Z tego artykułu dowiesz się:
- Co udało się osiągnąć sztucznej inteligencji opracowanej w Chinach?
- W jaki sposób zaawansowane algorytmy przyczyniają się obecnie do rozwiązywania złożonych problemów naukowych?
- Czy technologiczna przepaść w rozwoju AI między Stanami Zjednoczonymi a Chinami jest bliska zniwelowania?
Zespołowi z Uniwersytetu Pekińskiego, którym kieruje badacz Dong Bin, udało się dokonać niezwykłego przełomu. Ich system AI, oparty na współpracy dwóch wyspecjalizowanych agentów, samodzielnie rozwiązał i sformalizował dowód tzw. hipotezy Andersona. Problem ten, głęboko osadzony w algebrze przemiennej, został sformułowany w 2014 r. przez zmarłego przed kilkoma laty prof. Dana Andersona i przez lata stanowczo opierał się tradycyjnym wysiłkom badaczy. Chińskiej maszynie jego złamanie zajęło nieco ponad trzy dni.
Era przełomów dzięki algorytmom?
Wystarczyło około 80 godzin pracy obliczeniowej do osiągnięcia naukowego sukcesu, a kluczem był innowacyjny moduł wnioskowania Rethlas, korzystający na bieżąco z potężnej wyszukiwarki twierdzeń matematycznych Matlas. Narzędzia te pozwoliły algorytmom płynnie i skutecznie przejść od rozumowania w języku naturalnym do bezbłędnej, formalnej weryfikacji. Ale zwycięskie starcie algorytmów z trudną algebrą to nie pojedynczy incydent. Niedawno zaawansowane modele takie jak GPT-5.4 od OpenAI czy sieci specjalistycznego startupu Axiom także uporały się z zadaniami uchodzącymi dotąd za niemal nierozwiązywalne.
Czytaj więcej
Modele sztucznej inteligencji potrafią ignorować polecenia człowieka, kłamać i kopiować dane – wszystko po to, by uchronić inne systemy przed usuni...
Głośno było np. o FunSearch od Google DeepMind, które wsparło rozwiązanie klasycznych problemów kombinatorycznych, m.in. dotyczących zbiorów cap set. System nie zgaduje gotowych odpowiedzi, tylko generuje i testuje programy w przestrzeni możliwych rozwiązań. W przypadku problemu cap set – klasycznego zagadnienia z kombinatoryki ekstremalnej – znalazł on nowe konstrukcje dużych zbiorów punktów, w których żadne trzy nie leżą na jednej prostej, poprawiając wcześniej znane wyniki. W praktyce oznacza to, że AI nie tyle udowodniła jakieś twierdzenie, ile wsparła odkrycie lepszych przykładów i granic dla problemu, który od lat opierał się tradycyjnym metodom.
Z kolei w fizyce duże zainteresowanie wzbudził THOR AI, czyli system, który przyspieszył obliczanie tzw. całki konfiguracyjnej – jednego z najbardziej kłopotliwych rachunkowo problemów w fizyce materiałowej – nawet ponad 400-krotnie w porównaniu z wcześniejszymi metodami symulacyjnymi.
To pokazuje, że AI już nie tyle wspiera naukę, co zaczyna realnie przesuwać granice tego, co uchodziło za nierozwiązywalne.
Czytaj więcej
Nowe badania podważają przełomowe wnioski o zdolności sztucznej inteligencji do myślenia jak człowiek. Model „Centaur” mógł jedynie zapamiętywać wz...
Chiny doganiają USA w AI
Sukces badaczy Uniwersytetu Pekińskiego dowodzi jeszcze czegoś – technologia AI z Kraju Środka nie odstaje już od tego, co tworzone jest w Dolinie Krzemowej. Potwierdza to opublikowany właśnie raport AI Index 2026. Liczący ponad 400 stron dokument, opracowany przez Uniwersytet Stanforda, wydaje zaskakujący werdykt: przepaść między amerykańskimi i chińskimi modelami przestała istnieć. Zgodnie ze stanem na marzec, najlepszy model z USA wyprzedzał wiodący system z Chin o marginalne 2,7 punktu procentowego w rankingu Arena Leaderboard.
Eksperci zauważają, iż ekosystemy obu mocarstw działają jednak inaczej. USA wypuściły w 2025 r. 50 modeli granicznych (Chiny zaledwie 30) i deklasują rywala pod względem prywatnych inwestycji (285,9 mld dol. w stosunku do 12,4 mld dol.). Z drugiej strony Pekin, wspierając rynek dotacjami rzędu 184 mld dol. na przestrzeni dekad, wyraźnie przoduje globalnie w patentach, publikacjach oraz masowym wdrażaniu robotów przemysłowych.
Sundar Pichai, dyrektor generalny Google, w ostatnim wywiadzie dla programu „60 Minutes”, stanowczo stwierdził, że „Ameryka musi przewodzić” w dziedzinie sztucznej inteligencji. Wezwał do odpowiedzialnego, lecz „niezwykle odważnego rozwijania innowacji”.
Jeszcze w lutym 2026 r. Google wypuścił na rynek nowy flagowy model Gemini 3.1 Pro. Skok wydajnościowy jest imponujący – system osiągnął wynik 77,1 proc. w wymagającym teście rozumowania ARC-AGI-2, ustanawiając zupełnie nowe standardy rynkowe. Warto przy tym dodać, iż nakłady kapitałowe firmy Alphabet zaplanowane na ten rok wynoszą nawet 185 mld dol. (stanowi to niemal dwukrotność zeszłorocznych wydatków), a większość tej astronomicznej sumy zasili właśnie infrastrukturę wspierającą AI.
