\u0141atwo da\u0107 si\u0119 ol\u015bni\u0107 b\u0142yskawicznemu post\u0119powi w dziedzinie sztucznej inteligencji. W ci\u0105gu zaledwie kilku lat zaawansowane systemy, takie jak GPT-3, BERT i ich bardziej strategicznie zorientowani nast\u0119pcy \u2013 du\u017ce modele rozumowania (Large Reasoning Models) \u2013 zyska\u0142y zdolno\u015b\u0107 pisania opowiada\u0144, t\u0142umaczenia j\u0119zyk\u00f3w oraz odpowiadania na pytania z niesamowit\u0105 p\u0142ynno\u015bci\u0105. Je\u015bli jednak przyjrze\u0107 si\u0119 temu bli\u017cej, mo\u017cna dostrzec dziwn\u0105 osobliwo\u015b\u0107: im inteligentniejsze staj\u0105 si\u0119 te systemy sztucznej inteligencji, tym cz\u0119\u015bciej potykaj\u0105 si\u0119 o w\u0142asne rozumowanie, nadmiernie komplikuj\u0105c proste pytania, a przy trudniejszych \u2013 po prostu si\u0119 blokuj\u0105.<\/p>\n
W nowym badaniu przeprowadzonym przez firm\u0119 Apple poddano t\u0119 osobliwo\u015b\u0107 wnikliwej analizie, odrzucaj\u0105c efektowne testy por\u00f3wnawcze i zamiast tego wystawiaj\u0105c popularne modele sztucznej inteligencji na pr\u00f3b\u0119 w klasycznych \u0142amig\u0142\u00f3wkach: pr\u00f3ba przesuwania kr\u0105\u017ck\u00f3w w Wie\u017cy Hanoi, skakanie po polach w warcabach czy przeprowadzanie podr\u00f3\u017cnik\u00f3w przez trudne do pokonania rzeki. W miar\u0119 jak poziom trudno\u015bci zada\u0144 wzrasta\u0142, naukowcy obserwowali, jak zar\u00f3wno standardowe modele j\u0119zykowe, jak i wyspecjalizowane modele rozumowania radzi\u0142y sobie z tym wyzwaniem.<\/p>\n
Wyniki by\u0142y r\u00f3wnie fascynuj\u0105ce, co pouczaj\u0105ce. W przypadku \u0142atwych zagadek typowi podejrzani \u2013 modele j\u0119zykowe wyszkolone na ogromnych ilo\u015bciach tekst\u00f3w z internetu \u2013 radzili sobie w prosty i konkretny spos\u00f3b. Jednak ich \u201crozumuj\u0105ce\u201d odpowiedniki, zaprogramowane tak, by wyja\u015bnia\u0107 ka\u017cdy sw\u00f3j krok, w rzeczywisto\u015bci nadmiernie komplikowa\u0142y spraw\u0119: podawa\u0142y wi\u0119cej krok\u00f3w ni\u017c by\u0142o to konieczne, sprawiaj\u0105c, \u017ce proste zadania stawa\u0142y si\u0119 trudne. To tak, jakby mistrz szachowy upiera\u0142 si\u0119 przy opisywaniu ka\u017cdego oczywistego ruchu pionka w stylu traktatu filozoficznego.<\/p>\n
Co ciekawe, gdy zagadki stawa\u0142y si\u0119 nieco trudniejsze, te same systemy AI oparte na rozumowaniu radzi\u0142y sobie znakomicie. Potrafi\u0142y rozk\u0142ada\u0107 problemy na poszczeg\u00f3lne etapy, zachowuj\u0105c porz\u0105dek i rzadko gubi\u0105c si\u0119 w nich. Jednak gdy poziom z\u0142o\u017cono\u015bci wzrasta\u0142 jeszcze bardziej \u2014 nagle ca\u0142e to staranne my\u015blenie przestawa\u0142o pomaga\u0107. Systemy AI traci\u0142y kontrol\u0119, a czasami ca\u0142kowicie si\u0119 poddawa\u0142y. To niemal jak u ludzi: proste rzeczy staj\u0105 si\u0119 niepotrzebnie skomplikowane, a trudne wywo\u0142uj\u0105 reakcj\u0119 ucieczki.<\/p>\n
O co tu chodzi? W du\u017cej mierze sprowadza si\u0119 to do tego, w jaki spos\u00f3b modele te si\u0119 ucz\u0105. Modele rozumowania oparte na sztucznej inteligencji przyswajaj\u0105 wzorce na podstawie milion\u00f3w przyk\u0142ad\u00f3w, ale cz\u0119sto nie potrafi\u0105 \u201cuog\u00f3lni\u0107\u201d sytuacji, gdy zadanie nie przypomina tego, co widzia\u0142y wcze\u015bniej. Zamiast uchwyci\u0107 g\u0142\u0119bsz\u0105 logik\u0119, \u0142\u0105cz\u0105 ze sob\u0105 znane im posuni\u0119cia. Kiedy wi\u0119c matematyka staje si\u0119 skomplikowana lub logika ulega zawirowaniom, wzorzec si\u0119 rozpada \u2013 podobnie jak rozumowanie sztucznej inteligencji.<\/p>\n
Praca zespo\u0142u Apple\u2019a nie pozosta\u0142a niezauwa\u017cona. Wyniki bada\u0144 wywo\u0142a\u0142y o\u017cywion\u0105 debat\u0119 w \u015brodowisku zajmuj\u0105cym si\u0119 sztuczn\u0105 inteligencj\u0105. Niekt\u00f3rzy krytycy twierdz\u0105, \u017ce cho\u0107 dzisiejsza sztuczna inteligencja nie \u201cmy\u015bli\u201d jak cz\u0142owiek, to i tak skutecznie rozwi\u0105zuje wiele przydatnych problem\u00f3w. Inni twierdz\u0105, \u017ce nadszed\u0142 czas, aby ponownie przemy\u015ble\u0107 nasze kryteria oceny oraz to, co naprawd\u0119 rozumiemy pod poj\u0119ciem \u201crozumowania\u201d w maszynach. Na forach i konferencjach ludzie ch\u0119tnie wskazuj\u0105 na przepa\u015b\u0107 mi\u0119dzy imponuj\u0105cymi sztuczkami j\u0119zykowymi a prawdziw\u0105 zdolno\u015bci\u0105 adaptacji poznawczej.<\/p>\n
Mimo to jedno jest jasne: daleko nam jeszcze do sztucznej inteligencji, kt\u00f3ra rozumowa\u0142aby tak jak ludzki umys\u0142. Kolejny etap? Projektowanie system\u00f3w, kt\u00f3re wiedz\u0105, kiedy nale\u017cy postawi\u0107 na prostot\u0119, a kiedy zag\u0142\u0119bi\u0107 si\u0119 w szczeg\u00f3\u0142y \u2014 nazwijmy to \u201cdynamicznym rozumowaniem\u201d. W miar\u0119 jak sztuczna inteligencja coraz bardziej wkracza w nasz\u0105 codzienno\u015b\u0107, od obs\u0142ugi klienta po laboratoria naukowe, zapewnienie tej elastyczno\u015bci b\u0119dzie mia\u0142o kluczowe znaczenie dla jej dalszego rozwoju.<\/p>\n