Kozy, bramki logiczne i iluzja świadomości: co Age of Empires II mówi nam o współczesnej AI

Adrian de Wynter, badacz związany z Microsoftem i University of York, rzucił wyzwanie nauce o sztucznej inteligencji w sposób absolutnie niekonwencjonalny. Zamiast pisać kolejny teoretyczny manifest, wykorzystał edytor map w kultowej grze strategicznej Age of Empires II, by zbudować w nim funkcjonującą sieć neuronową. W tym cyfrowym świecie rolę bitów pełnią kozy. Zwierzę stojące na trawie to zero, koza na moście to jedynka. Poprzez system skryptów, lodowych ramp i bramek logicznych, de Wynter stworzył perceptron zdolny do nauki. Choć projekt brzmi jak żart, jego fundamentem jest głęboka krytyka branży.

Dlaczego to ważne akurat teraz? Spór o to, czy modele językowe „myślą” lub „rozumieją”, przestał być domeną filozofów, a zaczął wpływać na rynkową wycenę korporacji i kierunki badań. De Wynter przypomina, że zachowanie systemu nie oznacza obecności ludzkich stanów mentalnych. Jego eksperymenty, obejmujące analizę 1,89 miliona predykcji, wykazują potężne luki w rzekomej „inteligencji” maszyn. Przykładowo, modele te kompletnie gubią się w prostych zadaniach przestrzennych i trwałości obiektów, co badacz udowodnił, rzucając je do walki w środowisku gry DOOM!.

Eksperyment dowodzi, że przy odpowiedniej skali Age of Empires II staje się systemem kompletnym w sensie Turinga. Oznacza to, że każdą operację współczesnych modeli językowych (LLM) można odtworzyć za pomocą wirtualnych budynków i rolników. Badacz stawia sprawę jasno: „Można zbudować LLM gdziekolwiek — na przykład w aglomeracji Bostonu lub w Age of Empires II — i zachować część jego własności, ale nie jego ludzkie atrybuty”. Matematyczny wynik byłby identyczny z tym, który generuje ChatGPT.

Problem antropomorfizacji i błędy poznawcze

Demitologizacja interfejsu to punkt wyjścia dla de Wyntera. Nasza skłonność do przypisywania maszynom empatii czy strachu wynika wyłącznie z opakowania produktu. Niska latencja i płynność języka tworzą iluzję kontaktu z podmiotem. Gdyby jednak te same dane wyjściowe generowały kozy błąkające się w labiryncie, nikt nie mówiłby o „świadomości”. Analiza ponad 300 prac naukowych z lat 2024–2026 pokazała, że ponad połowa autorów już w założeniach przypisuje algorytmom ludzkie cechy, co jest błędem logicznym.

Szczególnie uderzająca jest kruchość mechanizmu in-context learning. Popularna narracja o sprycie modeli sugeruje, że wystarczy im „kilka przykładów” (few-shot learning). Dane de Wyntera mówią co innego: dla optymalnej wydajności potrzeba od 50 do 100 przykładów, a różnica w dokładności między blisko spokrewnionymi zadaniami sięga aż 31 punktów procentowych. To dowód na to, że pod spodem nie ma zrozumienia, a jedynie statystyczne dopasowanie.

Powrót do brzytwy Morgana

W obliczu deklaracji o domniemanej świadomości modeli takich jak Claude, de Wynter postuluje powrót do racjonalizmu. Przywołuje kanon Morgana: zachowania maszyny nie należy wyjaśniać wyższymi procesami poznawczymi, jeśli można je wytłumaczyć prościej. Zamiast szukać w algorytmach duszy, powinniśmy skupić się na tym, co mierzalne.

Postulat badacza, którego prace można śledzić na jego oficjalnej stronie, jest jasny: pod warunkiem X model generuje wynik Y. Wszystko, co wykracza poza tę obserwację — twierdzenia o zrozumieniu czy samoświadomości — to nadinterpretacja. Kod sieci neuronowej w Age of Empires II został udostępniony publicznie. To namacalny dowód, że inteligencja maszynowa to proces obliczeniowy, a nie byt, bez względu na to, jak bardzo chcemy w nim widzieć człowieka.