Limity AI: 2026 #14 Rzuciła pracę w banku, aby studiować AI — dziś jest cenioną artystką

Jednocześnie taka maszyna nie będzie rozumiała języka, co u Serla znaczyło tyle, że nie będzie miała żadnej wiedzy o relacji między językiem, systemem znaków, a rzeczywistością pozajęzykową. I to jest coś, co dzisiaj jest wyzwaniem dla twórców AI, powiedzmy LLM-ów, Jak zapewnić tak zwany alignment, czyli powiązanie tego co wytwarzają, tego co robią LLM-y i powiedzmy oparte na nich systemy agentowe, z naszymi potrzebami z rzeczywistością społeczną. Ale jest jeszcze ten drugi biegun rzeczywistości, czyli jakaś czasoprzestrzeń, jakieś zjawiska fizyczne, jakieś zjawiska biologiczne, organiczne i może jeszcze to wszystko, czego nie znamy. Więc pytanie, co ty byś nazywała rozumieniem matematyki?

Ja słyszę, że można go uprościć i że maszyna sama tego nie potrafi póki co. Może jakaś optymalizacyjna rekurencja by na to pozwoliła, jak myślisz? Wydaje mi się, że to jest problem tak naprawdę samego sposobu działania LLM-ów, bo napisanie dowodu, napisanie bardzo dużej ilości działań matematycznych to jest coś, co maszyna jest w stanie zrobić. Bo widziała dużo tekstów matematycznych, wie jak to działa. Natomiast, żeby sobie, nie wiem, przypomnieć lekcje matematyki, mieliśmy takie, znaczy to jest taka bardzo uproszczona metafora, ale wyobraźmy sobie, że możemy liczyć, podnosić do kwadratu, dodawać, Natomiast mieliśmy w matematyce takie uproszczone wzory, z których gdy się okazało, jeśli zauważysz, że dwie liczby są kwadratem innej, możemy uprościć to i sprowadzić problem do dużo prostszego, ładniejszego problemu, zamiast wszystko liczyć ręcznie.

Więc wydaje mi się, że to jest taka dobra metafora. że LLM-y liczą wszystko ręcznie po kolei w sposób bardzo brzydki, przysłowiowo mówiąc, łopatologicznie, natomiast człowiek jest w stanie w tym ogromnym chaosie raptem zauważyć też pewne złożoności, które da się sprowadzić do prostszej formy i które być może nawiązują do innych twierdzeń, do innych schematów. Na przykład spoza tej bazy, na której był trenowany model. Dokładnie. I to byś nazywała rozumieniem w matematyce? Znaczy rozumienie to jest, z jednej strony to jest jedno i drugie. I to tutaj też się pięknie, wydaje mi się, że sprowadza się też do sztuki, bo czym LLM-y są, to są tak naprawdę maszyny imitacyjne.

Natomiast te maszyny nie są w stanie myśleć Poza obszarem, na którym są nauczony. Tutaj wiem, że mówimy o matematyce, ale wydaje mi się, że też kolejna metafora może być bardzo trafna. A propos tego, jak LLM-y uczą się tworzyć nowe wizualne obrazy i łączyć koncepty. LLM-y są i generalnie AI, które mamy obecnie, jest świetne w interpolacji i łączeniu rzeczy, które są niepodobne do siebie. Natomiast nie są w stanie ekstrapolować. Potrafią ekstrapolować, tylko że to jest zawodne. No tak, to jest takie ekstrapolowanie, ale wewnątrz tej samej domeny, wewnątrz tej samej rozmaitości, której się ten model nauczył. Więc wyobraźmy sobie, że żyjemy w XIX wieku i tworzymy LLM-y w XIX wieku na podstawie kanonu sztuki, który został stworzony do momentu do dzisiaj.

Możemy nawet wziąć XX wiek, powiedzmy sobie impresjonizm. Kończymy całą historię sztuki na impresjonizmie Czyli na skutce figuratywnej, na malarstwie figuratywnym. Tak, tak. Powiedzmy już mamy jakieś eksperymenty ze światem, więc tutaj taki LLM wytrenowany na wszystkich dzielach sztuki od prahistorii, średniowiecze, renesans, ale również właśnie impresjonizm, również sztuka figuratywna. On jest w stanie tworzyć nowe, ciekawe kombinacje. Podobne do tych, co były. Tak, podobne, ale czasami właśnie również nie do końca podobne. Interpolując, czyli powiedzmy destylując pewne cechy, które już występuje i ekstrapolując, czyli nasilając pewne cechy, które były, ignorując inne, tak?

Takim historycznym, znowu, słuchają nas ludzie, którzy niekoniecznie może znają historię sztuki, ale raczej każdy słyszał o Duchampie, a nawet jeżeli nie o Duchampie, to o tym pisuarze. I teraz to był, pamiętajmy, że to jest moment, o którym mówisz, że cała, wyobrażamy sobie LLM-y, które zostały, czy też multimodalne, czyli trenowane na obrazach, bo to jest też twoja domena, czyli na kulturze wizualnej. które potrafią świetnie interpolować, czyli pewne cechy podobieństw, klasy podobieństw wyciągać z tego, co jest i tworzyć, generować na tej podstawie podobnych do tego, co było, tudzież ekstrapolować, czyli wyjmować niektóre cechy i tworzyć pewnego rodzaju trajektorie, co by z tego mogło być. I mówimy, patrzymy, o to ja bym tego nie wymyślił i nazywamy to, ale to jest maszyna jest kreatywna.

19-wiecznej i kultury zachodniej, gdzie słowa przestają znaczyć rzeczy, gdzie zaczyna dokonywać manipulacji na relacji między słowem a przedmiotem, nagle nazywa pisuarem czy fontanną pisuar, ale to jest świat, w którym rozpadają się porządki społeczne, opisy, całe schematy poznawcze i dlatego mówimy zauważył to, I to jest ważne dla historii kultury. Natomiast trudno sobie wyobrazić maszynę, która by, przetwarzając sztukę historyczną, obrazy historyczne, wygenerowała coś takiego, bo do tego musisz mieć to odniesienie poza model. I to jest to, co jest stałym motywem we wszystkich naszych podcastach, w całej naszej krytyce LLM-ów, że one same nie potrafią pozyskiwać nowych danych spoza modeli. Jeszcze analogiczny przykład, którym możemy się posłużyć, to jest

Gdybyśmy wytrenowali w tym uprogu XX wieku całą, na całej fizyce, na wszystkich teoriach fizyki, przed Einsteinem, czyli na Newtonie, powiedzmy, LLM-a, to czy on byłby w stanie z tego wyinterpolować, tudzież wyekstrapolować fizykę einsteinowską? Bo teraz rozumiemy się, tak? Tylko, że to jest dokładnie to, co różni, powiedzmy, jeśli dobrze rozumiem, Dukaja i takie osoby jak gdzieś tam Hassabis czy Hinton od podejścia, które teraz zaczynamy tutaj sobie negocjować, bo oni twierdzą, że tak. Czyli oni by powiedzieli, tak, dobrze myślisz, tylko że mylisz się twierdząc, że tam z tego pudełka nie wyskoczy Dishub.

które nas angażują i dajemy im wiarę, i nasze dzieci i tak dalej, a czasami są nawet wykorzystywane cynicznie w celach dezinformacji, one powstają syntetycznie, czyli robione są przez martwe maszyny, czyli przez, powiedzmy, no, LLM-y czy tam jakieś generatory obrazu, No w pewnym sensie też, w pewnym sensie można też jakby powiedzieć. I zostawiasz tak naprawdę ślad syntetyczny, więc dla tych archeologów przyszłości, którzy będą próbowali się dowiedzieć czegoś o naszej kulturze, to w pewnym sensie będzie wyzwaniem, żeby zrozumieć, co się naprawdę działo, a co było tylko wytworem jakby syntetycznych mediów, wytworem maszyny. I jakby jaki ślad zostawiamy po sobie, a też jednocześnie jaki my kreujemy, może nie tyle co jako społeczeństwo, ale bardziej nawet osobiście, jaki my kreujemy swój ślad i dokument w archiwum.

Ale też, że wytwarzamy taką tkankę kultury, która jest syntetyczna, mówimy martwy internet, to jest jedna z metafor, ona jest precyzyjna wbrew pozorom, ale że to oznacza, że z perspektywy przyszłości, czyli tych, którzy będą próbowali zrozumieć historię kultury, patrząc na te nasze wytwory, To oni już nie będą mieli możliwości tak naprawdę rozróżnić, ja tutaj posługę się takim przykładem dosadnym, co z tego, co napisała Tokarczuk, to jest jej własnym tekstem, a co z tego, co jest podpisane jej nazwiskiem, jest już dziełem LLM-a, bo nie mamy niezawodnych narzędzi. A zaufanie społeczne uległo załamaniu, ponieważ pojawiła się technologia, która potrafi naśladować, powiedzmy, obrazowo to karczuk, nie?

I ja z tyłu głowy mam cały czas raz, że to jest cecha fotografii, problem fotografii od zawsze, że ona fałszowała, zakrywała, dezinformowała, służyła władzy, a zarazem miała te wpisane w siebie aspiracje odsłaniania prawdy, ta ambiwalencja. I raz jeszcze Antonioni w Blow Up to pokazał genialnie, bo pamiętajmy, że film to jest ruchoma fotografia. I on na tej dwuznaczności gra, już nie będę rozpakowywał, ale to jest kapitalne studium właśnie tego problemu. Natomiast ja z tyłu głowy mam teraz badania prowadzone zdaje się na Princeton, opublikowane bodajże w kwietniu tego roku. Bardzo zmyślnie zaprojektowany eksperyment, gdzie przy pomocy LLM-ów i interakcji z LLM-em,

I sykofancji, czyli tutaj już wielokrotnie tłumaczyliśmy, co się nazywa syfokofancją, ale generalnie personalizacja treści, tak? Czyli każdy z nas w interakcji z LLM-em dostaje nieco inne odpowiedzi, spersonalizowane pod nas, co powoduje, że zaczynamy żyć w osobnych bańkach z perspektywy czasu. Ale że to badacze z Princeton w kwietniu, bodajże, jeśli dobrze pamiętam, wykazali w bardzo ciekawie zaprojektowanym eksperymencie, że zaburza interakcja z LLM-em naszą zdolność do rozpoznawania prawdy. Czyli naszą ludzką zdolność do rozpoznawania tego, co poza modelem, poza językiem, poza obrazem świata. Zaburza, tak? Czyli osoby, które już teraz nie będę rekonstruował całego eksperymentu, ale z grubsza chodziło o to, że w grupach kontrolnych, które nie miały sykofancji,

Tego efektu zdolność do drążenia, zadawania dyskomfortu, radzenia sobie z dyskomfortem poznawczym była w mierzalny sposób wyższa w porównaniu do osób, które właśnie miały poczucie, że mają rację I już nie chciały tego poczucia sobie, wiesz, tego, przenosząc to na grunt obrazu, że maszyny analogiczne do LLM-ów to są maszyny generatywne, czyli tam powiedzmy, tam nie wiem z czego korzystasz, ale mid journey powiedzmy, nie? Czyli ja mogę sobie wygenerować obraz, czy nano banana, tak? Że to są, i teraz jak ja to naniosę na socjale jeszcze, ja mogę sobie wygenerować już taki obraz siebie, Takiego awatara, że będę tym idealnym kimś, kim zawsze chciałem być, ale zabrakło mi na to silnej woli, żeby to w sobie wypracować, tym płaski brzuch powiedzmy, że ja już zatracę nawet zdolność, czy mówiąc obrazowo, pamięć tego, kim jestem poza tym obrazem.

Wspomniałaś o takiej ciekawej pracy, która mnie zatrzymała w twojej opowieści, kiedy pracowałeś z jednym z LLM-ów i właśnie odwróciłaś rolę To jest też odpowiedź na pytanie, wiesz, co możesz jako artysta, no nie jako przedsiębiorca, nie jako programista, nie jako pracownik banku, ale co robi artysta, no że właśnie eksperymentuje, tak, czyli rozpoznaje sytuacje, które w życiu codziennym Nie wydarzają się, albo właśnie trzeba je sztucznie zarażować po to, żeby się czegoś dowiedzieć, nie? I gdybyś opisała po prostu nam wszystkim tutaj, czy to był jakiś element projektu, czy był element pracy, ten eksperyment, kiedy zapromptowałaś maszynę, żeby ciebie promptowała, dobrze pamiętam?