Umí AI vymyslet něco nového, nebo jen kombinuje?

„AI jen kombinuje to, co viděla.“ To je věta, kterou se debata o schopnostech modelů obvykle ukončuje — zní chytře, skepticky, dospěle. Z druhé strany se ozývá „AI je kreativní!“, stejně sebejistě. Obojí je heslo. Skutečná otázka je přesnější a dá se na ni odpovědět: umí AI vyprodukovat něco, co nebylo v jejích datech — a pokud ano, za jakých podmínek?

01Tři věci pod jedním slovem

„Jen kombinuje“ vypadá jako jedno tvrzení, ale schovává tři. Filozofka Margaret Bodenová, která se umělou kreativitou zabývá desítky let, rozlišuje tři druhy:

• Kombinační — nové spojení známých prvků. Koláž, metafora „srdce jako pumpa“, analogie mezi atomem a sluneční soustavou.
• Exploratorní — prozkoumávání daného „konceptuálního prostoru“. Pravidla zůstávají, ale hledá se v nich to, co ještě nikdo neobjevil.
• Transformační — změna samotných pravidel prostoru. Něco, co dosavadní rámec vůbec neumožňoval.

Heslo „jen kombinuje“ ve skutečnosti tvrdí: AI zvládá jen tu první vrstvu. Tím se otázka zaostřuje. Nezní „je AI kreativní“, ale: dělá AI i tu exploratorní a transformační část?

02Skeptická pozice má pravé jádro

Než ukážu protipříklady, je férové přiznat skeptikům, v čem mají pravdu. Jazykový model se učí rozdělení svých trénovacích dat — predikuje to, co je vzhledem k datům pravděpodobné. Bender, Gebruová a kol. to v práci o „stochastických papoušcích“ pojmenovali tvrdě: statistická imitace textu.

Z toho plyne reálné omezení. Uvnitř mraku svých dat je model spolehlivý — interpoluje. Daleko za jeho okrajem, kde je dat málo nebo žádná, se hroutí — extrapolace mu nejde. Výchozí chování modelu tedy opravdu je držet se blízko dat, tedy přeskupovat. Skeptické tvrzení není hloupé. Přesně popisuje default. Chyba je jinde: zaměňuje default za strop.

03AlphaEvolve: nový algoritmus po 56 letech

V roce 2025 ukázal DeepMind systém AlphaEvolve. Ten našel postup, jak vynásobit dvě matice 4×4 pomocí 48 skalárních násobení — první posun za Strassenův algoritmus po 56 letech. To je výsledek, který v žádných trénovacích datech nebyl, protože ho do té doby neměl nikdo. AlphaEvolve také zlepšil meze u několika otevřených matematických problémů a zrychlil jeden interní výpočetní kernel o 23 %.

Důležité je jak. Není to „model je geniální“. AlphaEvolve je smyčka: jazykový model rychle navrhuje varianty kódu, evoluční mechanismus je kříží a mutuje, a každou variantu posuzuje tvrdý evaluátor — funguje to? je to rychlejší? Model sám novost negarantuje. Garantuje ji ta smyčka.

04FunSearch: nové výsledky v matematice

Stejný vzorec, o dva roky dřív. FunSearch (DeepMind, publikováno v Nature 2023) našel nové konstrukce pro takzvaný cap set problem — největší posun dolní meze za 20 let — a nové heuristiky pro online bin packing.

FunSearch má dvě návrhová rozhodnutí, která rozhodují o všem. Zaprvé: hledá program, který řešení vyrobí, ne přímo řešení. Program jde přečíst, ověřit a zobecnit. Zadruhé: evaluátor je objektivní a levný — v matematice se správnost dá mechanicky zkontrolovat. Model proto může v 99 % případů navrhnout nesmysl; evaluátor ho zahodí. Co projde, je skutečné.

05Vzorec: model navrhuje, evaluátor soudí

Tady je jádro celého článku. V obou případech novost nevzniká v modelu. Model je navrhovatel — rychlý, plynulý, většinou skutečně jen přeskupuje. Novost vzniká ve smyčce: navrhovatel + objektivní evaluátor + výběr přes mnoho iterací.

Je to blíž evoluci než genialitě. Variace (model) plus selekce (evaluátor) plus opakování. Extrapoluje až ta smyčka — protože dokáže spolehlivě poznat, který z tisíce pokusů je krok správným směrem.

Jedno upřesnění, ať to k modelu není nefér: ta variace není slepá. Prostor možných programů je astronomicky velký — kdyby navrhovatel střílel úplně náhodně, evaluátor by neměl z čeho smysluplně vybírat a smyčka by nedoběhla ani za tisíce let. Že hledání trvá hodiny, a ne věky, je tím, že model míří návrhy do slibných oblastí. Nepřeskupuje „jen tak“: netriviálně zužuje prostor, který pak smyčka prohledává. To je jeho skutečný příspěvek — ne genialita, ale užitečně předpojatý odhad, kde stojí za to hledat.

Tím se mění celá otázka. AI vymýšlí nové věci tehdy, když je napojená na hledací proces s tvrdým, objektivním filtrem — ať ten filtr běží teď, nebo proběhl dřív. Nemusí to být smyčka spuštěná ve chvíli použití; může být zabudovaná už do tréninku. AlphaFold predikuje dosud neurčené proteinové struktury jediným průchodem, bez iterace v reálném čase — ale jen proto, že hledáním a výběrem prošla evoluce a strukturní databáze, na nichž se učil. Smyčka tam je. Jen proběhla dřív.

A neplatí to jen pro úzce specializované systémy. Obecné jazykové modely trénované přes RLHF a příbuzné techniky mají část evaluátora zalitou rovnou do vah — model generuje, lidé (nebo zástupní soudci) hodnotí, selekce se promítá zpět do dalšího tréninku. Hranice mezi „smyčka teď“ a „smyčka v tréninku“ tím přestává být ostrá; je to spojité spektrum. Když model generuje text na jediný průchod, není to bez selekce — jen ta selekce proběhla dřív a její stopy v textu nejsou na první pohled vidět.

AI nevymýšlí nové věci tím, že je geniální. Vymýšlí je tím, že je rychlá — a má vedle sebe tvrdého soudce.

06GNoME a proč „AI objevila X“ chce skepsi

Teď protijed na nadšení. Také v roce 2023 ohlásil DeepMind systém GNoME: predikci 2,2 milionu krystalových struktur, titulky mluvily o „800 letech materiálového poznání“. Část materiálové komunity ale rychle namítla, že velká část těch „objevů“ jsou triviální záměny prvků ve známých strukturách, že skutečně nových a experimentálně užitečných je zlomek a že evaluátor — predikce stability — je sám nepřesný.

Poučení nezní „GNoME je podvod“. Zní: smyčka navrhovatel + evaluátor vyrobí skutečnou novost jen tehdy, když je evaluátor opravdu tvrdý a opravdu měří to, na čem záleží. Slabý nebo zástupný evaluátor vyrobí záplavu „nových“ výsledků, které za nic nestojí. Titulek „AI objevila X“ si zaslouží stejnou skepsi jako každé tvrzení z benchmarku — první otázka je, jaký byl evaluátor.

07Zpátky k Bodenové: kde AI zůstává jen u kombinování

Vraťme to k těm třem druhům kreativity. Tam, kde existuje levný, tvrdý a objektivní ověřovač — matematika, algoritmy, kód, úzce vymezená věda — dělá AI poctivou exploratorní kreativitu. A to v silné podobě: AlphaEvolvův algoritmus posouvá hranici toho, co se zdálo možné. Pozor ale na slovo transformační. V Bodenové smyslu by transformační kreativita musela změnit samotná pravidla prostoru — a nový postup násobení matic žádné pravidlo nemění. Pořád hraje podle lineární algebry a pořád se měří počtem operací. Posouvá strop uvnitř rámce; nepřepisuje rámec. Je to špičková exploratorní kreativita, ne transformační.

Tam, kde objektivní ověřovač není — otevřené psaní, design, strategie, vkus, otázka „co je dobrý nápad“ — nemá AI proti čemu extrapolovat. Padá zpět do kombinační vrstvy: plynulé přeskupování dat. Ne proto, že by to neuměla, ale proto, že jí nic neřekne, který nový tah je dobrý. Úzké hrdlo není model. Je to evaluátor.

Ta hranice ale není ostrá. Není to tak, že by ověřovač buď byl, nebo nebyl — i v měkkých oblastech jdou postavit zástupní soudci: A/B testy, lidské preference, ekonomické výsledky. Jsou jen šumavější, pomalejší a snáz oklamatelní. Je to spojité spektrum a otázka nezní „má ten obor evaluátor“, ale „kolik použitelného signálu z něj jde vytáhnout a za jakou cenu“. A platí, co ukázalo GNoME: čím slabší a zástupnější soudce, tím spíš místo objevu dostanete jen záplavu „novinek“, co za nic nestojí.

08Co si z toho vzít

„AI jen kombinuje“ je moc silné — vyvrací to AlphaEvolve i FunSearch. „AI je kreativní“ je moc volné — vyvrací to GNoME a všechno, co nemá ověřovač. Použitelná verze je mezi tím: AI produkuje skutečně nové věci v oblastech, kde jde levně a objektivně testovat „je tohle lepší“.

Pro praxi z toho plyne nečekané přesunutí práce. Pokud chcete z AI dostat novost, vaším úkolem není lepší prompt. Je to postavit evaluátor — tvrdý, levný a měřící to, na čem opravdu záleží. Model je ta snadná polovina. Soudce je ta těžká — a je váš.

A není to rada specifická pro AI. Tvořivá práce vždycky byla variace × selekce × iterace; AI tu rovnici jen zviditelňuje, protože jedna její strana — generování variant — přestala stát čas a peníze. Úzké hrdlo, které tam bylo vždycky, je teď jen vidět.

Jestli AI tomu, co vyprodukuje, zároveň rozumí, je samostatná otázka — rozebírá ji článek Co znamená, že model rozumí?. Tenhle text popisuje stav k květnu 2026; schopnosti modelů i hledacích smyček se rychle mění, ber ho jako mapu, ne jako uzavřený verdikt.