy a navrhuje metodologii jejich řešení
• AI rozumí významu svého objevu a dokáže ho vysvětlit či obhájit
• Lidé jsou pouze pozorovatelé a validátoři výsledků
• AI je primárním autorem s vědomým záměrem a pochopením procesu

b) Matematický objev byl učiněn za využití AI

Tento výrok naznačuje, že AI byla použita jako nástroj v lidském výzkumném procesu:

• Lidé definují problém, jeho význam a navrhují přístup k řešení
• AI slouží jako sofistikovaný výpočetní nástroj pro průzkum možností
• Lidé interpretují výsledky a chápou jejich teoretické důsledky
• Proces je řízen lidským záměrem, nikoli autonomní inteligencí AI

Jak vznikl nový algoritmus násobení matic

Do které katerogie teda patří případ AlphaTensor? Při pohledu do původního vědeckého článku v časopise Nature se před námi rozevírá skutečný příběh za mediálními titulky. Z detailního popisu výzkumného procesu jasně vyplývá, že:

• Výzkumníci definovali problém – tým DeepMind rozpoznal, že násobení matic je zásadní operace v mnoha výpočtech, a že rychlejší způsob násobení by přinesl obrovské výhody
• Výzkumníci navrhli systém – vytvořili speciální neuronovou síť a chytře převedli matematický problém na „hru“ nazvanou TensorGame, ve které se AI mohla učit a zlepšovat
• Výzkumníci nastavili hranice a pravidla – určili, s jakými čísly a hodnotami může AI pracovat, podobně jako když učiteli dáte žákovi jen určité stavební bloky k řešení úlohy
• AI prohledávala obrovské množství možností – AlphaTensor systematicky zkoušel různé kombinace a učil se z úspěchů i neúspěchů, aby našel lepší a lepší řešení
• Výzkumníci ověřili a pochopili výsledky – museli matematicky potvrdit, že nalezené algoritmy skutečně fungují, a vysvětlit, proč jsou důležité a jak zapadají do širšího matematického kontextu

Při pohledu na tento proces je zřejmé, že jde o klasický příklad scénáře B – „objev byl učiněn za využití AI jako nástroje“. Lidští výzkumníci definovali problém, navrhli způsob jeho řešení a následně interpretovali význam výsledků. AlphaTensor v tomto procesu představoval mimořádně výkonný vyhledávací nástroj, který dokázal prozkoumat enormní množství možností – něco, co by bylo bez AI prakticky nemožné.

Ale zároveň AlphaTensor nerozumí, co dělal nebo proč. Nebo proč je jeho objev významný. Je jako brilantně navržený kompas, který vede průzkumníka k pokladu, aniž by chápal hodnotu zlata, které pomohl najít.

AlphaEvolve: AI na steroidech, ale stále jen nástroj

V květnu 2025 DeepMind posunul laťku ještě výš. Představil AlphaEvolve – systém, který kombinuje jejich jazykový model Gemini s evolučním algoritmem pro objevování složitějších algoritmických řešení.

Zajímavé je, jak AlphaEvolve rozšiřuje dosah AI – zatímco AlphaTensor byl specialistou na jeden typ problému, tento nový systém (v rukou lidí) dokázal:

• najít algoritmus pro násobení komplexních 4×4 matic pomocí 48 násobení
• vylepšit řešení u 20% z 50 různých otevřených matematických problémů
• zvýšit spodní hranici tzv. „problému polibku“ v 11 dimenzích na 593 koulí

„Teď už AI konečně objevuje věci sama!“ Tak moment. I v případě AlphaEvolve platí stejný princip: lidé definují konkrétní problém, vyvíjejí systém s konkrétním cílem a nastavují kritéria úspěšnosti. To, co se mění, není paradigma „nástroj vs. objevitel“, ale efektivita nástroje.

ROBIN: Na hraně mezi nástrojem a výzkumníkem

Doplněno: A co když vám řeknu, že už dnes existuje AI systém, který objevil nový lék? Mluvím o systému ROBIN z FutureHouse, který byl představen v květnu 2025 jako první multi-agentní systém schopný plně automatizovat klíčové intelektuální kroky vědeckého procesu.

ROBIN je fascinující krok směrem k větší autonomii – kombinuje agenty pro vyhledávání v literatuře (Crow a Falcon) s agenty pro analýzu dat (Finch), což mu umožňuje:

• generovat vědecké hypotézy na základě rešerše literatury
• navrhovat experimenty pro testování těchto hypotéz
• analyzovat experimentální data
• interpretovat výsledky a navrhovat další kroky

Nejzajímavější je, že ROBIN skutečně identifikoval potenciální léčbu pro suchou formu věkem podmíněné makulární degenerace (dAMD) – hlavní příčinu slepoty ve vyspělém světě. Navrhl posílení fagocytózy retinálního pigmentového epitelu jako terapeutickou strategii a vytipoval lék ripasudil, který doposud nikdo s léčbou dAMD nespojoval (máte můj obdiv, pokud této větě rozumíte).

Tohle už vypadá jako jasný příklad scénáře A, ne? Zkusme to rozebrat kriticky. Nejprve role lidí:

• Lidé vytvořili a natrénovali agenty – Crow, Falcon a Finch jsou specializované nástroje vyvinuté výzkumníky
• Lidé prováděli experimenty – ROBIN navrhl experimenty, ale fyzicky je realizovali lidští vědci
• Lidé rozhodovali o směru výzkumu – výzkumníci vybírali, které návrhy ROBIN budou realizovány

A role ROBIN? Ten tlačí hranici mezi scénáři A a B blíže k „autonomnímu výzkumníkovi“ než kterýkoli předchozí systém. Jedná se o zajímavý hybridní případ, kde:

• ROBIN sám identifikoval specifické mechanismy (fagocytóza RPE) v rámci obecně daného problému
• Systém navrhl experimenty a interpretoval jejich výsledky poměrně samostatně
• Autoři studie dokonce uvádějí, že „všechny hypotézy, experimentální plány, analýzy dat a datové obrázky v hlavním textu této zprávy byly vytvořeny systémem ROBIN“

To, co dělá ROBIN průlomovým, je jeho schopnost propojovat různé fáze vědeckého procesu – rešerši, hypotézy, experimenty a analýzu – do jednoho uceleného workflow. Jako WOW.

Stále by ale bylo přehnané tvrdit, že ROBIN „rozumí“ tomu, co dělá, ve smyslu, v jakém to chápou lidští vědci. Je to spíš jako sofistikovaný autopilot vědeckého procesu – dokáže navigovat složitým terénem vědeckých dat a literatury, ale nemá vědomou zkušenost s nemocí nebo léčbou. Je to pro vás rozhodující nebo ne? Do které kategorie pro vás víc spadá?

Když AI navrhne molekulu, kdo je autorem patentu?

Ve farmaceutickém výzkumu dnes AI navrhuje nové molekuly, predikuje jejich účinky a toxicitu. Možná si říkáte: co jiného než tohle považovat za objevy? Dokáže prozkoumat astronomické množství možností a navrhnout řešení, která by člověka ani nenapadla. Ale vzpomeňte si – před érou AI tam byly superpočítače s jejich specializovaným softwarem. Také dokázaly modelovat molekuly a predikovat jejich vlastnosti. Přesto zpětně neříkáme „superpočítač objevil nový lék“ (i když takové titulky se objevovaly, když byla tahle technologie novinkou).

Ale zdá se, že tato hranice se stává čím dál tím rozmazanější. Je zřejmý rozdíl mezi „Hubbleův teleskop umožnil astronomům vidět vzdálené galaxie🔭“ a „Hubbleův teleskop objevil vzdálené galaxie“, protože jde o stroj s jednoznačně definovanou funkcí. AI systémy ale překračují. Není to už čistě nástroj, ale také ještě ne plně autonomní výzkumník.

Nová éra symbiózy člověka a AI

Z předešlého jasně vyplývá, že se zde vůbec nebavíme o situaci, kdy by někdo jen napromptoval chatbota slovy „hej, najdi mi efektivnější způsob násobení matic“ nebo „vyřeš skládání proteinů, do 31. ledna, ať stihnu nominaci na nobelovku“. Za systémy jako AlphaTensor, AlphaEvolve či ROBIN stojí nejbystřejší mozky planety – špičkoví vědci, bez kterých se to v žádném případě neobejde.

Co je ale mnohem zajímavější: posouváme se k fascinující éře symbiózy člověka a AI, kde lidé a stroje společně objevují řešení problémů. Lidé dodávají vizi, kontext a hluboké oborové znalosti; AI pak prozkoumává řešení v měřítku, které by jinak bylo nedosažitelné. V těchto průlomových projektech vidím nový model spolupráce – tedy… než nás AI přestane potřebovat :-)

Nepochybuju, že v budoucnu uvidíme systémy AI, které budou čistě odpovídat scénáři A). V tom je tahle technologie jedinečná. Dlátko totiž nikdy o designu soch přemýšlet nezačne.