[Tehnologii ale emancipării / reacțiunii]

Trecem printr-o revoluție tehnologică, strâns legată de apariția și larga utilizare a inteligenței artificiale – aceasta este o afirmație necontroversată, deși fiecare aspect privind cauzele sau consecințele sale, sau chiar definiția termenului de „revoluție tehnologică”, sunt într-un proces de contestare și clarificare continuă. Merită să ne uităm în proprii ei termeni la tehnologia care e în centrul acestui proces și, poate, la alte tehnologii care au încercat să fie.

Inteligența Artificială este un termen umbrelă pentru un sistem, sau o mașină, care produce rezultate asemănătoare celor produse de inteligența umană. Însă, în ultimele decenii, termenul a început să fie confundat cu o formă specifică de inteligență, și anume abilitatea de a învăța (fie cu supraveghere umană, fie fără). Inteligența artificială care face obiectul dezvoltărilor tehnologice recente, a investițiilor masive, a exploziei de utilizatori etc. este de acest tip: machine learning. Modelul de machine learning care are cel mai mult succes și e în spatele tuturor aplicațiilor comerciale este rețeaua neurală antrenată pe un volum foarte mare de date.

Revoluția tehnologică actuală e legată de o formă și mai specifică de inteligență artificială – inteligența artificială generativă, adică aplicații care creează imagini, texte, video-uri (pe scurt „conținut”) originale.

Inteligența artificială generativă este diferențiată de alte forme de machine learning nu prin tehnologiile pe care le folosește, ci prin funcția pe care o îndeplinește. Mașina care generează text este o formă probabilistică a mașinii care prezice ce text urmează într-o secvență, sau  clasifică fragmente de text și imagini în categorii. Un Large Language Model, de exemplu,  produce text nou prin faptul că determină ce cuvinte (sau grupuri de litere) au probabilitate mare de a urma într-un șir și apoi selectează dintre ele cu o funcție aleatorie. Făcând asta la fiecare pas, are o probabilitate foarte mare de a obține un șir corect sintactic și semantic, dar probabilitate foarte foarte mică de a obține un șir care există deja. Inovația care le-a făcut utile este mecanismul de „atenție”, care acordă ponderi diferite elementelor din șirul de intrare într-un fel care forțează completările să fie pe subiect. Un alt exemplu: modelele de generare de imagini de tip Stable Diffusion pornesc de la o imagine formată din pixeli cu valori aleatorii, date de o distribuție tip zgomot alb, o interpretează ca și conținând obiectele descrise în promptul de generare, și apoi reduc treptat zgomotul până când acesta ajunge acceptabil de mic. Și așa mai departe: toate tehnologiile generative sunt construite pe diferite mecanisme de dezambiguizare, recunoaștere și predicție a următoarei componente.

Clasificarea imaginilor și a textelor este o problemă bine definită, de rezolvarea căreia depind diverse aplicații concrete, fie ele științifice, comerciale, sau legale, care sunt ușor de explicat și de conceptualizat ca „puzzle”-uri. Programele de cercetare academică în IA au fost guvernate timp de câteva decenii de reproducerea percepției vizuale, iar mai recent de proiectul de a traduce text dintr-un limbaj natural în altul. De aceste deziderate generale sunt legate unele mai specifice: parsarea (analiza sintactică) imaginilor medicale cu scopul de a pune un diagnostic, gruparea textelor în funcție de subiect, identificarea unui autor pe baza densității punctuației într-un text etc. Iar de aceste probleme sunt legate o multitudine de procese de muncă cât se poate de concrete, a căror automatizare era așteptată ca un pas natural de către industrie, și, mai ales, era inteligibilă și așteptată de către societate.

Sigur, faptul că această automatizare s-a întâmplat este privită de cercetătorii din IA ca fiind o excrescență accidentală a proiectului de înțelegere și reproducere a percepției și inteligenței umane ca atare. O citire mai lucidă e oferită de marxiști, care iluminează proiectul de cercetare în IA ca un proiect de reproducere automată a unui anumit tip de muncă umană, sau (același lucru) de sporire a productivității.

Însă chiar și în cea mai tehno-utopianistă și ne-materialistă predicție despre viitorul IA-ului, legătura între munci de clasificare/recunoaștere deja existente și automatizarea de către IA este făcută cât de cât corect. Ce ne-a luat prin surprindere este folosirea tehnologiei pentru generare, și creșterea extrem de rapidă a competenței cu care IA se achită de sarcina asta. Înainte de apariția IA generative comerciale, foarte puțină lume care nu lucra în domeniu ar fi identificat producerea de conținut ca fiind următoarea redută a automatizării. După cum spune mema: ilustrația de carte pentru copii nu era pe lista nimănui de munci care vor fi transferate mașinilor în următorii ani. Mai mult, predicția era că IA-ul și roboții ne vor lăsa doar munca creativa nouă – fie într-o utopie naivă post-scarcitate, post-muncă, în care vom face artă și vom trăi bine mersi din UBI sau dintr-o formulă spontană de distribuție echitabilă a resurselor, fie într-un iad hypercapitalist, în mizerie și șomaj.

La viteză normală, umană, produceam deja în 2021 extrem de mult conținut, atât pentru  mijloacele tradiționale de publicare, cât și pentru rețelele de socializare. Mai mult conținut decât poate fi monitorizat manual și mai mult decât este necesar ca să ocupe și satureze atenția unui cititor/privitor/consumator de conținut pe orice subiect, oricât de nișat și de obscur – o dată fiindcă timpul care poate fi dedicat consumului de conținut nu este nelimitat (deja în 2017 CEO-ul Netflix putea să afirme că principala competiție a companiei este somnul¹, o preocupare la care nu ajungi decât atunci când ești sigur că ai destul conținut ca să umpli orele de veghe) și apoi fiindcă memoria și atenția umană sunt limitate și fac posibile re-vizitarea unui conținut (soluțiile tehnice de recontextualizare și re-livrare au fost în mare parte abandonate de companiile tech, dar mai interacționăm cu câte o rămășiță, de exemplu „amintirile” Facebook sau câte o săptămână tematică cu seriale mai vechi de un an pe serviciile de streaming. Vedem și aici un exemplu de ramificare a lumilor tehnologice posibile).

Nici producția de cod nu ar fi fost neapărat semnalată de industrie, de decidenți politici, sau de utilizatori ca fiind prea înceată. În aceeași perioadă în care se lansa prima versiune publică de ChatGPT, comentariatul din sfera tech făcea mișto de criteriile de performanță anunțate de Musk la Twitter, care presupuneau că un număr mare de linii de cod e un lucru bun, o măsură a productivității unei echipe sau a unui angajat. Producția de software a avut dimpotrivă problema că a crescut mai repede decât s-au putut formaliza standarde inginerești sau cadre legale; acest fenomen e înrăutățit deja de „vibe coding”. Chiar și acceptând iraționalitatea industriei și a pieței, care nu are niciun interes imediat în a corecta faptul că un segment crucial de infrastructură e nesigur și fragil, nevoia de AI nu este formulată, de obicei, ca având de a face cu creșterea volumului de cod generat de utilizatori neinstruiți. Și înainte de lansarea genAI-urilor comerciale și după, industria software își descrie dorința de a automatiza curățarea și update-area codului învechit +/- asamblarea de aplicații din module de cod deja existente.

Faptul că funcția de generare a ajuns să fie cea în jurul căreia se învârt mare parte a dezbaterilor publice, a anxietăților și speranțelor create de IA este datorat unei combinații de factori sociali și economici. Proiectul de cercetare fundamentală din spate se auto-conceptualizează ca un proiect de reproducere a minții umane și, prin urmare, își vede rezultatele ca fiind simulacre ale omului. În acest caz, aspectele mentale simulate de genAI ar fi unele dintre cele cu cele mai mari implicații filosofice: creativitatea, articularea gândirii prin limbaj și imagine. Faptul că sistemele respective reproduc și întrec abilitatea umană de a recunoaște tipare vizuale este mai puțin încărcat cultural și social, chiar dacă este tehnologic aproape echivalent. Și industria a mizat pe asta, ca parte din strategiile de lansare a tehnologiei, explodând LLM-urile și generatoarele de imagini în spațiul public în 2022 prin variante gratuite pentru publicul larg, și capitalizând apoi pe dezbaterea viguroasă privind natura conținutului generat: robustețea răspunsurilor primite de la ChatGPT, originalitatea lor, dacă au sau nu o dimensiune afectiv-emoțională. Dar, mai ales, genAI domină fiindcă a reușit să creeze o piață și o nevoie. Nu doar prin automatizarea sarcinilor de scris și producție de conținut pe care oamenii le executau deja, ci mai ales prin creșterea cererii de astfel de conținut – prin extinderea domeniilor vieții care au nevoie să fie mediate prin text, imagine, video pe social media, de exemplu, sau prin preluarea sarcinilor de scris care nu erau munci înainte, ci părți are procesului de învățare, în școli și universități. Acest ultim exemplu de domeniu al genAI este spectaculos de irațional, o ilustrare interesantă a faptului că tehnologiile nu se dezvoltă ca să astupe goluri sau să îndeplinească nevoi (fie ele ale omenirii, în versiunea tehno-exaltată, fie ale industriei, în versiunea critică), ci apar dintr-o logică proprie, care este parțial științifică, parțial socială, dar până la urmă ireductibilă.

Înainte de genAI, orizontul tehnologiilor IT era dat de nevoia de a analiza un volum mare de date. După modelul giganților tech care generau date la viteze amețitoare prin preluarea conținutului generat de utilizatorii de internet, multe companii și-au extins activitatea în direcția asta, încercând să obțină o sursă de venit secundară din intrarea pe piața datelor: faci service la lifturi in mall, dar monitorizezi și folosirea lor și vinzi datele pentru a se face predicții ale comportamentelor consumatorilor.

Limitele metodelor computaționale tradiționale de analiză de date fuseseră deja atinse acum 10 ani, și creșterea capacității de calcul a supercomputerelor încetinise, dar strângerea de date a continuat, cu așteptarea că tehnologii de calcul noi se vor dezvolta în curând. E aproape greu de imaginat acum că era incert care va fi soluția la care ne vom opri, că inteligența artificială de tip rețea neurală era un candidat printre altele. E aproape amuzant, de exemplu, de amintit că una dintre tehnologiile amintite în aceeași propoziție cu „viitorul analizei de date” erau calculatoarele cuantice. Uniunea europeană a cheltuit, după propriile estimări, 1,7 miliarde de euro pentru cercetare în IA prin Horizon 2020 și Horizon Europe; cheltuielile pentru cercetare în „a doua revoluție cuantică” în aceleași mecanisme de finanțare au fost comparabile: 1,9 miliarde. În 2022, viitorul computațional al CERN era credibil împărțit între IA și calcul cuantic; nu mai este cazul acum. Prima revoluție cuantică ne-a dat tranzistorul și laserul, a doua este de așteptat să ne dea canale de comunicare ușor de securizat, dar și un procesor care ar permite implementarea unor algoritmi de calcul și căutare exponențial mai rapizi decât cei existenți. Orizontul de timp al acestei dezvoltări tehnologice e incert, dar în 2016 și orizontul dezvoltării IA era incert.

E greu de spus cât din finanțările de cercetare europene pentru tehnologii cuantice s-a dus către securitate și comunicare, care rămân obiective rezonabile ale cursei tehnologice, versus tehnologii de calcul și analiză, care au fost eclipsate, dacă nu scoase complet din joc, de inteligența artificială implementată pe procesoare clasice (non-cuantice). Pentru giganții tech, atenția a fost întotdeauna pe procesoare și memorie, tocmai din cauza acestui obiectiv de analiză de date, dar au pivotat bugetele de R&D către IA. Calculatorul cuantic rămâne pe lista debuzzwords ale companiilor și realizările în această direcție, toate modeste, rămân ca motive de laudă în portofoliile lor, dar eforturile s-au oprit.

Retroactiv, se poate construi un parcurs inevitabil către tehnologia actuală. Deja de la începutul anilor 2000, Microsoft² (și un pic mai târziu Google³) au identificat faptul că volumul de date de antrenament este factorul care face diferența în calitatea inteligenței artificiale, și că, odată ce ai un corpus de ordinul zecilor de milioane de cuvinte, diferențele între modelele folosite se estompează. Deși nu au declarat-o explicit, e de la sine înțeles că strategia lor de colectare de date de mai târziu a avut măcar ca obiectiv secundar antrenarea de IA. Interpretarea ușor conspiraționistă ar fi că infrastructura internetului a fost gândită, sau modelată, special pentru a crea acest corpus de antrenament – mult discutata „fermă de date” – de un număr redus de companii și proprietari. Contemplarea acestei narațiuni are un efect amețitor: milioane de date generate expres cu scopul de a antrena tehnologia care să poată să analizeze aceleași date; investiția în dezvoltarea ei justificată de același conținut care a fost produs în procesul de dezvoltare. Ca mai apoi forma ei finală, funcțională, să faciliteze producerea aceluiași conținut, a cărui valoare trebuie acum justificată independent. Nicio planificare intenționată nu ar putea să creeze aceste contradicții și să le țină cumva șirul timp de zeci de ani.

Dar sistemul economic nu are nevoie de intenție. Proiectul de studiere a percepției umane ne-a dat abilitatea să generăm clipuri cu pisici care gătesc. Dorința industriei de software de a-și curăța codul învechit i-a dat miliarde de linii de cod necurățate și o dificultate structurală în a își instrui următoarele câteva generații de programatori, până se lămuresc universitățile cum să se adapteze. E posibil ca a doua revoluție cuantică să se întâmple – nu știm de aspecte ale vieții zilnice ar schimba, sau ce slujbe ar elimina, dar știm cu siguranță că are produce profit.

_____________________

¹ https://www.theguardian.com/technology/2017/apr/18/netflix-competitor-sleep-uber-facebook

² Banko, M., & Brill, E. (2001, July). Scaling to very very large corpora for natural language disambiguation. In Proceedings of the 39th annual meeting of the Association for Computational Linguistics (pp. 26-33).

³ Halevy, A., Norvig, P., & Pereira, F. (2009). The unreasonable effectiveness of data. IEEE intelligent systems, 24(2), 8-12.

Niște bibliografie:

Banko, M., & Brill, E. (2001, July). Scaling to very very large corpora for natural language disambiguation. In Proceedings of the 39th annual meeting of the Association for Computational Linguistics (pp. 26-33).

Beer, D. (2016). How should we do the history of Big Data?. Big Data & Society, 3(1), 2053951716646135.

E. Q. I. Consortium-QuIC. (2024). European Quantum Industry Consortium-QuIC-Strategic Industry Roadmap (SIR). [Online]. Available:
https://www.euroquic.org/wp-content/uploads/2024/02/PUBLIC-version-Strategic-Industry-Roadmap-2024.pdf

Halevy, A., Norvig, P., & Pereira, F. (2009). The unreasonable effectiveness of data. IEEE intelligent systems, 24(2), 8-12.

Marx, K. (1973) Foundations of the Critique of Political Economy: Rough draft. Harmondsworth: Penguin Books. [German publication: Kritik der politischen Ökonomie: Rohentwurf 1857-1858, Frankfurt a.M.: Europäische Verlagsanstalt, 1969].

Mitchell T. (2026), Machine Learning: How Did We Get Here?, A podcast hosted by Tom Mitchell, https://www.cs.cmu.edu/~tom/podcast/

Pasquinelli, M. (2023). The eye of the master: A social history of artificial intelligence. Verso Books.

Răuțoiu, A. (2025). Cum începem să vorbim despre AI #4 | Știm ce este o tehnologie?

https://alinruoiu.substack.com/p/cum-incepem-sa-vorbim-despre-ai-4

[Vatra, nr. 5-6/2026, pp. 45-48]