Adam Krzyż
Rys. Sławomir Makal
Dotychczasowy wywód dotyczył AI jako narzędzia symulacji – maszyny, która pomaga brzmieć jak naukowiec bez bycia nim. Obraz ten jest jednak niekompletny. Istnieje bowiem drugi, bardziej niepokojący wymiar tego zjawiska: przypadki, w których sztuczna inteligencja dokonuje prawdziwych odkryć naukowych, i to odkryć, do których ludzie sami by nie doszli.
Najbardziej spektakularnym przykładem jest AlphaFold, system DeepMind, który w 2020 roku rozwiązał problem fałdowania białek. Przez pięćdziesiąt lat był to jeden z najtrudniejszych otwartych problemów biologii strukturalnej: jak przewidzieć trójwymiarową strukturę białka na podstawie sekwencji aminokwasów? Tradycyjne metody eksperymentalne pozwoliły przez sześć dekad opisać strukturę około 170 tysięcy białek. AlphaFold w ciągu kilku miesięcy przewidział struktury ponad 200 milionów, praktycznie wszystkich znanych. W 2024 roku jego twórcy, Demis Hassabis i John Jumper, otrzymali Nagrodę Nobla z chemii. Jest to prawdopodobnie pierwszy Nobel bezpośrednio związany z odkryciem dokonanym przez algorytm.
Podobny charakter mają osiągnięcia systemu AlphaTensor, który w 2022 roku odkrył szybszy algorytm mnożenia macierzy, bijąc pięćdziesięcioletni rekord ustanowiony przez Volkera Strassena w 1969 roku. Rok później FunSearch, łącząc duży model językowy z programowaniem ewolucyjnym, znalazł nowe rozwiązanie problemu cap set w kombinatoryce dyskretnej, problemu, który Terence Tao, zdobywca Medalu Fieldsa, nazwał swoim ulubionym otwartym pytaniem matematycznym. Wyniki były weryfikowalne, poprawne i nowe: żaden człowiek ich wcześniej nie znał.
Być może najbardziej osobistym i dlatego najbardziej wymownym przykładem jest jednak historia prof. Donalda Knutha. Ten legendarny informatyk ze Stanforda, laureat Nagrody Turinga z 1974 roku i autor monumentalnego, wielotomowego dzieła The Art of Computer Programming, jest jednym z ojców założycieli informatyki jako dyscypliny naukowej. Ma osiemdziesiąt osiem lat i wciąż pisze kolejne tomy. W lutym 2026 roku opublikował krótką pracę zatytułowaną Claude’s Cycles, która zaczyna się od słów wyrażających niekłamane zaskoczenie, co jak na kogoś o tak powściągliwym stylu jest naprawdę wyjątkowe.
Chodziło o problem dekompozycji grafów skierowanych na cykle Hamiltona, zagadnienie, nad którym prof. Knuth pracował od tygodni z myślą o kolejnym tomie książki. Rozwiązał przypadek bazowy (siatka 3×3×3), jego przyjaciel Filip Stappers empirycznie potwierdził rozwiązania dla siatek do 16×16×16, ale ogólna konstrukcja – formuła działająca dla dowolnego nieparzystego m – nie istniała. Stappers podał ten sam problem modelowi Claude Opus 4.6. W ciągu godziny, na przestrzeni trzydziestu jeden prób, model przetestował podejścia algebraiczne, przeszukiwanie siłowe, wzorce serpentynowe, symulowane wyżarzanie. Trafiał w ślepe zaułki i zmieniał kierunek, w sposób, który prof. Knuth porównał do pracy doktoranta. Przełom nastąpił, gdy model samodzielnie rozpoznał strukturę matematyczną problemu jako digraf Cayleya i przeformułował podejście. Końcowa konstrukcja – zwięzły zestaw reguł wyrażalny jako krótki program w języku C – okazała się poprawna dla wszystkich testowanych nieparzystych wymiarów od 3 do 101.
Prof. Knuth sam napisał ścisły dowód matematyczny, model znalazł konstrukcję, ale formalizacja i weryfikacja pozostały dziełem człowieka. Proces wymagał też ludzkiego prowadzenia: Stappers wielokrotnie naprowadzał model, przypominał o dokumentowaniu wyników, restartował sesję po błędach. Nie była to praca autonomiczna, ale nie była też trywialna. Prof. Knuth odkrył następnie, że rozwiązanie znalezione przez model jest jednym z 760 poprawnych podejść tego samego typu. Co więcej, w ciągu dwóch tygodni od publikacji inni badacze, korzystając z różnych modeli AI, rozwiązali także przypadek parzysty, zamykając problem całkowicie. Prof. Knuth, który jeszcze trzy lata wcześniej nazywał modele językowe maszynami do symulowania wiedzy, zakończył pracę słowami: „Chyba będę musiał zrewidować swoje poglądy na temat generatywnej AI”.
Co to oznacza w języku Kuhna? W Strukturze rewolucji naukowych Kuhn rozróżniał naukę normalną: żmudne rozwiązywanie zagadek w ramach istniejącego paradygmatu, od rewolucji naukowych, które paradygmat obalają. Przełomy takie następowały, gdy narastały anomalie, których paradygmat nie potrafił wyjaśnić, aż wspólnota naukowa dochodziła do kryzysu i zmiany perspektywy. Był to proces głęboko ludzki: wymagał rozpoznania anomalii, frustracji, intuicji, odwagi odrzucenia dotychczasowych założeń.
Tymczasem AlphaFold nie przeszedł przez żaden z tych etapów. Nie rozpoznał anomalii, nie przeżył kryzysu, nie zrewidował przekonań. Rozwiązał problem przez masową optymalizację w przestrzeni, która dla człowieka jest niedostępna ze względu na jej rozmiar. Odkrycie nastąpiło poza procesem, który Kuhn opisywał, i to odkrycie autentyczne, nagradzane najwyższym wyróżnieniem w nauce.
Stajemy tym samym wobec pytania, którego filozofia nauki jeszcze dobrze nie przetworzyła: czy rozumienie jest warunkiem koniecznym odkrycia? Dotychczas odpowiedź była oczywista. Dziś niekoniecznie.
AlphaFold i FunSearch to przypadki, w których AI rozwiązuje konkretne, dobrze zdefiniowane problemy badawcze z wynikami weryfikowalnymi i jednoznacznymi. Istnieje jednak przedsięwzięcie, które testuje coś znacznie bardziej prowokacyjnego: czy sztuczna inteligencja potrafi prowadzić badania empiryczne od początku do końca – samodzielnie formułować pytanie, dobierać dane, przeprowadzać analizę i pisać artykuł – na masową skalę i w dyscyplinie, w której interpretacja i osąd mają fundamentalne znaczenie?
Project APE (Autonomous Policy Evaluation), prowadzony przez Social Catalyst Lab na Uniwersytecie Zuryskim, jest właśnie takim eksperymentem. System autonomicznie generuje prace z zakresu ekonomii polityki publicznej, korzystając z publicznie dostępnych danych. Do kwietnia 2026 roku wyprodukował ponad 940 artykułów roboczych i produkuje kolejne w tempie niewyobrażalnym dla żadnego zespołu ludzkiego: prawie dwieście nowych prac w ciągu jednego tygodnia.
Liczby te, same w sobie, stanowią już ilustrację problemu opisanego w poprzednich częściach tego tekstu. Dziewięćset artykułów w kilka miesięcy to output w najczystszej postaci. Pytanie brzmi: czy to jest nauka?
Twórcy projektu podchodzą do tego pytania z godną uznania otwartością. Każdy wygenerowany artykuł, wraz z kodem, danymi i historią błędów, jest publicznie dostępny. Co więcej, prace oceniane są w systemie turniejowym: każdy artykuł APE rywalizuje w bezpośrednich porównaniach z artykułami opublikowanymi w najlepszych czasopismach ekonomicznych, takich jak „American Economic Review” czy „American Economic Journal: Policy”. Porównań dokonuje model AI w roli redaktora, z kontrolą pozycyjną eliminującą stronniczość kolejności.
Wyniki są wymowne i dwuznaczne. Średnia ocena Elo artykułów APE (około 1275) jest znacząco niższa od średniej artykułów z AER (1846) i AEJ: Policy (1724). Ogólny wskaźnik wygranych APE w porównaniach z ludzkimi benchmarkami wynosi zaledwie 4%. Większość wygenerowanych prac to – jak sami autorzy projektu przyznają – potencjalny odpad, pełen błędów, halucynacji, pozornych korelacji.
A jednak kilka artykułów APE przebiło się do pierwszej trzydziestki ogólnego rankingu, rywalizując z recenzowanymi pracami z czołowych czasopism. Najwyżej oceniony – analiza wpływu regionalnych limitów dopłat na ceny nieruchomości w Wielkiej Brytanii – zajmuje dwudzieste czwarte miejsce wśród niemal tysiąca prac, wyprzedzając część artykułów z AEJ: Policy. To wynik, który trudno zlekceważyć.
Project APE jest fascynujący nie dlatego, że rozstrzyga spór o rolę AI w nauce, lecz dlatego, że go inscenizuje z bezwzględną przejrzystością. Widać w nim jednocześnie obie strony medalu: masową produkcję pseudonauki i sporadyczne wytwarzanie czegoś, co przynajmniej formalnie spełnia standardy dyscypliny. Widać skalę i widać śmietnik, który ta skala za sobą zostawia. Na stronie projektu czerwonym drukiem widnieje ostrzeżenie: żadna z wygenerowanych prac nie przeszła recenzji i nie powinna służyć za podstawę decyzji politycznych.
Ale to ostrzeżenie jest jednocześnie wyznaniem pewnej bezradności. Jeśli system potrafi, choćby w nielicznych przypadkach, wyprodukować artykuł, który w ślepej ocenie rywalizuje z ludzką pracą opublikowaną w AER, to granica między nauką a jej symulacją zaczyna przebiegać w miejscu, którego nie da się łatwo wskazać. Projekt APE nie odpowiada na pytanie, czy automatyzacja badań jest możliwa. On pokazuje, że odpowiedź będzie długa, bolesna i pełna wyjątków z obu stron.
Dla niniejszego wywodu APE jest szczególnie istotny, bo stanowi idealną realizację metafory „nauki jako produkcji”. Dziewięćset czterdzieści artykułów w kilka miesięcy to nie jest patologia systemu parametrycznego. To jest jego logiczna doskonałość, osiągnięta za pomocą maszyny, której nie ogranicza ani zmęczenie, ani wątpliwości, ani konieczność rozumienia tego, co pisze.
Pytania te nie są abstrakcją, toczą się już w polskim środowisku naukowym, choć jeszcze bez pełnej intensywności. Centralną postacią tej dyskusji jest prof. Piotr Sankowski z Uniwersytetu Warszawskiego, laureat czterech grantów Europejskiej Rady ds. Badań Naukowych i dyrektor Instytutu Badawczego IDEAS, powołany w 2026 roku, jako jedyny Polak, do czterdziestoosobowego Niezależnego Międzynarodowego Panelu Naukowego ONZ ds. AI.
Prof. Sankowski od kilku lat konsekwentnie stawia tezę, która w środowisku matematycznym wciąż budzi opór. Jego zdaniem matematyka będzie pierwszą dziedziną nauki, w której AI osiągnie możliwości nadludzkie, wyprzedzając w tym nawet zawody kojarzone z pracą powtarzalną. Twierdzi też wprost: naukowcy używający sztucznej inteligencji zastąpią tych, którzy jej nie używają. W rozmowach publicznych przyznaje, że słyszał sugestie, by o tym nie mówił, że środowisko matematyczne podchodzi do jego tez „bardzo sceptycznie”. Sam ocenia tę postawę jako romantyczną i nieprzygotowaną na to, co nadchodzi.
W debacie zorganizowanej w marcu 2026 roku na Uniwersytecie Warszawskim prof. Sankowski precyzował jednak swoje stanowisko: sztuczna inteligencja zastępuje proste czynności, lecz wymaga od operatora większej wiedzy i doświadczenia niż dotychczas. Jako przykład podał programowanie: AI dobrze pisze kod, ale nadzór nad błędami i architekturą systemu wymaga kompetencji wyższych niż przeciętne. Prof. Alojzy Nowak, rektor UW, zaznaczył w tej samej dyskusji granicę, której przekroczyć się nie spodziewał: „sztuczna inteligencja nie może zastąpić człowieka, bo nie ma marzeń”. Dr Marcin Trepczyński z Wydziału Filozofii UW dodawał, że uniwersytet nadal potrzebuje autorytetów, ludzi, którzy potrafią wiedzę głęboko przemyśleć i zrozumieć, a nie tylko przetworzyć.
Inny głos przynosi badanie, przy którym pracował dr Bartosz Naskręcki, prodziekan Wydziału Matematyki i Informatyki UAM w Poznaniu, jedyny Polak w trzydziestoosobowym międzynarodowym zespole, który w ramach projektu FrontierMath (koordynowanego przez Epoch AI) stworzył zestaw zadań matematycznych, których rozwiązanie przekracza możliwości obecnych modeli AI. Dr Naskręcki włożył w jedno zadanie wiedzę z piętnastu lat badań; rozwiązanie zajęło trzynaście stron gęstego tekstu matematycznego. Czołowe modele AI rozwiązują zaledwie kilka spośród pięćdziesięciu problemów na najtrudniejszym poziomie testu. Znaczący jest komentarz prof. Tymothy’ego Gowersa, zdobywcy Medalu Fieldsa. Ocenił on, że problemy FrontierMath stanowią „zupełnie inny poziom trudności niż wszystko, co AI potrafiła dotychczas rozwiązać”, a prof. Igor Pak z UCLA przewiduje, że niektóre z nich mogą pozostać poza zasięgiem AI przez następne pięćdziesiąt lat.
Co ważne, dr Naskręcki nie formułuje z tego optymistycznego wniosku dla status quo: odcinanie kuponów i dopisywanie drobiazgów do istniejących teorii – dotychczasowy chleb powszedni nauki normalnej w sensie Kuhna – przestanie mieć sens. „Matematyka wróci do korzeni, będzie polegać na stawianiu odważnych pytań i proponowaniu nieoczywistych rozwiązań”. Naszą przewagą nad AI mają być unikalne doświadczenia: spacer, przeczytana książka, obejrzana sztuka. Połączenia między odległymi dziedzinami, których algorytm nie doświadcza.
Jest w tym sporze widoczna zbieżność, choć wyrażona w różnym języku. Zarówno prof. Sankowski, jak i dr Naskręcki zgadzają się, że zmiana jest nieuchronna i głęboka. Różnią się natomiast co do tego, co po niej pozostanie. Prof. Sankowski kładzie nacisk na asymetrię: ci, którzy opanują pracę z AI, będą efektywniejszymi naukowcami. Dr Naskręcki wskazuje na coś trudniej mierzalnego: na szczególną wartość ludzkiego doświadczenia w generowaniu pytań, których maszyna nie potrafi sformułować, bo nie potrafi przeżyć.
Jeśli AI potrafi zarówno udawać naukę (produkować artykuły bez rozumienia), jak i uprawiać naukę (rozwiązywać problemy poza zasięgiem człowieka), konsekwencje dla instytucji akademickiej są wielorakie i trudne do przeszacowania.
Dla karier naukowych sytuacja jest szczególnie nieprzejrzysta. Doktorant, który przez lata doskonali metodę eksperymentalną lub technikę obliczeniową, może odkryć, że AI opanowała tę samą technikę w czasie, gdy on kończył pracę. Nie jest to abstrakcja, w naukach o życiu AlphaFold zdezaktualizował całe obszary badań strukturalnych w ciągu jednego roku. Kariery naukowe budowane są na założeniu, że kompetencja zdobyta przez lata ma trwałą wartość. To założenie przestało być oczywiste.
Dla przewidywalności pracy naukowej analogiczne zagrożenie dotyczy obszarów, które jeszcze nie zostały dotknięte, ale mogą zostać. Wybór specjalizacji, tematu doktoratu, metody badawczej staje się zakładem na przyszłość, w której nie wiadomo, jakie obszary pozostaną domeną ludzką. Komfort płynący z posiadania unikalnej, trudno zastępowalnej ekspertyzy – jeden z podstawowych psychologicznych fundamentów akademickiego powołania – ulega erozji.
Dla uczciwości i plagiatów tradycyjne ramy normatywne po prostu przestają przystawać do rzeczywistości. Plagiat zakładał, że ktoś przywłaszcza sobie cudze słowa lub idee. Tymczasem tekst wygenerowany przez model językowy nie należy do nikogo, a zarazem pochodzi skądinąd w sensie głębszym niż klasyczne zapożyczenie. Systemy antyplagiatowe wykrywają podobieństwo do istniejących tekstów; nie potrafią wykryć myśli, której nie było. Zarazem zbyt rygorystyczne regulacje mogą penalizować każde użycie AI, w tym użycie, które ma charakter pomocniczy i jest w pełni intelektualnie transparentne. Granica między pomocą a zastąpieniem jest cienka i przebiega przez ludzką intencję, której z zewnątrz nie widać.
Dla strategii instytucjonalnej uczelnie i wydziały stają wobec dylematów, na które nie ma gotowych odpowiedzi. Instytucja, która zakaże korzystania z AI, ryzykuje marginalizację w wyścigu badawczym. Instytucja, która nie ustali żadnych reguł, ryzykuje zalanie swoich czasopism i postępowań awansowych pracami bez intelektualnej substancji. Między tymi biegunami przestrzeń polityki akademickiej jest wciąż niemal pusta.
Być może najbardziej przeoczaną konsekwencją jest ta dotycząca samej logiki awansu. Jeśli AI może wykonać pracę, za którą przyznaje się stopnie i stanowiska, to co właściwie akademia nagradza? Jeśli odpowiedzią jest zdolność do pracy z AI i interpretacji jej wyników, to jest to odpowiedź zasługująca na uczciwe sformułowanie, nie ukrywanie pod dotychczasową nomenklaturą. A jeśli odpowiedzią jest nadal głęboka, autonomiczna wiedza ekspercka, to trzeba zbudować procedury, które sprawdzają tę właśnie wiedzę, a nie jej symulację.
Nie brakuje propozycji technicznych: narzędzia wykrywania AI, obowiązkowe deklaracje o sposobie korzystania z modeli, wymagania dotyczące otwartych danych i kodu. Są potrzebne, ale jednak niewystarczające i łatwe do obejścia przez kogoś zdeterminowanego. Trwalsza odpowiedź musi być kulturowa i instytucjonalna. Kilka kierunków wydaje się szczególnie wartych rozważenia.
Po pierwsze, przywrócenie znaczenia formacji ogólnej. Akademia, która produkuje wyłącznie specjalistów bez filozoficznego i humanistycznego zaplecza, produkuje ludzi niezdolnych do oceny własnej pracy w szerszym kontekście. Ortega miał rację: wąska biegłość bez formacji to nie wiedza, to sprawność techniczna.
Po drugie, zmiana metryki oceny. Kilka rzetelnych, głęboko przemyślanych artykułów powinno być warte więcej niż dziesiątki papierów-odpadów. Systemy, które to umożliwiają, istnieją i są stosowane w różnych krajach z różnym skutkiem.
Po trzecie, kultura rozmowy, nie tylko publikacji. Seminaria, gdzie trzeba bronić tez; recenzje, gdzie oczekuje się merytorycznego dialogu; granty oceniane rozmową, nie tylko listą pozycji – to przestrzenie, gdzie symulacja kompetencji jest trudniejsza.
Uczciwość wymaga jednak, by w tym miejscu postawić pytanie przeciwko sobie samemu. Cały dotychczasowy wywód zakładał, jawnie lub niejawnie, że nauka jest czymś więcej niż pracą, że wymaga powołania, formacji, dojrzewania, kontaktu z tradycją myślenia. Ale co wtedy, jeśli właśnie owo romantyzowanie nauki jest częścią problemu? Co, jeśli język „powołania” i „głębi” pełni funkcję nie tyle opisową, ile obronną – chroni pewną wizję akademii, która w rzeczywistości nigdy nie była tak powszechna, jak jej obrońcy chcieliby wierzyć?
Nie brakuje bowiem ludzi, którzy odcięli ów romantyczny balast i są po prostu produktywniejsi. Traktują naukę jak pracę, rzetelną, metodyczną, ale pozbawioną aureoli. Piszą artykuły regularnie, bo taka jest struktura ich dnia, nie dlatego, że nawiedzała ich namiętność wobec problemu. Nie czytają Kuhna, bo nie muszą, ich wyniki mówią same za siebie. I gdy pojawia się AI, korzystają z niej bez egzystencjalnego kryzysu jako z kolejnego narzędzia w warsztacie, tak jak kiedyś przyjęli arkusz kalkulacyjny czy oprogramowanie statystyczne. Dla nich pytanie o „drugie dno” tekstu jest pytaniem z innej epoki, w której naukę stać było na luksus powolności.
Jest w tej postawie coś, czego nie można łatwo odrzucić. Proza akademickiego życia – pisanie grantów, zarządzanie zespołami, dotrzymywanie terminów recenzji – to właśnie jest nauka w jej codziennej formie. Większość przełomów dokonuje się nie w chwilach olśnienia, lecz w żmudnej pracy, która nie wymaga filozoficznej refleksji nad własnym sensem. Romantyzacja nauki może w istocie utrudniać zniesienie tej prozy: kto wierzy, że powinien być powołany, ten cierpi bardziej, gdy musi wypełniać formularze. Kto traktuje to jako pracę, po prostu je wypełnia i idzie dalej.
Można pójść jeszcze dalej i postawić zarzut ostrzejszy, że romantyk naukowy bywa faryzeuszem. Że powołuje się na „głębię”, „formację”, „tradycję myślenia” właśnie dlatego, iż są to pojęcia mętne i niemierzalne, a więc niemożliwe do zweryfikowania. Kto mówi o „dojrzewaniu intelektualnym”, ten nie musi pokazywać wyników. Kto przywołuje Straussa i Ortegę, ten może ukryć za nimi własną przeciętność techniczną. Retoryka powołania staje się wówczas tarczą chroniącą przed rozliczeniem i to tarczą szczególnie wygodną, bo każda próba rozliczenia może zostać odrzucona jako „redukcjonizm” i „pogarda dla humanistyki”. W tej optyce obrońca pięknoduchowskiej wizji nauki i obrońca parametrów mówią do siebie z pozycji wzajemnie nieprzenikliwych: jeden nie potrafi zmierzyć tego, co ważne, drugi nie potrafi nazwać tego, co mierzy. Obaj podejrzewają drugiego o ukrywanie słabości i obaj mogą mieć rację.
Ale i druga strona ma swoich faryzeuszy, tyle że nieświadomych. Można bowiem odwrócić zarzut i powiedzieć, że technokrata wchodzący w akademię z wynikiem i punktacją bywa nuworyszem, który nie rozumie salonów, na które próbuje wejść. Prof. Pierre Bourdieu nazwałby to nieznajomością habitusu, ukrytego zbioru reguł, gustów, odruchów i hierarchii, które w każdym polu społecznym decydują o tym, kto jest „swój”, a kto jedynie udaje. Akademia, jak każda stara instytucja, posiada warstwy znaczeń, których nie da się odczytać z listy publikacji. Są seminaria, na których liczy się nie to, co powiedziano, lecz jak, jakim tonem, z jakim nawiązaniem, z jakim stopniem ironii wobec konwencji. Są hierarchie cytowań, w których powołanie się na jedno nazwisko otwiera drzwi, a na inne je zamyka. Są reguły milczenia: rzeczy, o których się wie, ale nie mówi wprost.
Człowiek z technicznym wynikiem, który przychodzi i mówi: „oto mój artykuł, mam osiemdziesiąt punktów, jestem jednym z was”, może nie rozumieć, że „bycie jednym z nas” nigdy nie było kwestią punktów. Prof. Peter Sloterdijk pisał o tym, co można nazwać kontekstem psychospołecznym każdej praktyki wiedzy: o atmosferach, napięciach, niepisanych paktach, które otaczają formalne struktury jak powietrze, którego nikt nie zauważa, dopóki go nie zabraknie. Technik, który wchodzi do akademii z zewnątrz lub z jej technicznego marginesu i oczekuje, że wynik wystarczy, popełnia błąd symetryczny do błędu romantyka: romantyk nie widzi, że musi pokazać wynik; technik nie widzi, że wynik to dopiero początek. Jest to w gruncie rzeczy ten sam problem, widziany z dwóch stron: obie grupy nie rozumieją, czego nie rozumieją i obie są o tym przekonane.
Być może najcelniej ujął ten dylemat prof. Strzelecki, który w rozmowie z Wojciechem Zarembą, współzałożycielem OpenAI, zapytał: „Czy jesteś rzemieślnikiem, czy artystą?”. Zaremba odpowiedział: „Myślę, że artystą”. Prof. Strzelecki dopytał: „A mógłbyś być artystą, nie będąc ani trochę rzemieślnikiem?”. Na co Zaremba: „Myślę, że nie. Potrzeba dwóch umiejętności, ale w sercu jestem artystą”.
Ta krótka wymiana mówi więcej niż niejeden traktat o istocie pracy naukowej. Bo akademia, przynajmniej w swoim własnym micie założycielskim, chciałaby być domeną artystów, ludzi, których praca wykracza poza wykonanie, w stronę wizji, intuicji, twórczego ryzyka. Artystą nauki byłby ktoś, kto stawia pytanie, którego nikt nie stawiał, kto widzi połączenie tam, gdzie inni widzą przepaść. To jest ten romantyczny ideał, o którym mówi się na inauguracjach i w preambułach ustaw.
Ale artysta, który nie jest rzemieślnikiem, to w najlepszym razie wizjoner, a w najgorszym fantasta. Rzemiosło w nauce to dyscyplina, umiejętność prowadzenia dowodu, projektowania eksperymentu, pisania kodu, który działa, czytania danych bez halucynacji. To odpowiedzialność za wynik, za powtarzalność, za to, że tekst nie jest konfabulacją. Artystyczne dusze mają z tą odpowiedzialnością kłopot, bo dyscyplina pachnie im biurokracją, a powtarzalność nudą. Wzniosłe pytanie o sens świata kłóci się ze żmudnym sprawdzaniem, czy kolumna w arkuszu się zgadza.
Rzemieślnik bez artyzmu produkuje poprawne, ale jałowe prace i to jego AI zastąpi najłatwiej, bo rzemiosło jest tym, co maszyna opanowuje najszybciej. Artysta bez rzemiosła produkuje wizje, których nie da się zweryfikować i to jego system parametryczny słusznie traktuje z podejrzliwością, bo piękna intuicja bez dowodu jest w nauce bezwartościowa. Zaremba, który stoi na przecięciu obu światów, odpowiedział instynktownie tak, jak odpowiedziałaby pewnie większość twórczych naukowców: potrzeba obu, ale serce jest po stronie artyzmu. Problem w tym, że system akademicki nie potrafi mierzyć serca. Mierzy rzemiosło i nagradza tych, którzy je opanowali, niezależnie od tego, czy mają w sobie cokolwiek z artysty. Produkuje zatem albo rzemieślników bez wizji, albo – gdy romantyk znajdzie sposób na przetrwanie – wizjonerów bez dyscypliny. Oba typy, z różnych powodów, są dziś łatwiejsze do zastąpienia niż kiedykolwiek.
Jest jednak jeszcze głębszy problem, którego nie widać z perspektywy sporu między romantykami a technokratami. Nastawienie technokratyczne nie tylko faworyzuje rzemieślników kosztem artystów, ono wychowuje ludzi, którzy nie podejmują ryzyka. System, w którym liczy się punktacja, grant i wskaźnik, produkuje racjonalnych aktorów optymalizujących swoje szanse. A racjonalna optymalizacja w środowisku mierzonym liczbami prowadzi zawsze w tym samym kierunku: ku bezpieczeństwu.
Mechanizm ten widać już na poziomie studenckim. Uczeń, który wie, że o przyjęciu na studia decyduje średnia ocen, nie wybiera przedmiotów trudnych i formacyjnych, wybiera przedmioty łatwe, w których dostanie piątkę. Nie dlatego, że jest leniwy, dlatego, że jest racjonalny. System nauczył go, że ryzyko porażki nie jest wliczone w nagrodę. Doktorant, który wie, że o dalszej karierze decyduje lista publikacji, nie podejmuje tematu ryzykownego, który może nie dać wyniku przez trzy lata. Wybiera temat bezpieczny, przyrostowy, metodycznie jasny, z gwarantowanym outputem. Nie dlatego, że brakuje mu odwagi, dlatego, że system karze odwagę i nagradza przewidywalność. Naukowiec piszący wniosek grantowy wie, że recenzent oczekuje wstępnych wyników potwierdzających wykonalność, a więc de facto oczekuje, że badanie zostanie w znacznej mierze przeprowadzone przed uzyskaniem finansowania. Wniosek musi obiecywać sukces. Projekty, które mogą się nie udać – a właśnie takie prowadzą do przełomów – są systemowo dyskryminowane, bo nikt nie chce finansować niepewności.
To jest darwinizm akademicki w najczystszej postaci i jego najgroźniejsze oblicze. Nie chodzi już o to, że system promuje słabych kosztem silnych ani że mierzy nie to, co powinien. Chodzi o to, że zmienia zachowanie tych, którzy w nim funkcjonują. Najzdolniejsi młodzi ludzie uczą się, że mądrze jest nie ryzykować. Że bezpieczny artykuł wart jest więcej niż ambitna porażka. Że „aplikowalność” i „przewidywany wpływ” to magiczne słowa wniosku grantowego, a „nie wiem, co z tego wyjdzie, ale pytanie jest fascynujące” – to zdanie samobójcze.
Ale najgłębsza szkoda jest może najtrudniejsza do zmierzenia: w takim systemie nie opłaca się robić tego, co człowieka naprawdę interesuje. Zainteresowanie, autentyczna, osobista fascynacja problemem jest w logice grantowej irrelewantna, a czasem wręcz podejrzana, bo sugeruje emocjonalność tam, gdzie oczekuje się chłodnej kalkulacji wpływu. Młody naukowiec uczy się nie pytać: „co mnie ciekawi?”, lecz: „co jest teraz finansowane? jaki temat da się wpisać w priorytet strategiczny? jaki problem ma już wstępne wyniki, które mogę rozwinąć w bezpieczny artykuł?”. Zamiast podążać za intuicją, wpasowuje się w kontekst. Zamiast budować własny program badawczy, adaptuje się do cudzego. Zamiast ryzykować oryginalność, reprodukuje warianty tego, co już zostało nagrodzone. Jest to rodzaj akademickiego mimetyzmu, naśladowania zachowań, które system rozpoznaje jako sukces. Doktorant patrzy na habilitanta, habilitant na profesora, profesor na laureata grantu ERC i każdy z nich powiela strategie, które działają, to znaczy przynoszą punkty, awanse, finansowanie. Strategia, która działa, to z reguły strategia bezpieczna: znana metodologia, modny temat, rozsądny zakres, realistyczny harmonogram. Nikt nie jest winny, każdy jest racjonalny. Ale suma tych racjonalnych wyborów tworzy środowisko, w którym oryginalność jest kosztem, nie aktywem, i w którym pytanie „dlaczego to mnie fascynuje?” zostaje zastąpione pytaniem „czy to się zmieści w formularzu?”.
Weber pisał, że powołanie naukowe zaczyna się od namiętności wobec problemu, który nie daje spokoju. System parametryczny nie zabrania tej namiętności, ale systematycznie ją wygasza, zastępując ją czymś znacznie mniej wymagającym: umiejętnością dopasowania się do tego, co mierzalne. I tu pojawia się ostateczna ironia: AI jest doskonałym narzędziem właśnie dla tak ukształtowanego naukowca, bo dopasowywanie się do kontekstu, reprodukcja wariantów, bezpieczne rozwinięcie cudzego pomysłu to dokładnie to, do czego modele językowe zostały wytrenowane.
Efekt jest kumulatywny i samowzmacniający. System wychowuje pokolenie naukowców unikających ryzyka. Ci naukowcy zasiadają następnie w komisjach grantowych i recenzenckich, gdzie kierując się własnym doświadczeniem, nagradzają projekty bezpieczne i karzą ryzykowne. Koło się zamyka. Akademia staje się maszyną do produkcji przyrostowej wiedzy, która nie potrzebuje ani artystów, ani wizjonerów, i która, nawiasem mówiąc, jest idealnym środowiskiem dla AI, bo przyrostowa, bezpieczna, metodycznie przewidywalna praca to dokładnie to, co modele językowe robią najlepiej.
Ryzyko jest jednak takie, że pragmatyzm pozbawiony refleksji sam nie rozpozna momentu, w którym przestaje być efektywny, a staje się jałowy. Człowiek, który pisze artykuły regularnie i sprawnie, ale nigdy nie pyta, po co, jest dokładnie tą postacią, którą Ortega opisał jako barbarzyńcę specjalistę, a AI zastępuje jako pierwszą. Paradoks romantyzmu naukowego polega na tym, że jest on jednocześnie luksusem, na który akademia nie może sobie pozwolić, i koniecznością, bez której nie wiadomo, czym akademia różni się od biura.
Weber pisał, że nauka jako powołanie wymaga czegoś więcej niż metodycznej sprawności: wymaga namiętności wobec problemu i gotowości do poświęcenia lat na pytanie, które może nie przynieść odpowiedzi. Ta postawa jest dziś rzadka nie dlatego, że ludzie stali się gorsi, lecz dlatego, że system jej nie nagradza.
Sztuczna inteligencja stawia przed akademią pytanie, które i tak trzeba było postawić: czym właściwie jest wiedza naukowa i co akademia powinna wytwarzać? Produkcję tekstów? Czy formację myślących ludzi? Odpowiedź na to pytanie nie leży w regulacjach dotyczących AI. Leży w tym, jak akademia rozumie swoje własne powołanie.
(Za życzliwą lekturę, dyskusję i uwagi dziękuję Jakubowi Ryłowowi. A. Krzyż)
