Исследователи проанализировали потенциал современных языковых моделей в решении задач фундаментальной физики, сопоставимых с прорывами Альберта Эйнштейна. Работа оценивает способность ИИ не просто синтезировать существующие данные, а генерировать принципиально новые теоретические концепции. Авторы изучают границы текущих архитектур в контексте научной интуиции, логического вывода и способности к абстрактному мышлению, необходимому для пересмотра физических законов.
В исследовании рассматривается гипотеза о том, что ИИ может выступать в роли «автономного исследователя», способного формулировать проверяемые гипотезы в условиях дефицита экспериментальных данных. Ученые тестируют модели на задачах, требующих глубокого понимания нелинейных связей и математического моделирования, которые традиционно считались прерогативой человеческого интеллекта. Особое внимание уделяется тому, как именно нейросети обрабатывают парадоксы и противоречия, лежащие в основе великих научных теорий.
Авторы подчеркивают, что текущие системы демонстрируют успехи в формализации известных знаний, однако переход к созданию новых парадигм требует изменения подходов к обучению моделей. Исследование ставит вопрос о необходимости интеграции символьных вычислений с нейросетевыми методами для достижения уровня когнитивной гибкости, характерного для великих ученых прошлого.
Ключевые факты
- Исследование сфокусировано на способности LLM к генерации новых физических теорий, а не на анализе существующих данных.
- Оценивается эффективность моделей в работе с абстрактными концепциями, которые привели к созданию теории относительности.
- Работа анализирует разрыв между способностью моделей к аппроксимации функций и глубоким концептуальным пониманием физических явлений.
- Предложены критерии для оценки «научной креативности» ИИ, основанные на способности формулировать проверяемые предсказания в новых областях физики.