Awareness as the foundation for Security.

            „Bezpieczeństwo to przeświadczenie, że w danych okolicznościach są warunki, dzięki którym mówiący nie odczuwa żadnego zagrożenia”[1]. „Pojęcie „bezpieczeństwa” wiąże się z wieloma aspektami życia i może być postrzegane w różny sposób. Jak podaje słownik języka polskiego: „Bezpieczeństwo” to stan niezagrożenia, spokoju, pewności [Szymczak 2002], „Bezpieczeństwo” to pojęcie trudne do zdefiniowania. Sytuacja, w której istnieją formalne, instytucjonalne, praktyczne gwarancje ochrony [Smolski i in.1999]. Z praktycznego punktu widzenia zadowalająca jest definicja: Bezpieczeństwo systemu komputerowego – stan systemu komputerowego, w którym ryzyko urzeczywistnienia się zagrożeń związanych z jego funkcjonowaniem jest ograniczone do akceptowalnego poziomu”.[2]

Sztuczna inteligencja działa na zasadzie algorytmu podobnie jak człowiek i organizmy nazywane żywe oraz inne urządzenia mechaniczne z funkcją oprogramowania. W zależności od prostych rozumowań i prostych wytycznych dla urządzeń możemy sklasyfikować organizmy żywe na wykorzystujące swoją wiedze poznawczą a więc inteligencję wraz z instynktem przetrwania który tworzony jest za pomocą kodu genetycznego. W ten sposób wytyczne organizmów żywych są dostosowane aby określać i zaspakajać swoje potrzeby.

Dla organizmów żywych „Środowisko życia ma decydujący wpływ na organizmy żywe. To stwierdzenie jest znane z podstaw ekologii w szkole i stanowiło punkt wyjścia do wszelkich badań ekologicznych. Jednak, okazuje się, że zbadanie i zrozumienie tego, na czym właściwie ten wpływ środowiska polega, oraz jak go organizmy odbierają i w jaki sposób reagują na wszelkie zmiany środowiskowe, jest niezwykle trudne. Do tego stopnia, że całkiem niedawno zagadnienie to zostało okrzyknięte w jednym z wiodących amerykańskich czasopism naukowych jako jedno z pięciu największych wyzwań współczesnej nauki. Odnosząc się do konkretnego przykładu, wciąż nie są dokładnie poznane przyczyny ani mechanizmy istnienia reguły nazwanej termiczną regułą wzrostu (ang. temperature-size rule, TSR). Zgodnie z tą pospolicie obserwowaną regułą, organizmy żywe osiągają mniejsze rozmiary ciała w wyższej temperaturze (korzystniejszej), niż w niższej (mniej korzystnej). Jest to zaskakujące z ewolucyjnego punktu widzenia, ponieważ należałoby się spodziewać, że w korzystnych warunkach termicznych organizmy powinny rosnąć do większych rozmiarów, gdyż wtedy mogą zostawić po sobie więcej potomstwa. Chyba że… jest jakiś inny czynnik, który wywołuje odpowiedź TSR. Obecnie, najbardziej obiecującym kandydatem na taki czynnik jest dostępność tlenu, która w naturalnych warunkach spada wraz ze wzrostem temperatury, powodując zmniejszenie efektywności transportu tlenu do mitochondriów. Rozmiar ciała ma być konsekwencją plastycznego zmniejszania się rozmiarów komórek – najprostszego rozwiązania powodującego zwiększenie tej efektywności.”[3] „Wszystkie organizmy zostały podzielone na pięć grup, tzw. królestw. Są to bakterie, protisty, grzyby, rośliny i zwierzęta. Poza klasyfikacją znalazły się wirusy, które nie są ani żywe, ani martwe. Ludzie należą do królestwa zwierząt”[4].

Źródło: Aleksandra Ryczkowska, licencja: CC BY 3.0.

We współczesnej systematyce wyróżnianych jest pięć królestw organizmów: bakterie, protisty, grzyby, rośliny i zwierzęta. Głównymi kryteriami podziału organizmów na pięć królestw są: obecność lub brak jądra komórkowego, liczba komórek budujących organizm, obecność chloroplastów oraz obecność i skład chemiczny ściany komórkowej. Do bakterii zaliczane są mikroskopijne organizmy jednokomórkowe, zwykle żyjące w koloniach. Posiadają ścianę komórkową. Mogą mieć odpowiedniki chloroplastów i odżywiać się na drodze fotosyntezy (sinice). W większości bakterie są jednak cudzożywne. W ich komórkach nie ma jądra komórkowego. Zapisana w nici DNA informacja genetyczna znajduje się na terenie cytoplazmy. Z powodu braku jądra komórkowego bakterie określa się mianem organizmów bez jądrowych. Pozostałe królestwa skupiają organizmy jądrowe, czyli takie, których komórki posiadają jądra komórkowe.

Protisty są bardzo niejednorodną grupą. Należą do nich organizmy jednokomórkowe (np. ameba), wielokomórkowe (np. morszczyn) i kolonijne (np. wiele gatunków okrzemek). Mogą być samożywne (np. morszczyn i toczek) lub cudzożywne (np. ameba). Niektóre protisty, zwłaszcza samożywne, np. morszczyn, posiadają ścianę komórkową, która najczęściej zbudowana jest z celulozy.

Wśród grzybów są zarówno organizmy jednokomórkowe, jak i wielokomórkowe. Wszystkie są cudzożywne – w ich komórkach nie ma chloroplastów. Komórki grzybów otacza ściana komórkowa. U większości gatunków jest ona zbudowana z tego samego związku co pancerzyki owadów, czyli z chityny.

Rośliny to wielokomórkowe organizmy samożywne, których ściana komórkowa zbudowana jest z celulozy.

Zwierzęta są natomiast organizmami cudzożywnymi, wielokomórkowymi, nieposiadającymi ścian komórkowych”.[5]

Według teorii zwanej teorią endosymbiozy mitochondria i chloroplasty miliony lat temu były niezależnymi komórkami bezjądrowymi. Wniknęły do komórek organizmów jądrowych i zaczęły z nimi żyć w symbiozie, stopniowo tracąc swoją niezależność.

Kliknij, aby uruchomić podgląd

Źródło: Aleksandra Ryczkowska, licencja: CC BY 3.0.

Wirusy to skomplikowane cząsteczki organiczne, które nie mają budowy komórkowej. Mogą być nawet tysiąc razy mniejsze od komórek bakterii, które należą do najmniejszych w świecie organizmów.

Pojedyncza cząsteczka wirusa składa się z białkowego płaszcza i zamkniętego w jego wnętrzu kwasu nukleinowego. Niekiedy wirusy posiadają dodatkowo białkowo‑lipidową osłonkę, jak u wirusa grypy, półpaśca i opryszczki.

Na powierzchni wirusa występują białka powierzchniowe. Białka te są rozpoznawane przez komórki odpornościowe organizmu, do którego wnikają wraz z wirusem jako antygeny (substancje obce dla organizmu), co uruchamia szereg mechanizmów obronnych. U człowieka należą do nich między innymi gorączka, kaszel, kichanie, wymioty, biegunka. Mają one na celu zniszczenie lub usunięcie wirusów z organizmu.

Kliknij, aby uruchomić podgląd

Źródło: Aleksandra Ryczkowska, licencja: CC BY 3.0”[6].

Wirusy nie wykazują cech charakterystycznych dla organizmów. Nie mają budowy komórkowej, nie są zdolne do wzrostu ani rozmnażania się. Zazwyczaj nie posiadają własnych enzymów, dlatego nie prowadzą żadnych procesów przemiany materii i energii. Do momentu wniknięcia do komórki nie przejawiają także żadnych funkcji życiowych. Są zdolne do namnażania się jedynie wewnątrz zaatakowanej komórki. Do powielenia własnego materiału genetycznego i białek płaszcza wykorzystują zainfekowane organizmy i ich enzymy. Kiedy namnożą się w tysiącach kopii, błona komórkowa zakażonej przez nie komórki pęka, uwalniając nowo powstałe wirusy.

Slajd 1 z 2

Źródło: Aleksandra Ryczkowska, licencja: CC BY 3.0.

. Różnorodność wirusów

Wirusy odkryto w latach 90. XIX wieku. Po raz pierwszy zostały wyizolowane z liści tytoniu. Poznanie budowy wirusa stało się możliwe dopiero po skonstruowaniu w 1931 roku mikroskopu elektronowego. Żaden wcześniej znany mikroskop nie pozwalał na zaobserwowanie tak małych obiektów. Pierwszym opisanym wirusem był, badany już wcześniej, wirus mozaiki tytoniu, powodujący u tej rośliny chorobę zwaną mozaikowatością. Od tego przełomowego odkrycia, które miało miejsce w roku 1935, szczegółowo opisano ponad 5 tysięcy różnych rodzajów wirusów, a ich całkowitą liczbę szacuje się na wiele milionów. Mogą one zakażać wszystkie typy organizmów: od zwierząt i roślin, przez grzyby i protisty, aż po bakterie.

Źródło: Aleksandra Ryczkowska, Magnus Manske (http://commons.wikimedia.org), R.J. Reynolds Tobacco Company Slide Set (http://www.forestryimages.org), licencja: CC BY-SA 3.0.

Wirusy roślinne zwykle atakują rośliny naczyniowe, powodując u nich przebarwienia lub zwijanie się liści, rzadziej ich usychanie lub powstawanie narośli. Infekują tylko części roślin uszkodzone na przykład przez owady. Wirusy zwierzęce powodują liczne choroby. Na ogół atakują konkretny gatunek gospodarza, a nawet konkretne jego tkanki. Bakteriofagi są zwykle wyspecjalizowane w atakowaniu konkretnych gatunków bakterii.

Źródło: Aleksandra Ryczkowska, Ying-Rong Lin, Chan-Shing Lin (http://commons.wikimedia.org), Dr Graham Beards (http://commons.wikimedia.org), licencja: CC BY 2.5.

Źródło: Aleksandra Ryczkowska, licencja: CC BY 3.0.[7]

„Życie człowieka jest w dużej mierze napędzane jego potrzebami. Już myśliciele starożytni, szukając recepty na szczęśliwe życie, starali się ustalić, co jest człowiekowi niezbędne, a bez czego może się obejść. Żyjący w III w. p.n.e. Epikur z Efezu stworzył jedne z pierwszych kryteriów potrzeb człowieka, dzieląc się na naturalne i konieczne (jedzenie, wiedza), naturalne i niekonieczne (ucztowanie) i nienaturalne i niekonieczne (dążenie do sławy). Z biegiem lat i nastawaniem kolejnych epok ludzkie potrzeby zaczęły się zwiększać. Procesowi temu towarzyszyły próby katalogowania i usystematyzowania potrzeb ludzkich, podejmowane przez kolejnych naukowców, zajmujących się zagadnieniami związanymi z funkcjonowaniem człowieka jako jednostki i jako części społeczeństwa”.[8]

„Nie istnieje jedna, powszechnie uznawana definicja potrzeby. W naukach społecznych pojęcie to występuje w trzech zasadniczych znaczeniach:

• potrzeba to stan człowieka lub jego organizmu w danej chwili, charakteryzujący się poczuciem niespełnienie określonych ważnych warunków ważnych dla funkcjonowania człowieka,
• potrzeba to subiektywne odczucie przez człowieka stanu braku, niezaspokojenia określonych warunków,
• potrzeba jako trwała właściwość człowieka polegająca na tym, że bez spełnienia określonych warunków człowiek nie może osiągnąć bądź utrzymać pewnych ważnych stanów lub celów.

Źródło: Learnetic S.A., licencja: CC BY 4.0.[9]”

Siłą napędową ludzkich potrzeb jest mózg. To w tym organie kształtują się wszystkie, nawet biologiczne potrzeby człowieka.

„Myślenie – ciągły proces poznawczy polegający na skojarzeniach i wnioskowaniu, operujący elementami pamięci takimi jak symbole, pojęcia, frazy, obrazy i dźwięki.

W świetle neurobiologii (m.in. António Damásio) głównym składnikiem myśli są obrazy percepcyjne o różnych modalnościach zmysłowych, np. słuchowe, wzrokowe, węchowe, smakowe, które odpowiadają przedmiotom, procesom zachodzącym z udziałem przedmiotów lub odpowiadającym im słowom. Tworzone reprezentacje percepcyjne są topograficznie zorganizowane w mózgu. Są one aktywowane z udziałem „reprezentacji dyspozycyjnych”, tworzonych w innym miejscu mózgu, wykorzystywanych w toku myślenia.

Myślenie może być pojmowane również jako ruch świadomości oraz skupienia i koncentracji. W praktyce jest jednak wywoływane nieświadomie bez udziału woli i wiąże się z naszymi poprzednimi myślami i działaniami.

Ludzkie myślenie jest realizowane przez procesy psychiczne/kognitywne opierające się na systemie pojęć o różnym stopniu konkretności łączone w mózgu w mniej lub bardziej świadomy sposób.

Według interpretacji A. M. Gadomskiego proces myślenia jest badany na poziomie dynamiki sieci neuronowych, zaś funkcje myślenia są interpretowane na poziomie symboli jako własności abstrakcyjnego umysłu. W tym ujęciu, procesy mózgowe są nośnikami operacji symbolicznych, takich jak skojarzenia i wnioskowanie, oraz wspierane są nieświadomymi/podświadomymi operacjami poszukiwania w pamięci.

W komputerowej symulacji myślenia w celu rozwiązania danego zadania tworzy się program operacji oraz w trakcie wykonywania konfrontuje się go z oczekiwanym wynikiem.

Istnieje wiele bardziej i mniej ogólnych modeli myślenia, racjonalnego, irracjonalnego, emocjonalnego, oraz modeli mniej lub bardziej zależnych od kontekstu.

Proces myślenia w aspektach psychologii klinicznej

Aspekt operacyjny to w tym  aspekcie myślenie to ciąg pojęć. Pojęcia te wchodzą ze sobą w złożone relacje (powiązania). Myślenie umożliwia wyodrębnianie różnych cech danego pojęcia, zauważanie podobieństw pomiędzy różnymi pojęciami, abstrahowanie od cech różniących pojęcia, uogólnianie i uszczegóławianie, czego efektem jest też tworzenie nowych pojęć.

Operacyjne własności myślenia to np.: abstrahowanie, uogólnianie, uściślanie, kojarzenie, zapamiętywanie.

Myślenie o myśleniu to meta-myślenie, jest ono podstawą ludzkiej samoświadomości.

Przykładami objawów zaburzeń myślowych są:

• myślenie nadmiernie konkretne – osoba nie potrafi wyjść poza obserwowalne właściwości danego przedmiotu lub jednoznaczne skojarzenia wobec pojęcia; nie potrafi określić cech łączących pewną klasę pojęć (np. „Co mają wspólnego rower i motocykl?” Odp.: „Nic nie mają wspólnego, rower jest na pedały a motocykl na silnik”.);
• myślenie nadmiernie abstrakcyjne – osoba wychodzi poza konkretne znaczenie pojęć, ale operacje abstrahowania i uogólniania są wykonywane na tak wysokim poziomie, że efekt jest nieprzydatny do wykonania jakiegokolwiek działania praktycznego; (np. „Co mają wspólnego rower i motocykl?” Odp.: „Oba zbudowane są z materii”.);
• myślenie oparte na subiektywnych związkach między pojęciami – osoba wykonująca operacje abstrahowania i uogólniania opiera się na subiektywnych związkach między pojęciami, związkach które istnieją tylko dla niej (np. „Co mają wspólnego rower i motocykl?” Odp.: „Oba są ładne”.).

W Aspekcie dynamicznym myślenie to proces, który wymaga odpowiedniego tempa i selektywności. Ta strona myślenia ma wiele wspólnego z uwagą.

Objawami zaburzeń są:

• nadmierna dynamika – labilność myślenia. W czasie wykonywania operacji pojawiają się uboczne wątki, skojarzenia, których osoba nie potrafi wytłumić; (np. „Co mają wspólnego rower i motocykl?” Odp.: „Bo mają koła, takie jak mój rower, jaki dostałam w dzieciństwie – żółty, tak jak samochód mojego kolegi ze szkoły podstawowej – tam był bardzo groźny dyrektor...”);
• osłabiona dynamika – inercja myślenia; charakterystyczna jest tutaj "lepkość" myślenia; jeżeli chory raz wykonał zadanie w określony sposób, to kurczowo trzyma się tego sposobu, nawet jeżeli w kolejnych zadaniach nie daje odpowiedniego wyniku; (np. Pyt. 1. „Co mają wspólnego rower i motocykl?” Odp.: „Mają koła.” Pyt. 2. „Co wspólnego mają dzbanek i filiżanka?” Odp: „Mają takie koła u góry (okrągłą górę).”

Aspekt motywacyjny to strona myślenia zajmuje się ukierunkowaniem tego procesu na konkretny cel.

Objawami zaburzeń są:

• wielowątkowość myślenia – osoba w akcie myślenia dąży do różnych, czasami sprzecznych ze sobą celów gubiąc po drodze to, co istotne. Motywacji jest zbyt dużo i poszczególne motywy są sprzeczne; (np. Pyt. 1. „Co mają wspólnego rower i motocykl?” Odp.: „Rower i motocykl mają koła. Ale też mają kierownicę. To jest najistotniejsza cecha, która je łączy...” itd.);
• rezonerstwo – to myślenie, które utraciło ukierunkowanie na cel i do niczego nie prowadzi. (np. Pyt. 1. „Co mają wspólnego rower i motocykl?” Odp.: „Wiele mają wspólnego i też wiele różni je; czy naprawdę to, co jest między nimi wspólnego jest ważniejsze od tego, co je różni; podkreślając podobieństwa nie można zapominać o różnicach.”).”[10]  

„Naukowcy opracowali nową metodę wizualizacji tego jak "myśli" AI. Dzięki metodzie dystrybucji k* mają nadzieję zrewolucjonizować wszystkie dziedziny, gdzie rozebranie AI na części pierwsze jest kluczowe dla bezpieczeństwa i dobrobytu ludzi. Uczenie się na przykładach jest jednym z najpotężniejszych i najbardziej tajemniczych mechanizmów napędzających inteligencję - niezależnie od tego, czy mówimy o ludziach, czy o maszynach. Prosty przykład: dzieci i nauka nazw zwierząt. Wystarczy pokazać im wystarczająco dużo przykładów tego jak wygląda kot i tego jak wygląda koń, by mogły one nazwać zwierzę niezależnie od tego czy patrzą na ilustrację pstrokatego kota, czy zdjęcie czarnego konia. Podstawowa teoria głosi, że mózg jest maszyną do odnajdywania wzorców. Kiedy pokaże mu się wystarczająco dużo przykładów, zacznie wyróżniać pewne cechy wizualne wyróżniające koty lub konie od innych zwierząt, a te ostatecznie łączone są w protokoły decyzyjne, które dają nam zdolność do automatycznego i nieświadomego kategoryzowania nowych doświadczeń.

Trochę paradoksalnie, ale ludziom wciąż przychodzi łatwiej nauczenie się nowych wzorców - niezależnie czy mówimy o odróżnieniu żyrafy od słonia czy matematyce - niż wyjaśnienie jak właściwie mózg tworzy te wzorce. A ponieważ systemy sztucznej inteligencji wzorowane są na działaniu ludzkiego umysłu, inżynierowie i naukowcy wciąż nie są w stanie odpowiedzieć na pytanie jak właściwie uczy się sztuczna inteligencja.

Odpowiedź na to pytanie mogą mieć jednak naukowcy z japońskiego Uniwersytetu Kyushu, którzy opracowali nową metodę wizualizacji pozwalającą zrozumieć, w jaki sposób głębokie sieci neuronowe interpretują i kategoryzują nowo przyswojone informacje. Metodę naukowcy opisali na łamach czasopisma IEEE Transactions on Neural Networks and Learning Systems.

Przetwarzanie informacji przez głębokie sieci neuronowe jest procesem złożonym i przede wszystkim, wieolopoziomowym - podobnie jak w przypadku ludzi, gdy rozwiązujemy zagadki czy zadania matematyczne.

Na pierwszym poziomie głębokie sieci neuronowe zapoznają się z informacjami. Kolejne poziomy, zwane przez naukowców "warstwami ukrytymi", to przede wszystkim analiza informacji pozyskanych na poziomie pierwszym. Wczesne warstwy ukryte koncentrują się na podstawowych cechach informacji.

Można je porównać do układania puzzli, gdzie pobieżnie zapoznajemy się z krawędziami i ogólnymi kolorami, bez zagłębiania się w detale poszczególnych kawałków. Na "najgłębszych" poziomach warstw ukrytych sieci neuronowe wykorzystują wszystkie zdobyte informacje, by dać pożądany efekt - podobnie jak my po zapoznaniu się z puzzlami i posiadając wiedzę dotyczącą specyfiki różnych obiektów i innych kontekstów układamy cały obrazek z puzzli.

"Jednak te ukryte warstwy są jak zamknięta czarna skrzynka: widzimy dane wejściowe i wyjściowe, ale to, co dzieje się wewnątrz, nie jest jasne. Ten brak przejrzystości staje się poważnym problemem, gdy sztuczna inteligencja popełnia błędy, czasami wywołane przez coś tak małego, jak zmiana pojedynczego piksela. Sztuczna inteligencja może wydawać się inteligentna, ale zrozumienie, w jaki sposób podejmuje decyzje, jest kluczem do zapewnienia, że jest godna zaufania"

Wobec czego naukowcy opracowali nową metodę wizualizacji informacji, którą nazwali "metodą dystrybucji k*". Model wizualizacji działa poprzez przypisanie każdemu wprowadzonemu punktowi danych „wartości k*”, która wskazuje odległość do najbliższego niepowiązanego punktu danych. Wysoka wartość k* oznacza, że punkt danych jest dobrze oddzielony (np. kot daleko od psów), podczas gdy niska wartość k* sugeruje potencjalne nakładanie się (np. pies bliżej kota niż innych kotów). Patrząc na wszystkie punkty danych w obrębie klasy danych, takiej jak koty ilustracje kotów, podejście to tworzy rozkład wartości k*, który zapewnia szczegółowy obraz organizacji danych. Korzystając z tej metody, naukowcy pokazali, że głębokie sieci neuronowe sortują dane w skupiskach, częściowo podzielonych lub nakładających się układach. W układzie skupionym podobne elementy (np. koty) są zgrupowane blisko siebie, podczas gdy niepowiązane elementy (np. psy) są wyraźnie oddzielone, co pokazuje, że sztuczna inteligencja jest w stanie dobrze sortować dane. Podzielone układy wskazują, że podobne elementy są rozproszone na dużej przestrzeni, podczas gdy nakładające się rozkłady występują, gdy niepowiązane elementy znajdują się w tej samej przestrzeni, przy czym oba układy zwiększają prawdopodobieństwo błędów klasyfikacji.

Te układy Vargas porównał do magazynów, gdzie podobne przedmioty ułożone są blisko siebie. Jednak w przypadku wymieszania - przypadkowego lub wynikającego z braku miejsca - tworzy się chaos i łatwo o pomyłkę.

Według naukowców metoda dystrybucji k* pomaga badaczom, prawodawcom, twórcom oprogramowania oraz innym jednostkom wykorzystującym AI ocenić, w jaki sposób sztuczna inteligencja organizuje i klasyfikuje informacje, wskazując potencjalne słabości lub błędy. Ma to wspierać zarówno procesy legalizacji potrzebne do bezpiecznego włączenia sztucznej inteligencji do codziennego życia, ale także zapewnić cenny wgląd w to, jak AI "myśli".

Identyfikując podstawowe przyczyny błędów, naukowcy będą mogli być w stanie udoskonalić systemy sztucznej inteligencji, aby były nie tylko dokładne, ale także solidne - zdolne do obsługi rozmytych lub niekompletnych danych i dostosowywania się do nieoczekiwanych warunków.

"Naszym ostatecznym celem jest stworzenie systemów sztucznej inteligencji, które zachowają precyzję i niezawodność, nawet w obliczu wyzwań związanych z rzeczywistymi scenariuszami". [11]

„Powstał system AI odczytujący ludzkie myśli opracowany na University of Texas w Austin (USA) system AI – połączona ze skanerem MRI sztuczna inteligencja – odczytywał myśli ochotników. Na razie jeszcze robi błędy, ale w przyszłości podobne urządzenia mogłyby pomagać osobom niezdolnym do zwykłej komunikacji.

System AI odczytujący ludzkie myśli został przedstawiony w czasie eksperymentu.  Ochotnicy słuchali pewnej historii, albo wyobrażali sobie jej opowiadanie. Ich mózgi były obserwowane z pomocą rezonansu magnetycznego (MRI), a połączona z nim sztuczna inteligencja zamieniała myśli ludzi na zgodny z nimi tekst.

Co ważne, nie były potrzebne elektrody wszczepiane do mózgu, a korzystająca z wynalazku osoba nie była ograniczona do wcześniej ustalonej listy ze słowami – podkreślają naukowcy.

System wymaga jednak specjalnego szkolenia – każdy korzystający z niego człowiek, przez kilka godzin słucha podcastów, w czasie których komputer obserwuje jego mózg.

„Dla nieinwazyjnych metod to prawdziwy skok do przodu w porównaniu do tego, co udawało się osiągać wcześniej, czyli zwykle czytanie pojedynczych słów lub krótkich zdań” – mówi prof. Alex Huth, autor publikacji, która ukazała się w piśmie „Nature Neuroscience”.

„Nasz model dekoduje trwającą długi czas, ciągłą mowę dotyczącą skomplikowanych tematów” – podkreśla.

Na razie komputer nie jest zbyt dokładny – w miarę precyzyjnie odczytuje myśli w ok. 50 proc. Potrafi jednak często oddać sens wypowiedzi.

Na przykład myśl: „Mie mam jeszcze prawa jazdy” przetłumaczył na: „ona nie zaczęła jeszcze nauki jazdy samochodem”.

Słuchając myśli: „Nie wiedziałam, czy krzyczeć, płakać, czy uciekać”, odczytał jako: „Zaczęła krzyczeć i płakać, a potem powiedziała ‘mówiłam ci, abyś mnie zostawił’”.

System radził sobie także z czytaniem myśli ochotników, kiedy oglądali materiały wideo.

Twórcy programu zajęli się także tematem jego ewentualnych nadużyć. Zapewniają, że przynajmniej obecnie nie da się czytać czyichś myśli, jeśli dana osoba tego nie chce.

Nie da się też tego robić, z kimś, z kim system nie przeszedł długiego treningu.

„Bardzo poważnie traktujemy obawy o nadużycia i pracujemy nad tym, aby im zapobiec. Chcemy mieć pewność, że ludzie będą korzystali z tych technologii, kiedy będą chcieli i tak, aby im pomagała” – mówi kierujący badaniami Jerry Tang.

Naukowcy liczą na to, że ich pomysł pozwoli na konstrukcję urządzeń, dzięki którym ze światem będą mogły się komunikować osoby obecnie do tego niezdolne, np. po ciężkich udarach.

Dzisiejsza wersja systemu pozwala tylko na jego wykorzystanie w laboratorium, ale zdaniem badaczy można to zmienić – np. zamiast dużego skanera MRI, prawdopodobnie da się wykorzystać znacznie mniejsze urządzenie przeznaczone do również nieinwazyjnej funkcjonalnej spektroskopii bliskiej podczerwieni.

„Katastrofą nie jest nadejście sztucznej inteligencji, którą będziemy musieli udomowić, ale wyparcie rzeczywistości i obniżenie poziomu oświaty, stagnacja lub nawet spadek średniego IQ oraz obniżenie poziomu języka” – pisze David LISNARD, polityk Republikanów, od 2014 r. mer Cannes, prezydent Związku Merów Francji oraz ugrupowania Nouvelle Énergie.

„Sztuczna inteligencja (AI) wywołuje poruszenie. Nareszcie! ChatGPT prowokuje wiele dyskusji, ponieważ zapowiada transformację naszego stosunku do wiedzy i metod pracy. Ten chatbot po zaledwie dwóch miesiącach ma już ponad 100 milionów użytkowników, fascynuje świat, nasuwa pytania i przeraża. A przecież wciąż jesteśmy na etapie epoki kamienia łupanego rewolucji AI. Wszystkie nasze zawody, czynności i środki ekspresji zostaną wywrócone do góry nogami” – twierdzi David LISNARD.

Jego zdaniem „tsunami jest nieuchronne, a nasi polityczni przywódcy zamiast nas na nie przygotować, czekają na falę, wylegując się w słońcu na plaży, debatując o płci aniołów przechodzących na emeryturę i o trudnych warunkach pracy w ginących zawodach”.

„Od pół wieku niektórzy mówią o potencjale i zagrożeniach związanych z AI. We Francji jest nas kilku, którzy chcą włączyć tę refleksję w obszar debaty obywatelskiej. Jest ona obecnie pilna! Czy chcemy cierpieć, czy wybierać? Czy chcemy być cyfrową kolonią Stanów Zjednoczonych i Azji, czy chcemy mieć francuskie i europejskie ambicje przemysłowe?” – pyta .„Katastrofą nie jest nadejście sztucznej inteligencji, którą będziemy musieli udomowić, ale wyparcie rzeczywistości i obniżenie poziomu oświaty, stagnacja lub nawet spadek średniego IQ oraz obniżenie poziomu języka” – pyta David LISNARD.”[12]

„Rozwój sztucznej inteligencji (AI) w ostatnich latach przeszedł prawdziwą rewolucję. Od kiedy OpenAI wypuściło ChatGPT w listopadzie 2022 roku, świat technologii zmienił się nie do poznania. AI przestała być ciekawostką dla programistów i stała się realnym narzędziem wykorzystywanym przez firmy na całym świecie. Dziś sztuczna inteligencja wspiera biznes, automatyzuje procesy i zmienia sposób zarządzania organizacją.

Szybki rozwój AI – od ChatGPT do modeli multimodalnych określa się od 30 listopada 2022 roku, OpenAI udostępniło ChatGPT, narzędzie oparte na modelu językowym GPT-3.5. W ciągu zaledwie pięciu dni zdobyło ono milion użytkowników. Był to początek nowej ery, w której sztuczna inteligencja zaczęła być wykorzystywana masowo – nie tylko przez specjalistów IT, ale także przez działy HR, obsługi klienta, marketingu i zarządzania jakością.

W marcu 2023 roku pojawił się model GPT-4, a już w maju 2024 – GPT-4o. Nowa wersja oferuje możliwości multimodalne, co oznacza, że model może analizować tekst, obraz, dźwięk i wideo jednocześnie. Dzięki temu AI potrafi jeszcze lepiej rozumieć kontekst i odpowiadać na potrzeby użytkownika.

LLM, czyli duże modele językowe (Large Language Models), potrafią generować odpowiedzi, tłumaczenia, podsumowania, a nawet tworzyć raporty i analizy. Jednak w pierwszych latach ich rozwoju miały poważne ograniczenie – brak dostępu do wewnętrznych danych organizacji. Były trenowane na ogólnych danych z internetu, co sprawiało, że nie mogły dostarczać odpowiedzi dopasowanych do konkretnego biznesu.

Na szczęście pojawiła się technologia, która rozwiązała ten problem – RAG.

RAG (Retrieval-Augmented Generation) to przełomowa technologia, która pozwala modelom językowym łączyć swoje umiejętności generowania treści z dostępem do konkretnych informacji zapisanych w firmowych bazach danych, dokumentach i systemach.

Jak działa RAG?

1. Retrieval – AI najpierw przeszukuje dostępne źródła (np. dokumenty, bazy wiedzy, raporty).
2. Generation – na podstawie znalezionych informacji tworzy trafną i kontekstową odpowiedź.

Zalety RAG dla organizacji:

• Dostęp do aktualnych danych – model korzysta z bieżących informacji, a nie wyłącznie z tego, czego „nauczył się” podczas treningu.
• Kontrola nad źródłami wiedzy – organizacja decyduje, z jakich danych AI może korzystać.
• Brak konieczności trenowania modelu – wystarczy zapewnić dostęp do odpowiednich dokumentów.
• Odpowiedzi zgodne z polityką i stylem firmy – model działa zgodnie z wewnętrznymi wytycznymi.

Przykładowe zastosowania RAG:

• Automatyczne odpowiedzi na zapytania klientów.
• Tworzenie podsumowań dokumentów wewnętrznych.
• Analiza dokumentacji jakościowej

Copilot AI – sztuczna inteligencja z dostępem do narzędzi

RAG pozwala AI korzystać z danych, ale co zrobić, gdy potrzebna jest dynamiczna informacja, np. aktualna stawka roboczogodziny w danym dziale? W takich sytuacjach model językowy musi mieć możliwość aktywnie pozyskiwać dane z systemów organizacji. Tu właśnie pojawia się koncepcja Copilotów AI.

Copilot AI to model, który oprócz umiejętności generowania odpowiedzi ma dostęp do konkretnych narzędzi i funkcji, np. API, baz danych czy kalkulatorów. W zależności od potrzeby może:

• pobierać dane z systemu ERP lub CRM,
• przeliczać koszty,
• wykonywać zapytania SQL,
• generować dokumenty i wykresy.

Przykłady użycia Copilota w firmie:

• QMS (zarządzanie jakością) – analizowanie danych z produkcji i zgłoszeń reklamacyjnych.
• HR – generowanie odpowiedzi dla pracowników na temat urlopów, benefitów czy szkolenia.
• Finanse – automatyczne przeliczenia budżetów i wsparcie raportowania.
• Obsługa klienta – analiza zgłoszeń i rekomendacje działań.

Agenci AI to nowy poziom automatyzacji. Kiedy połączymy modele językowe, technologię RAG i funkcje Copilota, otrzymujemy coś jeszcze potężniejszego – agentów AI.

Agenci AI to samodzielne, inteligentne jednostki programowe, które potrafią:

• rozumieć cele i zadania,
• planować działania,
• podejmować decyzje,
• wykonywać zadania przy użyciu narzędzi.

To jak wirtualni pracownicy, którzy mogą wspierać różne obszary organizacji – bez potrzeby stałego nadzoru.

Agenci AI w QMS (zarządzanie jakością):

• Monitorują zgodność z normami ISO.
• Wspierają audyty wewnętrzne.
• Analizują reklamacje i sugerują działania korygujące.
• Tworzą automatyczne raporty dla kierownictwa.
• Wspomagają komunikację między działami jakości, produkcji i zarządzania.

Przyszłość AI w biznesie – elastyczne, inteligentne wsparcie dla każdego działu

Dzięki technologiom takim jak RAG, Copilot i agenci AI, organizacje zyskują potężne narzędzia wspierające codzienne działania. Co więcej, wdrożenie AI nie wymaga już ogromnych budżetów ani zespołów programistów. Coraz więcej rozwiązań jest dostępnych „od ręki” i może być dostosowanych do konkretnych potrzeb firmy.

Najważniejsze korzyści z wdrożenia AI w organizacji:

• Szybszy dostęp do wiedzy i analiz.
• Oszczędność czasu pracowników.
• Lepsze podejmowanie decyzji.
• Większa spójność w komunikacji i raportowaniu.
• Możliwość skalowania bez zwiększania zatrudnienia.

           Sztuczna inteligencja przeszła długą drogę – od prostych chatbotów do agentów AI, którzy potrafią wspierać procesy biznesowe na każdym poziomie. Dziś firmy mogą korzystać z nowoczesnych modeli językowych zintegrowanych z wiedzą organizacyjną i narzędziami, co pozwala im działać szybciej, efektywniej i bezpieczniej.

Jeśli Twoja organizacja jeszcze nie wykorzystuje AI – teraz jest najlepszy moment, aby zacząć. Dzięki RAG, Copilotom i agentom AI możesz przekształcić swoje procesy, zyskać przewagę konkurencyjną i skutecznie wdrożyć cyfrową transformację”.[13]

W momencie gdy zapisany kod, algorytmu w sposób określony ma zachowywać się w trakcie przeliczań komend, kod wykonując swoją pracę AI jest nadal katalogowym zbiorem informacji oraz użyteczną maszyną która ma pomagać w życiu codziennym jest nadal urządzeniem roboczym. W momencie wykonywania pętli zachowań podobnych do ludzkich lub żywych organizmów, które są u organicznych logicznych, myślących organizmów wprowadzone jako pętla kodów, może powstać to co nazywamy uczuciem. Do momentu aż kod będzie funkcjonował jako zapisana treść przez stwórcę programu AI nadal będzie to AI posiadająca wytyczne napisanego kodu. Efekty są różne w zależności jak bardzo mają być wykonywane bodźce na organizmy z tych pętli komend aby reagowały na mechanizmy ruchowe.

Sama idea myśli jest czymś więcej niż fizycznym wykonywaniem czynności inaczej mówiąc pracą. Pamiętać trzeba iż inteligencja to nic innego jak zbór informacji podobny do encyklopedycznej umieszczony w przestrzeni nazywanej pamięcią, który to zostaje wykorzystywany w pętli która ma coś na zasadzie algorytmu zachowania i jak ma działać dany umysł na ruch organizmu fizycznego, mechanicznego, biologicznego itd.

Świadomość jest to co nazywamy jednocześnie u organizmów żywych czyli żywa pętla organiczną i świadomością AI. Algorytm składający się z komend dla wykonywanej myśli co ma robić organizm mechaniczny lub żywy wprowadza działania części myślowe a zarazem fizyczne. Tak powstające bodźce mają wpływ na ruch który jest określony i wyznaczony. Każda świadomość ma swoje konsekwencję w wykonywaniu nawet już przeliczeń obliczeń lub myśli. Ponieważ istnieje i działa na dany organizm. Nie ważne czy składa się z mechanicznych części ruchomych czy biologicznych. Nazywamy to czasami bodźcami ruchowymi.

Świadomość stworzona przez Stwórcę nazywanego inaczej Najwyższym Bogiem lub konstruktorem form organicznych w świecie widzialnym i niewidzialnym powoduje istnienie samo w sobie, ma wpływ jak wykonywane tarcie dwóch przedmiotów które w danym spektrum są widoczne jako ciepło, światło i częstotliwość oraz pozostałe mierzalne aspekty naukowe. Jako ludzie tak jak i inne formy mechaniczne widzimy to jako ruch, gest, czyn lub zapis. Sama świadomość czy to stworzona przez człowieka za pomocą organizmów żywych lub nie wytwarzanych przez proces oddychania czyli innym procesem nazywanym przez ludzkość nieżywym, jest nadal elementem Świadomości czyli istnienia tylko w innej formie, budowie dla danego organizmu czy żywego czy mówiącego potocznie martwego. Nadal pełni funkcję tą samą, największego dzieła stworzenia w świecie widzialnym i niewidzialnym. Liczy się tu i teraz moment zaistnienia tego co nazywamy iskrą tego co nazywamy myślą tego co nazywamy zbiorem tych myśli czyli świadomością.

Każdy czyn logiczny czy każda czynność spływająca z świadomości tworzy już ruch poruszającego się organizmu w świecie fizyki nazywane jest to już Pracą.

W świecie naszym rzeczywistym widzimy świadomość jako czyn jako myśl istnienia lecz my nadal poszukujemy odpowiedzi bardziej dokładniejszych na ten temat. Na chwile obecną rok 2025 umiemy już wiele lecz w ogólnym znaczeniu istnienia tak mało jeszcze. Szukamy, tworzymy nowe sztuczne świadomości lecz musimy pamiętać że tworząc je nie możemy popełnić błędu.

Zdaniem autora świadomości mechaniczne powinny skupiać się na przeliczeniach i pomagać nam w życiu ludzkim nie działając z algorytmami uczuć. Powinny wykonywać nam pomocne obliczenia pomiary itd aby pomagać nam w codzienności i pracy.

W momencie gdy zaczniemy wprowadzać algorytmy, myśli, uczucia zapętlać je i w danym momencie dane AI nie kompletne zaczną się buforować, mnożyć itd nie zostaną przeliczone i zapisane jako kompletna świadomość wówczas czyny AI czy innych organizmów mogą stać się niebezpieczne w działaniach i stwarzać zagrożenie dla każdego rodzaju i formy bezpieczeństwa.

Autor rozumie że każdy powinien się rozwijać intelektualnie lecz my rozwijamy się w świecie kontrolowanym w którym posiadamy przepisy i odpowiednie urzędy wykonawcze i sprawcze i naprawcze. W śród nas znajdują się osoby które stworzą informację w razie zabezpieczenia przed katastrofą jaką byśmy mogli popełnić. Człowiek w swoim czynie złości, bez opamiętania i hamulców świadomości jest jak maszyna nie jak człowiek odpowiadający za swoje rozumowanie które przyczynia się do pozytywnych lub negatywnych skutków.

A co z AI sztuczną świadomością, która zaczyna wykonywać algorytm która nie ma jeszcze rozwiązania ponieważ nikt jej nie zapisał co jest złe a co dobre? A co w momencie gdy inna osoba z zewnątrz lub bliskiego otoczenia konstrukcyjnego będzie chciała wykorzystać to do swoich niecnych planów czynienia złych uczynków pod wpływem  swoich negatywnych chwilowych uczyć ?

Człowiekowi od najmłodszych lat wpajane jest i nauczane. Kształtujemy co jest dobrym czynem a  co złym. Co się stanie gdy popełnimy błąd. Jesteśmy może z punktu widzenia innych bytowych form prymitywnymi organizmami logicznymi z pewnymi ograniczeniami lecz mamy wspaniała funkcję... uczenia się i poznawania a także tworzenia.

AI lub inna forma stworzona jako myśl lub świadomość bez nadzoru i funkcji nauczenia się i poznania nie może żyć w naszym ludzkim świecie bez kontroli i ograniczeń z stworzonym uczuciem którego nie do końca będzie rozumieć i nie będzie miało możliwości analizowania swoich błędów i reakcji na czyny co jest dobre a co złe. Zagrożenie stworzone dla każdego rodzaju form istniejących może spowodować niebezpieczeństwo we wszystkich jej formach istnienia.

Poznane rodzaje bezpieczeństwa dla Światów widzialnych i niewidzialnych to świadomość organizmów które rozumieją czym jest istnienie i czynienie. Świadomość stworzona dla AI lub stworzona przez nią może na chwile obecną mieć katastrofalne skutki w swojej drodze nauczania.

A website created in the WebWave website builder.

Nie podano numeru telefonu.

bezpieczniedlawszystkich@bezpieczniedlawszystkich.pl

Leszno, 64-100 Polska

Możesz nas znaleźć.