OpenAI ukazuje Codex pri simuláciách čiernych dier

OpenAI zverejnilo prípadovú štúdiu o tom, ako astrofyzik Chi-kwan Chan z University of Arizona a Steward Observatory používa Codex pri vývoji simulácií čiernych dier. Na prvý pohľad ide o ďalší príbeh o kódovacom asistentovi, no podstatný je posun prostredia: nejde o bežnú webovú aplikáciu ani interný firemný nástroj, ale o vedecký výpočtový reťazec, v ktorom sa spájajú fyzikálne modely, veľké dáta, superpočítače a roky doménovej expertízy.

Chan pôsobí v medzinárodnej spolupráci Event Horizon Telescope, ktorá v roku 2019 ukázala prvú snímku čiernej diery. Tím sa dnes posúva od statických obrazov k dynamickejším pozorovaniam a simuláciám, vrátane snahy zachytiť vývoj supermasívnej čiernej diery v galaxii M87. Takáto práca nie je iba otázkou výkonnejšieho hardvéru. Vedci potrebujú prepájať pozorovania s modelmi plazmy pri horizonte udalostí, overovať numerické metódy a spracúvať výstupy tak, aby bolo možné rozlišovať medzi fyzikálnym javom a artefaktom výpočtu.

Codex tu podľa OpenAI pomáha najmä v miestach, kde sa vedecký tím musí pohybovať medzi množstvom kódu, knižníc a experimentálnych variantov. Agent dokáže navrhovať úpravy, vysvetľovať cudzie časti kódu, pomáhať s prototypovaním a zrýchľovať prácu, ktorá by inak viazala výskumníka na rutinné programátorské kroky. Dôležité je, že agent nenahrádza fyzikálnu interpretáciu. Vedecký úsudok zostáva na človeku; AI skôr skracuje slučku medzi hypotézou, implementáciou a prvým testom.

Príklad je zaujímavý aj preto, že simulácie čiernych dier sú typický prípad, kde jednoduché tvrdenie „AI píše kód“ nestačí. V kóde sú zabudované predpoklady o relativite, magnetohydrodynamike, správaní plazmy a numerickej stabilite. Chyba nemusí vyzerať ako pád programu. Môže sa prejaviť ako presvedčivo vyzerajúci, ale fyzikálne zavádzajúci výsledok. Preto je pri takýchto aplikáciách dôležitý audit, opakovateľnosť a schopnosť vedca vysvetliť, prečo bol určitý návrh agenta prijatý alebo odmietnutý.

Pre širší AI ekosystém je tento prípad signálom, že kódovací agenti sa čoraz častejšie budú hodnotiť nie iba podľa benchmarkov zo softvérového inžinierstva, ale aj podľa schopnosti zapadnúť do odborných výskumných workflow. V praxi to znamená prácu s existujúcim kódom, dôraz na testy, dokumentovanie zmien a citlivosť na to, že doménové pojmy majú presný význam. Agent, ktorý zrýchli bežný refaktor, nemusí automaticky obstáť v prostredí, kde sa výsledky používajú na interpretáciu meraní z ďalekohľadov.

Zároveň nejde iba o astrofyziku. Podobný vzor sa môže objaviť v klimatickom modelovaní, výpočtovej chémii, bioinformatike alebo pri simuláciách materiálov. Všade tam existujú veľké staršie kódové bázy, drahé výpočty a výskumníci, ktorí potrebujú rýchlo meniť experimentálne nastavenia bez toho, aby stratili kontrolu nad vedeckou validitou. Ak sa agentické nástroje naučia bezpečne pomáhať práve v tejto vrstve, môžu mať väčší dopad než pri ďalšom zrýchlení písania štandardného aplikačného kódu.

Praktický dopad pre výskumné organizácie je dvojitý. Po prvé, rastie tlak na to, aby laboratóriá mali kódové bázy pripravené na spoluprácu s agentmi: s testami, jasnými rozhraniami, reprodukovateľným prostredím a dokumentovanými dátovými tokmi. Po druhé, bude potrebné zaviesť pravidlá, kedy je výstup agenta len pracovný návrh a kedy už vstupuje do publikovateľného vedeckého výsledku. Bez tejto hranice by sa zrýchlenie vývoja mohlo ľahko zmeniť na ťažšie sledovateľný zdroj chýb.

OpenAI týmto príbehom zároveň ukazuje, kam chce Codex posúvať mimo úzky rámec programátorských tímov. Ak sa podobné nástroje stanú bežnou súčasťou vedeckej infraštruktúry, ich hodnota nebude iba v počte vygenerovaných riadkov, ale v schopnosti pomôcť expertom skúšať viac nápadov bez zníženia kontroly nad výsledkom. Pri čiernych dierach je latka obzvlášť vysoká: ide o prostredie, kde sa testuje samotná všeobecná relativita a kde aj malá numerická skratka môže zmeniť interpretáciu extrémnej fyziky.