W małej, odciętej od świata dolinie żyła przez wieki ta sama społeczność. Nie ze złej woli, nie z pychy – po prostu geografii nie można było zmienić. Pokolenie po pokoleniu, ci sami przodkowie, te same geny krążące w kółko. Z czasem coraz więcej dzieci rodziło się z drobnymi wadami. Coraz mniej osób dobrze radziło sobie z nową chorobą, która przybyła z zewnątrz. Pula genetyczna zwężała się jak rzeka w suszy.
To zjawisko biologia nazywa chowem wsobnym. A naukowcy zajmujący się sztuczną inteligencją odkryli niedawno, że modele AI mogą spotkać dokładnie ten sam los.
Pętla, która się zaciska
Wyobraź sobie model językowy trenowany w roku 2020. Pochłania teksty z całego internetu – artykuły, książki, fora, blogi, encyklopedie. Miliard zdań napisanych przez miliony różnych ludzi z milionami różnych perspektyw, doświadczeń, stylów. Różnorodność jest ogromna.
Teraz wyobraź sobie model trenowany w roku 2027. Internet jest nadal ogromny – ale znaczna część jego zawartości została w międzyczasie wygenerowana przez AI. Artykuły AI, opisy produktów AI, teksty edukacyjne AI, posty blogowe AI, komentarze AI. Szacunki z 2025 roku wskazują, że już ponad siedemdziesiąt procent nowo tworzonych stron internetowych zawiera jakiś element generowany przez modele językowe.
Model z 2027 roku trenuje się więc nie tylko na głosach ludzkich – ale częściowo na głosach swoich poprzedników. Na tym, co poprzednia generacja AI uznała za „najbardziej prawdopodobne” do powiedzenia. A poprzednia generacja sama trenowała się na danych częściowo syntetycznych.
I tak zamyka się pętla.
Model Collapse: zjawisko z łamów „Nature”
To nie jest spekulacja ani science fiction. To udokumentowane zjawisko naukowe, które w lipcu 2024 roku opisał zespół badaczy z Oksfordu, Cambridge i Imperial College London na łamach prestiżowego pisma „Nature”. Artykuł nosił tytuł mówiący wszystko wprost: AI models collapse when trained on recursively generated data – Modele AI ulegają kolapsowi, gdy trenowane są na rekurencyjnie generowanych danych.
Badacze przeprowadzili serię eksperymentów: trenowali modele na ich własnych outputach, potem trenowali nowe modele na outputach tamtych modeli, i tak dalej – generacja po generacji. Obserwowali, co się dzieje z jakością i różnorodnością generowanego tekstu.
Wyniki były jednoznaczne i niepokojące.
Z każdą kolejną generacją model tracił coś cennego: rzadkie wzorce, nieoczekiwane sformułowania, niestandardowe kombinacje słów, niuanse stylistyczne. Tekst stawał się coraz bardziej „środkowy” – zgodny z tym, co najczęstsze, najbardziej oczekiwane, najbezpieczniejsze statystycznie. Badacze opisali to jako zanikanie ogonów rozkładu. W języku biologii: populacja traci swoją różnorodność genetyczną.
W skrajnych przypadkach – gdy modele trenowano wyłącznie na własnych outputach przez wiele kolejnych pokoleń – generowany tekst stawał się dziwny, a potem wręcz bezużyteczny. Pojawiały się halucynacje, niespójności, powtórzenia. Jakość robiła się coraz gorsza.
Dlaczego ogony rozkładu są ważne?
To pytanie jest kluczem do zrozumienia całego zjawiska – i warto przy nim zatrzymać się dłużej.
„Ogon rozkładu” to w statystyce ta część danych, która pojawia się rzadko. W kontekście języka: rzadkie słowa, nieoczekiwane metafory, niszowe tematy, oryginalny styl, kontrowersyjne sformułowania, lokalne dialekty, specjalistyczny żargon, prywatne doświadczenia.
Te elementy wydają się marginalne – bo pojawiają się rzadko. Ale właśnie one są źródłem bogactwa i użyteczności modelu. To dzięki nim AI potrafi nie tylko powtarzać banały, ale też trafnie odpowiedzieć na pytanie niszowe, zrozumieć dialekt regionalny, pomóc z tekstem w mało popularnym języku, wychwycić subtelny humor.
Gdy model trenuje się na własnych outputach, zaczyna wzmacniać to, co częste, a zaniedbywać to, co rzadkie. Bo jego własny output – z definicji – jest skierowany ku centrum rozkładu, ku „najbardziej prawdopodobnemu”. Trenowanie na tym outputcie jest jak kopiowanie kopii: z każdą iteracją traci się drobne szczegóły, a wzmacnia artefakty.
To dokładnie to samo, co dzieje się z zamkniętą pulą genetyczną. Dominujące cechy się utrwalają. Cechy rzadkie – znikają. Odporność na nowe wyzwania spada.
Ile AI jest już w internecie?
To pytanie, które ma realną odpowiedź – i jest niepokojąca.
Badacze śledzą udział treści generowanych przez AI w ruchu internetowym od 2022 roku. W 2024 roku szacunki wskazywały, że około jedenastu procent stron pojawiających się w pierwszej dwudziestce wyników Google było generowanych przez AI. W lipcu 2025 roku ta liczba wzrosła do niemal dwudziestu procent. Przy obecnym tempie wzrostu – i przy rosnącej jakości generowanych treści, przez co są trudniejsze do wykrycia i usunięcia z indeksów – trend jest jednoznaczny.
Internet jako zbiór ludzkich myśli i doświadczeń staje się coraz bardziej… mieszaniną ludzkich i maszynowych głosów, które z kolei uczą się od siebie nawzajem.
Dla badaczy zajmujących się modelem językowym to poważny problem logistyczny. Najlepsze dane treningowe – oryginalne, różnorodne, napisane przez ludzi z realnym doświadczeniem – są ograniczone. Analizy sugerują, że zasoby wysokiej jakości tekstu ludzkiego w internecie mogą się wyczerpać w tej dekadzie jako materiał treningowy. A każde nowe zapytanie do wyszukiwarki, które zamiast do artykułu odsyła do odpowiedzi AI, zmniejsza pulę dostępnych ludzkich głosów.
Czy to znaczy, że AI zmierza ku katastrofie?
Nie – ale z ważnym zastrzeżeniem.
Badania opublikowane równolegle z artykułem w „Nature” pokazały, że kolaps nie jest nieuchronny, jeśli stosuje się odpowiednie środki ostrożności. Kluczowy wniosek: gdy do danych treningowych zawierających treści syntetyczne dodaje się wystarczającą ilość oryginalnych danych ludzkich – modele pozostają stabilne. To jak genetyka: problem nie polega na tym, że istnieje chów wsobny, lecz na tym, że jest jedynym źródłem nowych pokoleń.
Duże firmy AI zdają sobie z tego sprawę – i reagują. To tłumaczy pozornie dziwne zjawisko gospodarcze: firmy technologiczne, które teoretycznie powinny nie potrzebować już treści ludzkich (skoro AI pisze lepiej niż większość ludzi), zaczęły masowo płacić za dostęp do tych treści.
Reddit zawarł umowę z Google za sześćdziesiąt milionów dolarów rocznie – za prawo do używania postów użytkowników jako danych treningowych. News Corp sprzedał OpenAI dostęp do archiwów swoich gazet. The Atlantic, Financial Times, Vox Media – wszyscy zawarli podobne umowy. Stack Overflow, największe forum programistów świata, podobnie.
To nie jest przypadek. To wyścig o coś, co staje się coraz cenniejszym zasobem: autentyczny ludzki głos.
Cyfrowe rezerwaty i banki danych
Część badaczy poszła dalej w swoich propozycjach. Artykuł opublikowany na łamach Harvard Journal of Law and Technology postuluje stworzenie czegoś, co można by nazwać cyfrowymi rezerwatami bioróżnorodności: specjalnych baz danych przechowujących teksty ludzkie sprzed ery powszechnej AI – najlepiej sprzed roku 2022 – jako chronione źródło czystych danych treningowych dla przyszłych pokoleń modeli.
Analogia do banków genów jest tu oczywista i celowa. Tak jak bank nasion w norweskim Svalbard przechowuje genetyczny materiał roślin na wypadek globalnej katastrofy, cyfrowy bank danych miałby zabezpieczyć różnorodność ludzkiego myślenia i wyrazu – zanim zostanie rozcieńczona przez warstwy syntetycznych echów.
Brzmi jak science fiction. Ale kilka lat temu brzmiało jak science fiction twierdzenie, że internet będzie w jednej piątej pisany przez maszyny.
Paradoks różnorodności
Jest w tym wszystkim głębszy paradoks, który warto odnotować.
AI uczy się na ludzkiej różnorodności – i właśnie ta różnorodność jest źródłem jej siły. Modele są dobre dlatego, że pochłonęły niezliczoną ilość różnych perspektyw, głosów, doświadczeń. Poeta i inżynier, dziecko i emeryt, mieszkaniec Tokio i rolnik z Podlasia – wszyscy razem złożyli się na „wiedzę o świecie” zakodowaną w wagach modelu.
Jeśli AI zacznie zastępować te głosy własnym – głosem, który jest statystyczną średnią poprzednich głosów – ten zasób zacznie wysychać. Model stanie się coraz doskonalszy w produkowaniu tego, co już dobrze zna. I coraz mniej zdolny do rozumienia i generowania tego, czego nigdy nie widział.
To jest właśnie ta analogia z chowem wsobnym, którą intuicyjnie wyczuliście, zadając pytanie. Nie chodzi o degenerację fizyczną – lecz o utratę zdolności adaptacyjnej. Zamknięta pula genetyczna radzi sobie świetnie w stabilnym środowisku. Ale gdy środowisko się zmienia, brak różnorodności staje się śmiertelną słabością.
Dla AI zmiana środowiska to nowe pytania, nowe problemy, nowe dziedziny wiedzy – te, których modele nie widziały w danych treningowych. Jeśli te dane będą coraz bardziej samoreferencyalnie – jeśli AI będzie uczyć się głównie od siebie – zdolność do odpowiadania na rzeczy naprawdę nowe będzie coraz niższa.
Co z tym zrobić?
Badacze i inżynierowie pracują nad kilkoma równoległymi strategiami.
Pierwsza i najważniejsza: utrzymywanie stałej proporcji oryginalnych danych ludzkich w każdej rundzie treningu. Modele nie powinny być karmione wyłącznie własnymi outputami ani outputami swoich poprzedników.
Druga: filtrowanie i znakowanie treści AI, zanim trafi do zbiorów treningowych. To wymaga narzędzi do identyfikacji AI-generated content na dużą skalę – i znów pojawia się ten sam wyścig zbrojeń, który opisywaliśmy w poprzednich tekstach.
Trzecia: aktywne poszukiwanie nowych źródeł ludzkich danych. Stąd umowy z Redditem, gazetami, platformami specjalistycznymi. Stąd rosnące zainteresowanie danymi wielojęzycznymi i nieanglojęzycznymi, gdzie pula ludzkich treści jest mniej zanieczyszczona.
Czwarta, najbardziej ambitna: tworzenie syntetycznych danych o kontrolowanej różnorodności – czyli celowe generowanie przez AI treści, które są maksymalnie różnorodne i rzadkie, a nie typowe i przewidywalne. Contra-collapse by design.
Żadna z tych strategii nie jest idealna. Wszystkie razem mogą wystarczyć – jeśli zostaną zastosowane z odpowiednią konsekwencją.
Dolina, od której zaczęliśmy, nie musiała degenerować. Wystarczyło otworzyć drogę. Jeden wędrowiec z zewnątrz, jedna rodzina z innej wsi, jedna nowa historia – i pula genetyczna odżywa.
Internet robi się coraz bardziej pełen głosów AI. Ale gdzieś na jego obrzeżach wciąż piszą ludzie – ze swoim doświadczeniem, swoją niepowtarzalnością, swoimi błędami i przebłyskami. I właśnie dlatego to takie ważne, żeby te głosy chronić.
Dla dobra AI, która bez nich zacznie mówić wyłącznie do siebie.
