{"id":4887,"date":"2026-10-27T05:27:34","date_gmt":"2026-10-27T05:27:34","guid":{"rendered":"https:\/\/11000.dev\/index.php\/2026\/10\/27\/openai-tvrdi-da-je-resio-tri-velika-naucna-problema-ali-priznaje-da-niko-ne-zna-sta-to-tacno-znaci\/"},"modified":"2026-10-27T05:27:34","modified_gmt":"2026-10-27T05:27:34","slug":"openai-tvrdi-da-je-resio-tri-velika-naucna-problema-ali-priznaje-da-niko-ne-zna-sta-to-tacno-znaci","status":"publish","type":"post","link":"https:\/\/11000.dev\/index.php\/2026\/10\/27\/openai-tvrdi-da-je-resio-tri-velika-naucna-problema-ali-priznaje-da-niko-ne-zna-sta-to-tacno-znaci\/","title":{"rendered":"OpenAI tvrdi da je re\u0161io tri velika nau\u010dna problema, ali priznaje da niko ne zna \u0161ta to ta\u010dno zna\u010di"},"content":{"rendered":"<p>OpenAI je objavio da je njihov interni model do\u0161ao do novih otkri\u0107a u matematici, ra\u010dunarstvu i fizici \u2014 konkretno u harmonijskoj analizi, teoriji slo\u017eenosti i kvantnoj teoriji polja. Ali ono \u0161to ovu vest \u010dini zanimljivijom od same najave jeste na\u010din na koji je kompanija odlu\u010dila da ih pusti u javnost.<\/p>\n<p><figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/11000.dev\/wp-content\/uploads\/2026\/10\/from-ai-results-to-scientific-understanding-social.png\" alt=\"OpenAI tvrdi da je re\u0161io tri velika nau\u010dna problema, ali priznaje da niko ne zna \u0161ta to ta\u010dno zna\u010di\" \/><\/figure>\n<\/p>\n<p>Naime, u OpenAI-ju su svesni da sirovi izlaz iz modela nije isto \u0161to i nau\u010dno razumevanje. Zato su, kako navode u <a href=\"https:\/\/openai.com\/index\/building-scientific-understanding-with-academic-communities\" target=\"_blank\" rel=\"noopener\">objavi na svom blogu<\/a>, sproveli eksperiment sa tri razli\u010dita pristupa objavljivanju rezultata.<\/p>\n<h2>Tri rezultata, tri strategije<\/h2>\n<p>Za matemati\u010dki rezultat \u2014 koji se ti\u010de takozvane <strong>lokalne glatko\u0107e<\/strong> i <strong>Kakeya hipoteze<\/strong> iz harmonijske analize \u2014 OpenAI je odlu\u010dio da jednostavno objavi sirovi izlaz modela i pusti istra\u017eiva\u010de da sami organizuju obja\u0161njenja. Kod ra\u010dunarskog rezultata, koji se odnosi na tvrdnju da je <strong>Exponential Time Hypothesis<\/strong> neta\u010dna, formirali su spoljnu grupu saradnika koja \u0107e objasniti rezultat, dok su sami materijali javno dostupni na GitHub-u. Za fizi\u010dki rezultat \u2014 egzistenciju <strong>kvantne hromodinamike<\/strong> i kompletiranje Standardnog modela \u2014 formirali su grupu koja \u0107e sama odlu\u010diti kada i kako \u0107e materijale pustiti u javnost.<\/p>\n<p><figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/11000.dev\/wp-content\/uploads\/2026\/10\/ai-progress-in-mathematics-cover-7.webp\" alt=\"OpenAI tvrdi da je re\u0161io tri velika nau\u010dna problema, ali priznaje da niko ne zna \u0161ta to ta\u010dno zna\u010di\" \/><\/figure>\n<\/p>\n<p>Ono \u0161to je zanimljivo jeste da OpenAI eksplicitno ka\u017ee: &#8220;Ne znamo jo\u0161 koji od ova tri pristupa \u0107e biti najkorisniji.&#8221; To je prili\u010dno iskrena izjava za kompaniju koja je navikla da objavljuje spektakularne rezultate.<\/p>\n<h2>\u010cetiri principa saradnje<\/h2>\n<p>Spoljne kolaboracije vodi\u0107e se prema \u010detiri principa. Prvi je <strong>transparentnost<\/strong> \u2014 u\u010desnici ne potpisuju ugovore o \u0107utanju i slobodni su da dele rezultate i objavljuju zaklju\u010dke. Drugi je da OpenAI <strong>ne tra\u017ei akademski kredit<\/strong> za otkri\u0107a svojih modela. Tre\u0107i je <strong>priznanje<\/strong> \u2014 grupa koja razvije razumevanje dobija priznanje za svoj rad. I \u010detvrti, <strong>nezavisnost<\/strong> \u2014 u\u010de\u0161\u0107e je dobrovoljno i nepla\u0107eno, a \u010dlanovi grupe ne govore u ime OpenAI-ja.<\/p>\n<p><figure class=\"wp-block-image size-large\"><img decoding=\"async\" src=\"https:\/\/11000.dev\/wp-content\/uploads\/2026\/10\/scaling-ai-biological-data-cover-1.webp\" alt=\"OpenAI tvrdi da je re\u0161io tri velika nau\u010dna problema, ali priznaje da niko ne zna \u0161ta to ta\u010dno zna\u010di\" \/><\/figure>\n<\/p>\n<p>OpenAI \u0107e kolaboracijama predati materijale i artefakte vezane za rezultate. Za ra\u010dunarsku kolaboraciju, grupa je odlu\u010dila da odmah objavi dokaz na prirodnom jeziku i Lean formalizaciju. Za fizi\u010dku, grupa je odlu\u010dila da prvo sama napi\u0161e rad, pa tek onda pusti AI materijale.<\/p>\n<h2>\u0160ta ovo zapravo zna\u010di?<\/h2>\n<p>Ova vest je zanimljiva iz vi\u0161e razloga. Prvo, pokazuje da AI modeli mogu da do\u0111u do rezultata koji su relevantni za ozbiljnu nauku \u2014 \u010dak i ako jo\u0161 niko ne zna \u0161ta ti rezultati ta\u010dno zna\u010de. Drugo, pokazuje da OpenAI poku\u0161ava da uspostavi nekakav eti\u010dki okvir za objavljivanje AI-generisanih nau\u010dnih otkri\u0107a, \u0161to je prili\u010dno nova teritorija.<\/p>\n<p>Sa druge strane, ostaje otvoreno pitanje koliko su ti rezultati zaista vredni dok ih nezavisni stru\u010dnjaci ne provere i ne kontekstualizuju. OpenAI priznaje i da odabir po\u010detnih &#8220;pastira&#8221; nu\u017eno oblikuje to ko \u0107e se prvi uklju\u010diti i stvara asimetriju informacija. Kompanija poziva na povratne informacije o tome kako pro\u0161iriti u\u010de\u0161\u0107e i u\u010diniti proces korisnijim.<\/p>\n<p>U svakom slu\u010daju, ovo je korak dalje od pukog objavljivanja AI izlaza \u2014 i verovatno \u0107e postati model za to kako \u0107e tech kompanije ubudu\u0107e deliti nau\u010dna otkri\u0107a svojih modela sa akademskom zajednicom.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>OpenAI je objavio da je njihov interni model do\u0161ao do novih otkri\u0107a u matematici, ra\u010dunarstvu i fizici \u2014 konkretno u harmonijskoj analizi, teoriji slo\u017eenosti i kvantnoj teoriji polja. Ali ono \u0161to ovu vest \u010dini zanimljivijom od same najave jeste na\u010din na koji je kompanija odlu\u010dila da ih pusti u javnost. Naime, u OpenAI-ju su svesni [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":4882,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"content-type":"","footnotes":""},"categories":[103,107],"tags":[],"class_list":["post-4887","post","type-post","status-publish","format-standard","has-post-thumbnail","category-ai","category-nauka"],"_links":{"self":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/4887","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/comments?post=4887"}],"version-history":[{"count":0,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/posts\/4887\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media\/4882"}],"wp:attachment":[{"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/media?parent=4887"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/categories?post=4887"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/11000.dev\/index.php\/wp-json\/wp\/v2\/tags?post=4887"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}