AI za znanost i matematiku 2026.: od benchmarka do stvarnih otkrića

Dva broja iste istraživačke skupine sažimaju gdje je AI u znanosti na kraju 2026. Na FrontierMath Tier 4, skupu matematičkih problema istraživačke razine koje je Epoch AI napisao upravo zato da budu otporni na AI, najbolji model popeo se s 0 % u siječnju 2025. na 100 % u rujnu 2026. Na FrontierMath: Erdős, 68 stvarno otvorenih problema koje treba riješiti strojno provjerenim dokazom, najbolji sustav postiže 4,4 %. Između ta dva broja nalazi se pravo pitanje za svaki R&D tim: koje dijelove istraživanja AI već radi bolje od ljudi, a s kojima je tek počeo.

Matematički benchmarki istraživačke razine pali su za manje od dvije godine

Epoch AI pokrenuo je FrontierMath krajem 2024. s nekoliko stotina neobjavljenih zadataka koje su napisali matematičari, od naprednog preddiplomskog stupnja (Tiers 1–3) do problema na kojima specijalist radi danima (Tier 4). Odgovori se provjeravaju automatski, pa je rezultate teško „izigrati”. Kad je benchmark objavljen, najbolji model rješavao je oko 2 % zadataka. U lipnju 2026. Epoch je objavio ispravljenu verziju („v2”) i ponovno testirao modele, što daje jednu čistu vremensku seriju za graf ispod.

Ključan je tempo. GPT-5 (kolovoz 2025.) rješavao je 22 % zadataka Tier 4; GPT-5.2 Pro (prosinac 2025.) 46 %; GPT-5.5 Pro (travanj 2026.) 78 %; Claude Fable 5 (lipanj 2026.) 90 %; GPT-6 Astra (rujan 2026.) 98 %; a GPT-6.1 Sol riješio je sve zadatke. Na Tiers 1–3 najbolji rezultat je 94 %. Za usporedbu, izvorni skup Tier 4 dosegnuo je vrh od 48 % u svibnju 2026., i to s Google DeepMindovim sustavom AI co-mathematician, a ne jednim modelom.

Isto vrijedi i izvan matematike. Na GPQA Diamond, testu iz biologije, kemije i fizike na razini doktorata, najbolji rezultat je 96,4 % (Gemini 4 Argon), a jedanaest laboratorija je iznad 90 %. Na Humanity's Last Exam najbolji rezultat u Epochovim podacima je 54,8 % (GPT-6 Astra). Ti su testovi praktički riješeni ili blizu toga, zato ih naša usporedba benchmarka sada tretira kao ulaznicu, a ne kao razliku među modelima.

Laboratoriji: OpenAI i Anthropic vode, Mistral generaciju iza

• OpenAI vodi na FrontierMathu (93,7 % na Tiers 1–3, 100 % na Tier 4) i HLE-u. Ima i najvidljivije rezultate na otvorenim problemima (vidi niže).
• Anthropicov Claude Opus 5.5 odmah je iza (91,2 % i 95,0 %), a Claude Fable 5 kratko je držao rekord na Tier 4 u lipnju 2026. Anthropic znanost gura kroz proizvode: Claude for Life Sciences (listopad 2025.), samostalni proizvod Claude Science (lipanj 2026.) i program od 10.000 mjesta za istraživače.
• Google DeepMind vodi na GPQA Diamond (96,4 %) i benchmarku iz fizike CritPt (36,0 %), a njegov specijalizirani AI co-mathematician držao je rekord na izvornom Tier 4.
• Mistral AI s modelom Mistral Large 4 (listopad 2026.) konkurentan je na GPQA (90,2 %), ali postiže 58,6 % na Tiers 1–3, 26,8 % na Tier 4 i 10,6 % na CritPt. To je otprilike razina OpenAI-ja iz druge polovice 2025.: dobra opcija kad podaci moraju ostati u EU-u, ali ne alat za vrhunsku istraživačku matematiku.

Stepenice: testovi naspram otvorenih istraživanja

Graf pokazuje zašto su istinite obje tvrdnje: „AI rješava istraživačku matematiku” i „AI nije riješio istraživačku matematiku”. Zadaci s poznatim odgovorom koji autor testa može provjeriti sada su uglavnom dohvatljivi. CritPt, izgrađen od neobjavljenih istraživačkih problema iz fizike, staje na 36 %. A na FrontierMath: Erdős, gdje je Thomas Bloom (koji vodi erdosproblems.com) odabrao 68 otvorenih problema, a svaki sustav imao budžet od 300 USD po problemu za Lean dokaz, GPT-6.1 Sol riješio je 3 (4,4 %), GPT-6 Astra, Claude Opus 5.5 i Claude Sonnet 5.5 po 2 (2,9 %), Gemini 4 Argon i GPT-6 Sol po 1, a Claude Fable 5.1, Claude Opus 5 i GPT-5.6 Sol nijedan.

Stvarna otkrića: što se zaista dogodilo 2026.

Matematičari dodaju dvije ograde. Erdősovi problemi jako se razlikuju po težini, a mnoge AI pobjede su problemi koje bi standardne tehnike riješile čim bi ih netko pažljivo pogledao; nekoliko rezultata još nije recenzirano. Osim toga, dokazi se gomilaju brže nego što ih ljudi stignu pročitati. Ipak, smjer je jasan: u 2024. i prvih osam mjeseci 2025. 111 Erdősovih problema prešlo je iz otvorenih u riješene, a 2026. rezultati uz pomoć AI-ja stizali su iz mjeseca u mjesec.

Izvan matematike: dizajn proteina i laboratorijske analize

U Anthropicovom eksperimentu Claude je sam vodio ciklus dizajna (birao alate, generirao i filtrirao kandidate), a laboratorij je testirao rezultate. Na metu se vezalo 22–35 % dizajna, naspram 10–15 % uobičajenih u današnjim kampanjama, a za najmanje šest meta Claude je dizajnirao vezače nanomolarnog afiniteta. Na meti RBX1 vezalo se 40 % njegovih dizajna, naspram 3,7 % prijava na javnom natjecanju, a njegov najbolji dizajn nadmašio je pobjednika. Bilo je i neuspjeha: nijedan od 90 dizajna za MBP nije potvrđen.

Isti članak pokazuje manje atraktivnu, ali prenosiviju primjenu. Claude Opus 5 analizirao je NMR i LC-MS podatke spoja za 23 odnosno 19 minuta i izvijestio o čistoći od 96,4 %, naspram 96,33 % koliko je izmjerio laboratorij. Ručna analiza traje pola sata do sat vremena po uzorku, a gotovo izvješće laboratorija stiglo je četiri dana nakon prvog spektra. To je obrazac koji većina tvrtki može preuzeti već danas, isti koji vidimo u farmaciji i otkrivanju lijekova: AI skraćuje analizu i iteracije, a ljudi zadržavaju prosudbu i laboratorij.

Što to znači za R&D timove u Hrvatskoj i DACH regiji

1. Koristite AI već sada za sloj „poznatog odgovora”. Izvodi, sinteza literature, statistika, spektri i kod za simulacije područja su gdje su modeli na razini stručnjaka ili iznad. Kombinirajte ih s modelima zaključivanja na visokoj razini napora i tražite da model pokaže postupak.
2. Ugradite provjeru u proces. Najjači rezultati 2026. došli su uz provjeru: Lean dokaze, laboratorijske testove, Epochovo automatsko ocjenjivanje. Svaku tvrdnju o otvorenom problemu tretirajte kao hipotezu dok je čovjek ili alat ne provjeri.
3. Planirajte duge, autonomne izvedbe. Proteinske kampanje trajale su 24–48 sati bez čovjeka u petlji, što odgovara rastu vremenskog horizonta AI agenata. Unaprijed planirajte računalne resurse i kriterije zaustavljanja.
4. Birajte model po zadatku, ne po dobavljaču. OpenAI vodi u formalnoj matematici, Google u fizici i GPQA, Anthropic ima najjače objavljene rezultate u agentskom laboratorijskom radu, a Mistral Large 4 je opcija s hostingom u EU-u za manje zahtjevne analize.

Zaključak

AI je 2026. prešao put od polaganja znanstvenih ispita do rezultata koje stručnjaci provjeravaju i prihvaćaju: opovrgnuta slutnja stara 80 godina, Erdősovi problemi zatvoreni svakog mjeseca, proteinski vezači bolji od javnog natjecanja. Benchmarki s poznatim odgovorima su zasićeni. Otvorena istraživanja još su na jednoznamenkastim postocima kad dokaz mora biti strojno provjeren. Za tvrtke je to dobra vijest: pouzdani dio dovoljno je velik da promijeni način rada R&D timova, a nepouzdani dio jasno je označen.