TI/Sztuczna Inteligencja - Historia wersji

Durka: /* Materiały edukacyjne o LLM */

2025-12-19T12:56:43Z

Materiały edukacyjne o LLM

Durka: /* Slajdy */

2025-12-16T10:57:56Z

Slajdy

Durka: /* ⬆ Historia */

2025-11-20T20:04:17Z

⬆ Historia

Durka: /* ⬆ Historia */

2025-11-20T20:01:27Z

⬆ Historia

Durka: /* Materiały edukacyjne o LLM */

2025-11-20T19:59:35Z

Materiały edukacyjne o LLM

Durka: /* Materiały edukacyjne o LLM */

2025-11-20T19:59:23Z

Materiały edukacyjne o LLM

Durka: /* Niektóre problemy */

2025-11-20T19:54:26Z

Niektóre problemy

Durka: /* Niektóre problemy */

2025-11-20T19:51:58Z

Niektóre problemy

Durka: /* Slajdy */

2025-11-20T16:34:41Z

Slajdy

Durka: /* Slajdy */

2025-11-20T16:34:23Z

Slajdy

@@ Linia 93: / Linia 93: @@
 == Materiały edukacyjne o LLM ==
 * zamiana słów na tokeny: https://tiktokenizer.vercel.app/
 * projekcje przestrzeni zanurzeń: http://projector.tensorflow.org/

@@ Linia 90: / Linia 90: @@
 == Slajdy ==
-Slajdy z poprzednich wykładów o SI dostępne są w formacie [https://drive.google.com/file/d/16vgyKQO1loeaE_E0UmlGr_B5nsGhoEp_ PDF]
+Slajdy z wykładu o BCI i SI w [https://drive.google.com/file/d/1py1fKrxLklH18k3AexzBlIiVZQ9dbcBV PDF]
 == Materiały edukacyjne o LLM ==

@@ Linia 12: / Linia 12: @@
 Kolejny przełom nastąpił w roku 2016, kiedy algorytm [https://pl.wikipedia.org/wiki/AlphaGo AlphaGo] wygrał zdecydowanie z [https://pl.wikipedia.org/wiki/Lee_Sedol Lee Sedolem], jednym z najlepszych graczy w [https://pl.wikipedia.org/wiki/Go go].
-Ostatnią eksplozję zainteresowania SI spowodowało udostępnienie przez kilka wielkich firm [https://pl.wikipedia.org/wiki/Du%C5%BCy_model_j%C4%99zykowy Dużych Modeli Językowych] (ang. Large Language Models, LLM). W tym miejscu warto wspomnieć, że pierwsze programy komputerowe prowadzące konwersacje w języku naturalnym powstawały już ponad pół wieku temu. Najbardziej rozpoznawalnym do dzisiaj jest ELIZA (nazwa nawiązuje do sztuki [https://pl.wikipedia.org/wiki/Pigmalion_(dramat_George%E2%80%99a_Bernarda_Shawa) Pygmalion]), opisana w [https://dl.acm.org/doi/10.1145/365153.365168 artykule z 1966 roku] — z wersją zbliżoną do oryginału można porozmawiać (po angielsku) np. [https://anthay.github.io/eliza.html tutaj].
+Ostatnią eksplozję zainteresowania SI spowodowało udostępnienie przez kilka wielkich firm chatbotów — interaktywnych wersji [https://pl.wikipedia.org/wiki/Du%C5%BCy_model_j%C4%99zykowy Dużych Modeli Językowych] (ang. Large Language Models, LLM). W tym miejscu warto wspomnieć, że pierwsze programy komputerowe prowadzące konwersacje w języku naturalnym powstawały już ponad pół wieku temu. Najbardziej rozpoznawalnym do dzisiaj jest ELIZA (nazwa nawiązuje do sztuki [https://pl.wikipedia.org/wiki/Pigmalion_(dramat_George%E2%80%99a_Bernarda_Shawa) Pygmalion]), opisana w [https://dl.acm.org/doi/10.1145/365153.365168 artykule z 1966 roku] — z wersją zbliżoną do oryginału można porozmawiać (po angielsku) np. [https://anthay.github.io/eliza.html tutaj].
 Współczesne Duże Modele Językowe opierają się na architekturze transformerów (pol. transformatorów), opisanej po raz pierwszy w roku 2017 artykule [https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf Attention is all you need] (zob. interaktywny [https://poloclub.github.io/transformer-explainer/ Transformer explainer] z artykułu [https://arxiv.org/abs/2408.04619 Transformer Explainer: Interactive Learning of Text-Generative Models].

@@ Linia 8: / Linia 8: @@
 Boom na głębokie sieci neuronowe zapoczątkowała sieć [https://en.wikipedia.org/wiki/AlexNet AlexNet], która w roku 2012 uzyskała wyniki znacznie przewyższające wszystkie dotychczasowe podejścia z zakresu rozpoznawania obrazów (ang. computer vision). Metodologia używana w uczeniu tej sieci sama w sobie nie była rewolucyjna; przełom spowodowały przede wszystkim dwa, do dzisiaj kluczowe, czynniki:
 # Dostępność (w [[TI/Internet_od_%C5%9Brodka|Internecie]]) ogromnej liczby zdjęć, na podstawie których prof. [https://en.wikipedia.org/wiki/Fei-Fei_Li Fei Fei Li] doprowadziła do powstania ogromnego zbioru obrazów '''z oznaczeniami treści''', nadającego się do uczenia nadzorowanego — [https://en.wikipedia.org/wiki/ImageNet ImageNet]. Sieci neuronowe uczone na mniejszej ilości danych dawały rezultaty gorsze niż klasyczne metody [https://pl.wikipedia.org/wiki/Rozpoznawanie_obraz%C3%B3w rozpoznawania obrazów].
-# Dostępność ogromnych mocy obliczeniowych, w szczególności specjalizowanych procesorów do obliczeń graficznych (graphical processing units, GPU), których wbudowana równoległość dramatycznie przyspieszyły proces uczenia sieci.
+# Dostępność ogromnych mocy obliczeniowych, w szczególności specjalizowanych procesorów do obliczeń graficznych (graphical processing units, GPU), których wbudowana równoległość dramatycznie przyspieszyła proces uczenia sieci.
 Kolejny przełom nastąpił w roku 2016, kiedy algorytm [https://pl.wikipedia.org/wiki/AlphaGo AlphaGo] wygrał zdecydowanie z [https://pl.wikipedia.org/wiki/Lee_Sedol Lee Sedolem], jednym z najlepszych graczy w [https://pl.wikipedia.org/wiki/Go go].

@@ Linia 94: / Linia 94: @@
 == Materiały edukacyjne o LLM ==
 * zamiana słów na tokeny: https://tiktokenizer.vercel.app/
-* projekcie przestrzeni zanurzeń: http://projector.tensorflow.org/
+* projekcje przestrzeni zanurzeń: http://projector.tensorflow.org/
 * wizualizacja działania LLM: https://bbycroft.net/llm
 * ''transformer explainer'': https://poloclub.github.io/transformer-explainer/

@@ Linia 64: / Linia 64: @@
 ==Niektóre problemy==
 * Jakość LLM, mierzona "błyskotliwością i trafnością" (nie wszystkich) odpowiedzi, zależy dramatycznie od rozmiaru zbiorów uczących. Wszystkie dostępne legalnie zasoby w postaci encyklopedii i archiwów zostały już wykorzystane, największe firmy prześcigają się w powiększaniu zbiorów uczących o (najprawdopodobniej) nielegalnie pozyskiwane treści. Na przykład, jeśli w zbiorze uczącym znajdzie się pełna treść artykułu odpowiadającego na jakieś pytania, to w odpowiedzi na właściwie sformułowane zapytanie LLM może "przekopiować" znaczące części artykułu — jak opisano np. w publikacji [https://arxiv.org/pdf/2310.13771 Copyright Violations and Large Language Models].
 * Uczenie LLM pochłania ogrome ilości energii, porównywalne już z zapotrzebowaniem na energię całych państw. W kwietniu 2025 roku dr Eric Schmidt, kierujący przez lata firmami Google i Alphabet, zeznając przed Kongresem USA wyraził konieczność dostarczenia w ciągu 3–5 lat dodatkowych 90 GW energii dla zasilenia (tylko) amerykańskiej infrastruktury AI. To znacznie więcej, niż zużywa Polska na wszystkie potrzeby, włącznie z utrzymaniem przy życiu 40 milionów osób. Nikt nie zdąży w tak krótkim czasie wybudować 90 elektrowni atomowych, więc energia ta powstać może tylko z paliw kopalnych. W ten sposób gargantuiczne zapotrzebowanie na energię centrów obliczeniowych przyspiesza globalne ocieplenie.

@@ Linia 80: / Linia 80: @@
 * LLM całą wiedzę czerpią wyłącznie ze zbiorów uczących, które coraz bardziej zbliżają się do "zawartości Internetu", więc powielają wyrażane np. w mediach społecznościowych teorie spiskowe, przesądy, bzdury i niesprawiedliwe opinie.
-* AI ułatwia tworzenie fałszywych treści na wielką skalę. 10 lat temu jedna osoba z farmy trolli Prigożyna kontrolowała do [https://www.tygodnikpowszechny.pl/sztuczna-inteligencja-daje-nowe-mozliwosci-autorom-dezinformacji-i-propagandy-mowi-tygodnikowi 20 fałszywych kont] w serwisach społecznościowych. 5 lat temu udział botów w dyskusjach o zabarwieniu politycznym  na twitterze wahał się między [https://www.nature.com/articles/s41598-025-96372-1 17 a 44%]. W roku 2024, ruch internetowy generowany przez algorytmy przekroczył [https://www.imperva.com/resources/resource-library/reports/2025-bad-bot-report/ 51%], przerastając aktywność generowaną przez ludzi. Prowadzone z pomocą AI fałszywe konta, Deepfake’i, i mikrotargetowanie, które odsłania przed algorytmami nasze słabości, są od lat wykorzystywane do wpływania na decyzje wyborców, przyczyniając się znacząco do osłabiania demokracji.
+* AI ułatwia tworzenie fałszywych treści na wielką skalę. 10 lat temu jedna osoba z farmy trolli Prigożyna kontrolowała do [https://www.tygodnikpowszechny.pl/sztuczna-inteligencja-daje-nowe-mozliwosci-autorom-dezinformacji-i-propagandy-mowi-tygodnikowi 20 fałszywych kont] w serwisach społecznościowych. 5 lat temu udział botów w dyskusjach o zabarwieniu politycznym  na twitterze wahał się między [https://www.nature.com/articles/s41598-025-96372-1 17 a 44%]. W roku 2024, ruch internetowy generowany przez algorytmy przekroczył [https://www.imperva.com/resources/resource-library/reports/2025-bad-bot-report/ 51%], przerastając aktywność generowaną przez ludzi. Prowadzone z pomocą AI fałszywe konta, Deepfake’i, i mikrotargetowanie, które odsłania przed algorytmami nasze słabości, są od lat wykorzystywane do wpływania na decyzje wyborców, przyczyniając się znacząco do osłabiania demokracji. W roku 2025 sieć fałszywych stron internetowych, tworzonych z pomocą generatywnych LLM, zdominowała dane uczące największych LLM do tego stopnia, że znacząca cześć ich odpowiedzi powiela rosyjską propagandę — por. https://cyberdefence24.pl/cyberbezpieczenstwo/sztuczna-inteligencja-w-sluzbie-rosyjskiej-propagandy i https://www.wired.com/story/pro-russia-disinformation-campaign-free-ai-tools/
 * Inwigilacja obywateli w zastępujących demokracje systemach totalitarnych nie jest niczym nowym,  AI zmienia tylko skalę. Wcześniej nawet częściowa inwigilacja społeczeństwa wymagała zaangażowania ogromnych zasobów. Na przykład w dawnej  NRD, według niektórych szacunków, informatorem był [https://archive.nytimes.com/www.nytimes.com/books/first/k/koehler-stasi.html co siódmy obywatel] — mniej więcej w tym czasie George Orwell pisał ,,Rok 1984’’. Dzisiaj systemy oparte na AI mogą to robić bez porównania efektywniej i taniej, umożliwiając inwigilację totalną, co pokazuje działający w Chinach od ponad dekady Social Credit System, którego pierwsze wdrożenia zbiegły się z premierą odcinka ,,Nosedive’’ serialu ,,Czarne Lustro’’.
 * AI powoli wkracza do administracji publicznej — nie tylko w USA. Zanim ostatecznie zautomatyzujemy decyzje o wyrokach i świadczeniach, przypomnijmy powieść [https://pl.wikipedia.org/wiki/Proces_(powieść) ,,Proces’’] Franza Kafki. Historia Józefa K., opisana sto lat temu, pokazuje dramat życia w systemie, w którym bezosobowa władza nie ujawnia zarzutów i nie uzasadnia wyroków. Warto do niej wrócić, bo ,,zaleceń lub decyzji’’ algorytmów opartych o AI też nie będziemy w stanie wyjaśnić.
 == Slajdy ==

← poprzednia wersja		Wersja z 16:34, 20 lis 2025
Linia 85:		Linia 85:

	* AI powoli wkracza do administracji publicznej — nie tylko w USA. Zanim ostatecznie zautomatyzujemy decyzje o wyrokach i świadczeniach, przypomnijmy powieść [https://pl.wikipedia.org/wiki/Proces_(powieść) ,,Proces’’] Franza Kafki. Historia Józefa K., opisana sto lat temu, pokazuje dramat życia w systemie, w którym bezosobowa władza nie ujawnia zarzutów i nie uzasadnia wyroków. Warto do niej wrócić, bo ,,zaleceń lub decyzji’’ algorytmów opartych o AI też nie będziemy w stanie wyjaśnić.		* AI powoli wkracza do administracji publicznej — nie tylko w USA. Zanim ostatecznie zautomatyzujemy decyzje o wyrokach i świadczeniach, przypomnijmy powieść [https://pl.wikipedia.org/wiki/Proces_(powieść) ,,Proces’’] Franza Kafki. Historia Józefa K., opisana sto lat temu, pokazuje dramat życia w systemie, w którym bezosobowa władza nie ujawnia zarzutów i nie uzasadnia wyroków. Warto do niej wrócić, bo ,,zaleceń lub decyzji’’ algorytmów opartych o AI też nie będziemy w stanie wyjaśnić.
		+
		+