Matematyka AI przeżywa właśnie swój „moment policzka” sprzed dziesięciu lat, podobny do tego z gry Go.
Osobą o podobnej opinii jest nie kto inny, jak współzałożyciel DeepMind, Hassabis, który dziesięć lat temu napędzał projekt AlphaGo.
Choć Hassabis przeszedł ostatnio szereg zmian tożsamości – od CEO DeepMind do głównego naukowca Google i przewodniczącego DeepMind.
Jeśli chodzi o to, jak AI zmienia ludzkie poznanie, wciąż jest jedną z osób, które mają najwięcej do powiedzenia.
Dziesięć lat temu był świadkiem, jak AlphaGo dzięki zdumiewającemu 37. ruchowi pokonał legendarnego gracza Lee Sedola.
Dziesięć lat później, stojąc na pierwszej linii frontu, gdzie AI wkracza na front matematyki i nauki, wydał nowy osąd:
Jeśli AI rozwiąże jeden z problemów milenijnych, będzie to przełom na miarę „37. ruchu”. Obecnie wydaje się, że osiągnięcie tego poziomu przez AI to tylko kwestia czasu, nie widzę powodu, dla którego miałoby się to nie wydarzyć.
37. ruch, moment, w którym ludzkość po raz pierwszy została spoliczkowana przez AI, został zapamiętany przez świat.
Ale niewielu pamięta, że 37. ruch nie był jedyną odpowiedzią, jaką pozostawił ten mecz człowiek-maszyna.
Po dwóch partiach, Lee Sedol, który przegrał już trzy razy z rzędu, wykonał 78. ruch.
Ten ruch również miał tylko jedną dziesięciotysięczną szansę, że wykona go człowiek, ale udało mu się zaskoczyć AlphaGo i pomógł Lee Sedolowi odnieść jedyne ludzkie zwycięstwo w meczu do pięciu partii.
Dziesięć lat później, wracając do tego meczu człowiek-maszyna, nie sposób nie westchnąć:
Relacja między człowiekiem a AI jest właśnie jak te dwie liczby.
Jedna sprawia, że ludzkość na nowo poznaje AI, druga sprawia, że ludzkość na nowo poznaje samą siebie.
37. ruch, który zawstydził ludzkość
Cofnijmy się do marca 2016 roku, kiedy w Seulu w Korei Południowej odbywał się mecz AlphaGo z Lee Sedolem do pięciu partii.
W pierwszej partii Lee Sedol nie sprostał AlphaGo i zaczął od porażki.
W drugiej partii cały świat czekał, aż ten legendarny gracz przypuści kontratak.
W środku partii Lee Sedol chwilowo opuścił stół, zapalił papierosa, aby uspokoić nerwy, ale gdy wrócił do szachownicy, czarny kamień już został położony.
37. ruch.
Lee Sedol nie usiadł od razu, stał w miejscu i wpatrywał się w szachownicę, niemal nie wierząc własnym oczom.
Powód jest prosty: ten ruch był zbyt niepodobny do człowieka.
AlphaGo położyło kamień na piątej linii, odbiegając od intuicji otwarcia, którą profesjonalni gracze pielęgnowali przez setki lat. W konwencjonalnym rozumieniu ludzkiego Go kamienie powinny zajmować jak najwyższe pozycje, aby kontrolować całą planszę, ale AlphaGo położyło kamień w obszarze, w którym nie toczyła się jeszcze bezpośrednia walka.
Komentatorzy na miejscu początkowo nawet podejrzewali, że AlphaGo mogło popełnić błąd.
Profesjonalny gracz 9 dan Michael Redmond, komentujący mecz, długo nie mógł ocenić tego czarnego kamienia i mógł tylko powiedzieć:
Nie wiem, czy to dobry, czy zły ruch, jest bardzo dziwny.
Jego partner był bardziej bezpośredni:
Myślałem, że to błąd.
Zespół DeepMind później obliczył, że prawdopodobieństwo, iż ludzki gracz wykona ten ruch, wynosiło tylko jedną dziesięciotysięczną.
Ale w miarę postępu partii ludzie stopniowo zaczęli dostrzegać, że to nie był zły ruch, ale genialny ruch, który zmienił przebieg bitwy na większą skalę.
Około 100 ruchów później ten czarny kamień, który wydawał się być na złym miejscu, okazał się kluczem do wygrania przez AlphaGo drugiej partii.
Później ten moment, w którym ludzkość zbiorowo się pomyliła, zaczęto żartobliwie nazywać „momentem policzka” –
Początkowo wydawało się, że to AI się myli, ale w rzeczywistości to ludzkość się myliła.
Jednak poza policzkiem, ten ruch uświadomił całemu światu po raz pierwszy, że AI nie tylko naśladuje ludzi w grze, ale potrafi wykonać ruch, o jakim człowiek nigdy nie pomyślał.
I właśnie dziesięć lat później „37. ruch” rzeczywiście pojawił się ponownie, i tym razem wiąże się ze starożytną dyscypliną:
matematyką.
Dla AI Go i matematyka mają jedną wielką wspólną cechę, a mianowicie weryfikowalność.
Ponieważ logika i zasady w tych dziedzinach są wystarczająco jasne, AI może wielokrotnie powtarzać prosty proces:
Wypróbuj pomysł, przetestuj go, ucz się na wynikach, a następnie kontynuuj próby, aż do sukcesu (ta cała sprawa z uczeniem przez wzmacnianie).
Ten mechanizm wyjaśnia również, dlaczego matematyka stała się pierwszą dyscypliną, która została skoncentrowana na „37. ruchu” AI.
W dziedzinach takich jak badania leków czy biologia, sprawdzenie, czy pomysł jest skuteczny, często wymaga długotrwałych eksperymentów.
Matematyka jest inna – dowód można sprawdzać krok po kroku, prawda to prawda, błąd to błąd, dlatego AI może niestrudzenie przeszukiwać.
W ten sposób, wraz ze wzrostem możliwości AI, zmiany zaczęły przyspieszać w skali lat.
Począwszy od narodzin ChatGPT, w 2023 roku duże modele wciąż potykały się o podstawowe zadania arytmetyczne – pomyłka przy porównaniu „9.11 i 9.9, które jest większe” wywoływała śmiech.
Ale już w 2024 roku AlphaProof i AlphaGeometry 2 od DeepMind wdarły się na Międzynarodową Olimpiadę Matematyczną.
Oba systemy rozwiązały 4 z 6 zadań, zdobywając 28 punktów, co odpowiada poziomowi srebrnego medalu (do złota zabrakło tylko 1 punktu).
A zaledwie rok później Gemini Deep Think rozwiązał 5 zadań w ciągu 4,5 godziny przewidzianych na oficjalne zawody, zdobywając 35 punktów i osiągając poziom złotego medalu IMO.
W dwa lata AI przeszła od nowicjusza do złotego medalu IMO – imponujące tempo.
Ale to dopiero egzamin.
To, co naprawdę zalało środowisko matematyczne, to przejście AI od „rozwiązywania zadań” do „prowadzenia badań”.
W 2025 roku GPT-5 wziął udział w rozwiązaniu problemu Erdősa nr 848, proponując kluczowe oszacowanie potrzebne do dowodu.
Matematycy poprawili je i zaostrzyli, ostatecznie kończąc pełny dowód.
W tym samym roku matematyk z UCLA, Ernest Ryu, korzystając z GPT-5, znalazł przełom w otwartym problemie, który nurtował teorię optymalizacji od 40 lat.
Na tym etapie AI nie tylko oblicza odpowiedzi – zaczyna wnosić kluczowe pomysły.
Następnie, w 2026 roku, zaczęły się przełomy w szeregu ważnych problemów matematycznych.
Pierwszą bombę ponownie zrzuciło OpenAI.
Wewnętrzny model ogólnego rozumowania zajął się problemem jednostkowych odległości na płaszczyźnie. Problem ten został postawiony przez matematyka Paula Erdősa w 1946 roku i dotyczy tego, ile par punktów w odległości dokładnie 1 można maksymalnie uzyskać, umieszczając n punktów na płaszczyźnie.
Przez prawie 80 lat środowisko matematyczne uważało, że konstrukcje takie jak siatka kwadratowa są bliskie optymalnym.
Ale AI bezpośrednio przeniosło narzędzia z pozornie niepowiązanej algebraicznej teorii liczb, konstruując zupełnie nowy zbiór punktów i obalając to wieloletnie przypuszczenie.
Cały dowód został następnie zweryfikowany przez zewnętrznych matematyków.
OpenAI twierdzi, że to pierwszy przypadek, gdy ogólne AI samodzielnie rozwiązało otwarty problem o istotnym znaczeniu w dziedzinie matematyki.
Niedługo potem Anthropic również dołożył swoją cegiełkę.
W lipcu 2026 roku matematyk z Anthropic, Levent Alpöge, korzystając z Claude Fable 5, znalazł wyraźny kontrprzykład dla hipotezy Jacobiego.
Hipoteza, która nurtowała matematyków od 87 lat, została w ten sposób obalona przez AI w jedną noc.
Były też przypadki współpracy obu firm.
Zaledwie kilka dni temu GPT-5.6 i Fable 5 wspólnie rozwiązały problem matematyczny, który pozostawał otwarty przez 25 lat.
(Takich historii jest znacznie więcej…)
Najbardziej imponujący jest jednak Google – DeepMind zamienia te przełomy w taśmę produkcyjną.
Jego matematyczny agent Aletheia nie generuje tylko jednej odpowiedzi, ale wielokrotnie proponuje dowody, sprawdza luki, obala samego siebie i ponownie szuka ścieżek.
DeepMind użył go do przeskanowania 700 otwartych problemów z bazy danych hipotez Erdősa.
Spośród nich AI samodzielnie rozwiązało 4 nierozwiązane problemy, a także współtworzyło wiele wyników matematycznych na poziomie publikacji naukowych.
Ta próba pokazuje, że AI zaczyna już na masową skalę przeszukiwać białe plamy w świecie matematyki.
Nietrudno więc sobie wyobrazić:
To tylko kwestia czasu, zanim AI rozwiąże więcej poważnych problemów matematycznych.
Od rozwiązywania problemów do badań, od powtarzania znanej wiedzy do proponowania nieznanych odpowiedzi, 37. ruch w matematyce jest wykonywany jeden po drugim.
Szukając 78. ruchu ludzkości
A w obliczu tego momentu, który prawdopodobnie nadejdzie, ludzkość niewątpliwie stanie przed egzystencjalnym pytaniem:
Co zrobić, jeśli AI będzie nadal wymyślać nowe ścieżki, o których ludzie nigdy nie pomyśleli?
78. ruch z tamtego pojedynku sprzed dziesięciu lat może być odpowiedzią.
W czwartej partii meczu do pięciu zwycięstw, Lee Sedol, który przegrał już trzy razy z rzędu, wbił biały kamień w środek formacji AlphaGo.
Ten ruch również odbiegał od normy; AlphaGo oszacowało prawdopodobieństwo, że człowiek go wykona, na jedną dziesięciotysięczną.
Następnie maszyna straciła równowagę.
Lee Sedol ostatecznie zdobył jedyne zwycięstwo człowieka, a 78. ruch został nazwany „ruchem Boga”.
To zwycięstwo nie oznaczało, że ludzkość ponownie pokonała AI.
Ale przynajmniej pokazało, że człowiek może, po zrozumieniu maszyny, znaleźć następny ruch, którego maszyna się nie spodziewała.
To jest właśnie przesłanie 78. ruchu dla dzisiejszych czasów.
Gdy AI staje się coraz lepsze w udzielaniu odpowiedzi, wartość ludzi przesunie się bardziej w stronę zadawania pytań, określania kierunku i decydowania, które odpowiedzi naprawdę warto znaleźć.
Nawiązując do koncepcji „szachów centaura” z szachów, czyli wspólnej gry ludzkiego gracza i silnika komputerowego.
p.s. Po tym, jak w 1997 roku IBM-owski „Deep Blue” pokonał mistrza świata Kasparowa, Kasparow w 1998 roku zainicjował i zorganizował pierwsze „Mistrzostwa Szachów Centaura”, badając możliwości współpracy człowieka i AI.
Hassabis uważa, że nauka wkracza w podobną „erę centaura”:
Wkraczamy w erę współpracy człowieka i komputera; nie wiem, jak długo ten cykl potrwa. Ale w przypadku bardzo złożonych dziedzin może to trwać długo. Na przykład w badaniach leków, biologii, chemii itp. Te dziedziny są bardzo złożone, zmienne i nie można wszystkiego zweryfikować. Wtedy potrzebna jest ludzka intuicja i wnikliwość, aby określić kierunek działania.
Późniejsze zmiany w Go już to potwierdziły.
Po pojawieniu się AlphaGo, AI szybko stało się narzędziem do analizy partii dla profesjonalnych graczy; gracze mogą używać AI do ponownego sprawdzania starych joseki, odkrywając, które doświadczenia są w rzeczywistości niewiarygodne, oraz badać nowe ruchy, które wcześniej uważano za nierozsądne.
Badanie analizujące ponad 5,8 miliona ruchów profesjonalnych graczy wykazało:
Po pojawieniu się super AI, jakość ruchów ludzkich graczy znacznie wzrosła, a nowatorskich ruchów było więcej.
Jednak jest też druga strona medalu:
Ludzie zaczynają polegać na AI w udzielaniu odpowiedzi i stopniowo tracą zdolność oceniania odpowiedzi.
Jak powiedział Lee Sedol podczas przejścia na emeryturę, w obliczu niepokonanego przeciwnika trudno mu było nadal czerpać radość z gry w Go, którą kiedyś kochał.
To może być najbardziej niepokojący problem w erze AI.
Gdy więcej dziedzin poza matematyką ulega wpływowi AI, czy potężniejsze systemy uczynią nas bardziej kreatywnymi, wydajnymi i bardziej ludzkimi?
Czy też sprawią, że ludzie zrezygnują z wysiłku?
W przyszłości AI będzie nadal wykonywać 37. ruch.
Pozostaje pytanie, czy ludzkość znajdzie swój 78. ruch.
Linki referencyjne:
[1]https://www.wsj.com/tech/ai/move-37-ai-demis-hassabis-google-deepmind-alphago-ec832a41?st=9XMAjn&reflink=desktopwebshare_permalink
[2]https://x.com/demishassabis/status/2085914742414061886
Ten artykuł pochodzi z publicznego konta WeChat „Quantum Bit”, autor: śledzący najnowsze technologie.
