Lekcja 1.3
AI wąska, ogólna i… super?
Kalkulator szachowy, asystent do wszystkiego i hipotetyczna superinteligencja — czym się różnią?
1.3AI wąska, ogólna i… super?
Historia AI pokazała, że po każdym przełomie ktoś ogłaszał, że maszyny umieją już wszystko. Teraz sprawdzimy, ile w tym prawdy — i nauczymy się trzech słów, które często pojawiają się w wiadomościach: wąska AI, AGI i superinteligencja.
Każdy rozdział zaczyna się prosto. Chcesz więcej? Otwórz Zaawansowany, a w nim Ekspert.
Mistrz jednej sztuki
Wąska AI potrafi jedną rzecz i robi ją świetnie: rozpoznaje twarze, poleca filmy albo gra w szachy. Poza swoim zadaniem jest bezradna — program grający w szachy nie poda Ci przepisu na zupę.
To właśnie wąska AI działa dziś niemal wszędzie wokół nas: w filtrze spamu, w aparacie telefonu, w nawigacji.
Wyobraź to sobie tak
„Mistrz szachowy nie musi umieć naprawić roweru. Wąska AI jest jak taki mistrz — genialna w jednym, bezradna w reszcie.”
Wąską AI (po angielsku ANI) projektuje się lub trenuje dla ograniczonej rodziny zadań. Nawet znakomity klasyfikator zdjęć nie zyskuje przez to umiejętności planowania podróży — jego wejścia, wyjścia i cel treningu dotyczą zupełnie innego problemu.
Duże modele językowe są inne: piszą, tłumaczą, programują i analizują. Dlatego mówi się o nich jako o modelach ogólnego przeznaczenia. Działa tu transfer — wiedza zdobyta przy jednym zadaniu pomaga w innym — ale jego skuteczność zależy od tego, jak bardzo nowe zadanie przypomina to, co model już widział.
Rozporządzenie UE 2024/1689 (AI Act) używa prawnego pojęcia „modelu AI ogólnego przeznaczenia” (GPAI) — to kategoria regulacyjna, a nie naukowa teza, że osiągnięto AGI. Modele GPAI o ryzyku systemowym mają w AI Act dodatkowe obowiązki, o których powiemy w ostatniej lekcji.
Legg i Hutter (2007) formalizowali inteligencję jako skuteczność osiągania celów w szerokiej klasie środowisk. Taka definicja jest elegancka, ale nie daje prostego testu: wybór środowisk, zadań i dostępnych zasobów zmienia ocenę.
AGI — cel, o który trwa spór
AGI, czyli sztuczna inteligencja ogólna, potrafiłaby uczyć się wszystkiego, czego uczy się człowiek, i radzić sobie w zupełnie nowych sytuacjach. Takiej AI jeszcze nie ma.
Naukowcy spierają się, jak ją zdefiniować i czy w ogóle powstanie. Dzisiejsze chatboty umieją bardzo dużo, ale wciąż popełniają zaskakujące błędy, których człowiek by nie popełnił.
Badacze opisują dzisiejsze modele jako mające „postrzępioną granicę” zdolności. Model potrafi rozwiązać zadanie z olimpiady matematycznej, a jednocześnie pomylić się przy liczeniu liter w słowie. Taka nierówność utrudnia proste porównania z człowiekiem.
Dlatego wysoki wynik w jednym teście nie dowodzi powstania AGI. Ogólność wymaga oceny w wielu dziedzinach, w nowych sytuacjach i z uwzględnieniem niezawodności — nie tylko średniego wyniku.
Częsty błąd
Wysoki wynik jednego testu dowodzi, że mamy AGI.
Jak jest naprawdę
Test mierzy określone umiejętności w określonych warunkach. Ogólność wymaga znacznie szerszej oceny.
Praca „Levels of AGI” (Morris i in., 2023) proponuje oddzielić szerokość kompetencji od ich poziomu i od stopnia autonomii systemu. Test ARC (Chollet, 2019) bada uogólnianie na abstrakcyjnych łamigłówkach, ale każdy skończony test ma ograniczoną reprezentatywność.
Modele rozumujące z lat 2024–2025 poprawiły wyniki w części trudnych problemów. Uczciwe porównania wymagają jednak kontroli budżetu obliczeń przy odpowiadaniu, wycieku zadań testowych do danych treningowych i niezawodności poza testem.
Zapis formalny
ocena = zakres zadań × poziom sprawności × warunki testu
Superinteligencja i bezpieczeństwo
Superinteligencja (ASI) to pomysł AI, która byłaby mądrzejsza od ludzi niemal we wszystkim. To na razie hipoteza — ale poważni naukowcy zastanawiają się, jak zadbać o bezpieczeństwo, zanim coś takiego mogłoby powstać.
Dlatego firmy tworzące najmocniejsze modele sprawdzają je przed wypuszczeniem, a prawo zaczyna stawiać im wymagania.
Laboratoria AI publikują ramy bezpieczeństwa, które przypisują modelom poziomy ryzyka w obszarach takich jak cyberbezpieczeństwo czy broń biologiczna. Przed udostępnieniem modelu przeprowadza się testy, w których specjaliści celowo próbują wywołać szkodliwe zachowania — to tak zwany red-teaming.
Badania nad tym, jak sprawić, by AI działała zgodnie z intencjami i wartościami ludzi, nazywa się dopasowaniem (alignment). To jedna z najaktywniejszych dziedzin badań AI.
Przykładami takich ram są Responsible Scaling Policy (Anthropic), Preparedness Framework (OpenAI) i Frontier Safety Framework (Google DeepMind). Określają one progi zdolności, po przekroczeniu których wymagane są silniejsze zabezpieczenia.
AI Act wprowadza osobną kategorię modeli GPAI o ryzyku systemowym, z obowiązkami ewaluacji, testów kontradyktoryjnych i raportowania poważnych incydentów. To pierwsza tak szeroka próba prawnego uregulowania najmocniejszych modeli.
Zapamiętaj
- Wąska AI = jedno zadanie. AGI = szerokie zdolności jak u człowieka.
- AGI jeszcze nie istnieje, a jej definicja jest sporna.
- Dzisiejsze modele mają „postrzępione” zdolności: genialne i naiwne naraz.
Spektrum inteligencji maszyn
przeciągnij lub ← →
Chatbot 2026
Pisze, tłumaczy, programuje, analizuje obrazy — ale z „postrzępionymi” zdolnościami.
istnieje dziś
Ciekawostka
Badacze nazywają nierówne umiejętności AI „postrzępioną granicą”: model może rozwiązać zadanie z olimpiady matematycznej, a pomylić się, licząc litery „r” w słowie „strawberry”.
W liczbach
0
systemów uznanych powszechnie za AGI
Źródło: Stan debaty naukowej, 2026
Ewaluacja · 3 pytania
Sprawdź się
Filtr spamu w poczcie to przykład…
Twoja opinia · anonimowo
Jak Ci się czytało tę lekcję?
Dokąd dalej
Następny przystanek: AI w Twoim dniu
Rozróżniasz już trzy pojęcia: wąską AI, która dziś działa wszędzie, AGI, o którą trwa spór, i hipotetyczną superinteligencję, o której bezpieczeństwie myśli się zawczasu.
Skoro wąska AI działa wszędzie — gdzie dokładnie? W ostatniej lekcji tego poziomu przejdziemy przez zwykły dzień i odnajdziemy AI tam, gdzie się jej nie spodziewasz.