Yann LeCun i współautorzy: przyszłość AI to specjalizacja, nie ogólność

👁 149 przeczytań

Wąsko wyspecjalizowane systemy AI osiągają najlepsze wyniki w swoich dziedzinach - i to nie przypadek, tylko konsekwencja matematyki. Tak twierdzi praca AI Must Embrace Specialization via Superhuman Adaptable Intelligence autorstwa Goldfedera, Wydera, Yanna LeCuna i Ravida Shwartz-Ziva z 2026 roku, którą omawia zespół Dharma AI w swojej analizie na Hugging Face.

Intuicja podpowiada coś odwrotnego: im potężniejszy model, tym bardziej ogólny. Więcej zasobów, lepsze metody i szersze zbiory treningowe powinny dawać systemy radzące sobie z coraz większą liczbą zadań. Autorzy zwracają jednak uwagę, że praktyka wygląda inaczej. Przełom w przewidywaniu struktury białek osiągnął system zaprojektowany do jednego, konkretnego zadania naukowego. Historyczne kamienie milowe AI, przyglądając się im z bliska, to raczej intensywne celowanie w wąską domenę niż rozszerzanie ogólności.

Czytasz Promptowego częściej? Dodaj go do preferowanych źródeł w Google, a nowe teksty będą wyżej w Twoich wynikach.

Twierdzenie sprzed niemal trzech dekad

Fundamentem argumentu jest wynik, który rzadko pojawia się w dyskusjach o architekturze AI. W 1997 roku Wolpert i Macready udowodnili, że żaden pojedynczy, uniwersalny algorytm optymalizacji nie przewyższa wszystkich innych na wszystkich możliwych problemach. To twierdzenie matematyczne, nie filozoficzne: uśredniony po każdym wyobrażalnym problemie, każdy algorytm radzi sobie tak samo dobrze - i tak samo źle. Algorytm, który zyskuje na jednym rozkładzie problemów, siłą rzeczy traci na innych. Wydajność zostaje przesunięta, a nie pomnożona.

Wniosek autorzy formułują wprost:

„Algorytm wygrywa, będąc dobrze dopasowanym do docelowego problemu”.

- Goldfeder i współautorzy, 2026

Twierdzenie nie mówi, że ogólność jest niemożliwa. Mówi, że ogólność nie jest przewagą wydajnościową. Konsekwentną drogą do lepszych wyników jest koncentracja - wymiana szerokości na dopasowanie.

Sprawa staje się jeszcze ostrzejsza, gdy w grę wchodzą skończone zasoby. Każdy realny system działa pod ograniczeniami: skończona moc obliczeniowa, skończone dane, skończony czas rozwoju. Przy takim budżecie podejście kierujące zasoby na naukę skończonego zestawu zadań pobije to, które rozprasza je na nieograniczony zakres. Arytmetyka jest bezlitosna: im bardziej zbiór zadań rośnie bez ograniczeń, tym budżet na pojedyncze zadanie dąży do zera.

Autorzy zbierają dowody z teorii optymalizacji, biologii ewolucyjnej, ekonomii organizacji i uczenia maszynowego - i wszystkie te dziedziny wskazują w tę samą stronę.

Uniwersalne pokrycie i sensowna wydajność przy skończonych zasobach pozostają w bezpośrednim napięciu.

// czytaj dalejAltman i Amodei na briefingu Rady Bezpieczeństwa ONZ o przyszłości AINewsyModele językowe mają specjalne „głowy” do rozpoznawania kontekstu kulturowegoNewsySpaceX kupuje Cursor za 60 mld dolarów, ale przyszłość modeli OpenAI i Anthropic na platformie jest niepewnaNewsy