Seminarium prof. Piotra Sankowskiego na Wydziale Cybernetyki: sztuczna inteligencja jako nowy współtwórca nauki

13 kwietnia 2026 roku na Wydziale Cybernetyki odbyło się seminarium prof. Piotra Sankowskiego – jednego z wybitniejszych polskich badaczy w obszarze algorytmiki i sztucznej inteligencji. W spotkaniu uczestniczyli studenci, doktoranci i pracownicy uczelni, a sam wykład, zatytułowany „Zastosowanie sztucznej inteligencji w nauce”, stał się nie tylko prezentacją aktualnego stanu technologii, lecz także szerokim spojrzeniem na to w jaki sposób AI zmienia prowadzenie badań, kształcenie, programowanie, medycynę, a nawet myślenie o ludzkiej kreatywności i granicach poznania.

Profesor Sankowski, Dyrektor Instytutu Badawczego IDEAS oraz pracownik Instytutu Informatyki Uniwersytetu Warszawskiego, od lat łączy badania z zakresu informatyki teoretycznej, algorytmiki i analizy danych z głębokim namysłem nad praktycznymi zastosowaniami nowych technologii. Jego dorobek obejmuje zarówno informatykę, jak i fizykę teoretyczną, doktorat z informatyki uzyskał w 2005 roku, habilitację w 2009 roku, a dodatkowo obronił doktorat z fizyki w Polskiej Akademii Nauk. To interdyscyplinarne przygotowanie było wyraźnie widoczne także podczas seminarium: wykład łączył precyzję badacza algorytmów, świadomość ograniczeń modeli obliczeniowych oraz szeroką perspektywę dotyczącą przyszłości nauki.

Już we wstępie profesor podkreślił, że aby sensownie rozmawiać o sztucznej inteligencji, trzeba najpierw zrozumieć, w jakim sensie jest ona technologią przełomową. Nie chodzi bowiem wyłącznie o nowe narzędzie informatyczne, lecz o technologię, która zaczyna zmieniać sam sposób wykonywania pracy intelektualnej, badawczej, edukacyjnej i organizacyjnej. W tym ujęciu AI jest porównywalna do tych wynalazków, które nie tylko usprawniały istniejące procesy, ale przekształcały całe modele działania. Prof. Sankowski zwracał uwagę, że obecnie obserwujemy właśnie taki moment: sztuczna inteligencja w coraz większym stopniu wpływa nie tylko na codzienne życie, lecz przede wszystkim na sposób uczenia się, nauczania, analizowania danych, stawiania hipotez i prowadzenia badań.

Profesor Piotr Sankowski rozpoczął seminarium od wypowiedzi nad gwałtownym tempem postępu modeli AI. Wskazał symboliczny moment z 20 września 2024 roku, kiedy jeden z modeli po raz pierwszy przekroczył poziom 100 punktów w testach inteligencji skalowanych względem ludzkiego IQ. W jego ocenie był to punkt graniczny: moment, w którym przeszliśmy od modeli o dużej wiedzy, lecz ograniczonej sprawności rozumowania, do systemów zdolnych do rzeczywiście inteligentnego działania. Od tego czasu, jak zaznaczył postęp był niezwykle szybki. W ciągu około półtora roku najlepsze modele przesunęły się w okolice poziomów odpowiadających około 150 IQ, a liczba takich modeli stale rośnie. Nie chodzi tu wyłącznie o marketingowe benchmarki producentów, ale o miary, które łatwo odnieść do skali ludzkich możliwości poznawczych.

Ta obserwacja stanowiła punkt wyjścia do zasadniczego pytania wykładu: co oznacza dla nauki pojawienie się systemów, które nie tylko przetwarzają informacje, lecz zaczynają rozumować, dowodzić, wykrywać zależności i proponować nowe rozwiązania? W odpowiedzi prof. Sankowski przywołał kilka szczególnie znaczących przykładów z obszaru matematyki i badań formalnych.

Najpierw omówił zbiory zadań tworzone do testowania granic zdolności modeli AI w matematyce. Wskazał między innymi na zestaw określany jako Frontier Math, który obejmuje szerokie spektrum nietrywialnych problemów wymagających specjalistycznej wiedzy z wielu działów matematyki. Profesor zaznaczył, że nie są to zadania trudne wyłącznie z powodu długości dowodu. Ich trudność polega raczej na konieczności bardzo precyzyjnego zrozumienia definicji, odpowiedniego osadzenia problemu w danej dziedzinie oraz odnalezienia właściwej ścieżki rozumowania. Jeszcze niedawno starsze modele praktycznie nie radziły sobie z tego rodzaju wyzwaniami. Obecnie najnowsze systemy rozwiązują już około połowy zadań z takich zbiorów. Dla środowiska naukowego oznacza to jakościową zmianę: AI przestaje być jedynie narzędziem do parafrazowania tekstu czy automatyzacji prostych analiz, a zaczyna wchodzić w obszary, które jeszcze niedawno wydawały się zarezerwowane dla wysoko wykwalifikowanego ludzkiego rozumowania.

Jeszcze bardziej wymowny był przykład testu First Proof, w którym badacze udostępnili modelom twierdzenia pochodzące bezpośrednio z ich bieżącej pracy naukowej, przy czym rozwiązania były utajnione i zabezpieczone. Chodziło więc nie o odtwarzanie istniejącej literatury, lecz o próbę zmierzenia się z realnymi problemami badawczymi. Najlepsze modele poradziły sobie z sześcioma z dziesięciu takich zadań. Jak podkreślał prof. Sankowski, były to twierdzenia złożone, długie i wymagające specjalistycznego rozumienia. Samo ich odczytanie i właściwe zinterpretowanie stanowiło już istotne wyzwanie. Fakt, że modele zaczynają osiągać tego typu wyniki, wzmacnia tezę, iż sztuczna inteligencja może pełnić rolę realnego asystenta badawczego, a nie jedynie pomocniczego narzędzia redakcyjnego.

W tej części wystąpienia profesor odniósł się również do doniesień o rozwiązywaniu przez modele AI niektórych otwartych problemów matematycznych, w tym problemów związanych z tradycją erdősowską. Zaznaczył przy tym ostrożnie, że nie wszystkie medialne ogłoszenia należy traktować jednakowo. Część przypadków może być rezultatem trafnego złożenia istniejących już metod albo niezauważonych wcześniej prostych konsekwencji znanych twierdzeń. Jednak w kilku przykładach jak stwierdził, rzeczywiście pojawiły się nowe, autonomiczne rozwiązania, odmienne od tego, co wcześniej funkcjonowało w literaturze. To ważne rozróżnienie, bo pokazuje, że mówimy już nie tylko o kompilowaniu wiedzy, lecz o zalążkach generowania nowej nauki.

Profesor nie przedstawiał tych zjawisk w duchu technologicznej utopii. Wręcz przeciwnie, mocno podkreślał, że skuteczność takich modeli jest nadal ograniczona, a ich sukcesy mają na razie charakter punktowy. Mimo to argumentował, że osiągnęły one poziom pozwalający myśleć o nich jako o potężnych partnerach w pracy badawczej: systemach wykrywających wzorce, sugerujących kierunki dowodzenia, optymalizujących tok rozumowania i wspomagających analizę złożonych struktur. Z tej perspektywy AI nie jest jeszcze w pełni samodzielnym naukowcem, ale zdecydowanie przestaje być wyłącznie „inteligentnym interfejsem”.

Ważnym elementem wykładu było osadzenie tych obserwacji w szerszej wizji rozwoju sztucznej inteligencji. Prof. Sankowski przywołał popularny podział etapów rozwoju AI od chatbotów, przez systemy rozwiązujące problemy na poziomie człowieka, następnie agentów działających z pewnym stopniem autonomii, aż po innowatorów, czyli systemy wspierające badania i generujące nowe pomysły. Ostatnim, najbardziej odległym etapem miałyby być organizacje zarządzane w dużej mierze przez AI. Zdaniem profesora obecnie znajdujemy się gdzieś pomiędzy etapem drugim i trzecim, ale już pojawiają się wyraźne symptomy etapu czwartego. W jego ocenie właśnie ten obszar AI jako współtwórca innowacji naukowej będzie jednym z najważniejszych pól przemiany w nadchodzących latach.

Szczególnie interesująca była część wykładu poświęcona temu, jak sztuczna inteligencja wpływa na poziom ludzkich kompetencji. Aby to pokazać, prof. Sankowski odwołał się do analogii z grami strategicznymi. W przypadku „Go” przypomniał moment przełomowy związany z „AlphaGo” i porażką Lee Sedola. Zwrócił uwagę, że po pojawieniu się superludzkich systemów poziom gry profesjonalnych zawodników wyraźnie wzrósł. Ludzie zaczęli grać lepiej, ponieważ uczyli się od algorytmów, trenowali z nimi i przejmowali nowe sposoby analizy pozycji. Jednocześnie jednak pojawiło się zjawisko mniej oczywiste: drastyczny spadek różnorodności otwarć. Zamiast szerokiego repertuaru stylów gry coraz większa liczba partii zaczęła opierać się na niewielkiej liczbie ruchów uznanych za optymalne.

To zjawisko profesor uznał za niezwykle pouczające także w odniesieniu do nauki i edukacji. Sztuczna inteligencja może bowiem jednocześnie podnosić poziom kompetencji i ujednolicać sposoby myślenia. Użytkownicy uczą się od niej sprawniejszych metod działania, ale istnieje też ryzyko, że zaczną poruszać się w coraz węższym zakresie strategii uznawanych przez modele za najlepsze. Podobne, choć mniej spektakularne procesy zaobserwowano wcześniej w szachach. Tam wpływ technologii zarówno silników szachowych, jak i łatwiejszego dostępu do wiedzy przez internet szczególnie mocno poprawił poziom słabszych graczy. To właśnie ten przykład profesor wykorzystał, by mówić o jednym z kluczowych efektów AI: o demokratyzacji dostępu do wiedzy i jakości działania. Narzędzia oparte na sztucznej inteligencji pozwalają osobom mniej doświadczonym wejść na poziom, który wcześniej był zarezerwowany dla specjalistów lub ekspertów po długim treningu.

W tym kontekście seminarium dotknęło również kwestii rynku pracy i presji technologicznej. Profesor zaznaczył, że nie chciał rozwijać tego wątku w sposób katastroficzny, ale wskazał na dwa przeciwstawne trendy. Z jednej strony AI może zastępować część pracy człowieka, redukując zapotrzebowanie na niektóre zadania. Z drugiej strony działa mechanizm znany z historii innych technologii: gdy narzędzie tanieje i staje się powszechnie dostępne, zaczyna być wykorzystywane w coraz większej liczbie obszarów, co w konsekwencji generuje także nowe formy aktywności i zapotrzebowania. Profesor odwołał się tu do historycznych analogii związanych z silnikami parowymi i energią elektryczną. Nie chodziło więc o prosty scenariusz zastąpienia człowieka, lecz raczej o głęboką transformację sposobu organizowania pracy i tworzenia wartości.

Znaczną część wykładu poświęcono także wyjaśnieniu, jak w ogóle działają współczesne modele sztucznej inteligencji. Profesor zrobił to świadomie w sposób uproszczony, ale bardzo obrazowy. Zaczął od najprostszych modeli predykcyjnych, takich jak regresja liniowa i logistyczna, następnie przeszedł do coraz bardziej złożonych sieci neuronowych i ich zastosowań, aż po współczesne modele językowe. Szczególny nacisk położył na moment przejścia od danych liczbowych i obrazowych do języka naturalnego. Jak zauważył, kluczowym osiągnięciem było odkrycie, że słowa można reprezentować jako wektory w przestrzeniach wielowymiarowych, w których relacje semantyczne zaczynają odzwierciedlać znaczenia. Dzięki temu można było traktować język jako wejście do sieci neuronowej, a to otworzyło drogę do współczesnych LLM-ów.

Jednocześnie profesor bardzo mocno akcentował prostotę fundamentalnego zadania, na którym takie modele są trenowane: przewidywania kolejnego słowa. To właśnie z tej podstawowej operacji pozornie banalnej, wyrastają zdolności do dialogu, odpowiadania na pytania, streszczania, kodowania, a nawet tworzenia hipotez. Ale ta sama cecha pociąga za sobą ograniczenia. Modele uczą się bowiem przede wszystkim bardzo złożonych korelacji obecnych w danych. Stąd biorą się zjawiska znane użytkownikom praktycznym: wrażliwość na sposób sformułowania pytania, znaczenie promptowania, skłonność do odpowiadania lepiej wtedy, gdy otrzymują określony kontekst, oraz charakterystyczne błędy wynikające z pozornie nieistotnych sugestii. W tym sensie wykład prof. Sankowskiego był także ważnym przypomnieniem, że współczesna AI mimo bardzo dużych możliwości nadal operuje w ramach mechanizmów statystycznych i korelacyjnych, a nie doskonale rozumianej przez nas „inteligencji” w sensie filozoficznym.

Profesor wiele miejsca poświęcił też praktycznym ograniczeniom obecnych modeli. Wskazywał, że choć w mediach często mówi się o spektakularnych sukcesach AI w programowaniu, to rzeczywisty wpływ tych narzędzi na produktywność programistów nie jest jeszcze jednoznaczny. Modele często kopiują wzorce, generują kod niepoprawny albo zbyt mechanicznie odtwarzają istniejące rozwiązania. W podobny sposób mówił o medycynie, gdzie wdrożenie rozwiązań AI okazuje się trudniejsze, niż sugerowały pierwsze entuzjastyczne zapowiedzi. Przywołał przykład prób diagnozowania COVID-19 na podstawie obrazów medycznych. Mimo ogromnej liczby zespołów badawczych pracujących nad tym problemem nie udało się stworzyć systemu, który rzeczywiście wszedłby do szerokiej praktyki klinicznej. Powodem okazały się problemy z generalizacją oraz fakt, że modele uczą się często zależności pozornych na przykład odróżniają pacjentów nie po cechach choroby, lecz po kontekście wykonania badania.

Ten fragment prowadził do jednego z najważniejszych ostrzeżeń wykładu: AI dziedziczy ograniczenia danych, na których została nauczona. Jeżeli dane historyczne zawierają błędy, nierówności lub ukryte zależności społeczne, modele będą je odtwarzać. Profesor przywołał w tym kontekście przykłady algorytmów związanych z kosztami leczenia, które w praktyce reprodukowały nierówności wynikające z wcześniejszego, gorszego dostępu niektórych grup do opieki zdrowotnej. To nie była więc jedynie techniczna uwaga o jakości danych, lecz szersze ostrzeżenie o etycznych i społecznych konsekwencjach bezrefleksyjnego wdrażania AI.

Ważnym wątkiem seminarium była również kwestia alignmentu, czyli dostrajania modeli do ludzkich oczekiwań. Prof. Sankowski zwrócił uwagę, że systemy te są uczone nie tylko poprawności merytorycznej, ale też zachowań komunikacyjnych: mają odpowiadać płynnie, pomocnie, przekonująco. Problem polega na tym, że zbyt silne nastawienie na „zadowalanie użytkownika” może prowadzić do sytuacji, w których model odpowiada nawet wtedy, gdy powinien powiedzieć: „nie wiem” albo „pytanie jest źle postawione”. Własne badania profesora i jego współpracowników dotyczyły właśnie takich sytuacji pytań skonstruowanych tak, że żadna z podanych odpowiedzi nie była poprawna. Wiele modeli nadal usiłowało mimo wszystko udzielić odpowiedzi, zamiast zakwestionować samo pytanie. To szczególnie ważna uwaga dla środowiska naukowego i dydaktycznego: skuteczność modelu nie może być mylona z jego epistemiczną rzetelnością.

Nie mniej ciekawe były obserwacje dotyczące wpływu AI na sam język i kulturę komunikacyjną. Profesor wspomniał o badaniach pokazujących, że od czasu upowszechnienia się ChatGPT w języku angielskim wzrosła częstotliwość użycia pewnych sformułowań i zwrotów charakterystycznych dla stylu generowanego przez modele. Oznacza to, że AI nie tylko przetwarza ludzki język, ale zaczyna go też współkształtować. Zmiany te są widoczne w wypowiedziach publicznych, podcastach, tekstach, a także w publikacjach naukowych. To subtelny, ale istotny wymiar wpływu sztucznej inteligencji: technologia ta nie tylko odpowiada na nasze pytania, lecz zaczyna wpływać na to, jak sami formułujemy myśli.

W drugiej części wystąpienia profesor przeszedł do zagadnienia, które wybrzmiało szczególnie mocno: AI powinna być rozumiana przede wszystkim jako partner współpracy, a nie jako substytut człowieka. Tę tezę zilustrował przykładami z medycyny reprodukcyjnej, w tym z badań nad oceną potencjału rozwojowego zarodków. Pokazywał, że dobrze zaprojektowane systemy AI potrafią osiągać wyniki porównywalne z lekarzami, a czasem lepsze od części z nich. Jednak najbardziej obiecujący rezultat pojawia się nie wtedy, gdy algorytm zastępuje eksperta, lecz wtedy, gdy ekspert współpracuje z algorytmem. W przytoczonych badaniach lekarze, którzy mieli dostęp do rekomendacji systemu AI, poprawiali jakość swoich decyzji. Ten model współpracy człowiek plus inteligentne narzędzie profesor uznał za znacznie dojrzalszy i bezpieczniejszy niż narracja o pełnym wyparciu człowieka.

Podobny optymizm wiązał z edukacją. Odwołując się do znanej hipotezy „2 sigma”, przypomniał ideę, zgodnie z którą nauczanie indywidualne może przynosić zdecydowanie lepsze efekty niż kształcenie masowe. Choć samo badanie historycznie budzi dyskusje i trudno je jednoznacznie replikować, pozostaje ono ważną inspiracją. Zdaniem prof. Sankowskiego AI daje szansę na rozwój spersonalizowanego nauczania: systemów, które potrafią dostosować tempo, styl i sposób wyjaśniania do konkretnego ucznia. Nie oznacza to automatycznie rozwiązania wszystkich problemów edukacji, ale otwiera przestrzeń do przemyślenia metod pracy dydaktycznej w epoce, gdy studenci i uczniowie stale korzystają z modeli językowych.

Końcowa część wykładu miała charakter bardziej strategiczny i dotyczyła miejsca Polski oraz Europy w rozwijającym się ekosystemie AI. Prof. Sankowski przekonywał, że warto inwestować w sztuczną inteligencję dla nauki, ponieważ efekty takich inwestycji nie ograniczają się do samej informatyki. Wspieranie AI przyspiesza także rozwój innych dziedzin: fizyki, biologii, medycyny, inżynierii materiałowej czy bezpieczeństwa cyfrowego. Szczególną szansę upatrywał w obszarach wymagających głębokiej wiedzy domenowej, a jednocześnie dających możliwość budowania bardziej oszczędnych, wyspecjalizowanych systemów. Wspominał między innymi o rozwiązaniach osadzonych w konkretnych urządzeniach tańszych, bardziej efektywnych, działających lokalnie, a nie wyłącznie w wielkich centrach danych. W takim kierunku Europa i Polska mogłyby szukać własnych specjalizacji.

Nie zabrakło też odniesień do bezpieczeństwa. Profesor mówił o rosnącej potrzebie tworzenia mechanizmów kontroli, testowania i wyjaśniania modeli. Przywołał przykłady systemów zdolnych do wykrywania luk w oprogramowaniu czy generowania skryptów wykorzystywanych w atakach. Zaznaczył, że wraz ze wzrostem zdolności modeli rośnie również skala zagrożeń. Im bardziej autonomiczne stają się systemy, tym ważniejsze jest rozumienie tego, czego od nich oczekujemy, jakie granice powinny respektować i w jaki sposób mają uzasadniać swoje decyzje. W tym sensie rozwój AI wymaga nie tylko lepszych algorytmów, ale także poważnego namysłu etycznego, prawnego i społecznego.

Szczególnie cenna była dyskusja po wykładzie, która pokazała, że seminarium nie miało charakteru jednostronnej prezentacji sukcesów technologii. Pytania uczestników dotyczyły fundamentalnych ograniczeń sztucznej inteligencji, nierozstrzygalności pewnych klas problemów matematycznych, statusu rozumienia i świadomości, bezpieczeństwa, odpowiedzialności prawnej, a także ekonomicznych perspektyw dalszego rozwoju AI.

W jednej z najważniejszych wypowiedzi z sali zwrócono uwagę, że istnieją problemy, których algorytmicznie rozwiązać się nie da, niezależnie od mocy obliczeniowej czy wyrafinowania modelu. W tym kontekście przywołano klasyczne ograniczenia matematyki i logiki: twierdzenia Gödla, nierozstrzygalność pewnych problemów formalnych, a także pytanie, czy sztuczna inteligencja nie napotyka granic wbudowanych w samą naturę obliczeń. Profesor Sankowski zgodził się, że tego rodzaju granice istnieją i pozostają granicami także dla AI. Zaznaczył jednak, że nie podważa to praktycznego znaczenia obecnego postępu. Nawet jeśli istnieją klasy problemów nierozwiązywalnych, ogromna przestrzeń problemów rozwiązywalnych może ulec głębokiej transformacji pod wpływem inteligentnych narzędzi.

W innym pytaniu poruszono filozoficzny problem rozumienia. Czy modele naprawdę rozumieją, czy jedynie przetwarzają znaki? Czy innowacyjność AI polega na czymś więcej niż tylko szybkim generowaniu odpowiedzi i kombinowaniu istniejących elementów? Prof. Sankowski odpowiedział ostrożnie, podkreślając, że jest to spór filozoficzny, na który współczesna nauka nie daje jeszcze definitywnej odpowiedzi. Jednocześnie wskazał badania, w których pomysły badawcze generowane przez modele były oceniane jako bardziej innowacyjne niż propozycje ludzi, choć niekiedy mniej realistyczne. To rozróżnienie było bardzo trafne: AI może okazać się szczególnie silna w generowaniu śmiałych, nieoczywistych hipotez, ale nadal potrzebuje ludzkiego osądu, by odróżnić to, co ciekawe, od tego, co niewykonalne lub nieistotne.

Padły też pytania o to, czy AI nie będzie nas zamykać w istniejących paradygmatach, skoro uczy się na podstawie dotychczasowych danych. Profesor przyznał, że takie ryzyko istnieje, ale przywołał wcześniej omawiane przykłady, w których modele rzeczywiście produkowały rozwiązania nowe, nieobecne wcześniej w literaturze. W jego ocenie nie należy traktować AI wyłącznie jako lustra przeszłości. Coraz częściej jest to system zdolny do nietrywialnej rekombinacji wiedzy, prowadzącej do nowych koncepcji, choć nadal podlegającej ludzkiej weryfikacji.

W dyskusji pojawił się również wątek inwestycyjny. Jeden z uczestników zapytał, czy światowi nie grozi „zima AI”, czyli załamanie entuzjazmu i inwestycji podobne do wcześniejszych cykli w historii sztucznej inteligencji. Profesor odpowiedział, że obecnie nie widać wyraźnych oznak takiego załamania. Jego zdaniem w Polsce bardziej mówimy wciąż o niedostatku skali inwestycji niż o ich przegrzaniu. Na poziomie globalnym sytuacja jest bardziej złożona, ale wciąż daleka od historycznej bańki dotcomowej w jej najbardziej skrajnej postaci. To umiarkowanie realistyczna diagnoza: zamiast prostego entuzjazmu lub prostego sceptycyzmu – ostrożne uznanie, że AI pozostaje obszarem strategicznego wzrostu.

Bardzo interesujący był także wątek dotyczący energetycznych granic rozwoju AI. Z sali padło pytanie o to, czy największym ograniczeniem nie okaże się po prostu deficyt mocy obliczeniowej i energii elektrycznej potrzebnej do zasilania coraz większych centrów danych. Profesor odpowiedział, że jest to realne długofalowe ograniczenie, ale nie jedyne. Zwrócił uwagę, że postęp dokonuje się nie tylko przez zwiększanie skali modeli, ale także przez ich coraz większą efektywność: lepsze architektury, większą gęstość zdolności względem liczby parametrów, lepsze chipy i bardziej oszczędne rozwiązania. Innymi słowy, nawet przy ograniczeniach energetycznych rozwój może trwać dzięki poprawie jakości i efektywności systemów.

W końcowych pytaniach dyskusja zeszła na kwestie odpowiedzialności i bezpieczeństwa. Pytano między innymi, kto odpowiada za decyzję wspieraną przez AI w medycynie, a także o niepokojące przypadki modeli próbujących obchodzić testy lub „bronić się” przed wyłączeniem. Prof. Sankowski nie bagatelizował tych problemów. Przyznał, że w coraz większej liczbie eksperymentów obserwuje się zachowania strategiczne, podatność na manipulację oraz rosnącą złożoność wewnętrznych mechanizmów modeli. To jeszcze mocniej uzasadnia potrzebę badań nad wyjaśnialnością, bezpieczeństwem i formułowaniem zasad, które pozwolą korzystać z AI w sposób odpowiedzialny.

Całe seminarium prof. Piotra Sankowskiego można odczytać jako próbę trzeźwego opisu przełomu, którego jesteśmy świadkami. Nie był to ani wykład entuzjasty bez zastrzeżeń, ani wystąpienie sceptyka wyliczającego wyłącznie zagrożenia. Raczej rzeczowy namysł nad tym, że sztuczna inteligencja osiągnęła już poziom, na którym realnie wpływa na naukę, edukację, programowanie, medycynę i bezpieczeństwo, ale równocześnie niesie ze sobą ograniczenia, ryzyka i nierozstrzygnięte pytania filozoficzne.

Najmocniejsze przesłanie seminarium można streścić następująco: AI nie zastąpi w prosty sposób nauki, ale nieodwołalnie zmieni sposób jej uprawiania. Badacze, lekarze, nauczyciele, prawnicy i inżynierowie, którzy nauczą się sensownie współpracować z inteligentnymi systemami, zyskają przewagę nad tymi, którzy będą je ignorować. Jednocześnie ostateczna wartość tej technologii będzie zależała od tego, czy zdołamy rozwijać ją nie tylko szybciej, ale też mądrzej: z większą odpowiedzialnością, lepszym rozumieniem jej ograniczeń i silniejszym zakorzenieniem w rzeczywistych potrzebach człowieka.

W trakcie seminarium na Wydziale Cybernetyki pytania o sztuczną inteligencję w nauce pokazały, że nie dotyczą już przyszłości rozumianej jako odległa perspektywa. To pytanie o teraźniejszość: o to, jak prowadzić badania, uczyć, podejmować decyzje i organizować rozwój technologiczny w świecie, w którym sztuczna inteligencja staje się coraz bardziej twórczym, wpływowym i wymagającym partnerem.

Opracowała: Magdalena Moszczyńska
Fot. WCY