AI-Newton: sztuczna inteligencja odkrywa prawa fizyki

Obraz wygenerowany przez OpenAI DALL·E 3

Przez dekady sztuczna inteligencja była postrzegana głównie jako narzędzie do rozpoznawania wzorców. Algorytmy potrafiły przewidywać pogodę, rozpoznawać twarze czy analizować ogromne zbiory danych, ale pozostawały ślepe na to, co dla naukowców najważniejsze — sens i prawo rządzące zjawiskiem. Fizyka, oparta na abstrakcyjnych pojęciach i matematycznych zależnościach, długo wydawała się poza zasięgiem maszyn.

Tymczasem w 2025 roku na łamach Nature pojawił się opis systemu, który wywołał wyraźne poruszenie w środowisku badawczym. Chiński zespół zaprezentował model nazwany AI-Newton, zdolny do samodzielnego wyprowadzania praw fizyki wyłącznie na podstawie surowych danych eksperymentalnych. Bez wstępnie zdefiniowanych równań, bez wiedzy podręcznikowej — jedynie obserwacje i matematyczna analiza.

„Most artificial-intelligence (AI) models can reliably identify patterns in data and make predictions, but struggle to use that data to come up with broad scientific concepts.”
— Mohana Basu, Nature

To właśnie ta granica — między przewidywaniem a rozumieniem — od lat dzieliła algorytmy od ludzi. AI-Newton po raz pierwszy wyraźnie ją narusza. Nowy system nie jest kolejną siecią neuronową uczącą się na milionach przykładów gotowych równań. Jego działanie opiera się na innym założeniu: odkrywaniu struktur rządzących danymi, nawet jeśli nie są one oczywiste na pierwszy rzut oka.

• Samodzielne odkrycie drugiego prawa Newtona:
  AI-Newton, analizując dane dotyczące ruchu obiektów, potrafił dojść do relacji między siłą, masą i przyspieszeniem, czyli klasycznego wzoru F = ma + Nature

• Brak wstępnej wiedzy fizycznej:
  Model nie był trenowany na gotowych prawach ani podręcznikach — otrzymywał jedynie dane liczbowe z eksperymentów + Nature

• Automatyczna selekcja zmiennych:
  System sam decydował, które parametry są istotne, a które można pominąć, co w praktyce imituje proces myślenia fizyka eksperymentalnego + Nature

To podejście znacząco różni się od dotychczasowych narzędzi AI w nauce, które zazwyczaj odpowiadają na pytania postawione przez człowieka, zamiast je formułować.

Obraz wygenerowany przez OpenAI DALL·E 3

Według opisu w Nature, AI-Newton bazuje na metodach symbolicznej regresji, wzbogaconych o nowoczesne techniki uczenia maszynowego. Kluczowe jest tu przejście od czysto statystycznych korelacji do zwięzłych, interpretowalnych równań matematycznych.

Badacze podkreślają, że system nie „rozumie” fizyki w ludzkim sensie, ale jego zdolność do autonomicznego formułowania praw stawia go w nowej kategorii narzędzi naukowych. W testach AI-Newton radził sobie nie tylko z mechaniką klasyczną, lecz także z prostszymi układami dynamicznymi, w których występuje wiele współzależnych zmiennych.

„AI-Newton can derive scientific laws from raw data, but is some way from developing human-like reasoning.”
— Mohana Basu, Nature

Eksperci cytowani w artykule zwracają uwagę na istotne ograniczenia. Model działa najlepiej w dobrze kontrolowanych warunkach eksperymentalnych i przy stosunkowo czystych danych. W realnych systemach fizycznych, gdzie szum, niepewność i czynniki losowe odgrywają ogromną rolę, skuteczność może być znacznie niższa. Pojawienie się AI zdolnej do odkrywania praw natury zmienia sposób myślenia o przyszłości nauki. Dotychczas rola algorytmów sprowadzała się do przyspieszania obliczeń lub analizy danych, które i tak interpretował człowiek. AI-Newton sugeruje inny model współpracy — maszyna jako współodkrywca, a nie tylko narzędzie.

W fizyce cząstek, astrofizyce czy badaniach nad materiałami ilość danych dawno przekroczyła możliwości manualnej analizy. Systemy podobne do AI-Newton mogą w przyszłości wskazywać nieoczywiste zależności, które umykają zespołom badawczym. Nie oznacza to jednak automatyzacji nauki w pełnym sensie — interpretacja, weryfikacja i kontekst nadal pozostają po stronie ludzi.

Jednocześnie pojawiają się pytania natury epistemologicznej. Jeśli prawo fizyki zostanie „odkryte” przez algorytm, który nie potrafi wyjaśnić swojego rozumowania w ludzkim języku, czy pozostaje ono równie zrozumiałe? I czy nauka, oparta na interpretowalności, zaakceptuje takie odkrycia bez oporu?

Historia fizyki to historia upraszczania świata — od obserwacji do równań, od chaosu do praw. AI-Newton wpisuje się w ten nurt, choć robi to w sposób, który jeszcze niedawno wydawał się domeną wyłącznie ludzkiego umysłu. Nie jest to jeszcze sztuczny naukowiec, ale raczej nowy rodzaj lustra, w którym nauka może zobaczyć własne metody z innej perspektywy.

Pozostaje pytanie, czy kolejne generacje takich systemów będą jedynie narzędziami wspierającymi badaczy, czy też zaczną proponować teorie, których sens zrozumiemy dopiero po latach. Być może przyszłe odkrycia nie będą już miały jednego autora — a granica między ludzką intuicją a algorytmiczną analizą stanie się coraz trudniejsza do wyznaczenia.

📚 Źródła

1. Nature
2. Nature News & Views
3. Nature – Artificial Intelligence
4. Nature – Physics