Lekcja 1.1
Czym właściwie jest AI?
Sztuczna inteligencja to programy, które same uczą się rozwiązywać zadania, zamiast dostać gotowy przepis krok po kroku.
1.1Czym właściwie jest AI?
Witaj na początku wyprawy. Zanim zajrzymy do wnętrza chatbotów, robotów i generatorów obrazów, ustalmy jedno: czym właściwie jest ta „sztuczna inteligencja”, o której wszyscy mówią?
Odpowiedź jest prostsza, niż się wydaje — i zarazem ciekawsza. Przejdziemy ją w trzech krokach: czym AI różni się od zwykłego programu, co naprawdę potrafi, a czego nie, i dlaczego właśnie teraz stała się tak głośna.
Każdy rozdział zaczyna się prosto. Chcesz więcej? Otwórz Zaawansowany, a w nim Ekspert.
Przepis czy przykłady?
Zwykły program działa jak przepis na ciasto: człowiek zapisuje każdy krok, a komputer wiernie go wykonuje. Jeśli w przepisie czegoś brakuje, program sobie nie poradzi.
Sztuczna inteligencja uczy się inaczej. Zamiast przepisu dostaje mnóstwo przykładów — na przykład tysiące zdjęć kotów i psów — i sama odkrywa, po czym je odróżnić. Nikt nie musi jej pisać reguły „kot ma wąsy”.
Wyobraź to sobie tak
„AI uczy się jak dziecko, któremu pokazujesz wiele jabłek i gruszek. Po pewnym czasie samo je odróżnia, choć nikt nie podał mu definicji gruszki.”
Ten sposób nazywa się uczeniem maszynowym i to on stoi za prawie całą dzisiejszą AI. W środku modelu są parametry — tysiące, miliony albo miliardy liczbowych „pokręteł”. Podczas treningu algorytm porównuje odpowiedź modelu z prawidłową i tak przekręca pokrętła, żeby błąd był coraz mniejszy. Miarę tego błędu nazywa się funkcją straty.
Gdy trening się kończy, pokrętła zostają ustawione i model zaczyna pracę: dostaje nowe dane i oblicza odpowiedź. Ten etap nazywa się inferencją. Najważniejsze pytanie brzmi wtedy: czy model radzi sobie z przypadkami, których nigdy nie widział? Tę umiejętność nazywamy generalizacją — i to ona odróżnia prawdziwe nauczenie się od wykucia na pamięć.
- 1Wybierz zadanie
- 2Zbierz przykłady
- 3Dopasuj parametry modelu
- 4Sprawdź na nowych przypadkach
Częsty błąd
Każda AI sama uczy się wszystkiego.
Jak jest naprawdę
AI może działać na regułach, na uczeniu z danych albo na ich połączeniu — a zakres jej działania wyznacza projekt.
Formalnie uczenie nadzorowane najczęściej minimalizuje ryzyko empiryczne: średnią stratę modelu na próbie treningowej. To tylko przybliżenie tego, na czym naprawdę nam zależy — błędu na wszystkich przyszłych danych — i działa dobrze wyłącznie wtedy, gdy przyszłe dane przypominają treningowe.
Warto też pamiętać, że AI to szersza dziedzina niż uczenie maszynowe. Obejmuje również przeszukiwanie, planowanie i podejścia symboliczne, czyli logikę i systemy ekspertowe. Unijny AI Act definiuje „system AI” właśnie przez wnioskowanie: system działający z pewną autonomią, który na podstawie danych wejściowych wnioskuje, jak wygenerować predykcje, treści, rekomendacje lub decyzje. To wnioskowanie odróżnia go od zwykłego oprogramowania regułowego.
Zapis formalny
R̂(θ) = (1/n) Σᵢ L(fθ(xᵢ), yᵢ)
Co AI potrafi, a czego nie
AI jest świetna w wyszukiwaniu wzorów: rozpoznaje twarze, tłumaczy teksty, podpowiada słowa i trasy. Robi to szybko i bez zmęczenia.
Ale AI nie myśli jak człowiek i nie ma uczuć. Gdy chatbot pisze „cieszę się”, tylko naśladuje sposób, w jaki piszą ludzie. I może się mylić — zwłaszcza gdy trafi na coś, czego nie było w przykładach, z których się uczyła.
Model uczy się z danych dokładnie tego, co w nich jest — razem z błędami. Jeśli w przykładach jakiejś grupy ludzi było mało albo była opisana niesprawiedliwie, model powieli to skrzywienie. Do tego tematu wrócimy szerzej na poziomie 5, w lekcji o uprzedzeniach.
Druga słabość to nowe sytuacje. Model, który widział tylko zdjęcia zrobione w dzień, może zawieść w nocy. Dlatego tak ważne jest sprawdzanie AI na danych, których nie widziała podczas treningu — i czujność, gdy używamy jej w warunkach, do których nie była przygotowana.
Częsty błąd
Skoro AI pisze o uczuciach, to je ma.
Jak jest naprawdę
Model naśladuje język emocji z tekstów, na których się uczył. Nie ma dowodów, że cokolwiek czuje.
W praktyce dane dzieli się na zbiór treningowy (do uczenia), walidacyjny (do strojenia ustawień) i testowy (do uczciwej, końcowej oceny). Ten podział ogranicza ryzyko „nauczenia się testu”, ale nie chroni przed przesunięciem rozkładu danych — gdy świat, w którym model pracuje, różni się od świata, z którego pochodziły dane.
Właśnie dlatego dobre wyniki w testach laboratoryjnych nie gwarantują niezawodności we wdrożeniu. Rzetelna ocena obejmuje testy na danych spoza rozkładu treningowego, analizę błędów w podgrupach i monitorowanie modelu po wdrożeniu.
Dlaczego właśnie teraz?
Pomysł sztucznej inteligencji ma już ponad 70 lat. Dlaczego więc AI „wybuchła” dopiero niedawno? Bo spotkały się trzy rzeczy: ogromne ilości danych z internetu, bardzo szybkie komputery i lepsze sposoby uczenia.
Gdy wszystkie trzy urosły jednocześnie, AI nagle zaczęła radzić sobie z zadaniami, które jeszcze kilka lat wcześniej wydawały się zbyt trudne.
Przełomem w rozpoznawaniu obrazów był rok 2012: sieć AlexNet, trenowana na kartach graficznych (GPU), zdeklasowała konkurencję. Od tego momentu zaczęła się era głębokiego uczenia, czyli sieci neuronowych z wieloma warstwami — poznasz je dokładnie na poziomie 2.
Drugi przełom przyszedł w 2017 roku, gdy badacze opisali architekturę Transformer. To na niej zbudowano dzisiejsze duże modele językowe, takie jak GPT, Gemini czy Claude. Transformer nie był początkiem AI — był narzędziem, które pozwoliło uczyć modele na niespotykaną wcześniej skalę.
AlexNet (Krizhevsky, Sutskever i Hinton, 2012) pokazał siłę głębokich sieci konwolucyjnych w klasyfikacji obrazów. Praca „Attention Is All You Need” (Vaswani i in., 2017) wprowadziła Transformer oparty na mechanizmie uwagi, który dobrze się zrównoleglał na GPU.
Kaplan i in. (2020) opisali empiryczne prawa skalowania: strata modeli językowych maleje przewidywalnie wraz ze wzrostem liczby parametrów, danych i obliczeń. Hoffmann i in. (2022, model Chinchilla) pokazali, że przy stałym budżecie obliczeń trzeba równoważyć rozmiar modelu z liczbą tokenów treningowych. To zależności empiryczne z konkretnych eksperymentów — nie prawa gwarantujące prawdomówność, świadomość czy niezawodność.
Zapamiętaj
- AI uczy się z przykładów, a nie z ręcznie spisanych reguł.
- Większość dzisiejszej AI to uczenie maszynowe.
- AI rozpoznaje wzorce, ale nie rozumie świata tak jak człowiek.
Gdzie ukrywa się AI?
wykryto 1/8 modeli
9:41
czwartek
Pod maską: Face ID
Wejście
Mapa 30 000 punktów podczerwieni
Model
Sieć konwolucyjna → wektor twarzy
Wynik
Odblokuj / odmów w < 1 s
Twarz zamienia się w ciąg liczb (embedding). Telefon porównuje go z zapisanym wzorcem — nie przechowuje zdjęcia.
Ciekawostka
Termin „artificial intelligence” wymyślił John McCarthy w 1955 roku, we wniosku o letnie warsztaty w Dartmouth w 1956 roku. Autorzy sądzili, że w dwa miesiące zrobią „znaczący postęp”.
W liczbach
1956
rok, w którym AI stała się dziedziną nauki
Źródło: Warsztaty w Dartmouth
Ewaluacja · 4 pytania
Sprawdź się
Czym AI różni się od zwykłego programu?
Dokąd dalej
Następny przystanek: Krótka historia AI
Wiesz już, że AI to programy uczące się z przykładów, że są świetne w znajdowaniu wzorów, ale nie myślą jak ludzie, i że obecny boom zawdzięczamy danym, mocy obliczeniowej i lepszym metodom. Te trzy składniki nie pojawiły się jednak z dnia na dzień.
W następnej lekcji cofniemy się w czasie: od pytania Alana Turinga z 1950 roku, przez „zimy AI”, aż po dzień, w którym z chatbotem zaczęły rozmawiać miliony ludzi.