Nagrodzony Noblem w 2024 roku AlphaFold firmy Google DeepMind zainspirował falę optymizmu wokół możliwości AI w nauce, ale coraz bardziej widoczne są ograniczenia podejścia opartego wyłącznie na danych. Sukces AlphaFold w przewidywaniu struktur białek z wielkiej liczby eksperymentalnych przykładów skłonił świat do przekonania, że kombinacja AI i wystarczających danych może rozwiązać prawie każdy problem naukowy. Demis Hassabis z DeepMind opisał AlphaFold jako szablon dla przyspieszenia całej nauki do cyfrowego tempa. Fala startupów zbudowała foundation modele dla biologii, chemii i odkrywania materiałów, zbierając miliardy dolarów investycji.
Jednak historia nauki podpowiada ostrzeżenie. Wielcy fizycy jak Albert Michelson w 1903 roku czy Stephen Hawking w latach 80. ogłaszali koniec nauki, ale takie prognozy zawsze dowodziły przedwczesne. Problem z podejściem opartym wyłącznie na danych to fakt, że przedyktowanie wyniku bez zrozumienia underlying mechanizmów ma poważne ograniczenia. AlphaFold nauczył się rozpoznawać wzorce, ale nie wyjaśnił, dlaczego białka przyjmują konkretne struktury ani jak możemy zmodyfikować je w kontrolowany sposób.
Rzeczywisty przełom w nauce wymaga łączenia AI z możliwościami rozumowania, weryfikacji i exploracji nowych teorii. Bez tych zdolności, AI pozostanie narzędziem interpolacji w obrębie istniejących danych, a nie instrumentem dla nowych odkryć. Przyszłość AI w nauce leży w systemach, które potrafią nie tylko przewidywać, ale rozumować, testować hipotezy i wyciągać wnioski - dokładnie tak jak robią to naukowcy.