Następne wyzwanie dla AI: zrozumieć, jak działa świat

Język jest pełen wizualnych odniesień. Mówimy: nie wierzyć własnym oczom, obraz jest wart tysiąca słów, prawda w oczy kole, co z oczu, to z serca. Przykłady można by mnożyć. Wzrok ma dla człowieka fundamentalne znaczenie. Ale zmysł wzroku nie od początku towarzyszył życiu na Ziemi. Jeszcze ok. 540 mln lat temu wszystkie organizmy żyły pod wodą i żaden z nich nie miał zdolności widzenia. Dopiero trylobity, jako pierwsze zwierzęta, były w stanie dostrzegać światło słoneczne rozświetlające ich otoczenie. A potem, w ciągu 10–15 mln lat, nastąpiła niezwykła zmiana. W okresie, który dziś nazywamy eksplozją kambryjską, pojawili się przodkowie większości współczesnych zwierząt, a zdolność widzenia stała się powszechna.

Dziś swoją eksplozję kambryjską przeżywa sztuczna inteligencja (AI). Można odnieść wrażenie, że co tydzień odkrywa nam jakieś nowe, zdumiewające narzędzie. Początkowo rozwój generatywnej sztucznej inteligencji był napędzany przez duże modele językowe, takie jak ChatGPT, imitujące inteligencję werbalną człowieka. Tymczasem moim zdaniem o wiele ważniejsza jest inteligencja oparta na wzroku, którą określam jako inteligencję przestrzenną. Język jest istotny, ale ludzka zdolność rozumienia świata i umiejętność wchodzenia z nim w interakcje opiera się w dużej mierze na zdolności widzenia.