Jak zmieniła się sztuczna inteligencja

nowość sztucznej inteligencji w Polsce

W 1997 roku komputer pokonał mistrza świata w szachach. Dziś zwykłym zdaniem można poprosić AI o streszczenie umowy, odczytanie wykresu albo przygotowanie wizualizacji produktu, który jeszcze nie powstał. Jak sztuczna inteligencja przeszła od szachownicy do codziennej pracy i dlaczego tak wiele osób chce z niej korzystać? Warto wiedzieć–jak zmieniła się sztuczna inteligencja przez lata.

Latem 1956 roku w Dartmouth College w Stanach Zjednoczonych spotkała się grupa badaczy, którzy chcieli sprawdzić, czy maszyny mogą wykonywać zadania kojarzone z ludzką inteligencją. Spotkanie uznaje się za symboliczny początek sztucznej inteligencji jako dziedziny nauki. Już wtedy badaczy interesowało, czy komputer może posługiwać się językiem, uczyć się i rozwiązywać problemy.

Skalę możliwości ówczesnej informatyki dobrze pokazały szachy. W 1997 roku Deep Blue firmy IBM wygrał mecz z Garri Kasparowem, ówczesnym mistrzem świata. Komputer analizował ogromną liczbę możliwych ruchów i oceniał, które pozycje dawały mu przewagę. Jego możliwości wynikały z głębokiej specjalizacji. Szachownica, figury i zasady gry tworzyły środowisko, które dało się precyzyjnie opisać. Rozpoznawanie tego, co dzieje się na ulicy albo o czym rozmawiają dwie osoby, wymagało innego podejścia.

Wyobraźmy sobie program, który ma odróżnić zdjęcie psa od zdjęcia kota. Można próbować opisać mu kształt uszu, długość pyska i wielkość zwierzęcia. Szybko pojawią się jednak wyjątki. W uczeniu maszynowym model dostaje przykłady i podczas treningu uczy się wychwytywać wzorce, które pomagają mu ocenić kolejne zdjęcia. To jedna z najważniejszych zmian w podejściu do zadań, dla których trudno wypisać kompletny zestaw reguł.

W 2012 roku sieć neuronowa AlexNet wygrała konkurs rozpoznawania obrazów ImageNet. W zadaniu, w którym system mógł podać pięć najbardziej prawdopodobnych odpowiedzi, odsetek błędów spadł z 26,2 proc. u najbliższego konkurenta do 15,3 proc. u zwycięzcy. Znaczenie miało połączenie dużego zbioru zdjęć, głębokiej sieci neuronowej i wykorzystania procesorów graficznych do treningu. Wynik pokazał, jak duży postęp można osiągnąć w rozpoznawaniu obrazów przy odpowiedniej ilości danych i mocy obliczeniowej.

W 2017 roku zespół badaczy przedstawił architekturę o nazwie transformer. Zastosowany w niej mechanizm uwagi pomaga modelowi określać, które elementy tekstu są ze sobą powiązane. Widać to na przykładzie słowa „zamek”. W zdaniu o zapinaniu kurtki oznacza coś innego niż w opowieści o średniowiecznym mieście. Kontekst pomaga ustalić, o jakie znaczenie chodzi. Transformer stał się podstawą wielu dużych modeli językowych, które potrafią generować odpowiedzi, streszczać tekst i wykonywać polecenia zapisane w naturalnym języku.

Gdy 30 listopada 2022 roku OpenAI udostępniło ChatGPT, wiele osób po raz pierwszy mogło wypróbować te możliwości w zwykłej rozmowie. W jednym oknie dało się poprosić o wyjaśnienie pojęcia, skrócić otrzymaną odpowiedź i dopasować ją do konkretnego odbiorcy. Ta prostota miała ogromne znaczenie. Do pracy z modelem wystarczyło opisać zadanie własnymi słowami. Ktoś, kto nigdy nie programował, mógł uporządkować notatki ze spotkania, przygotować pytania do wywiadu albo przećwiczyć rozmowę po angielsku.

Współczesne narzędzia AI mogą łączyć tekst, obraz i dźwięk. Takie systemy nazywa się multimodalnymi. Praktyczny przykład to zdjęcie etykiety zagranicznego produktu. Można przesłać je do aplikacji, poprosić o odczytanie instrukcji, a potem dopytać głosowo o znaczenie konkretnego symbolu. W pracy podobny mechanizm pozwala zestawić wykres z opisem wyników i sprawdzić, czy komentarz rzeczywiście odpowiada danym. Przykładem tego etapu rozwoju był zaprezentowany w 2024 roku GPT-4o, zaprojektowany do pracy z tekstem, obrazem i dźwiękiem.

Kolejny krok to agenci AI, czyli systemy, które mogą wykonać kilka czynności przy użyciu dostępnych im narzędzi. Agent może na przykład odczytać dane z plików, uzupełnić arkusz i przygotować podsumowanie. Najwięcej trudności pojawia się wtedy, gdy po drodze wystąpi coś nieoczekiwanego, choćby dokument w innym formacie albo brakująca kolumna. Według raportu AI Index 2026 skuteczność agentów w teście OSWorld, sprawdzającym wykonywanie zadań na komputerze, wzrosła z około 12 do 66 proc. To wyraźny postęp, a zarazem około jedna nieudana próba na trzy w tym konkretnym teście.

Jednym z głównych powodów jest to, że AI skraca drogę od materiałów do pierwszej wersji, na której można pracować. Mały producent może wprowadzić specyfikację wyrobu i przygotować szkice opisów do sklepu, katalogu i oferty handlowej. Pracownik obsługi klienta może dostać podpowiedź opartą na instrukcji produktu. W obu przypadkach korzyść da się sprawdzić w praktyce. W badaniu obejmującym ponad 5 tys. pracowników obsługi klienta dostęp do asystenta AI zwiększył średnią liczbę spraw rozwiązywanych w ciągu godziny o 14 proc. w analizowanej firmie. Najwięcej skorzystali pracownicy początkujący i mniej doświadczeni.

W nauce wartość AI widać na przykładzie AlphaFold2. Model przewiduje przestrzenną strukturę białka na podstawie kolejności aminokwasów. Dzięki takim przewidywaniom badacze mogą lepiej zaplanować dalsze eksperymenty i zdecydować, które hipotezy warto sprawdzić w laboratorium. W 2024 roku Demis Hassabis i John Jumper otrzymali za przewidywanie struktur białek połowę Nagrody Nobla w dziedzinie chemii. To przykład postępu, w którym sztuczna inteligencja zmieniła sposób prowadzenia badań nad konkretnym, od dawna znanym problemem.

Polska ma własne projekty modeli językowych. Należą do nich PLLuM, zaprezentowany przez Ministerstwo Cyfryzacji w lutym 2025 roku, oraz Bielik, rozwijany z myślą o języku polskim. Znajomość polszczyzny ma praktyczne znaczenie. Wystarczy przyjrzeć się odmianie nazw miejscowości albo spróbować wyjaśnić prostymi słowami pismo urzędowe, zachowując jego sens. Na takich zadaniach można oceniać, czy model dobrze radzi sobie z polską gramatyką, terminologią i kontekstem.

Rozwój polskich modeli i wdrażanie AI w firmach to dwa różne zjawiska. Według Eurostatu w 2025 roku ze sztucznej inteligencji korzystało 8,4 proc. badanych przedsiębiorstw w Polsce, podczas gdy średnia unijna wyniosła 20 proc. Dane dotyczą przedsiębiorstw zatrudniających co najmniej 10 osób w sektorach objętych badaniem. Polskie projekty pokazują, że technologia powstaje również u nas, a dane Eurostatu wskazują, jak duża jest jeszcze przestrzeń do jej zastosowania w biznesie.

Model może napisać przekonujący akapit i podać w nim nieistniejące źródło, pomylić osoby o podobnych nazwiskach albo przypisać komuś słowa, których nigdy nie wypowiedział. Takie wiarygodnie brzmiące błędy nazywa się halucynacjami. W praktyce im większe znaczenie ma odpowiedź, tym ważniejsze jest sprawdzenie jej w materiale źródłowym. W opisie produktu będzie to specyfikacja producenta, w artykule prasowym oryginalna wypowiedź lub dokument, a w analizie sprzedaży dane z systemu.

Największa zmiana od czasów Deep Blue polega na tym, że dziś można opisać komputerowi zadanie własnymi słowami i od razu otrzymać materiał do dalszej pracy. Czasem będzie to szkic artykułu, czasem porównanie kilkudziesięciu dokumentów, a czasem hipoteza do sprawdzenia w laboratorium. Przy ocenie przydatności AI warto więc postawić konkretne pytanie. Ile czasu zajmuje uzyskanie wyniku, który po sprawdzeniu naprawdę nadaje się do użycia?
AM
Źródła:
https://research.google/pubs/attention-is-all-you-need/?
https://www.gov.pl/web/cyfryzacja/polska-buduje-wlasna-sztuczna-inteligencje–pllum-gotowy-do-dzialania?
https://openai.com/pl-PL/index/hello-gpt-4o/?trk=public_post_comment-text&
https://home.dartmouth.edu/about/artificial-intelligence-ai-coined-dartmouth
https://www.ibm.com/history/deep-blue?
https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20251211-2?
https://hai.stanford.edu/ai-index/2026-ai-index-report/technical-performance