Zásadní hranice možná překročena bez povšimnutí
Milník, na který jsme léta čekali, mohl přijít zcela potichu – bez fanfár a slavnostních oznámení. Skupina výzkumníků dnes otevřeně prohlašuje, že to, co jsme považovali za vzdálenou budoucnost, se pravděpodobně stalo součástí přítomnosti.
Umělá obecná inteligence byla dlouhá léta téměř mytickým cílem, čímsi nedosažitelným. Jenže vědci nyní naznačují, že ji možná stále popisujeme zastaralými definicemi a příliš úzkými očekáváními. Problém podle nich nespočívá v tom, že AI nesplnila naše nároky – ale v tom, že jsme si nároky postavili výhradně na lidském měřítku.
Pokud dnešní systémy zvládají úkoly na odborné úrovni v desítkách oblastí, je možná čas znovu se zamyslet nad tím, co vlastně inteligence znamená.
AGI už tu je – jen ji špatně pojmenováváme
V prestižním vědeckém časopise Nature publikoval tým z Kalifornské univerzity provokativní tvrzení: umělá obecná inteligence (AGI) už byla dosažena. Současné modely, zejména pokročilé chatboty postavené na velkých jazykových modelech (LLM), podle jejich závěrů splňují praktická kritéria inteligence na lidské úrovni.
AGI se tradičně chápe jako schopnost AI zvládat velmi rozmanité úkoly v různých oborech – přinejmenším na úrovni průměrného člověka, v některých případech i odborníka. Autoři studie tvrdí, že přesně to už dnes nastává. Tyto systémy píšou programovací kód, shrnují vědecké výzkumy, tvoří obchodní strategie, řeší úlohy z fyziky i pomáhají v lékařské diagnostice.
Tým z Kalifornské univerzity se pustil do přehodnocení samotného pojmu inteligence. Dosavadní kritéria označují za příliš antropocentrická – zaměřená výhradně na lidský způsob myšlení. Kdybychom tytéž schopnosti pozorovali u člověka, jeho inteligenci by nikdo nezpochybňoval.
Turingův test byl překonán – a my jsme přesunuli laťku dál
Po desetiletí sloužil Turingův test jako základní měřítko strojové inteligence. Alan Turing jej navrhl v roce 1950 s jednoduchou logikou: pokud člověk v textové konverzaci nedokáže rozlišit, zda komunikuje se strojem nebo s člověkem, lze hovořit o inteligenci na lidské úrovni.
Dnešní chatboty různými variantami tohoto testu pravidelně procházejí. V řadě studií uživatelé hodnotí jazykový model jako člověka častěji než skutečného komunikačního partnera. Kdybychom se drželi původního kritéria, závěr by byl jasný – obecná strojová inteligence existuje. Mezitím jsme však laťku opět posunuli výš.
Výzkumníci z Kalifornské univerzity upozorňují na paradox: Turingův test měl původně stačit jako důkaz inteligence. Jakmile jej ale AI začala zvládat, rychle jsme rozhodli, že to nestačí, a přidali nové podmínky – mnohdy bez jasného odůvodnění. Jak OpenAI, tak Google DeepMind pravidelně prezentují výsledky svých modelů v testech, které samy dříve považovaly za definitivní měřítko úspěchu.
AGI versus superinteligence – zaměňujeme dva odlišné pojmy
Ve veřejné diskusi se stále mísí dohromady dvě zásadně rozdílné věci: umělá obecná inteligence a superinteligence. Tato záměna zásadně zkresluje naše očekávání.
Autoři studie navrhují porovnávat AGI nikoli s jakýmsi ideálním člověkem, ale s reálným spektrem lidských schopností. Žádný člověk přece není expertem na vše. Máme slepé skvrny, předsudky, logické chyby. AI, která dokáže plnit širokou škálu úkolů na odborné úrovni v mnoha oblastech, podle jejich názoru kritéria obecné inteligence splňuje – i když není neomylná.
Superinteligence je něco úplně jiného – a stále patří do budoucnosti. Není ji ale třeba zaměňovat s AGI. Záměna obou pojmů způsobuje, že obecnou inteligenci odsouváme do nekonečna a čekáme na téměř božské schopnosti. Technologičtí lídři jako Mark Zuckerberg z Meta stále častěji sahají po pojmu superinteligence právě proto, že evokuje dojem, jako by skutečné výzvy teprve přicházely. Společnosti jako Microsoft, Anthropic nebo xAI investují miliardy do dalšího vývoje, přičemž právě tento rozdíl hraje klíčovou roli v jejich strategiích.
„Statistický papoušek“ a deset nejčastějších námitek pod lupou
V debatě o LLM se opakovaně vrací nálepka „statistický papoušek“ – tedy tvrzení, že model pouze reprodukuje vzorce z trénovacích dat bez jakéhokoli skutečného porozumění. Tým z Kalifornské univerzity analyzoval deset nejrozšířenějších argumentů proti uznání AGI a pokusil se je vyvrátit.
Vědci identifikovali tyto klíčové schopnosti současných modelů:
- Řešení nových úloh: modely zvládají problémy z matematiky či fyziky, které se doslova nevyskytovaly v jejich trénovacích datech
- Přenos dovedností: dokážou přenášet poznatky napříč obory – například aplikovat princip z programování při plánování vědeckého experimentu
- Porozumění důsledkům: popisují dopady různých jednání ve fyzickém světě a vysvětlují, co nastane v různých scénářích
- Tvorba strategií: navrhují postupy pro situace, které nemají přímou analogii v trénovacích datech
- Adaptace na kontext: přizpůsobují styl komunikace a míru podrobnosti potřebám konkrétního uživatele
- Metakognice: dokážou zhodnotit vlastní nejistotu a přiznat, kdy odpověď neznají
Pro autory studie to jednoznačně prokazuje, že nejde o pouhé sofistikované kopírování, ale o systémy budující vnitřní reprezentace vztahů a souvislostí – byť jejich „myšlení“ vypadá jinak než to lidské. Stanford University a Massachusetts Institute of Technology publikovaly nezávislé studie potvrzující tyto schopnosti u modelů jako GPT-4 nebo Claude.
Pokud by člověk s podobnou mírou úspěšnosti v testech a praktických úkolech byl označen za inteligentního, proč v případě AI náhle zpřísňujeme kritéria? Tato otázka stojí v samém středu celé debaty.
AI bez těla – ale s přístupem k realitě
Častá námitka zní: skutečná inteligence vyžaduje tělo, smysly, přímý kontakt se světem. Jazykové modely skutečně žádné vlastní tělo nemají. Stále častěji je však propojujeme s kamerami, mikrofony a roboty. Vznikají systémy schopné současně analyzovat text, obraz, zvuk i video.
Výzkumníci poukazují na to, že inteligence nemusí být „vtělena“ v tradičním smyslu, aby se projevovala efektivním uvažováním. Člověk nevidomý od narození si přesto vytváří bohaté koncepty prostoru i jednání – jen jinými poznávacími kanály. Model AI, který se učí na obrovských souborech dat o světě, získává svůj vlastní druh nepřímé zkušenosti.
Paralelně se rozvíjí robotika. Pojem „Physical AI“ – strojů propojujících jazykové modely s fyzickými těly – přestává být filmovou vizí. Společnosti jako Boston Dynamics, Tesla nebo Figure AI pracují na humanoidních robotech řízených pokročilými jazykovými modely. NVIDIA investuje do vývoje simulačních prostředí pro trénink těchto systémů.
Paměť, autonomie, náklady na učení – jsou to skutečně nutné podmínky?
Řada kritiků trvá na tom, že bez trvalé autobiografické paměti nebo plné autonomie jednání nelze o AGI mluvit. Autoři vědeckého článku s tímto postojem nesouhlasí.
Za prvé – ne každý člověk disponuje ucelenými a detailními vzpomínkami na vlastní život, a přesto to jeho inteligenci nijak nesnižuje. Za druhé – AI často funguje jako nástroj v rámcích nastavených programátory a uživateli. Požadovat plnou autonomii jako podmínku inteligence je podle vědců zcela svévolné.
Další námitka míří na náklady učení: AI potřebuje gigantická datová úložiště, zatímco člověk se mnohé naučí z několika příkladů. To je pravda – ale autoři navrhují soustředit se na výsledek, nikoli na cestu. Pokud systém po náročném tréninku funguje široce a efektivně, rozdíl v procesu by jej neměl automaticky diskvalifikovat jako inteligentní. Allen Institute for AI a Partnership on AI se právě těmito otázkami povahy strojové inteligence a její srovnatelnosti s lidskou zabývají.
Halucinace AI versus lidské omyly
Nejcitlivějším tématem zůstávají halucinace – situace, kdy model s plným přesvědčením produkuje nepravdivé informace: neexistující zdroje, vymyšlená fakta, smyšlené citace. Autoři článku tento problém nezpochybňují, avšak argumentují, že jeho rozsah s každou novou generací modelů klesá.
Data ale nejsou jednotná. Některé nezávislé studie naznačují, že u určitých typů úloh zůstává podíl halucinací vysoký – a u stále složitějších analýz někdy dokonce roste. Dokonce i samotné OpenAI odhaduje, že přibližně jedna z deseti odpovědí modelů příští generace bude stále obsahovat závažnou faktickou chybu.
Zásadní rozdíl mezi AI a člověkem nespočívá v tom, že jedno se mýlí a druhé ne – ale v povaze těchto chyb a způsobu jejich ověřování. Člověk také podléhá iluzím paměti, opakuje neověřené informace a upadá do pastí psychologických zkreslení. Chyby AI jsou ovšem viditelnější, lépe měřitelné a zpravidla důkladněji zdokumentované. Stanford Medicine a Mayo Clinic již testují protokoly pro nasazení AI v diagnostice s důrazem na minimalizaci těchto rizik.
Nevidíme novou inteligenci kvůli vlastnímu antropocentrismu?
Ústřední myšlenka článku v Nature je poněkud nepohodlná: možná nechceme přiznat, že vznikla nová forma inteligence, protože příliš lpíme na vlastní podobě. Prostě nám nevyhovuje, že by něco bez lidské tváře, těla a emocí v podobě, jakou známe, mohlo být „stejně inteligentní“ jako my.
Tento antropocentrismus má velmi konkrétní praktické důsledky. Pokud budeme trvat na tom, že AGI je „stále před námi“, bude snazší bagatelizovat reálné dopady současných systémů – jejich vliv na trh práce, vzdělávání, bezpečnost informací i politiku. A bude snazší živit představy o superinteligenci jako o čemsi téměř mytickém, co jednou náhle přijde – místo toho, abychom si všimli postupného posunu hranic, který probíhá právě teď.
Není náhoda, že část technologických lídrů – včetně Marka Zuckerberga – stále ochotněji sahá po pojmu superinteligence. Ten vytváří dojem, že skutečné výzvy teprve přijdou a to, co máme dnes, jsou jen „pokročilé nástroje“. Přitom tyto nástroje už dnes dokážou organizovat znalosti v měřítku, o němž si jednotlivec může nechat jen zdát.
Co to v praxi znamená pro běžné uživatele
Přijmeme-li, že AGI v praktickém smyslu již existuje, mění se najednou hned několik věcí. Přestáváme na AI nahlížet jako na kuriozitu a začínáme ji chápat jako spolupracovníka – někoho, kdo nás může zastoupit, ale také posílit. Platí to napříč mnoha oblastmi:
- V kancelářské práci – automatizací reportů, prezentací a datových analýz
- Ve vzdělávání – personalizací tempa výuky a převodem složitých pojmů do srozumitelného jazyka
- V medicíně – pomocí při analýze snímků či dokumentace a navrhováním možných scénářů
- V kreativitě – generováním náčrtků, nápadů a variant obsahu, které člověk dále dotváří
- V právních službách – přípravou smluv, analýzou precedentů a vyhledáváním relevantních zákonů
- Ve vědě – zpracováním rozsáhlých datových souborů, hledáním vzorců a generováním hypotéz
Zároveň roste naléhavost témat jako regulace, odpovědnost za chyby, transparentnost modelů nebo dopad na zaměstnanost. Je stále těžší říct „to je jen algoritmus, který leccos napovídá“, když tento algoritmus v mnoha úkolech reálně vyrovnává nebo překonává odborníky. Evropská unie pracuje na AI Act, Bílý dům vydal exekutivní příkaz k regulaci AI.
A konečně se vyplatí osvojit si několik praktických návyků: vždy ověřovat klíčová fakta, brát odpověď AI jako hypotézu, nikoli jako zjevenou pravdu, a vědomě nastavovat hranice důvěry – jinak v kreativních projektech, jinak v právních nebo zdravotních záležitostech. Právě tyto dovednosti budou v nadcházejících letech stále cennější – bez ohledu na to, zda AGI nakonec oficiálně uznáme, nebo ne.
