W lutym 2026 Google DeepMind opublikował wyniki, które sprawiły, że część społeczności matematycznej dosłownie oniemiała. AI o nazwie Aletheia — agent badawczy zbudowany na Gemini Deep Think — samodzielnie rozwiązał 6 otwartych problemów matematycznych na poziomie doktoratu. Bez żadnej pomocy człowieka w trakcie rozwiązywania. W ramach oficjalnego wyzwania FirstProof, z prawdziwym deadlinem.
W tym samym tygodniu Google ogłosił budowę największego systemu bateryjnego na świecie — 300 MW baterii żelazowo-powietrznej zdolnej dostarczać prąd przez 100 godzin ciągiem. To nie zbieg okoliczności. To dwa elementy tej samej układanki.
Aletheia: nie kolejny chatbot, który "zna matmę"
Zacznijmy od tego, czym Aletheia NIE jest. Nie jest chatbotem, który ładnie formatuje równania. Nie jest kalkulatorem, który szybko liczy. Aletheia to agent badawczy zaprojektowany do pracy nad problemami, które wymagają tygodni eksploracji, setek ślepych zaułków i cierpliwego budowania łańcuchów rozumowania.
DeepMind uruchomił dwie wersje Alethei (na nieco różnych modelach bazowych) i porównywał ich wyniki. Razem rozwiązały problemy 2, 5, 7, 8, 9 i 10 z wyzwania FirstProof. Czterech pozostałych nie rozwiązały — i to jest równie ważne jak te sześć sukcesów.
Architektura Alethei opiera się na trzech subagentach, które ciągle ze sobą "walczą": Generator proponuje pomysły i strategie. Weryfikator atakuje każdy krok logiczny i odrzuca wszystko, co nie trzyma się kupy. Rewizer poprawia i łata. Ten wewnętrzny konflikt trwa non-stop, aż albo wyłoni się poprawny dowód, albo skończy się budżet obliczeniowy.
Kluczowa decyzja projektowa: gdy Aletheia nie potrafi rozwiązać problemu — nie blefuje. Dla czterech nierozwiązanych problemów albo jawnie raportowała "brak rozwiązania", albo milczała po upłynięciu czasu. DeepMind pisze wprost w paperze: wolą poświęcić zdolność rozwiązywania części problemów, jeśli ceną jest nigdy nie produkować bzdur. W matematyce badawczej jeden przekonujący, ale błędny dowód potrafi zmarnować miesiące pracy ekspertów.
FirstProof: nie mylić z olimpiadą
Żeby zrozumieć wagę tego osiągnięcia, trzeba odróżnić FirstProof od Olimpiady Matematycznej. IMO to rozwiązywanie bardzo trudnych problemów pod presją czasu, ale przy użyciu znanych technik w kreatywny sposób. FirstProof to zupełnie inna liga.
Problemy z FirstProof siedzą na froncie badawczym. W niektórych przypadkach w pełni rozumie pytanie najwyżej kilkadziesiąt osób na Ziemi. Nie ma znanej ścieżki rozwiązania, nie ma standardowego toolboxa, i nie ma gwarancji, że rozwiązanie w ogóle istnieje.
Sam DeepMind opisuje to jako osiągnięcie ważniejsze niż złoty medal na IMO. I to nie jest marketing — IMO to test umiejętności, FirstProof to test zdolności do odkrywania nowej wiedzy.
Problem 7: dowód, który zaimponował ekspertom
Jeden problem zasługuje na bliższe spojrzenie, bo doskonale ilustruje, co Aletheia potrafi. Problem 7 leży na przecięciu topologii algebraicznej i geometrii różniczkowej. W uproszczeniu: pytanie brzmi, czy pewien typ dyskretnej grupy może pojawić się jako grupa podstawowa zwartej rozmaitości bez brzegu, przy ścisłych warunkach na jej pokrycie uniwersalne.
Samo sformułowanie odfiltrowuje 99.99% ludzi na Ziemi. A Aletheia nie tylko odpowiedziała — udowodniła, że odpowiedź brzmi "nie", dwoma zupełnie różnymi metodami.
Pierwszy dowód jest niemal szokująco prosty. Aletheia obliczyła liczbę Lefschetza powiązaną z elementem grupy rzędu dwa. Z jednej strony ta liczba musi być niezerowa. Z drugiej — ponieważ działanie grupy jest wolne i nie ma punktów stałych — liczba Lefschetza musi być zerem. Równanie 0 = ±1. Sprzeczność. Koniec.
Drugi dowód idzie w odwrotną stronę: czysty argument geometryczny z mapą ekwiwariantną, twierdzeniem o punkcie stałym Cartana i ponownie liczbami Lefschetza. Inne narzędzia, ta sama sprzeczność, ten sam wniosek.
Ekspert, który postawił ten problem, osobiście potwierdził, że rozumowanie jest poprawne. Jeden z recenzentów napisał, że po raz pierwszy widział, jak AI naturalnie łączy wiele głębokich twierdzeń w sposób, który nie wydaje się sztuczny ani wymuszony.
I to nie było tanie. Rozwiązanie samego problemu 7 wymagało 16-krotnie większego budżetu obliczeniowego niż rozwiązanie problemu Erdősa w zeszłym roku. DeepMind wizualizował koszt w czasie — widać ciągłe uderzanie w ślepe zaułki, porzucanie ścieżek, wracanie. To zachowanie badawcze, nie obliczeniowe.
Terence Tao: "AI jest moim młodszym współautorem"
W kontekście tych wydarzeń warto przypomnieć słowa Terence'a Tao — powszechnie uważanego za jednego z najwybitniejszych żyjących matematyków. W artykule dla Microsoftu (2023) przewidział, że do 2026 AI będzie wnosić wkład porównywalny z młodszym współautorem. W 2026 potwierdził, że ta predykcja się sprawdza — AI jest używane na poziomie "junior co-author, który chętnie wykonuje żmudną robotę i rozpisuje nudne przypadki".
Tao sam współtworzył paper z AlphaEvolve — agentem DeepMind, który autonomicznie odkrywa nowe konstrukcje matematyczne. To nie "AI mi pomogło sformatować tekst". To "AI jest współautorem artykułu naukowego".
Skąd wziąć prąd na to wszystko?
I tu dochodzimy do drugiej połowy tej historii. Systemy takie jak Aletheia są cholernie drogie obliczeniowo. Rozwiązanie jednego problemu to tysiące godzin GPU. Skalowanie do setek problemów badawczych jednocześnie wymaga infrastruktury, która dzisiaj po prostu nie istnieje.
W tym samym tygodniu co ogłoszenie Alethei Google ujawnił plany budowy masywnego centrum danych w Pine Island w Minnesocie — i to, jak zamierza je zasilić.
Liczby: 1,4 GW energii wiatrowej, 200 MW słonecznej i 300 MW baterii żelazowo-powietrznej od Form Energy. Ta bateria jest w stanie dostarczać energię przez 100 godzin ciągiem. To ponad 4 dni. Największy system bateryjny na świecie mierzony w pojemności energetycznej (30 GWh).
Bateria, która rdzewieje
Technologia Form Energy to coś zupełnie innego niż litowo-jonowe baterie, które znasz z telefonów i Tesli. Tutaj masz kawałki żelaza, które... rdzewieją. Dosłownie.
Gdy bateria się rozładowuje, tlen z powietrza reaguje z żelazem — rdza uwalnia energię. Gdy się ładuje, proces odwraca się: prąd "odrdzewia" żelazo, uwalniając tlen. Standardowe baterie litowe dają 4-8 godzin magazynowania. Ta daje 100.
Dlaczego 100? Bo modelowanie ekstremalnych zjawisk pogodowych pokazuje, że najgorsze trwają 4-5 dni. Bez takiego magazynu albo masowo przebudowujesz OZE (i 80% mocy marnujesz), albo trzymasz fosilne backup. Form Energy eliminuje ten dylemat.
Google zapłacił Form Energy około 1 miliarda dolarów za ten kontrakt. To pierwsza umowa hyperscalera na długoterminowe magazynowanie energii w tej skali.
Mateo Jaramillo: z Tesli do rdzewiejącego żelaza
Form Energy prowadzi Mateo Jaramillo, który wcześniej uruchomił w Tesli biznes stacjonarnych baterii (Powerwall, Megapack). Odszedł w 2017 z przekonaniem, że litowo-jonowe baterie nigdy nie rozwiążą problemu wielodniowego magazynowania — są po prostu za drogie. Form Energy celuje w $20 za kWh. To minimum 3x taniej niż lit.
Fabryka Form w Zachodniej Wirginii ruszyła w tym roku. Plan to 500 MW rocznej produkcji do 2028. Pilotażowy system 1,5 MW / 100h działa już w Minnesocie. Kolejne projekty w Kalifornii, Kolorado, Georgii, Virginii, Nowym Jorku i Maine.
Jaramillo mówi wprost: firma planuje wejście na giełdę w "stosunkowo bliskim horyzoncie". Popyt, technologia i moce produkcyjne wreszcie się zbiegły.
Dlaczego te dwa ogłoszenia to jedna historia
Google nie buduje AI oddzielnie od infrastruktury energetycznej. To ta sama strategia: stwórz inteligencję zdolną do odkrywania nowej wiedzy, a potem zbuduj fizyczną infrastrukturę, żeby ją utrzymać na skali bez spalania paliw kopalnych.
Aletheia potrzebuje 16x więcej mocy obliczeniowej na jeden problem niż standardowe zadanie. Skaluj to do tysięcy problemów — i nagle potrzebujesz centrum danych, które nigdy nie traci prądu. Nawet podczas 4-dniowej burzy.
Bateria na 100 godzin to nie gadżet dla ekologów. To infrastruktura krytyczna dla AI badawczego, które pracuje tygodniami nad jednym problemem. Przerwa w zasilaniu = stracone miliony w obliczeniach.
Co z tego wynika
Trzy rzeczy, które warto zapamiętać:
Po pierwsze: AI przekroczyło granicę między "rozwiązywaniem trudnych zadań" a "odkrywaniem nowej wiedzy". Aletheia nie odtwarza czegoś z danych treningowych — generuje nowe dowody, które eksperci weryfikują i uznają za poprawne.
Po drugie: infrastruktura energetyczna staje się wąskim gardłem rozwoju AI. Kto rozwiąże problem zasilania, ten wygra wyścig. Google właśnie postawił miliard dolarów na rdzewiejące żelazo — i to może być najlepsza inwestycja dekady.
Po trzecie: tempo jest nieludzkie. Od IMO (rozwiązywanie znanych problemów) do FirstProof (odkrywanie nowej matematyki) minęło pół roku. Następne pół roku — kto wie.
Dla firm: jeśli AI rozwiązuje otwarte problemy doktorskie, to Twoje raporty kwartalne, analizy rynku i strategie cenowe to rozgrzewka. Pytanie nie brzmi "czy AI poradzi sobie z moimi zadaniami" — brzmi "czy ja potrafię zadać AI odpowiednie pytania".
Źródła:
Google DeepMind — "Accelerating mathematical and scientific discovery with Gemini Deep Think" (luty 2026): https://deepmind.google/blog/accelerating-mathematical-and-scientific-discovery-with-gemini-deep-think/
Aletheia tackles FirstProof autonomously — paper na arXiv (luty 2026): https://arxiv.org/abs/2602.21201
TechCrunch — "Google paid startup Form Energy $1B for its massive 100-hour battery" (luty 2026): https://techcrunch.com/2026/02/26/google-paid-startup-form-energy-1b-for-its-massive-100-hour-battery/
Fortune — "Google is building renewable energy in Minnesota including world's largest battery" (luty 2026): https://fortune.com/2026/02/28/google-build-renewable-energy-minnesota-worlds-largest-battery-100-hours/
Terence Tao — artykuł dla Microsoft Unlocked o AI jako współautorze (2023-2026): https://unlocked.microsoft.com/ai-anthology/terence-tao/
MarkTechPost — "Google DeepMind Introduces Aletheia" (luty 2026): https://www.marktechpost.com/2026/02/12/google-deepmind-introduces-aletheia-the-ai-agent-moving-from-math-competitions-to-fully-autonomous-professional-research-discoveries/