Gorzka lekcja i paradoks Moraveca

Definicja robocza

Gorzka lekcja (the bitter lesson) oraz paradoks Moraveca (Moravec’s paradox) to dwie komplementarne zasady porządkujące historię i ograniczenia sztucznej inteligencji. Gorzka lekcja, sformułowana przez współtwórcę uczenia ze wzmocnieniem Richarda S. Suttona, głosi, że w długim horyzoncie czasowym ogólne metody statystyczne skalujące się z wykładniczym wzrostem mocy obliczeniowej — przeszukiwanie (search) i uczenie (learning) — zawsze pokonują systemy, w które badacze próbowali ręcznie wpisać ludzką wiedzę ekspercką. Paradoks Moraveca, opisany przez robotyka Hansa Moraveca, wskazuje z kolei na odwróconą hierarchię trudności zadań: to, co dla człowieka wymaga wieloletnich studiów (dowodzenie twierdzeń, szachy, analiza prawna), jest dla maszyn stosunkowo łatwe, natomiast to, co człowiek i zwierzęta wykonują bezwiednie (orientacja w zagraconym pokoju, złożenie ręcznika, złapanie piłki), okazuje się obliczeniowo najtrudniejsze. Zestawienie obu pojęć tłumaczy krajobraz współczesnej technologii: żyjemy w świecie, w którym algorytmy zdają egzaminy adwokackie i rozwiązują strukturę białek, podczas gdy robot domowy ma problem z wyjęciem delikatnej szklanki ze zmywarki.

Geneza i rodowód

Paradoks Moraveca narodził się w latach 80. XX wieku z frustracji pionierów robotyki (Hansa Moraveca, Rodneya Brooksa, Marvina Minsky’ego) wobec założeń symbolicznej sztucznej inteligencji (GOFAI). Twórcy pierwszych systemów AI w latach 50. i 60. sądzili, że skoro komputer opanował rachunek logiczny i warcaby, to widzenie komputerowe i chwytanie przedmiotów będzie prostym zadaniem na jedno lato. Moravec w książce Mind Children (1988) podał ewolucyjne wyjaśnienie tej pomyłki: abstrakcyjne myślenie logiczne liczy najwyżej sto tysięcy lat, przez co nie ma w naszym mózgu głębokiej, wyspecjalizowanej maszynerii; natomiast percepcja wzrokowa i kontrola motoryczna były rzeźbione przez dobór naturalny przez pół miliarda lat i angażują miliardy nieświadomych obwodów neuronalnych. Trzy dekady później, w marcu 2019 r., kanadyjski informatyk Richard S. Sutton (laureat Nagrody Turinga z 2024 r.) opublikował esej The Bitter Lesson. Podsumował w nim kolejne fale rozwoju AI — od szachów (Deep Blue 1997) i Go (AlphaGo i AlphaZero 2016–2017) po rozpoznawanie mowy i widzenie komputerowe: za każdym razem badacze najpierw osiągali postępy przez wpisywanie do programu ludzkich heurystyk, lecz gdy prawo Moore’a obniżało koszt obliczeń o kolejne rzędy wielkości, brutalne przeszukiwanie i uczenie od zera (tabula rasa) wypierało konstrukcje ekspertów.

Rodowód środkowoeuropejski

Matematyczny fundament jednego z dwóch filarów gorzkiej lekcji Suttona — wielkoskalowego, probabilistycznego przeszukiwania przestrzeni stanów (search) — ma bezpośredni rodowód w lwowskiej i budapeszteńskiej szkole matematycznej. W latach 1946–1949 Stanisław Ulam, wykształcony na Politechnice Lwowskiej i uformowany intelektualnie przy stolikach Kawiarni Szkockiej we Lwowie, wspólnie z wychowankiem gimnazjum i uniwersytetu w Budapeszcie Johnem von Neumannem opracował w Los Alamos metodę Monte Carlo. Punkt wyjścia Ulama był uderzająco bliski późniejszej intuicji Suttona: układając podczas rekonwalescencji pasjansa, Ulam zauważył, że zamiast mozolnie wyprowadzać wzory kombinatoryczne na prawdopodobieństwo wyjścia gry, znacznie skuteczniej jest rozegrać na nowej elektronicznej maszynie ENIAC tysiące losowych partii i zliczyć statystyczny rozkład wyników. To właśnie rozwinięcie tej idei — algorytm przeszukiwania drzewa metodą Monte Carlo (Monte Carlo Tree Search, MCTS) połączony z głębokimi sieciami neuronowymi — pozwoliło systemowi AlphaZero nauczyć się nadludzkiej gry w Go i szachy bez jakiejkolwiek ludzkiej wiedzy o debiutach. Przy okazji tego hasła należy odnotować istotne rozróżnienie metodologiczne: choć Hans Moravec urodził się w 1948 r. w Kautzen w Dolnej Austrii, w wieku pięciu lat wyemigrował z rodzicami do Kanady i tam przeszedł całą formację szkolną i akademicką; jego przypadek ilustruje regułę, że o rodowodzie intelektualnym decyduje środowisko kształcenia, a nie samo miejsce urodzenia w metryce.

Dlaczego teraz

W latach 2019–2026 zderzenie gorzkiej lekcji z paradoksem Moraveca stało się główną osią sporu o przyszłość sztucznej inteligencji. Publikacja eseju Suttona zbiegła się z premierą modeli GPT-2 (2019) i GPT-3 (2020) oraz artykułem o prawach skalowania (Kaplan i in., 2020): laboratoria w Dolinie Krzemowej potraktowały „gorzką lekcję” jako uzasadnienie wielomiliardowych inwestycji w klastry obliczeniowe i porzucenia ręcznej inżynierii cech. W latach 2024–2026 wraz z modelami rozumującymi (OpenAI o1/o3, DeepSeek-R1) skalowanie obliczeń przeniosło się na etap wnioskowania (test-time compute), gdzie model poświęca tysiące tokenów na przeszukiwanie drzewa myśli przed udzieleniem odpowiedzi. Jednocześnie paradoks Moraveca wziął odwet na prognozach ekonomistów: podczas gdy w dekadzie 2010–2020 przewidywano, że automatyzacja najpierw zastąpi kierowców, hydraulików i magazynierów, a na końcu dotknie programistów i prawników, po 2022 r. nastąpiło odwrócenie tej kolejności — generatywna AI weszła do pracy biurowej, podczas gdy roboty wciąż zmagają się z chwytaniem nieregularnych obiektów.

Siła wyjaśniająca

Połączenie obu koncepcji wyjaśnia trzy zjawiska. Pierwszym jest historia przetwarzania języka naturalnego (NLP): przez dziesięciolecia lingwiści kodowali w systemach drzewa rozbioru gramatycznego i wyjątki fleksyjne (jak mówił żart badacza mowy Freda Jelinka: „Za każdym razem, gdy zwalniam lingwistę, wydajność mojego systemu rozpoznawania mowy rośnie”); gdy zastąpiono je architekturą Transformer trenowaną na bilionach słów, model sam odkrył strukturę języka dokładniej niż podręczniki. Drugim przykładem jest biologia strukturalna: przez pół wieku fizycy próbowali policzyć zwijanie białek z pierwszych zasad fizyki, aż system AlphaFold 2 (2020) rozwiązał problem przez wielkoskalowe uczenie wzorców z baz sekwencji. Trzecim przykładem — ilustrującym paradoks Moraveca — jest autonomiczna jazda: program wygrywający z mistrzem świata w szachy wymagał ułamka tej mocy obliczeniowej, jakiej potrzebuje samochód autonomiczny, by w deszczowy wieczór odróżnić foliową torbę niesioną przez wiatr od zwierzęcia na poboczu, bo szachy są światem zamkniętym o czystych regułach, a ulica światem otwartym wymagającym zmysłowego zakorzenienia.

Osie sporu

Niedoceniany kąt

Dlaczego lekcja Suttona jest właściwie „gorzka”? Zwykle rozumie się to jako ranę narcystyczną dla naukowców, których kunsztowne algorytmy przegrywają z mnożeniem macierzy na tysiącach kart graficznych. Istnieje jednak głębszy, epistemologiczny wymiar tej goryczy: rozdzielenie zdolności do przewidywania od ludzkiego rozumienia naukowego. Przez trzysta lat nauki od czasów Newtona postęp techniczny szedł w parze ze zrozumieniem: aby zbudować lepszy most lub silnik, odkrywaliśmy zwięzłe prawa fizyki mieszczące się w głowie człowieka. Gorzka lekcja pokazuje natomiast, że w układach o wysokiej złożoności (język, biologia komórki, pogoda) rzeczywistość nie daje się skompresować do kilku eleganckich reguł; model złożony z biliona nieprzejrzystych wag działa lepiej dlatego, że rezygnuje z uproszczeń wymaganych przez ludzką potrzebę zrozumienia. Ceną za skuteczność narzędzia staje się to, że sam jego twórca przestaje rozumieć, jak ono w szczegółach rozwiązuje problem.