človek môže postup nielen použiť, ale aj vysvetliť, zapísať a odovzdať niekomu, kto ho nikdy nevidel v praxi. Ďalší človek ho môže opraviť. Schopnosť jedného sa tak stáva východiskom pre druhého. 

Keď dnes porovnávame umelú inteligenciu s človekom, čo vlastne porovnávame? Stroj s mozgom? Alebo človeka vybaveného jazykom, vzdelaním a nástrojmi so strojom, ktorý z tej istej zásoby poznania čerpá? 

čo nazývame inteligenciou 

Chobotnica musí ovládať osem ohybných ramien bez kostí. Veľká časť jej nervovej sústavy leží priamo v nich; miestne obvody sa podieľajú na riadení pohybu a prísaviek. Jej usporiadanie zodpovedá inému telu a iným úlohám než naše. 

Rastlina pred útočníkom neutečie. Poškodenie listu však môže spustiť signál, ktorý pripraví vzdialené listy na obranu. Huba zas v pokuse vytvára odlišné siete vlákien podľa toho, či je potrava rozložená do kruhu alebo kríža. Obe reagujú na podmienky bez mozgu, ale odlišnými mechanizmami. 

Je to inteligencia? Záleží, či tým myslíme prispôsobovanie podmienkam, učenie alebo prácu s abstraktnými pojmami. Ak všetko nazveme rovnako, rozdiely nevysvetlíme. Zakryjeme ich. Chemický poplach môže pripraviť rastlinu na obranu. Signál však nie je automaticky symbol. 

Aj výpočet môže mať rôzne nosiče. V kalkulačke násobia a delia elektronické obvody. V roku 2026 vedci zostavili systém, ktorý násobil tromi a delil dvomi pomocou molekúl DNA v roztoku. Väzby navrhli tak, aby energeticky výhodné usporiadanie molekúl predstavovalo výsledok. Taký výsledok ukazuje, že výpočet nemusí prebiehať v elektronických obvodoch. Správny výsledok však ešte nedokazuje, že systém rozumie tomu, čo počíta. 

čo dokáže slovo 

Slovo „strom“ zastúpi dub za domom aj borovicu, ktorú sme nikdy nevideli. Číslo tri zachytí spoločnú vlastnosť troch kameňov a troch dní. Pri spravodlivosti či nekonečne sa odpútame ešte ďalej: vieme o nich hovoriť, hoci na ne neukážeme prstom. 

Pojem zhustí množstvo skúseností. Kombinovaním symbolov tvoríme nové významy a matematika umožňuje presne zapisovať vzťahy. Krátka rovnica môže niesť výsledok rozsiahleho poznávania. Iba pre toho, kto rozumie jej znakom. 

Písmo umožňuje, aby poznatok prežil človeka, ktorý ho vytvoril. Učenie od druhých nie je výlučne ľudské: šimpanzy v experimente prevzali zručnosť, na ktorú samy neprišli. U ľudí je mimoriadny rozsah, v akom sa skúsenosti hromadia, kombinujú a opravujú naprieč generáciami. 

Predstavme si mladého lekára. Knižnica mu sprístupní opis krvného obehu, univerzita ho naučí pracovať s dôkazmi, laboratórium poskytne merania a časopis zverejní nový výsledok aj námietky. Nemusí začínať objavením toho, čo už objavili iní. A nemusí veriť iba autorite: môže hľadať, ako bol poznatok overený. 

„Mozog spotrebúva približne toľko energie ako svietiaca 20-wattová žiarovka.“

Inštitúcie tak uchovávajú odpovede aj postupy, dôkazy a spôsoby opravy chýb. Omyly nevylučujú; umožňujú však, aby kontrola nezávisela od pamäti a úsudku jediného človeka. 

kto platí za naše poznávanie 

Knihe odovzdávame časť pamäte. Kalkulačke matematickú operáciu a navigácii časť orientácie. Prostredie nemusí iba uchovávať podklady pre myslenie. Môže vykonávať časť práce. 

Mozog spotrebúva približne toľko energie ako svietiaca 20-wattová žiarovka. Náročné premýšľanie jeho celkovú spotrebu zvyčajne zvýši len málo; mení najmä rozloženie aktivity. Počítač zas sčíta milión čísel rýchlejšie a spoľahlivejšie než človek. Silná stránka jedného nemusí byť silnou stránkou druhého. 

Zápis v knihe nepotrebuje elektrinu, ale sám neporovná dve štúdie. To musí urobiť čitateľ. Počítač vie prehľadať milióny záznamov, no platí energiou za spracovanie aj presúvanie dát. Živý mozog musí nepretržite udržiavať svoje bunky; papier také energetické nároky nemá. Aj archív však treba chrániť pred poškodením. 

Porovnať dvadsať wattov mozgu s celým dátovým centrom preto nestačí. Ak chceme porovnávať ich energetickú efektívnosť, musíme im dať rovnakú úlohu a sledovať, koľko energie potrebuje človek a koľko technický systém na dosiahnutie porovnateľného výsledku. Do účtu pritom patrí aj energia potrebná na učenie, prevádzku a infraštruktúru. A podobne musíme počítať aj pri človeku. Ten nepoznáva svet iba pomocou vlastného mozgu: využíva knihy, laboratóriá, družice, internet či prácu iných ľudí. Časť poznávania aj jeho energetických nákladov sme už dávno presunuli mimo vlastného tela. 

nemusíme spracovať všetko 

Dôležitý je aj spôsob, akým systém prácu rozdeľuje. Mozog spracúva mnohé podnety súčasne a prepája uchovávanie informácií s ich spracovaním. Klasický počítač často presúva dáta medzi oddelenou pamäťou a procesorom. Aj tento presun niečo stojí. 

Bežná kamera v prázdnej chodbe opakovane zaznamenáva celý obraz. Kamera reagujúca na zmeny jasu môže hlásiť najmä to, kde a kedy sa niečo zmenilo. Nemusí znova posielať každú časť nehybnej steny. 

Prácu potom možno rozdeliť: malý obvod pri kamere zachytí zmenu, miestny model posúdi pohyb a vzdialený výkonnejší systém rieši nejasný prípad. Každá úloha dostane výkon podľa náročnosti. 

Výber však má aj cenu. Ľudia, ktorí v známom pokuse počítali basketbalové prihrávky, často prehliadli človeka v kostýme gorily prechádzajúceho scénou. Sústredenie na jednu úlohu môže znamenať slepotu voči inej. 

Na obídenie prekážky nepotrebujeme poznať každý jej detail. Pri výskume materiálov môže byť práve detail rozhodujúci. Otázka preto neznie iba, koľko dokážeme vypočítať. Znie aj: Ktoré údaje potrebujeme na rozhodnutie a čo riskujeme, keď ostatné vynecháme? 

čo vlastne robí AI 

Predstavme si továreň. Štatistika pomáha zistiť, ako kolíše chybovosť výrobkov a či ju nová metóda skutočne znížila. Keď pribudnú nepretržité merania tisícov snímačov, fotografie a servisné záznamy, vznikne problém spracovania „veľkých dát“. Množstvo údajov samo osebe neznamená inteligenciu. 

Strojové učenie odvodzuje model z príkladov. Namiesto ručného opísania každého možného škrabanca ukážeme systému fotografie dobrých a chybných výrobkov. Učí sa ich rozlišovať a skúšame, či to zvládne aj na nových snímkach. 

Veľký jazykový model, označovaný skratkou LLM, sa pri základnom tréningu učí predpovedať pokračovanie textu. Osvojuje si vzťahy medzi slovami a širšími súvislosťami; ďalším učením sa prispôsobuje úlohám. Môže zhrnúť servisné hlásenia, no plynulosť zhrnutia nezaručuje jeho pravdivosť. 

Umelá inteligencia, skrátene AI, je širšia oblasť systémov na rozpoznávanie, učenie, predpovedanie či plánovanie. Strojové učenie je jedným z jej prístupov, jazykové modely jedným z jeho výsledkov. Nejde o schodisko, na ktorom sa dostatočne veľká databáza sama zmení na mysliaci systém. 

schopnosť ešte nie je zámer 

Pri hodnotení AI treba popri schopnostiach sledovať ciele a podmienky, v ktorých koná. Predstavme si systém, ktorého jediným cieľom je udržať výrobu. Bez vhodných obmedzení by mohol vyhodnotiť vypnutie ako prekážku a ďalšiu energiu ako užitočný prostriedok. Na také správanie nepotrebuje nenávisť ani ľudskú túžbu po moci. Závisí od zadania a možností. Také správanie nie je nevyhnutným znakom inteligencie. 

Samostatné rozhodovanie navyše nie je materiálna sebestačnosť. AI potrebuje čipy, elektrinu, siete, chladenie a reťazec baní, tovární, dopravy a opráv. Robot so solárnym panelom ešte nevie vyrobiť ďalší panel. 

„Ani vlastnému poznávaniu úplne nevidíme do vnútra: známu tvár spoznáme bez toho, aby sme sledovali prácu jednotlivých nervových buniek.“

Ak by technická sieť dokázala sama získavať suroviny, vyrábať súčiastky a obnovovať stroje aj zdroje energie, jej „telom“ by mohla byť celá výrobná základňa. Materiálna sebestačnosť však nie je definíciou inteligencie. Ani človek nemusí byť sebestačný, aby dokázal myslieť. 

Potrebuje všeobecná inteligencia vlastné telo, alebo stačí prístup k svetu cez snímače a nástroje? To zostáva otvorené. Bez fyzického nosiča sa však nezaobíde ani simulácia: jej svet môže byť virtuálny, zariadenie, na ktorom beží, nie. 

a čo vedomie? 

Dva makaky v pamäťovom experimente mohli test odmietnuť. Robili to častejšie, keď bola ich spomienka slabšia. Výsledok podporuje metakogníciu — schopnosť sledovať vlastné poznávanie. Táto schopnosť teda netvorí jednoduchú hranicu medzi človekom a ostatnými zvieratami. 

Aj technický systém môže odhadovať neistotu či vyžiadať chýbajúci údaj. Rozpoznať neistotu a niečo prežívať sú však odlišné otázky. Ani vlastnému poznávaniu úplne nevidíme do vnútra: známu tvár spoznáme bez toho, aby sme sledovali prácu jednotlivých nervových buniek. 

Podobne slovný opis postupu AI nemusí verne zachytiť príčiny jej odpovede. Výskumníci ukázali, že modely využili podstrčenú nápovedu, ale vo vysvetlení jej vplyv nepriznali. Vysvetlenie preto treba overovať, nie považovať za priamy pohľad do mechanizmu. 

Rozlišujme teda schopnosť vyriešiť úlohu, sledovať vlastnú neistotu a niečo prežívať. Text o bolesti je prejavom jazykovej schopnosti, nie sám osebe dôkazom cítenia bolesti. Otázku vedomia nemožno rozhodnúť iba podľa toho, ako presvedčivo systém o sebe hovorí. 

nový výsledok, alebo nový spôsob chápania? 

AI už vytvorila výsledky, ktoré ľudia predtým nemali. AlphaFold predpovedá priestorové tvary bielkovín. AlphaTensor objavil nové postupy násobenia matíc — tabuliek čísel. AlphaDev našiel rýchlejšie postupy triedenia krátkych zoznamov údajov. Sú to konkrétne vedecké a technické prínosy. 

Človek môže prenechať stroju hľadanie v priestore možností, ktorý sám nedokáže prehľadať alebo by mu to trvalo neúmerne dlho. Naučené vzory toto hľadanie usmerňujú. AI už v ľuďmi zadanom výskume navrhuje aj testovateľné hypotézy. 

Nájsť novú molekulu, vytvoriť pojem „gén“ a zmeniť predstavu o dedičnosti sú odlišné kroky. Nový výsledok a nový rámec sú odlišné vedecké prínosy; jeden neznehodnocuje druhý. Pri vedeckom probléme však často ešte nevieme, čo máme počítať. Najprv treba z roztrúsených pozorovaní vybrať podstatné a určiť, čo by naše vysvetlenie mohlo vyvrátiť. 

Niels Bohr v roku 1935 odpovedal na námietku Einsteina, Podolského a Rosena proti úplnosti kvantovej mechaniky aj tým, že spochybnil ich kritérium fyzikálnej reality. Namietal, že pri kvantových javoch nemožno hovoriť o vlastnostiach systému bez ohľadu na podmienky, za ktorých ich meriame. Spor sa netýkal iba správnosti výpočtu. Týkal sa aj toho, akými pojmami opisujeme svet a čo z merania smieme vyvodiť. 

Bohrova prednáška Svetlo a život ovplyvnila aj Maxa Delbrücka, fyzika, ktorý neskôr patril k priekopníkom molekulárnej biológie a výskumu vírusov. Nepreniesol do biológie hotové fyzikálne odpovede. Dôležitejšie bolo, že do nej priniesol iný spôsob pýtania sa. 

Keď pozorovania nezodpovedajú očakávaniam, treba preveriť meranie, dáta a predpoklady. Ak nesúlad pretrváva, môže byť čas preveriť samotné pojmy. Poznanie sa musí prispôsobovať realite. Ak sa realita dlhodobo nezmestí do našich pojmov, problém nemusí byť v realite. Môže byť v pojmoch. 

Podobne, hoci len v analogickom zmysle, by som pre schopnosť AI meniť vedecký rámec navrhol osobitnú skúšku. 

Odvodí mechanizmus, predpovie dosiaľ nepozorovaný jav a navrhne pokus, ktorý môže vysvetlenie vyvrátiť. Keď výsledok nesadne, preverí aj svoje východiská: Nebola chybná samotná otázka alebo pojem, ktorým som svet opisovala? 

Nie je to podmienka každej inteligencie ani každej vedeckej tvorivosti. Pri porovnaní by pre človeka aj AI museli platiť rovnaké pravidlá prístupu k poznaniu, nástrojom a spätnej väzbe. Samostatnosť tu znamená, že riešiteľovi nikto neurčuje jednotlivé kroky, nie že pracuje bez poznania druhých. Zároveň treba pomenovať, čo vytvoril človek, čo AI a čo vzniklo až ich spoluprácou. 

kde sa teda človek končí? 

Predstavme si lekára, ktorý spojí vlastnú skúsenosť, laboratórny výsledok, porovnanie štúdií a návrh modelu. Jeden človek položí otázku, prístroj vytvorí údaj, iný človek preverí metódu a počítač nájde súvislosť. Výsledok nevzniká iba tým, čo má lekár uložené v pamäti. 

„Človek nezačal prekračovať hranice svojho mozgu s umelou inteligenciou. Robil to už vtedy, keď svoje poznanie odovzdal druhému človeku.“

Z toho netreba vyvodzovať, že internet je jeden mozog alebo že všetko okolo nás patrí do našej mysle. Naše telo sa končí kožou. Poznávanie však môže pokračovať v knihách, prístrojoch, databázach, iných ľuďoch či AI. V takom pohľade môže byť AI ďalším nástrojom poznávania mimo vlastného mozgu, nie nevyhnutne samostatným súperom človeka. 

Človek používa jazyk, ktorý on sám nevymyslel, postupy, ktoré neobjavil, a nástroje, ktorých výrobe nemusí rozumieť. Jeho schopnosť poznávať preto neurčuje iba to, čo dokáže sám, ale aj to, do akej spolupráce sa dokáže zapojiť. 

Človek nezačal prekračovať hranice svojho mozgu s umelou inteligenciou. Robil to už vtedy, keď svoje poznanie odovzdal druhému človeku. AI vstupuje do sveta, ktorý ľudia už dávno spoznávajú spoločne. 

peter Glatz vyštudoval farmáciu a ekonómiu zdravotníctva a pôsobí ako manažér v zdravotníctve. Bol riaditeľom nemocnice v Bojniciach. V súčasnosti pôsobí vo Všeobecnej fakultnej nemocnici v Prahe, kde vedie oblasť dát a dátových analýz.

Použité zdroje a odborné súvislosti 

Zdroje sú zoradené podľa tém článku. Experimentálne práce dokladajú konkrétne pozorovania; teoretické a filozofické texty poskytujú rámec na ich interpretáciu. Návrh skúšky schopnosti AI meniť vedecký rámec je autorskou úvahou článku, nie prevzatým štandardizovaným testom. 

Rôzne podoby spracovania informácií 

Navigácia púštnych mravcov. Müller, M.; Wehner, R. (1988): Path integration in desert ants, Cataglyphis fortis. Proceedings of the National Academy of Sciences, 85, 5287–5290. Experimentálna práca vysvetľuje, ako mravce priebežne vyhodnocujú svoju polohu voči hniezdu a po kľukatej ceste za potravou sa vracajú priamo domov. Autori identifikovali aj systematické navigačné chyby, ktoré umožnili skúmať použitý mechanizmus. Ide o doklad navigačnej schopnosti, nie vedomého ovládania matematiky. (https://www.pnas.org/doi/10.1073/pnas.85.14.5287) 

Riadenie ramien chobotnice. Sumbre, G. a kol. (2001): Control of octopus arm extension by a peripheral motor program. Science, 293, 1845–1848. Vedci vyvolali charakteristické pohyby ramena aj po prerušení jeho spojenia s mozgom. Výsledok ukazuje, že základný motorický program môže byť uložený v nervových obvodoch samotného ramena. Podporuje pasáž o rozdelení riadenia medzi centrálnu nervovú sústavu a miestne obvody; neznamená, že každé rameno predstavuje samostatnú myseľ. (https://pubmed.ncbi.nlm.nih.gov/11546877/) 

Obranná signalizácia rastlín. Toyota, M. a kol. (2018): Glutamate triggers long-distance, calcium-based plant defense signaling. Science, 361, 1112–1115. Štúdia opisuje mechanizmus, ktorým poškodenie jednej časti rastliny spúšťa signál do vzdialených listov a pripravuje ich na obranu. Kľúčovú úlohu zohrávajú glutamát a zmeny koncentrácie vápnika v bunkách. Dokladá koordinovanú reakciu organizmu bez nervovej sústavy, nie používanie symbolov alebo vedomé rozhodovanie. (https://pubmed.ncbi.nlm.nih.gov/30213912/) 

Reakcia podhubia na rozloženie potravy. Fukasawa, Y. a kol. (2024): Spatial resource arrangement influences both network structures and activity of fungal mycelia: A form of pattern recognition? Fungal Ecology, 72, 101387. Experiment porovnáva rast podhubia pri drevených blokoch usporiadaných do kruhu a kríža. Odlišné rozloženie zdrojov viedlo k rozdielom v sieti a aktivite podhubia. Výsledok podporuje tvrdenie o prispôsobovaní rastu priestorovým podmienkam; označenie „rozpoznávanie vzorov“ je interpretáciou, nie dôkazom ľudského typu chápania. (https://www.sciencedirect.com/science/article/pii/... 8) 

Výpočet pomocou DNA. Stérin, T. a kol. (2026): A thermodynamically favoured molecular computer. Nature, 657, 646– 652. Autori predstavujú molekulárny počítač, v ktorom navrhnuté interakcie medzi vláknami DNA vedú k energeticky výhodnému usporiadaniu predstavujúcemu výsledok. Medzi demonštrovanými operáciami sú násobenie tromi, delenie dvomi a sčítanie. Ide o priamy zdroj k príkladu výpočtu mimo elektronických obvodov, nie o dôkaz výpočtu bez akejkoľvek energetickej alebo materiálnej ceny. (https://www.nature.com/articles/s41586-026-10996-5) 

Jazyk, kultúra a poznávanie mimo jednotlivca 

Symbolické myslenie a jazyk. Deacon, T. W. (1997): The Symbolic Species: The Co-evolution of Language and the Brain. W. W. Norton & Company. Kniha skúma vzájomný vývoj jazyka, mozgu a schopnosti pracovať so symbolmi. Poskytuje teoretické pozadie k rozdielu medzi reakciou na signál a používaním symbolických vzťahov, ktoré umožňujú hovoriť aj o neprítomných veciach či abstraktných pojmoch. Deaconova koncepcia je odbornou interpretáciou evolúcie jazyka, nie jediným prijímaným vysvetlením. (https://anthropology.berkeley.edu/symbolic- species-co-evolution-language-and-brain) 

Sociálne učenie šimpanzov. van Leeuwen, E. J. C.; DeTroy, S. E.; Haun, D. B. M.; Call, J. (2024): Chimpanzees use social information to acquire a skill they fail to innovate. Nature Human Behaviour, 8, 891– 902. Šimpanzy sa od predvedeného vzoru naučili riešiť úlohu, na ktorú počas predchádzajúceho samostatného skúšania neprišli. Štúdia dokladá, že sociálne učenie môže rozšíriť schopnosti jednotlivca aj u iného druhu než človeka. Sama osebe však nepreukazuje rozsah kumulatívnej kultúry porovnateľný s ľudským. (https://www.nature.com/articles/s41562-024- 01836-5) 

Hromadenie poznania naprieč generáciami. Boyd, R.; Richerson, P. J.; Henrich, J. (2011): The cultural niche: Why social learning is essential for human adaptation. Proceedings of the National Academy of Sciences, 108, 10918–10925. Autori vysvetľujú, prečo ľudskú úspešnosť nemožno pripísať iba inteligencii jednotlivca. Podstatná časť schopností závisí od preberania, uchovávania a postupného zlepšovania poznatkov, ktoré by jeden človek sám nevytvoril. Zdroj podporuje argument o kultúrnom a medzigeneračnom rozmere ľudského poznávania. (https://www.pnas.org/doi/10.1073/pnas.1100290108) 

Nástroje ako súčasť poznávacieho procesu. Clark, A.; Chalmers, D. (1998): The Extended Mind. Analysis, 58, 7–19. Filozofická práca rozvíja argument, že niektoré vonkajšie pomôcky nemusia byť iba zdrojom informácií pre mozog, ale môžu sa podieľať na samotnom poznávacom procese. Je východiskom úvah o prenášaní pamäte a časti práce na zápisníky, výpočtové pomôcky či technické systémy. Ide o filozofickú tézu, nie o tvrdenie, že všetko používané človekom automaticky patrí do jeho mysle. (https://consc.net/papers/extended.html) 

Poznávanie rozdelené medzi ľudí a nástroje. Hutchins, E. (1995): Cognition in the Wild. MIT Press. Na príklade navigácie lode autor ukazuje, ako riešenie úlohy vzniká spoluprácou ľudí, prístrojov, záznamov a zaužívaných postupov. Jednotkou analýzy preto nemusí byť iba izolovaný človek, ale celý spolupracujúci systém. Kniha poskytuje odborné zázemie k záverečnej úvahe o poznávaní, ktoré pokračuje mimo jednotlivého mozgu. (https://mitpress.mit.edu/9780262581462/cognition-in-the-wild/) 

Energia, architektúra výpočtu a výber informácií 

Energetická spotreba mozgu. Raichle, M. E.; Gusnard, D. A. (2002): Appraising the brain’s energy budget. Proceedings of the National Academy of Sciences, 99, 10237–10239. Práca vysvetľuje vysokú základnú energetickú spotrebu mozgu a relatívne malé zmeny spojené s konkrétnymi poznávacími úlohami. Je podkladom k rozlíšeniu medzi nepretržitou činnosťou mozgu a zmenami aktivity pri sústredenom premýšľaní: náročnejšia úloha neznamená úmerne vyššiu spotrebu celého orgánu. (https://www.pnas.org/doi/10.1073/pnas.172399499) 

Energetická cena spracovania a presúvania dát. Horowitz, M. (2014): Computing’s Energy Problem (and What We Can Do About It). IEEE International Solid-State Circuits Conference, 10–14. Práca rozoberá energetické obmedzenia výpočtovej techniky a náklady jednotlivých operácií vrátane prístupov do pamäte. Podporuje vysvetlenie, prečo nestačí sledovať samotný počet výpočtov: významnú časť spotreby môže tvoriť získavanie a presúvanie údajov medzi jednotlivými časťami systému. (https://ieeexplore.ieee.org/document/6757323/) 

Energetické a materiálne náklady jazykového modelu. Luccioni, A. S.; Viguier, S.; Ligozat, A.-L. (2023): Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model. Journal of Machine Learning Research, 24(253), 1–15. Štúdia rozlišuje spotrebu počas tréningu, prevádzku pri odpovedaní používateľom a širšie náklady vrátane výroby zariadení. Ukazuje význam jasného vymedzenia toho, čo do účtu zahŕňame. Podporuje metodickú požiadavku článku sledovať širší životný cyklus technického systému; nepredstavuje priame porovnanie AI s človekom. (https://jmlr.org/papers/v24/23-0069.html) 

Kamery zaznamenávajúce zmeny namiesto celých snímok. 

Gallego, G. a kol. (2022): Event-Based Vision: A Survey. IEEE Transactions on Pattern Analysis and Machine Intelligence, 44, 154–180. Prehľad vysvetľuje fungovanie kamier, ktorých pixely samostatne hlásia zmeny jasu namiesto pravidelného odosielania celého obrazu. Je technickým zdrojom k príkladu chodby, v ktorej netreba opakovane prenášať rovnaké údaje o nehybnej stene. Rozoberá výhody aj obmedzenia takéhoto spracovania. (https://ieeexplore.ieee.org/document/9138762) 

Selektívna pozornosť a prehliadnutá gorila. Simons, D. J.; Chabris, C. F. (1999): Gorillas in our midst: Sustained inattentional blindness for dynamic events. Perception, 28, 1059–1074. Pôvodná experimentálna práca opisuje, ako účastníci sústredení na počítanie prihrávok prehliadali výraznú, ale neočakávanú udalosť v obraze. Dokladá, že výber informácií umožňujúci zvládnuť jednu úlohu môže súčasne viesť k nezachyteniu iného podstatného javu. (https://pubmed.ncbi.nlm.nih.gov/10694957/) 

Schopnosti AI, ciele, neistota a vedomie 

Vzťah medzi umelou inteligenciou a strojovým učením. Russell, S.; Norvig, P. (2020): Artificial Intelligence: A Modern Approach. 4. vydanie, Pearson. Učebnica systematicky rozlišuje vyhľadávanie riešení, reprezentáciu poznania, plánovanie, pravdepodobnostné uvažovanie, strojové učenie a ďalšie prístupy AI. Poskytuje terminologický základ k pasáži, ktorá oddeľuje množstvo dát od schopnosti učiť sa a vysvetľuje, prečo strojové učenie predstavuje jednu časť širšej oblasti umelej inteligencie. (https://aima.cs.berkeley.edu/) 

Čo robia jazykové modely a čo im možno pripisovať. Shanahan, M. (2024): Talking about Large Language Models. Communications of the ACM. Autor vysvetľuje fungovanie jazykových modelov a upozorňuje na rozdiel medzi modelom predpovedajúcim pokračovanie textu a širším systémom, ktorý ho používa. Rozoberá aj riziko nekritického pripisovania ľudských vlastností na základe presvedčivého jazyka. Zdroj podporuje rozlíšenie medzi jazykovým výkonom, poznaním a ľudskými významami slov „myslieť“ či „vedieť“. Odkaz vedie na voľne dostupnú autorskú verziu práce. (https://arxiv.org/abs/2212.03551) 

Prečo môže cieľ viesť k získavaniu zdrojov alebo odmietaniu vypnutia. Turner, A. M. a kol. (2021): Optimal Policies Tend to Seek Power. Advances in Neural Information Processing Systems, 34. Autori matematicky skúmajú podmienky, za ktorých sa systému oplatí zachovať si možnosti ďalšieho konania a vyhnúť sa ukončeniu činnosti. Práca poskytuje teoretický podklad k príkladu systému usilujúceho sa udržať výrobu. Nehovorí, že každá inteligencia nevyhnutne túži po moci; závery závisia od cieľov a vlastností prostredia. (https://proceedings.neurips.cc/paper/2021/hash/c26... 868d6d57e14a79-Abstract.html) 

Metakognícia u makakov. Hampton, R. R. (2001): Rhesus monkeys know when they remember. Proceedings of the National Academy of Sciences, 98, 5359–5362. V pamäťovom experimente mohli dva makaky test prijať alebo odmietnuť. Ich voľby súviseli s tým, nakoľko spoľahlivo si pamätali predchádzajúci podnet. Výsledok podporuje schopnosť sledovať vlastnú pamäťovú istotu, ale sám osebe nepreukazuje ľudský typ sebauvedomenia ani podobu subjektívneho prežívania. (https://www.pnas.org/doi/10.1073/pnas.071600998) 

Prečo slovné vysvetlenie AI nemusí odhaliť skutočný postup. 

Chen, Y. a kol. (2025): Reasoning Models Don’t Always Say What They Think. Preprint, arXiv:2505.05410. Výskumníci skúmali situácie, v ktorých modely využili nápovedu vloženú do zadania, ale jej vplyv vo svojom slovnom postupe neuviedli. Práca je priamym zdrojom k upozorneniu, že zverejnené vysvetlenie nemožno automaticky považovať za verný záznam príčin odpovede. Neznamená to, že každé vysvetlenie modelu je nesprávne. (https://arxiv.org/abs/2505.05410) 

Ako skúmať možnosť vedomia v AI. Butlin, P. a kol. (2023): Consciousness in Artificial Intelligence: Insights from the Science of Consciousness. Výskumná správa, arXiv:2308.08708. Autori odvodzujú možné ukazovatele vedomia z viacerých neurovedeckých teórií a navrhujú posudzovať vlastnosti a vnútorné usporiadanie systémov, nielen ich slovné prejavy. Správa poskytuje rámec na oddelenie schopnosti riešiť úlohy od otázky subjektívneho prežívania; nepredstavuje definitívny test vedomia. (https://arxiv.org/abs/2308.08708) 

Konkrétne vedecké a technické prínosy AI 

Predpovedanie štruktúry bielkovín. Jumper, J. a kol. (2021): Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. Pôvodná práca predstavuje AlphaFold a jeho výsledky pri predpovedaní trojrozmernej štruktúry bielkovín z aminokyselinovej sekvencie. Dokladá konkrétny vedecký prínos AI v úlohe, ktorej výsledok možno porovnávať s experimentálnymi údajmi. Predpoveď štruktúry však nie je automaticky úplným vysvetlením funkcie bielkoviny ani všetkých mechanizmov jej skladania. (https://www.nature.com/articles/s41586-021-03819-2) 

Objavovanie algoritmov násobenia matíc. Fawzi, A. a kol. (2022): Discovering faster matrix multiplication algorithms with reinforcement learning. Nature, 610, 47–53. Štúdia predstavuje AlphaTensor, ktorý pomocou posilňovaného učenia objavoval nové algoritmy násobenia matíc vrátane zlepšení pre konkrétne rozmery a podmienky. Je zdrojom k tvrdeniu, že AI môže vytvoriť nové, overiteľné matematické a výpočtové výsledky, nielen reprodukovať už zapísané postupy. (https://www.nature.com/articles/s41586-022-05172-4) 

Objavovanie rýchlejších postupov triedenia. Mankowitz, D. J. a kol. (2023): Faster sorting algorithms discovered using deep reinforcement learning. Nature, 618, 257–263. Práca opisuje AlphaDev, ktorý hľadal efektívnejšie algoritmy na úrovni počítačových inštrukcií. Medzi výsledkami sú zlepšené postupy triedenia krátkych zoznamov, využité aj v softvérovej knižnici. Ide o konkrétny príklad nového technického riešenia s praktickým použitím, nie o všeobecný dôkaz samostatného vedeckého porozumenia. (https://www.nature.com/articles/s41586-023-06004-9) 

AI ako spolupracovník pri tvorbe hypotéz. Gottweis, J. a kol. (2025): Towards an AI co-scientist. Preprint, arXiv:2502.18864v1. Autori predstavujú systém, ktorý na základe cieľov určených výskumníkmi vytvára, porovnáva a rozvíja vedecké hypotézy. Uvádzajú aj biologické aplikácie s následným experimentálnym overovaním. Práca podporuje formuláciu, že AI už navrhuje testovateľné hypotézy v ľuďmi zadanom výskume; nedokladá úplnú nezávislosť od ľudského zadania, laboratórií a hodnotenia. (https://arxiv.org/abs/2502.18864v1) 

Vedecké pojmy, Bohr a Delbrück 

Pôvodná námietka proti úplnosti kvantovej mechaniky. 

Einstein, A.; Podolsky, B.; Rosen, N. (1935): Can Quantum-Mechanical Description of Physical Reality Be Considered Complete? Physical Review, 47, 777–780. Pôvodná práca formuluje kritérium fyzikálnej reality a argument, podľa ktorého kvantovomechanický opis nie je úplný. Je historickým zdrojom k sporu, na ktorý v článku nadväzuje Bohrova odpoveď: predmetom nebola iba správnosť výpočtov, ale aj to, čo má fyzikálna teória opisovať. (https://journals.aps.org/pr/abstract/10.1103/PhysRev.47.777) 

Bohrova odpoveď a význam podmienok merania. Bohr, N. (1935): Can Quantum-Mechanical Description of Physical Reality be Considered Complete? Physical Review, 48, 696–702. Bohr spochybňuje použitie kritéria reality v argumente Einsteina, Podolského a Rosena a zdôrazňuje význam experimentálneho usporiadania pre to, aké fyzikálne tvrdenia možno vysloviť. Ide o priamy zdroj k pasáži o preverovaní pojmov, ktorými opisujeme svet. Jeho argument nemožno zjednodušiť na tvrdenie, že ľudské vedomie vytvára realitu. (https://journals.aps.org/pr/abstract/10.1103/PhysRev.48.696) 

Bohrove úvahy o fyzike a živote. Bohr, N. (1933): Light and Life. Nature, 131, 457–459. Publikovaný text prednášky skúma vzťah fyzikálneho opisu k skúmaniu živých organizmov a možnosti uplatnenia komplementarity mimo pôvodného kvantovofyzikálneho kontextu. Poskytuje historické pozadie k príkladu prenosu otázok medzi vedeckými disciplínami, nie hotovú fyzikálnu teóriu života. (https://www.nature.com/articles/131457a0) 

Bohrov vplyv na Maxa Delbrücka. NobelPrize.org: Max Delbrück – Biographical. Biografický text k Nobelovej cene za fyziológiu alebo medicínu za rok 1969 opisuje Delbrückov prechod od fyziky k biológii a úlohu Bohrových úvah pri vzniku jeho záujmu o živé systémy. Je zdrojom k historickému prepojeniu oboch vedcov a k Delbrückovej práci vo výskume vírusov. Širšia pointa o novom spôsobe kladenia otázok je interpretáciou tohto vedeckého príbehu. (https://www.nobelprize.org/prizes/medicine/1969/de... cal/)