Co zostało z obu nóg: hybrydy, narzędzia, limity

🎯 Po co Ci to?

Na początku tego podręcznika (dział 1) poznałeś dwie „nogi" sztucznej inteligencji: symboliczno-logiczną (reguły, logika, systemy eksperckie) i neuronowo-statystyczną (uczenie z danych, sieci neuronowe). Przez dziewięć działów śledziłeś, jak każda z nich przeżywała swoje wzloty i „zimy" — okresy entuzjazmu i rozczarowania. Teraz, u progu zamknięcia historii, czas na uczciwy bilans: co z obu tych tradycji przetrwało do dzisiejszych systemów, i — równie ważne — czego te systemy wciąż nie potrafią, mimo że czasem sprawiają wrażenie, że potrafią wszystko.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

  • wskazać elementy podejścia symbolicznego i neuronowego obecne w dzisiejszych systemach hybrydowych;
  • wyjaśnić, czym jest halucynacja modelu językowego i dlaczego wynika wprost z mechanizmu jego działania;
  • opisać problem kosztu energetycznego trenowania i używania dużych modeli AI;
  • unikać pułapki traktowania obecnych ograniczeń AI jako tymczasowej „usterki", którą kolejna wersja na pewno usunie bez śladu.

🔁 Przypomnij sobie

💭 Pomyśl: Cofnij się myślą do działu 1 — czym różniło się podejście symboliczne (reguły i logika) od podejścia neuronowego (uczenie z przykładów)? Czy współczesny model językowy, taki jak opisany w dziale 17, wydaje Ci się bliższy jednemu z tych podejść, czy może korzysta z obu?

Sprawdź odpowiedź

Podejście symboliczne opierało się na jawnie zaprogramowanych regułach i logicznym wnioskowaniu (jak systemy eksperckie z działu 6) — człowiek definiował wiedzę wprost. Podejście neuronowe uczy się wzorców statystycznych z ogromnych ilości przykładów, bez jawnie zapisanych reguł. Współczesne modele językowe (dział 16) są rdzeniowo neuronowe — cały mechanizm predykcji tokenu i uwagi to statystyka, nie logika symboliczna. Ale, jak zobaczysz w tej lekcji, praktyczne systemy budowane wokół takich modeli często dodają z powrotem elementy symboliczne — bo czysta statystyka ma swoje granice.

📘 Wyjaśnienie

Hybrydy — powrót symboli tylnymi drzwiami

Choć sam duży model językowy jest w pełni neuronowy, praktyczne systemy zbudowane wokół niego coraz częściej łączą go z elementami przypominającymi dawne podejście symboliczne. Kilka przykładów: modele coraz częściej mają dostęp do zewnętrznych narzędzi — kalkulatora, interpretera kodu, wyszukiwarki internetowej — bo statystyczna predykcja tokenu radzi sobie słabo z precyzyjnymi obliczeniami czy dostępem do aktualnych faktów, a wywołanie zewnętrznego, deterministycznego narzędzia (dokładnie takiego, jakie budowano w erze systemów eksperckich z działu 6) rozwiązuje ten problem znacznie skuteczniej niż samo „zgadywanie" liczb przez sieć neuronową. Podobnie RAG (retrieval-augmented generation — generowanie wspomagane wyszukiwaniem) łączy model neuronowy z klasycznym wyszukiwaniem informacji w konkretnej bazie danych, zamiast polegać wyłącznie na tym, czego model „nauczył się na pamięć" podczas treningu.

📐 DEFINICJA — system hybrydowy AI: architektura łącząca uczenie neuronowe (statystyczne wzorce z danych) z elementami przypominającymi podejście symboliczne — jawnymi regułami, zewnętrznymi narzędziami obliczeniowymi lub bazami wiedzy — żeby zrekompensować słabości czysto neuronowego podejścia w zadaniach wymagających precyzji lub aktualności.

Po ludzku: nawet najbardziej „neuronowy" model w praktyce często korzysta z kalkulatora zamiast liczyć w głowie — bo tak jest po prostu skuteczniej.

💭 Pomyśl: Dlaczego model, który potrafi napisać wypracowanie na skomplikowany temat filozoficzny, może jednocześnie pomylić się przy prostym mnożeniu dwóch dużych liczb — coś, co kalkulator z lat 80. robi bezbłędnie?

Sprawdź odpowiedź

Model językowy nie „liczy" w sensie wykonywania algorytmu arytmetycznego krok po kroku, tak jak robi to kalkulator — przewiduje, jaki ciąg cyfr statystycznie wygląda jak prawdopodobna odpowiedź na dane mnożenie, na podstawie wzorców widzianych w danych treningowych. Dla małych, częstych liczb (np. 7×8) taki wzorzec jest bardzo silny i wyuczony niemal bezbłędnie. Dla dużych, rzadkich kombinacji liczb model nie ma dobrego wzorca do naśladowania — i zaczyna „zgadywać" w sposób, który brzmi wiarygodnie, ale bywa błędny. Kalkulator wykonuje dokładny, deterministyczny algorytm matematyczny za każdym razem — dlatego rozsądne systemy hybrydowe każą modelowi wywołać kalkulator zamiast próbować liczyć „w pamięci".

Halucynacje — nie usterka, lecz konsekwencja mechanizmu

Halucynacja modelu językowego to sytuacja, w której model generuje treść brzmiącą pewnie i spójnie, ale faktycznie nieprawdziwą, zmyśloną lub niepopartą żadnym rzeczywistym źródłem — np. wymyśla nieistniejącą publikację naukową wraz z autorami i datą, podaje błędną datę historycznego wydarzenia z pełnym przekonaniem, albo opisuje fikcyjny szczegół biografii prawdziwej osoby.

Kluczowe do zrozumienia: to nie jest błąd, który da się po prostu „naprawić" jedną aktualizacją, tak jak naprawia się błąd w programie komputerowym. Halucynacje wynikają wprost z mechanizmu predykcji następnego tokenu (dział 17.1) — model generuje najbardziej statystycznie prawdopodobny ciąg słów, a „prawdopodobne brzmienie" i „prawdziwość" to dwie różne rzeczy, które model nie ma wbudowanego sposobu odróżniać od siebie z całkowitą pewnością. Kolejne generacje modeli halucynują rzadziej (dzięki lepszym danym treningowym, RLHF z jednostki 17.5, i technikom takim jak RAG), ale żadna dotychczasowa architektura nie wyeliminowała problemu całkowicie — i nie ma dziś pewności, czy jest to w ogóle możliwe bez fundamentalnej zmiany podejścia.

📐 DEFINICJA — halucynacja (modelu językowego): wygenerowana przez model treść, która brzmi pewnie i spójnie, ale jest nieprawdziwa, zmyślona lub niepoparta rzeczywistym źródłem — wynikająca z natury predykcji statystycznej, nie z jednorazowego, naprawialnego błędu programistycznego.

⚠️ Uwaga, pułapka

Częsty błąd: „skoro nowsze modele halucynują rzadziej niż starsze, to kolejna wersja na pewno rozwiąże ten problem całkowicie". To ekstrapolacja bez pewnych podstaw. Zmniejszanie częstości błędu nie jest tym samym, co jego eliminacja — a przy zadaniach wymagających absolutnej pewności (diagnoza medyczna, dokumenty prawne, dane historyczne do egzaminu) nawet rzadka halucynacja może mieć poważne konsekwencje. Odpowiedzialne korzystanie z tych narzędzi zakłada weryfikację ważnych faktów w niezależnym źródle — niezależnie od tego, jak bardzo pewnie brzmi odpowiedź modelu.

Koszt energetyczny — ukryta cena skali

Trening dużego modelu językowego wymaga ogromnej mocy obliczeniowej — tysięcy specjalistycznych procesorów graficznych pracujących nieprzerwanie przez tygodnie lub miesiące, co przekłada się na zużycie energii elektrycznej porównywalne z rocznym zużyciem prądu przez setki gospodarstw domowych dla pojedynczego, dużego treningu. Do tego dochodzi codzienne wnioskowanie (inference) — czyli generowanie odpowiedzi dla milionów użytkowników korzystających z gotowego modelu — które, choć pojedyncze zapytanie zużywa niewiele energii, sumuje się do znaczących wartości przy skali miliarda zapytań tygodniowo. Rosnące zapotrzebowanie centrów danych obsługujących AI na energię elektryczną i wodę (do chłodzenia serwerów) stało się realnym tematem debaty publicznej i planowania energetycznego w wielu krajach — łącząc pytania o rozwój AI z pytaniami o klimat i zrównoważony rozwój, które wykraczają poza samą informatykę.

💭 Pomyśl: Czy Twoim zdaniem koszt energetyczny AI powinien być traktowany jako argument przeciwko rozwijaniu tej technologii, czy raczej jako problem techniczny do rozwiązania (np. przez efektywniejsze algorytmy czy odnawialne źródła energii)? Jak ta sytuacja przypomina inne technologie z historii (np. samochody czy elektrownie)?

Sprawdź odpowiedź

To pytanie nie ma jednej „słusznej" odpowiedzi — jest formą tego samego sporu, jaki od dekad towarzyszy innym energochłonnym technologiom (motoryzacji, lotnictwu, przemysłowi ciężkiemu): czy koszt środowiskowy dyskwalifikuje technologię, czy jest problemem do rozwiązania równolegle z jej rozwojem. Argument „to problem do rozwiązania" wskazuje, że efektywność energetyczna modeli AI faktycznie poprawia się z czasem (nowsze modele bywają mniejsze i tańsze obliczeniowo przy porównywalnej jakości, częściowo dzięki lepszym danym treningowym i optymalizacji architektury), a duże firmy inwestują w odnawialne źródła energii dla swoich centrów danych. Argument przeciwny zwraca uwagę, że tempo wzrostu zapotrzebowania na moc obliczeniową rośnie szybciej niż tempo poprawy efektywności — więc łączny ślad środowiskowy AI może nadal rosnąć, nawet jeśli pojedyncze zapytanie staje się „tańsze" energetycznie.

📐 Definicje tej lekcji

📐 DEFINICJA — system hybrydowy AI: architektura łącząca uczenie neuronowe z elementami symbolicznymi (reguły, zewnętrzne narzędzia, bazy wiedzy) w celu zrekompensowania słabości czysto statystycznego podejścia.

📐 DEFINICJA — halucynacja: treść wygenerowana przez model językowy, brzmiąca pewnie, ale nieprawdziwa lub zmyślona — konsekwencja mechanizmu predykcji statystycznej, nie jednorazowy błąd do naprawienia.

📌 Najważniejsze w pigułce

  • Współczesne systemy AI są rdzeniowo neuronowe, ale coraz częściej łączą się z elementami symbolicznymi (kalkulator, wyszukiwanie, RAG) — bo czysta statystyka ma swoje granice.
  • Halucynacje wynikają wprost z mechanizmu predykcji tokenu — nie da się ich całkowicie wyeliminować bez fundamentalnej zmiany podejścia; kolejne modele redukują je, ale nie usuwają.
  • Trening i codzienne używanie dużych modeli AI zużywa znaczącą ilość energii elektrycznej — realny temat debaty klimatycznej i energetycznej.
  • Postęp w ograniczaniu tych problemów jest realny, ale nie należy zakładać, że kolejna wersja modelu rozwiąże je „raz na zawsze".

🎒 Zadania

Zadanie 22.1.1. Wyjaśnij, dlaczego dodanie do modelu językowego zewnętrznego kalkulatora (system hybrydowy) jest przykładem „powrotu" elementu podejścia symbolicznego z działu 6, mimo że sam model pozostaje w pełni neuronowy.

Sprawdź odpowiedź

Systemy eksperckie z ery symbolicznej (dział 6) działały na jawnie zaprogramowanych, deterministycznych regułach — dla danego wejścia zawsze dawały dokładnie ten sam, przewidywalny wynik, bez elementu statystycznego zgadywania. Kalkulator działa dokładnie w ten sam sposób: wykonuje ściśle określony algorytm arytmetyczny, dający zawsze poprawny, powtarzalny wynik. Kiedy model językowy „wywołuje" kalkulator zamiast próbować przewidzieć wynik mnożenia statystycznie, cały system (model + kalkulator) przestaje być czysto neuronowy — korzysta z komponentu działającego dokładnie na zasadach dawnego podejścia symbolicznego, mimo że sam model pozostaje w pełni neuronowy.

Zadanie 22.1.2. Podaj przykład sytuacji (inny niż w lekcji), w której poleganie na odpowiedzi modelu językowego bez weryfikacji mogłoby mieć poważne konsekwencje z powodu halucynacji.

Sprawdź odpowiedź

Przykładowa odpowiedź: uczeń przygotowujący się do matury prosi model o podanie dokładnej daty i okoliczności konkretnego wydarzenia historycznego, a model — nie mając pewnego, jednoznacznego wzorca w danych treningowych dla akurat tego, mniej znanego wydarzenia — generuje datę brzmiącą wiarygodnie, ale błędną. Jeśli uczeń zapamięta tę datę bez sprawdzenia jej w podręczniku lub innym niezależnym źródle, może popełnić błąd na egzaminie, mimo że „zapytał AI, więc powinno być dobrze". To pokazuje, dlaczego ważne fakty (zwłaszcza rzadziej występujące w powszechnych źródłach) warto zawsze zweryfikować niezależnie.

🔍 Sprawdź, czy umiesz

  • [ ] Wskazać przykłady elementów symbolicznych obecnych w dzisiejszych systemach hybrydowych.
  • [ ] Wyjaśnić, dlaczego halucynacje wynikają z mechanizmu predykcji tokenu, a nie z jednorazowego błędu.
  • [ ] Opisać problem kosztu energetycznego trenowania i używania dużych modeli AI.
  • [ ] Unikać przekonania, że kolejna wersja modelu na pewno rozwiąże obecne ograniczenia całkowicie.

Ucz się tej jednostki z asystentem