Egy ismert AI-kutató és vállalatalapító előadásában azt állítja, hogy 2026-ban megjelentek az első meggyőző jelek: a mesterséges intelligencia rendszerek képesek a tudomány élvonalán dolgozni, és ez a folyamat jelentősen felgyorsítja a technikai és tudományos előrehaladást. A beszéd szerzője saját pályáját ismerteti: két évtizedes újságírói háttér után 2016-ban távozott az újságírásból a OpenAI-hoz, majd néhány évvel később társalapította az Anthropic-ot. Tapasztalata alapján az a figyelmeztetés hangzik el, hogy az AI hatása már stratégiai jelentőségű — nemcsak a gazdaságra, hanem a nemzetbiztonságra és a technológia önfejlesztő képességeire is.
A „szingularitás” és miért beszélnek róla újra
Évtizedek óta szerepel a diskurzusban a szingularitás fogalma, amelyet Vernor Vinge 1993-ban úgy írt le, hogy a „nagyobb‑mint‑ember intelligencia” önmagát felgyorsító hatást hozhat létre. Az előadó szerint 2026-ban már olyan empirikus jeleket látunk, amelyek alátámasztják: a tudomány és technológia teljes üteme rövid évek alatt felgyorsulhat, ami egyszerre hozhat óriási gazdasági nyereséget és komoly kockázatokat.
Konkrét példák: matematika, biológia, robotika
Az előadás több területről hoz példákat:
- Matematika: AI-rendszerekről számoltak be, amelyek hozzájárultak több, korábban nyitott vagy hosszú ideje megoldatlan problémához, például említést kapott a Navier–Stokes‑probléma, a Jacobian Conjecture és különböző Erdős‑feladványok esetében az AI által szolgáltatott lényegi belátás.
- Biológia: AI-val tervezett vírusok, új gyógycélok azonosítása, és olyan gyógyszerek a klinikai vizsgálatokban, amelyeket nagy részben AI‑tervezés alapján hoztak létre.
- Robotika és laborautomatizálás: AI‑vezérelt rendszerek egyre gyakrabban üzemeltetnek távlaborokat és automatizálják a kísérletezést, ami felgyorsíthatja az anyagtudományi és energiatechnológiai fejlesztéseket (például akkumulátorok, tüzelőanyagcellák).
Az előadó hangsúlyozza, hogy ezek a példák ugyanannak a technológiának — nagy, általános célú modelleknek — különböző alkalmazásai: rendszerek mint Claude, ChatGPT vagy Gemini képesek több tudományterület élvonalában dolgozni.
Mért adatok: vizsgák és benchmarkok
Több kvantitatív mérő is drámai javulást mutat:
- Humanity’s Last Exam nevű vizsga: 2025 januárjában a legjobb AI‑eredmények 8%-os pontszámokat értek el; 2026‑ra a legmagasabb pontszám Claude Opus 5.5‑től 67,7%.
- FrontierMath (2024 novemberében indult): induláskor a legjobb rendszerek 2%-ot értek el, mostani eredményük 94%.
Ezek a minták egy sor másik teszten is megjelennek: hirtelen, meredek képességnövekedés mindenütt, ahol a modelleket a tudomány nehéz feladataira mérik.
Egy eset: TheoPhysEval és a szakértői ellenőrzés
A TheoPhysEval nevű, a közelmúltban megjelent tanulmányban AI‑rendszereket teszteltek el nem hangzott, elméleti fizikai problémák megoldására. Az egyik indiai fizikus, Suvrat Raju megjegyzése szerint az AI (például GPT‑6‑Astra és Opus 5.5) nemcsak magas pontszámot ért el, hanem olyan hibákat is talált a szakértők számításaiban, amelyek javításával a modell pontszáma tovább nőtt — Astra végül 49/50‑et, vagyis 98%-ot ért el. Ez azt jelzi, hogy az AI nem csupán reprodukálja a meglévő ismereteket, hanem kreatívan képes új matematikai vagy elméleti belátásokat adni.
Miért fontos ez a kreativitás szempontjából?
Az előadó szerint a hatékony, kreatív problémamegoldás a tudományban azt jelenti, hogy az AI képes általánosítani és új módszereket találni különböző területeken — akár maga az AI‑kutatás is felgyorsulhat, ami önmagát erősítő innovációs hullámot indíthat el.
Hatás a gazdaságra és a kutatói munkára
A beszéd szerzője modellezéseket is ismertet: ha az AI képes autonóm módon széles körű feladatokat elvégezni és gyorsan elterjed az gazdaságban, az alapvetően átalakíthatja a növekedést. Egy feltételezett pálya szerint az Egyesült Államok GDP‑je 2030‑ra akár 44 billió (trillion) dollárra nőhet — ez a modellben az AI‑vezérelt autonóm tudományos felfedezésekre vezethető vissza.
Az AI a kutatói erőforrás számát és a képzési időt is radikálisan megváltoztathatja: a jelenleg becsült ~10 millió emberi tudós (UNESCO‑becslés) helyett a későbbiekben virtuális tudósok százai milliói vagy milliárdjai dolgozhatnának, emberi kutatók felügyelete mellett. Az Anthropic saját tapasztalata szerint a kutatói kódtermelésük jelenleg közel tízszerese annak, ami az első négy évben volt.
Infrastruktúra és ellátási lánc — ki részesül az előnyökből?
A technológiai előnyök kihasználásához jelentős infrastruktúra kell: számítási kapacitás, adatközpontok, elektromos hálózat és mostantól egyre több labor‑ és robotikai berendezés. Az előadó panaszkodik, hogy a múltban kevés döntéshozó látta ennek fontosságát: ma az adatközponti kapacitás koncentrálódik az Egyesült Államokban, Kínában és a Közel‑Keleten, az ellátási láncok szűkössége és áremelkedése pedig következmény.
Ha országok felkészülnek — laborhelyiségeket, robotikai berendezéseket és tudományos infrastruktúrát építenek —, akkor jobban tudnak részesedni a jövő tudományos és gazdasági hasznaiból. Fejlett országok számára ez a meglévő kutatói közösség produktivitásának növelését jelenti; fejlődő országok számára lehetőség a felzárkózásra, ha részt vesznek az alapanyag‑ és ellátási láncban, illetve befektetnek tesztelési és kutatási kapacitásba.
Kockázatok és irányítási döntések
Az AI által katalizált tudományos felgyorsulás sok kockázatot is hordoz: egyaránt nőhet a rosszindulatú felhasználás (biológiai fegyverek, kibertámadások) és olyan új veszélyek előfordulása, amelyeket ma még nem tudunk elképzelni. Emiatt két fontos döntési területet emelt ki:
- Mire használjuk az AI‑t és milyen felügyeletet alkalmazunk — például biológiai kutatásban szigorú emberi ellenőrzést és átláthatóságot kell követelni.
- Mennyire kell értenünk az AI rendszerek belső működését és az általuk hozott eredmények jelentését — a válasz részben mérlegkérdés: mely felfedezések esetén kell mély emberi megértés, és mikor elfogadható, hogy az AI által tervezett eszközök az emberi gondolkodástól eltérő módon működjenek.
Az előadó hangsúlyozza, hogy laboratóriumi rugalmasságot és a felfedezések gyors gyakorlati átültetését is meg kell oldani: több felfedezés hasznosítása akkor sem ér sokat, ha a tesztelési és gyártási kapacitás foszladozik.
Következtetés: tervezni a sikert és óvatosan haladni
A beszéd konklúziója kettős: egyrészt terveznünk kell a sikert — építeni az infrastruktúrát, bővíteni a labor‑ és robotikai kapacitást, és megteremteni a feltételeket ahhoz, hogy a tudományos gyorsulás előnyeit széles körben lehessen hasznosítani. Másrészt óvatosnak kell lennünk a technológia fejlesztésében és alkalmazásában: szabályokra, nemzetközi együttműködésre és a „mit szabad használni” kérdésének közös eldöntésére lesz szükség.
Az előadó személyes optimizmussal zár: az AI lehetőséget adhat arra, hogy kezeljük a 21. század nagy kihívásait (egészség, energia, élelmezés), de ezt csak akkor érhetjük el, ha komolyan vesszük az AI fejlődését, és most tervezünk, szabályozunk és építünk hozzá tartós infrastruktúrát. Carl Sagan idézetével zárva azt a gondolatot hangsúlyozza, hogy az emberiségnek gyorsan kell „érettebbé” válnia ahhoz, hogy biztonságosan és hasznosan használja ezt a technológiát.
Kulcsadatok és említett névhasználat
- 2016: a szerző távozott az újságírásból az OpenAI‑hoz; később társalapította az Anthropic‑ot.
- 1993: Vernor Vinge publikációja a szingularitásról.
- Január 2025: Humanity’s Last Exam indulása — 8% legjobb AI‑pontszám; 2026: Claude Opus 5.5 eléri a 67,7%-ot.
- November 2024: FrontierMath indulása — induló legjobb 2% → később 94%.
- Anthropic: belső adatok szerint a kutatói kódtermelés közel tízszeresére nőtt a cég első éveihez képest.
- UNESCO‑becslés: ~10 millió emberi tudós a világon.
- Modellfeltételezés (szerző modellje): ha az AI‑technológia gyorsan elterjed, US GDP 2030‑ra akár 44 trillion (billió) dollár lehet.
- Említett rendszerek és személyek: Claude, Claude Opus 5.5, ChatGPT, Gemini, GPT‑6‑Astra, Suvrat Raju, Vernor Vinge, Carl Sagan.
