Zadajecie AI pytanie o wczorajszy wynik meczu. Odpowiada pewnie i rzeczowo. A wynik jest błędny – pochodzi sprzed kilku miesięcy. Pytacie o nowo otwartą restaurację w waszym mieście. Nie wie, że istnieje. Pytacie o kurs dolara. Podaje liczbę, która była aktualna pół roku temu.
Czy AI to wielka wyszukiwarka z całym internetem w głowie? Czy raczej – coś zupełnie innego? I skąd te wszystkie dziury w wiedzy, skoro przecież „wie” tak wiele?
Nie wyszukiwarka. Encyklopedia. Ale zamrożona.
Zacznijmy od fundamentalnego nieporozumienia, które dotyczy większości nowych użytkowników AI.
Wyszukiwarka – Google, Bing, cokolwiek – działa jak okno. Wysyłacie zapytanie, okno otwiera się na bieżący internet, algorytm przegląda setki miliardów stron i zwraca te, które pasują najlepiej. Wszystko dzieje się na żywo, w czasie rzeczywistym, każdego dnia.
Model językowy działa zupełnie inaczej. Wyobraźcie sobie nie okno, lecz encyklopedię. Bardzo, bardzo grubą encyklopedię – obejmującą teksty z całego internetu, miliony książek, artykuły naukowe, fora, blogi, kod programistyczny, przepisy kulinarne – wszystko to, co kiedykolwiek udało się zebrać podczas treningu. Tę encyklopedię wydrukowano, oprawiono w twardą okładkę i wręczono modelowi.
Ale wydrukowano ją konkretnego dnia.
I od tego dnia – żadna strona się nie zmienia, żaden artykuł nie jest dopisywany, żaden wynik meczu nie jest aktualizowany. Model nosi tę encyklopedię w sobie jak wbudowaną bibliotekę. Nie sięga do internetu przy każdej odpowiedzi. On już wie – albo raczej: wiedział, w momencie gdy go uczono.
Ta data wydruku ma swoją nazwę: data graniczna wiedzy albo, po angielsku, knowledge cutoff. I jest kluczem do zrozumienia wielu frustrujących zachowań AI.
Kiedy zamrożono encyklopedię?
Każdy model ma swoją datę graniczną – i jest ona inna dla różnych systemów. Jeden model „wie” o świecie do końca 2023 roku. Inny – do połowy 2024. Jeszcze inny może być nowszy.
Ale między datą zamrożenia wiedzy a momentem, gdy wy rozmawiacie z modelem, upływają miesiące. Niekiedy rok, dwa lata. Tyle trwa proces treningu, testowania i wypuszczenia na rynek. A potem model funkcjonuje kolejne miesiące i lata – coraz bardziej oddalając się od teraźniejszości.
Wyobraźcie sobie człowieka, który przez rok siedział w szczelnie zamkniętym bunkrze bez dostępu do jakichkolwiek informacji z zewnątrz. Jest inteligentny, oczytany, świetnie mu się rozmawia – ale o wszystkim, co wydarzyło się w ciągu ostatnich dwunastu miesięcy, nie ma bladego pojęcia. I co gorsze – może nie zawsze wiedzieć, że nie wie. Zapytany o coś, co zdarzyło się już po zamknięciu bunkra, może sięgać do tego, co pamięta sprzed izolacji, i podawać nieaktualne informacje z pełnym przekonaniem.
To właśnie mechanizm stojący za błędnymi datami, nieaktualnymi cenami i nieistniejącymi już instytucjami, które AI wymienia bez mrugnięcia okiem.
Skoro AI nie przeszukuje internetu – to skąd ją stać na aktualności?
I tu wkraczamy w najciekawszy fragment tej historii.
Twórcy modeli szybko zdali sobie sprawę z problemu. Zamrożona encyklopedia sprawdza się świetnie przy pytaniach ponadczasowych – jak działa silnik spalinowy, co to jest sonata, dlaczego niebo jest niebieskie. Ale przy pytaniach o bieżące sprawy – jest bezużyteczna albo wręcz myląca.
Rozwiązanie? Nie uczono modeli szybciej ani częściej. Dano im pomocników.
Kolega od internetu – jak działa wyszukiwanie zewnętrzne
Współczesne systemy AI – te, z którymi rozmawiacie na co dzień – często nie działają samotnie. Działają w drużynie.
Wyobraźcie sobie prawnika z ogromną wiedzą teoretyczną, który pracuje razem z asystentem. Prawnik zna prawo, rozumie kontekst, potrafi konstruować argumenty i pisać pisma. Ale gdy potrzebuje aktualnego wyroku sądowego sprzed tygodnia – mówi asystentowi: „Sprawdź to w bazie orzeczeń.” Asystent biegnie, szuka, przynosi wydruk. Prawnik czyta, interpretuje, włącza do odpowiedzi.
AI z dostępem do wyszukiwarki działa dokładnie tak. Gdy zadajecie pytanie wymagające świeżych danych – model rozpoznaje, że jego encyklopedia może być niewystarczająca. Wysyła zapytanie do zewnętrznego narzędzia wyszukiwania: specjalnego interfejsu połączonego z internetem. Ten interfejs przeszukuje sieć – bieżącą, aktualną, żywą. Zwraca wyniki. Model je czyta, rozumie, przetwarza i włącza do swojej odpowiedzi.
Cały ten proces trwa sekundy. A użytkownik często nie wie, że się wydarzył.
Jak model wie, kiedy sięgnąć po pomoc?
To dobre pytanie – i odpowiedź jest fascynująca.
Model nie ma wbudowanego kalendarza. Nie wie dokładnie, który dziś dzień. Ale potrafi rozpoznać rodzaj pytania. Słowa takie jak „dziś”, „teraz”, „aktualny”, „najnowszy”, „wczoraj”, „w tym roku” – to sygnały, że zapytanie dotyczy bieżącości. Model uczy się z tych sygnałów i decyduje: to wymaga weryfikacji w zewnętrznym źródle.
Podobnie działa przy konkretnych faktach, które zmieniają się w czasie: kursy walut, wyniki sportowe, ceny akcji, skład rządów, premiery filmów. Dobrze skonfigurowany system AI rozpozna te kategorie i automatycznie sięgnie po aktualne dane – zamiast serwować wiedzę sprzed roku.
Słabo skonfigurowany – lub tańszy, prostszy model bez dostępu do wyszukiwania – po prostu odpowie z encyklopedii. I będzie brzmiał przekonująco, nawet jeśli odpowiedź jest błędna.
Dlaczego nie dać AI stałego dostępu do całego internetu?
To pytanie pada naturalnie. Skoro problem jest znany – dlaczego nie rozwiązać go raz na zawsze, łącząc każdy model z żywym internetem na stałe?
Odpowiedź jest kilkuwarstwowa.
Po pierwsze – prędkość i koszt. Każde przeszukanie internetu to operacja, która zajmuje czas i zasoby. Modele odpowiadają na miliardy zapytań dziennie. Gdyby każde z nich wymagało pełnego przeszukania sieci, koszty i czas odpowiedzi wzrosłyby dramatycznie.
Po drugie – jakość i wiarygodność. Internet jest pełen fałszywych informacji, dezinformacji, niskiej jakości treści. Model, który bezkrytycznie pobiera dane z każdej strony internetowej, staje się podatny na manipulację. Kontrolowane, selekcjonowane wyszukiwanie jest bezpieczniejsze niż nieograniczony dostęp do wszystkiego.
Po trzecie – wiele pytań w ogóle nie wymaga bieżących danych. Filozofia, historia, nauka, gotowanie, psychologia – w tych obszarach zamrożona encyklopedia jest wystarczająca. Wysyłanie zapytania do internetu za każdym razem, gdy ktoś pyta o przepis na żurek, byłoby marnowaniem zasobów.
Dlatego współczesne systemy stosują kompromis: model ma swoją wbudowaną wiedzę, a wyszukiwanie zewnętrzne uruchamia selektywnie – tam, gdzie jest naprawdę potrzebne.
Jak wiedzieć, z czym mamy do czynienia?
Prosta zasada: pytajcie AI o jej własne ograniczenia.
„Do kiedy sięga twoja wiedza?” – dobry model odpowie szczerze. „Czy właśnie sprawdziłeś te dane w internecie?” – też odpowie. Wiele systemów informuje o tym wprost w odpowiedzi, dodając: „Zgodnie z informacjami dostępnymi do [data]…” albo „Korzystałem z zewnętrznego wyszukiwania, oto źródła.”
Jeśli AI nie wskazuje źródeł i nie sygnalizuje ograniczeń czasowych przy pytaniach o bieżące zdarzenia – traktujcie odpowiedź jak wskazówkę, nie pewnik. Zweryfikujcie w aktualnym źródle.
Bo AI to nie wyrocznia. To niezwykle sprawny pomocnik, który – jak każdy pomocnik – ma swoje granice. Zna je ten, kto go rozumie.
Gdy następnym razem AI poda wam pewnie cenę biletu lotniczego albo wynik wyborów w jakimś kraju – przypomnijcie sobie zamrożoną encyklopedię. Zapytajcie, skąd ma tę informację. Dobra AI wam odpowie. I właśnie po tym ją poznacie.
