W ciągu ostatnich siedemdziesięciu lat rozwojowi sztucznej inteligencji towarzyszyły na przemian buńczuczne deklaracje i głęboki sceptycyzm. Dziś SI cieszy się największą popularnością w historii. Coraz więcej ekspertów prognozuje jednak rychłą zmianę klimatu

Po tygodniku „The Economist” trudno spodziewać się rewolucyjnych pomysłów gospodarczych. Od lat promuje centrowe, liberalne poglądy, które raczej afirmują istniejący porządek ekonomiczny, niż wskazują kierunki jego przebudowy. Gdy więc podaje on w wątpliwość któryś z trendów obowiązujących na światowych rynkach, to znak, że na horyzoncie czai się realna zmiana.

Najnowszy numer „Technology Quarterly”, cyklicznego dodatku do „The Economist” poświęconego nowym technologiom, w całości skupia się na sztucznej inteligencji. A dokładniej: na zawyżonych nadziejach z nią związanych. Diagnoza jest jednoznaczna: po bardzo gorącym lecie czeka nas dość gwałtowne ochłodzenie. Nie będzie to jednak kolejna zima SI, tylko raczej jesień, która przyniesie korektę nazbyt wygórowanych oczekiwań.

Gdy entuzjazm stygnie

Przywoływane przez tygodnik dane mówią same za siebie: 70 procent z dwóch i pół tysiąca menedżerów wysokiego szczebla ankietowanych przez Boston Consulting Group i MIT twierdzi, że projekty SI wygenerowały małe wpływy w ich przedsiębiorstwach. Z kolei według firmy doradczej PwC liczba firm planujących wdrożenia SI spadła z 20 procent w 2019 r. do 4 procent w roku bieżącym. Na dodatek wdrożonych projektów SI jest dziś o 9 procent mniej niż przed rokiem (spadek z 27 do 18 procent), co świadczy o tym, że część pośpiesznych prób wykorzystania tej technologii została wstrzymana.

Diagnoza jest jednoznaczna: po bardzo gorącym lecie czeka nas dość gwałtowne ochłodzenie. Nie będzie to jednak kolejna zima SI, tylko raczej jesień, która przyniesie korektę nazbyt wygórowanych oczekiwań

Zdaniem cytowanej przez „The Economist” analityczki z firmy Gartner rok 2020 może być więc czasem osłabienia inwestycji w SI. Ekspertka przewiduje, że dobiega końca etap zawyżonych oczekiwań wobec tej technologii a zaczyna się gwałtowny spadek zainteresowania [chodzi o tzw. cykl Gartnera – przyp. red.]. Z czego wynika taka zmiana nastrojów?

Nie każdy może być Google’em

Powodów jest kilka. Przede wszystkim na wysokie notowania SI ogromny wpływ miał w ostatnich latach szum medialny wytworzony wokół firm, które cyfrowe technologie mają wpisane w biznesowe DNA. Chodzi o tzw. digital natives, czyli korporacje, które swoją potęgę zbudowały na trzech filarach rozwoju SI: algorytmach nowej generacji, mocniejszych komputerach i większej ilości danych. To jednak, co sprawdziło się w przypadku kilku cyfrowych gigantów, niekoniecznie działa w innych przedsiębiorstwach. Dla wielu branż SI to nadal technologia trudna do wdrożenia i nieprzynosząca szybko spodziewanych korzyści.

Kolejnym wyzwaniem związanym z efektywnym użyciem SI są dane, a raczej problem z ich pozyskaniem. O ile bowiem takie firmy, jak Google, Facebook czy Amazon dzień w dzień powiększają zasoby informacji na temat swoich użytkowników, o tyle w innych sektorach sytuacja przedstawia się zgoła inaczej. W wielu przypadkach dane są trudne do zdobycia bądź nie stanowią obiektywnego odwzorowania rzeczywistości. Co więcej, świat ulega nieustannym zmianom (jak np. pandemia), a w związku z tym modele SI też muszą ewoluować. Ich trenowanie jednak kosztuje, co nie wpływa dobrze na samopoczucie inwestorów.

Do czynników generujących koszty należy też zaliczyć niezbędne do rozwoju SI moce obliczeniowe. W przypadku niektórych start-upów wydatki na te zasoby pochłaniają ponad 25 procent przychodów. Może to przynajmniej częściowo wyjaśniać, dlaczego 40 procent europejskich start-upów w ogóle nie korzysta z SI.

Pewność tylko w strefie komfortu

Inną grupę problemów stanowią słabości samej SI. Zastosowanie systemów uczenia maszynowego w tak wrażliwych obszarach, jak choćby medycyna, to w wielu wypadkach wciąż ryzykowne przedsięwzięcie. Przykład? SI wykorzystywana w eksperymencie prowadzonym przez sieć nowojorskich szpitali, gdzie system nauczył się „wykrywać’ przypadki zapalenia płuc nie na podstawie danych medycznych, ale identyfikując instytucję, z której pochodziły wyniki. Maszyna po prostu wiedziała, że podczas treningu najwięcej przypadków choroby było w danej placówce, i na tym opierała swoją „diagnozę”.

SI działa naprawdę dobrze wyłącznie w „strefie komfortu”, tzn. w warunkach testowych. W rzeczywistym świecie natomiast bardzo łatwo wywieść ją w pole

Kolejnym przykładem zawiedzionych oczekiwań wobec SI są dziś autonomiczne pojazdy. „The Economist” przywołuje przypadek amerykańskiej firmy Starsky Robotics, która pracowała nad autonomicznymi ciężarówkami i w marcu br. została zamknięta. Wśród przyczyn upadku firmy jej założyciel wymienia zarówno koncentrację na bezpieczeństwie projektowanych rozwiązań (co irytowało niecierpliwych inwestorów), jak i niedostatki samej technologii.

Sceptyczny wobec szans na rychłe pojawienie się na drogach autonomicznych pojazdów jest też Rodney Brooks, legenda światowej robotyki. Jego zdaniem uczenie głębokie bazuje na statystyce i kiepsko radzi sobie w sytuacjach nietypowych, które dla ludzi nie stanowią wielkiego wyzwania. Jak zauważa cytowana przez „The Economist” dr Mary Cummings z amerykańskiego Uniwersytetu Duke’a, SI działa naprawdę dobrze wyłącznie w „strefie komfortu”, tzn. w warunkach testowych. W rzeczywistym świecie natomiast bardzo łatwo wywieść ją w pole.

Niepokojąca skuteczność

Paradoksalnie sporym problemem związanym z SI jest też duża skuteczność jej niektórych zastosowań. Chodzi tu o systemy służące do społecznej inwigilacji (np. służące do automatycznego rozpoznawania twarzy) czy umożliwiające manipulację opiniami dużych grup ludzi w mediach społecznościowych. Ich negatywne oddziaływanie zauważa dziś coraz więcej osób, przez co narastają wątpliwości co do etycznego wykorzystywania SI. Taka atmosfera nie sprzyja upowszechnianiu tej technologii, co dostrzegają także inwestorzy.

„The Economist” nie jest odosobniony w swoim sceptycyzmie wobec obecnego potencjału SI. Podobne głosy słychać już od pewnego czasu z innych miejsc, w tym także ze strony osób rozwijających tę technologię. Czy oznacza to, że powinniśmy postawić krzyżyk na SI i zająć się poszukiwaniem jakiegoś nowego trendu? Nic podobnego. Najwyższy czas zacząć o niej myśleć po prostu w realistycznych kategoriach. Wtedy prędzej pokaże swoje naprawdę mocne strony.

Opracowano na podstawie: „The Economist Technology Quarterly: Artificial Intelligence and its limits”, June 13th–19th 2020.

Skip to content