W lipcu 2026 roku Giorgio Parisi — laureat Nagrody Nobla z fizyki z 2021 roku — oraz Francesco Zamponi opublikowali pracę z dziedziny fizyki teoretycznej, w której model językowy Claude od Anthropic odegrał kluczową rolę przy konstruowaniu dowodu matematycznego. Nie chodzi o asystenta do korekty tekstu ani generatora streszczeń — model samodzielnie wyprowadził centralną część rozumowania w bardzo technicznym problemie dotyczącym zakleszczania (ang. jamming). Dla nas, obserwujących AI od lat, to jeden z tych momentów, które trudno zbagatelizować: granica między narzędziem a partnerem intelektualnym właśnie przesunęła się w sposób mierzalny.
Co to jest jamming i dlaczego fizycy poświęcają mu dekady badań?
Jamming, czyli zakleszczanie, to zjawisko fizyczne, w którym układ wielu swobodnie poruszających się elementów — cząstek, granul, kropelek — nagle traci płynność i zachowuje się jak ciało stałe. Nie dlatego, że cząstki się skleiły lub stopiły, ale dlatego, że geometria wzajemnych kontaktów i ograniczeń sprawia, że żaden element nie może się już swobodnie przemieścić.
Najbardziej intuicyjny obraz to garść ziaren piasku lub ryżu w worku. Gdy są luźno rozsypane, przesuwają się swobodnie. Gdy upakowanie przekroczy pewien krytyczny próg, układ nagle zachowuje się jak amorfalny kamień. Zjawisko to opisuje fizykę emulsji, pian, szkła, proszków przemysłowych, a nawet strukturę niektórych materiałów biologicznych.
Problem jest trudny, bo leży na przecięciu mechaniki statystycznej, geometrii i teorii układów złożonych. Brakuje tu symetrii kryształu, którą można elegancko zapisać równaniem. Zamiast tego mamy miliardy lokalnych ograniczeń, których wspólne zachowanie wymaga zupełnie innego aparatu matematycznego — i właśnie przy formalnym dowodzie jednego z aspektów tego zachowania pojawił się Claude.
Jak Claude uczestniczył w tworzeniu dowodu matematycznego?
Parisi i Zamponi pracowali z dwoma wersjami modelu Anthropic: Claude Opus 4.7 oraz Claude Sonnet 4.6. Według opisu samych autorów, Opus 4.7 wyprowadził kluczową część dowodu przy minimalnym nadzorze człowieka — co w kontekście fizyki matematycznej oznacza przeprowadzenie wielokrokowego, formalnego rozumowania, a nie jedynie zaproponowanie intuicji czy analogii.
Wcześniejsza wersja rozumowania zawierała nieścisłości. Fizycy je zidentyfikowali, wskazali modelowi miejsca błędów, a Claude poprawił tok rozumowania. Sonnet 4.6 posłużył następnie do dopracowania drobniejszych kroków w dowodzie. Finalny wynik przeszedł pełną ludzką weryfikację: autorzy przeczytali każdy krok, usunęli fragmenty uznane za niejasne lub niepewne i dopiero wtedy opublikowali pracę pod własnymi nazwiskami.
Ten tryb pracy — człowiek jako weryfikator, AI jako proponujący rozumowanie — jest istotnie inny od modelu, gdzie AI podpowiada słowa kluczowe lub formatuje tekst. Parisi i Zamponi nie ukryli roli Claude’a; opisali ją wprost w pracy, co samo w sobie jest krokiem w stronę transparentności w nauce.
Redakcja IWD Partner: Przez lata pytanie brzmiało: „czy AI może myśleć jak naukowiec?” Tymczasem ważniejsze okazało się inne pytanie: „czy naukowiec z AI może myśleć szybciej i głębiej niż bez niej?” Praca Parisiego i Zamponi sugeruje, że odpowiedź zaczyna być twierdząca — i to w jednej z najtrudniejszych dziedzin, gdzie nie ma miejsca na ładnie brzmiące, ale błędne zdania. Zastanawia nas, ile podobnych współprac pozostaje nieujawnionych w setkach laboratoriów na świecie.
Czym różni się ten przypadek od typowego użycia AI w nauce?
Modele językowe od kilku lat pojawiają się w naukowych przepływach pracy: pomagają w korekcie manuskryptów, generują przeglądy literatury, sugerują hipotezy na podstawie istniejących danych. AlphaFold 3 od Google DeepMind, opublikowany w 2024 roku w czasopiśmie Nature, przewidywał struktury białek z dokładnością porównywalną do eksperymentu — ale działał jako wyspecjalizowany model predykcyjny, nie jako system ogólnego rozumowania.
Przypadek Parisiego i Zamponi różni się jakościowo: Claude nie jest wyspecjalizowanym systemem fizycznym. Opus 4.7 to model ogólnego przeznaczenia, który zastosował formalne rozumowanie dedukcyjne w nowym, niewidzianym wcześniej problemie. To bliżej działania matematyka niż kalkulatora.
| Zastosowanie AI w nauce | Typ zadania | Przykład | Rok |
|---|---|---|---|
| Predykcja struktury białek | Wyspecjalizowany model predykcyjny | AlphaFold 3, Google DeepMind | 2024 |
| Analiza danych astronomicznych | Klasyfikacja i wykrywanie wzorców | Modele CNN, projekt LSST/Rubin Observatory | 2023–2025 |
| Dowód matematyczny w fizyce teoretycznej | Formalne rozumowanie dedukcyjne | Claude Opus 4.7, Parisi & Zamponi | 2026 |
Kluczowa różnica leży w możliwości weryfikacji. Dowód matematyczny można rozłożyć na kroki i sprawdzić każdy z nich niezależnie. Parisi i Zamponi zrobili dokładnie to — i ten fakt odróżnia opisaną pracę od scenariusza, w którym AI generuje coś, co jedynie wygląda przekonująco.
Dlaczego praca Parisiego i Zamponi ma znaczenie dla nauki?
Giorgio Parisi otrzymał Nagrodę Nobla z fizyki w 2021 roku za odkrycia dotyczące złożonych układów fizycznych, w tym szkieł spinowych — obszaru blisko spokrewnionego z fizyką jammingu. Jego udział w opisywanej pracy nadaje jej natychmiastowy autorytet, ale ważniejsze jest co innego: po raz pierwszy tak wyraźnie udokumentowany, zrecenzowany i opublikowany dowód naukowy zawiera istotny wkład modelu językowego ogólnego przeznaczenia.
Jeśli obserwacje i weryfikacja przeprowadzona przez autorów są rzetelne — a nie ma podstaw, by sądzić inaczej, biorąc pod uwagę doświadczenie Parisiego — oznacza to, że modele językowe w 2026 roku osiągnęły poziom, na którym mogą uczestniczyć w produkcji nowej wiedzy naukowej, nie tylko w jej komunikowaniu. Według wstępnych danych z 2026 roku, Anthropic opisuje Opus 4.7 jako model z rozszerzonymi możliwościami wieloetapowego rozumowania, co koresponduje z opisem autorów pracy.
Dla laboratoriów teoretycznych, gdzie postęp często blokuje brak rąk do sprawdzania długich, technicznych rozumowań, taki partner — dostępny całą dobę, zdolny do pracy z gęstą notacją matematyczną — może istotnie przyspieszyć tempo odkryć. Jednocześnie otwiera pytania o atrybucję autorstwa, odpowiedzialność za błędy i standardy dokumentowania roli AI w publikacjach naukowych.
Powiązane pojęcia technologiczne
- Jamming (zakleszczanie) — zjawisko fizyczne, w którym układ wielu swobodnych elementów nagle przechodzi w stan sztywny w wyniku przekroczenia krytycznego progu upakowania, bez tworzenia regularnej struktury krystalicznej.
- Materia miękka — dziedzina fizyki badająca układy, których struktura jest wrażliwa na perturbacje termiczne, takie jak emulsje, pianki, polimery, koloidy i materiały biologiczne.
- Model językowy (LLM) — system sztucznej inteligencji trenowany na dużych zbiorach tekstu, zdolny do generowania, analizowania i transformowania języka naturalnego oraz formalnego, w tym kodu i notacji matematycznej.
- Rozumowanie dedukcyjne — typ wnioskowania, w którym konkluzja wynika z przesłanek z koniecznością logiczną; podstawa formalnych dowodów matematycznych i fizycznych.
- Mechanika statystyczna — dział fizyki łączący mikroskopowe właściwości cząstek z makroskopowymi właściwościami układów złożonych za pomocą aparatu statystycznego i termodynamiki.
Na podstawie materiałów źródłowych.
