W 1956 roku niewielka grupa naukowców zebrała się na Dartmouth College z odważnym twierdzeniem: „każdy aspekt uczenia się” mógłby, w zasadzie, zostać zasymulowany przez maszynę. Nie mieli komputerów wystarczająco potężnych, by to udowodnić, ani danych, którymi mogliby nakarmić swoje pomysły, ani prawdziwego wyobrażenia, jak długa droga jeszcze przed nimi. Dziś to marzenie pisze e-maile, diagnozuje choroby, prowadzi samochody, a od czasu do czasu dyskutuje z nami o pogodzie. Jak doszliśmy od garstki optymistycznych akademików do systemów, które wydają się prowadzić prawdziwe rozmowy? I, co ważniejsze, czy powinniśmy martwić się tym, co nadejdzie dalej?
Co właściwie rozumiemy przez „sztuczną inteligencję”?
Termin ten brzmi futurystycznie, ale w istocie oznacza po prostu skłonienie komputera do wykonywania zadań, które normalnie wymagają ludzkiej inteligencji: rozpoznania twarzy, przetłumaczenia zdania czy przewidzenia, jaki film Ci się spodoba. Nie każda AI jest jednak taka sama. Większość tego, co istnieje dzisiaj, nazywa się „wąską AI” — systemami zbudowanymi do wykonywania jednego konkretnego zadania niezwykle dobrze, jak granie w szachy czy filtrowanie spamu. Rodzaj AI zdolny rozumować, uczyć się i przystosowywać do zupełnie różnych sytuacji, tak jak robi to człowiek, nazywa się „ogólną AI” i jeszcze nie istnieje, mimo tego, co czasem sugerują nagłówki.
To rozróżnienie ma większe znaczenie, niż mogłoby się wydawać na pierwszy rzut oka. Silnik szachowy zdolny pokonać każdego człowieka na planecie nie ma pojęcia, czym jest filiżanka kawy, a system, który płynnie pisze eseje, może zawieść w zadaniu, które pięciolatek rozwiązuje bez trudu — na przykład zrozumieniu, że zdjęcie miski płatków śniadaniowych nie jest tak naprawdę śniadaniem. Właśnie w tej przepaści między wąską a ogólną inteligencją tkwi większość zamieszania — a także spora część marketingowego szumu.
Od symboli do neuronów: krótka historia
Pierwsi badacze AI próbowali uczyć komputery za pomocą logiki i reguł — podejście znane jako „symboliczna AI”. Programiści pisali jawne instrukcje: jeśli ten warunek jest prawdziwy, zrób to. Przez pewien czas podejście to wydawało się obiecujące. Zbudowane w ten sposób systemy potrafiły rozwiązywać zadania z algebry, dowodzić twierdzeń matematycznych, a nawet stawiać podstawowe diagnozy medyczne, podążając za długimi łańcuchami reguł napisanych przez ludzkich ekspertów. Podejście to załamało się jednak w obliczu chaosu prawdziwego życia. Język, obrazy i ludzkie zachowanie pełne są wyjątków, sprzeczności i niuansów kontekstu, których żaden zbiór reguł nigdy nie byłby w stanie w pełni uchwycić. Badacze przez lata siedemdziesiąte i osiemdziesiąte wielokrotnie uderzali w tę samą ścianę, a finansowanie badań nad AI wyschło tak drastycznie, że historycy nazywają ten okres „zimą AI”.
Prawdziwy przełom przyszedł z zupełnie innego pomysłu, zainspirowanego — tylko luźno — ludzkim mózgiem: sieci neuronowe. Zamiast otrzymywać dokładne reguły, systemy te uczą się wzorców, analizując ogromne ilości przykładów. Pokaż sieci neuronowej miliony zdjęć podpisanych „kot” lub „nie kot”, a stopniowo dostosuje się, aż zacznie rozpoznawać koty, których nigdy wcześniej nie widziała. Sama koncepcja sięga lat pięćdziesiątych, ale wymagała trzech składników, których wtedy po prostu jeszcze nie było: wystarczającej ilości danych cyfrowych do nauki, wystarczającej mocy obliczeniowej do ich przetworzenia oraz lepszych technik matematycznych treningu. Wszystkie trzy zbiegły się ostatecznie w latach 2010., a postęp, który przez sześćdziesiąt lat pełzł powoli, nagle przyspieszył w tempie, którego nikt w pełni nie przewidział.
Jak to naprawdę działa?
Na podstawowym poziomie sieć neuronowa składa się z warstw sztucznych „neuronów” — prostych jednostek matematycznych połączonych ze sobą. Informacje przepływają przez te warstwy, a każde połączenie ma „wagę”, która określa, jak duży wpływ ma na ostateczny wynik. Trenowanie sieci polega na karmieniu jej danymi, sprawdzaniu, czy jej odpowiedź jest poprawna, i lekkim dostosowywaniu wag za każdym razem, gdy popełni błąd. Powtórz ten proces miliardy razy, korzystając z ogromnych zbiorów danych i potężnych chipów komputerowych, a sieć stopniowo staje się niezwykle dobra w swoim zadaniu — mimo że nikt nigdy nie napisał jawnej reguły, jak ma to robić.
Duże modele językowe, technologia stojąca za nowoczesnymi chatbotami, działają na podobnej zasadzie, ale są trenowane specjalnie do przewidywania następnego słowa w zdaniu. Trawiąc ogromne ilości tekstu z książek, stron internetowych i artykułów, uczą się gramatyki, faktów, a nawet wzorców rozumowania — nie dlatego, że ktoś jawnie ich tego nauczył, ale dlatego, że dokładne przewidywanie języka wymaga, przynajmniej na poziomie statystycznym, jego zrozumienia. Poproś taki system o wyjaśnienie żartu, streszczenie umowy czy napisanie wiersza w określonym stylu, a sięgnie po wzorce wchłonięte z niemal niewyobrażalnej ilości ludzkiego pisma.
Warto jednak pamiętać, że systemy te nie „rozumieją” języka tak, jak robią to ludzie. Nigdy nie skosztowały kawy, nie odczuły zmęczenia ani nie martwiły się o czynsz. To, co wygląda na zrozumienie, jest ściśle rzecz biorąc niezwykle wyrafinowaną formą rozpoznawania wzorców — na tyle skuteczną, że w praktyce różnica często przestaje mieć znaczenie, choć w zasadzie ma ogromne znaczenie.
Gdzie AI już kształtuje Twoje życie
Na długo zanim chatboty stały się tematem rozmów przy kolacji, AI cicho zadomowiła się w codziennych rutynach. Platformy streamingowe używają jej do przewidywania, co zechcesz obejrzeć następnie. Banki wykorzystują ją do wykrywania podejrzanych transakcji w ciągu milisekund. Szpitale coraz częściej polegają na niej przy wykrywaniu wczesnych oznak raka na skanach medycznych, czasem dostrzegając szczegóły, które zmęczony lekarz radiolog mógłby przeoczyć podczas nocnej zmiany. Rolnicy używają dronów sterowanych przez AI do monitorowania stanu upraw na ogromnych polach. Nic z tego nie wiąże się z czymkolwiek przypominającym świadomą maszynę — to wąska AI, wykonująca wąskie zadania, niemal zawsze niewidocznie.
Ta cicha, praktyczna odmiana AI jest prawdopodobnie znacznie bardziej istotna niż bardziej spektakularne rozmowy o chatbotach, które dominują w nagłówkach — właśnie dlatego, że działa w skali i z prędkością, jakiej żadna grupa ludzi nie mogłaby dorównać, kształtując decyzje dotyczące zdrowia, pieniędzy i bezpieczeństwa na długo zanim większość ludzi w ogóle zauważyła jej obecność.
Ryzyka, których nikt nie może ignorować
W miarę jak systemy AI stają się coraz bardziej zaawansowane, rosną również obawy z nimi związane. Jednym z natychmiastowych problemów jest stronniczość: ponieważ systemy te uczą się na podstawie rzeczywistych danych, mogą wchłaniać i wzmacniać istniejące uprzedzenia — czy to w decyzjach rekrutacyjnych, przyznawaniu pożyczek, czy rozpoznawaniu twarzy. System wytrenowany głównie na danych historycznych może w efekcie powielać historyczną niesprawiedliwość z matematyczną pewnością, która brzmi znacznie bardziej obiektywnie, niż jest w rzeczywistości.
Kolejnym rosnącym problemem jest dezinformacja. AI potrafi już generować przekonujące fałszywe obrazy, filmy i nagrania audio, przez co odróżnienie prawdy od zmyślenia jest trudniejsze niż kiedykolwiek. Sfabrykowany film, w którym przywódca polityczny mówi coś, czego nigdy nie powiedział, może rozprzestrzenić się w internecie, zanim ktokolwiek zdąży to zdementować, a technologia tworzenia takich treści staje się coraz tańsza i bardziej dostępna.
Istnieją też obawy ekonomiczne. Automatyzacja zawsze zmieniała rynek pracy, ale AI wkracza teraz w obszary uważane wcześniej za stosunkowo bezpieczne przed maszynami, w tym pisanie, ilustrację oraz podstawową analizę finansową czy prawną. To, czy ostatecznie stworzy to nowe rodzaje miejsc pracy, czy po prostu wyeliminuje stare bez odpowiedniego zastąpienia, pozostaje przedmiotem zaciekłej debaty wśród ekonomistów, a uczciwa odpowiedź brzmi, że na razie nikt nie wie tego na pewno.
Jeszcze dalej w przyszłości rysuje się bardziej abstrakcyjne, choć nie mniej poważne ryzyko, nazywane czasem „problemem dostosowania” (alignment problem): co się stanie, jeśli zbudujemy system, którego cele przestaną pokrywać się z dobrostanem ludzi, a my stracimy praktyczną możliwość jego skorygowania lub wyłączenia? Brzmi to jak science fiction i na razie w dużej mierze nim jest. Ale zaskakująco duża liczba badaczy faktycznie pracujących nad tą technologią traktuje tę kwestię bardzo poważnie — właśnie dlatego, że systemy rozwijają się szybciej niż nasze narzędzia do ich rozumienia czy kontrolowania.
Prawdziwym zagrożeniem może nie być maszyna, która nagle zwróci się przeciwko nam, lecz taka, która po prostu będzie dążyć do niewłaściwego celu z nadmierną kompetencją i zbyt małym nadzorem.
Życie obok nowego rodzaju inteligencji
Być może najuczciwszym sposobem myślenia o sztucznej inteligencji jest postrzeganie jej nie jako pojedynczego wynalazku, lecz jako trwającego eksperymentu, w którym wszyscy bierzemy udział, niezależnie od tego, czy tego chcieliśmy. Już teraz zmieniła sposób, w jaki szukamy informacji, komunikujemy się, pracujemy, a nawet tworzymy sztukę, i nie istnieje realistyczna wersja przyszłości, w której po prostu zniknie. Badacze z Dartmouth w 1956 roku z trudem mogliby sobie wyobrazić maszyny piszące poezję czy prowadzące rozmowy, a jednak oto jesteśmy — pod pewnymi względami dziesięciolecia przed ich najbardziej optymistycznymi przewidywaniami, a pod innymi wciąż daleko w tyle.
Niepewne pozostaje nie to, czy AI będzie nadal zmieniać nasz świat — na pewno tak, i w pewnym sensie już to zrobiła — lecz to, czy uda nam się mądrze pokierować tą zmianą, dzięki jasnym zasadom, uczciwemu publicznemu zrozumieniu i uważnej trosce o to, kto na tym korzysta, a kto nie. Czy też po prostu damy się przez nią ponieść, odkrywając konsekwencje dopiero po tym, jak już nastąpią.