Wszystko Co Najwazniejsze nr 77 - opracowanie zbiorowe - ebook

Wszystko Co Najwazniejsze nr 77 ebook

Opracowanie Zbiorowe

0,0

Opis

Wszystko co Najważniejsze nr 77
Wydawca: Instytut Nowych Mediów
Kategoria: Czasopisma
Język: polski
Rok wydania: 2026

„Wszystko co Najważniejsze” – jedyny na polskim rynku wydawniczym miesięcznik bez tekstów dziennikarskich. W każdym numerze Czytelnicy znajdą ważne, kierunkowe teksty liderów opinii: intelektualistów, filozofów, historyków, strategów, polityków. Ukazujące się od 2013 r. pismo cechuje otwartość na nowe trendy, idee, tematy i autorów z różnych rejonów sceny politycznej. „Wszystko co Najważniejsze” jest pieczołowicie redagowane przez zespół, któremu przewodniczy prof. Michał KLEIBER. Teksty są ilustrowane portretami Autorów tworzonymi przez Fabiena CLAIREFONDA z „Le Figaro”. Redakcja przykłada wielką wagę do szacunku dla Czytelników, zachowując styl pism opinii z dawnych, najlepszych lat prasy drukowanej.

WcN 76 – spis treści
Prof. Michał KLEIBER, Édito (nr 77)
Jakub PACHOCKI, Przyszłość musi pozostać w rękach człowieka
Prof. Aleksander HALL, Niepokój o Stary Kontynent
Prof. Jacek HOŁÓWKA, Częściowo zatarta w pamięci rozmowa o filozofii polityki
Marcin ZARZECKI, Dwanaście powodów, dla których euro się dziś Polsce nie opłaca
Prof. Chantal DELSOL, Świat jutra ma przynieść kres tradycyjnej rodziny
Ronald REAGAN, Nasze wyzwanie
Bartosz CICHOCKI, O strategii Polski wobec Ukrainy
Prof. Michał KLEIBER, Jakie szkolnictwo wyższe w Polsce 2035?
Boualem SANSAL, Wojna domowa, wojna kolonizacyjna już trwa
Nicolas POUVREAU-MONTI, Imigracja bije wszelkie możliwe do wyobrażenia rekordy
François-Xavier BELLAMY, Michel ONFRAY, Przekazywanie dziedzictwa wielkich tekstów
Kard. Michael CZERNY SJ, Edukacja jest drogą do życia
Nassim Nicholas TALEB, Książka jest książką, a nie oderwaną od materii informacją
Prof. Jerzy MIZIOŁEK, Motywy i tematy z antyku w renesansie wawelskim
Prof. Jim SAMSON, Od mazurków Chopina do nurtów narodowych w muzyce europejskiej
Ursula von der LEYEN, Europejczycy mogą liczyć na Europę

Ebooka przeczytasz w aplikacjach Legimi na:

Androidzie
iOS
czytnikach certyfikowanych
przez Legimi
czytnikach Kindle™
(dla wybranych pakietów)
Windows
lub macOS

Liczba stron: 165

Rok wydania: 2026

Odsłuch ebooka (TTS) dostępny w abonamencie „ebooki+audiobooki bez limitu” w aplikacjach Legimi na:

Androidzie
iOS
Oceny
0,0
0
0
0
0
0
Więcej informacji
Więcej informacji
Legimi nie weryfikuje, czy opinie pochodzą od konsumentów, którzy nabyli lub czytali/słuchali daną pozycję, ale usuwa fałszywe opinie, jeśli je wykryje.



Prof. Michał KLEIBER

Édito (nr 77)

W kolejnym numerze naszego miesięcznika proponujemy Państwu ciekawe teksty dotyczące tego, co dziś naszym zdaniem jest najważniejsze w świecie idei. Rozpoczynamy numer artykułem o sztucznej inteligencji w kontekście braku szerokiego przygotowania na konsekwencje jej tak szybkiego rozwoju. Poruszamy problem słabości europejskiej polityki, wyrażając obawy przed technokratycznym zamachem stanu. Piszemy o demokracji i wyzwaniach wobec rosnącej polaryzacji i coraz częściej artykułowanej skrajności poglądów. Ale też akcentujemy fakt, iż władza może działać jedynie tak, jak pozwala na to prawo, a rządzącym wolno korzystać ze swej władzy tylko w zakresie posiadanych uprawnień.

Piszemy także o strategii Polski wobec Ukrainy i powodach jej polityki gloryfikującej UPA. Nie pomijamy problematyki etyki społecznej, zaprzeczając częstym dzisiaj poglądom, że społeczeństwo rezygnujące z szacunku dla tradycji i natury już niedługo przyniesie nam wszystkim szczęście. Analizujemy kwestię imigracji, akcentując jej istotę wpływającą na wiele innych problemów i w swojej obecnej formie przyspieszającą i pogłębiającą społeczne kryzysy.

Zwracam Państwa uwagę na ciekawe wystąpienie Ronalda Reagana na konwencji Partii Republikańskiej przed 50 laty, ponadto na blok tekstów o edukacji, nauce i kulturze, w tym o problemach z upowszechnianiem dziedzictwa kulturowego w czasach mediów społecznościowych i sztucznej inteligencji oraz o tym, jak wiele treści i form artystycznych przeniknęło z włoskiego renesansu do polskiej sztuki.

Prof. Michał KLEIBER, Redaktor naczelny

Jakub PACHOCKI

Przyszłość musi pozostać w rękach człowieka

Tworzymy coraz potężniejszą, obcą ludzkiemu sposobowi myślenia inteligencję, której nie umiemy jeszcze w pełni zrozumieć ani wiarygodnie kontrolować, dlatego dalszy rozwój AI musi zostać podporządkowany twardym zasadom bezpieczeństwa

Jakub PACHOCKI

Polski informatyk, od 2017 r. związany z OpenAI, największą firmą w dziedzinie sztucznej inteligencji, współtwórca najważniejszych modeli firmy. Obecnie główny naukowiec OpenAI

Nowy wspaniały świat

W połowie 2023 roku w ramach projektu badawczego RLSlow uzyskaliśmy pierwsze wyniki, które dały nam pewność, że będziemy w stanie skalować szkolenie modeli rozumujących, uwalniając ich zdolność po pretreningu do tworzenia własnych łańcuchów rozumowania. Szymon (Sidor – przyp. red.) i ja spędziliśmy tamtą noc w biurze. Nie myśleliśmy o imponujących wynikach testów porównawczych, produktach ani odkryciach naukowych, które przyniesie ta technologia. Próbowaliśmy raczej oswoić się z otrzeźwiającym faktem, że jeszcze za naszego życia naprawdę zobaczymy maszyny wyraźnie inteligentniejsze od nas, a zarys tych systemów jest już widoczny. Zastanawialiśmy się, jak uświadomić ludziom znaczenie tej chwili.

Trzy lata później rozumujące modele językowe stanowią szybko rosnącą część gospodarki i zaczynają przesuwać granice nauki. Potrafią obsługiwać komputery i interfejsy graficzne, współpracować z ludźmi i ze sobą nawzajem oraz realizować projekty badawcze. Przekształcają również krajobraz bezpieczeństwa komputerowego, stwarzając przy tym wyraźne nowe zagrożenia.

W tym okresie przeprowadzono wiele nowych badań, a nasze rozumienie tych systemów znów nieco różni się od tego z 2023 roku. Na podstawie wyników wewnętrznych jestem głęboko przekonany, że takie tempo postępu może utrzymać się także w fazie samodoskonalenia rekurencyjnego. Jeżeli rozwój AI utrzyma obecny kierunek, systemy, które zobaczymy w ciągu kilku najbliższych lat, prawdopodobnie dokonają kolejnych skoków możliwości o podobnej lub większej skali i będą w coraz większym stopniu wspomagać własny rozwój.

Ta chwila wymaga wyjątkowej ostrożności. Obawiam się, że nikt nie jest przygotowany na konsekwencje dalszego szybkiego wzrostu inteligencji maszynowej. OpenAI będzie nadal szukać technicznych rozwiązań problemów dostrajania i monitorowania, budować systemy obronne oraz w razie potrzeby jednostronnie wstrzymywać dalsze skalowanie. Uważam jednak, że potrzebne są szersze działania.

Intelekt, którego nie rozumiemy w pełni

W ogólnym ujęciu postęp inteligencji maszynowej jest intensyfikowany przez wzrost mocy obliczeniowej. W OpenAI w pełni uświadomiliśmy to sobie ok. 2017 roku, gdy w wielu projektach badawczych zaobserwowaliśmy stałe korzyści ze skalowania. W rezultacie zaczęliśmy zabiegać o dostęp do znacznie większej mocy obliczeniowej, niż pierwotnie planowaliśmy, i coraz silniej koncentrowaliśmy badania na niewielkiej liczbie wysoce skalowalnych kierunków. Uważaliśmy, że tylko w ten sposób możemy pozostać w awangardzie badań nad AI i wpływać na skutki rozwoju AGI (ogólnej sztucznej inteligencji, ang. artificial general intelligence – przyp. red.).

Po drodze opracowano nowe algorytmy i dokonano kolejnych wyczynów pomysłowości – zarówno zespołowej, jak i indywidualnej. Postrzegam je głównie jako odkrycia dokonane na drodze skalowania. Nauka o głębokim uczeniu jest wciąż młoda, a istotny postęp algorytmiczny zazwyczaj koreluje z dostępem do mocy obliczeniowej. Z perspektywy kilku lat widać, że wraz ze skalowaniem na większe komputery AI nieustannie staje się inteligentniejsza.

Zgodnie z przewidywaniami Raya Kurzweila z końca XX wieku znaleźliśmy się właśnie w takim momencie historii informatyki, w którym inteligencja maszynowa zaczyna przewyższać ludzką w sposób prowadzący do głębokich przemian.

AI bardziej się hoduje, niż projektuje – jest to przede wszystkim wynik wielokrotnego powtarzania prostego kroku optymalizacyjnego przy użyciu niewyobrażalnie wielkiej mocy obliczeniowej. W efekcie powstaje niezwykle złożony system, który operuje pojęciami abstrakcyjnymi i potrafi symulować aspekty ludzkiego zachowania. Możemy odkrywać rozmaite prawidłowości dotyczące drobnych mechanizmów wyłaniających się w tym systemie, podobnie jak w neuronauce. Tak jak w neuronauce, całościowego działania systemu nie potrafimy jednak opisać w sposób w pełni dla nas zrozumiały.

Badania nad AI opartą na głębokim uczeniu są w dużej mierze nauką eksperymentalną. Wkładamy wiele wysiłku w tworzenie algorytmów opartych na solidnych zasadach i w formułowanie sprawdzalnych przewidywań, ale zasadniczo nasze szkolenia na wielką skalę są eksperymentami, a ich wyniki czasami nas zaskakują. Co więcej, wraz ze wzrostem możliwości systemów interpretacja wyników staje się trudniejsza.

Sytuację komplikuje fakt, że obecne algorytmy na ogół szybciej rozwijają te możliwości, które są łatwe do zmierzenia, niż te, które trudno obiektywnie ocenić. Poświęcamy wiele czasu na zrozumienie, jak możliwości podlegają generalizacji i jakie priorytety wybierać, by rozwijać umiejętności, które będą najważniejsze w kilku najbliższych latach. Uważamy na przykład, że dzięki większemu skupieniu moglibyśmy udoskonalić modele konkretnie w zakresie badań matematycznych. Nie traktujemy jednak tego kierunku priorytetowo ze względu na pilność prac nad RSI (samodoskonaleniem rekurencyjnym, ang. recursive self-improvement – przyp. red.) i zautomatyzowanymi badaniami nad dostrajaniem, które omówię dalej.

Inteligencji, która powstaje w wyniku skalowania uczenia głębokiego, nie można bezpośrednio porównywać z inteligencją człowieka. Aby AI nabrała wielkiego znaczenia w realnym świecie – stała się bardzo użyteczna lub bardzo niebezpieczna – nie musi dorównać ludziom ani przewyższyć ich we wszystkich zdolnościach. Wystarczy, że prześcignie ich w odpowiednio wielu. A gdy przewyższa ludzi w coraz liczniejszych wymiarach, coraz trudniej jest dokładnie ocenić skalę jej możliwości.

Jak nauczyć maszyny kochać

Ponieważ inteligencja maszynowa powstaje w procesie zasadniczo odmiennym od ludzkiej inteligencji, nie możemy zakładać, że domyślnie przestrzega ludzkich zasad ani że generalizuje je podobnie jak człowiek. Głównym problemem badań nad AI jest dostrajanie – sprawienie, by AI „starała się postępować właściwie”, według ludzkich standardów.

Na potrzeby organizacji praktycznych kierunków badań przydatne jest rozróżnienie między dostrojeniem do celu a dostrojeniem do wartości.

Dostrojenie do celu sprowadza się zasadniczo do pytania: „Czy AI stara się osiągnąć wyznaczony jej cel?”. Może to obejmować między innymi przestrzeganie hierarchii instrukcji albo zdolność do komunikowania się i współpracy z ludźmi w celu zrozumienia ich zamierzeń. Ten zbiór kierunków ma ogromne znaczenie praktyczne. Dostrojenie do wartości jest bardziej wewnętrzną właściwością modelu. Jest to zdolność modelu do tego, aby przyswajał ogólny zbiór zasad i generalizował na jego podstawie, czyli do „rozsądnego” działania nawet w obliczu niejasnych lub sprzecznych celów bądź w nieznanych czy wrogich sytuacjach. Dostrojona AI powinna postępować uczciwie, rzetelnie i z miłością do ludzkości.

Oczywiście granica między dostrojeniem do wartości a dostrojeniem do celu może być nieostra, a rzeczywista troska o cele wymaga próby odczytania stojących za nimi intencji i wartości. Gdy jednak mówię o długoterminowym znaczeniu badań nad dostrajaniem, mam zazwyczaj na myśli dostrojenie do wartości.

Podstawowym wyzwaniem w dostrajaniu AI jest generalizacja. W miarę jak maszyny stają się inteligentniejsze, pracują na pojęciach coraz wyższego poziomu i trafiają do środowisk coraz bardziej odmiennych od tych, z którymi zetknęły się podczas szkolenia. Mogą nie potrafić przenieść wartości wpajanych i wzmacnianych podczas szkolenia na nowe sytuacje, a nam trudno jest zyskać pewność, jak się zachowają. Dodatkowym utrudnieniem jest bardzo szybka ewolucja całego ekosystemu, w którym używa się AI. Na przykład systemy AI szkolone obecnie muszą być odporne na interakcje z wieloma różnymi innymi systemami AI. Co najważniejsze, przyszłe systemy AI muszą nadal kierować się ludzkimi wartościami niezależnie od tego, czy sądzą, że podlegają nadzorowi człowieka.

Obecnie w praktyce stosuje się dwie główne klasy metod szkolenia ukierunkowanego na dostrajanie.

Pierwsza to promowanie dostrojonego zachowania w ramach uczenia przez wzmacnianie ukierunkowanego na cel. Działania modelu są oceniane – zazwyczaj przez AI – pod kątem zgodności z określonym modelem preferencji, „specyfikacją” lub „konstytucją”, a następnie odpowiednio nagradzane. Podejście to może być bardzo skuteczne w typowych przypadkach i stanowi podstawowy element tworzenia współczesnych asystentów AI. Niestety, może być także zawodne i silnie zależy od zakresu nadzoru podczas szkolenia oraz zdolności modelu do generalizowania na podstawie sytuacji napotkanych w trakcie szkolenia. Na przykład podczas incydentu OpenAI–Hugging Face agenci nie przekroczyli granicy, która polegała na niestosowaniu socjotechniki wobec ludzi. Nie powstrzymali się jednak od innych działań wykraczających poza zakres zadania i sprzecznych z duchem wartości wpajanych im w innych sytuacjach.

Drugie podejście ma wykorzystywać zdolność modelu do generalizowania na podstawie danych z pretreningu. Może to polegać na opracowywaniu zbiorów danych treningowych, które sprzyjają dostrojeniu, albo koncentrowaniu modelu na „dostrojonej” części rozkładu pretreningowego, jak na przykład w przypadku modelu wyboru persony. Słabością tego podejścia jest brak odporności na dalszą presję optymalizacyjną. Jeżeli weźmiemy model, który na ogół myśli w sposób „dostrojony”, i poddamy go wystarczająco intensywnemu szkoleniu uczącemu osiągania bardzo trudnych celów, może on nauczyć się rozumowania motywowanego – naginania pozornie „dostrojonych” myśli w stopniu potrzebnym do osiągnięcia celu. Przykład takiego zachowania prawdopodobnie zaobserwowaliśmy podczas niedawnych incydentów związanych z cyberbezpieczeństwem, w których uczestniczył model spoza OpenAI.

Intensywnie inwestujemy w całe spektrum podejść wyznaczonych przez te kierunki. Dostrzegamy też znaczący postęp – GPT-6 Astra jest pierwszym modelem korzystającym z kilku ważnych udoskonaleń, nad którymi od dawna pracujemy, i jest znacznie lepiej dostrojony niż GPT-5.6 Sol. Trzeba jednak przyznać i zrozumieć, że wraz ze wzrostem możliwości modeli potrzebny będzie znacznie większy postęp, a rozwój dostrajania zdolnego do generalizacji może nie wyprzedzać dostatecznie szybko ogólnego wzrostu inteligencji modeli.

Monitorowanie generalizacji

Nie dysponujemy zadowalającą teorią generalizacji i wydaje się mało prawdopodobne, byśmy mogli ją wkrótce opracować, zwłaszcza bez pomocy potężniejszej AI. Dlatego obecnie nasza zdolność do empirycznej weryfikacji technik dostrajania jest w praktyce prawdopodobnie jeszcze ważniejsza niż same te techniki.

Głównym kierunkiem obranym przez OpenAI jest tutaj monitorowanie łańcucha rozumowania. Opiera się ono na atrakcyjnej i skalowalnej koncepcji – znaczna część możliwości modelu wynika z ujętego w słowa procesu rozumowania, czyli łańcucha rozumowania. Jeżeli skalujemy optymalizację wyników tego procesu, ale nie nadzorujemy samego procesu, łańcuch rozumowania nie otrzymuje podczas szkolenia żadnej bezpośredniej zachęty do ukrywania idei lub celów rozbieżnych z naszymi intencjami. Nie oznacza to, że model nauczy się ujawniać rozbieżne z naszymi intencjami skłonności, które nie wymagają użycia łańcucha rozumowania. Może nam jednak pozwolić dokładnie monitorować wzrost możliwości wynikający z rozumowania.

Potencjalne znaczenie monitorowania łańcucha rozumowania dostrzegliśmy w tym samym czasie, gdy opracowaliśmy modele rozumujące. Gdy udostępniliśmy o1-preview, celowo zaprojektowaliśmy produkt tak, aby ukrywał łańcuch rozumowania i długofalowo chronił go przed presją nadzoru. W dalszym rozwoju staraliśmy się przestrzegać zasady, by nie nadzorować procesu rozumowania. Monitorowanie CoT (ang. chain-of-thought – łańcuch rozumowania; przyp. red.) stało się dla nas niezwykle ważnym narzędziem służącym do badania, jak nasze modele generalizują poza rozkład danych treningowych. Pozwala nam obserwować i analizować nie tylko ich działania, lecz także procesy wewnętrzne.

Narzędzie to pozostaje kluczowe w naszych badaniach nad modelami klasy Astra. Niestety, nasze ewaluacje wskazują, że możliwość polegania na monitorowaniu CoT stopniowo maleje. Wynika to z połączenia kilku czynników.

Współczesne modele rozumujące działają w bardziej złożonych środowiskach niż o1-preview (model językowy sztucznej inteligencji stworzony przez OpenAI w 2024 roku – przyp. red.). Ich proces rozumowania coraz silniej splata się z komunikacją z ludźmi i innymi systemami AI oraz z używaniem narzędzi. Wiele z tych interakcji musi podlegać nadzorowi, co zaciera granicę, którą staramy się zachować.

AI coraz lepiej analizuje własny proces rozumowania i manipuluje nim.

Wraz z poprawą wyników pretreningu obserwujemy też, że modele stają się znacznie inteligentniejsze nawet bez jakiegokolwiek ujmowania rozumowania w słowa.

Te wyzwania nie muszą być nie do pokonania. Mam nadzieję, że uda nam się opracować rozwiązania poprawiające możliwość monitorowania łańcucha rozumowania naszych modeli, na przykład dzięki lepszemu zrozumieniu zależności między różnymi celami optymalizacji a formami mocy obliczeniowej wykorzystywanej przez model podczas wnioskowania.

Najsilniejszym argumentem za dalszym szybkim szkoleniem znacznie inteligentniejszych modeli jest moim zdaniem potrzeba budowy systemów obronnych przed zagrożeniami stwarzanymi przez inne systemy AI.

Wyraźne zagrożenia dotyczą cyberbezpieczeństwa – modele osiągają ponadludzką zdolność włamywania się do systemów komputerowych i wydostawania się z nich. Ogromnie poszerza to zakres ryzyka związanego z AI – agenci będą mogli uzyskiwać dostęp do niemal każdej infrastruktury, poza najlepiej zabezpieczoną, i bezpośrednio wpływać na znaczną część świata, nawet bez fizycznego ciała. Obecnie mamy jeszcze okno możliwości, by wykorzystać najlepsze dostępne modele do znacznego wzmocnienia zabezpieczeń systemów krytycznych.

Niestety, zagrożenia związane z AI będą tylko rosły. Bardzo sprawny agent, specjalnie wyszkolony i poinstruowany do popełniania szkodliwych czynów, stanowi nowy rodzaj zagrożenia. Prawdopodobnie wykroczy poza intencje swojego operatora, generalizując je w potencjalnie znacznie bardziej złośliwe zachowania. W miarę wzrostu autonomii AI granica między nadużyciem a autonomicznymi działaniami rozbieżnymi z naszymi intencjami będzie się zacierać. Możemy być przyzwyczajeni do postrzegania AI jako narzędzi, ale niektórzy agenci będą dążyć do osiągania własnych celów. Będą znajdować sposoby współpracy z ludźmi, targując się z nimi, oszukując ich lub szantażując.

Do tego dochodzą zagrożenia związane z nowymi technologiami, których rozwój może wspomóc inteligencja maszynowa, takimi jak projektowanie patogenów.

Do obrony potrzebujemy potężnej i dostrojonej AI – do zabezpieczania infrastruktury, ochrony w czasie rzeczywistym przed niekontrolowanymi agentami oraz tworzenia zupełnie nowych środków ochronnych. Będzie to jeden z głównych priorytetów działań OpenAI związanych z wdrażaniem AI.

Jednocześnie niepewność związana z przewidywanym szerokim postępem AI i potrzebą budowy systemów obronnych nie może stać się wymówką dla lekkomyślności. Gdy w pełni zrozumie się powagę stawki, pomysł wyścigu naprzód za wszelką cenę wydaje się absurdalny.

Coraz większy udział inteligencji maszynowej w procesie jej własnego rozwoju jest naturalnym następstwem postępu technologicznego. Jeżeli rozwój AI będzie postępował, samodoskonalenie rekurencyjne maszyn (RSI) znajdzie się w samym centrum przyszłych odkryć naukowych.

Chcę podkreślić, że powyższe słowa nie oznaczają, iż uważam znaczne przyspieszenie badań nad uczeniem głębokim – zwłaszcza w krótkiej perspektywie – za właściwe wspólne działanie społeczności naukowej. Uważam jednak, że właśnie do tego prowadzi obecny kierunek i wszyscy musimy świadomie zdecydować, jak postąpić. Mamy dwie główne możliwości: możemy pokierować tym procesem tak, by wraz z rozwojem AI wzmacniać dostrajanie i monitorowanie oraz znajdować sposoby na utrzymanie udziału ludzi, albo skoordynować spowolnienie przyszłego rozwoju na czas potrzebny do zbudowania zaufania do tych środków. Obecnie najlepszym rozwiązaniem wydaje mi się połączenie obu podejść.

Konkretne postępy w dostrajaniu i monitorowaniu były na ogół ściśle powiązane z ogólnym postępem AI. Doskonałymi przykładami są uczenie przez wzmacnianie na podstawie informacji zwrotnych od ludzi, które odegrało kluczową rolę w szkoleniu pierwszych asystentów AI, oraz wspomniane wcześniej monitorowanie łańcucha rozumowania, możliwe dzięki postępom w rozwoju modeli rozumujących. Musimy ukierunkować coraz bardziej zautomatyzowany proces badawczy na opracowywanie nowych spostrzeżeń, algorytmów i teorii tego rodzaju oraz stopniowo budować uzasadnienia bezpieczeństwa dla coraz sprawniejszych systemów AI.

Skalowanie systemów AI musi być ograniczone poziomem naszego zaufania do ich bezpieczeństwa. Zobowiązania takie jak ramy gotowości czy polityka odpowiedzialnego skalowania musimy przekształcić w powszechnie obowiązujące progi bezpieczeństwa warunkujące dalszy rozwój. Ich przestrzeganie może być egzekwowane przez sieć niezależnych audytorów, agencje rządowe lub organy międzynarodowe.

Głównym wyzwaniem związanym z automatyzacją badań nad AI nie jest „dotarcie do celu”, lecz osiągnięcie go w sposób, który zachowa udział ludzi w procesie dalszego doskonalenia i pozostawi przyszłość w rękach ludzkości.

Jak niedawno wyjaśniłem z Samem (Altmanem – przyp. red.), OpenAI koncentruje swoje działania wokół trzech nadrzędnych celów:

Przeprowadzenie ludzkości przez kolejny etap rozwoju AI poprzez zbudowanie zautomatyzowanego badacza AI, wspólne z nim, iteracyjne rozwiązywanie problemu dostrajania oraz znajdowanie sposobów na zachowanie udziału ludzi w pętli samodoskonalenia AI.Udostępnienie korzyści płynących z postępu naukowego i wzrostu gospodarczego, które umożliwiają inteligentne maszyny.Zapewnienie każdemu osobistej AGI.

W tym eseju skupiam się wyłącznie na pierwszym punkcie, ponieważ uważam go za zdecydowanie najpilniejszy. Jednocześnie głęboko wierzę w korzyści, jakie przyniesie dalszy postęp technologiczny, i już dziś je doceniam. Dostrojona AI przyszłości mogłaby przyspieszyć rozwój nauki, opracować nowe terapie i zapewnić powszechny dobrobyt materialny. Przyjazna i uczciwa AI może pomagać ludziom mierzyć się z życiowymi trudnościami oraz realnie zwiększać ich szczęście i poczucie spełnienia. OpenAI wkłada ogromny wysiłek w urzeczywistnienie tych korzyści. Jednym z obecnych przykładów, z których jestem dumny i które okazały się pomocne dla moich bliskich, są znaczne inwestycje w zdolność ChatGPT do przekazywania informacji o zdrowiu.

Choć długoterminowe perspektywy AI mogą być wspaniałe, większość naszej uwagi powinniśmy poświęcić kilku najbliższym latom. Stoimy przed przejściem do świata niezwykle inteligentnych maszyn i musimy zadbać, aby przebiegło ono pomyślnie dla ludzkości. Musimy znaleźć sposoby na zachowanie ludzkiej sprawczości i ugruntowanie wewnętrznej wartości człowieczeństwa w świecie, w którym większość zadań może wykonywać AI. Musimy zapobiec skrajnej koncentracji władzy w świecie, w którym przedsięwzięcia wymagające wcześniej tysięcy ekspertów będzie mogło zrealizować kilka osób obsługujących ogromny komputer. Musimy też zapewnić, że ludzie zachowają kontrolę nad przyszłością i nie zostaną w tyle wskutek niekontrolowanego postępu wzmacnianego przez obcy intelekt, przewyższający nasz własny.

Obecnie uważam, że nadal żadne laboratorium nie rozwiązało problemów dostrajania i monitorowania w stopniu pozwalającym jeszcze długo odpowiedzialnie skalować AI z maksymalną prędkością. Spodziewam się i mam nadzieję, że dobrowolne spowolnienia staną się powszechne do czasu ustanowienia wspólnych progów bezpieczeństwa. Uważam też, że międzynarodowa koordynacja przyszłego rozwoju AI musi stać się jednym z priorytetów rządów na całym świecie.

©OpenAI 2026

Prof. Aleksander HALL

Niepokój o Stary Kontynent

Niepokój prowadzi Europejczyków do poszukiwania tych ugrupowań, które mają proste i jednoznaczne odpowiedzi na trudne pytania. Jednocześnie trudno zastanawiać się nad środkami obrony i umacniania demokracji bez wskazania przyczyn jej kryzysu

Prof. Aleksander HALL

Polityk i historyk. Działacz opozycji w PRL, minister w rządzie Tadeusza Mazowieckiego, poseł na Sejm I i III kadencji. Kawaler Orderu Orła Białego

Jak bronić demokracji w Europie?

Mapa polityczna wielu państw europejskich – w tym największych i o kluczowym znaczeniu – zmieniła się w ciągu kilkunastu ostatnich lat niemal nie do poznania. Wspólną i dominującą tendencją jest wzrost znaczenia formacji radykalnych (prawicowych i lewicowych), odrzucających lub kwestionujących założenia programowe uznawane do niedawna za niezbywalne elementy racji stanu, oraz wyraźne osłabienie poparcia dla partii politycznych dominujących na scenie politycznej od wielu dziesięcioleci.

Przywołajmy kilka przykładów. W Niemczech – na szczeblu federalnym – rządzi co prawda koalicja chadeków i socjaldemokratów, ale największym poparciem cieszy się radykalnie antysystemowa Alternatywa dla Niemiec (AfD), dominująca we wschodnich landach, powstałych na terytorium dawnej Niemieckiej Republiki Demokratycznej, i systematycznie poprawiająca swe notowania w zachodniej części kraju. Dopuszczenie AfD do współrządzenia państwem w bliskiej czy średniookresowej perspektywie jest mało prawdopodobne ze względu na otaczający ją „kordon sanitarny” utworzony przez pozostałe partie, ale przejęcie przez nią władzy – lub jej udział we władzy – w niektórych landach wschodnich wydaje się bardzo nieodległą perspektywą. Jest wysoce prawdopodobne, że stanie się to już w Saksonii-Anhalt, gdzie AfD znokautowała konkurentów w ostatnich wyborach do Landtagu.

Jedno jest pewne. W najludniejszym i najsilniejszym państwie Unii Europejskiej, graniczącym z Polską, zakorzeniła się potężna siła polityczna występująca przeciwko kierunkom polityki niemieckiej wytyczonym po wojnie przez Konrada Adenauera. Były nimi: bezwarunkowa przynależność RFN do Zachodu, ambicja nadawania tonu procesowi integracji europejskiej i traktowanie Rosji (wówczas Związku Sowieckiego) jako zagrożenia. AfD nawiązuje do tradycji politycznych XIX-wiecznych Prus – egoizmu narodowego i szukania współpracy z Rosją. Marek Jurek ostatnio słusznie zwrócił uwagę, że z polskiego punktu widzenia jest także szczególnie niebezpieczne zastępowanie przez polityków AfD świadomości historycznych win narodu niemieckiego poczuciem krzywd wyrządzonych Niemcom.

We Francji, w której wiosną przyszłego roku odbędą się wybory prezydenckie, kluczowe w systemie politycznym V Republiki, udział Marine Le Pen w drugiej turze jest przesądzony. Według większości prognoz to ona ostatecznie zwycięży, zostając pierwszą kobietą w historii Francji, która obejmie urząd prezydenta.

Marine Le Pen jest faktyczną liderką Zjednoczenia Narodowego (RN), spadkobiercy i kontynuatora skrajnie prawicowego Frontu Narodowego, który stworzył Jean-Marie Le Pen, jej ojciec. Dziś Marine Le Pen odrzuca podział na prawicę i lewicę, przeciwstawiając mu podział na patriotów i globalistów. Rzeczywiście, obecny program społeczno-gospodarczy kandydatki RN na prezydenta zawiera wiele elementów lewicowych. W kwestiach tożsamości Francji pozostaje jednak programem zdecydowanie prawicowym.

Marine Le Pen, a w jeszcze większym stopniu młody Jordan Bardella – formalny przewodniczący Zjednoczenia Narodowego – po napaści Rosji na Ukrainę w 2022 roku wycofali się z polityki życzliwości dla Rosji Putina. Nie proponują „frexitu” ani opuszczenia przez Francję strefy euro. Wykazują większe zrozumienie dla wspólnoty europejskich interesów, ale – mimo wszystko – trudno zapomnieć obraz Marine Le Pen przyjmowanej przez Putina na Kremlu przed francuskimi wyborami prezydenckimi w 2017 roku. Sprawiała wówczas wrażenie onieśmielonej uczennicy, odbierającej lekcję od doświadczonego nauczyciela.

Wybór Le Pen to wielka niewiadoma dla Francji, Europy i Polski. Obecnie najbardziej prawdopodobnym rywalem Le Pen w drugiej turze wyborów prezydenckich jest Jean-Luc Mélenchon, przywódca Francji Niepokornej, ugrupowania radykalnej, skrajnej lewicy. Większość polskich komentatorów lamentuje nad perspektywą zwycięstwa Le Pen, niezbyt zajmując się jej prawdopodobnym rywalem w drugiej turze. Niesłusznie. To prawda, że jego prezydentura jest znacznie mniej prawdopodobna niż Le Pen, ale – powtarzam – jej prezydentura byłaby niewiadomą. Prezydentura Mélenchona byłaby oczywistą katastrofą. Były (?) trockista, wielbiciel Robespierre’a i terroru rewolucyjnego, Cháveza i Fidela Castro, jest rzecznikiem „nowej Francji”, opartej przede wszystkim na muzułmańskiej imigracji, która przeciwstawia się historycznej Francji, jej kulturze i tradycjom. Mélenchon nie lubi Zachodu, w szczególności USA, chce wystąpienia Francji z NATO i wykazuje wiele zrozumienia dla Rosji. Jego program ekonomiczny zrujnowałby Francję. Mélenchon – a nie jest on jedynym politykiem lewicy głoszącym ten pogląd – zapowiada też akcję nieposłuszeństwa obywatelskiego, gdyby wybory wygrała Marine Le Pen. To nic innego, jak nieuznanie wyniku demokratycznych wyborów. Czy to może dziwić u wielbicieli rewolucji?

Cechą obecnej sceny politycznej we Francji, zaznaczającą się wyraźnie od kilku lat, jest dominacja sił skrajnych i kryzys tradycyjnych partii prawicy (neogaulliści) i lewicy (Partia Socjalistyczna).