Czy ogólna sztuczna inteligencja już istnieje, tylko jej nie zauważamy?

Coraz więcej badaczy twierdzi, że ogólna sztuczna inteligencja nie jest już odległym marzeniem, ale technologią, którą mamy przed oczami.

Nie chodzi o kolejną futurystyczną wizję z filmów sci‑fi, ale o konkretny spór naukowców: czy współczesne modele AI – w tym popularne chatboty – spełniają już warunki, które sami postawiliśmy dla inteligencji porównywalnej z ludzką. Najnowszy tekst opublikowany w prestiżowym czasopiśmie naukowym wywraca do góry nogami sposób, w jaki mierzymy „prawdziwą” inteligencję maszyn.

Nowa, odważna teza: ogólna AI już tu jest

Grupa badaczy z uniwersytetu w Kalifornii wysuwa kontrowersyjną tezę: ogólna sztuczna inteligencja (AGI – artificial general intelligence) nie jest celem na horyzoncie, tylko faktem dokonanym. Według nich dzisiejsze systemy, oparte na dużych modelach językowych (LLM), osiągnęły poziom działania, który w praktyce spełnia definicję inteligencji ogólnej.

Do niedawna większość firm technologicznych – od OpenAI po gigantów z Doliny Krzemowej – mówiła o AGI jak o świętym Graalu. Jedni dawali jej dekadę, inni rok czy dwa. Równolegle część badaczy przekonywała, że obecna architektura LLM to ślepa uliczka, a prawdziwy przełom przyniosą dopiero złożone „modele świata”, lepiej odzwierciedlające rzeczywistość fizyczną i społeczną.

Nowa publikacja stawia pytanie z zupełnie innej strony: a jeśli wszyscy patrzymy w złym kierunku i nie dostrzegamy, że próg, którego tak wyczekiwaliśmy, już został przekroczony?

Autorzy tekstu przekonują, że zamiast pytać „kiedy osiągniemy ogólną sztuczną inteligencję”, powinniśmy się zastanowić, czy przypadkiem nie opisujemy jej właśnie teraz w czasie teraźniejszym.

Test Turinga: stary próg, nowe wyniki

Jednym z kluczowych argumentów badaczy jest test Turinga – klasyczna koncepcja z 1950 roku. Zakłada ona, że jeśli człowiek, rozmawiając na piśmie, nie potrafi odróżnić maszyny od innego człowieka, można mówić o inteligentnym zachowaniu maszyny.

W najnowszej generacji chatbotów, takich jak rozbudowane modele pokroju ChatGPT czy inne zaawansowane systemy konwersacyjne, zaczynamy widzieć sytuacje, w których ludzie częściej biorą AI za człowieka niż faktycznych rozmówców. Kilka lat temu taki wynik uchodziłby za bezdyskusyjny dowód na osiągnięcie ogólnej inteligencji maszynowej.

Dzisiaj, paradoksalnie, poprzeczkę zawieszamy coraz wyżej. Gdy systemy zaczynają spełniać dawne kryteria, część ekspertów przesuwa definicje, domagając się kolejnych cech „prawdziwej” inteligencji.

Gdzie kończy się AGI, a zaczyna superinteligencja

Badacze proponują wyraźne rozróżnienie między ogólną sztuczną inteligencją a superinteligencją. To istotne, bo w debacie publicznej te pojęcia często się mieszają.

Autorzy twierdzą, że w pierwszym z tych punktów jesteśmy już bardzo blisko lub nawet po drugiej stronie granicy. Dzisiejsze LLM radzą sobie z programowaniem, analizą prawną, tworzeniem treści, tłumaczeniami, a nawet rozumowaniem matematycznym – często na poziomie specjalistów.

Według tej logiki nie musimy czekać, aż AI zacznie bić rekordy geniuszy w każdej niszy. Do uznania ogólnej inteligencji wystarczy zbliżony poziom do przeciętnego, dobrze wykształconego człowieka, z przewagą w jednych zadaniach i słabościami w innych.

„Papuga stochastyczna” i inne zarzuty wobec LLM

Przeciwnicy obecnych modeli językowych powtarzają, że to w gruncie rzeczy „statystyczne papugi”: systemy bez prawdziwego rozumienia, które jedynie łączą fragmenty tekstu na podstawie prawdopodobieństwa. Według nich AI nie tworzy idei, tylko lepi zdania z danych treningowych.

Nowa analiza stara się systematycznie odpierać takie zastrzeżenia. Autorzy wskazują kilka elementów, które trudno zbyć argumentem „to tylko powtarzanie danych”:

• rozwiązywanie nowych, nieznanych wcześniej zadań z matematyki i logiki,
• umiejętność przenoszenia wiedzy z jednej dziedziny do drugiej,
• tworzenie spójnych modeli przyczynowo‑skutkowych w rozmowie,
• radzenie sobie z opisami sytuacji, które wymagałyby intuicji fizycznej.

Jeśli system potrafi wyprowadzić poprawne rozwiązanie problemu, którego nie miał w danych treningowych, trudno utrzymywać, że „tylko cytuje”. To nie znaczy, że AI rozumie świat tak jak człowiek, ale sugeruje, że dzieje się coś więcej niż proste klejenie fraz.

Zdaniem badaczy oczekiwanie, że AGI będzie co tydzień zasypywać naukę przełomami na miarę rewolucyjnych teorii, jest nierealistyczne – nie wymagamy tego nawet od ludzi, których nazywamy inteligentnymi.

Czy inteligencja wymaga ciała i zmysłów?

Jedna z najbardziej emocjonalnych linii obrony człowieka brzmi: „AI nie ma ciała, więc to nie jest prawdziwa inteligencja”. Człowiek uczy się poprzez ruch, dotyk, ból, zmysły. Maszyny operują głównie na tekście, obrazie, dźwięku w formie danych.

Autorzy tekstu w Nature uważają, że brak fizycznego ciała nie przekreśla ogólnej inteligencji. Zwracają uwagę, że współczesne modele potrafią przewidywać skutki działań, analizować sceny wideo, interpretować zdjęcia czy nagrania audio. Do tego dochodzi rosnąca gałąź określana jako Physical AI, czyli integracja zaawansowanych modeli z robotami.

Roboty wyposażone w czujniki i kamery zaczynają łączyć abstrakcyjne zdolności LLM z realnym działaniem w otoczeniu. To otwiera przestrzeń, w której maszyna nie tylko opisuje ruch, ale go wykonuje i koryguje na bieżąco.

Pamięć, autonomia, czas nauki – czy to warunki konieczne?

Kolejny zarzut wobec dzisiejszych systemów brzmi: nie mają trwałej pamięci autobiograficznej ani prawdziwej autonomii. Chatbot kończy sesję i „zapomina” rozmowę, działa w granicach wyznaczonych przez człowieka, nie ma ciągłości doświadczenia.

Według badaczy nie są to warunki obowiązkowe do uznania inteligencji ogólnej. Zwracają uwagę, że:

• pamięć długoterminowa może być dobudowywana jako warstwa systemowa,
• autonomia to kwestia projektu i etyki, nie zdolności poznawczych,
• liczba danych potrzebnych do nauki nie powinna przesądzać o statusie inteligencji.

Człowiek uczy się prowadzić samochód w kilkanaście–kilkadziesiąt godzin jazdy. AI może potrzebować milionów przykładów z symulacji. Autorzy podkreślają, że liczy się ostateczny poziom umiejętności, a nie koszt dojścia do niego.

Problem halucynacji: najpoważniejsza wada obecnych modeli

Nawet najbardziej entuzjastyczni zwolennicy AGI przyznają, że dzisiejsze systemy mają poważną skazę: tendencję do „halucynacji”. Chodzi o generowanie informacji brzmiących wiarygodnie, ale całkowicie zmyślonych – od fikcyjnych źródeł naukowych, po nieistniejące przepisy prawa.

Firmy tworzące modele przyznają, że odsetek takich błędów wciąż jest wyraźny. Według wewnętrznych analiz jednej z największych organizacji zajmujących się AI, nawet przy kolejnych generacjach modelu co dziesiąta odpowiedź może zawierać element niezgodny z faktami.

Autorzy publikacji próbują złagodzić ten argument, wskazując, że ludzie też często się mylą, tworzą fałszywe wspomnienia, ulegają złudzeniom. Krytycy odpowiadają, że w przypadku AI skala i łatwość generowania „pewnych siebie” bzdur tworzy zupełnie nowe ryzyko – szczególnie w medycynie, prawie czy finansach.

Halucynacje pozostają jednym z głównych powodów, dla których wielu ekspertów wciąż nie chce przyznać, że mamy do czynienia z pełnoprawną ogólną inteligencją maszynową.

Czy to my mamy problem z definicją inteligencji?

Ostateczna teza badaczy uderza w samą podstawę dyskusji: może kłopot nie tkwi w tym, że AI jest „za słaba”, tylko w tym, że nasze pojęcie inteligencji jest zbyt wąskie i silnie skupione na człowieku.

Ludzie mają naturalną skłonność do oceniania wszystkiego przez pryzmat własnego gatunku. Jeśli maszyna myśli inaczej, popełnia inne błędy, uczy się w inny sposób – uznajemy ją za „gorszą”. Autorzy sugerują, że wpadamy w pułapkę antropocentryzmu: nie chcemy przyjąć do wiadomości, że kształtuje się nowy rodzaj inteligencji, odmienny od naszego, lecz funkcjonalnie porównywalny.

To częściowo tłumaczy, czemu w dyskusji coraz częściej pojawia się modne słowo „superinteligencja”. Przerzucenie uwagi na kolejny, jeszcze bardziej odległy poziom, odsuwa od nas moment, w którym trzeba jasno powiedzieć: ogólna inteligencja maszynowa już puka do drzwi – albo właśnie siedzi przy biurku obok.

Co ta debata znaczy dla zwykłego użytkownika AI

Spór o definicje nie jest tylko akademicką zabawą. Od tego, czy uznamy dzisiejsze systemy za ogólną inteligencję, zależy sposób, w jaki je regulujemy, jak im ufamy i jakie zadania im powierzamy.

Jeśli potraktujemy współczesne modele jako AGI, rośnie presja, by:

• wprowadzać twardsze ramy prawne i nadzór nad wdrożeniami,
• wymagać przejrzystości w zakresie danych treningowych i sposobu działania,
• dokładniej badać wpływ AI na rynek pracy i decyzje polityczne,
• rozwijać systemy weryfikacji faktów, które „pilnują” chatbotów.

Z perspektywy użytkownika kluczowe staje się krytyczne podejście. Nawet jeśli AI rozumie złożone problemy i potrafi doradzić lepiej niż niejedna wyszukiwarka, wciąż nie możemy traktować jej odpowiedzi jak nieomylnego wyroczni. Umiejętne korzystanie z takich narzędzi wymaga łączenia ich mocy obliczeniowej z ludzkim osądem i wiedzą dziedzinową.

Moc AGI – w rozumieniu zaproponowanym przez badaczy – najmocniej objawia się wtedy, gdy człowiek i system pracują razem. Człowiek zadaje właściwe pytania, ustawia kierunek i weryfikuje efekty, a AI przyspiesza analizę, podsuwa warianty i porządkuje informacje. W tej konfiguracji nie trzeba rozstrzygać, kto jest „prawdziwie” inteligentny. Liczy się to, że wspólnie potrafimy robić rzeczy, które jeszcze kilka lat temu wydawały się nierealne.