Sztuczna inteligencja a współczesny świat

Szukając tzw. „korzeni sztucznej inteligencji” musimy się cofnąć do XIII wieku. Ramon LIull, stworzył maszynę logiczną złożoną z obracających się dysków, próbując formalizować myślenie i religijne argumenty. To pierwszy znaczny koncept maszyny „myślącej”. Wiek XVII i Gottfried Wilhelm Leibniz, który marzył o stworzeniu uniwersalnego języka logicznego (characteristica universalis), który pozwoliłby rozwiązać problemy przez czysty rachunek logiczny. Kolejne sławne nazwisko George Boole’s, czyli twórca algebry – matematycznej podstawy logiki binarnej, na której opiera się cała współczesna informatyka. Rozważając dalej, mamy I połowę XX wieku, Alan Turing opracował koncepcję myślącej maszyny. W 1936 r., pojawił się model teoretyczny maszyny, która mogłaby symulować każdy możliwy algorytm, jednocześnie stanowiąc fundament teorii obliczeń. Badania nad sztuczną inteligencją rozkwitły dopiero w latach 50. i 60. XX w. Słynny test Turinga z 1950 r. polegał na sprawdzeniu, czy rozmówca odróżni maszynę od człowieka w rozmowie telefonicznej. Wreszcie 1956 r. i Dartmouth, gdzie narodziła się sztuczna inteligencja jako dziedzina. W tymże roku odbywała się konferencja w Darmouth Collage (USA), uznawana za oficjalny początek badań nad AI. I tu pojawiają się najważniejsze postacie: John McCarthy, który wymyślił termin Artyficjal Inteligence. Marvin Minsky, pionier AL, współtwórca pierwszych modeli sieci neuronowych. Wreszcie Claude Shannon, twórca teorii informacji, przewidział rolę maszyn w rozumowaniu. W latach 1956–1970 powstają pierwsze programy do gry w szachy, tłumaczenia językowe, systemy eksperckie. W latach 70., rzeczywistość brutalnie zweryfikowała te ambicje. Naukowcy AI obiecywali przełomy, które nie nadchodziły. Programy działały dobrze w warunkach laboratoryjnych, ale zawodziły w świecie rzeczywistym. Przykładem były systemy tłumaczeń maszynowych, które okazały się zbyt naiwne i nie radziły sobie z wieloznacznością języka naturalnego. Nadto, pojawiły się ograniczenia sprzętowe i algorytmiczne, bowiem komputery były zbyt wolne i miały zbyt małą pamięć, by przetwarzać złożone dane. Z kolei dominujące podejście symboliczne (logiczne reguły i drzewka decyzyjne) okazało się mało efektywne w radzeniu sobie z niepewnością i chaosem danych. W roku 1973 r. pojawił się raport Lighthill’a, tzw. wpływowy raport przygotowany na zlecenie brytyjskiego rządu. Raport krytykował postępy AI i sugerował ograniczenia finansowania. Skutkiem był niemal całkowity upadek badań nad AI w Wielkiej Brytanii. Główni sponsorzy (np. Pentagon) zaczęli wycofywać się z finansowania, ponieważ nie otrzymywali obiecanych aplikacji praktycznych. DARPA ograniczyła wsparcie dla projektów opartych wyłącznie na logice i symbolice. Był to dla AI okres stagnacji, ale przyniósł refleksję i krytyczne spojrzenie na metody badawcze. Skłonił środowisko do bardziej realistycznego formułowania celów badawczych, integracji podejścia statystycznego i probabilistycznego (co dało podwaliny pod współczesne uczenie maszynowe). Ponadto, do rozwijania systemów eksperckich i technologii symbolicznych w zastosowaniach praktycznych (np. w medycynie i przemyśle). Wraz z rozwojem mocy obliczeniowej i dostępem do większych zbiorów danych, AI zwróciła się ku podejściu statystycznemu i uczeniu maszynowemu (machine learning). Początek XXI wieku to Big Data, AI w Internecie i powrót sieci neuronowych.

W latach 2000–2010 następuje rozwój Internetu, gromadzenie danych na niespotykaną skalę i wzrost mocy obliczeniowej. Następuje rozpoznawanie mowy i obrazów (Google, Apple, Amazon). Pojawiają się rekomendacje (Netflix, YouTube) oraz następuje rozwój agentów wirtualnych i chatbotów. W 2012 r. nastąpił kluczowy przełom: AlexNet – głęboka sieć neuronowa – wygrała konkurs ImageNet z ogromną przewagą. Od tego też momentu AI wkroczyła w erę deep learning’u.

Trzy bieguny geopolityczne AI

Lata 2020–2025 to modele generatywne i rewolucja językowa. Najnowszy etap rozwoju AI to eksplozja tzw. foundation models czyli dużych modeli językowych (LLM), zdolnych do generowania tekstu, tłumaczenia, streszczania, rozwiązywania problemów i programowania (np. GPT – OpenAI, BERT (Google), Claude (Anthropic), Gemini (Google DeepMind).

Rywalizacja o pozycję lidera AI

• Stany Zjednoczone, hegemon technologiczny. USA pozostają światowym liderem w rozwoju sztucznej inteligencji, zarówno dzięki sektorowi prywatnemu, jak i inwestycjom rządowym w wojskowe zastosowania AI. Modele generatywne wyznaczają kierunek rozwoju globalnych standardów technologicznych. Jednocześnie rząd USA dąży do zachowania przewagi strategicznej – w tym poprzez ograniczenia eksportu chipów do Chin oraz rozwój sojuszy technologicznych (m.in. Quad, G7 AI Code of Conduct).
• Chiny postrzegają AI jako narzędzie projekcji siły i fundament rozwoju cywilizacyjnego. W strategii rządowej zapisano cel: Dominacja w globalnej SI do 2030 roku. Państwo wspiera finansowo narodowych czempionów (Alibaba, Tencent, Baidu), rozwija technologie nadzoru (rozpoznawanie twarzy, systemy punktacji społecznej) i tworzy własne modele językowe – alternatywę wobec zachodnich systemów. Ambicją Pekinu jest zatem całkowite uniezależnienie się od Zachodu w obszarze chipów, chmur obliczeniowych i infrastruktury danych).
• Unia Europejska, choć nie dorównuje USA i Chinom pod względem dynamiki rozwoju AI, to zyskuje na znaczeniu jako normatywny lider. Wprowadzenie AI Actv – pierwszego na świecie kompleksowego rozporządzenia dotyczącego AI – umacnia pozycję Europy jako strażnika etyki, przejrzystości i ochrony praw podstawowych.

Oczywiście szereg innych pośrednich państw w tym Kanada, należy do globalnych liderów w dziedzinie badań nad sztuczną inteligencją, mimo że nie rywalizuje bezpośrednio o hegemonię z USA czy Chinami. Siła tego kraju opiera się nie tylko na skali gospodarki czy liczbie firm technologicznych, ale na jakości badań naukowych, wpływowych instytucjach oraz przemyślanej strategii państwowej. Kanada stworzyła infrastrukturalne i finansowe podstawy ekosystemu AI: Mila – Quebec AI Institute (Monteal) – jedno z największych na świecie centrów badań nad AI., Vector Institute (Toronto) – współfinansowany przez rząd federalny i prowincję Ontario, AMII (Alberta Machine Intelligence Institute) – lider w AI stosowanej i edukacji. Kanada jako pierwszy kraj na świecie ogłosiła w 2017 r. Narodową Strategię AI, finansowaną początkowo kwotą 125 mln CAD.

Następnym krajem mającym wyjątkowo rozwiniętą infrastrukturę badawczo-rozwojową w zakresie AI jest Izrael. Kraj ten koncentruje się wokół uczelni i instytutów. Izrael aktywnie promuje interdyscyplinarne projekty AI (np. AI + medycyna, AI + rolnictwo, AI + cyberbezpieczeństwo). Choć Izrael nie konkuruje na taką skalę, jak USA czy Chiny, to w wielu aspektach – szczególnie AI militarnej i start’up-owej jest niekwestionowanym liderem innowacji.

Wielka Brytania wykorzystuje AI również w geopolityce. W 2023 r. była gospodarzem pierwszego Szczytu Bezpieczeństwa AI w Bletchley Park, w którym wzięli udział przedstawiciele USA, UE, Chin i organizacji międzynawowych. Tematem były zagrożenia związane z tzw. „frontier AI” (AI przekraczająca ludzkie zdolności poznawcze). Wielka Brytania uczestniczy także w: OECD AI Policy Observatory, Council of Europe s AI Framework, inicjatywach G7 i G20, dotyczących „AI governance”. Londyn zaś pozycjonuje jako neutralny pośrednik między USA, UE i Azją, oferując platformę dialogu standaryzacji etycznej AI.

Biorąc pod uwagę obszar rywalizacji mocarstw, chcą one zdobyć dominację na szczeblu technologicznym (kto rozwija najnowsze logarytmy), kontrolę nad danymi (paliwo AI), zdolności obliczeniowe (produkcja zaawansowanych chipów) oraz tzw. normatywne przywództwo (kto wyznacza reguły gry – etyczne i prawne). Współzawodnictwo geopolityczne wokół AI – to nie tylko walka o supremację technologiczną, lecz także o model wartości, jaki będzie towarzyszył rozwojowi technologii przyszłości. Wybór między technokracją, liberalizmem cyfrowym a etatyzmem – to decyzja o kształcie społeczeństw cyfrowych. Biorąc pod uwagę kontekst, sztuczna inteligencja nie jest już „tylko” technologią. Stała się narzędziem władzy, wokół którego budują się nowe sojusze, powstają nowe konflikty i kształtują nowe mapy wpływów.

Literatura

1. Daniel Crevier – Al: The Tumultuous History of the Seach for Artificial Intelligence (1993)
2. Nils J. Nilsson – The Quest for Artificial Inteligence: A History of Ideas and Achievements (Cambridge University Press, 2010)  
3. Woodrow Barfield, Ugo Pagallo (Eds.) Research Handbook on the Law of Artificial Inteligence (2018)
4. Thomas Wischmeyer. Timo Rademacher (Eds.)-Regulating Artificial Intelligence (2020)
5. Virgilio A.F.Almeido, Daniło Doneda-Artificial Inteligence, Data Protection and Ethics (Springer, 2021)