Co kdybyste mohli za jeden víkend rozluštit problém, na který vědci čekali půl století? Přesně tohle se stalo s predikci struktury proteinů. A to je jen začátek mnohem větších věcí.
AI laboratoře od proteinů až po hvězdy
Věda se po staletí opírala o pomalý, ale spolehlivý rytmus. Hypotéza, experiment, výsledek, publikace. A teď přišla umělá inteligence a tempo se dramaticky zrychlilo.
Nejznámějším příkladem je AlphaFold od Google DeepMind. Tento model vyřešil takzvaný "problém skládání proteinů", nad nímž si vědci lámali hlavu padesát let. Proteiny jsou základními stavebními kameny života a jejich trojrozměrná struktura určuje jejich funkci. Zjistit tuto strukturu klasickými metodami trvalo měsíce, někdy roky což stálo statisíce dolarů. AlphaFold to zvládá za minuty s pozoruhodnou přesností.
Profesor John McGeehan to popsal výstižně: "Co nám trvalo měsíce a roky, AlphaFold zvládl za víkend." Dnes databáze AlphaFold obsahuje přes 200 milionů předpovězených struktur proteinů a využívají ji přes 3 miliony vědců ze 190 zemí. Přes 30 procent citujících prací se věnuje výzkumu nemocí. Za tento přínos získali Demis Hassabis a John Jumper v říjnu 2024 Nobelovu cenu za chemii.
Hubbleův archiv plný pokladů
Astronomové čelí trochu jinému problému. Hubbleův vesmírný teleskop sbírá data přes 35 let a v jeho archivu se skrývají miliony snímků, které nikdo nikdy pořádně neprozkoumal. Lidská kapacita na to jednoduše nestačí.
Vědci z ESA proto vyvinuli nástroj zvaný AnomalyMatch, neuronovou síť, která prozkoumala téměř 100 milionů výřezů snímků z Hubbleova archivu. Za pouhé dva a půl dne identifikovala přes 1300 astronomických anomálií, z nichž více než 800 nebylo dosud zdokumentováno ve vědecké literatuře. Šlo o splývající galaxie, gravitační čočky, galaxie tvarem připomínající medúzy i objekty, které vůbec nezapadají do žádné existující klasifikace.
To je výkon, který by týmu astronomů trval desítky let. A přitom jde o pouhý zlomek toho, co přijde s novými teleskopy jako Nancy Grace Roman Space Telescope nebo Vera C. Rubin Observatory, které budou generovat data v dosud nevídaném objemu.
Mozková MRI přečtená za sekundy
Z vesmíru zpět na Zem, respektive přímo do neurologické ordinace. Výzkumníci z Michiganské univerzity vyvinuli model zvaný Prima, který dokáže přečíst snímky mozku z magnetické rezonance a stanovit diagnózu během vteřin.
Model byl trénován na více než 200 000 MRI studiích a 5,6 milionech sekvencí z desetiletí digitalizovaných záznamů a dosáhl přesnosti diagnostiky až 97,5 procent napříč více než 50 neurologickými diagnózami. Přitom dokáže vyhodnotit naléhavost případu a automaticky upozornit správného specialistu, třeba neurologa specializovaného na mrtvici.
Autor projektu Todd Hollon to přirovnal k "ChatGPT pro lékařské zobrazování". Pro pacienty ve venkovských oblastech nebo nemocnicích s nedostatkem radiologů by takový nástroj mohl znamenat zásadní rozdíl. Dnes totiž výsledek MRI čekáte klidně i několik dní.
Klady i zápory AI ve vědě
Tady ale příběh dostane nečekaný obrat. Studie publikovaná v lednu 2026 v časopise Nature a popsaná v Science analyzovala přes 41 milionů vědeckých článků z let 1980 až 2025 a přišla se znepokojujícím zjištěním.
Vědci, kteří používají umělou inteligenci, jsou výrazně úspěšnější. Publikují třikrát více článků, dostávají téměř pětkrát více citací a dosahují vedoucích pozic o zhruba rok a půl dříve než jejich kolegové bez AI. Mladí vědci s AI méně opouštějí akademickou sféru. Ale věda jako celek na to doplácí. Výzkum poháněný umělou inteligencí pokrývá o 4,6 procenta méně tematického území než klasické studie. AI články také generují o 22 procent méně vzájemných odkazů mezi pracemi. Vědecká literatura se stává méně propojenou.
Proč? Vzniká zpětná smyčka. Populární témata přitahují velká data, velká data lákají AI nástroje, AI nástroje přinášejí rychlé výsledky, a tak se všichni hrnou na stejná pole. Jak to trefně vyjádřil James Evans z Chicagské univerzity: "Jsme jako zvířata ve stádě. Pokud všichni šplháme na stejné hory, spousta oblastí zůstane neprozkoumána."
Uprostřed všeho nadšení zaznívá střízlivé varování. Biolog z Univerzity v Calgary, jehož tým zkoumá, jak sobi regenerují parohy (a co se z toho dá naučit pro léčbu popálenin u lidí), upozorňuje na jeden zásadní problém dnešní doby s AI: modely se učí korelace, ne příčinné vztahy. To je velký rozdíl. Statistický model může říct, že dvě věci se dějí zároveň. Jenže nestačí vědět co se děje, musíte taky chápat proč. A biologie je v tomto ohledu mimořádně komplikovaná. Systémy v těle jsou vícerozměrné, plné kompenzačních mechanismů a biologické variability.
Proto vědci pracují na takzvaných hybridních výpočetních přístupech, které kombinují strukturované biologické znalosti s obrovskými sadami vícerozměrných dat. Cílem je dostat AI do bodu, kde nezjišťuje jen vzorce, ale rozumí skutečným příčinám biologických změn. "Věda je kolektivní podnik. Potřebujeme se vážně zamyslet nad tím, co dělat s nástrojem, který prospívá jedincům, ale škodí vědě jako celku." Řekla antropoložka Lisa Messeri z Yale.
Věda a umělá inteligence jsou teprve na začátku společné cesty. A na to, kam přesně míří, zatím nikdo nezná odpověď.
