Dr. Mantas Lukauskas, Kauno technologijos universiteto Matematikos ir gamtos mokslų fakulteto mokslininkas ir „Hostinger“ dirbtinio intelekto techninis grupės vadovas
Įsivaizduokite kolegą, kuris per kelias sekundes gali išspręsti sudėtingą matematikos uždavinį, parašyti programos kodą ar išversti teisinę sutartį į kitą kalbą. Tačiau paprašytas pažvelgti į paprastą analoginį laikrodį ir pasakyti, kiek yra valandų, jis sutrinka.
Iš pirmo žvilgsnio tai skamba paradoksaliai. Kaip sistema, gebanti spręsti uždavinius, su kuriais susidoroja tik geriausi pasaulio matematikai, gali klysti atlikdama tokią kasdienę užduotį?
Būtent tai yra viena svarbiausių šiandieninio dirbtinio intelekto (DI) pamokų: jo gebėjimai nėra tolygūs. DI gali būti įspūdingai stiprus vienoje srityje ir netikėtai silpnas kitoje, kuri žmogui atrodo gerokai paprastesnė.
Olimpinis lygis ir kasdienės užduotys
Naujausioje Stanfordo universiteto „AI Index 2026“ ataskaitoje pateikiamas įdomus kontrastas. Joje rašoma, kad pažangiausi DI modeliai jau demonstruoja itin aukštus rezultatus spręsdami sudėtingas abstrakčias užduotis. Pavyzdžiui, tokios sistemos kaip „Gemini Deep Think“ pasiekė Tarptautinės matematikos olimpiados aukso medaliui prilygstantį lygį.
Tai įspūdingas pasiekimas. Dar prieš kelerius metus tokie rezultatai daugeliui būtų atrodę sunkiai įsivaizduojami.
Tačiau toje pačioje ataskaitoje matome ir kitą pusę. Vertinant pažangiausių vizualinių kalbos modelių gebėjimą perskaityti laiką analoginiame laikrodyje, geriausi rezultatai siekia tik apie 50 proc. tikslumą. Kitaip tariant, atlikdami užduotį, kurią lengvai įveikia daugelis pradinukų, pažangiausi modeliai vis dar labai dažnai klysta.
Tai nėra tik juokinga technologinė smulkmena. Tai atskleidžia gilesnę problemą: dažnai neteisingai suprantame, ką iš tikrųjų reiškia protingas DI.
Kas yra „dantytoji gebėjimų riba“?
Technologijų tyrėjai tokį reiškinį dažnai vadina „dantytąja gebėjimų riba“ (angl. jagged frontier).
Žmogaus intelektą paprastai įsivaizduojame kaip gana nuoseklų. Jeigu žmogus geba spręsti labai sudėtingus matematikos uždavinius, natūraliai tikimės, kad jis taip pat moka perskaityti laikrodį, suskaičiuoti daiktus ant stalo ar suprasti paprastą fizinę situaciją.
Su DI taip nėra.
Jo gebėjimų žemėlapis labiau primena nelygų kalnų peizažą: vienur – labai aukštos viršūnės, kitur – netikėtos prarajos. Modelis gali puikiai rašyti tekstus, programuoti, apibendrinti dokumentus ar spręsti abstrakčius uždavinius, tačiau suklysti ten, kur reikia stabilaus fizinio pasaulio supratimo, erdvinės intuicijos ar labai tikslių skaičiavimų.
Pavyzdžiui, žmogui analoginis laikrodis nėra tik paveikslėlis. Mes suprantame, ką reiškia rodyklių padėtis, kaip jos juda, kaip valandos susijusios su minutėmis. Modeliui tai pirmiausia yra vaizdinė ir tekstinė užduotis, kurioje jis turi, remdamasis apdorotais duomenimis, sugeneruoti labiausiai tikėtiną atsakymą. Kartais tas atsakymas būna teisingas. Kartais – įtikinamas, bet neteisingas.
Kodėl tai mus klaidina?
Didžiausia problema nėra vien tai, kad DI klysta. Klysta ir žmonės. Didesnė problema yra ta, kad DI dažnai klysta labai įtikinamai.
Kai modelis sklandžiai rašo, argumentuoja ir atsako užtikrintu tonu, pradedame jam priskirti žmogiškąjį sveiką protą. Kitaip tariant, antropomorfizuojame technologiją – elgiamės su ja taip, tarsi ji mąstytų panašiai kaip žmogus.
Jeigu sistema geba parašyti puikią verslo strategijos analizę, mums gali atrodyti, kad ji taip pat patikimai suskaičiuos prekes sandėlio nuotraukoje, įvertins gamybinės linijos defektus ar tiksliai interpretuos sudėtingą dokumento ekrano vaizdą.
Tačiau tai nebūtinai yra tiesa.
DI gali būti labai stiprus vienoje užduotyje ir stebėtinai silpnas kitoje, kuri žmogui atrodo paprastesnė. Todėl pavojingiausia klaida yra ne naudoti DI, o manyti, kad vienas geras atsakymas vienoje srityje automatiškai reiškia patikimumą visose kitose.
Svarbu ne tik technologijų specialistams
Šiandien DI jau naudojamas ne tik eksperimentams ar pramogai. Jis vis dažniau taikomas klientų aptarnavimo, rinkodaros, programavimo, dokumentų analizės, švietimo, medicinos, finansų ir sprendimų priėmimo srityse.
Kuo daugiau užduočių perduodame algoritmams, tuo svarbiau suprasti ne tik jų galimybes, bet ir ribas.
Versle tai gali reikšti skirtumą tarp produktyvumo augimo ir klaidingų sprendimų. Pavyzdžiui, DI gali puikiai apibendrinti šimtą klientų atsiliepimų, bet suklysti skaičiuodamas konkrečių prekių kiekį sandėlio nuotraukoje. Vienoje užduotyje jis tampa produktyvumo įrankiu, kitoje – klaidingo pasitikėjimo šaltiniu.
Švietime tai gali reikšti skirtumą tarp naudingo mokymosi įrankio ir paviršutiniško atsakymų kopijavimo. Kasdieniame gyvenime – tarp patogios pagalbos ir klaidinančios informacijos, kuria pernelyg lengvai patikime.
Todėl kalbėdami apie DI neturėtume klausti tik vieno klausimo: „Ką jis jau gali?“
Ne mažiau svarbus yra ir kitas klausimas: „Kur jis vis dar klysta ir ar mes mokame tas klaidas pastebėti?“
Naujasis DI raštingumas
2026-aisiais svarbiausias gebėjimas nėra vien mokėti naudotis DI įrankiais. Vis daugiau žmonių jais jau naudojasi. Svarbesnis tampa kitas įgūdis – suprasti, kada DI atsakymu galima pasitikėti, o kada jį būtina patikrinti.
Tai galima vadinti naujuoju DI raštingumu.
Jis apima ne tik gebėjimą parašyti gerą užklausą ar pasirinkti tinkamą įrankį. Jis reiškia gebėjimą atpažinti užduotis, kuriose modeliai yra stiprūs, ir tas, kuriose jų atsakymai gali būti pavojingai įtikinami, bet netikslūs.
Ateityje sėkmingiausiai dirbs ne tie, kurie aklai deleguos visas užduotis algoritmams. Sėkmingiausiai dirbs tie, kurie supras šią dantytąją gebėjimų ribą: kur DI gali padėti greičiau mąstyti, analizuoti, kurti ir programuoti, o kur vis dar būtina žmogaus priežiūra.
DI nėra dirbtinis žmogus. Tai labai galingas, bet netolygus įrankis. Ir kuo greičiau tai suprasime, tuo protingiau galėsime juo naudotis.
About the Author
