Epistemologie umělé inteligence: může AI být základem našeho vědění?

Umělá inteligence se stále častěji nepoužívá jen k automatizaci rutinních úloh, ale přímo k získávání znalostí a porozumění. Právě tímto tématem se zabývá text s názvem Epistemologie umělé inteligence, publikovaný 16. října 2026. Zkoumá, zda a za jakých podmínek mohou výstupy AI systémů sloužit jako opodstatněný základ našeho vědění.

Autoři připomínají, že AI dnes slouží k detekci objektů v obrazech, k predikcím, ke zkoumání matematických konjektur i k inferování kauzálních spojení. Typickým příkladem je model AlphaFold, který v roce 2018 zvítězil v soutěži pořádané každé dva roky, v níž se předpovídá trojrozměrný tvar proteinů. Jeho druhá verze, AlphaFold 2, predikovala strukturu více než 200 milionů proteinů, a to s vysokou přesností. AlphaFold 3 pak zvládá předpovídat strukturu širšího spektra biologických komplexů.

Podobný posun se odehrává v matematice. V roce 2025 získal model Deep Think od společnosti Google zlatou medaili na Mezinárodní matematické olympiádě. V roce 2026 pak společnost OpenAI uvedla, že 10 000 AI agentů vyřešilo jeden z takzvaných millennium problémů. Tato tvrzení ukazují, jak daleko se AI dostala od pouhého zpracování dat k činnostem, které bývaly vyhrazeny lidským odborníkům.

Právě proto lze AI označit za epistemickou technologii, tedy nástroj používaný k epistemickým účelům a operacím. Epistemologie umělé inteligence se na ni dívá dvojím způsobem: jako na objekt poznání, který chceme pochopit, a zároveň jako na nástroj, který epistemickým agentům pomáhá poznávat svět. Klíčové otázky se přitom týkají toho, zda jsou naše přesvědčení opřená o výstupy AI oprávněná, zda je racionální důvěřovat aplikacím umělé inteligence a z jakých zdrojů takové oprávnění vlastně plyne.

Ústřední překážkou je problém opacity. Mnoho AI aplikací je považováno za „černé skříňky“, jejichž vnitřní fungování je obtížné pochopit, i když poskytují užitečné nebo přesné výsledky. Pokud nevíme, proč systém dospěl k určitému závěru, je těžké posoudit, nakolik se na něj lze spolehnout. Výzkum v oblasti AI se proto snaží zlepšit interpretovatelnost a vysvětlitelnost modelů, aby bylo možné jejich výstupy lépe zdůvodnit a ověřit.

Text rozlišuje také dva základní typy umělé inteligence. Symbolická AI, označovaná zkratkou GOFAI, pracuje s explicitně formulovanými pravidly a reprezentacemi. Subsymbolická, konekcionistická AI, k níž patří například hluboké neuronové sítě, se naopak učí z dat a její znalosti nejsou zapsány v lidsky čitelné podobě. Právě druhý typ je spojen s největšími obavami z neprůhlednosti, zatímco první bývá srozumitelnější.

Epistemologie AI se částečně překrývá s etikou AI, která rovněž zkoumá umělou inteligenci jako předmět zájmu. Obě oblasti sdílejí některé podobnosti, například zájem o to, jak se k těmto systémům stavět a jaké důsledky má jejich nasazení. Liší se však zaměřením: zatímco etika se ptá především na to, co je správné nebo žádoucí, epistemologie řeší, co můžeme na základě AI oprávněně vědět a věřit.

Hlavní otázkou zůstává, zda je důvěra ve výstupy umělé inteligence racionální a z čeho se její oprávněnost odvozuje. Odpověď přitom může záviset na typu systému, na možnosti jeho výstupy nezávisle ověřit i na tom, nakolik rozumíme jeho fungování. Tvrzení o dosažených úspěších, ať už v biologii, nebo v matematice, tuto debatu spíše zintenzivňují, protože čím významnější poznatky AI přináší, tím naléhavější je ptát se, na jakém základě je přijímáme.