Badacz Google DeepMind: LLM-y nie potrafią wykonać twórczego skoku Einsteina

Badacz pracujący na co dzień nad jednymi z najbardziej zaawansowanych systemów AI ogłosił publicznie, że te same systemy nie są w stanie zrobić czegoś, co ponad sto lat temu zrobił Albert Einstein bez komputera. Tom Zahavy z Google DeepMind, współautor pracy nad AlphaProof, przedstawił na konferencji ICML 2026 artykuł stanowiskowy "LLMs can't jump", w którym twierdzi, że obecne duże modele językowe są strukturalnie niezdolne do tworzenia nowych naukowych teorii od podstaw.

Trzy typy rozumowania

Zahavy opiera swój argument na rozróżnieniu trzech typów rozumowania: indukcji, dedukcji i abdukcji. Indukcja to statystyczne rozpoznawanie wzorców, w czym dzisiejsze modele językowe są już bardzo dobre. Dedukcja to formalne dowodzenie na podstawie ustalonych przesłanek, a modele takie jak systemy DeepMind budowane do matematyki szybko się w tym doskonalą.

Trzecim typem jest abdukcja, czyli zdolność do wygenerowania zupełnie nowej, wyjaśniającej hipotezy tam, gdzie wcześniej nie było żadnych ustalonych przesłanek. To właśnie ten mechanizm, według autora, pozostaje poza zasięgiem obecnych systemów sztucznej inteligencji. Model może dowieść twierdzenia z podanych aksjomatów, ale nie potrafi sam wymyślić tych aksjomatów od zera.

Przykład Einsteina

Centralnym studium przypadku w pracy jest droga Einsteina do ogólnej teorii względności. Zahavy opisuje odkrycie naukowe jako cykliczny proces: intuicyjny skok od doświadczenia zmysłowego do nowych aksjomatów, a dopiero potem logiczna dedukcja wniosków z tych aksjomatów. W przypadku Einsteina dane obserwacyjne dostępne w momencie formułowania teorii były skąpe, a mimo to fizyk zdołał wyprowadzić spójny matematycznie i fizycznie model grawitacji.

Zdaniem autora ten przypadek podważa popularną w środowisku AI tezę, że kreatywność to w istocie forma kompresji danych, czyli statystycznego uogólniania z dużych zbiorów obserwacji. Skoro Einstein doszedł do przełomowej teorii przy minimalnej ilości danych, sama kompresja informacji nie tłumaczy, skąd wzięła się jego teoria.

LLM-y strukturalnie nie są zdolne do abdukcyjnego 'skoku' potrzebnego do ustalenia pierwszych przesłanek - Tom Zahavy, Google DeepMind

Głos z wewnątrz laboratorium

Praca zwraca uwagę przede wszystkim dlatego, że jej autor nie jest zewnętrznym krytykiem branży AI, lecz badaczem jednego z laboratoriów najmocniej inwestujących w rozwój możliwości modeli językowych. Zahavy współtworzył AlphaProof, system DeepMind, który w 2024 roku osiągnął wynik odpowiadający srebrnemu medalowi na Międzynarodowej Olimpiadzie Matematycznej, więc trudno zarzucić mu brak wiedzy o realnych możliwościach dzisiejszych modeli.

Publikacja pojawiła się w momencie, gdy laboratoria AI, w tym samo DeepMind, publicznie deklarują ambicje sięgające ogólnej sztucznej inteligencji i superinteligencji w perspektywie kilku lat. Stanowisko Zahavy'ego stawia pod znakiem zapytania jeden z filarów tych zapowiedzi: założenie, że skalowanie obecnych architektur samo z siebie doprowadzi do zdolności generowania nowych teorii naukowych.

Co proponuje autor

Zahavy nie ogranicza się do krytyki. Jako drogę wyjścia proponuje budowę fizycznie spójnych, multimodalnych modeli świata, czyli systemów, które uczyłyby się nie tylko z tekstu, ale z bezpośredniego, wielozmysłowego kontaktu z fizyczną rzeczywistością zgodną z prawami natury. Jego zdaniem to właśnie brak takiego ugruntowania sensorycznego, a nie sama architektura transformera, odpowiada za niezdolność modeli do abdukcyjnego skoku.

Innymi słowy, według autora problem nie zniknie wraz z kolejnymi, większymi wersjami dzisiejszych modeli językowych trenowanych głównie na tekście z internetu. Potrzebna byłaby fundamentalnie inna droga uczenia, bliższa temu, jak ludzie budują intuicje fizyczne poprzez doświadczenie, a nie przez czytanie opisów tego doświadczenia.

Co to znaczy dla praktyków

Dla firm i zespołów badawczych korzystających dziś z modeli językowych do wspierania pracy naukowej praca Zahavy'ego to sygnał ostrożności wobec marketingowych obietnic "AI-naukowca" generującego przełomowe teorie samodzielnie. Nie podważa to użyteczności modeli w dedukcji, czyli w dowodzeniu, weryfikacji hipotez czy przetwarzaniu ogromnych zbiorów danych, ale sugeruje, że formułowanie zupełnie nowych ram teoretycznych pozostanie na razie domeną ludzi.

Praca została przyjęta jako plakat na ICML 2026, jednej z najważniejszych konferencji poświęconych uczeniu maszynowemu, co oznacza, że przeszła recenzję środowiska naukowego, a nie jest jedynie głosem pojedynczego badacza publikowanym poza oficjalnym obiegiem. Dyskusja wokół tekstu, także w mediach społecznościowych i na blogach badaczy, wskazuje, że argument Zahavy'ego trafił w istotny spór w środowisku AI o granice możliwości dzisiejszych architektur.