Genialny Naukowiec, Który Mógł Się Mylić
Muszę wam opowiedzieć o czymś, co dosłownie wywróciło moje myślenie o sztucznej inteligencji do góry nogami.
Od dekad mierzymy postępy AI względem wizji, którą naszkicował Alan Turing w 1950 roku. Jego słynna „gra w naśladownictwo" — dziś znana jako Test Turinga — zakładała, że jeśli komputer potrafi oszukać ludzi i sprawić, że myślą, iż rozmawiają z drugim człowiekiem, to znaczy, że właściwie „myśli".
Brzmi sensownie, prawda?
Otóż według Petera J. Denninga — wybitnego informatyka, który właśnie wydał książkę „Turing's Mistake: Escaping the Yoke of Unintelligent Machines" — możemy gonić za złym snem od 75 lat.
I szczerze? Kiedy przeczytałem jego argumenty, zacząłem podejrzewać, że ma rację.
Problem Ciała (Tak, To Ważne)
Oto pierwsze założenie, które zdaniem Denninga Turing pojął błędnie: przekonanie, że inteligencja może istnieć niezależnie od posiadania fizycznego ciała.
Pomyślcie chwilę. Próbujemy odtworzyć ludzką inteligencję w komputerach — czystym oprogramowaniu, dryfującym w cyfrowej przestrzeni. Denning twierdzi, że to trochę tak, jakby próbować zrozumieć pływanie, badając cząsteczki wody. Czegoś fundamentalnego brakuje.
Kiedy my — ty i ja — poruszamy się po świecie, nie tylko przetwarzamy informacje. My czujemy. Odczuwamy temperaturę, teksturę klamki, ten lekkie chwiejenie, gdy stajemy na nierównym chodniku. Całe to fizyczne doświadczenie kształtuje sposób, w jaki myślimy, wnioskujemy i rozumiemy świat.
Denning zwraca uwagę, że nasze ciała to nie tylko pojazdy przewożące mózg. Są integralną częścią tego, jak myślimy.
A tu chodzi o coś więcej niż tylko odosobniony pogląd. Filozofowie od lat mówią o „ucieleśnionym poznaniu". Ale badania nad AI w dużej mierze to ignorowały, stawiając na czyste podejście obliczeniowe.
Zagadka Milczącej Wiedzy
Tu robi się naprawdę ciekawie — i troszkę filozoficznie, ale obiecuję, że będę konkretny.
Denning wprowadza pojęcie „milczącej wiedzy" — i szczerze, to jeden z tych pomysłów, które kiedy raz zrozumiecie, zaczynacie widzieć wszędzie.
Milcząca wiedza to wszystko to, co wiecie, ale nie potraficie łatwo wyjaśnić. Na przykład... skąd wiecie, ile dokładnie siły przyłożyć, przekręcając klucz w zamku? Jak łapiecie piłkę bez przeprowadzania w głowie skomplikowanych obliczeń fizycznych? Skąd wiecie, że ktoś jest sarkastyczny, a nie szczery, na podstawie samego tonu głosu?
Dla nas to wszystko wydaje się automatyczne. Ale jest niewiarygodnie złożone.
Denning twierdzi, że istnieje co najmniej pięć głównych kategorii milczącej wiedzy, których uczenie maszynowe po prostu nie jest w stanie uchwycić:
Zdrowy rozsądek — miliony drobnych faktów o tym, jak działa świat, o których nigdy świadomie nie myślimy.
Codzienne interakcje — jak odczytujemy sytuacje społeczne, nawigujemy w relacjach międzyludzkich, rozumiemy niewypowiedziane oczekiwania.
Emocje i percepcja — sposób, w jaki doświadczanie radości lub smutku fundamentalnie zmienia to, jak przetwarzamy informacje.
Umiejętności praktyczne — wiedza, którą posiada mistrz-rzemieślnik czy wirtuoz muzyki, ale nie potrafi jej w pełni wyartykułować.
Zrozumienie kulturowe — wartości, normy, historia i głębsze znaczenia wpisane w to, jak działają społeczności.
Dlaczego 40 Lat Projektu Cyc Nic Nie Dało
Żeby zilustrować to wyzwanie, Denning odwołuje się do projektu o nazwie Cyc. Jeśli go nie znacie: Cyc to ambitna próba rozpoczęta w latach 80., która miała zbudować ogromną bazę wiedzy o zdrowym rozsądku — rzeczy takie jak „jeśli coś upuścisz, spadnie w dół" czy „ludzie potrzebują wody, żeby przeżyć".
Przez cztery dekady projekt zgromadził około 25 milionów wpisów zawierających fakty ze zdrowego rozsądku.
Dwadzieścia pięć milionów!
I wiecie co? Wciąż to nie wystarczyło, by stworzyć naprawdę inteligentne systemy. Denning zauważa, że „większość wiedzy czyniącej ludzi ekspertami nie da się ująć w formie zdań."
To cicha tragedia projektu Cyc. Pokazał on — poprzez sam wysiłek — że ręczne kodowanie ludzkiego zdrowego rozsądku jest zasadniczo niemożliwe. Jest tego za dużo, a zbyt wiele z tego jest domyślne, a nie jawne.
Muzyk, Który Nie Potrafi Tego Wyjaśnić
Pozwólcie, że podzielę się jednym z przykładów Denninga, który naprawdę do mnie przemówił.
Pomyślcie o wirtuozie-skrzypku. Kimś, kto potrafi grać z zapierającym dech pięknem i emocją. Teraz wyobraźcie sobie, że próbujecie wytłumaczyć początkującemu dokładnie, jak wydobyć taki dźwięk.
Nie potrafi. Nie do końca. Może podać jakieś wskazówki techniczne — ustaw łuk tutaj, przyłóż nacisk tam — ale przepaść między „wiedzieć jak" a „wiedzieć co" jest ogromna.
Skrzypek dysponuje wiedzą ucieleśnioną, która istnieje w jego mięśniach, nerwach, fizycznym doświadczeniu tworzenia dźwięku. Nie da się tego pobrać do komputera. Nie da się tego przepisać do bazy danych.
A oto głębszy punkt: nawet gdybyście zbudowali robota, który idealnie naśladowałby ruchy skrzypka, ten robot wciąż nie zrozumiałby, jak czuje się tworzenie pięknej muzyki. Brakuje mu biologicznego doświadczenia, kontekstu emocjonalnego, połączenia z publicznością.
Problem Reprezentacji
Co więc tak naprawdę tu się dzieje? Dlaczego ludzka wiedza tak uporczywie opiera się cyfryzacji?
Denning nazywa to „problemem reprezentacji" i jest to coś naprawdę fundamentalnego.
Komputery operują symbolami — zerami i jedynkami reprezentującymi rzeczy. Kiedy wkładamy informacje do komputerów, kodujemy wiedzę o realnym świecie w te symboliczne formy.
Ale jest jeden haczyk: za każdym słowem, każdym pojęciem, każdym fragmentem „wiedzy", którą posiadamy, kryje się głęboka studnia milczącego zrozumienia, która nadaje mu sens. Słowa to tylko symbole wskazujące na znaczenia — nie są samymi znaczeniami.
Denning ujmuje to tak: „Za każdym słowem kryje się głęboka studnia milczącej wiedzy, która nadaje mu sens. Słowa są jedynie symbolicznymi reprezentacjami znaczeń, nie samymi znaczeniami."
To oznacza, że kiedy rozmawiacie z czymś jak ChatGPT, Claude czy Gemini, tak naprawdę wchodzicie w interakcję z systemami niezwykle wyrafinowanymi w manipulowaniu symbolami, ale które nie rozumieją naprawdę, co te symbole reprezentują. Potrafią znakomicie dopasowywać wzorce, ale dopasowywanie wzorców to nie rozumienie.
Kontekst To Wszystko (A Maszyny Go Nie Mają)
Jest jeszcze jedna warstwa, z którą AI sobie nie radzi: kontekst.
Kiedy ty i ja rozmawiamy, czerpiemy z nieskończonych warstw wspólnego zrozumienia. Wiemy, kim jesteśmy, co razem przeszliśmy, jaka jest aktualna sytuacja, co jest odpowiednie, a co nie, kiedy ktoś żartuje, a kiedy mówi poważnie.
Ten kontekst to nie jest jakieś tło — jest fundamentalny dla znaczenia.
Denning opisuje go jako fraktalny: każdy kontekst opiera się na poprzednich kontekstach, które opierają się na jeszcze wcześniejszych. To nieskończony łańcuch wspólnego zrozumienia, zbudowany przez całe życie doświadczeń.
Kultura dodaje kolejną wymiar. Denning opisuje ją jako obejmującą „wartości, normy, osądy, historię, społeczności, nastroje, a nawet relacje dotyczące władzy i troski."
Wszystko to jest niewidoczne dla systemów AI. Potrafią wykrywać wzorce w języku, ale nie są w stanie naprawdę pojąć kulturowego ciężaru słów i czynów.
Co To Oznacza dla Przyszłości AI?
Nie twierdzę, że AI jest bezużyteczna — oczywiście, że nie jest. Te systemy są naprawdę imponujące w konkretnych zadaniach i są niezwykle przydatnymi narzędziami.
Ale argument Denninga sugeruje, że możemy zbliżać się do sufitu. Że prawdziwa ogólna inteligencja artificialna — maszyny z ludzkim poziomem rozumienia i adaptacji — może być fundamentalnie nieosiągalna przy obecnych podejściach.
I tu robi się troszkę niepokojąco: Denning ostrzega, że jeśli będziemy gonić za AGI, ignorując te fundamentalne ograniczenia, ryzykujemy budowanie technologii, które wprowadzą znaczące nowe zagrożenia, nie spełniając jednocześnie swoich obietnic.
Pomyślcie o tym. Budujemy systemy, których nie rozumiemy do końca, używając podejść, które mogą być z natury ograniczone, żeby rozwiązywać problemy wymagające rodzajów zrozumienia, do których te systemy nie mają dostępu.
Moja Ocena
Szczerze mówiąc, argumenty Denninga uznałem za przekonujące, ale nie do końca miażdżące.
Tak, są fundamentalne wyzwania z uchwyceniem milczącej wiedzy. Tak, doświadczenie ucieleśnione prawdopodobnie ma większe znaczenie, niż przyznawaliśmy. I tak, Test Turinga może być kiepskim wyznacznikiem prawdziwej inteligencji.
Ale myślę też, że odkrywamy te ograniczenia na bieżąco, a sam proces odkrywania jest wartościowy. Każde wyzwanie, które Denning identyfikuje, to również pytanie badawcze. Każda ściana, w którą uderzamy, uczy nas czegoś nowego o ludzkim poznaniu i świadomości.
Może prawdziwa lekcja nie jest taka, że AI nie może być inteligentna, ale taka, że ludzka inteligencja jest bardziej niezwykła, niż docenialiśmy. Za każdym razem, gdy rozumiecie żart, łapiecie piłkę albo wyczuwacie, że coś w rozmowie „nie gra" — robicie coś, czego nasze najbardziej zaawansowane komputery wciąż nie potrafią.
Może pytanie nie brzmi: czy maszyny mogą myśleć jak ludzie. Może brzmi: co potrafią dobrze zrobić i jak budujemy to w świecie, gdzie ludzkie cechy mają większe znaczenie, a nie mniejsze?
To pytanie warte chwili zastanowienia.
A wy co myślicie? Czy krytyka Denninga rezonuje z waszym doświadczeniem z narzędziami AI? A może uważacie, że niedoceniamy tego, co te systemy ostatecznie osiągną?
Napiszcie w komentarzu — naprawdę chcę wiedzieć, jak to na was wpływa.
Źródło: ScienceDaily (https://www.sciencedaily.com/releases/2026/07/260713084850.htm)