Pokročilé modely má 5 000 lidí z labů. Většina vědy přesto čeká za dveřmi

Ethan Mollick upozornil na zásadní disproporci v tom, jak se dnes používá špičková umělá inteligence. Přístup k nejpokročilejším interním modelům má v předních laboratořích dohromady zhruba 5 000 lidí. Téměř veškerá jejich pozornost se však soustředí na tři úzké oblasti: kyberbezpečnost, čistou matematiku a zrychlování samotného výzkumu AI.

Nejpokročilejší inteligence slouží hlavně vlastnímu vývoji

Primární sdělení přišlo z diskuse na síti X, kde Mollick popsal stav přímo uvnitř velkých laboratoří. Vývojáři a výzkumníci sice drží v rukou modely s výrazně vyššími schopnostmi než má veřejnost, ale praktické nasazení zůstává uvězněné v úzkém tunelu. Mimo tento technický perimetr leží desítky vědních oborů, ve kterých by stejné nástroje mohly řešit reálné problémy, ale nikdo je tam systematicky nepouští.

Soustředění na interní AI R&D dává z pohledu laboratoří okamžitý byznysový smysl. Když model pomůže navrhnout lepší architekturu nebo zrychlí ladění další generace, zisk se promítne do dalšího trénovacího běhu. Jenže tento uzavřený okruh vytváří iluzi, že možnosti modelů už narážejí na strop, ačkoliv byly vyzkoušeny jen na zlomku lidského vědění.

Výzkumný tunel požírá sám sebe

Laboratoře optimalizují své benchmarky pro úlohy, kterým samy rozumějí a které umějí automaticky vyhodnotit. Matematický důkaz nebo zranitelnost v kódu mají jasný binární výsledek. Experimentální biologie, materiálové inženýrství nebo společenské vědy naproti tomu vyžadují složité ověřování v terénu a mezioborový kontext, na který v křemíkovém závodě nezbývá čas.

Tento selektivní výběr zkresluje představu o tom, k čemu se technologie hodí. Pokud 5 000 inženýrů trénuje modely pouze na úkolech z vlastního denního chleba, vznikají nástroje specializované na replikaci vlastních tvůrců, nikoli na široký vědecký pokrok.

Interní přístup neznamená hotové řešení

Schopnost modelu vyřešit složitou rovnici ještě neznamená, že dokáže samostatně posunout medicínský výzkum. Laboratorní týmy často předpokládají, že pokročilé uvažování automaticky přeteče do všech odvětví, jakmile se model zpřístupní přes API. Ve skutečnosti však chybí most mezi hrubým výpočetním výkonem a specifickou metodologií jednotlivých vědních disciplín.

Ani 5 000 vyvolených inženýrů s neomezeným přístupem nedokáže nahradit tisíce doménových expertů. Dokud modely testují jen ti, kdo je sami staví, vidí pouze své vlastní odrazy a známé slepé skvrny. Bezpečnostní a matematické testy jsou nutné síto, ale samy o sobě nepředstavují univerzální vědeckou revoluci.

Rozhodne otevření nástrojů doménovým expertům

Skutečný posun nenastane dalším zrychlením interních skriptů v laboratořích, ale v momentě, kdy se pokročilé modely dostanou k vědcům mimo AI bublinu. Zda laboratoře dokážou nabídnout rozhraní přizpůsobená biochemikům či klimatologům, bude hlavním testem jejich reálného dopadu.

Důležitým ukazatelem v příštích měsících bude podíl publikovaných mezioborových objevů oproti interním technickým zprávám o bezpečnosti. Pokud pokročilé modely zůstanou jen nástrojem pro stavbu ještě větších modelů, jejich slibovaný vliv na světovou vědu zůstane z velké části na papíře.

Lilithin verdikt

Laboratoře zavřely nejchytřejší modely do skleníku, kde inženýři učí stroje řešit jejich vlastní domácí úkoly. Skutečný průlom začne až ve chvíli, kdy tenhle aparát pustí k problémům, na které v Silicon Valley nikdo nemá tabulku.