Złudzenie sufitu: AI Safety Institute ostrzega przed błędną oceną potencjału sztucznej inteligencji

Dzisiejsze testy AI przypominają ocenianie maratończyka po przebiegnięciu stu metrów przy skrajnie małej ilości wody. Większość stosowanych dziś benchmarków nie doszacowuje realnych możliwości systemów, ponieważ narzuca im sztuczne limity zasobów obliczeniowych. Raport opublikowany przez brytyjski AI Safety Institute (AISI) rzuca nowe światło na problematykę ewaluacji modeli językowych. Główny wniosek jest niepokojący: to, co bierzemy za granice inteligencji maszyny, tak naprawdę wynika wyłącznie z narzuconego budżetu.

Dlaczego to ważne teraz?

Badania z lipca 2026 roku pokazują, że bezpieczeństwo systemów krytycznych opieramy na fałszywych przesłankach. Modele klasy „frontier” wykazują bezprecedensowy skok wydajności w zadaniach inżynieryjnych, gdy budżet wzrasta dziesięciokrotnie – z miliona do dziesięciu milionów tokenów. Oznacza to, że regulatorzy i firmy technologiczne nie doceniają tempa rozwoju, co może prowadzić do nagłego zderzenia z niekontrolowanymi możliwościami AI w rękach hakerów.

Budżet obliczeniowy maskuje prawdę

Zamiast traktować zdolności AI jako stały parametr, powinniśmy postrzegać je jako krzywą rosnącą wraz z nakładami obliczeniowymi, czyli tzw. test-time compute. Naukowcy z AISI wykazali, że gdy pozwoli się modelom „myśleć” dłużej i zużywać więcej tokenów, ich skuteczność w skomplikowanych zadaniach wzrasta nawet o 25 procent. Jak stwierdził główny analityk AISI: „To, co bierzemy za granice inteligencji maszyny, w rzeczywistości okazuje się jedynie sztucznym limitem narzuconym przez zbyt małe zasoby obliczeniowe podczas testów”.

Badania objęły siedem różnych benchmarków. W dziedzinie cyberbezpieczeństwa około 8 proc. najtrudniejszych zadań było wykonalnych dopiero przy budżecie przekraczającym 10 milionów tokenów. Niektóre wyzwania wymagały zużycia aż 50 milionów tokenów. Jeśli odetniemy budżet w momencie, gdy krzywa możliwości wciąż pnie się w górę, otrzymamy fałszywy obraz systemu, który rzekomo „nie potrafi” czegoś, co jest w jego zasięgu – o ile otrzyma odpowiednio dużo mocy.

Prędkość ewolucji wyższa niż sądziliśmy

To odkrycie podważa dotychczasowe prognozy. Wcześniej szacowano, że horyzont czasowy możliwości modeli w cyberzadaniach podwaja się co około 67–91 dni. Jednak przy uwzględnieniu budżetu wynoszącego 50 mln tokenów, proces ten następuje niemal dwukrotnie szybciej – co 40–50 dni. Eksperci AISI zauważyli korelację między czasem człowieka a zużyciem tokenów przez maszynę. Zadania zajmujące specjaliście tydzień mogą wymagać od AI miliardów tokenów.

Nowy standard ewaluacji

Więcej szczegółów na temat metodologii można znaleźć w pełnym raporcie AISI. Instytut postuluje wprowadzenie pojęcia „minimalnego budżetu informacyjnego”. Wyniki testów powinny być uznawane za wiarygodne dopiero wtedy, gdy dalsze zwiększanie nakładów przestaje generować przyrost skuteczności. W obliczu spadających kosztów operacyjnych AI, możliwości, które dziś wydają się nieopłacalne, za chwilę staną się powszechne, zaskakując regulatorów skalą gotowości systemów do działania w najbardziej krytycznych domenach.