Tyto algoritmy neohrožují fyziku jako vědu. Naopak ukazují, jak může být strojová analýza dat nástrojem pro odhalování hlubších struktur reality.
AI jako objevitel: když algoritmus vytvoří teorii
Vědci z univerzit jako MIT, Caltech nebo Cornell vytvořili systémy, které dokážou z obrovského množství dat extrahovat základní fyzikální rovnice. Tyto algoritmy — například AI Feynman, Eureqa nebo symbolické regresní modely — pracují tak, že „zkoušejí“ různé matematické kombinace a testují, jak dobře odpovídají pozorování.
V několika experimentech našla AI rovnice, které byly matematicky ekvivalentní k lidsky objeveným zákonům pohybu, pružnosti nebo elektromagnetismu — a udělala to za zlomek času.
Jinými slovy: algoritmus dokáže z dat rekonstruovat fyzikální principy, na něž lidstvo potřebovalo staletí.
Objev nových vzorců: když AI vidí to, co lidský mozek přehlédne
V jednom z nejcitovanějších případů dokázala AI objevit nové zákonitosti chaotických systémů, které fyzici dodnes zkoumají. Šlo například o vzorce v turbulenci nebo v chování částic v magnetických polích.
Algoritmus pracoval tak, že z miliónů datových bodů extrahoval funkce, které nejlépe popisovaly pohyb systémů. Některé z těchto funkcí byly známé — jiné se ukázaly být novými, dosud neformulovanými vztahy.
Zásadní je, že AI nepracuje s intuicí ani předchozími teoriemi. Její „pohled“ je nezkreslený, což jí umožňuje všimnout si struktur, které lidské myšlení automaticky přehlíží.
AI jako vědecký partner: spolupráce, ne konkurence
Vědci zdůrazňují, že AI zatím není „fyzikem“. Nedokáže sama interpretovat objevené rovnice ani pochopit jejich teoretický význam. To je stále v rukou lidí.
Je tedy spíše partnerem, který dokáže:
testovat miliony hypotéz za sekundu,
hledat vzorce v chaotických systémech,
filtrovat obrovské datové sady,
navrhovat matematické struktury k dalšímu studiu.
Místo toho, aby AI nahradila vědce, posouvá jejich pozornost k hlubším částem problému. Umožňuje jim přeskočit časově náročné hledání a soustředit se na interpretaci výsledků.
ČTĚTE TAKÉ: AI má krátkou paměť záměrně: nové výzkumy odhalují, že zapomínání je známkou inteligence
Modely, které tvoří nové rovnice: symbolická regrese v praxi
Symbolická regrese, technika stojící za mnoha „AI objeviteli“, je založena na generování matematických výrazů, které nejlépe odpovídají datům.
Například systém AI Feynman byl testován na stovkách fyzikálních modelů a opakovaně dokázal nalézt přesnou strukturu rovnic — od jednoduchých vztahů až po složitější rovnice jako Lorenzův systém.
V novějších experimentech dokázaly algoritmy vytvářet úplně nové rovnice, které nebyly součástí žádné učebnice. Tyto vztahy zatím čekají na plné teoretické vysvětlení, ale ukazují, že umělá inteligence může být zdrojem inspirace pro novou generaci fyzikálních teorií.
Rizika a omyly: AI pracuje s tím, co jí dáme
Přestože AI dokáže generovat nové zákonitosti, je třeba chápat její limity.
Mezi největší problémy patří:
přecenění korelací,
zkreslení dat,
interpretace rovnic, které nedávají fyzikální smysl,
potřeba lidské validace.
Velké jazykové modely či neurální sítě mohou vytvářet matematické vztahy, které vypadají přesvědčivě, ale neodpovídají realitě. Proto se stále jedná o nástroj, nikoli autonomního objevitele.
ČTĚTE TAKÉ: AI, která chápe lidské emoce: nový model poprvé rozpoznává úmysl místo výrazu
Co může přijít dál: AI v roli průzkumníka fyzikálního prostoru
Budoucnost ukazuje dva zásadní směry:
AI pro odhalování nových fyzikálních teorií — zejména v oblastech, kde existuje mnoho dat (kosmologie, kvantová dynamika, turbulence).
AI jako testovací prostředí pro hypotézy, kde vědci simulují extrémní podmínky a hledají struktury, které by bylo obtížné zkoumat experimentálně.
Je možné, že díky těmto technikám budou některé nové fyzikální zákony nebo jejich varianty objeveny poprvé strojem a až následně interpretovány lidmi.
AI jako nástroj, který mění způsob, jak děláme vědu
Umělá inteligence nepřevzala roli fyziků. Ale proměňuje samotný proces vědeckého poznávání. Umožňuje odhalit struktury, které v datech existují, ale lidské oko je nevidí. Neomezuje se na přepis známých zákonů — může navrhnout i nové.
A to je možná největší přelom: AI otevírá cestu k objevům, které by jinak zůstaly skryté.
Zdroj
Udrescu, S.-M. & Tegmark, M. (2020). AI Feynman: A Physics-Inspired Method for Symbolic Regression. Science Advances, 6(16).
Cranmer, M. et al. (2020). Discovering Symbolic Models from Deep Learning with Inductive Biases. Nature Communications, 11.
Schmidt, M. & Lipson, H. (2009). Distilling Free-Form Natural Laws from Experimental Data. Science, 324(5923).
MIT CSAIL. Symbolic Regression Experiments (2023).
Caltech AI + Physics Initiative, Technical Reports (2022).
Battaglia, P. et al. (2018). Relational Inductive Biases in Machine Learning. Nature, 558.
