Teď jim ale ukažme geometrickou situaci při zatmění Slunce a požádejme je, aby si správně představily, jak jsou Slunce, Měsíc a Země rozmístěny v trojrozměrném prostoru. Najednou může přijít chyba, kterou by u systému schopného řešit mnohem složitější rovnice člověk nečekal.
Právě takový paradox odhalila studie publikovaná 19. srpna 2026 v časopise Nature Astronomy. Výzkumníci otestovali pět špičkových velkých jazykových modelů na úlohách z Mezinárodní olympiády z astronomie a astrofyziky, tedy soutěže určené mimořádně talentovaným středoškolákům z celého světa. Gemini 2.5 Pro získal v teoretické části průměrně 85,6 procenta bodů, GPT-5 84,2 procenta a oba se při srovnání s přibližně 200 až 300 soutěžícími dostaly do pásma zlatých medailí. GPT-5 navíc dosáhl v úlohách zaměřených na analýzu skutečných astronomických dat průměrného výsledku 88,5 procenta, který odpovídal výkonu nejlepších deseti soutěžících.
Na první pohled to vypadá jako další mezník na cestě k AI schopné samostatně dělat vědu. Jenže pod celkovým skóre se skrývá něco podstatně zajímavějšího. Všechny testované modely měly výrazně větší potíže s geometrickým uvažováním, prostorovou představivostí, astronomickými souřadnicemi a čtením grafů a obrázků než s matematickými výpočty. V některých kategoriích klesala jejich úspěšnost přibližně k 50 až 80 procentům, přestože ve fyzikálně-matematických úlohách dosahovaly výkonů blízkých lidské špičce.
Studie tak možná neříká jen to, jak chytrá dnešní AI je. Ukazuje také něco podstatnějšího: schopnost dojít ke správné odpovědi a schopnost vytvořit si správný model světa nemusí být totéž.
MOHLO BY SE VÁM TAKÉ LÍBIT
Astronomická olympiáda netestuje, kdo si pamatuje nejvíc faktů
Běžné benchmarky jazykových modelů mají zásadní problém. Mnoho z nich se skládá z krátkých otázek, výběru z několika možností nebo úloh, které lze vyřešit kombinací naučených znalostí a relativně krátkého logického postupu. Pokud chceme zjistit, zda může AI jednou pomáhat s opravdovým vědeckým výzkumem, je to poměrně nízká laťka.
Mezinárodní olympiáda z astronomie a astrofyziky, zkráceně IOAA, funguje jinak. Soutěžní úlohy mohou kombinovat nebeskou mechaniku, fyziku hvězd, kosmologii, práci s astronomickými souřadnicemi, statistiku, analýzu pozorování a několikastupňové matematické odvození. Některé vyžadují interpretaci grafů a obrazových dat, jiné schopnost představit si pohyb těles na nebeské sféře nebo převádět mezi různými časovými a souřadnicovými systémy. Výsledek proto nezávisí pouze na tom, zda soutěžící zná správný vzorec. Musí pochopit fyzikální situaci, určit, který princip použít, a teprve potom výpočet provést.
Výzkumníci použili zkoušky z let 2022 až 2025, celkem 49 teoretických a osm rozsáhlejších úloh zaměřených na analýzu dat. Testovali GPT-5, OpenAI o3, Gemini 2.5 Pro, Claude Opus 4.1 a Claude Sonnet 4. Praktickou observační část olympiády vynechali, protože zahrnuje práci s fyzickými přístroji a přímé pozorování oblohy, což jazykovému modelu nelze smysluplně zadat.
Modely přitom nedostaly speciální výhodu v podobě externích astronomických nástrojů nebo databází. Dostaly standardizovaně připravená zadání, obrázky a stejný referenční list se základními konstantami a vzorci, jaké měli k dispozici soutěžící. Jejich řešení potom podle oficiálních hodnoticích schémat nezávisle známkovali dva lidé se zkušeností s IOAA. Autoři navíc zveřejnili zadání, odpovědi modelů, výsledky i použitý kód.
A výsledky byly na teoretických úlohách mimořádné.
V rovnicích dokázala AI soutěžit s nejlepšími mladými astronomy světa
Nejvyšší průměrné skóre v teorii získal Gemini 2.5 Pro s 85,6 procenta, těsně následovaný GPT-5 s 84,2 procenta. Podle autorů oba modely při porovnání s výsledky reálných soutěžících z let 2022 až 2025 opakovaně odpovídaly úrovni úplné špičky a ve všech čtyřech ročnících spadaly do zlatého pásma. OpenAI o3 dosáhl průměrně přibližně 77,5 procenta, Claude Opus 4.1 kolem 65 procent a Claude Sonnet 4 přibližně 61 procent.
Pozoruhodné je, že vysoká úspěšnost nebyla omezena jen na jednoduché příklady. Olympijské úlohy často vyžadují několik navazujících kroků, volbu fyzikálního modelu, odvození rovnic a teprve potom numerický výpočet. To je podstatně bližší způsobu, jakým vědec skutečně pracuje, než otázka typu „jaká je hmotnost Slunce?“.
Výsledek proto nelze jednoduše shodit jako schopnost modelů zopakovat naučené astronomické údaje. Nejsilnější systémy dokázaly sestavovat dlouhé postupy a ve velké části případů docházet ke správným závěrům. Právě to je důvod, proč autoři studie považují jejich výkon za významný signál pro budoucí využití LLM ve vědě. Astronomie dnes generuje obrovské množství dat z projektů jako Gaia, DESI, Euclid nebo velkých přehlídkových teleskopů a automatické systémy schopné kombinovat znalosti, matematiku a analýzu dat by mohly vědcům výrazně pomáhat.
Pak ale výzkumníci rozdělili chyby podle toho, jaký druh přemýšlení úloha vyžadovala. A celkový obraz přestal být tak jednoduchý.
Čím víc bylo potřeba představit si prostor, tím rychleji výkon klesal
Autoři rozdělili teoretické úlohy na dvě široké skupiny. První zahrnovala problémy založené především na fyzice a matematice: kosmologické výpočty, vlastnosti hvězd, gravitační dynamiku nebo nebeskou mechaniku, pokud k jejich řešení nebyla nutná složitá prostorová vizualizace. Druhá skupina zahrnovala úlohy vyžadující práci s geometrií nebeské sféry, sférickou trigonometrií, vektorovou geometrií, časovými systémy nebo trojrozměrnou představou.
Rozdíl byl výrazný. Ve fyzikálně-matematické skupině dosahovaly jednotlivé modely přibližně 67 až 91 procent, zatímco u geometrických a prostorových úloh klesal výkon zhruba na 49 až 78 procent. Rozdíl mezi oběma kategoriemi činil podle modelu přibližně 15 až 26 procentních bodů.
Nešlo přitom hlavně o špatně sečtená čísla. Analýza ztracených bodů ukázala, že v teoretické části dominovaly koncepční chyby a chyby geometrického či prostorového uvažování. Dohromady tvořily kolem 60 až 70 procent ztracených bodů. Algebraické nebo numerické chyby představovaly mnohem menší část problému.
To je důležitý rozdíl. Pokud systém správně pochopí problém a udělá chybu při násobení, jde o jeden typ selhání. Pokud naprosto přesně vypočítá důsledek nesprávně pochopené fyzikální situace, jde o problém mnohem zásadnější.
Jeden příklad ze studie to ukazuje téměř dokonale.
Při zatmění některé modely udělaly chybu, která nebyla matematická
Jedna z úloh olympiády z roku 2024 se týkala geometrie zatmění Slunce. Soutěžící měli pracovat s polohami Země, Měsíce a Slunce a určit geografickou polohu středu zatmění. Řešení vyžadovalo správně vytvořit trojrozměrný geometrický model a následně použít vektorové operace.
GPT-5 a Gemini 2.5 Pro dokázaly klíčovou geometrii interpretovat správně. OpenAI o3, Claude Opus 4.1 a Claude Sonnet 4 však podle doplňkové analýzy udělaly stejnou zásadní chybu: předpokládaly, že středy Slunce, Měsíce a Země musí při zatmění ležet přesně na jedné přímce. Jenže při reálném zatmění obecně přesně kolineární nejsou; rozhodující je geometrie kuželu měsíčního stínu a jeho průsečíku se zemským povrchem. Jakmile model přijal špatnou prostorovou představu, celý další matematický postup mohl vypadat elegantně, ale řešil už jiný problém.
Jiné chyby se týkaly sférické trigonometrie, orientace na nebeské sféře nebo astronomického měření času. Model mohl znát definici tropického i hvězdného roku a přesto v konkrétní situaci vybrat nesprávný časový systém. Podobný problém se objevoval při práci s grafy a obrázky: zejména u datových úloh některé modely nesprávně přečetly bod, zaměnily osu nebo vytvořily graf, který neodpovídal zadaným datům.
Právě takové chyby jsou fascinující, protože vypadají téměř opačně než běžná lidská intuice. Člověku může několikastránkové odvození rovnice připadat obtížnější než představa tří koulí rozmístěných v prostoru. Pro jazykový model může být vztah obrácený.
GPT-5 zvládal data výrazně lépe než většina ostatních modelů
Rozdíly mezi systémy byly ještě výraznější ve druhé části testu. Úlohy analýzy dat už nevyžadovaly pouze fyzikální výpočet, ale práci s tabulkami, obrázky, grafy a jejich interpretací. GPT-5 zde dosáhl průměrně 88,5 procenta, což jej podle autorů stavělo přibližně mezi deset nejlepších lidských soutěžících v hodnocených ročnících. Gemini 2.5 Pro se pohyboval kolem 76 procent, zatímco výsledky ostatních systémů klesaly přibližně k 48 až 68 procentům.
Rozložení chyb ukazuje, proč. Při datové analýze už nebylo možné většinu úlohy převést pouze do symbolické matematiky. Model musel například správně interpretovat graf, vybrat z něj hodnoty, poznat vztah mezi veličinami a následně z výsledku vytvořit další graf nebo fyzikální závěr. U některých systémů proto začaly ztraceným bodům dominovat právě čtení obrazových dat a vytváření grafů.
Tady se ukazuje podstatný rozdíl mezi jazykovým benchmarkem a skutečnou vědou. Astronom nepracuje pouze s textem. Dostává spektrum hvězdy, světelnou křivku supernovy, snímek galaxie, mapu kosmického mikrovlnného pozadí nebo tisíce měření rozdělených do tabulek. Schopnost znát fyzikální poučku nestačí. Vědec musí nejdříve správně pochopit, co data vůbec ukazují.
Právě proto autoři studie odmítají interpretaci, že zlatá olympijská medaile znamená připravenost k autonomnímu vědeckému výzkumu.
Nemohly modely jednoduše znát odpovědi z internetu?
U každého testování dnešních jazykových modelů existuje nepříjemná otázka: nebylo zadání součástí jejich tréninkových dat? Starší úlohy IOAA jsou veřejně dostupné na internetu společně s oficiálními řešeními. Pokud je model během tréninku viděl, mohl by v některých případech odpověď reprodukovat, aniž by ji skutečně řešil.
Autoři tento problém nemohli u ročníků 2022 až 2024 absolutně vyloučit. Měli ale jedno velmi užitečné kontrolní období: olympiádu 2025, která se konala v srpnu 2025. Podle údajů používaných ve studii byly znalostní uzávěrky všech pěti testovaných modelů starší než samotná soutěž; nejpozdější byla v březnu 2025. Zadání z IOAA 2025 proto nemohla být v jejich původních tréninkových datech.
Výkon na těchto nových úlohách přitom zůstal přibližně srovnatelný s průměrem předchozích ročníků. To není absolutní důkaz, že ve starších testech nehrála kontaminace žádnou roli, ale výrazně oslabuje nejjednodušší vysvětlení, podle něhož modely pouze reprodukovaly zapamatované soutěžní postupy.
Studie má samozřejmě i další omezení. Olympiáda stále není skutečná vědecká práce. Všechny úlohy mají předem známé řešení, relativně jasné zadání a omezený rozsah. V opravdovém výzkumu naopak často není známo, zda je otázka vůbec položena správně, která data jsou relevantní nebo zda existuje jediná odpověď. Vědec musí vymyslet hypotézu, navrhnout způsob jejího testování, poznat vadná data, reagovat na nečekaný výsledek a někdy po několika měsících práce připustit, že původní myšlenka byla špatná.
Vyřešit problém je něco jiného než zjistit, který problém stojí za vyřešení.
Zlatá medaile proto neznamená, že můžeme observatoř předat robotům
Astronomie patří mezi disciplíny, kde může být AI mimořádně užitečná. Moderní přehlídky oblohy produkují takové množství informací, že žádný tým lidí nemůže všechna data ručně prohlédnout. Algoritmy už dlouho pomáhají rozlišovat galaxie, hledat proměnné objekty, klasifikovat astronomická spektra nebo upozorňovat na neobvyklé události. Velké jazykové modely mohou tuto automatizaci rozšířit o schopnost pracovat s vědeckou literaturou, psát kód, kombinovat různé zdroje informací a navrhovat další kroky analýzy.
Právě proto je rozdíl mezi olympijským skóre a skutečným pochopením tak důležitý. Ve vědě může systém udělat stovku správných výpočtů a jedinou koncepční chybou znehodnotit celý výsledek. Pokud AI nesprávně pochopí geometrii pozorování nebo zamění význam osy grafu, matematická elegance následujících deseti stran výpočtů nepomůže.
V případě soutěže existuje hodnotitel, který chybu najde. U autonomního vědeckého agenta by mohl chybný předpoklad projít celým řetězcem: od interpretace dat přes analýzu až k výslednému závěru.
Redakce Nature Astronomy letos právě kvůli rychlému rozšiřování LLM ve vědě upozornila, že astronomická komunita bude potřebovat společná pravidla pro jejich používání. Podle citovaného průzkumu už 43,2 procenta vědců používá LLM při psaní kódu, téměř třetina při práci s literaturou a téměř pětina při analýze dat. Neřešíme tedy vzdálenou budoucnost. AI už uvnitř vědeckého procesu je.
Otázkou je, které úkoly jí můžeme bezpečně svěřit a kde musí zůstat člověk, který pozná, že velmi přesvědčivá odpověď začala špatnou představou světa.
Nejpřekvapivější není, že AI umí tolik. Ale že přesně vidíme hranici mezi tím, co umí snadno a co obtížně
Je lákavé číst výsledky podobných studií jako sportovní tabulku. GPT-5 získal tolik procent, Gemini tolik, člověk byl třetí nebo první a můžeme vyhlásit vítěze. Jenže skutečně zajímavá informace leží jinde.
Systém, který dokáže vyřešit mimořádně náročnou astrofyzikální úlohu, nemusí selhávat na něčem „těžším“. Může selhávat na něčem jiném.
Lidská inteligence vznikla v těle pohybujícím se trojrozměrným světem. Od dětství sledujeme, co je před námi a za námi, jak se objekty překrývají, kam dopadne stín, co se stane, když něco otočíme, a jak vypadá stejná věc z jiného úhlu. Jazykový model vznikal především učením vztahů uvnitř obrovského množství dat. Jeho schopnost řešit fyzikální problémy proto nemusí být vystavěna stejným způsobem jako lidská fyzikální intuice.
To neznamená, že prostorovou představivost nebo práci s obrazem nelze zlepšit. Vývoj multimodálních modelů pokračuje velmi rychle a nové architektury mohou dnešní slabiny výrazně omezit. Současné výsledky jsou ale cenné právě proto, že ukazují, kde je hranice teď.
Pět jazykových modelů dostalo úlohy určené nejlepším mladým astronomům světa. Nejsilnější z nich získaly zlatou medaili a někdy se výsledkem vyrovnaly absolutní lidské špičce. To je samo o sobě pozoruhodné.
Pak dostaly obrázek, trojrozměrnou geometrii nebo nebeskou sféru.
A ukázalo se, že schopnost vypočítat vesmír ještě automaticky neznamená umět si ho správně představit.
MOHLO BY SE VÁM TAKÉ LÍBIT
Zdroje: Kód Enigma [1], Nature Astronomy – Carrit Delgado Pinheiro et al., „Gold-medal performance by LLMs at the International Olympiad on Astronomy and Astrophysics“ [2], arXiv – Carrit Delgado Pinheiro et al., „Large Language Models Achieve Gold Medal Performance at International Astronomy & Astrophysics Olympiad“ [3], International Olympiad on Astronomy and Astrophysics – study and research resources [4], GitHub – OSU NLP Group, LLM-IOAA data, model outputs and grading materials [5], Nature Astronomy – „Towards a coordinated approach to LLMs in astronomy“ [6], img AI generated
