Eksperyment Myślowy

Portal popularyzujący naukę. Od nauk ścisłych po humanistykę. Dbamy o wysoki poziom publikowanych tekstów

EM poleca (#62) Anil Ananthaswamy „Dlaczego maszyny się uczą? O pięknie matematyki i działaniu współczesnej sztucznej inteligencji”

autor: · Opublikowano · Zaktualizowano

„Dlaczego maszyny się uczą? O pięknie matematyki i działaniu współczesnej sztucznej inteligencji” to polskie wydanie książki Anila Ananthaswamy „Why Machines Learn: The Elegant Math Behind Modern AI”.

Książka pokazuje, że za pozornie „magicznie” działającą AI stoją stosunkowo proste narzędzia matematyczne.

Anil Ananthaswamy to wieloletni dziennikarz i redaktor w New Scientist, autor tekstów dla Quanta, Scientific American, Nature. Doświadczenie dziennikarskie ukształtowało jego warsztat: duży nacisk stawia on na opowieść, kontekst i jasne prowadzenie czytelnika przez złożone tematy (fizyka, kosmologia, computer science). Styl Anila Ananthaswamy można określić jako połączenie reportażu naukowego, eseju filozoficznego i odważnie serwowanej matematyki. Może dlatego książka jest wyjątkowa, bo zadziwiająco skutecznie łączy styl popularnonaukowy z dużą ilością wyprowadzanych krok po kroku równań. Autor nie boi się równań, ich odstraszającego działania na większość czytelników. To nie są wstawki typu „jedno równanie na rozdział”, tylko całe ciągi wyprowadzeń – ale poprowadzone krok po kroku, bez skrótów ani dłużyzn, z czytelnym, narracyjnym komentarzem. W efekcie jego styl wymyka się prostemu podziałowi „popularnonaukowe vs. akademickie”. Dlatego książka ta jest wyjątkowa. Na tyle wyjątkowa, że Geoffrey Hinton, guru i ojciec chrzestny sztucznej inteligencji nazwał ją arcydziełem.

Idea tej książki

Pomysł na książkę można opisać jednym zdaniem: współczesna rewolucja AI nie opiera się na „magicznej nowej” matematyce, ale na dość wąskim zestawie dobrze znanych, starych narzędzi – wektorach, macierzach, rachunku różniczkowym, statystyce, rachunku prawdopodobieństwa i teorii optymalizacji – połączonych z mocą obliczeniową komputerów i siłą zasilających to wszystko danych. Ananthaswamy pokazuje, że to właśnie te narzędzia umożliwiają systemom ML (machine learning) wykrywanie wzorców zawartych w danych, reprezentowanie ich w przestrzeniach wielowymiarowych i iteracyjne dopasowywanie modeli do zadań takich jak klasyfikacja, regresja, rozpoznawanie obrazów czy generowanie tekstu.

Autor omawia w książce niewielki, ale fundamentalny dla sztucznej inteligencji zestaw narzędzi matematycznych:

  • Algebra liniowa: wektory, macierze, przestrzenie wektorowe, kombinacje liniowe, które pozwalają reprezentować dane i parametry modeli.
  • Rachunek różniczkowy i całkowy: pochodne i gradienty, które stoją za metodami optymalizacji i umożliwiają optymalizację parametrów modeli w kierunku minimalizacji funkcji straty.
  • Statystyka i rachunek prawdopodobieństwa: rozkłady, estymatory, wnioskowanie probabilistyczne.
  • Teoria optymalizacji: formułowanie problemów uczenia się jako minimalizacji funkcji kosztu (straty) w wysokowymiarowej przestrzeni, z ograniczeniami i różnymi strategiami szukania ekstremów.

Rozwój uczenia maszynowego (ML) rozpoczął się od poszukiwania wzorców zawartych w danych a kończy się na… no właśnie, na czym? Poniżej trochę dokładniejsze omówienie wspomnianych klamer czasowych.

Rozdział 1 – Wprowadzenie, czyli co to znaczy, że maszyna „się uczy”?

Ananthaswamy definiuje, czym jest wzorzec w danych i co właściwie oznacza „uczenie się” tych wzorców. Zamiast zaczynać od abstrakcyjnej definicji ML, pokazuje konkretne tabele danych i pytania: co model „widzi”, co oznacza „dopasowanie”, dlaczego niektóre struktury i wzorce są łatwiejsze do wykrycia niż inne. To typowy dla niego zabieg: najpierw intuicja i ogólny obraz, potem matematyczna formalizacja.

Rozdział 1 nie jest typową odpowiedzią na pytanie „co to jest ML w trzech zdaniach”, tylko raczej ukierunkowaniem sposobu myślenia: Ananthaswamy pokazuje, że „uczenie się” to w istocie wyszukiwanie wzorców i budowanie modelu, który te wzorce wykorzystuje.

Autor zaczyna od bardzo prostego przykładu tabeli z danymi i pytań:

  • Co w tej tabeli jest „wzorcem”?
  • Co znaczy, że model „nauczył się” czegoś o tych danych?
  • Jak odróżnić wzorzec od szumu?

To nie jest jeszcze pełna formalizacja (ta przyjdzie w rozdziałach o wektorach i funkcjach straty), ale już tu pojawia się kluczowa intuicja: model to skondensowany opis regularności w danych, a „uczenie” to proces dopasowywania tego opisu tak, by sprawdzał się i dobrze działał na nowych przykładach.

Rozdział „Terra Incognita” to ostatni rozdział książki „Why Machines Learn” i pełni rolę filozoficznego domknięcia całej opowieści o matematyce uczenia maszynowego. Tytuł – terra incognita, czyli „nieznany ląd” – sygnalizuje, że autor nie kończy na postawieniu wielkiej kropki i stwierdzeniu „oto jak działa AI”, tylko przechodzi do pytań o to, czego jeszcze nie wiemy i gdzie obecna matematyka może być niewystarczająca.

W tym rozdziale Ananthaswamy wraca do kilku kluczowych myśli przewodnich książki:

  • ML to w istocie wyszukiwanie wzorców w danych i kompresowanie ich w model,
  • wszystkie współczesne systemy – od prostych klasyfikatorów po duże modele językowe – opierają się na tym samym podstawowym aparacie matematycznym: wektorach, macierzach, funkcjach straty, gradientach, statystyce i optymalizacji.

Dlatego „Terra Incognita” nie jest podsumowaniem w sensie „zamykamy temat”. Raczej pokazuje granice obecnego paradygmatu:

  • wskazuje na obszary, w których dzisiejsze modele ML wciąż zawodzą lub działają w sposób trudny do pełnego zrozumienia i zaakceptowania,
  • sugeruje, że pewne aspekty inteligencji naturalnej (ludzkiej, zwierzęcej) mogą wymagać idei wykraczających poza czyste dopasowywanie wzorców w danych – np. głębsze modele przyczynowe, nowe formy reprezentacji, inne zasady uczenia.

Autor nie stawia tu twardych tez typu „oto teoria, która zastąpi deep learning”, tylko raczej mapę niewiadomych: co matematycznie jest już dobrze zrozumiałe, a co pozostaje „białym plamami” na mapie. W tym sensie „Terra Incognognita” to zaproszenie do dalszych badań – zarówno dla matematyków, jak i dla inżynierów AI – i przypomnienie, że obecna rewolucja AI to nie koniec historii, tylko jeden z etapów w dłuższej ewolucji rozumienia inteligencji.

Dla czytelnika-inżyniera ten rozdział jest szczególnie cenny jako obszar do refleksji: pokazuje, że nawet bardzo zaawansowane systemy są wciąż ograniczone przez swój matematyczny szkielet i że naprawdę nowe kroki będą wymagały nie tylko „większych modeli”, ale też nowych pojęć i struktur, czyli de facto nowej matematyki.

Pytanie fundamentalne, czyli na czym polega różnica między dopasowywaniem wzorców a rozumowaniem

Różnica między dopasowywaniem wzorców a rozumowaniem jest zasadnicza i dotyczy zarówno sposobu działania, jak i tego, co system (lub umysł) faktycznie „wie” i jak używa tej wiedzy.

Czym jest dopasowywanie wzorców?

Dopasowywanie wzorców to proces, w którym system:

  • wykrywa podobieństwa między nowymi danymi a tymi, które widział wcześniej,
  • klasyfikuje nowe przypadki na podstawie struktury danych (np. „to wygląda jak X, więc przypisujemy etykietę X”),
  • działa głównie statystycznie: im więcej przykładów danego typu widział, tym pewniej rozpoznaje podobne.

Kluczową cechą dopasowywania wzorców jest brak jawnego modelu przyczynowości – system nie musi „rozumieć”, dlaczego coś działa, działa bo pewne konfiguracje cech korelują z pewnymi wynikami. To bardzo ważny argument w dyskusjach „czy sztuczna inteligencja myśli?”.  

Czym jest rozumowanie?

Rozumowanie to proces myślowy, w którym:

  • Wyciąga się wnioski na podstawie przesłanek, reguł, modeli świata.
  • Używa się logiki, nie tylko podobieństwa.
  • Istotne są relacje typu: jeśli–wtedy, przyczyna–skutek, hierarchie pojęć.

W psychologii i logice wyróżnia się np.:

  • Rozumowanie dedukcyjne: z ogólnych zasad wyprowadza się konkretne wnioski (jeśli przesłanki są prawdziwe, wniosek musi być prawdziwy).
  • Rozumowanie indukcyjne: z wielu obserwacji formułuje się ogólne reguły/hipotezy (wnioski są prawdopodobne, ale nie pewne).

Kluczowe cechy rozumowania:

  • Jawne reguły i modele – można wskazać, z jakich przesłanek i dlaczego wynikł dany wniosek, można odtworzyć tok rozumowania.
  • Jeśli znamy reguły, możemy stosować je w nowych sytuacjach, nawet takich, których nigdy nie widzieliśmy i nie zobaczymy.
  • Umożliwia planowanie, wyjaśnianie („co by było, gdyby…”), co wykracza poza proste dopasowanie.

Anil Ananthaswamy  „Dlaczego maszyny się uczą? O pięknie matematyki i działaniu współczesnej sztucznej inteligencji”, Wydawnictwo Helion 2026

Notka o Autorze:
Anil Ananthaswamy jest uznanym dziennikarzem naukowym i autorem bestsellerowych książek. Regularnie publikuje w „Nature”, „Scientific American” i „New Scientist”. Specjalizuje się w popularyzacji fizyki, kosmologii i neuronauki. Za swoją działalność w obszarze dziennikarstwa naukowego otrzymał prestiżową nagrodę American Institute of Physics.

Autor

Wiesław Seweryn
Wiesław Seweryn
Jestem informatykiem i analitykiem. Przez trzy lata prezentowałem dane epidemiczne na Twitterze jako @docent_ws. W gronie pasjonatów z Twitterowej Akademii Nauk (TAN) uzupełniamy wiedzę na temat Covid-19. Na BlueSky jako ‪@wieslawseweryn.bsky.social‬. Piszę o informatyce i Kosmosie, recenzuję i polecam książki popularnonaukowe. Walczę z dezinformacją, którą uważam za największe zagrożenie ery social-mediów, zwłaszcza wspieraną przez niekontrolowaną tzw. "sztuczną inteligencję".

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *