Generatywna AI

Definicja robocza

Generatywna AI (generative AI) to klasa systemów uczenia maszynowego, które po nauczeniu się rozkładu prawdopodobieństwa na dużym zbiorze danych wytwarzają nowe próbki z tego rozkładu: tekst, obraz, dźwięk, wideo, kod. Technicznie odróżnia ją od modeli dyskryminacyjnych to, że zamiast odpowiadać „co to jest”, odpowiada „co może być dalej” albo „co pasuje do tego opisu”. W obiegu potocznym termin od końca 2022 r. oznacza po prostu produkty w rodzaju ChatGPT czy Midjourney, co zaciera fakt, że generowanie jest trybem użycia modelu, a nie osobną technologią. W analizie warto trzymać wersję techniczną: generatywność to własność procedury próbkowania, a nie znak rozumienia.

Geneza i rodowód

Pojęcie ma trzy warstwy. Statystyczna: „model generatywny” to od dekad w statystyce i uczeniu maszynowym model łącznego rozkładu danych, w opozycji do modelu dyskryminacyjnego. Techniczna: przełomy z lat 2010–2017, czyli neuronowe modele językowe przewidujące następne słowo, autoenkodery wariacyjne i sieci generatywne z przeciwnikiem (GAN, Goodfellow i in., czerwiec 2014) oraz Transformer (Vaswani i in., czerwiec 2017), który pozwolił trenować modele na skalę całego internetu. Produktowa: GPT-1 (2018), DALL-E (2021), Midjourney i Stable Diffusion (2022), wreszcie ChatGPT (listopad 2022), po którym „generatywna AI” stała się hasłem rynkowym i regulacyjnym. Lista źródłowa podaje datę „2022–”, co jest datą przechwycenia terminu przez obieg publiczny, nie jego narodzin. Przechwycenie zmieniło sens: z opisu klasy modeli pojęcie stało się nazwą fali technologicznej, a potem synonimem całej AI, co utrudnia rozmowę o tym, że większość wdrożeń AI w przemyśle czy medycynie nadal nic nie generuje.

Rodowód środkowoeuropejski

Dwa związki techniczne i jeden literacki. Najmocniejszy prowadzi do Brna: Tomáš Mikolov, doktorant grupy Speech@FIT na tamtejszej politechnice, przedstawił na Interspeech 2010 rekurencyjny neuronowy model językowy, który zachowuje kontekst poprzednich słów w stanie wewnętrznym sieci i przewiduje następne słowo lepiej niż klasyczne modele n-gramowe. To zadanie, skalowane o kilka rzędów wielkości, jest dziś sercem generatywnej AI tekstu; sam Mikolov po doktoracie (2012) przeniósł się do Google Brain, gdzie powstał word2vec. Drugi związek jest słabiej udokumentowany: Łukasz Kaiser, urodzony we Wrocławiu i habilitowany na Uniwersytecie Wrocławskim w 2013 r., jest jednym z ośmiu autorów artykułu Attention Is All You Need (2017); gdzie skończył studia, nie potwierdziliśmy w otwartych źródłach, więc reguła formacji opiera się tu tylko na habilitacji. Związek literacki to antycypacja, nie wpływ: w Cyberiadzie (Kraków 1965) Stanisław Lem opisał Elektrybałta, maszynę piszącą na zadany temat i w zadanym gatunku, której zbudowanie wymagało od Trurla zamodelowania całej historii poprzedzającej poezję. Lem wcześniej sformułował podobną myśl o generowaniu z nauczonej kultury; dowodu wpływu na prace techniczne nie ma.

Dlaczego teraz

Punktem zwrotnym jest listopad 2022 r.: ChatGPT udostępnił modele generatywne jako czat dla każdego, a kilka miesięcy wcześniej (sierpień 2022) Stable Diffusion udostępnił generowanie obrazów jako otwarty kod uruchamialny na domowej karcie graficznej. W 2023 r. ruszyły procesy o prawa autorskie: Authors Guild i „The New York Times” pozwały Microsoft i OpenAI o trenowanie na ich utworach. W Unii Europejskiej AI Act wszedł w życie 1 sierpnia 2024 r.; obowiązki dla modeli ogólnego przeznaczenia stosuje się od 2 sierpnia 2025 r., a wymogi przejrzystości, w tym oznaczanie treści generowanych maszynowo i deepfake’ów, od sierpnia 2026 r. Równolegle w latach 2023–2026 pojawiły się terminy opisujące skutki uboczne: zalew sieci treściami bez odbiorcy, zapaść modeli trenowanych na własnych wytworach, luka między wydatkami na infrastrukturę a przychodami z produktów. Pojęcie jest potrzebne, bo wyznacza granicę między systemami, które coś wytwarzają, a tymi, które coś rozpoznają, a prawo, rynek pracy i edukacja reagują na te dwie klasy zupełnie inaczej.

Siła wyjaśniająca

Pojęcie pozwala zobaczyć, że koszt krańcowy wytworzenia tekstu lub obrazu spadł niemal do zera, a wraz z nim zmienia się ekonomia wszystkiego, co opierało się na kosztowności produkcji: egzaminów pisemnych, recenzji, ofert pracy, dezinformacji. Trzy zastosowania. Po pierwsze, wyjaśnia, dlaczego wykrywanie treści maszynowych skazane jest na porażkę: model generuje z rozkładu danych ludzkich, więc im lepszy, tym mniej odróżnialny. Po drugie, tłumaczy halucynacje jako cechę, nie usterkę: system próbkujący prawdopodobne kontynuacje nie ma w środku rejestru faktów, który mógłby sprawdzić. Po trzecie, opisuje nową asymetrię w prawie autorskim: dzieło powstaje z rozkładu wyuczonego na milionach dzieł, więc pytanie o „kopiowanie” trzeba zadać na poziomie statystyki, a nie fragmentu.

Osie sporu

Niedoceniany kąt

Najmniej dyskutowany skutek generatywnej AI to zmiana statusu samego pisania jako dowodu myślenia. Przez stulecia tekst był kosztownym sygnałem: ktoś, kto napisał spójny esej, musiał coś przemyśleć. Gdy spójny tekst kosztuje zero, sygnał znika, a instytucje zbudowane na nim (szkoła, nauka, rekrutacja, prawo) tracą narzędzie oceny, zanim zdążą wymyślić nowe. Lem uchwycił to w 1965 r.: po uruchomieniu Elektrybałta problemem nie jest jakość wierszy, lecz los poetów. Druga rzadko podnoszona kwestia: generowanie jest próbkowaniem z przeszłości, więc system, który wypełni kulturę swoimi wytworami, zawęża rozkład, z którego sam będzie się uczył. Stąd model collapse jest nie tyle usterką techniczną, co ekologiczną konsekwencją sukcesu pojęcia.

W przekładzie

Polski termin jest nieustalony. „Generatywna AI” to kalka z zachowanym angielskim skrótem; „sztuczna inteligencja generatywna” jest poprawna, lecz długa, a skrót SIG się nie przyjął. „Generatywny” niesie w polszczyźnie skojarzenie z gramatyką generatywną Chomsky’ego, które tu myli: u Chomsky’ego chodzi o reguły wytwarzające zdania, w AI o próbkowanie z nauczonego rozkładu. „AI tworząca treści” jest opisowa, ale ukrywa technikę. Wybieramy „generatywna AI”, bo tak mówi obieg zawodowy i tak brzmi w polskich tłumaczeniach aktów unijnych, z zastrzeżeniem, że to nazwa trybu użycia modelu, a nie typ inteligencji.