Co to jest (i nie jest) sztuczna inteligencja

🎯 Po co Ci to?

Masz już ostrą, roboczą definicję: inteligentny program automatyzuje proces myślowy (3.1) — i wiesz, że przepis można pisać z góry albo wypracować z danych (3.2). To wystarcza, by orzekać o konkretnym programie. Ta jednostka robi krok wstecz: czym jest sztuczna inteligencja jako dziedzina — i czym powszechnie nie jest. Bez tego łatwo pomylić AI z robotami, ze świadomością albo z jedną „magiczną" technologią. Mapę dwóch tradycji badawczych (symbolicznej i neuronowej) domkniesz na końcu działu (3.6).

✅ Czego się nauczysz

Po tej lekcji potrafisz:

zestawić definicję programu (3.1) z szerszą definicją dziedziny AI;
wymienić trzy powszechne mity o AI i wyjaśnić, dlaczego są błędne;
odróżnić AI „wąską" od AI „ogólnej" (AGI);
wyjaśnić „efekt AI" i wskazać, dlaczego granica „to już nie AI" jest ruchoma.

🔁 Przypomnij sobie

Z 3.1: SI w sensie inżynieryjnym = program automatyzujący proces myślowy (niezależnie od techniki). Z 3.2: ten sam cel da się osiągnąć regułami z góry albo uczeniem z danych — obie drogi nadal dają program. Z 1.1–1.2: kultura od dawna opowiada o sztucznych istotach i łatwo bierze iluzję inteligencji za inteligencję.

📘 Wyjaśnienie

💭 Pomyśl: Wróć do notatki z Jednostki 1.1 (albo napisz teraz jednym zdaniem): czym potocznie jest dla Ciebie sztuczna inteligencja? Czy Twoja definicja bliższa jest „programowi, który myśli za nas", czy „robotowi / ChatGPT / magii z filmu"?

Sprawdź odpowiedź

Nie ma jednej poprawnej odpowiedzi — chodzi o to, byś zobaczył, skąd bierzesz intuicję. Reszta lekcji służy temu, by tę intuicję zderzyć z definicją roboczą i z mitami.

Dwie skale definicji — i dlaczego obie są potrzebne

W Jednostce 3.1 przyjęliśmy definicję użyteczną przy stole inżyniera: program automatyzujący proces myślowy. Ona pozwala orzec: „ten system jest / nie jest SI" względem konkretnego zadania.

Dziedzina naukowa i medialna potrzebuje jeszcze szerszego ujęcia — bo „sztuczna inteligencja" to też nazwa programu badawczego (od warsztatów w Dartmouth w 1956 r.), a nie tylko etykieta jednego pliku z kodem.

📐 DEFINICJA — sztuczna inteligencja (ujęcie dziedziny): dziedzina badań i inżynierii zajmująca się tworzeniem programów komputerowych (i systemów na nich opartych), które wykonują zadania wymagające — u człowieka — zdolności uznawanych za przejaw inteligencji: rozumowania, uczenia się, rozpoznawania wzorców, podejmowania decyzji, rozumienia i generowania języka.

Po ludzku: AI to próba sprawienia, by maszyna robiła to, co u człowieka nazwalibyśmy „myśleniem" albo „mądrym działaniem" — niekoniecznie w ten sam sposób. Czym to NIE jest: to nie jest twierdzenie, że maszyna „naprawdę myśli" albo „jest świadoma" — mówi o zadaniach, nie o przeżyciu wewnętrznym. Jak to łączy się z 3.1: definicja z 3.1 („program automatyzujący proces myślowy") to ostre jądro tej szerszej formuły. Ta jednostka dodaje ramę: dziedzina, mity, poziomy ambicji (wąska / AGI), ruchoma granica społeczna.

Zwróć uwagę: obie definicje odwołują się do zachowania i zadań, nie do „duszy w maszynie". To rozróżnienie wróci przy teście Turinga (Jednostka 5.4).

John McCarthy, organizując warsztaty w Dartmouth (poznasz je bliżej w Dziale 6), założył, że każdy aspekt uczenia się lub inny rys inteligencji da się w zasadzie opisać na tyle precyzyjnie, by zbudować maszynę, która go symuluje. To założenie — mimo upływu blisko siedemdziesięciu lat — wciąż jest sednem programu badawczego AI. Jednostka 3.2 pokazała, jak ten program bywa realizowany w praktyce: albo człowiek zapisuje reguły, albo buduje środowisko, w którym reguły wyłaniają się z danych.

Efekt AI — gdy sukces przestaje być „inteligencją"

W 3.1 przy kalkulatorze i szachach pojawiło się już pytanie o granicę. Tu nazywamy zjawisko wprost.

📐 DEFINICJA — efekt AI (ang. AI effect): gdy tylko dana umiejętność zostaje w pełni zrozumiana i zaimplementowana, przestajemy nazywać ją „inteligencją", a zaczynamy „zwykłym obliczeniem" albo „zwykłym oprogramowaniem".

Po ludzku: AI to często „to, czego komputer jeszcze nie potrafi dobrze" — a gdy już potrafi, magia znika z nazwy. Czym to NIE jest: to nie dowód, że wcześniejsze systemy „nie były AI" — to dowód, że etykieta jest społecznie ruchoma.

Dlatego w latach 50. i 60. programy grające w warcaby albo dowodzące twierdzeń uważano za spektakularne AI, a dziś proste mnożenie w kalkulatorze nikogo nie zachwyca. Granica nie jest ostateczna — jest umowna.

Wąska vs ogólna

📐 DEFINICJA — AI wąska (słaba): system zaprojektowany i skuteczny w jednym, ściśle określonym zadaniu (szachy, rozpoznawanie twarzy, tłumaczenie) — bez przenoszenia tych umiejętności na niepowiązane dziedziny.

Po ludzku: mistrz w jednej dziedzinie, laik w pozostałych. Czym to NIE jest: „gorsza" AI — większość dzisiejszych systemów, także bardzo zaawansowanych, to AI wąska.

📐 DEFINICJA — AI ogólna (silna, AGI): hipotetyczny system zdolny do rozumienia, uczenia się i wykonywania dowolnego zadania intelektualnego na poziomie porównywalnym z człowiekiem — z przenoszeniem wiedzy między niepowiązanymi dziedzinami.

Po ludzku: jeden „umysł", który uczy się szachów, gotowania i wierszy bez przeprogramowywania od zera. Czym to NIE jest: zrealizowany fakt — AGI na dziś nie istnieje; to cel i przedmiot sporu.

Zauważ związek z 3.2: zarówno system regułowy, jak i model uczący się bywają dziś wąską AI. Różnica „z góry / z danych" to różnica metody, nie automatycznie różnica ambicji (wąska vs AGI).

🏛️ Stanowiska — jak definiować inteligencję maszyny?

Definicja funkcjonalna/behawioralna: liczy się zachowanie na zewnątrz — jeśli system wykonuje zadanie tak dobrze jak inteligentny człowiek, nazywamy go inteligentnym, niezależnie od tego, „co się dzieje w środku". To podejście najbliższe testowi Turinga (5.4) i naszej definicji z 3.1.
Definicja mechanistyczna/strukturalna: liczy się sposób dochodzenia do wyniku — czy system naśladuje strukturę ludzkiego rozumowania lub mózgu (np. sieci neuronowe), nie tylko końcowy efekt.

Te dwa stanowiska prowadzą do różnych kryteriów „czy to jeszcze AI?" — i do różnych pytań badawczych. Będziesz je obserwować w napięciu przez całą historię dziedziny.

⚠️ Uwaga, pułapka

Trzy najczęstsze mity — teraz możesz je obalić już z bagażem 3.1–3.2:

Mit 1: AI to roboty. Z 1.2 i 3.1: AI to przede wszystkim oprogramowanie; robotyka bywa pokrewna (program steruje kamerą, kołami, ramieniem), ale ciało ≠ inteligencja.

Mit 2: AI oznacza świadomość albo uczucia. Definicje powyżej mówią o zadaniach i zachowaniu. System może świetnie „rozumieć tekst" w sensie behawioralnym bez dowodu świadomego przeżycia.

Mit 3: AI to jedna, spójna technologia. Właśnie zobaczyłeś dwie metody pisania programu (3.2). Na końcu Części I (3.6) dostaniesz historyczne imiona dwóch tradycji — symbolicznej i neuronowej. Mówienie o „AI" jak o jednej rzeczy często zaciera istotne różnice.

📐 Definicje tej lekcji

SI (ujęcie dziedziny) — badania i inżynieria programów wykonujących zadania kojarzone u człowieka z inteligencją.
SI (ujęcie z 3.1) — program automatyzujący proces myślowy; ostre jądro definicji dziedziny.
Efekt AI — sukces techniczny sprawia, że przestajemy nazywać umiejętność „inteligencją".
AI wąska / AI ogólna (AGI) — jedno zadanie vs hipotetyczna uniwersalność.

📌 Najważniejsze w pigułce

Definicja z 3.1 (program) i definicja dziedziny (ta lekcja) mówią to samo jądro innymi słowami — druga dodaje mity, ambicje i ruchomą granicę społeczną.
Efekt AI: gdy coś działa, często wypada z kategorii „inteligencja".
AI wąska (dziś) ≠ AGI (hipoteza).
AI ≠ roboty, ≠ świadomość, ≠ jedna technologia — metody z 3.2 to dopiero początek mapy (3.6).

🎒 Zadania

Zadanie 3.3.1. Rozstrzygnij, czy poniższe systemy to przykłady AI wąskiej, czy raczej (hipotetycznej) AI ogólnej, i uzasadnij: (a) program grający wyłącznie w szachy na poziomie mistrzowskim; (b) hipotetyczny system, który uczy się grać w dowolną nową grę planszową po przeczytaniu instrukcji, prowadzi rozmowę i planuje wycieczkę — tym samym „umysłem".

Pokaż rozwiązanie

(a) — AI wąska: jedno ściśle zdefiniowane zadanie, bez przenoszenia umiejętności. (b) — (hipotetyczna) AI ogólna: przenoszenie umiejętności między niepowiązanymi zadaniami w jednej architekturze.

Zadanie 3.3.2. Wyjaśnij „efekt AI" własnymi słowami i podaj przykład (inny niż w tekście) technologii, która kiedyś uchodziła za „AI", a dziś nazywamy ją zwykłym oprogramowaniem.

Sprawdź odpowiedź

Efekt AI: gdy umiejętność komputerowa zostaje w pełni zrozumiana i wdrożona, ludzie przestają widzieć w niej „prawdziwą" inteligencję. Przykład: wyszukiwarka dopasowująca zapytania do stron była kiedyś „inteligentną" technologią — dziś to standardowe narzędzie, choć zadanie pozostaje złożone.

Zadanie 3.3.3. „Skoro AI to system wykonujący zadania kojarzone z inteligencją, to termostat regulujący temperaturę w domu też jest sztuczną inteligencją." Oceń to twierdzenie, podając argument za i przeciw — oraz odwołując się do definicji z Jednostki 3.1.

Pokaż rozwiązanie

Za (szeroka behawioralna): termostat „decyduje" włącz/wyłącz na podstawie danych z otoczenia.

Przeciw (definicja 3.1 + zwyczaj dziedziny): nie automatyzuje procesu myślowego, który ludzie kojarzą z myśleniem — realizuje jedną trywialną regułę sprzężenia zwrotnego, bez uczenia, wnioskowania ani elastyczności wobec nowych sytuacji. Granica jest umowna, ale termin „AI" rezerwuje się zwykle dla systemów o pewnej złożoności i adaptacyjności.

Gdzie łatwo o błąd: definicja ma ostry środek i rozmyte brzegi — warto umieć to przyznać.

🔍 Sprawdź, czy umiesz

[ ] Zestawić definicję programu (3.1) z definicją dziedziny (ta lekcja).
[ ] Wymienić i obalić trzy popularne mity o AI.
[ ] Odróżnić AI wąską od AI ogólnej.
[ ] Wyjaśnić „efekt AI" na własnym przykładzie.

Ucz się tej jednostki z asystentem