Naukowcy alarmują: AI staje się coraz głupsza

Z tego artykułu dowiesz się:

• Czy AI głupieje.
• Dlaczego spada jakość wyników modeli.
• Czy warto nadal inwestować w AI.
• Jaka jest przyszłość tej technologii.

Naukowcy z Oxfordu i Cambridge alarmują: jakość odpowiedzi tworzonych przez sztuczną inteligencję spada.

– Choć trudno mówić o powszechnym „głupieniu” AI, warto zwrócić uwagę na zjawisko określane jako model collapse, czyli zapadanie się modeli. Dochodzi do niego, gdy kolejne generacje systemów AI są trenowane na treściach syntetycznych, wygenerowanych przez ich poprzedników. Błędy, które początkowo mają charakter marginalny, zaczynają się utrwalać i przenikać do kolejnych wersji systemów jako element ich obrazu rzeczywistości – wyjaśnia Patryk Oleszczuk, ekspert technologiczny SaldeoSMART.

Problem z jakością danych

Zubożenie internetowych treści nie wynika wyłącznie z faktu pojawienia się generatywnych algorytmów. To nie AI zatruwa cyfrową przestrzeń. Robi to nasze lenistwo i szukanie dróg na skróty.

– Największym grzechem współczesnych twórców stało się całkowite delegowanie procesu myślowego na maszyny. Wrzucamy do okna czatu lakoniczne polecenie i oczekujemy gotowego, błyskotliwego tekstu. W efekcie zalewamy sieć treściami pozbawionymi autentycznej perspektywy, bo sami zrezygnowaliśmy z kreatywności – mówi Jacek Treder, szef AI w Digitree Group. Czy zatem rewolucja AI zjada własny ogon? Niekoniecznie. Ale widać, że rozwój AI coraz wyraźniej napotyka ograniczenia związane nie z mocą obliczeniową czy dostępnością modeli, ale z jakością danych. Coraz trudniej oddzielić wartościowe informacje od powtarzalnych, zniekształconych lub obarczonych błędami. Dlatego na znaczeniu zyskuje trend odchodzenia od gigantycznych, uniwersalnych modeli na rzecz rozwiązań wyspecjalizowanych.

– W branżach o zerowej tolerancji na błędy, takich jak finanse, prawo czy księgowość, ogromne modele ogólnego przeznaczenia mogą stanowić dodatkowe źródło ryzyka. Coraz większą przewagę zyskują mniejsze, sprofilowane systemy oparte na zweryfikowanych zbiorach danych i zaprojektowane z myślą o konkretnych procesach biznesowych – mówi Oleszczuk. Takie podejście pozwala wykorzystać potencjał AI przy jednoczesnym ograniczeniu ryzyka halucynacji.

Czy inwestować w AI

Pojawiające się publikacje naukowe nie tyle wskazują na regres sztucznej inteligencji, ile na granice obecnych architektur modeli językowych.

– Problem polega na tym, że wyniki tych analiz bywają błędnie interpretowane, szczególnie przez laików lub podmioty mające bezpośredni interes w polaryzowaniu tej dyskusji – mówi Jacek Gralak, dyrektor ds. AI w Transition Technologies PSC. Dodaje, że z jednej strony deprecjonowanie obecnych modeli bywa wygodnym argumentem dla dostawców tradycyjnych rozwiązań IT, którzy próbują w ten sposób chronić swoje udziały w rynku i zniechęcać klientów do innowacji. Z drugiej strony, narrację o napotkaniu ściany paradoksalnie mogą podsycać czasem sami giganci technologiczni oraz fundusze VC. Pokazywanie, że dotychczasowe metody się wyczerpały, to idealny pretekst, by uzasadnić konieczność gigantycznych, kolejnych rund finansowania na rozwój zupełnie nowych autorskich architektur. W ten sposób narracja o kryzysie AI staje się paliwem dla obu stron barykady.

Jaka przyszłość 

AI nie stworzy przełomowej myśli, jeśli na starcie nie dostanie unikalnego paliwa.

– Zamiast prosić o napisanie tekstu od zera, zacznijmy od wyposażenia modelu we własne przemyślenia, obserwacje i kontekst. Przekażmy mu autorską tezę, unikalne wnioski z ostatniego projektu, specyficzne studium przypadku czy nawet chaotyczne notatki. Dopiero na takim fundamencie technologia powinna budować strukturę i dobierać słowa – mówi Treder. Dodaje, że maszyna ma porządkować, polerować i strukturyzować to, co najpierw sami wypracujemy. Tylko w ten sposób unikniemy ostatecznego spłycenia treści i zachowamy to, co najważniejsze – autentyczność.

Analizy Epoch AI sugerują, że przy obecnym tempie rozwoju modeli już w latach 2026-2032 możemy zbliżyć się do granic wykorzystania publicznie dostępnych zasobów wysokiej jakości danych tworzonych przez ludzi.

– Dlatego tak ważne staje się kontrolowanie pochodzenia danych, ich odpowiednia selekcja i świadome balansowanie treści syntetycznych z ludzkimi – mówi Sylwia Gwiazda, menedżerka GenAI dla sektora finansowego w Accenture w Polsce. Zaznacza, że to dopiero pierwszy krok w stronę dojrzałej strategii AI. Skoro jakość danych staje się towarem deficytowym, kończy się era łatwego skalowania modeli w oparciu o ogólnodostępny internet.

– Wierzę, że przyszłość AI nie rozstrzygnie się w chmurze, lecz w naszej zdolności do ochrony własności intelektualnej przed cyfrową homogenizacją. Przewagę konkurencyjną osiągną podmioty, które nauczą się traktować ludzką kreatywność jako rzadki, nieodnawialny surowiec. Zaczyna się era inteligencji selektywnej – podsumowuje.