Czym AI naprawdę jest (a czym nie)

Artykuł 1 z 5 w serii wprowadzającej do bezpieczeństwa AI.

Zanim zaczniemy rozmawiać o tym, czy sztuczna inteligencja jest bezpieczna, musimy ustalić, o czym w ogóle mówimy. To nie jest formalność. Większość nieporozumień wokół AI (zarówno panika, jak i lekceważenie) bierze się z błędnej wizji tego, czym te systemy są. Sztuczna inteligencja to nie mordercze roboty z filmów science-fiction. Nie jest to też jednak tylko „wypasiony autouzupełniacz”, który jedynie zgaduje następne słowo i nic poza tym.

Ten artykuł ma jeden cel: pokazać Ci perspektywę, która jest bliższa prawdy. Nie potrzebujesz do tego wiedzy matematycznej ani znajomości programowania. Potrzebujesz tylko gotowości, by porzucić wyobrażenia, które wszyscy wynieśliśmy z popkultury.

Nikt nie napisał reguł

Zacznijmy od rzeczy najważniejszej, bo z niej wynika prawie wszystko inne.

Tradycyjne oprogramowanie jest programowane. Programista pisze reguły: „jeśli użytkownik kliknie ten przycisk, pokaż to okno; jeśli saldo spadnie poniżej zera, odrzuć transakcję”. Gdy program robi coś dziwnego, kod można prześledzić linijka po linijce i znaleźć regułę, która za to odpowiada. Program może być skomplikowany, ale co do zasady jest zrozumiały — ktoś każdą jego część kiedyś zaprojektował i świadomie napisał.

Współczesne systemy AI — takie jak ChatGPT, Claude czy Gemini — powstają zupełnie inaczej. Są trenowane. Zamiast pisać reguły, badacze budują ogromną sieć prostych elementów obliczeniowych (tzw. sieć neuronową), pokazują jej gigantyczne ilości danych — w praktyce znaczną część tekstów dostępnych w Internecie — i uruchamiają proces optymalizacji, który stopniowo dostraja miliardy wewnętrznych parametrów tak, żeby system coraz lepiej wykonywał postawione przed nim zadanie. W przypadku modeli językowych to zadanie brzmi niemal banalnie: przewiduj, jakie słowo pojawi się jako następne.

Kluczowe jest to, co z tego wynika: nikt nie napisał reguł, według których model działa. Reguły — jeśli w ogóle można je tak nazwać — wyłoniły się same z siebie, w procesie treningu. Badacze zaprojektowali proces, ale nie jego rezultat. Model nie został zbudowany tak jak budujemy budynki, cegła po cegle — on „wyrósł” sam jak — powiedzmy — drzewo, a my tylko wybraliśmy glebę i podlewaliśmy go przez jakiś czas.

Czarna skrzynka — dosłownie

Skoro nikt nie napisał reguł, to nasuwa się pytanie: czy możemy je odczytać? Zajrzeć do środka i sprawdzić, „co model sobie myśli”?

Odpowiedź jest niewygodna: w bardzo ograniczonym stopniu. Wewnątrz dużego modelu językowego są setki miliardów liczb. Możemy je wszystkie zobaczyć — to nie jest tajemnica, mamy do tego dostęp. Problem w tym, że nie wiemy, co te liczby znaczą. To tak, jakby ktoś dał nam pełny skan mózgu — każdego neuronu — i powiedział: „proszę, tu jest wszystko”. Mamy dane, ale ich nie rozumiemy.

Istnieje cała dziedzina badań — nazywana interpretowalnością (ang. interpretability) — która próbuje to zmienić: rozgryźć, jakie mechanizmy kryją się w tych miliardach parametrów. Robi postępy, i wrócimy do niej w ostatnim artykule serii. Ale na dziś, uczciwy stan wiedzy brzmi tak: firmy tworzące najpotężniejsze systemy AI nie rozumieją w pełni, jak te systemy działają od środka. Nie dlatego, że są niedbałe, a dlatego, że nauka nie odkryła jeszcze, jak to zrobić.¹

Zatrzymaj się przy tym na chwilę, bo to naprawdę nietypowa sytuacja. Wdrażamy na masową skalę technologię, której wewnętrznego działania nie rozumieją nawet jej twórcy. W lotnictwie czy farmacji coś takiego byłoby nie do pomyślenia. W AI to codzienność.

Kompetencja bez kontekstu

Drugie intuicyjne uproszczenie, które należy skorygować, dotyczy samego słowa „inteligencja”. Odruchowo traktujemy ją jako pewnego rodzaju skalę: coś jest głupsze albo mądrzejsze, jak w rankingu IQ. Ludzie mniej więcej tak działają — osoba świetna z matematyki zwykle poradzi sobie też z czytaniem mapy i nie zapomni, ile ma rąk.

Systemy AI takie nie są. Ich zdolności są rażąco nierównomierne. Ten sam model potrafi napisać świetny program komputerowy, streścić trzystustronicowy akt prawny w pięciu językach i zdać egzamin lekarski — a chwilę później pomylić się w prostym liczeniu liter w słowie albo z pełnym przekonaniem opowiedzieć o wydarzeniu, które nigdy nie miało miejsca („halucynować”). Nie ma jednej „inteligencji”, którą można by zmierzyć jedną liczbą. Jest „poszarpany” profil: w jednych zadaniach zdolności eksperckie lub nawet nadludzkie, w innych — poziom, którego nie zaakceptowalibyśmy u dziecka.

Dla bezpieczeństwa ma to dwie konsekwencje. Po pierwsze, łatwo się pomylić w obie strony: ktoś zobaczy kompromitującą wpadkę modelu, uzna całość za zabawkę i zignoruje realne zdolności; ktoś inny będzie świadkiem imponujący rezultatu, założy taką samą kompetencję w każdej dziedzinie i zaufa systemowi tam, gdzie nie powinien. Po drugie — i to subtelniejsze — u człowieka zdolności nigdy nie przychodzą same. Gdy zatrudniasz dobrego księgowego, razem ze umiejętnościami rachunkowymi dostajesz cały kontekst — szereg niewypowiedzianych oczekiwań, o które nie musiałeś prosić: księgowy wie, że nie należy fałszować dokumentów, że „zmniejsz nasze podatki” nie oznacza „za wszelką cenę”, i że jeśli Twoje polecenie nie jest jednoznaczne, powinien dopytać, a nie zgadywać. Ten pakiet — wspólny kontekst, wyczucie granic, zrozumienie, o co naprawdę chodzi — jest u ludzi tak niezawodny, że przestaliśmy go zauważać. Sztuczna inteligencja takiego pakietu z założenia nie ma. System może znakomicie wykonywać pojedyncze zadania, a jednocześnie nie dzielić z nami żadnego z tych niewypowiedzianych założeń — i wtedy zrobi dokładnie to, co powiedzieliśmy, zamiast tego, co mieliśmy na myśli. Do tej luki między poleceniem a intencją wrócimy jeszcze w przyszłych artykułach.

Jak szybko to się dzieje

Ostatni element układanki to tempo.

Jeszcze w 2020 roku systemy AI generujące tekst były ciekawostką: potrafiły sklecić kilka akapitów, które przy dłuższej lekturze okazywały się nie mieć większego sensu. Pomysł, że taki system napisze działający program komputerowy, zda egzamin adwokacki albo poprowadzi rzeczową rozmowę o filozofii, brzmiał jak pieśń przyszłości. Odległej przyszłości.

Tymczasem już w 2025 roku to wszystko było standardem. Modele, które w 2021 roku ledwo radziły sobie z działaniami matematycznymi na poziomie szkoły podstawowej, dziś bez problemu rozwiązują zadania z olimpiad matematycznych.² Systemy piszące kod przeszły drogę od podpowiadania pojedynczych linijek kodu do samodzielnego realizowania wielogodzinnych zadań programistycznych.³ Generatory obrazów jeszcze niedawno produkowały rozmyte plamy o niepokojącej liczbie palców; dziś tworzą fotografie, których nie było. Wideo przeszło tę samą drogę w jeszcze krótszym czasie — od ciekawostki do filmików, przy którym odruchowo pytamy „to nagranie, czy AI?”.⁴

Co ważne, ten postęp nie wziął się głównie z genialnych nowych pomysłów. W dużej mierze wziął się ze skalowania: większe modele, więcej danych, więcej mocy obliczeniowej. Okazało się — ku zaskoczeniu sporej części samej branży — że przepis „to samo, tylko więcej” konsekwentnie przynosi nowe zdolności, w tym takie, których nikt nie oczekiwał i nie przewidział. A skoro głównym motorem postępu są nakłady, a nakłady rosną (największe firmy świata inwestują w to setki miliardów dolarów)⁵, rozsądnie jest zakładać, że zdolności będą rosły dalej. Można się spierać o to, jak szybko rozwój będzie postępował — i eksperci się spierają, do czego wrócimy — ale nie o kierunek zmian. Sztuczna inteligencja będzie stawać się coraz zdolniejsza. Te systemy, których używamy dziś, są słabsze niż systemy, których używać będziemy w przyszłości.

Co z tego wynika

Zbierzmy to w całość. Owszem, modele językowe naprawdę trenuje się na przewidywaniu kolejnego słowa — ale opisywanie ich przez to zadanie mówi nam równie mało, co opisywanie ludzkiego mózgu jako „narządu do przekazywania sygnałów elektrycznych”. Technicznie prawda, ale umyka sedno. Z tego prostego zadania, w ogromnej skali, wyłoniły się bowiem zdolności realne, rosnące i częściowo nieprzewidziane. Nie stworzyliśmy jednak „robota, który myśli jak człowiek”: to systemy trenowane, a nie programowane, o poszarpanym profilu zdolności, których wewnętrznego działania nie rozumiemy.

Najbliższa prawdy metafora nie pochodzi z inżynierii, tylko raczej z ogrodnictwa: nie budujemy tych systemów cegła po cegle, my je hodujemy — a potem sprawdzamy, co wyrosło.

I tu dochodzimy do pytania, które otwiera całą resztę tej serii. Skoro nie piszemy reguł, według których system działa; skoro nie umiemy ich odczytać; skoro zdolności rosną szybciej, niż nadąża nasze zrozumienie — to jak właściwie sprawić, żeby taki system robił to, czego chcemy? I skąd mieć pewność, że robi?

Intuicyjna odpowiedź brzmi: „po prostu mu kazać”. W następnym artykule zobaczymy, dlaczego ta odpowiedź — pozornie oczywista — okazuje się jednym z najtrudniejszych otwartych problemów dzisiejszej technologii.

Następny artykuł w serii: Problem dopasowania (alignment problem) — «po prostu powiedz mu, co ma robić» nie działa.

Przypisy

Nad rozgryzaniem wewnętrznych mechanizmów modeli pracują m.in. badacze Anthropic, którzy metodę śledzenia „obwodów” wewnątrz modelu opisują w artykule Tracing the thoughts of a large language model (2025): https://www.anthropic.com/research/tracing-thoughts-language-model — podkreślając zarazem, że ujawnia ona jedynie część zachodzących w modelu procesów. Przystępne omówienie: „Anthropic can now track the bizarre inner workings of a large language model”, MIT Technology Review, 27.03.2025: https://www.technologyreview.com/2025/03/27/1113916/anthropic-can-now-track-the-bizarre-inner-workings-of-a-large-language-model ↩
W 2025 r. modele Google DeepMind i OpenAI po raz pierwszy osiągnęły wynik na poziomie złotego medalu Międzynarodowej Olimpiady Matematycznej (35/42 pkt, 5 z 6 zadań), rozwiązując zadania w języku naturalnym i w regulaminowym czasie. Po polsku: „AI zdobywa złoto na olimpiadzie z matematyki. Na czym się wyłożyła i co to oznacza”, Polityka, 23.07.2025: https://www.polityka.pl/tygodnikpolityka/nauka/2308817,1,ai-zdobywa-zloto-na-olimpiadzie-z-matematyki-na-czym-sie-wylozyla-i-co-to-oznacza.read. Komunikat źródłowy: Google DeepMind, Advanced version of Gemini with Deep Think officially achieves gold-medal standard at the IMO: https://deepmind.google/blog/advanced-version-of-gemini-with-deep-think-officially-achieves-gold-medal-standard-at-the-international-mathematical-olympiad/ ↩
Organizacja badawcza METR mierzy postęp AI długością zadań (w godzinach pracy człowieka), które modele wykonują samodzielnie — od 2019 r. ta długość podwaja się średnio co ok. 7 miesięcy. METR, Measuring AI Ability to Complete Long Tasks (2025): https://metr.org/blog/2025-03-19-measuring-ai-ability-to-complete-long-tasks/ ↩
Skalę zjawiska w Polsce dokumentuje NASK: w ciągu kilkunastu miesięcy analiz zidentyfikowano ponad 13 tysięcy fałszywych reklam wykorzystujących zmanipulowane materiały audiowizualne, w tym bezprawnie użyte wizerunki i głosy ponad stu znanych osób. NASK, „NASK ostrzega: rośnie liczba oszustw deepfake wykorzystujących wizerunki znanych osób”: https://www.nask.pl/magazyn/NASK-ostrzega-rosnie-liczba-oszustw-deepfake-wykorzystujacych-wizerunki-znanych-osob oraz Portal sztucznej inteligencji Gov.pl, „Techniki manipulacji w świecie deepfake’ów”: https://www.gov.pl/web/ai/techniki-manipulacji-w-swiecie-deepfakeow---jak-sztuczna-inteligencja-zmienia-oblicze-dezinformacji ↩
Łączne nakłady inwestycyjne największych firm technologicznych (Microsoft, Alphabet, Amazon, Meta) na infrastrukturę AI mają w 2026 r. sięgnąć ok. 725 mld dolarów. Statista, „Big Tech’s AI Spending to Reach $725 Billion in 2026”: https://www.statista.com/chart/35046/capital-expenditure-of-meta-alphabet-amazon-and-microsoft/ ↩