Czym jest inteligencja ludzi i maszyn?

Pracownik działu obsługi klienta odpowiada na setki telefonów tygodniowo. Klienta wkurza
i stresuje niedotrzymanie terminu, uszkodzony i zagubiony towar, brak finansowej rekompensaty za niedogodności. Pracownik nie musi wysłuchiwać całej historii by w mig zrozumieć problem. W sekundę widzi wzorzec, przewiduje rozwiązanie i kieruje rozmową w stronę polubownego rozwiązania. Jego umysł skondensował złożoną społeczną sytuację w coś wykonalnego.

Jest to przykład inteligencji w działaniu: nie katalogowanie detali, lecz ekstrakcja znaczeń. Pracownik jest ekspertem nie dlatego, że perfekcyjnie zapamiętuje, tylko dlatego, że wie co zapomnieć. Jego umysł potrafi wydestylować strukturę z szumu, odrzucić to, co nieistotne i zachować wiedzę będącą podstawą predykcji, działania i rozumienia.

Mózg nie jest twardym dyskiem

Kiedy aparat w komórce robi zdjęcie, przechowuje miliony pikseli o detalach sceny. Kiedy umysł uchwytuje tę sama perspektywę, nie zachowuje dokładnych wartości barw, warunków oświetlenia czy szczegółów aranżacji przestrzeni. Zamiast tego, umysł wydobywa znaczenie: zachód nad morzem, twarz szczęśliwego przyjaciela, miejsce udanej biznesowej rozmowy.

Mózg nie jest twardym dyskiem, a raczej zbiorem algorytmów kompresji, które coś zatrzymują, coś podsumowują, a z czegoś rezygnują. Przykładem są wspomnienia rozmowy. Rzadko pamiętamy całe dialogi, dokładnie słowo po słowie. Raczej emocjonalny ton i kluczowe spostrzeżenia. Dzięki kompresji nie przechowujemy informacji, lecz tworzymy sens.

Zasada ta rozciąga się na uczenie się. Kiedy dziecko poznaje słowo „pies”, nie zapamiętuje każdego psa, którego widziało. Jego mózg wydobywa wspólne cechy takie jak cztery nogi, futro i szczekanie, jednocześnie odrzucając masę nieistotnych detali. Taka kompresja pozwala dziecku natychmiast rozpoznać psa, nawet takiego, którego nigdy wcześniej nie widziało.

Duże modele językowe sztucznej inteligencji działają na tej samej zasadzie: nie zapamiętują każdego zdania w procesie trenowania sieci. Kompresują miliardy słów we wzorce skojarzeń, statystyczne regularności i strukturalne związki. To co się wyłania to nie perfekcyjne przywołanie, ale coś znacznie bardziej wartościowego: zdolność generowania spójnych, kontekstowo właściwych odpowiedzi na sytuacje przed którymi wcześniej nie zostały postawione.

Idziemy na kompromis

Siła scalania i destylowania znaczeń najsilniej uwidacznia się podczas transferu uczenia się do nowych sytuacji. Arcymistrz szachowy nie wygrywa bo pamięta każdą rozgrywkę, którą rozegrał. Arcymistrz rozpoznaje wzorce, które powtarzają się w różnych grach: taktyczne motywy, strategiczne zasady, otwarcia i roszady. Stanowi to istotę uogólnień, kiedy stosujemy esencję wzorców do nowych kontekstów. Oczywiście uogólniając idziemy na kompromis: wydobywając to, co uniwersalne, poświęcamy masę szczegółów. Niemniej dzięki uogólnieniom eksperci podejmują szybkie decyzje w warunkach presji, czyli robią coś, czego wyczerpująca czasowo i energetycznie analiza nigdy nie osiągnie.

Wyzwaniem jest znalezienie właściwego poziomu kompresji. Zbyt słaba, i umysł zapamiętuje specyficzne przykłady nie uogólniając. Zbyt silna, i następuje utrata ważnych rozróżnień na rzecz nieistotnych uogólnień. Sztuka budowania inteligentnych systemów polega na tym, by upraszczając nie zniekształcać rzeczywistości zbyt mocno i nie porzucać zbyt wielu detali. Rezultat ma służyć postawionym celom – umysły naturalne i sztuczne nie są idealnymi reprezentacjami świata, lecz jego użytecznymi uproszczeniami.

Dlaczego istotą poznania jest przystosowawcze upraszczanie? Każdy układ fizyczny pracuje w warunkach silnych ograniczeń, napotykając rozmaitego typu „wąskie gardła”. Ludzka uwaga może być skupiona tylko na niewielkim wycinku pola widzenia, pamięć robocza może przechować zaledwie od 3 do 5 porcji informacji, a pamięć długotrwała rekonstruuje przeszłość, a nie wiernie zapisuje. Podobnie narzędzia sztucznej inteligencji – ich moce obliczeniowe są ograniczone, czas trenowania skończony, a parametry modelu choć liczne, nie są w stanie wyłapać każdego detalu ludzkiego języka.

Źródła kreatywności

Ograniczenia jednak rodzą kreatywność ludzi i maszyn. Skutkiem kompresji w mózgu i dużych modelach językowych jest wydajność, generalizacja i działanie w czasie rzeczywistym. Układ, który by usiłował przechować i przetworzyć każdy detal, byłby zbyt wolny w działaniu aby być użytecznym. Widać to dobrze na przykładzie współczesnych dużych modeli językowych.

Chat GPT czy Grok nie przechowuje definicji lub zbioru reguł użycia pojęcia „demokracja”. Zamiast tego uczy się wysokowymiarowej reprezentacji – będącej wzorcem aktywacji tysięcy parametrów – która uchwytuje statystyczne relacje między „demokracją” a innymi pojęciami w zbiorze danych treningowych. Ta reprezentacja jest skompresowana, gdyż wychwytuje wzorce z milionów użyć „demokracji” w różnych kontekstach. Uchwytuje związki z „głosowaniem”, „wolnością”, czy „praworządnością”, kodując jednocześnie subtelniejsze związki z kontekstem historycznym, kulturowym i mnogością filozoficznych debat. Duże modele językowe nie reprezentują indywidualnych pojęć, ale relacje między nimi, syntaktyczne wzorce i semantyczne struktury, dzięki którym wygenerowana odpowiedź wydaje się znacząca i spójna, choć model nie dysponuje rozumieniem w takim sensie jak człowiek.

Jeśli inteligencję, ludzką i maszyn, zdefiniujemy jako kompresję informacji, wówczas myślenie przestaje być czymś zupełnie enigmatycznym. W tym ujęciu nie jest ani osiąganiem prawdy, ani dostępem do pełnej wiedzy, lecz raczej zdolnością budowania użytecznych modeli świata – użytecznych, czyli takich, które zapewniają przystosowawcze przewidywanie i działanie. Zatem mniej się liczy czy AI na pewno rozumie to co robi, a bardziej czy dysponuje reprezentacjami umożliwiającymi wykonanie zadania.

Łączyć ludzką i sztuczną inteligencję

Tak rozumiana sztuczna inteligencja nie ma zastąpić i nie musi zastąpić ludzkiej, a raczej ma oferować odmienny sposób kompresji. Ludzkie umysły selekcjonują informację i wydobywają jej znaczenie drogą ucieleśnionej interakcji, emocjonalnej istotności i budowania narracyjnej struktury. Systemy AI kompresują metodą statystycznych wzorców, analizy wielkoskalowej i matematycznej optymalizacji. Każda metoda ma zalety i wady. Ludzkie poznanie jest bogate w kontekst i znaczenie, ale ograniczone co do skali i spójności. Poznanie maszynowe przetwarza kolosalne ilości informacji, ale brakuje mu niuansów, które ludzkie doświadczenie z łatwością wyłapuje. Najlepsze efekty da połączenie obydwu form kompresji: ludzkie spostrzeżenia co kluczowe i istotne, oraz maszynowa analiza tego, co złożone.

Uczenie się nie jest zatem prostą akumulacją informacji, lecz odkrywaniem lepszych sposobów jej kompresji. Modele umysłów biologicznych i sztucznych mają być wystarczająco proste by były użyteczne i wystarczająco złożone, by były prawdziwe.

Artykuł ukazał się w czasopiśmie Eurologistics 2/2026