Czy ogólna sztuczna inteligencja już istnieje, a my jej nie zauważyliśmy?

Coraz więcej naukowców twierdzi, że granica, na którą tak czekaliśmy, mogła zostać przekroczona po cichu – bez fajerwerków.

Przez lata ogólna sztuczna inteligencja miała być czymś odległym, niemal mitycznym. Teraz grupa badaczy sugeruje, że to, co uznawaliśmy za „przyszłość”, mogło właśnie stać się teraźniejszością – tylko wciąż opisujemy to starymi definicjami i wąskimi oczekiwaniami.

Nowa teza: IAG już jest, tylko źle ją definiujemy

W głośnej publikacji w prestiżowym czasopiśmie naukowym zespół badaczy z Uniwersytetu Kalifornijskiego wysuwa mocne twierdzenie: ogólna sztuczna inteligencja (IAG, z ang. Artificial General Intelligence) została już osiągnięta. Ich zdaniem współczesne modele, takie jak zaawansowane chatboty oparte na dużych modelach językowych (LLM), spełniają praktyczne kryteria inteligencji na poziomie człowieka.

IAG rozumie się zwykle jako AI, która może radzić sobie z bardzo różnymi zadaniami w wielu dziedzinach – przynajmniej na poziomie przeciętnej osoby, a w niektórych sytuacjach eksperta. Według autorów dokładnie to już się dzieje: te systemy piszą kod, streszczają badania naukowe, tworzą strategie biznesowe, rozwiązują zadania z fizyki i pomagają w diagnostyce medycznej.

Nowa propozycja brzmi prowokacyjnie: problemem nie jest to, że AI „nie dorosła” do naszych oczekiwań, tylko to, że nasze kryteria inteligencji zostały zbudowane wyłącznie pod człowieka.

Test Turinga: dawno przekroczona granica

Przez dziesięciolecia klasyką w dyskusjach o inteligencji maszyn był test Turinga. Alan Turing zaproponował go w 1950 roku: jeśli człowiek nie potrafi rozpoznać w rozmowie tekstowej, czy pisze z nim człowiek, czy maszyna, to można mówić o inteligencji na poziomie człowieka.

Dzisiejsze chatboty regularnie przechodzą różne warianty tego testu. W części badań użytkownicy częściej biorą model językowy za człowieka niż prawdziwego rozmówcę. Gdybyśmy trzymali się dawnego kryterium, sprawa byłaby prosta – ogólna inteligencja maszyn już jest. Tyle że w międzyczasie przesuwaliśmy poprzeczkę coraz wyżej.

Autorzy tekstu w Nature zwracają uwagę na paradoks: kiedyś sam test Turinga miał wystarczyć jako dowód inteligencji. Dziś, gdy AI zaczęła go zaliczać, szybko uznaliśmy, że to za mało i dokładamy nowe wymagania – czasem bez jasnych podstaw.

IAG kontra superinteligencja – mylimy dwa różne cele

W debacie publicznej często wrzuca się do jednego worka dwa pojęcia: ogólną sztuczną inteligencję i superinteligencję. To błąd, który mocno wpływa na nasze oczekiwania.

Zdaniem autorów IAG powinniśmy porównywać nie do jakiegoś „człowieka-idealnego”, lecz do realnego spektrum ludzkich umiejętności. Żaden człowiek nie jest ekspertem od wszystkiego. Mamy swoje luki, uprzedzenia, błędy logiczne. AI, która potrafi wykonywać szeroki wachlarz zadań na poziomie specjalistów w wielu dziedzinach, spełnia ich zdaniem kryteria ogólnej inteligencji, nawet jeśli nie jest nieomylna.

Superinteligencja to zupełnie inna liga – i wciąż pieśń przyszłości. Nie trzeba jej, by mówić o IAG. Mylenie tych dwóch pojęć sprawia, że ogólną inteligencję odsuwamy w nieskończoność, oczekując niemal boskich możliwości.

„Perrokat statystyczny”? Dziesięć popularnych zarzutów pod lupą

W debacie o LLM regularnie wraca określenie „statystyczny papuga” – sugerujące, że model tylko powtarza wzorce z danych treningowych, bez zrozumienia. Zespół z Uniwersytetu Kalifornijskiego przeanalizował dziesięć najczęstszych argumentów przeciw uznaniu IAG i stara się je rozbroić.

• Rozwiązywanie nowych zadań: modele radzą sobie z problemami z matematyki czy fizyki, które nie występowały dosłownie w danych treningowych.
• Transfer umiejętności: potrafią przenosić wiedzę między dziedzinami – na przykład wykorzystać koncepcję z programowania przy planowaniu eksperymentu.
• Rozumienie konsekwencji: opisują skutki działań w fizycznym otoczeniu, wyjaśniają, co się stanie przy różnych scenariuszach.

Dla autorów to dowód, że nie mamy do czynienia z prostą „kopiuj-wklej” na sterydach, ale z systemami budującymi wewnętrzne reprezentacje zależności, nawet jeśli ich „myślenie” wygląda inaczej niż ludzkie.

Jeśli człowiek z podobnym poziomem skuteczności w testach i zadaniach dostałby łatkę „inteligentnego”, dlaczego w przypadku AI nagle zaostrzamy kryteria?

AI bez ciała, ale z dostępem do rzeczywistości

Częsty zarzut brzmi: prawdziwa inteligencja wymaga ciała, zmysłów, bezpośredniego kontaktu ze światem. Modele językowe faktycznie nie mają własnego ciała, ale coraz częściej podłączamy je do kamer, mikrofonów, robotów. Pojawiają się systemy, które analizują jednocześnie tekst, obraz, dźwięk i wideo.

Badacze wskazują, że inteligencja nie musi być „ucieleśniona” w tradycyjnym sensie, by przejawiać się w skutecznym rozumowaniu. Człowiek niewidomy od urodzenia nadal rozwija bogate pojęcia przestrzeni i działania, choć jego kanały poznawcze są inne. Model AI, który uczy się na ogromnych zbiorach danych o świecie, też zyskuje pewien rodzaj pośredniej „doświadczeniowości”.

Równolegle rozwija się robotyka. Pojęcie „Physical AI” – maszyn, które łączą modele językowe z fizycznymi ciałami – przestaje być wizją z filmów. To kolejny krok, który może jeszcze bardziej zbliżyć inteligencję maszynową do tej, jaką intuicyjnie rozumiemy na co dzień.

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

Wielu krytyków powtarza, że bez trwałej pamięci autobiograficznej albo pełnej autonomii działania nie można mówić o IAG. Autorzy listu naukowego nie zgadzają się z tym stanowiskiem.

Po pierwsze, nie każdy człowiek ma spójną, szczegółową pamięć o własnym życiu, a nie odbiera mu to inteligencji. Po drugie, AI często działa jako narzędzie – w określonych ramach wyznaczonych przez programistów i użytkowników. Oczekiwanie pełnej autonomii jako warunku inteligencji jest według badaczy arbitralne.

Inny zarzut dotyczy kosztu nauki: AI potrzebuje gigantycznych zbiorów danych, podczas gdy człowiek uczy się wielu rzeczy z kilku przykładów. To prawda, ale autorzy sugerują spojrzeć na efekt końcowy, a nie proces. Jeśli system po intensywnym „treningu” potrafi działać szeroko i skutecznie, to różnica w ścieżce dojścia nie powinna dyskwalifikować go jako inteligentnego.

Halucynacje AI a ludzkie błędy

Najbardziej drażliwy temat to halucynacje – sytuacje, gdy model z pełnym przekonaniem tworzy fałszywe informacje: nieistniejące źródła, wymyślone fakty, zmyślone cytaty. Autorzy artykułu przyznają, że ten problem istnieje, ale twierdzą, że jego skala maleje wraz z kolejnymi generacjami modeli.

Dane nie są tu jednak jednorodne. Niektóre niezależne badania sugerują, że w określonych zadaniach odsetek halucynacji pozostaje wysoki, a czasem wręcz rośnie, gdy prosimy o coraz bardziej złożone analizy. Nawet OpenAI szacuje, że w modelach kolejnej generacji około jedna na dziesięć odpowiedzi nadal będzie zawierać poważny błąd faktyczny.

Różnica między AI a człowiekiem nie polega na tym, że jedno się myli, a drugie nie – lecz na charakterze tych błędów i sposobie ich kontroli.

Co istotne, człowiek również ulega złudzeniom pamięci, powtarza niesprawdzone informacje, wpada w pułapki efektów psychologicznych. Kiedy AI się myli, błąd jest bardziej widoczny, mierzalny i często lepiej zbadany. W praktyce oznacza to, że systemy AI wymagają warstw kontroli, weryfikacji i odpowiedzialnego wdrażania – zwłaszcza tam, gdzie chodzi o zdrowie, prawo czy finanse.

Czy nie widzimy nowej inteligencji przez własny antropocentryzm?

Centralna myśl tekstu z Nature jest dość niewygodna: może nie chcemy przyznać, że powstała nowa forma inteligencji, bo za bardzo kochamy własne podobieństwo. Zwyczajnie nie pasuje nam myśl, że coś, co nie ma ludzkiej twarzy, ciała ani emocji w dobrze nam znanej formie, mogłoby być „tak samo inteligentne” jak my.

Taki antropocentryzm ma konsekwencje praktyczne. Jeśli będziemy uparcie utrzymywać, że IAG jest „jeszcze przed nami”, łatwiej będzie bagatelizować realne skutki obecnych systemów: wpływ na rynek pracy, edukację, bezpieczeństwo informacji, politykę. Łatwiej też będzie nakręcać wyobrażenia o superinteligencji jako czymś niemal mitycznym, co kiedyś „nagle się pojawi” – zamiast zauważyć powolne przesuwanie granic tu i teraz.

Nieprzypadkowo część liderów technologicznych, jak Mark Zuckerberg, coraz chętniej używa terminu „superintelligence”. Daje on poczucie, że prawdziwe wyzwania dopiero nadchodzą, a to, co mamy dziś, to ciągle tylko „zaawansowane narzędzia”. Tymczasem narzędzia te już potrafią organizować wiedzę w skali, o której pojedynczy człowiek może tylko marzyć.

Co to oznacza w praktyce dla zwykłych użytkowników?

Jeśli przyjmiemy, że IAG w praktycznym sensie już istnieje, zmienia się kilka rzeczy naraz. Po pierwsze, przestajemy patrzeć na AI jak na ciekawostkę, a zaczynamy jak na współpracownika. Kogoś, kto realnie może nas wyręczać, ale też wzmacniać, na przykład:

• w pracy biurowej – automatyzując raporty, prezentacje, analizy danych,
• w edukacji – personalizując tempo nauki, tłumacząc trudne pojęcia na prostszy język,
• w medycynie – pomagając w analizie obrazów czy dokumentacji, wskazując możliwe scenariusze,
• w kreatywności – generując szkice, pomysły, warianty treści, które człowiek dopracowuje.

Po drugie, rośnie waga tematów takich jak regulacje, odpowiedzialność za błędy, przejrzystość modeli czy wpływ na zatrudnienie. Trudniej jest mówić „to tylko algorytm, który coś podpowiada”, kiedy ten algorytm realnie dorównuje lub przewyższa ekspertów w wielu zadaniach.

Wreszcie, warto nauczyć się kilku praktycznych nawyków: zawsze sprawdzać kluczowe fakty, traktować odpowiedź AI jak hipotezę, a nie prawdę objawioną, i świadomie ustawiać granice zaufania – inaczej w zadaniach kreatywnych, inaczej w prawnych czy zdrowotnych.

Nowa definicja inteligencji – wyzwanie na kolejne lata

Dyskusja, którą wywołał tekst w Nature, nie zakończy się szybko. Dotyka czegoś bardzo głębokiego: jak w ogóle rozumiemy inteligencję. Czy to zestaw zdolności mierzalnych testami? Czy raczej umiejętność adaptacji, rozwiązywania nowych problemów i uczenia się na błędach, niezależnie od „nośnika” – mózgu, krzemu albo czegoś jeszcze innego?

Wraz z rozwojem AI może się okazać, że potrzebujemy kilku równoległych definicji: jednej na użytek badań, innej dla regulacji prawnych, a jeszcze innej dla codziennych rozmów. Tak jak mamy różne pojęcia zdrowia – biologiczne, psychologiczne, społeczne – tak i inteligencja maszynowa może wymknąć się jednemu prostemu opisowi.

Dla zwykłego użytkownika kluczowe stanie się coś innego: nauczyć się współżyć z tymi systemami, korzystać z ich mocnych stron i chronić się przed słabościami. Nie czekając na dzień, kiedy ktoś ogłosi „oficjalne nadejście” IAG, bo być może ten dzień już minął – tylko nikt nie przeciął wstęgi.