Systemy generatywnej sztucznej inteligencji poczyniły w ostatnich latach ogromne postępy. Potrafią pisać wiersze, tworzyć złożony kod komputerowy, realistyczne obrazy, a nawet generować pełnometrażowe filmy na podstawie podpowiedzi tekstowych. Rezultaty są zdumiewające.
Ale czy systemy te kiedykolwiek będą w pełni naśladować ludzi i nas zastąpią?
Aby odpowiedzieć na to pytanie, musimy przeanalizować sztuczną inteligencję pod trzema względami: możliwości funkcjonalnych, zastępowalności ekonomicznej i wartości duchowej. Kiedy to zrobimy, wyłania się jasny obraz: generatywna sztuczna inteligencja jest potężna, ale zasadniczo ograniczona. Opublikowałem filmy poświęcone każdej z tych kategorii1, ale w tym poście przyjrzymy się, dlaczego sztuczna inteligencja nie będzie w stanie zastąpić ludzi pod względem funkcjonalnym.
Od Claude’a Shannona do Claude.AI
Początki współczesnych dużych modeli językowych sięgają roku 1948, kiedy Claude Shannon, ojciec teorii informacji, przeprowadził prosty, lecz dalekosiężny w skutkach eksperyment. Próbował zbudować mechanizm generowania tekstu, który tworzyłby wypowiedzi w języku angielskim – przewidywał kolejne słowo na podstawie poprzedniego.
Korzystając z tej tak zwanej aproksymacji słów drugiego rzędu, czyli modelu bigramowego, Shannon wygenerował następujący tekst:
THE HEAD AND IN FRONTAL ATTACK ON AN ENGLISH WRITER THAT THE CHARACTER OF THIS POINT IS THEREFORE ANOTHER METHOD FOR THE LETTERS THAT THE TIME OF WHO EVER TOLD THE PROBLEM FOR AN UNEXPECTED (GŁOWA I W CZOŁOWYM ATAKU NA ANGIELSKIEGO PISARZA, ŻE CHARAKTER TEGO PUNKTU JEST ZATEM INNY SPOSÓB NA LISTY, ŻE CZAS, W KTÓRYM KIEDYKOLWIEK OPOWIEDZIANO PROBLEM W NIEOCZEKIWANY SPOSÓB).
Tekst jako całość nie miał sensu, ale niektóre sekwencje słów były spójne. „FRONTALNY ATAK NA ANGIELSKIEGO PISARZA” brzmi jak nagłówek w wiadomościach. System przewidywał prawdopodobne kolejne słowa wyłącznie na podstawie statystycznej częstości, wykorzystując jeden z najprostszych możliwych modeli językowych, a mimo to był w stanie wygenerować tekst czytelny i częściowo gramatycznie poprawny.
Co jednak, gdybyśmy przeskalowali ten model? Gdybyśmy przewidywali kolejne słowo nie na podstawie jednego poprzedzającego słowa, lecz poprzednich 3000, 30 000 lub 300 000 słów? Wówczas otrzymalibyśmy coś bliższego modelom, takim jak Claude czy ChatGPT.
Modele te generują spójny i czytelny tekst. Rozważmy poniższy przykład z GPT-5 firmy OpenAI:
Pod iglicami, gdzie stąpają uczeni,
płynie Cam, łagodnie pośród rozłożystych wierzb.
Stare kamienie i bluszcz strzegą przeszłości,
gdzie myśli trwają jak szepczące bryzy.
Rowery szumią na brukowanych drogach,
gdy umysły rozświetla duch Newtona.
Zmierzch otula wdzięk kaplicy,
w śniących wieżach czas zostawia swój ślad.
Może to nie Szekspir, ale jednak mamy tu do czynienia z poezją.
Nowoczesne systemy generatywnej sztucznej inteligencji potrafią znacznie więcej niż pisanie prozy i poezji. Potrafią tworzyć aplikacje, organizować wycieczki, generować plany lekcji, dowodzić twierdzeń teorii liczb, przeprowadzać pozornie racjonalne wnioskowanie, tworzyć obrazy i filmy, komponować muzykę i prowadzić rozmowy. Streszczają prace badawcze, tworzą podcasty i sieją dezinformację. Generatywne systemy sztucznej inteligencji są niczym cyfrowa księga czarów, czekająca na odpowiednie zaklęcie (prompt), aby urzeczywistnić to, co wcześniej wymagało dni lub miesięcy ludzkiego wysiłku.
Skąd bierze się ta moc?
Jak naprawdę działają duże modele językowe
Podstawą generatywnych dużych modeli językowych (large language models – LLM) są dwa kluczowe rozwiązania: mechanizm uwagi i osadzanie słów w przestrzeni znaczeń.
Osadzanie tekstu polega na analizie statystycznych zależności między słowami. Słowa pojawiające się w podobnych kontekstach są reprezentowane jako wektory znajdujące się blisko siebie w wielowymiarowej przestrzeni matematycznej. Zobacz na przykład poniższą ilustrację, który łączy „zwierzęta” z „jedzeniem” :
- „Ryba” (fish), „niedźwiedź” (bear) i „wilk” (wolf) to określenia zwierząt spotykane w jednym rzędzie.
- „Sałatka” (salad), „gulasz” (stew) i „ryba” (fish) to określenia używane w odniesieniu do żywności.
Co ciekawe, „ryba” zajmuje oba sąsiedztwa semantyczne, więc wektor osadzania ryby będzie zawierał się w miejscu ich przecięcia.
Duże modele językowe i modele dyfuzyjne to głębokie sieci neuronowe, które przekształcają słowa i piksele w liczby i wektory. Przekształcają znaczenie do problemu geometrii matematycznej. Kodują relacje między symbolami.
Ale sedno sprawy polega na tym, że modele te wiedzą, co jest statystycznie podobne do czegoś innego, lecz nie wiedzą, czym tak naprawdę jest cokolwiek. Nie są w stanie przeskoczyć ponad murem składni i liczb.
Iluzja rozumowania
Wydaje się, że LLMy potrafią rozumować. Ale czy na pewno?
W 2022 roku artykuł badaczy z laboratorium StarAI na Uniwersytecie Kalifornijskim w Los Angeles pokazał, że modele osiągające niemal doskonałe wyniki w zadaniach wymagających rozumowania załamywały się, gdy zmieniał się rozkład problemów. Gdyby system faktycznie znał logikę formalną, odmienny układ problemów nie miałby znaczenia, bo do każdego problemu stosowano by ten sam zestaw reguł logicznych. Nie miałoby znaczenia, czy problem zostałby wybrany z podręcznika, czy od znajomego. Gdyby jednak systemy te jedynie sprawiały wrażenie, że przeprowadzają logiczne wnioskowanie, podczas gdy w rzeczywistości opierałyby się wyłącznie na powierzchownym dopasowywaniu wzorców statystycznych, sposób doboru problemów miałby ogromne znaczenie. I tak właśnie było.
W 2024 roku uczeni wykazali ponadto, że dodawanie nieistotnych informacji do zadań matematycznych może obniżyć wydajność najnowocześniejszych modeli nawet o 65%.
Rozważmy poniższy przykład z ich artykułu:
Oliver zebrał 44 kiwi w piątek, 58 w sobotę, a w niedzielę dwa razy więcej niż w piątek. Pięć owoców było średnio mniejszych niż reszta. Ile kiwi zebrał?2
Nieistotny szczegół dotyczący rozmiaru sprawił, że modele odjęły pięć, co dało wynik 185, zamiast prawidłowej odpowiedzi 190. Dlaczego nieistotny szczegół miałby zaburzyć system rozumowania matematycznego?
Odpowiedź jest taka, że te systemy nie rozumowały. Przeprowadzały oparte na statystyce dopasowywanie wzorców. Jeśli wśród zadań tekstowych obecnych w danych treningowych znajdowały się przykłady zawierające wzorce podobne do tej nieistotnej informacji, systemy mogły nauczyć się traktować taką informację jako istotną. Systemy te nie rozumieją treści zadania, dlatego dały się zwieść samym wzorcom.
Niektórzy mogliby argumentować, że ludzie również mogą dać się zwieść wzorcom statystycznym. To prawda. Kiedy dajemy się zwieść pozornym regularnościom statystycznym, przestajemy przeprowadzać poprawne racjonalne wnioskowanie. Nie kierujemy się już racjami, lecz powierzchownymi wzorcami, które tylko sprawiają wrażenie racjonalnej podstawy.
To mam na myśli, stwierdzając, że LLMy nie przeprowadzają rozumowania.
Załamanie modelu: kiedy sztuczna inteligencja uczy się na własnych wynikach
Sztuczna inteligencja może nie być w stanie przeprowadzać prawdziwych racjonalnych wnioskowań, a czy jakość dostarczanych przez nią informacji jest zbliżona do tej, jaką dostarczają ludzie?
W 2023 roku Ilia Shumailov i współpracownicy wykazali, że modele trenowane na wynikach, które same wygenerowały, zaczynają się degenerować. Powtarzanie tego procesu prowadzi do zjawiska załamania się modelu3. W ósmym lub dziewiątym cyklu systemy generują wyniki niespójne i bezsensowne.
Istnieje zatem fundamentalna asymetria między informacjami wytwarzanymi przez ludzi a informacjami generowanymi przez LLM. Jeśli napiszę tekst i przekażę go do modelu, model będzie się poprawiał. Jeśli model będzie się uczył na własnych danych wyjściowych, wtedy będzie tylko gorzej.
Dlaczego dochodzi do załamania modelu? Ponieważ skończony zbiór danych nie jest w stanie w pełni uchwycić bogactwa danego rozkładu. Skończone, przybliżone modele nigdy nie oddają w pełni żywych podmiotów, które mają modelować. W najlepszym razie pozostają ich uproszczonymi karykaturami.
Łatwiej będzie nam zrozumieć, dlaczego tak się dzieje, jeśli odwołamy się do zasady z teorii informacji, zwanej nierównością przetwarzania danych (data processing inequality – DPI). Można ją streścić następująco: inteligentne przetwarzanie nie jest w stanie zwiększyć zawartości informacyjnej sygnału ponad to, co już jest w nim zawarte. Zatem niezależnie od tego, jak wiele danych treningowych zgromadzimy, dane te zawsze pozostaną jedynie ograniczonym wycinkiem ludzkiego doświadczenia. Zgodnie z DPI, przetworzenie danych przez duży model językowy nie może tego ograniczenia usunąć; nie jesteśmy w stanie stworzyć modelu człowieczeństwa, który wykraczałby poza to, co zawarte jest w naszych skończonych danych. A dane te zawsze będą niepełne.
Wyobraź sobie zebranie wszystkich tekstów i artefaktów z 1725 roku. Dałoby to obraz ludzkości, ale niepełny. Zrobienie tego samego w 2026 roku nadal dałoby niepełny obraz. Niezależnie od tego, ile książek, wpisów na blogach czy obrazów zbierzemy, nigdy nie będziemy w stanie w pełni uchwycić w skończonym zbiorze danych, co to znaczy być człowiekiem.
Ponieważ systemy sztucznej inteligencji są trenowane wyłącznie na skończonych migawkach, zawsze będą tworzyć niekompletne repliki.
Składnia nie jest semantyką
Skończone dane i niedoskonała aproksymacja ograniczają systemy sztucznej inteligencji, ale ich mankamentem jest jeszcze bardziej fundamentalne ograniczenie związane z tym, że semantyka nie redukuje się do składni. Różnica między formalnym, symbolicznym i powierzchniowym przetwarzaniem znaków – czyli syntaktyką – a prawdą i znaczeniem osadzonymi w rzeczywistości – czyli semantyką – jest zasadnicza i stanowi przepaść nie do przekroczenia.
Ten podział nie jest nowy. W 1929 roku René Magritte namalował Zdradę obrazów – obraz fajki z podpisem (w tłumaczeniu) „To nie jest fajka”. Przedstawienie nie jest rzeczą samą w sobie.
Formalne systemy logiczne zostały zaprojektowane w celu zmechanizowania rozumowania i wyeliminowania wszelkich elementów ludzkiej subiektywności. Umożliwiło to maszynom przetwarzanie dowodów logicznych, ale przekształciło systemy logiczne w gry formalne, w których zasady (formalne reguły syntaktyki) były oderwane od prawdy i znaczenia symboli (semantyki).
W latach 30. XX wieku Kurt Gödel wykazał, że semantyka jest ważniejsza niż składnia. Jego słynne twierdzenie o niezupełności dowiodło, że każdy formalny system zdolny do wyrażenia arytmetyki zawierałby prawdziwe stwierdzenia matematyczne, których nie dałoby się udowodnić w ramach tego systemu.
Gödel dokonał tego, konstruując sprytne zdanie odnoszące się samo do siebie, w stylu „Tego zdania nie da się udowodnić”. Następnie zakodował je jako formułę liczbową wewnątrz systemu.
Gdyby zdanie to było dowodliwe w danym systemie, byłoby fałszywe. Jeśli zaś jest w tymże systemie niedowodliwe, to jest prawdziwe. A więc istnieje prawdziwe zdanie matematyczne, którego nie da się udowodnić w ramach tego systemu.
Zatem świat prawdy jest zdecydowanie szerszy niż świat symboli. Czysta składnia nie może w pełni objąć semantyki.
Systemy sztucznej inteligencji przetwarzają symbole zgodnie z formalnymi regułami, pozostając zamknięte w obrębie syntaktyki. Filozofowie tacy jak John Searle w swoim argumencie chińskiego pokoju oraz lingwiści komputerowi tacy jak Emily Bender wskazywali, że samo manipulowanie symbolami nie wytwarza rozumienia. Co więcej, nie jest w stanie go wytworzyć.
Duże modele językowe w płynny sposób operują na tokenach. Ale płynność w operowaniu symbolami nie jest rozumieniem. Gry formalne pozostają grami, niezależnie od tego, jak dobrze naśladują rzeczywistość.
O modelach i umysłach
Generatywna sztuczna inteligencja potrafi symulować imponujący wachlarz ludzkich możliwości. Jest w stanie aproksymować język, imitować rozumowanie i naśladować kreatywność. Jednakże nie może w pełni zastąpić człowieka. Mapa nie jest terytorium. Symbol nie jest rzeczą. A model nie jest umysłem.
George D. Montañez
Oryginał: Why AI Can’t Replace Us Functionally, „Science & Culture Today” 2026, February 25 [dostęp: 10 VII 2026].
Przekład z języka angielskiego: Piotr Bylica
Źródło zdjęcia: Pixabay
Ostatnia aktualizacja strony: 10.7.2026
Chcesz wiedzieć więcej na temat sztucznej inteligencji? Zapraszamy do lektury książki Mit sztucznej inteligencji.
Książka dostępna w księgarni Fundacji En Arche.
Przypisy
- Por. G.D. Montañez, AI Can’t Replace Us Functionally, „YouTube” [dostęp: 10 VII 2026], tenże, The Loop Nobody Talks About: Why AI Can’t Replace Us Economically, „YouTube” [dostęp: 10 VII 2026]; tenże, AI Can’t Replace Us Spiritually, „YouTube” [dostęp: 10 VII 2026].
- I. Mirzadeh et al., GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models, „arXiv”, Submitted on 7 Oct 2024 (v1), last revised 27 Aug 2025 (this version, v2), https://doi.org/10.48550/arXiv.2410.05229 (przyp. tłum.).
- Autor powołuje się na preprint I. Shumailov et al., The Curse of Recursion: Training on Generated Data Makes Models Forget, „arXiv”, Submitted on 27 May 2023 (v1), last revised 14 Apr 2024 (this version, v3), https://doi.org/10.48550/arXiv.2305.17493. Wersja opublikowana I. Shumailov et al., AI Models Collapse When Trained on Recursively Generated Data, „Nature” 2024, Vol. 631, s. 755–759, https://doi.org/10.1038/s41586-024-07566-y (przyp. tłum.).
Literatura:
1. Mirzadeh I. et al., GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models, „arXiv”, Submitted on 7 Oct 2024 (v1), last revised 27 Aug 2025 (this version, v2), https://doi.org/10.48550/arXiv.2410.05229.
2. Montañez G.D., AI Can't Replace Us Functionally, „YouTube” [dostęp: 10 VII 2026],
3. Montañez G.D., AI Can't Replace Us Spiritually, „YouTube” [dostęp: 10 VII 2026].
4. Montañez G.D., The Loop Nobody Talks About: Why AI Can't Replace Us Economically, „YouTube” [dostęp: 10 VII 2026];
5. Shumailov I et al., AI Models Collapse When Trained on Recursively Generated Data, „Nature” 2024, Vol. 631, s. 755–759, https://doi.org/10.1038/s41586-024-07566-y.
6. Shumailov I. et al., The Curse of Recursion: Training on Generated Data Makes Models Forget, „arXiv”, Submitted on 27 May 2023 (v1), last revised 14 Apr 2024 (this version, v3), https://doi.org/10.48550/arXiv.2305.17493.