Jak naprawdę działa sztuczna inteligencja i dlaczego ma to znaczenie teraz

Organizacja Współpracy Gospodarczej i Rozwoju (OECD), której rządy członkowskie koordynują politykę w dziedzinie technologii, definiuje system AI jako "system oparty na maszynach, który w jawnie lub niejawnie określonych celach, na podstawie otrzymanych danych wejściowych, określa, jak generować dane wyjściowe, takie jak prognozy, treści, rekomendacje lub decyzje, które mogą wpłynąć na środowiska fizyczne lub wirtualne". Rada OECD zrewidowała to sformułowanie w 2023 roku, aby zachować dokładność techniczną wraz z rozpowszechnianiem się narzędzi generatywnego AI, zgodnie z własnym wyjaśnieniem organizacji dotyczącym definicji.

Od napisanych zasad do uczenia się z danych

Starsze oprogramowanie podążało za instrukcjami, które programiści pisali linijka po linijce: jeśli dzieje się X, wykonaj Y. Uczenie maszynowe, podejście leżące u podstaw większości współczesnego AI, zamiast tego dostarcza algorytmowi dużą liczbę przykładów i pozwala mu samodzielnie opracować wzorce, zgodnie z wyjaśnieniem technicznym IBM. Po przeszkoleniu system może klasyfikować nowe informacje, przewidzieć wartość, oznaczyć coś niezwykłego lub zaproponować działanie bez podania dokładnej zasady dla każdego przypadku.

OECD dzieli działanie systemu AI na trzy elementy. Dane wejściowe to dane, kod lub zasady wprowadzane do systemu podczas opracowywania lub użytkowania. Wnioskowanie to krok, w którym system określa dane wyjściowe z tych danych wejściowych, które mogą się zdarzyć podczas budowania modelu lub po jego wdrożeniu. Dane wyjściowe to prognozy, treści, rekomendacje lub decyzje, które generuje system, które mogą następnie wpłynąć na środowisko fizyczne lub wirtualne — na przykład kierowanie samochodem, listę rekomendowanych filmów lub wygenerowany akapit tekstu.

Co robi sieć neuronowa wewnątrz systemu

Najpowszechniej używaną metodą uczenia maszynowego dzisiaj jest sieć neuronowa, struktura luźno modelowana na mózgu, zbudowana z wzajemnie połączonych warstw węzłów, które przetwarzają dane razem, zgodnie z IBM. W przeciwieństwie do tradycyjnego programu, sieci neuronowej nie podaje się z góry reguły łączącej wejście i wyjście; zamiast tego pokazuje się jej wiele par wejść i wyjść, a ona dostosowuje się poprzez wielokrotne narażenie na odkrycie tego, co je łączy.

Głębokie uczenie odnosi się do sieci neuronowych z wieloma warstwami — zwykle warstwą wejściową, co najmniej trzema (i często setkami) warstwami ukrytymi oraz warstwą wyjściową, zgodnie z wyjaśnieniem IBM. W systemie rozpoznawania obrazów wczesne warstwy zwykle reagują na proste cechy, takie jak krawędzie lub kolory, podczas gdy głębsze warstwy łączą je w kształty i ostatecznie rozpoznawalne obiekty. Ta warstwowa struktura pozwala systemom automatycznie wyodrębniać istotne cechy z nieoznaczonych danych, co jest częścią tego, co umożliwia współczesne narzędzia generatywnego AI.

Budowanie dużego modelu generatywnego AI generalnie obejmuje trzy etapy, zgodnie z IBM: początkowy etap szkolenia na masywnych, często nieoznaczonych zbiorach danych, które mogą wymagać tysięcy specjalistycznych procesorów i kosztować miliony dolarów; etap dostrajania, w którym model jest dostosowywany do określonych zadań, czasami z użyciem sprzężenia zwrotnego od człowieka; i bieżąca ocena po wdrożeniu w celu sprawdzenia i ulepszenia jego danych wyjściowych.

Dlaczego to ważne: liczby adopcji i inwestycji

Zasięg AI rozszerzył się szybko według kilku miar śledzonych w Raporcie Indeksu AI 2025 Instytutu Human-Centered AI Uniwersytetu Stanforda. Udział organizacji zgłaszających jakiekolwiek korzystanie z AI wzrósł do 78% w 2024 roku, w porównaniu z 55% rok wcześniej. Generatywny AI w szczególności przyciągnął 33,9 miliarda dolarów światowych prywatnych inwestycji w 2024 roku, wzrost o 18,7% w stosunku do 2023 roku. W Stanach Zjednoczonych prywatne inwestycje w AI osiągnęły 109,1 miliarda dolarów w 2024 roku, znacznie przewyższając 9,3 miliarda dolarów Chin i 4,5 miliarda dolarów Wielkiej Brytanii, powiedział raport.

Raport również zanotował wzrost wydajności benchmarków AI: w trzech testach wprowadzonych w 2023 roku w celu pomiaru zaawansowanych systemów — MMMU, GPQA i SWE-bench — wyniki wzrosły odpowiednio o 18,8, 48,9 i 67,3 punktu procentowego w ciągu roku. W regulowanych dziedzinach liczba urządzeń medycznych obsługiwanych przez AI zatwierdzona przez Amerykańską Agencję ds. Żywności i Leków wzrosła z sześciu w 2015 roku do 223 w 2023 roku, zgodnie z tym samym raportem.

Gdzie stoi konkurencja

Raport Stanforda również śledził, które kraje wyprodukowały najznakomitsze modele AI w 2024 roku: instytucje oparte w USA wyprodukowały 40, w porównaniu z 15 z Chin i trzema z Europy. W tym samym czasie przepaść wydajności między wiodącymi modelami USA i Chin w głównych benchmarkach zmniejszyła się z dwucyfrowych w 2023 roku do bliskiej parytetu w 2024 roku, powiedział raport.