Żyjemy w czasach, w których sztuczna inteligencja przestała być domeną pisarzy science fiction, a stała się naszą normalną codziennością. Systemy AI generują obrazy, piszą teksty, diagnozują choroby i optymalizują rynki finansowe. Prognozy na najbliższe lata są jeszcze bardziej śmiałe: badacze przewidują, że wkrótce sztuczna inteligencja zacznie samodzielnie dokonywać przełomów w fizyce kwantowej, zarządzać autonomicznymi fabrykami, a jej integracja z naszym życiem zawodowym i prywatnym stanie się totalna. W tym całym medialnym szumie, pełnym zarówno techno-optymizmu, jak i apokaliptycznych wizji, często zapominamy o jednym fascynującym fakcie: pod maską tych potężnych systemów nie kryje się żadna tajemna magia ani cyfrowa świadomość. Kryje się tam matematyka – ta sama, której podstawy znamy ze szkoły, choć podniesiona do imponującej potęgi. Zrozumienie narzędzi, które już teraz kształtują naszą przyszłość, wymaga więc powrotu do liczb, wektorów i prawdopodobieństwa.
I tu pojawia się Anil Ananthaswamy ze swoją genialną książką „Dlaczego maszyny się uczą? O pięknie matematyki i działaniu współczesnej sztucznej inteligencji”. Otwiera ona „czarną skrzynkę” współczesnego uczenia maszynowego i pokazuje, że w środku znajduje się niezwykle elegancka, momentami wręcz piękna struktura. Co najważniejsze, Autor nie prowadzi nudnego, uniwersyteckiego monologu, ale staje się naszym partnerskim przewodnikiem, który z cierpliwością i bez spięcia tłumaczy każdy trudniejszy fragment. Rzetelna ocena możliwości oraz ograniczeń sztucznej inteligencji wymaga zrozumienia jej matematycznego rdzenia. Tym samym, Ananthaswamy nie unika technicznych detali; odczarowując zaawansowaną matematykę i algorytmy, które od dziesięcioleci fascynują badaczy AI. Pokazuje wprost, że bez wgryzienia się w liczbowe fundamenty nie da się w pełni zrozumieć ani potęgi dzisiejszej technologii, ani jej wyraźnych granic. Śledząc historyczną ewolucję sztucznej inteligencji, książka odkrywa przed nami sekrety skomplikowanych sieci neuronów i kluczowych pojęć rządzących algorytmami. I choć na pierwszy rzut oka brzmi to dość skomplikowanie, to jednak całość została opisana w wyjątkowo przystępny sposób. Poziom trudności zagadnień rośnie stopniowo, co pozwala czytelnikowi płynnie przejść od fundamentalnych pojęć do najbardziej złożonych aspektów współczesnych modeli.
Kolejną zaletą tej książki jest jej koncepcyjny charakter. Czytelnik nie znajduje tu dziesiątek linijek kodu w Pythonie ani samych instrukcji, jak krok po kroku wyklikać model w chmurze. Autor stara się wyjaśniać skomplikowane pojęcia za pomocą metafor i w plastyczny sposób tłumaczy tę paradoksalnie prostą, a jednocześnie złożoną dziedzinę, nie skupiając się jednak na implementacji. Książka ta, jest również opowieścią o ludziach, dramatach, wielkich powrotach, i wyraźnie pokazuje, że rozwój technologii nie przebiega liniowo, lecz jest procesem pełnym kryzysów i redefinicji założeń. Ananthaswamy konstruuje swoją opowieść wokół kluczowych debat naukowych, w których istotną rolę odgrywały ludzkie błędy paradygmatyczne. Analiza słynnego impasu w badaniach nad uczeniem głębokim, wywołanego sceptycyzmem autorytetów z MIT, nabiera w książce cech intelektualnego thrillera. Zrozumienie, w jaki sposób środowisko naukowe przez dekady weryfikowało fałszywe hipotezy, stanowi doskonałe narzędzie do chłodnej oceny dzisiejszego boomu na modele językowe nowej generacji.
Książka jest bardzo dobrze ustrukturyzowana. Zaczyna się od absolutnych podstaw – od tego, jak otaczający nas świat przekłada się na język liczb i wektorów, następnie przechodząc przez geometrię wielowymiarową, algebrę liniową, statystykę, aż po zaawansowane mechanizmy komputerowej analizy obrazu. Na koniec Autor zostawia czytelników z fascynującym i szalenie szczerym rozdziałem o „Terra incognita – Głębokie sieci neuronowe wkraczają tam, gdzie (prawie) żaden algorytm uczenia maszynowego dotąd nie dotarł”. Opisuje w nim, że mimo ogromnych sukcesów inżynieryjnych i spektakularnych prognoz na przyszłość, wciąż istnieją obszary AI, których matematycznie nie potrafimy do końca wyjaśnić. I jest to racjonalny i bardzo potrzebny głos w dyskusji o sztucznej inteligencji, który studzi bezkrytyczny entuzjazm i zmusza do refleksji nad teoretycznymi granicami technologii.
“Dlaczego maszyny się uczą? O pięknie matematyki i działaniu współczesnej sztucznej inteligencji” to książka dla ciekawskich humanistów i pasjonatów technologii, dla analityków danych i dla każdego, kto chce świadomie oceniać ryzyka, prognozy i możliwości AI, odcinając się od medialnego szumu. Mimo, że Ananthaswamy unika akademickiego formalizmu, nie jest to jednak lekki poradnik do poduszki, więc czytanie książki będzie wymagało skupienia i aktywnego myślenia. Polecam.
Wydawca: Helion (2026)
