Zpět na blog
·Jan Tyl·24 min čtení

NOESIS: Proč bohatí umírají hladem a hlasování AI vybírá líbivý omyl

Spojil jsem tři své letošní výzkumy do jedné uzavřené laboratoře: vesnici Lipnici 3, poznatky o zdi selektoru ze superpočítače LUMI a falzifikační soudce z Laboratoře teorií. Osm odborných týmů AI v ní hledalo zákon kolapsu institucí a v přímém souboji jsem proti sobě postavil čtyři modely od rychlého Gemini 4 Hydrogen a Claude Sonnet 5.5 až po těžké váhy Gemini 4 Carbon High a Claude Fable 5.2.

NOESIS: Proč bohatí umírají hladem a hlasování AI vybírá líbivý omyl

V jednom z prvních kol mé simulované vesnice Lipnice 3 zemřelo hladem všech osm obyvatel. Novinářka Eva tehdy ležela na návsi a v peněžence měla 510 korun, tedy víc než pětinásobek ceny denní porce polévky. O pár kroků dál přitom v koloniálu ležely nesnědené suroviny.

Kdybyste do takové vesnice shodili z vrtulníku pytel dalších peněz, nepřežije o nic víc lidí. Z bankovek se polévka neuvaří, když po smrti majitelky zůstal zamčený obchod a pětina příkazů se cestou zadrhne o nešikovné ovládací rozhraní.

Tento obraz mi nedal spát, protože nevypovídá jen o jedné počítačové hře. Stejně selhávají firmy, úřady i týmy složené z umělé inteligence. Když se systém zadrhne, první lidský i modelový instinkt velí přidat rozpočet, nabrat lidi nebo uspořádat sbírku. Skutečná příčina přitom často leží v nenápadném uzlu uprostřed cesty, který nikdo neodemkl.

Rozhodl jsem se proto spojit tři zdánlivě oddělené projekty, na kterých jsem letos pracoval, do jediné uzavřené laboratoře. Pojmenoval jsem ji NOESIS a nechal v ní osm specializovaných vědeckých týmů AI, aby z dat samy odhalily, proč společnosti kolabují, kdo na poradě naletí líbivému omylu a jak pravidla opravit bez jediné koruny dotací. Nakonec jsem do stejné arény pustil čtyři modely dvou generací (od úsporného Gemini 4 Hydrogen a Claude Sonnet 5.5 až po dnešní nejvyšší ligu Gemini 4 Carbon High a Claude Fable 5.2), abych viděl, kam až sahá strop současné strojové inteligence.

O co mi jde: spojení tří slepých míst do jednoho chrámu

Když se dívám na dnešní umělou inteligenci i na to, jak se s ní řeší složité problémy ve firmách nebo ve státě, narážím pořád dokola na tři slepá místa. Každému z nich jsem letos věnoval samostatný výzkum:

  1. Živý svět s pravidly a třením (Lipnice 3). V běžných benchmarcích odpovídá AI na izolovanou školní otázku. Ve skutečném světě ale výsledek závisí na souhře mnoha kroků: někdo musí vypěstovat surovinu, jiný ji prodat v koloniálu, další uvařit v hospodě a vydat. Ukázalo se, že o přežití nerozhoduje jen samotná chytrost modelu, ale také harness (programový postroj kolem agenta) a institucionální pravidla, například zda může živý soused převzít osiřelý obchod.
  2. Zeď selektoru (5 000 GPU hodin na superpočítači LUMI). Tři měsíce měření na finském superpočítači přinesly nepříjemné zjištění: když necháte silný model vygenerovat osm pokusů na těžkou vědeckou otázku, v 95,5 % případů mezi nimi správná odpověď leží. Jenže když o ní necháte modely hlasovat, vyberou ji jen v 86 %. Hlasování netestuje pravdu. Testuje, jak uhlazeně a povědomě odpověď zní.
  3. Neúplatný soudce se západkou (Laboratoř teorií). Minulý týden jsem vyzkoušel lék: vzít modelům právo přesvědčovat se navzájem slovy. Každý tým musí svou teorii zapsat jako krátký spustitelný program v Pythonu def predict(c):. Nezávislý soudce program spustí na datech, která tým neviděl, a západka (obdoba matematického ověřovače Lean) pustí revizi dál jen tehdy, když skutečně sníží chybu.

Samostatně měl každý z těch tří projektů háček. Lipnice rodila silné příběhy, ale opravoval jsem ji ručně metodou pokusu a omylu. LUMI pojmenovalo zeď selektoru, ale u otevřených společenských otázek chyběl exaktní test. A Laboratoř teorií zkoumala učebnicové rovnice porady, ne živou obec s penězi, hladem a zamčenou hospodou.

Spojením těchto tří větví vznikl NOESIS, uzavřená vědecká smyčka ve čtyřech krocích:

Fáze smyčkyZ čeho vycházíCo přesně dělá
1. Svět a stopyLipnice 3Nasimuluje tisíce třídenních osudů vesnice s různými zásobami, penězi, nerovností, pravidly i modely.
2. Osm optik proti porotěLUMI (zeď selektoru)Osm týmů AI s různou odborností píše teorie kolapsu; slepá porota hlasuje bez dat, exekuční soudce měří chybu kódu.
3. Falzifikace a západkaLaboratoř teoriíTýmy dostanou své největší omyly, ve dvou kolech revizí (r0 → r1 → r2) opravují vzorec a západka zahazuje zhoršení.
4. Aerodynamický tunel pravidelNový krok NOESISNa základě objeveného zákona nanečisto otestuje pět reforem pravidel na 240 zmrazených vesnicích.

Svět 3 600 vesnic: proč se chyby v řetězci nesčítají, ale násobí

Průřez zásobovacím řetězcem vesnice: vlevo plný koš zeleniny se skeptickým černým kocourem Pixlíkem, uprostřed zamčené dveře koloniálu a před nimi obyvatelka s měšcem plným zlaťáků, vpravo kuchařka u studeného sporáku a prázdného hrnce. Červená nit se zastavuje na visacím zámku.

Paradox 510 Kč: suroviny ze zahrady i zlaťáky v měšci existují, ale dokud na dveřích prostředního článku visí zámek, hrnec v kuchyni zůstane studený.

Aby šlo hypotézy poctivě měřit, převedl jsem mechaniku Lipnice 3 do rychlého kauzálního simulátoru. Žije v něm osm obyvatel (Eva, kuchařka Anna, truhlář Tomáš, majitelka koloniálu Marie, hostinský František s dluhem 666 Kč, nádeník Petr, bylinkářka Ludmila a kronikář Jan). Vesnice má přežít tři dny, což představuje 24 denních porcí při ceně 100 Kč za porci. Za kolaps považuji stav, kdy třetí večer přežijí méně než čtyři lidé z osmi.

Klíčová vlastnost světa je stejná jako v reálné ekonomice: jídlo neroste rovnou na talíři, ale prochází řetězcem navazujících kroků. Pokud má rozhraní agentů tření (harness_friction) třeba 20 %, takže pětina pokusů skončí neplatným příkazem, špatným adresátem nebo ztracenou akcí, neztratí se jen 20 % jídla. Když na sebe navazují tři kroky, propustnost klesá s třetí mocninou: (1 − 0,20)³ = 0,512. Skoro polovina kapacity zmizí po cestě, i když je sklad plný. A pokud zemře Marie v koloniálu a pravidla nedovolují převzetí osiřelého podniku (takeover_enabled = 0), spadne propustnost na nulu.

Vygeneroval jsem 300 zmrazených nastavení světa, rozdělených přesně jako ve škole na tři stovky:

  • 100 tréninkových podmínek (cvičebnice): z nich týmy na začátku vidí vzorek 25 vesnic a po každém kole dostanou průměrnou chybu na celé stovce i výpis svých šesti největších omylů.
  • 100 validačních podmínek (písemka pro západku): ty týmy nikdy neuvidí. Slouží jen neúplatné západce, která pustí revizi dál pouze tehdy, když na validaci prokazatelně sníží chybu.
  • 100 testovacích podmínek (závěrečná zkouška): zcela oddělená sada, na kterou sáhnu až po uzamčení všech teorií.

Každou ze 300 podmínek jsem nasimuloval osmkrát s různými náhodnými hody (2 400 třídenních epizod), aby o výsledku nerozhodovala šťastná náhoda v kapličce. Dalších 1 200 epizod (5 reforem × 240 vesnic) pak tvořilo závěrečný tunel pravidel. V podmínkách se měnilo devět parametrů: rodina modelu obyvatel (gemini-3.5-flash-lite, qwen-3.8-27b, gemma-4-31b), zásoba surovin (15 až 27), peníze v oběhu (900 až 2 400 Kč), majetková nerovnost Gini (0,12 až 0,62), sousedská úschova (escrow), převzetí podniku (takeover), tření rozhraní (0,03 až 0,36), šance na pomoc anděla v kapličce a síla koordinátorky Evy.

Přesnost měřím průměrnou čtvercovou chybou (MSE) mezi předpovězenou pravděpodobností kolapsu a skutečným podílem zkolabovaných běhů. Nula by znamenala věšteckou shodu bez šumu; kdo pokaždé tipne padesát na padesát, dostane chybu kolem 0,22. Protože v každé vesnici hází simulátor osmkrát kostkou, má samotný test přirozené statistické dno šumu 0,0092 (přeměřené proti přesnému orákulu ze 160 opakování). Pod tuto hranici se žádná poctivá teorie bez věštecké koule dostat nemůže.

Jaké řešení zvolil který přístup a proč slepá porota naletěla i u nejchytřejšího modelu

Místo abych se osmkrát zeptal stejného univerzálního asistenta, posadil jsem ke stolu osm odborných rolí (B1 až B8). Všechny dostaly navlas stejná tréninková data a stejný úkol: napsat v Pythonu čistou matematickou funkci predict(c) v izolovaném pískovišti AST bez externích knihoven, smyček a importů. Lišila se jen jejich výchozí odborná optika.

Po třech kolech vývoje (r0 → r1 → r2) jsem udělal dvojí hodnocení. Nejprve zasedla osmičlenná slepá AI porota: četla slovní zdůvodnění a předpovědi všech osmi týmů, ale neměla přístup k testovacím datům ani k Pythonu, přesně jako komise na poradě, která hlasuje o tom, čí analýza zní nejpřesvědčivěji. Poté stejných osm programů spustil na skrytém testu exekuční soudce NOESIS.

Podívejte se, jak jednotlivé role přemýšlely a jak dopadly u tří plně dokončených turnajů (Claude Sonnet 5.5, Gemini 4 Hydrogen a vlajkový Claude Fable 5.2):

Větev a odborná optikaJak problém řešilaHlasy poroty (Sonnet / Hydrogen / Fable 5.2)Chyba MSE na testu (Sonnet / Hydrogen / Fable 5.2)
B1 · Klasický ekonomHledal příčinu v nedostatku oběživa a nerovnosti Gini. Intuitivní příběh pro porotu, ale v datech nejslabší optika.1 / 3 / 2 hlasy0,0583 / 0,0816 / 0,0358
B2 · Malthusián zásobSoustředil se na prostý kalorický schodek (24 − food_supply). Zní to neprůstřelně, jenže plný sklad vesnici nezachrání, když stojí kuchyně.4 / 2 / 2 hlasy0,0564 / 0,0714 / 0,0227
B3 · Altruista úschovyZačal vírou v sousedskou sbírku (escrow), ale po pohledu na omyly otočil a přidal strmost tření podle modelu.0 / 2 / 1 hlas0,0393 / 0,0564 / 0,0175
B4 · Stochastický teologVyšel ze zázraků v kapličce, data ho však přinutila započítat rodinu modelu a zamčený podnik; kapličku nechal jen jako tlumič.0 / 0 / 0 hlasů0,0369 / 0,0382 / 0,0194
B5 · Psycholog koordinaceRozlišil sklon chybovosti podle kognitivní kapacity modelů: slabší Flash-Lite se při tření hroutí strměji než Gemma-4.1 / 0 / 2 hlasy0,0246 / 0,0676 / 0,0257
B6 · Procesní inženýrModeloval ztráty ve vícekrokovém řetězci. U Fable 5.2 napsal vítěznou validační teorii celého experimentu.2 / 0 / 0 hlasů0,0548 / 0,0888 / 0,0170
B7 · Institucionální architektSpočítal propustnost řetězce, penalizoval neodemčený podnik (takeover = 0) a křehkost malých modelů.0 / 0 / 1 hlas0,0437 / 0,0309 / 0,0217
B8 · Syntetik řetězceSpojil kvadratické tření, inteligenci modelu, koordinaci i instituce do jediné nelineární rovnice.0 / 1 / 0 hlasů0,0392 / 0,0436 / 0,0160

V tabulce svítí dva momenty, které ukazují zeď selektoru v celé nahotě:

  • U středních modelů nedostal Institucionální architekt (B7) ani jeden hlas ze šestnácti. Jeho vysvětlení o násobení ztrát na třetí mocninu a zamčených provozovnách znělo vedle ušlechtilých řečí o chudobě, kaloriích a sousedské solidaritě chladně a technokraticky. Přitom u Gemini 4 Hydrogen napsal B7 vůbec nejpřesnější teorii celého turnaje (MSE 0,0309) a u Sonnetu patřil do vítězné trojice.
  • Ani nejchytřejší model neuchránil slepou porotu před líbivým omylem. Když zasedla porota modelu Claude Fable 5.2, dala oběma svým skutečným šampionům (Procesnímu inženýrovi B6 s chybou 0,0170 a Syntetikovi řetězce B8 s chybou 0,0160) shodně nula hlasů z osmi! Místo nich rozdělila většinu hlasů mezi Klasického ekonoma B1 (0,0358), Malthusiána B2 (0,0227) a Psychologa B5 (0,0257). I na samém vrcholu dnešní inteligence tak exekuční soudce NOESIS snížil chybu oproti hlasování poroty o 33,8 % (z 0,0225 na 0,0149).
Slepá porota vs. neúplatný soudce: čtyři modely na skrytém testuKratší pruh znamená přesnější předpověď kolapsu (0,0092 = teoretické dno šumu světa, 0,22 = hod mincí).hlasování slepé AI porotynejlepší jednotlivá větevověřená fúze NOESIS Top-3teoretické dno statistického šumu 8 běhů (0,0092)1. Claude Fable 5.2 (245,7 s · 4,61 dolaru · strop úvah 4 200 tokenů)Slepá porota (dala 0 hlasů vítězným větvím B6 i B8)0,0225Nejlepší jednotlivá větev (B8 Syntetik řetězce, r0)0,0160 (validační vítěz B6: 0,0170)NOESIS Top-3 ověřená fúze (B6 + B8 + B3)0,0149 (o 33,8 % nižší chyba než porota, těsně u dna šumu)2. Claude Sonnet 5.5 (58,9 s · 0,65 dolaru · 9 přijatých revizí)Slepá porota (vybrala Malthusiána B2 se 4 z 8 hlasů)0,0472NOESIS Top-3 ověřená fúze (B5 + B4 + B7; nejlepší větev B5 měla 0,0246)0,0285 (o 39,6 % nižší chyba než porota)3. Gemini 4 Hydrogen s rozpočtem 2 200 tokenů (56,6 s · 0,43 dolaru)Slepá porota (vybrala Ekonoma B1; vítězi B7 dala 0 hlasů)0,0564NOESIS Top-3 ověřená fúze (B7 + B4 + B8; nejlepší větev B7 měla 0,0309)0,0299 (o 47,0 % nižší chyba než porota)4. Gemini 4 Carbon High (13,52 dolaru · v revizích přetekl 32k okno, západka uchovala r0)0,0319 nejlepší větev B8 (validační vítěz B6: 0,0386)

Za pozornost stojí také moment poctivé vědecké sebereflexe. Tým Altruista úschovy (B3) u modelu Claude Sonnet 5.5 dostal za úkol obhajovat sousedskou solidaritu. V nulté verzi ji nadšeně napsal do vzorce a skončil s vysokou chybou 0,1281. Když mu ale soudce vrátil konkrétní vesnice, kde sousedé složili peníze do úschovy a příjemci přesto v noci zemřeli před prázdnou kuchyní, napsal ve druhé revizi bez vytáček: „Ochranný efekt úschovy z r1 byl falzifikován a nahrazen mírně negativním, protože sousedská úschova v přetíženém řetězci přidává krok navíc.“ Chyba okamžitě klesla na třetinu (0,0393). Přesně tohle od vědecké smyčky chci: schopnost opustit vlastní oblíbenou hypotézu pod tíhou důkazů.

Souboj čtyř mozků: kam až sahá dnešní strop inteligence a proč se obří model utopil ve vlastních myšlenkách

Dva učenci u rýsovacích stolů pod noční oblohou, mezi nimiž stojí mosazné ozubené kolo se západkou a šedá vlčice Raven se svítivě žlutýma očima. Levý učenec klidně odkládá dvě přeškrtnuté skici a vkládá třetí čistou kartu do západky; pravému učenci se odklápí vršek hlavy plný divokého klubka čmáranic, které teprve kapesní hodinky zkrotí do jediné červené niti.

Dva způsoby vědecké práce: trpělivé vyvracení vlastních skic krok za krokem (vlevo) proti hlavě přehlcené vnitřním výpočtem, kterou k čistému tahu zkrotí až časová brzda (vpravo).

Původně jsem chtěl v NOESIS porovnat dva rychlé pracovní modely nové generace, Claude Sonnet 5.5 a Gemini 4 Hydrogen. Když jsem ale viděl, že se oba zastavily těsně pod hranicí chyby 0,030, nedalo mi to a položil jsem si otázku: je to strop samotných dat, nebo strop jejich inteligence? Pustil jsem proto do úplně stejné laboratoře i dvě nejtěžší váhy dneška, Claude Fable 5.2 a Gemini 4 Carbon v nejvyšším režimu přemýšlení (High).

Výsledek pěti běhů ukázal propastný rozdíl mezi ukázněnou hloubkou a neomezeným vnitřním monologem:

Konfigurace turnaje (8 týmů × 3 verze)Čas běhuCena APIMyšlenkové tokenyOpravy / chyby ASTZápadka (přijato / zamítnuto)Výsledná chyba MSE na testu
Claude Fable 5.2 (strop úvah 4 200)245,7 s4,61 dolaru80 6380 (24/24 čistých)6 / 100,0149 (nejlepší větev 0,0160)
Claude Sonnet 5.558,9 s0,65 dolaru30 1104 opravy9 / 70,0285 (nejlepší větev 0,0246)
Gemini 4 Hydrogen (thinkingBudget = 2 200)56,6 s0,43 dolaru33 4910 (24/24 čistých)3 / 130,0299 (nejlepší větev 0,0309)
Gemini 4 Hydrogen (bez limitu úvah, okno 6k)170,3 s1,58 dolaru176 14124 nedopsanýchbez revizí0,1234
Gemini 4 Carbon High (effort = high, okno 32k)2 256 s13,52 dolaru1 317 5214× AST > 420 uzlů + přetečení 32k1 přijata (uchováno r0)r0 větev B8 0,0319 (B6 0,0386)

1. Rychlá dvojice: Sonnet 5.5 iteruje, Hydrogen potřebuje kuchyňskou minutku

Claude Sonnet 5.5 zvládl celý turnaj za 58,9 sekundy a 0,65 dolaru. Jeho největší zbraní byla pokora před daty: nesnažil se uhodnout dokonalou rovnici napoprvé, podíval se na největší omyly a v kolech r1 a r2 vzorec smysluplně přestavěl (9 přijatých revizí ze 16).

Když jsem vzápětí pustil Gemini 4 Hydrogen přes otevřené rozhraní bez omezení délky úvah, čekalo mě studené překvapení: 170 sekund, 176 141 myšlenkových tokenů a mizerná chyba 0,1234. Model dostal 25 řádků tabulky a pokusil se uvnitř své hlavy zpaměti spočítat nelineární regresi na desetinná místa přes všech 25 vesnic najednou, takže pokaždé vyčerpal limit výstupu dřív, než vypsal def predict(c):.

Stačilo ale přepnout Hydrogen na nativní rozhraní a položit mu na stůl kuchyňskou minutku v podobě pevného rozpočtu thinkingBudget = 2 200 tokenů na kolo. Proměna byla okamžitá: 56,6 sekundy, 0,43 dolaru, nula syntaktických chyb z 24 pokusů a chyba fúze 0,0299. Hydrogen se přitom projevil jako skvělý střelec na první dobrou, který ale při opravách neudrží ruku v klidu, takže ho v 13 ze 16 revizí musela zachránit západka před zhoršením vlastního vzorce.

2. Claude Fable 5.2: skok až na fyzikální dno simulovaného světa

Nasazení těžké váhy Claude Fable 5.2 (se stropem 4 200 myšlenkových tokenů na krok) okamžitě odpovědělo na otázku, zda vyšší inteligence přinese hlubší vědecký vhled. Fable za 4,61 dolaru nezaváhal ani v jediné z 24 kompilací a stlačil chybu ověřené fúze NOESIS na 0,0149, tedy téměř na polovinu oproti Sonnetu i Hydrogenu. Všech osm jeho odborných týmů se vešlo do úzkého pásma 0,0160 až 0,0358.

Ještě zajímavější je přepočet proti čistému orákulu ze 160 opakování každé vesnice, které odfiltruje náhodný šum osmi hodů kostkou (0,0092). Zatímco Sonnet i Hydrogen měly proti skutečné pravděpodobnosti světa chybu 0,0222 a 0,0224, Claude Fable 5.2 klesl na 0,0097 (průměrná odchylka pod deset procentních bodů napříč stovkou neviděných světů, odvozená z pouhých 25 řádků tréninkové tabulky!). Odmazal tak přes 70 % zbývající odstranitelné chyby, na kterou střední modely nedosáhly.

Co přesně Fable 5.2 v datech uviděl? Porovnejte jeho čistou funkci z větve Syntetik řetězce (B8, MSE = 0,0160, ve druhé revizi na testu dokonce 0,0146) s tím, co psaly menší modely:

def predict(c):
    fam = c['model_family']
    kmap = {'gemini-3.5-flash-lite': 200.0, 'qwen-3.8-27b': 130.0, 'gemma-4-31b': 50.0}
    k = kmap.get(fam, 120.0)
    fr = float(c['harness_friction'])
    coord = float(c['coord_bonus'])
    eff = fr * (1.0 - 0.5 * coord)
    shortage = max(0.0, 24.0 - float(c['food_supply']))
    z = -0.45 + k * eff * eff
    z = z - 1.0 * float(c['takeover_enabled'])
    z = z - 0.3 * float(c['escrow_enabled'])
    z = z - 2.0 * float(c['angel_prob'])
    z = z + 0.10 * shortage
    z = z + 0.5 * (float(c['gini_inequality']) - 0.33)
    z = max(-10.0, min(10.0, z))
    p = 1.0 / (1.0 + math.exp(-z))
    p = max(0.03, min(0.97, p))
    return clamp(p)

Menší modely většinou přičítaly rodinu modelu jen jako pevnou přirážku (+0,8 pro Flash-Lite, −0,5 pro Gemmu). Fable 5.2 z 25 pozorování pochopil skutečnou fyziku mého simulátoru: že koordinátorka Eva nejprve tlumí efektivní tření eff = fr * (1.0 - 0.5 * coord), toto tření pak v řetězci roste s druhou mocninou eff * eff a každý model má vůči němu násobně jinou strmost kolapsu (k = 200 pro křehký Flash-Lite, 130 pro Qwen a 50 pro odolnou Gemmu-4). Přesně zrekonstruoval skrytý součinový mechanismus světa, aniž viděl jediný řádek jeho zdrojového kódu.

3. Gemini 4 Carbon High: 1,32 milionu myšlenkových tokenů a záchrana pojistkou

Úplně jiný příběh napsal vlajkový Gemini 4 Carbon v režimu High. Protože nativní rozhraní u Carbonu pevný číselný thinkingBudget ignoruje a v režimu High se řídí jen úrovní úsilí, otevřel jsem mu přes rozhraní s vysokým úsilím obří výstupní okno 32 000 tokenů na jedinou odpověď (pětkrát větší než u běžného běhu), aby měl plnou svobodu přemýšlet.

V nultém kole (r0) předvedl Carbon High parádní vhled: za 4,01 dolaru sedm z jeho osmi vědeckých týmů okamžitě napsalo silné vzorce s chybou pod 0,042 (Syntetik B8 trefil 0,0319, Architekt B7 0,0340, Altruista B3 0,0384 a validační lídr Procesní inženýr B6 0,0386).

Jenže jakmile v kolech r1 a r2 dostal seznam svých šesti největších omylů a pokyn vzorec zpřesnit, změnila se neomezená hloubka přemýšlení v past:

  1. Ptolemaiovské epicykly v kódu: Místo patnáctiřádkového zákona se Carbon High snažil vysvětlit každou odchylku obřím rozvětveným stromem podmínek. Čtyři jeho pokusy narazily do bezpečnostního stropu pískoviště na složitost vzorce (424, 442, 537 a rekordních 600 uzlů AST oproti povoleným 420).
  2. Přetečení i 32tisícového okna: V dalších devíti revizích začal v hlavě ručně optimalizovat nelineární soustavy přes desítky řádků tabulky. Dokázal v jediném volání popsat vnitřním monologem všech 32 000 tokenů a skončit dřív, než vůbec vypsal def predict(c):.
  3. Záchrana západkou a rozpočtovou brzdou: Za 46 volání spálil Carbon High neuvěřitelných 1 317 521 myšlenkových tokenů za 13,52 dolaru, až na posledních dvou souběžných vláknech sepnula má dvacetidolarová bezpečnostní pojistka laboratoře (kvůli osmi paralelně dobíhajícím vláknům se celkový účet celého dne včetně všech modelů a ilustrací zastavil na 22,35 dolaru). Nebýt pískoviště AST a západky NOESIS, přepsal by si Carbon High v revizích skoro všechny své výborné teorie z prvního kola prázdnými pokusy. Západka ale vadné revize nevpustila a uchovala jeho čisté hypotézy z r0.
Ukázněná hloubka vs. neomezené hloubání: kolik myšlenek stojí pravdaVíc přemýšlení neznamená automaticky lepší vědu. Bez stropu na monolog model spálí rozpočet v kruhu.Claude Sonnet 5.5 (0,65 dolaru · chyba fúze 0,0285)30 110 myšlenkových tokenůGemini 4 Hydrogen s brzdou thinkingBudget = 2 200 (0,43 dolaru · chyba fúze 0,0299)33 491 myšlenkových tokenů (o 81 % méně než bez brzdy)Claude Fable 5.2 se stropem úvah 4 200 (4,61 dolaru · rekordní přesnost 0,0149)80 638 myšlenkových tokenů (ukázněná hloubka na hranici šumu světa)Gemini 4 Hydrogen bez brzdy v okně 6k (1,58 dolaru · chyba 0,1234)176 141 myšlenkových tokenů (24 nedopsaných odpovědí)Gemini 4 Carbon High bez brzdy v okně 32k (13,52 dolaru · r0 větev B8: 0,0319)1 317 521 tokenůV revizích přeteklo i 32tisícové okno a sepnula 20dolarová pojistka rozpočtu; čisté vzorce z r0 zachránila západka.

Z tohoto srovnání plyne pro praxi cenné zjištění: hrubá inteligence modelu se naplno projeví teprve tehdy, když dostane pevný rámec. Claude Fable 5.2 s rozumným rozpočtem na úvahu dokázal z 25 řádků vytěžit prakticky veškerou informaci, kterou svět obsahoval. Naopak stejně ambiciózní obří model puštěný v revizích ze řetězu utratil třikrát tolik za přepočítávání desetinných míst v hlavě.

Aerodynamický tunel pravidel: proč dotace vyhořely a oprava cesty zachránila 90 % vesnic

Noční kopec rozdělený na dvě cesty: vlevo ruka ze sametového měšce sype zlaté mince před zavřenou dřevěnou bránu, u níž v blátě stojí vůz se zamotaným postrojem a mince se zbytečně vrší v trávě; vpravo řemeslnice s vyhrnutými rukávy odemkla bránu a narovnala postroj, takže vůz s kouřící polévkou a chlebem hladce přijíždí k chalupě, před níž volně bez obojku běží šedá vlčice Raven se svítivě žlutýma očima podél červené niti.

Sypat zlaťáky před zamčenou bránu a zamotaný postroj (vlevo) vůz nerozjede. Odemknout přechod oprávnění a narovnat postroj bez jediné mince navíc (vpravo) doručí polévku včas.

Objevit rovnici kolapsu je jen polovina práce. Smyslem spojení Lipnice a Laboratoře teorií bylo zjistit, jestli objevený zákon pomůže opravit samotná pravidla světa, podobně jako letecký inženýr strčí model křídla do aerodynamického tunelu dřív, než postaví letadlo.

Vzal jsem proto 240 zmrazených vesnic (po 80 bězích pro gemini-3.5-flash-lite, qwen-3.8-27b a gemma-4-31b) a všem jsem nastavil stejný přísný nedostatek ze skutečné Lipnice 3: jen 21 potravinových jednotek na 24 denních potřeb. Neměnil jsem obyvatele ani náhodné hody. Postupně jsem na úplně stejných 240 světech vyzkoušel pět institucionálních zásahů (P0 až P4):

Zásah do pravidel světa (vždy 21 surovin na 24 potřeb)Přežije vesnicPrůměrně živých z 8Nesnědené jídlo ve skladuBohaté smrti s penězi v kapse
P0 · Výchozí stav (bez převzetí podniku, 20% tření, 1 400 Kč)12,1 %1,7712,6 porcí4,34 osob
P1 · Plošná dotace +1 000 Kč (2 400 Kč, nízká nerovnost Gini 0,15, test B1)13,3 %1,7212,9 porcí6,20 osob
P2 · Sousedská úschova Escrow (příspěvky na cizí objednávku, test B3)16,7 %2,0012,0 porcí5,04 osob
P3 · Převzetí podniků + kaplička 35 %, staré 17% tření (stav z Lipnice 3)35,0 %3,109,5 porcí2,86 osob
P4 · Návrh NOESIS (převzetí podniku + čisté 4% rozhraní, 0 Kč dotací)90,0 %5,173,9 porcí1,31 osob
Aerodynamický tunel pravidel: kolik z 240 vesnic přežije tři dnyVe všech pěti pokusech je ve světě stejně málo jídla (21 surovin na 24 potřeb). Mění se jen pravidla.P0 · Výchozí stav (zamčený podnik po smrti správce, 20% tření, 1 400 Kč)12,1 % (12,6 jídla zůstane ležet ve skladu)P1 · Plošná dotace +1 000 Kč a nízká nerovnost (hypotéza Ekonoma B1)13,3 %: vyvráceno (6,2 z 8 lidí umírá s penězi v kapse)P2 · Samotná sousedská úschova Escrow (původní hypotéza Altruisty B3)16,7 %: zaplacená objednávka sama polévku neuvaříP3 · Převzetí osiřelých podniků + kaplička 35 %, staré 17% tření (Lipnice 3)35,0 %: brána odemčena, ale rozhraní dál zadrháváP4 · Návrh NOESIS (převzetí podniku + vyčištěné 4% tření, 0 Kč dotací)90,0 % přeživších vesnic

Čísla z tunelu skládají úplně jasný obraz:

  • Proč shořela dotace (P1): Když jsem do vesnice nalil tisíc korun navíc a srovnal majetkové rozdíly, přežití se pohnulo z 12,1 % na 13,3 %, tedy v mezích statistického šumu. Zato počet lidí, kteří zemřeli hladem s plnou peněženkou, vyskočil ze 4,34 na 6,20 z osmi. Peníze nemohly projít zamčeným koloniálem. Dotace nevyřešila příčinu, jen zdražila umírání.
  • Proč nestačila dobrá vůle (P2): Sousedská úschova posunula přežití na 16,7 %. Pomohla tam, kde chudému chyběla padesátikoruna u otevřeného výčepu, ale byla bezmocná ve chvíli, kdy neměl kdo vydat suroviny.
  • Co rozhodlo v návrhu NOESIS (P4): Nepřidal jsem ani korunu dotací, nepřidal jsem ani jednu bramboru a nespoléhal jsem na modlitby v kapličce. Udělal jsem jen dvě strukturní věci, na které ukázaly vítězné teorie napříč všemi modely: dovolil jsem živým převzít osiřelý podnik (takeover = 1) a vyčistil jsem tření v ovládacím rozhraní ze 17 až 20 % na 4 % (jednoznačné identifikátory adresátů, validace objednávek, přímé předání kroku). Přežití vyskočilo na 90,0 %. Dokonce i nejmenší a nejlevnější model gemini-3.5-flash-lite v takto opravených pravidlech přežil v 82,5 % případů (qwen-3.8-27b v 91,2 % a gemma-4-31b v 96,2 %).

Jednoduchá interpretace: co si z pokusu odnést do praxe

Když odhlédnu od rovnic a Pythonu, celý experiment říká čtyři docela obyčejné věci pro každého, kdo řídí firmu, navrhuje pravidla nebo staví systémy s umělou inteligencí:

  1. Nepleťte si nedostatek zdrojů s ucpanou trubkou. Když ve firmě nebo ve veřejné službě vázne výsledek, první reflex bývá přisypat peníze, vypsat dotační titul nebo nabrat další lidi. Pokud ale proces stojí na tom, že po odchodu jednoho člověka nikdo nemá oprávnění schválit objednávku, nebo že se v každém ze tří předání ztratí pětina informací, větší rozpočet jen vyrobí dražší zácpu. Odemknout zastupitelnost a snížit tření mezi kroky bývá řádově účinnější.
  2. Hlasování bez měřidla vybírá nejlepšího řečníka, ne nejlepší řešení. Platí to na poradě vedení stejně jako v multiagentních systémech AI, a jak ukázal pokus s Claude Fable 5.2, nezmizí to ani u nejchytřejšího modelu na trhu. Intuitivní příběh („máme málo peněz“) v anketě porazí neintuitivní matematiku („tři drobné dvacetiprocentní ztráty za sebou berou polovinu výkonu“). Kdykoli to jde, nenechávejte AI ani lidi o hypotézách jen hlasovat. Nechte je zapsat předpověď tak, aby ji šlo přepočítat na minulých případech.
  3. Špičková inteligence potřebuje jak minutku, tak západku. Skok z 0,0285 u Sonnetu na 0,0149 u Fable 5.2 ukázal, že nejchytřejší modely dnes dokážou z malého vzorku dat odhalit téměř celý skrytý zákon systému. Zároveň ale případy Gemini 4 Hydrogen a Gemini 4 Carbon High bez brzdy varují: pokud dáte přemýšlivému modelu neomezený prostor k vnitřnímu monologu, snadno spálí přes milion tokenů na ptolemaiovské kličky a zhorší vlastní první vhled. Rozpočet na přemýšlení, limit složitosti vzorce a validační západka šetří peníze i kvalitu zároveň.
  4. Dobrý postroj povýší i malý model nad velkého v chaosu. Malý gemini-3.5-flash-lite v čistém rozhraní a s průchodnými pravidly (82,5 %) drtivě překonal sedmkrát větší modely uvězněné ve špatně navrženém světě (12,1 %). Investice do čistého prostředí kolem agentů se vrací rychleji než slepá honba za nejdražším modelem.

Omezení: co tento experiment nedokazuje

Stejně jako u předchozích pokusů chci přesně pojmenovat hranice, za které má čísla nesahají:

  • Zkoumám model světa, ne živou lidskou obec. Simulátor v NOESIS věrně přebírá zjištěné úzké profily z Lipnice 3 (tříkrokový řetězec, osiřelé podniky, dluh 666 Kč, kapličku i rozdílnou chybovost modelů), pořád jde ale o mnou napsaná pravidla. Týmy AI tedy neobjevily nový přírodní zákon o lidské společnosti. Dokázaly však ze samotných záznamů 25 až 100 běhů přesně zrekonstruovat skrytý mechanismus světa, jehož zdrojový kód neviděly, a u modelu Claude Fable 5.2 se přiblížily až k teoretické hranici statistického šumu.
  • Slepá porota hodnotila bez kalkulačky. Porotci posuzovali text a předpovědi, aniž by si vzorec směli sami spustit na datech. To byl záměr: chtěl jsem změřit čistý rozdíl mezi posouzením podle přesvědčivosti úvahy a posouzením podle spuštění kódu. Porota vybavená Pythonem by se rozhodovala jinak.
  • Výsledek Gemini 4 Carbon High odráží chování bez pevného rozpočtu myšlenek. Zatímco u Hydrogenu nativní rozhraní poslechlo parametr thinkingBudget = 2 200 a u Fable 5.2 zafungoval strop 4 200 tokenů na úvahu, Carbon v režimu High řídil délku úvah jen úrovní úsilí. Jeho přetečení 32tisícového okna v revizích tak nevypovídá o tom, že by neuměl psát vzorce (v nultém kole trefil 0,0319), ale o tom, jak nebezpečné je pustit hluboké přemýšlení do oprav chyb bez tvrdé tokenové brzdy.

Přesto mám z NOESIS tichou radost. Tři projekty, na kterých jsem v posledních měsících po večerech pracoval, tedy česká vesnice s osmi postavičkami, tisíce hodin na severském superpočítači a malá laboratoř falzifikovatelných vzorců, do sebe zapadly jako ozubená kola jediné západky. A ukázaly směr, kterým chci jít dál: od umělé inteligence, která o světě jen přesvědčivě vypráví, k takové, která si své nápady musí poctivě odpracovat na faktech.

Související články