Współczesny dyskurs wokół sztucznej inteligencji (AI) oscyluje między technologicznym triumfalizmem a egzystencjalnym lękiem przed zastąpieniem człowieka przez maszyny. Analiza perspektywy badawczej prof. Piotra Senkusa – eksperta z 20-letnim doświadczeniem we wdrożeniach systemów klasyfikacyjnych i decyzyjnych (m.in. w BASF, Volkswagenie, NFZ oraz ZUS) – wskazuje na konieczność redefinicji podstawowych pojęć z zakresu nauk o komputacji i zarządzaniu.

W wywiadzie analizuje kluczowe tezy:

1. Krytykę pojęcia „sztucznej inteligencji” na rzecz Ashby’owskiego „wzmacniacza inteligencji” (Intelligence Amplifier).
2. Problem weryfikacji epistemologicznej dowodów matematycznych i odkryć naukowych generowanych przez modele generatywne.
3. Dominację paradygmatu symbiozy człowiek–maszyna (Joseph Licklider) nad koncepcją substytucji (Marvin Minsky).
4. Operacjonalizację suwerenności technologicznej na przykładzie polskich modeli uczenia maszynowego trenowanych w krajowych centrach obliczeniowych.

1. Demitologizacja pojęcia: Od „inteligencji” do rozpoznawania wzorców

Sformułowanie „sztuczna inteligencja”, ugruntowane historycznie podczas konferencji w Dartmouth w 1956 roku, zawiera w sobie dwa błędy pojęciowe o istotnych konsekwencjach metodologicznych:

• Błąd „sztuczności”: Architektury algorytmiczne, zbiorniki danych treningowych oraz funkcje celu są bezpośrednim wytworem ludzkiej inżynierii i wartości.
• Błąd „inteligencji”: Obecne modele generatywne oraz głębokie sieci neuronowe nie posiadają świadomości ani intencjonalności; ich działanie opiera się na zaawansowanym statystycznym rozpoznawaniu wzorców (pattern recognition).

Już w 1956 roku W. Ross Ashby zaproponował pojęcie „wzmacniacza inteligencji” (Intelligence Amplifier). W tym ujęciu algorytm nie stanowi autonomicznego podmiotu poznawczego, lecz instrument zwiększający rozdzielczość analityczną ludzkiego umysłu – pełni funkcję poznawczej lupy.

Zjawisko tzw. halucynacji w modelach językowych i predykcyjnych nie jest w tym paradygmacie błędem losowym, lecz wykryciem relacji statystycznej w przestrzeni wielowymiarowej, która dla ludzkiego obserwatora jest nieoczekiwana lub sprzeczna z dotychczasową wiedzą. Podobnie jak w bionice – gdzie profil przedni pociągu Shinkansen zaprojektowano na podstawie anatomii dzioba zimorodka – AI dostrzega zależności strukturalne, stanowiąc punkt wyjścia do dalszych dociekań naukowych.

2. Rola AI w przełomach naukowych i problem weryfikacji epistemologicznej

Zastosowanie metod uczenia maszynowego w naukach ścisłych przyniosło w ostatnich latach rozstrzygnięcia problemów uznawanych dotąd za nierozwiązalne:

• Fizyka cząstek i astrofizyka: Wykorzystanie sieci neuronowych w projekcie IceCube na Antarktydzie umożliwiło detekcję neutrin i rekonstrukcję obrazu Drogi Mlecznej w promieniowaniu neutrinowym. Koncepcję wykorzystania AI do analizy danych z detektorów pod lodowcem Francis Halzen proponował już w 1991 roku.
• Biologia strukturalna: Przełom w 50-letnim problemie fałdowania białek osiągnięty przez system AlphaFold (Demis Hassabis, John Jumper), uhonorowany Nagrodą Nobla.
• Matematyka dyskretna i teoria liczb: Pomoc algorytmów w zamknięciu około 100 problemów otwartych postawionych przez Paula Erdősa, w tym rozwiązanie w maju 2024 roku hipotezy stojącej przez 80 lat (uznanej przez medalistę Fieldsa Tima Gowersa).

Problem milenijny i granice weryfikacji algorytmicznej

Wyrazistym przykładem granic poznawczych maszyn jest ogłoszenie przez OpenAI rozwiązania jednego z problemów milenijnych – równań hydrodynamiki Navier-Stokesa. System obliczeniowy składający się z 10 000 agentów wykonał pracę w 88 godzin, wymieniając blisko 3 miliony komunikatów.

Zdarzenie to uwypukliło fundamentalny problem współczesnej nauki: kto jest w stanie zweryfikować dowód wygenerowany przez maszynę? Powstanie wątpliwości dotyczących spójności dowodu oraz zarzutów ze strony środowiska akademickiego (m.in. prof. Tristana Buckmastera z Princeton) wyznacza jasną granicę: maszyna może wygenerować hipotezę lub ciąg przekształceń, lecz ostateczną odpowiedzialność za prawdę naukową ponosi człowiek.

„Pytanie nie brzmi, czy maszyna jest mądrzejsza. Pytanie brzmi: kto to sprawdzi? Odkrycie podpisuje człowiek – i człowiek je sprawdza.”
— prof. Piotr Senkus

3. Paradygmat symbiozy: Licklider kontra Minsky

W historii rozwoju informatyki wykształciły się dwa ścierające się podejścia do relacji człowieka z maszyną:

1. Podejście Marvina Minsky’ego: Model konfrontacyjny (man versus machine), zakładający dążenie do pełnej automatyzacji i zastąpienia ludzkiej pracy przez autonomiczne systemy.
2. Podejście Josepha Licklidera: Model symbiotyczny (man-computer symbiosis), zakładający optymalizację podziału zadań – maszyna przetwarza operacje rutynowe i wielkoskalowe obliczenia statystyczne, człowiek realizuje funkcje koncepcyjne, etyczne i decyzyjne.

Dowód empiryczny: Eksperyment szachowy z 2005 roku

Tezę o wyższości modelu symbiotycznego potwierdzają wyniki otwartego turnieju szachowego z 2005 roku, w którym zezwolono na użycie dowolnego oprogramowania i sprzętu komputacyjnego. Zwycięstwa nie odnieśli arcymistrzowie ze wspomaganiem superkomputerów, lecz dwaj amatorzy (Steven Cramton i Zackary Stephen), używający trzech standardowych komputerów osobistych. Garri Kasparow przeanalizował ten przypadek, wskazując, że o sukcesie zdecydowała metodologia komunikacji z maszyną i umiejętność właściwego zadawania pytań (promptingu/sterowania), a nie moc obliczeniowa czy czysta wiedza dziedzinowa.

Wnioski dla sektora przedsiębiorstw

Analiza wdrożeń rynkowych potwierdza ryzyka związane z bezkrytycznym stosowaniem podejścia Minsky'ego:

• Klarna: Próba całkowitego zastąpienia działu obsługi klienta przez agentów AI wymusiła powrót do modelu hybrydowego (człowiek + wsparcie algorytmiczne) ze względu na spadek jakości obsługi spraw niestandardowych.
• Unilever: Automatyzacja procesów rekrutacyjnych wykazała, że obecność skrzywień (bias) w historycznych zbiorach danych prowadzi do automatycznej reprodukcji dyskryminacyjnych decyzji kadrowych.
• John Deere: Udane wdrożenie wizyjnych systemów uczenia maszynowego w rolnictwie precyzyjnym (identyfikacja chwastów i punktowy oprysk) powiodło się dzięki precyzyjnemu ograniczeniu roli AI do funkcji wykonawczej w dobrze zdefiniowanym procesie fizycznym.

przed podjęciem decyzji o inwestycji w technologie AI kadrze zarządzającej zaleca się weryfikację trzech pytań audytowych:

1. Czy proces jest w pełni formalnie opisany?
2. Czy organizacja dysponuje uporządkowanymi i reprezentatywnymi danymi?
3. Materiałem o jakiej wskaźnikowo zdefiniowanej stopie zwrotu (ROI) ma skutkować wdrożenie?

4. Suwerenność technologiczna w praktyce inżynieryjnej

Tradycja polskiej szkoły algorytmicznej – wywodząca się z sukcesu Mariana Rejewskiego, Jerzego Różyckiego i Henryka Zygalskiego, którzy w grudniu 1932 roku złamali szyfr Enigmy, a w lipcu 1939 roku przekazali metodologię i repliki maszyn Sojusznikom w Pyrach – znajduje kontynuację we współczesnych inicjatywach akademicko-gospodarczych.

W ramach programu AI4Executives na Wydziale Zarządzania Uniwersytetu Warszawskiego, we współpracy z GAIA Institute, realizowane są projekty budowy dedykowanych modeli uczenia maszynowego:

• Słuchacze programu w ciągu jednego semestru tworzą prototypy działających systemów AI.
• Obliczenia i trening ponad 20 modeli odbywają się na polskiej infrastrukturze superkomputerowej w Poznańskim Centrum Superkomputerowo-Sieciowym.
• Gwarancja suwerenności danych: Zbiory treningowe oraz wagi modeli nie opuszczają jurysdykcji krajowej, stanowiąc realny wymóg bezpieczeństwa cyfrowego i ochrony tajemnicy przedsiębiorstwa.

Podsumowanie i wytyczne wdrożeniowe

Sztuczna inteligencja w analizie prof. Piotra Senkusa przestaje być traktowana jako zagrożenie czy wyrocznia, a staje się precyzyjnym instrumentem poznawczym. Wyniki wygenerowane przez modele należy traktować jako pierwszy szkic (roboczą hipotezę), a nie gotowy produkt decyzyjny.

Ewolucja roli systemów algorytmicznych w organizacji przebiega trzystopniowo: 

1.    Narzędzie analityczne

2.    Asystent/Kolega z biurka

3.    Autonomiczny agent wykonawczy

Kluczowym wyzwaniem menedżerskim i naukowym jest precyzyjne określenie granic decyzyjnych, których przekroczenie przez algorytmy zagraża spójności procesowej i odpowiedzialności prawnej organizacji.

Zapraszamy do wysłuchania audycji na stronie Polskiego Radia! Odkryj, jak współczesna nauka definiuje na nowo pojęcie sprawczości i autorstwa w erze cyfrowej.

Przekazując nam 1,5% swojego podatku wspierasz rozwój badań, edukacji i innowacji na rzecz lepszej przyszłości Polski. KRS: 0000883665. Fundacja GAIA