Obsesja na punkcie AI może zagłodzić dziedziny badań, których potrzebuje, by przetrwać

Od dziesięciu lat piszę wyłącznie o sztucznej inteligencji. W 2022 roku na świecie było zaledwie kilku innych dziennikarzy zajmujących się wyłącznie AI; dziś jest nas kilka tysięcy lub więcej, a zamożniejsze redakcje zatrudniają więcej niż jedną osobę do pisania wyłącznie o sztucznej inteligencji.

Jako gatunek skupiamy teraz uwagę, wysiłki, obawy i nadzieje wokół zjawiska kulturowego i technologicznego, które zdarza się raz na stulecie. Do czasu pojawienia się użytecznych dużych modeli językowych oraz skutecznych metod generowania obrazów i wideo opartych na dyfuzji pozostawało ono w sferze „ciekawostek”, a deepfake’i były narzędziem politycznych przepychanek, zaś światowe gospodarki wydawały się niezagrożone.

„Rutynowa” burza AI

Oczywiście, to już przeszłość. Wszystko jest zagrożone, wszystko ulega zakłóceniom, a rok 2026 był, można argumentować, tym, w którym najtrudniej było rzetelnie formułować prognozy na kolejny rok.*

Co tydzień, a czasem kilka razy w tygodniu, pojawiają się nowe modele zamknięte i modele z otwartymi wagami. Ukazują się tak często, że niektórych nie recenzuje nawet społeczność entuzjastów i hobbystów, która zaczyna podchodzić do tego z coraz większym znużeniem, i stawia coraz wyższe wymagania, jeśli chodzi o to, co zasługuje na uwagę w obliczu nieustannego strumienia premier.

Jako osoba, która z pasją i zawodowo śledzi badania oraz premiery w tej dziedzinie, muszę przyznać, że postępy w różnych obszarach badań i rozwoju AI, choć przynoszą ogromne efekty w dłuższej perspektywie, zwykle — i zawsze tak było — pojawiają się małymi krokami, a nie w postaci przełomowych czy ewolucyjnych kamieni milowych, takich jak Transformers. Obecnie największe wstrząsy dotyczą głównie wpływu AI na gospodarkę, a nie jej najnowszych możliwości.

Ponadto, jak już wcześniej zauważałem, jakość pomysłów stojących za ogromnym boomem na badania nad AI, który trwa od 2022 roku, nie zawsze dorównuje ich liczbie. Wiele z nich to „frankensteinowskie” powtórzenia, rekombinacje lub ponowne składanie istniejących i bardziej nowatorskich prac — patchworkowe architektury zaprojektowane tak, by zapewnić pozornie znaczące ulepszenia względem wcześniejszych rozwiązań — które po bliższym zbadaniu okazują się ograniczone przez kruche metody albo absurdalnie wysokie zapotrzebowanie na pamięć VRAM.

Tematyczne miasta widma

Kiedy te tysiące dziennikarzy przeniosły się do relacjonowania AI, tematy, którymi wcześniej się zajmowali, musiały siłą rzeczy otrzymać mniej bezpośredniej uwagi. W pewnym sensie nie miało to większego znaczenia, ponieważ temat i zastosowanie AI stały się tak wszechobecne w kulturze i infrastrukturze, że na przykład korespondent zajmujący się energetyką poświęcałby teraz sprawom związanym z AI więcej uwagi niż jakimkolwiek innym; podobnie było w przypadku dziennikarzy zajmujących się gospodarką, zatrudnieniem, polityką i stanowieniem prawa, a także innymi tematami.

Wydawało się, że wszystkie te tematy można teraz rozpatrywać przez pryzmat AI, co może częściowo wyjaśniać ogromny wzrost liczby materiałów poświęconych „wyłącznie” AI w coraz bardziej kurczącej się branży (choć ostatnio nieco odbiła).

W związku z tym trzeba się zastanowić, czy inne tematy nie są teraz niedostatecznie relacjonowane z powodu „obsesji na punkcie AI” — chodzi o tematy, których historie, trendy i odnogi mogą ostatecznie wpłynąć na sam „złoty temat”, czyli AI.

Ale co można zrobić? Zasoby są ograniczone, a jak dotąd AI jest tematem stulecia.

Wielka migracja do AI

Jak wynika z nowej pracy naukowej, która poruszyła mnie w tej kwestii, coś podobnego może dziać się z samą AI. Poza ryzykiem, że ograniczenie skali działań i ponowne zasilanie obniżą jakość przyszłych modeli, szerszy ekosystem naukowy, w którym powstają pomysły i przenikają się między dyscyplinami, tak silnie koncentruje się na badaniach nad AI, że „szczęśliwe zbiegi okoliczności” — gdy nieoczekiwane powiązania między pozornie niezwiązanymi pomysłami mogą odmienić całe dziedziny — mogą zdarzać się coraz rzadziej.

Krótko mówiąc, nowa praca zatytułowana Silniejsze przełomy w dziedzinie sztucznej inteligencji przyspieszają jej własne wyczerpanie sugeruje, że obsesja na punkcie AI odbiera warunki sprzyjające nowym osiągnięciom, w tym osiągnięciom mającym bezpośredni wpływ na AI; a także że — mocno parafrazując autorów — w tym nowym centrum zainteresowania pojawiła się pewna „kazirodcza tendencja”, która raczej nie doprowadzi do niczego dobrego.

W pracy napisano^†:

„Dominujący paradygmat eliminuje nie tylko swoich rywali, lecz także różnorodność, z której można by na nowo połączyć elementy, tworząc jego następcę.

„Zawężenie uwagi po 2017 roku, przejście do AI ponad połowy autorów zmieniających dziedzinę, słabnąca żywotność nowych pomysłów oraz coraz gwałtowniejszy spadek liczebności aktywnych populacji pomysłów w kolejnych cyklach — wszystko to opisuje system, którego zdolność twórcza ulega erozji wskutek sukcesu wytworzonych przez niego dominujących paradygmatów”.

We wcześniejszych pracach zauważono, że AI może przekształcać badania w monokulturę, ale autorzy nowej pracy uważają również, że rosnąca dominacja AI może pozbawiać tę dziedzinę świeżych pomysłów, których potrzebuje, by nadal się rozwijać. Porównują badania nad AI do nauk biologicznych, gdzie przełomy, takie jak kriomikroskopia elektronowa (cryo-EM) i AlphaFold, zapoczątkowały podobne cykle innowacji, a następnie ich zaniku.

Aby dostarczyć empirycznych dowodów na poparcie swoich teorii, autorzy przeanalizowali 7,18 miliona artykułów z dziedziny informatyki opublikowanych w latach 1990–2025 i uwzględnionych w bazie OpenAlex. Śledzili zmiany w tematyce badań i cytowaniach, przepływ 3,7 miliona naukowców między dziedzinami oraz 73 089 recenzji naukowych, aby sprawdzić, jak rosnąca dominacja AI wpłynęła na różnorodność naukową.

Jedno z najciekawszych ustaleń wynikających z analizy danych dotyczy niedawnego odpływu naukowców w stronę AI i odejścia od tematów, którymi wcześniej się zajmowali:

„Osoby zmieniające dziedzinę to naukowcy w środkowym etapie kariery, o ugruntowanej, choć umiarkowanej pozycji, którzy porzucają pracę, dzięki której zdobyli swoje uznanie, by podążyć za przyciągającą siłą tej dziedziny, nawet kosztem strat związanych ze zmianą specjalizacji”

Badanie wykazało, że ponad połowa z 918 862 odnotowanych zmian między dziedzinami informatyki prowadziła do AI, podczas gdy inne obszary, zwłaszcza systemy i badania teoretyczne, systematycznie traciły naukowców.

Na podstawie nowej pracy: zmiany udziału artykułów z dziedziny informatyki poświęconych AI, systemom i teorii w latach 1990–2025. Każdy kwadrat odpowiada jednemu rokowi; kolor niebieski oznacza większy udział, a czerwony — mniejszy. Udział AI gwałtownie wzrósł po 2017 roku, podczas gdy udział pozostałych dziedzin malał. Źródło

Najczęściej zmiany dokonywali doświadczeni naukowcy o ugruntowanej karierze. Tymczasem udział AI we wszystkich artykułach z dziedziny informatyki wzrósł z 40% w 2017 roku do ponad 55% w 2025 roku.

Na podstawie bloga Arxiv: wzrost liczby zgłoszeń z dziedziny informatyki w okresie 2 lat, 2024–26. Źródło

Trzy sygnały

W pracy wskazano trzy „zbieżne oznaki”, które — zdaniem autorów — od 2017 roku definiują informatykę.

Pierwszą z nich jest gwałtowne zawężenie zakresu zainteresowań badawczych po 2017 roku, kiedy wprowadzono architekturę Transformer. Autorzy wyodrębnili dziesięć najważniejszych słów kluczowych z każdego z 7,18 miliona artykułów z dziedziny informatyki, aby śledzić, w jakim stopniu badania koncentrowały się na tych samych zagadnieniach:

Wykresy przedstawiające rosnącą od 2017 roku koncentrację badań informatycznych. Po lewej: naukowcy skupiają się na coraz węższym zakresie tematów. Po prawej: coraz większy odsetek cytowań przypada na coraz mniejszą grupę artykułów. Oba trendy przyspieszyły wraz z pojawieniem się architektury Transformer.

Przez dziesięciolecia poziom tej koncentracji pozostawał względnie stabilny, nawet w okresie rozwoju internetu, smartfonów i głębokiego uczenia. Jednak w latach 2017–2025 współczynnik Giniego^†† dla zainteresowań badawczych (zob. ilustrację powyżej) wzrósł z 0,26 do 0,33, czyli o 27%. Cytowania również stały się bardziej skoncentrowane: ich współczynnik Giniego wzrósł z 0,60 do maksymalnie 0,69.

Naukowcy, którzy są związani z Tsinghua University, University of Chicago i Santa Fe Institute, stwierdzają:

„Transformer odmienił tę dziedzinę na skalę, jakiej nie osiągnął jego poprzednik. Ten wzorzec nie jest artefaktem: utrzymuje się mimo zróżnicowania [keyword count].”

Dodają:

„Udział AI w publikacjach z dziedziny informatyki wzrósł z 40% do ponad 55% w latach 2017–2025, podczas gdy badania nad systemami odchodzą od długiego okresu świetności, a badania teoretyczne kurczą się jeszcze bardziej”.

Wyniki wskazują zatem, że mimo rozwoju informatyki naukowcy coraz częściej podążali za tymi samymi pomysłami i cytowali coraz węższy wybór prac.

Druga „oznaka” dotyczy rosnącej liczby naukowców porzucających swoje specjalizacje, by pracować nad AI. Śledząc losy 3,7 miliona naukowców, autorzy zidentyfikowali prawie 919 000 przejść między dziedzinami informatyki. 53,81% z nich prowadziło do AI — obszaru badań, który co roku zyskiwał naukowców, podczas gdy systemy i teoria systematycznie ich traciły:

Migracja badaczy do dziedziny AI. Lewy wykres pokazuje, że AI przyciąga coraz większy odsetek badaczy z innych dziedzin informatyki, podczas gdy informatyka systemów i teoria tracą na znaczeniu. Dwa wykresy po prawej pokazują, kto najczęściej decyduje się na taką zmianę: badacze będący mniej więcej 32 lata w swojej karierze publikacyjnej, których dorobek publikacyjny jest większy niż dorobek około 82% ich kolegów i koleżanek. Zmianę dziedziny odnotowuje się, gdy badacz zaczyna publikować większość swoich prac w innej dziedzinie.

Na zmianę decydowali się przeważnie uznani naukowcy w środkowym etapie kariery, a nie początkujący ani weterani. Prawdopodobieństwo przejścia do AI osiągało szczyt przy stażu akademickim wynoszącym 31,8 roku oraz wśród badaczy znajdujących się na 82. percentylu pod względem dorobku publikacyjnego.

Trzecim z trzech trendów odnotowanych w artykule jest rosnące obciążenie recenzowania naukowego – procesu, w którym inni badacze oceniają jakość i wiarygodność pracy naukowej przed jej publikacją.

Analizując 73 089 recenzji 26 731 prac zgłoszonych do 45 konferencji i innych publikacji w latach 2017–2025, autorzy stwierdzili, że pewność recenzentów co do ich zdolności do oceny tych prac spadła z 3,9 do 2,9 w pięciostopniowej skali:

Wykresy przedstawiające zmiany w recenzowaniu naukowym w latach 2017–2025. Lewy wykres pokazuje, że recenzenci coraz mniej pewnie oceniają swoją zdolność do analizy zgłoszonych prac: wyniki spadły z 3,9 do 2,9 na pięć. Prawy wykres przedstawia liczbę wrogich komentarzy w recenzjach, która na krótko zmalała w 2021 roku, gdy konferencja NeurIPS przeniosła się na bardziej transparentną platformę OpenReview, po czym znów wzrosła. Obie linie pokazują średnie kroczące z trzech lat.

Autorzy sugerują, że ten spadek może wynikać z gwałtownego rozwoju AI, który utrudnił dobieranie do prac odpowiednio wykwalifikowanych recenzentów:

„Pule recenzentów zalały osoby początkujące, przyciągnięte siłą oddziaływania AI. Recenzenci coraz częściej otrzymują do oceny prace naszpikowane metodami AI, które wykraczają poza zakres ich głównej specjalizacji. Dopasowanie zgłoszeń do naprawdę kompetentnych recenzentów stało się problemem systemowym.

„W tych warunkach o przyjęciu pracy coraz częściej decyduje rzut monetą”.

Po gorączce złota (i kolejnych)

Artykuł sugeruje również, że największe przełomy w dziedzinie AI mogą ostatecznie przyspieszać jej wyczerpanie, ponieważ po każdym znaczącym postępie następuje przypływ nowych pomysłów, ale ten początkowy rozkwit innowacji stopniowo ustępuje miejsca ospałemu powielaniu rozwiązań, w miarę jak badania coraz bardziej koncentrują się wokół samych przełomów.^†:

„Kolejne cykle rozwoju nowoczesnej AI szybciej osiągają nasycenie i gwałtowniej się wyczerpują. Cykl ulega skróceniu.

„W ciągu 36 lat rozwoju informatyki, obejmujących trzy główne przełomy technologiczne: AlexNet, Transformer i LLM, wielokrotnie obserwujemy tę samą spiralę[pattern].

„Co istotne, ten wzorzec nie ogranicza się do informatyki. W biologii obserwujemy ten sam cykl wyczerpania po znaczących osiągnięciach zarówno nieobliczeniowych (np. kriomikroskopii elektronowej), jak i obliczeniowych (np. AlphaFold)”.  

To „wyczerpanie” z pewnością dotknęło autokodery, generatywne sieci przeciwstawne (GAN) oraz podejścia wykorzystujące autokodery, takie jak deepfake’i. Badacze przez lata bezlitośnie je eksploatowali, mimo że ich potencjał wyraźnie się wyczerpał, aż w końcu pojawiły się nowe ramy i podejścia, które pozwoliły odciążyć te rozwiązania.

Aby prześledzić te cykle, autorzy przeszukali abstrakty publikacji naukowych pod kątem charakterystycznych rzeczowników i wyrażeń, a ich pojawianie się, znikanie i sporadyczny powrót potraktowali jako wskaźniki zmian w pomysłach badawczych.

AlexNet w 2012 roku i Transformery w 2017 roku zapoczątkowały fale nowych pomysłów, które z czasem opadły. Każdy kolejny przełom zwiększał przewagę AI, podczas gdy inne dziedziny informatyki pozostawały w tyle, aż w końcu zaczęły generować nowe pomysły wolniej niż przed 2012 rokiem:

Porównanie udziału nowych pomysłów badawczych w dziedzinie AI (niebieski), informatyki niezwiązanej z AI (czerwony) oraz obu tych obszarów łącznie (przerywana linia fioletowa). Liczba nowych pomysłów gwałtownie wzrosła po pojawieniu się AlexNet w 2012 roku i Transformera w 2017 roku, a następnie spadła. Po drugim przełomie przewaga AI się zwiększyła. Linie przedstawiają średnie kroczące z trzech lat.

Ten schemat obejmuje również pomysły, które wychodzą z użycia, gdy nowe przełomy wypierają starsze podejścia — czasem dopiero po latach od ich pojawienia się. Jednak same przełomy również podlegają temu cyklowi: każdy z nich przyciąga falę zainteresowania badawczego, która z czasem słabnie, pozostawiając tę dziedzinę w oczekiwaniu na kolejne odkrycie, które przywróci jej impet (jak stało się w przypadku Gaussian Splatting, po 31 latach przerwy):

Porównanie cytowań oryginalnych artykułów o AlexNet (czerwony) i Transformerze (niebieski) w latach 2012–2025. Udział cytowań obu prac początkowo rósł, po czym gwałtownie spadł, co pokazuje, że zainteresowanie przełomowymi odkryciami z czasem słabnie. Linie przedstawiają średnie kroczące z trzech lat.

Jak argumentują autorzy, sukces AI skupia badaczy i pomysły wokół kilku dominujących podejść, podczas gdy powiązane z nimi dziedziny, które mogłyby pomóc w wypracowaniu ich następców, nadal tracą na znaczeniu. Autorzy nie przewidują wprost, że uniemożliwi to przyszłe przełomy, wskazują jednak na możliwość, że AI stopniowo ogranicza różnorodność, od której może zależeć jej kolejny skok.

Śledzono również liczbę pomysłów nadal aktywnie wykorzystywanych. W kolejnych falach rozwoju AI spadała ona coraz bardziej poniżej oczekiwań, a niedobór był większy po pojawieniu się Transformerów niż po AlexNet:

Wykres przedstawiający liczbę aktywnych pomysłów badawczych w kolejnych etapach przełomów w dziedzinie AI. Linie ciągłe pokazują modelowany wzrost, a odcinki przerywane — spadek rzeczywistej liczby pomysłów poniżej prognozowanych poziomów. Niedobór jest większy po Transformerze niż po AlexNet, a jego wczesny spadek widać również w erze LLM.

Podsumowując, autorzy stwierdzają, że skupienie wysiłków i ludzi na coraz węższym zakresie wyzwań związanych z AI zagraża zubożeniem sąsiednich dziedzin, które niegdyś w naturalny sposób dostarczały pomysłów sektorowi AI — a także wielu innym sektorom.

Nawiązując do komentarza Johna Hasslera dotyczącego przyznania Nagrody Nobla w dziedzinie nauk ekonomicznych w 2025 roku, autorzy stwierdzają:

„Komitet Noblowski ostrzegł, że aby uniknąć stagnacji, należy podtrzymywać mechanizmy twórczej destrukcji. Nasze wyniki wskazują na jeden z takich mechanizmów — różnorodność intelektualną — i pokazują, że obecne instytucje ją osłabiają.

„Instytucje, które rozdzielają uwagę — w tym systemy recenzowania, opłaty za zgłoszenia i zasady ich składania, systemy wynagradzania, rekrutacja, awanse oraz zwyczaje dotyczące przechodzenia na emeryturę 12 — kształtują to, czy nowy paradygmat będzie miał szansę się pojawić.

„Dobre ich zaprojektowanie wymaga powstrzymania się od pokusy, by jeszcze mocniej stawiać na paradygmat, który akurat zwycięża, obciążania koncentracji zamiast eksploracji oraz przeniesienia prawa do oceny z osób publikujących najwięcej na rzecz nowatorskich pomysłów.

„Twórcza destrukcja podtrzymuje wzrost tylko wtedy, gdy pozostawia coś, co można na nowo połączyć. Osobliwość nie ma następcy.”

* Powinno istnieć na to jakieś słowo: „odporny na prognozy”? Cóż, to nie pojedyncze słowo, lecz określenie; brzmi też tak, jakby odnosiło się do 2026 roku, a nie do spojrzenia z 2026 roku na 2027. „Nieprzyszłościowalne”? Edytor sprawdzający pisownię podkreślił to na czerwono, więc zostańmy przy tym.

^† Moje przekształcenie przypisów w tekście autorów w hiperłącza.

^†† Współczynnik Giniego określa, jak nierównomiernie coś jest rozłożone, w skali od 0 (pełna równość) do 1 (maksymalna koncentracja). W tym przypadku wyższy wynik oznacza, że badacze skupiają się na mniejszej liczbie tematów.

Opublikowano po raz pierwszy w środę, 21 października 2026 roku