AI-Umjetna inteligencija
Brzina razvoja umjetne inteligencije posljednjih godina donijela je fascinantne mogućnosti – od personaliziranih asistenata do analize ogromnih količina podataka u agrikulturi, zdravstvu i obrazovanju. No, ono što nas je do juče oduševljavalo, sada postaje razlog za ozbiljnu zabrinutost: hoće li previše AI dovesti do – lošijeg AI?
Šta se dešava s podacima?
Umjetna inteligencija ne uči “iz ničega” – ona zavisi od velikih skupova podataka koje koristi za treniranje modela. Ti podaci dolaze s interneta, iz članaka, komentara, slika, koda, razgovora – sve ono što mi ljudi svakodnevno stvaramo. Međutim, otkako su se pojavili generativni AI alati (kao što su ChatGPT, DALL·E, Midjourney i drugi), sve veći dio tih podataka više ne dolazi od ljudi, već od drugih AI modela.
Rezultat? Počinje se stvarati krug samoreferencijalnosti: AI uči od sadržaja koji je stvorio – AI. Time se gubi “čista”, autentična ljudska osnova na kojoj se temelji sposobnost razumijevanja stvarnog svijeta.
Paralele sa zagađenjem
Stručnjaci ovu pojavu upoređuju sa zagađenjem čelika nakon nuklearnih testova u 20. stoljeću. Nakon 1945. godine, radioaktivne čestice su ušle u atmosferu i kontaminirale gotovo sve novoizrađene materijale – uključujući čelik. Zato su za izradu preciznih mjernih instrumenata često potrebne zalihe “starog čelika” – onog proizvedenog prije atomskog doba. Slično se sada događa i s podacima: “čisti” podaci iz predgenerativne ere postaju rijetki, vrijedni i sve teže dostupni.
Zašto je to opasno?
Ako se AI modeli nastave trenirati isključivo na već generisanim podacima, dolazi do:
- padanja preciznosti – modeli više ne razumiju stvarni kontekst nego recikliraju fraze,
- povećanja grešaka i halucinacija – izmišljeni podaci postaju norma,
- etničkih i društvenih iskrivljenja – jer se AI uči od vlastitih pretpostavki.
Zamislite jednog farmera koji svake godine sakuplja sjeme isključivo od biljaka koje su već bile genetski modificirane. Te biljke su možda imale određene prednosti – brži rast, veći prinos, otpornost na određene štetočine. Ali ako nikada ne unosi novu genetiku u ciklus, ako stalno sije ono što je već prethodno “obrađeno”, nešto važno počinje da se gubi.
Vremenom, to sjeme postaje manje raznoliko, manje prilagodljivo i – u najgorem slučaju – sterilno. Njegove biljke počinju da liče jedna na drugu, ali gube otpornost na bolesti, klimatske promjene i štetočine. Na papiru izgledaju isto, ali u stvarnosti više nisu sposobne da opstanu bez stalne ljudske intervencije.
Isto se događa sa AI modelima.
Ako se modeli umjetne inteligencije treniraju isključivo na već generisanim podacima – dakle, na sadržaju koji su napisali drugi modeli – gube kontakt sa stvarnim, živim svijetom. Počinju da “misle” unutar zatvorenog kruga: ponavljaju iste fraze, stvaraju lažne zaključke, i učvršćuju pogreške koje su ranije bile samo izuzeci.
Upravo kao što je raznolikost ključ otpornosti u poljoprivredi, raznolikost i autentičnost podataka ključni su za dugoročnu održivost i korisnost umjetne inteligencije. Bez svježih, stvarnih informacija koje dolaze od ljudi – iz različitih kultura, jezika, lokalnih konteksta – AI modeli postaju poput monokulture: površno moćni, ali iznutra krhki.
A kad se jednom izgubi plodnost – bilo u zemljištu, bilo u znanju – povratak je spor, skup i često nemoguć bez potpune obnove sistema.
Zato je važno da čuvamo “sjeme znanja” – stvarne priče, lokalne izvore, autentične ljudske uvide – jer bez njih nijedna budućnost, pa ni ona vođena umjetnom inteligencijom, neće biti održiva.
Šta možemo učiniti?
Rješenja nisu jednostavna, ali su nužna:
- Etiketiranje AI-generisanog sadržaja – da znamo šta je “prirodno”, a šta “sintetičko”.
- Regulacija i standardi – naročito kod javnih i obrazovnih institucija.
- Lokalni podaci i znanje – umjesto oslanjanja na globalne, moguće iskrivljene izvore.
- Otvoreni AI projekti iz zajednice – s kontrolom izvora i transparentnim razvojem.
