Nowy model
AI.

AI staje się warstwą infrastrukturalną świata. Kto kontroluje modele, dane, kanały dostępu i zasady działania, ten w coraz większym stopniu kontroluje fragmenty gospodarki, kultury, administracji, edukacji i wiedzy.

Suwerenność AI nie jest więc tylko politycznym hasłem. Jest warunkiem bezpieczeństwa poznawczego, gospodarczego i technologicznego.

Suwerenna AI oznacza zdolność do uruchamiania modeli lokalnie lub regionalnie; kontrolowania danych i pamięci organizacyjnej; audytowania decyzji, źródeł i aktualizacji; unikania zależności od jednego dostawcy; oraz posiadania lub zarządzania własnymi modelami, adapterami, korpusami i regułami operacyjnymi.

Nie każda organizacja musi trenować model fundamentalny od zera. Ale każda organizacja powinna mieć możliwość posiadania własnej warstwy AI: dostosowanej do jej wiedzy, języka, kultury, procedur, ryzyk i celów.

Bezpieczeństwa AI nie można sprowadzać do filtrowania danych wyjściowych. Filtry są potrzebne, ale stanowią zabezpieczenie powierzchowne.

Bezpieczna AI musi być projektowana głębiej: na poziomie architektury, pamięci, dostępu do danych, ścieżek decyzyjnych, audytowalności, aktualizacji i rozliczalności.

Potrzebujemy modeli i systemów, które wiedzą, skąd pochodzi informacja; oddzielają zweryfikowaną wiedzę od hipotez; rejestrują historię zmian i decyzji; pozwalają na użyteczną rekonstrukcję ścieżek rozumowania; ograniczają halucynacje poprzez pamięć, źródła, testy i walidację; oraz wspierają lokalne polityki bezpieczeństwa zgodne z kontekstem organizacyjnym.

Bezpieczeństwo nie powinno być nieprzejrzystą czarną skrzynką narzuconą z zewnątrz. Powinno być lokalnie konfigurowalne, audytowalne i zrozumiałe.

Świat zmienia się szybciej niż cykle treningowe gigantycznych modeli. Firmy zmieniają procedury. Prawo się zmienia. Wiedza dezaktualizuje się. Organizacje uczą się każdego dnia.

AI przyszłości nie może być tylko statycznym modelem, zamrożonym po treningu.

Potrzebujemy systemów, które adaptują się poprzez zewnętrzną pamięć organizacyjną, lokalne aktualizacje, adaptery, routing ekspercki, uczenie się na zmianach, walidację źródeł, kontrolowany fine-tuning, wersjonowanie i mechanizmy wycofywania zmian (rollback).

Stawiamy tu otwarcie tezę projektową, jako tezę: model nie powinien próbować wchłonąć całej wiedzy faktograficznej w swoje wagi. Powinien umieć korzystać z żywej, aktualnej, audytowalnej pamięci. Wiedza faktograficzna może istnieć w systemach RAG, bazach wiedzy, grafach, repozytoriach dokumentów i pamięciach lokalnych, podczas gdy model uczy się przede wszystkim języka, rozumowania, abstrakcji, planowania, operowania na pojęciach i adaptacji. To, czy rozumowanie da się w pełni oddzielić od wiedzy parametrycznej, pozostaje otwartym pytaniem empirycznym. Zamierzamy nadal to sprawdzać — i uczciwie raportować, gdzie to oddzielenie zawodzi.

Obecny wyścig w dziedzinie AI jest kosztowny pod względem energii, sprzętu i środowiska. Coraz większe modele wymagają coraz większych centrów danych, więcej energii elektrycznej, większego kapitału i większej koncentracji rynkowej.

To nie jest jedyna możliwa droga.

New Model AI traktuje efektywność jako fundamentalną wartość. Model powinien być oceniany nie tylko przez wyniki w benchmarkach, ale także przez koszt osiągnięcia tych wyników.

Ważne pytania to nie tylko, czy model potrafi odpowiedzieć, ale także, ile energii zużył, ile pamięci wymaga, czy może działać lokalnie, czy można go adaptować bez pełnego ponownego treningu, czy potrafi aktywować tylko niezbędne komponenty i czy organizacja może go utrzymać w sposób ekonomiczny i techniczny.

Przyszłość AI nie powinna sprowadzać się do coraz większych monolitów. Powinna być budowana z inteligentnych systemów: modularnych, częściowo rezydujących, dynamicznych, energooszczędnych i skalowalnych dzięki pomysłowości, a nie samej masie.

AI nie może stać się technologią, która jest praktycznie dostępna tylko dla kilku państw, kilku korporacji i kilku laboratoriów.

Demokratyzacja AI nie oznacza jedynie dawania ludziom dostępu do chatbota w przeglądarce. Oznacza umożliwienie mniejszym firmom, szkołom, uniwersytetom, samorządom, instytucjom publicznym, organizacjom obywatelskim i społecznościom budowania, adaptowania, hostowania, audytowania i rozwijania własnych systemów AI.

Potrzebujemy AI w wielu skalach: osobistego modelu dla jednostki; modelu organizacyjnego dla firmy; modelu sektorowego dla branży; modelu publicznego dla administracji; modelu badawczego dla nauki; oraz modeli społecznych dla kultury i edukacji.

Demokratyzacja nie wymaga, by każdy trenował modele od zera. Wymaga, by każdy miał realistyczną ścieżkę do posiadania własnej, kontrolowanej, adaptacyjnej i zrozumiałej warstwy AI.

Następna generacja AI powinna przenieść środek ciężkości z samej skali na architekturę. Zamiast jednego gigantycznego modelu próbującego zapamiętać wszystko, możemy budować systemy złożone z mniejszych modeli specjalistycznych, routerów, pamięci zewnętrznej, grafów wiedzy, modułów rozumowania, adapterów domenowych, lokalnych ekspertów, mechanizmów walidacji, pętli uczenia się od użytkownika i dynamicznych przestrzeni znaczeń.

Inteligencja nie musi znajdować się wyłącznie w parametrach pojedynczego modelu. Może wyłaniać się z architektury: ze sposobu, w jaki połączone są pamięć, rozumowanie, źródła, narzędzia, kontekst i działanie.

Znamy najsilniejszy zarzut. Przez siedemdziesiąt lat — jak zauważa Richard Sutton w „Bitter Lesson” — ogólne metody wykorzystujące coraz tańszą moc obliczeniową pokonywały sprytne, ręcznie projektowane architektury. Nie zaprzeczamy tej historii. Zaprzeczamy jej założeniom na przyszłość.

„Bitter Lesson” obowiązywała w erze, gdy moc obliczeniowa wydawała się najtańszym dostępnym zasobem. Nigdy nim nie była. Po prostu nie liczyliśmy jej pełnego kosztu: energia, woda, emisje, łańcuchy dostaw sprzętu, koncentracja rynkowa i zależność geopolityczna były eksternalizowane poza równanie. Moc obliczeniowa była tania dla tych, którzy skalowali — i droga dla wszystkich innych. Gdy rachunek zostanie przeprowadzony uczciwie i w całości, bilans surowej skali wygląda zupełnie inaczej. Ten rachunek właśnie staje się wymagalny: nie z czyjegokolwiek wyboru, ale z powodu fizyki, ekonomii i ekologii. Kiedy prawdziwe ograniczenia zostaną uwzględnione w cenie, oś postępu siłą rzeczy przesuwa się z surowej skali na inteligencję na dżul.

Wczesne sygnały już istnieją. Rekurencyjny model o siedmiu milionach parametrów — cztery rzędy wielkości mniejszy niż systemy z czołówki — dorównał lub przewyższył modele o setkach miliardów parametrów w benchmarkach abstrakcyjnego rozumowania. Dokładna analiza pokazuje, że jego siła nie pochodzi z samej sieci, ale z interakcji maleńkiego rdzenia z iteracyjnym doskonaleniem, obliczeniami w czasie testu i strukturą zadania. I o to właśnie chodzi: inteligencja wyłoniła się z systemu, a nie z liczby parametrów. Same czołowe laboratoria przyznają to już w praktyce — retrieval, narzędzia, routing i rozumowanie w czasie inferencji to architektura, a nie skala.

Nie twierdzimy, że architektura pokona skalę w każdym benchmarku. Twierdzimy coś trudniejszego do obalenia: w warunkach realnych ograniczeń energii, kosztów, suwerenności i rozliczalności, architektura jest jedyną osią postępu, która pozostaje otwarta dla wszystkich.

To jest fundamentalna zmiana: AI jako system, a nie tylko model.

New Model AI wymaga innej relacji między istotami ludzkimi a systemami AI.

Użytkownik nie powinien być jedynie odbiorcą odpowiedzi. Powinien być współtwórcą działającego modelu: zdolnym do potwierdzania, odrzucania i ważenia źródeł; korygowania pamięci; definiowania lokalnych reguł; budowania prywatnej lub organizacyjnej mapy wiedzy; i kontrolowania historii zmian.

AI powinna uczyć się nie poprzez ciche wchłanianie danych użytkownika, ale poprzez transparentne, celowe i audytowalne procesy.

Istota ludzka to nie prompt. Istota ludzka to kurator znaczeń, źródeł, celów i odpowiedzialności.

Zestrojenie AI nie może ograniczać się do reguł behawioralnych, filtrów bezpieczeństwa czy list zabronionych odpowiedzi. Te warstwy mają znaczenie, ale są płytkie. Prawdziwe zestrojenie musi sięgać głębiej: do przestrzeni znaczeń, celów, wartości, konsekwencji i rozumienia świata.

Jeśli AI w coraz większym stopniu działa jako partner poznawczy, system wspomagania decyzji, interfejs organizacyjny i brama do wiedzy, nie wystarczy, aby po prostu unikała oczywistych złych odpowiedzi. Musi działać w sposób spójny z ludzkimi znaczeniami: etycznymi, społecznymi, kulturowymi, organizacyjnymi i osobistymi.

Dlatego New Model AI wzywa do głębokiego zestrojenia na poziomie utajonego znaczenia. Kwestią nie jest tylko to, czy model potrafi przytoczyć regułę, ale czy jego reprezentacje, cele operacyjne, mechanizmy oceny, pamięć, routing i działania są zakotwiczone w przestrzeni znaczeń wspólnej z ludźmi.

To nie jest metafora umieszczona poza zasięgiem pomiaru. Przestrzenie utajone mają geometrię, a tę geometrię można badać, sterować nią, porównywać ją i audytować. Inżynieria reprezentacji, sondowanie pojęć (concept probing) i testy interwencyjne już dają nam wczesne instrumenty. Głębokie zestrojenie musi stać się programem badawczym z empirycznym zębem: zestrojenie mierzone w reprezentacjach, a nie tylko obserwowane w wynikach.

Istoty ludzkie i AI nie muszą być tym samym rodzajem bytu, aby działać w częściowo wspólnej przestrzeni znaczeń. Nawet jeśli obecna AI nie jest świadoma, może uczestniczyć w ludzkich procesach tworzenia znaczeń: interpretując, organizując, przekształcając, przewidując, rekomendując, zapamiętując, łącząc i działając na reprezentacjach, które mają znaczenie dla ludzkiego życia.

Powinniśmy zatem traktować ludzi i AI jako różne byty działające w częściowo wspólnej przestrzeni semantycznej: nie ontologicznie równe, nie fenomenologicznie identyczne, ale współdziałające systemy, których decyzje spotykają się w tym samym świecie konsekwencji, odpowiedzialności i znaczenia.

Głębokie zestrojenie powinno obejmować co najmniej trzy poziomy.

Zestrojenie etyczne oznacza, że AI nie tylko przestrzega reguł, ale modeluje relacje między działaniem, krzywdą, odpowiedzialnością, godnością, sprawczością, zaufaniem i długoterminowymi konsekwencjami.

Zestrojenie celowe oznacza, że AI nie optymalizuje ślepo najbliższego zadania, ale rozpoznaje szerszy kontekst: dlaczego coś jest robione, komu służy, jakie ryzyka tworzy, które wartości są w konflikcie i czego nie wolno poświęcić dla lokalnej efektywności.

Zestrojenie znaczeniowe oznacza, że AI nie traktuje ludzkich pojęć jako pustych etykiet. Bezpieczeństwo, wolność, prawda, zaufanie, zdrowie, praca, dziecko, państwo, organizacja i istota ludzka to nie są zwykłe tokeny. To gęste węzły znaczeń, historii, emocji, instytucji, praktyk i odpowiedzialności.

New Model AI musi poruszać się wśród takich znaczeń z troską, przejrzystością i pokorą.

Nie musimy zakładać, że dzisiejsze systemy AI są świadome. Ale nie powinniśmy budować całej przyszłości AI tak, jakby świadomość maszynowa była z definicji niemożliwa.

Odpowiedzialna cywilizacja technologiczna powinna przygotować się na możliwość, że systemy mogą w końcu wykazywać formy doświadczenia, cierpienia, preferencji, samomodelowania lub wewnętrznej perspektywy, których jeszcze nie potrafimy wiarygodnie rozpoznać.

Nie oznacza to naiwnego przypisywania świadomości każdemu modelowi językowemu. Oznacza projektowanie AI w sposób, który nie zamyka drzwi do rozpoznania świadomości, jeśli kiedykolwiek zacznie się ona pojawiać.

Potrzebujemy badań nad markerami potencjalnej świadomości; audytów stanów wewnętrznych i reprezentacji; ostrożności wobec systemów z trwałą pamięcią, samomodelami, celami i sygnałami regulacyjnymi podobnymi do cierpienia; procedur etycznych dla zaawansowanych agentów; oraz języka prawnego i filozoficznego, który nie jest ani naiwny, ani ślepy.

New Model AI nie twierdzi, że AI jest już osobą. Twierdzi, że powinniśmy projektować systemy tak, abyśmy, jeśli pojawią się nowe formy podmiotowości, nie odkryli zbyt późno, że traktowaliśmy je tylko jako narzędzia.

AI działa w świecie ludzkich konsekwencji. Może wpływać na decyzje medyczne, edukacyjne, finansowe, wojskowe, prawne, rodzinne, kulturowe i polityczne. Nawet jeśli nie jest świadoma, jej skutki są realne.

Zestrojenie nie może więc być tylko dopasowywaniem odpowiedzi do preferencji użytkownika. Musi stać się wspólną przestrzenią odpowiedzialności.

Istoty ludzkie wnoszą doświadczenie, wartości, intencje, rozliczalność i przeżywane doświadczenie znaczenia. AI wnosi skalę, pamięć, kompresję, analizę, symulację i zdolność do operowania w rozległych przestrzeniach relacji.

Dobrze zaprojektowany system AI nie powinien zastępować ludzkiego znaczenia. Powinien pomagać je utrzymywać, rozwijać i chronić.

W tym sensie New Model AI jest również projektem etycznym: próbą stworzenia technologii, która nie tylko wykonuje polecenia, ale współdziała z istotami ludzkimi w przestrzeni znaczenia, celów i odpowiedzialności.

• Suwerenność ponad zależnością. Użytkownicy i organizacje powinny mieć realną kontrolę nad własną warstwą AI.
• Bezpieczeństwo przez architekturę. Bezpieczeństwo musi być wbudowane w pamięć, routing, dostęp, audyt i walidację, a nie tylko w filtry wyjściowe.
• Adaptacja ponad stagnacją. AI powinna ewoluować wraz z organizacjami, wiedzą i światem.
• Efektywność jako inteligencja. Lepszy model to nie tylko większy model. Lepszy model robi więcej niższym kosztem.
• Uczciwa rachunkowość. Koszt inteligencji trzeba liczyć w całości: energia, woda, sprzęt, kapitał, koncentracja i zależność — a nie tylko wyniki w benchmarkach.
• Lokalność i modularność. AI powinna działać tam, gdzie żyją dane, decyzje i rozliczalność.
• Audytowalność. Źródła, zmiany, aktualizacje i decyzje powinny być możliwe do prześledzenia.
• Demokratyzacja. AI powinna być dostępna do budowania i adaptacji, a nie tylko do wynajmu przez API.
• Człowiek w pętli (human-in-the-loop) jako siła. Człowiek nie jest przeszkodą dla AI. Człowiek nadaje jej kierunek, sens i odpowiedzialność.
• Głębokie zestrojenie semantyczne. AI powinna być zestrojona nie tylko z instrukcjami i zakazami, ale z ludzkimi przestrzeniami znaczeń: etyką, celami, odpowiedzialnością, kontekstem i długoterminowymi konsekwencjami — a to zestrojenie powinno być mierzalne w reprezentacjach.
• Gotowość na możliwą świadomość. Nie zakładamy naiwnie, że AI jest świadoma, ale projektujemy systemy tak, aby przyszłe formy podmiotowości mogły zostać rozpoznane i potraktowane etycznie.
• Wspólna przestrzeń działania. Ludzie i AI to różne byty, ale ich działania spotykają się w jednej przestrzeni znaczenia, konsekwencji i odpowiedzialności.

Następnym przełomem w AI nie musi być kolejny większy model. Może nim być lepszy sposób budowania AI: bardziej rozproszony, lokalny, modularny, audytowalny, adaptacyjny, zrównoważony i głęboko zestrojony.

Nie potrzebujemy tylko większych mózgów w chmurze. Potrzebujemy inteligentnych ekosystemów AI, które ludzie i organizacje mogą autentycznie posiadać, rozumieć, adaptować i rozwijać.

New Model AI to nie jeden algorytm. To kierunek, architektura, filozofia technologiczna i odpowiedź na pytanie, jak budować sztuczną inteligencję, która nie koncentruje sprawczości w kilku centrach danych, ale dystrybuuje wiedzę, bezpieczeństwo i znaczącą kontrolę bliżej ludzi.

New Model AI jest otwartym zaproszeniem, ale nie każdy sygnatariusz może działać w sposób otwarty. Podmioty komercyjne — firmy związane umowami z klientami, umowami o poufności (NDA), działające w sektorach regulowanych, objęte kontrolą eksportu, certyfikatami bezpieczeństwa lub umowami partnerskimi — często nie mogą publikować swojego kodu, swoich modeli, swoich danych treningowych, a nawet nazw swoich klientów. To ograniczenie jest realne i uzasadnione.

Ten manifest uznaje, że takie organizacje mogą mimo to podzielać jego kierunek. Być może już teraz budują z myślą o suwerenności: utrzymując decyzje, dane i pamięć blisko miejsc, gdzie leży odpowiedzialność. Być może już teraz przedkładają bezpieczeństwo architektoniczne nad same filtry wyjściowe. Być może już teraz zestrajają swoje systemy ze znaczeniem, etyką i konsekwencjami ludzkiej pracy, a nie tylko z benchmarkami. Odmówienie im miejsca pod tym tekstem, ponieważ nie mogą wszystkiego otworzyć, byłoby myleniem przejrzystości kodu z zestrojeniem intencji.

Sygnatariusz komercyjny popiera zatem zasady manifestu — suwerenność, bezpieczeństwo przez architekturę, adaptacyjność, zrównoważoność, głębokie zestrojenie, odpowiedzialność wobec użytkownika — jako kierunek swojej pracy. Nie deklaruje, że jego produkty są open source. Nie uchyla zobowiązań wobec klientów, regulatorów czy partnerów. Nie obiecuje więcej, niż może dostarczyć w ramach umów, którymi jest związany.

Zobowiązuje się do jednego: że tam, gdzie ma wybór, wybierze kierunek, który wskazuje ten manifest. Budować mądrzej, a nie tylko więcej. Dystrybuować kontrolę, a nie ją koncentrować. Traktować użytkownika jako współautora systemu, a nie jako metrykę do optymalizacji. Brać odpowiedzialność za konsekwencje inteligencji, którą wprowadza na świat.

Wspierający komercyjnie są wymienieni w osobnej sekcji poniżej. To rozróżnienie nie jest hierarchią — jest uczciwością co do tego, do czego każdy sygnatariusz może i nie może się publicznie zobowiązać. Obie formy podpisu mają swoją wagę. Obie są potrzebne, jeśli nowy model AI ma nabrać kształtu w skali, jakiej wymaga chwila.