Як штучний інтелект GPT-5.2 революціонізує теоретичну фізику
Група фізиків із провідних університетів об’єднала зусилля з потужною моделлю штучного інтелекту GPT-5.2, щоб отримати нові результати у теоретичній фізиці. Хоча сама знахідка технічно складна та адресована вузькому колу спеціалістів, інноваційні методи, за допомогою яких було досягнуто відкриття, вже викликають неабиякий резонанс.
Що стоїть за проблемою
Уявімо, що ви хочете передбачити, що відбувається, коли частинки стикаються одна з одною. Фізики квантових частинок користуються формулами, які називаються амплітудами розсіювання — саме вони визначають ймовірність певних результатів при зіткненні часток.
Традиційно для цих обчислень використовують діаграми Фейнмана — це схематичні зображення можливих шляхів взаємодії частинок. Найпростіші з таких — так звані деревовидні діаграми, які нагадують справжнє дерево: частинки приходять, взаємодіють у вузлах і виходять, але шляхи не замкнені назад.
Навіть попри відносну простоту деревовидних діаграм, зі збільшенням кількості частинок, необхідно проробити неймовірно велику кількість обчислень: тисячі, а іноді і мільйони різних варіантів. І тут виявляється одна цікава річ: коли всі ці складні формули складають докупи, відповідь часто виявляється надзвичайно простою — тисячі термінів загадково скорочуються до кількох, і цей феномен став сюрпризом для фізиків ще наприкінці 20 століття.
Нове дослідження зосередилося на зіткненнях глаунів — частинок, що тримають кварки разом всередині протонів і нейтронів. Вони є носіями сильної взаємодії — однієї з чотирьох фундаментальних сил природи. Особливістю глаунів є їхня гелікалітетність (спінові характеристики), які можна уявити як напрямок обертання м’яча для футболу у польоті: за чи проти годинникової стрілки. Фізики позначають це знаком плюс або мінус.
Нові відкриття завдяки штучному інтелекту
Попередні уявлення стверджували, що певні комбінації спінів глаунів просто не можуть існувати — наприклад, коли один глаун має мінусовий спін, а всі інші — плюсовий. Проте новий аналіз показав: це не зовсім так. У спеціальних умовах, які назвали напівколінеарними (частинки рухаються майже в одному напрямку), ці скоріше неможливі до цього часу амплітуди виявляються реальними.
Вражає те, що саме GPT-5.2 Pro вперше запропонував формулу, яка описує таку ситуацію. Далі інша AI-система, яку спеціально розробили в OpenAI, довела її правильність. Людські фізики перевірили результати, керуючись суворими математиками і правилами консистентності, і підтвердили, що формула підходить.
Порівняйте: старі методи для шести глаунів створювали формули з 32 елементів, тоді як новий підхід з AI дає формулу, складену з n-2 множників (де n — кількість частинок), що робить обчислення набагато простішими та більш елегантними.
Як зауважив професор Німа Аркані-Гамед із Інституту перспективних досліджень, іноді фізичні вирази зазвичай виглядають надто складно, але насправді приховують глибинну простоту, що відкриває нові горизонти для розуміння природи.
Помилки і виклики штучного інтелекту у науці
Хоча успіх GPT-5.2 є вражаючим, він одночасно ставить питання: наскільки надійний може бути AI у складних теоретичних дослідженнях? Інші приклади показують, що справа не настільки однозначна.
Раніше фізик Стівен Хсу використав GPT-5 для експериментальних досліджень, під час яких штучний інтелект пропонував нові ідеї й перевіряв обчислення. Але він також припускав, що AI помиляється — від простих обчислювальних помилок до глибших концептуальних неточностей.
Цей випадок нагадує співпрацю з «блискучим, але непередбачуваним генієм», який може здивувати, але й збентежити одночасно.
Відгуки психологів і фізиків вказують, що в певних випадках AI просто не розуміє, що проблема давно вирішена, і може запропонувати застарілі чи навіть хибні підходи.
Як люди допомагають навчати AI
Ще один відомий випадок — фізик Джонатан Оппенгейм, який досліджував алгоритми ІІ Anthropic AI “Claude”. Він зауважив, що AI швидко виконав складні обчислення, але помилився у відповідях. При цьому, повторні перевірки та самоаналіз проблем AI допомогли йому коригувати помилки.
Особливий підхід полягав у застосуванні «файлу навичок», який дає штучному інтелекту змогу вчитися на помилках, хоча після кожного циклу його “пам’ять” була очищена. Це призвело до того, що через кілька ітерацій AI було змушено розбивати обчислення на кроки, користуватися допоміжними програмами і виконувати повторні перевірки, поки нарешті результат співпав з тижневою роботою фізика.
Штучний інтелект у наукових дослідженнях: перспективи та обмеження
Як зауважив теоретик комп’ютерних наук Скотт Ааронсон, AI поки ще не здатний повністю написати цілком коректну й якісну наукову статтю. Проте він може бути відмінною підтримкою у кризових моментах досліджень.
Наразі штучний інтелект стає невід’ємною частиною науки: він допомагає у всьому, починаючи від автоматизації рутинних завдань до генерації нових ідей. Проте варто пам’ятати про необхідність ретельної перевірки результатів та участі людини, особливо в оцінці новизни, значущості і розвитку наукової думки.
Завдяки такій співпраці можуть розкритися нові обрії, але інакше є ризик створення масових публікацій низької якості — навмисно чи через необачність, що теж стає викликом науковій спільноті.
