![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/03\/mosul.png\")
<\/p>\n
W tym sensie AI w ochronie kultury nie pojawia si\u0119 jako gad\u017cet. Pojawia si\u0119 tam, gdzie brakuje fragment\u00f3w, gdzie materia\u0142 \u017ar\u00f3d\u0142owy jest niepe\u0142ny, a tradycyjne metody dokumentacji przestaj\u0105 wystarcza\u0107. Je\u015bli zabytek istnieje i mo\u017cna go dobrze zeskanowa\u0107, problem jest relatywnie prostszy. Je\u015bli jednak obiekt zosta\u0142 spalony, wysadzony albo zachowa\u0142 si\u0119 tylko cz\u0119\u015bciowo, pojawia si\u0119 pokusa, aby brakuj\u0105ce cz\u0119\u015bci dopowiedzia\u0142 model. I w\u0142a\u015bnie w tym miejscu zaczyna si\u0119 zasadniczy problem etyczny.<\/p>\n
Od skanu do generacji<\/h2>\n
Nie ka\u017cda cyfrowa praca nad dziedzictwem jest rekonstrukcj\u0105 generatywn\u0105. To rozr\u00f3\u017cnienie jest kluczowe, bo w potocznym j\u0119zyku bardzo \u0142atwo wrzuci\u0107 do jednego worka skan 3D, model dokumentacyjny i obraz wygenerowany przez AI. Tymczasem s\u0105 to trzy r\u00f3\u017cne poziomy ingerencji.<\/p>\n
Pierwszy poziom to dokumentacja cyfrowa. Obejmuje fotografie, skany laserowe, fotogrametri\u0119 i modele 3D, kt\u00f3re maj\u0105 jak najwierniej zapisa\u0107 aktualny stan obiektu.<\/p>\n
Drugi poziom to cyfrowy bli\u017aniak, czyli bardzo dok\u0142adny model, kt\u00f3ry pozwala nie tylko ogl\u0105da\u0107 dany obiekt, ale te\u017c analizowa\u0107 jego stan techniczny, \u015bledzi\u0107 zmiany i planowa\u0107 konserwacj\u0119. Dobrym przyk\u0142adem jest projekt bazyliki \u015bw. Piotra, w kt\u00f3rym wykorzystano ponad 400 tysi\u0119cy zdj\u0119\u0107, a AI s\u0142u\u017cy\u0142a nie tylko do stworzenia modelu dost\u0119pnego online, ale te\u017c do wykrywania p\u0119kni\u0119\u0107 i brakuj\u0105cych fragment\u00f3w mozaik.<\/p>\n <\/p>\n Trzeci poziom to w\u0142a\u015bciwa rekonstrukcja generatywna. Tutaj model nie ogranicza si\u0119 do rejestracji tego, co istnieje, lecz zaczyna uzupe\u0142nia\u0107 to, czego ju\u017c nie ma albo czego nie da si\u0119 bezpo\u015brednio odczyta\u0107. To mo\u017ce dotyczy\u0107 brakuj\u0105cego fragmentu malowid\u0142a, startej sceny na mozaice, uszkodzonej monety albo nieczytelnego obrazu. Od tego momentu AI nie jest ju\u017c tylko narz\u0119dziem dokumentacji. Staje si\u0119 narz\u0119dziem interpretacji.<\/p>\n To rozr\u00f3\u017cnienie jest wa\u017cne tak\u017ce spo\u0142ecznie. Gdy instytucja kultury publikuje skan albo model dokumentacyjny, odbiorca zak\u0142ada, \u017ce widzi zachowany stan obiektu. Gdy publikuje rekonstrukcj\u0119, powinien wiedzie\u0107, \u017ce ogl\u0105da wariant oparty na danych, por\u00f3wnaniach i hipotezach. Je\u015bli ta granica nie zostaje wyra\u017anie zaznaczona, bardzo \u0142atwo pomyli\u0107 naukow\u0105 ostro\u017cno\u015b\u0107 z technologiczn\u0105 pewno\u015bci\u0105.<\/p>\n Najbardziej przekonuj\u0105ce w dyskusji o AI i dziedzictwie s\u0105 nie has\u0142a, lecz konkretne przypadki. A tych jest dzi\u015b coraz wi\u0119cej.<\/p>\n W badaniach nad rzymskimi monetami generatywne sieci przeciwstawne by\u0142y wykorzystywane do poprawy czytelno\u015bci silnie zniszczonych egzemplarzy. W praktyce chodzi\u0142o o to, aby na podstawie istniej\u0105cych wzorc\u00f3w i por\u00f3wna\u0144 z lepiej zachowanymi obiektami odtworzy\u0107 bardziej czytelny obraz monety. Tego typu prace mog\u0105 bardzo pomaga\u0107 historykom i archeologom, bo zwi\u0119kszaj\u0105 u\u017cyteczno\u015b\u0107 materia\u0142u, kt\u00f3ry dla ludzkiego oka jest ju\u017c ma\u0142o czytelny. Jednocze\u015bnie sami autorzy zwracaj\u0105 uwag\u0119, \u017ce taka rekonstrukcja nie mo\u017ce by\u0107 uto\u017csamiana z prostym odzyskaniem orygina\u0142u. Jest narz\u0119dziem wspomagania interpretacji, a nie dowodem absolutnym.<\/p>\n Podobny problem pojawia si\u0119 przy mozaikach. W badaniach z u\u017cyciem DALL-E 2 pokazywano, \u017ce model potrafi uchwyci\u0107 sens sceny i zaproponowa\u0107 logiczne uzupe\u0142nienie brakuj\u0105cych partii. Wyniki by\u0142y obiecuj\u0105ce, ale nie bezwarunkowo. W niekt\u00f3rych przypadkach AI dodawa\u0142a elementy niezgodne z geometri\u0105 kompozycji albo z j\u0119zykiem formalnym ca\u0142ej mozaiki. Innymi s\u0142owy, model umia\u0142 cz\u0119sto odtworzy\u0107 og\u00f3lne wra\u017cenie sceny, lecz gorzej radzi\u0142 sobie z detalem istotnym dla historycznej wiarygodno\u015bci.<\/p>\n Jeszcze ciekawiej wygl\u0105da to w przypadku malowide\u0142 \u015bciennych. W nowszych pracach nad rekonstrukcj\u0105 zniszczonych murali \u0142\u0105czono architektury GAN z modelami dyfuzyjnymi, aby zachowa\u0107 struktur\u0119 obrazu, unikn\u0105\u0107 przesuni\u0119\u0107 kolorystycznych i lepiej odtwarza\u0107 du\u017ce obszary ubytku. To wa\u017cne, bo w klasycznych metodach cyfrowego uzupe\u0142niania obrazu w\u0142a\u015bnie kolor, rytm kompozycji i lokalna sp\u00f3jno\u015b\u0107 by\u0142y najwi\u0119kszym problemem. Takie badania pokazuj\u0105, \u017ce generatywna rekonstrukcja staje si\u0119 coraz bardziej zaawansowana technicznie. Nie rozwi\u0105zuj\u0105 jednak podstawowego problemu epistemologicznego. Nawet najlepszy wynik nie daje gwarancji, \u017ce odtworzony fragment rzeczywi\u015bcie odpowiada temu, co kiedy\u015b znajdowa\u0142o si\u0119 na \u015bcianie.<\/p>\n Na osobn\u0105 uwag\u0119 zas\u0142uguje przypadek fizycznej restoracji obrazu za pomoc\u0105 cyfrowo skonstruowanej maski. W pracy Alexa Kachkine’a AI pos\u0142u\u017cy\u0142a nie tylko do symulacji brakuj\u0105cych partii, ale do przygotowania odwracalnej, fizycznej warstwy, kt\u00f3r\u0105 mo\u017cna by\u0142o na\u0142o\u017cy\u0107 na oryginalne dzie\u0142o. W demonstracji system wykry\u0142 tysi\u0105ce uszkodzonych obszar\u00f3w, u\u017cy\u0142 dziesi\u0105tek tysi\u0119cy kolor\u00f3w i przyspieszy\u0142 prac\u0119 wielokrotnie wzgl\u0119dem klasycznych metod. To wa\u017cny przyk\u0142ad, bo pokazuje najbardziej obiecuj\u0105cy kierunek rozwoju. AI nie musi zast\u0119powa\u0107 konserwatora. Mo\u017ce dzia\u0142a\u0107 jako precyzyjne, szybkie i odwracalne narz\u0119dzie pomocnicze.<\/p>\n <\/p>\n W\u0142a\u015bnie s\u0142owo odwracalne jest tu kluczowe. W konserwacji od dawna liczy si\u0119 nie tylko skuteczno\u015b\u0107 zabiegu, ale te\u017c mo\u017cliwo\u015b\u0107 wycofania si\u0119 z niego, je\u015bli p\u00f3\u017aniej pojawi\u0105 si\u0119 lepsze dane, nowe ekspertyzy albo bardziej odpowiedzialna metoda pracy. AI staje si\u0119 wi\u0119c naprawd\u0119 warto\u015bciowa wtedy, gdy wspiera cz\u0142owieka bez ostatecznego zamykania interpretacji.<\/p>\n Im lepsze staj\u0105 si\u0119 modele generatywne, tym \u0142atwiej uwierzy\u0107, \u017ce mo\u017cna po prostu odzyska\u0107 przesz\u0142o\u015b\u0107. Problem w tym, \u017ce ochrona zabytk\u00f3w nigdy nie opiera\u0142a si\u0119 wy\u0142\u0105cznie na tym, czy co\u015b wygl\u0105da przekonuj\u0105co. Karta Wenecka przypomina, \u017ce zabytki powinny by\u0107 przekazywane przysz\u0142ym pokoleniom w pe\u0142ni ich autentyczno\u015bci. Dokument z Nary dopowiada, \u017ce autentyczno\u015b\u0107 nie jest poj\u0119ciem redukowalnym do samej formy wizualnej. Obejmuje tak\u017ce kontekst kulturowy, spos\u00f3b wykonania, funkcj\u0119, materia\u0142, ducha miejsca i wiarygodno\u015b\u0107 \u017ar\u00f3de\u0142.<\/p>\n Z tego punktu widzenia model generatywny mo\u017ce by\u0107 wizualnie znakomity, a jednocze\u015bnie historycznie s\u0142aby. Mo\u017ce wygl\u0105da\u0107 bardziej przekonuj\u0105co ni\u017c r\u0119czna rekonstrukcja, lecz nadal opiera\u0107 si\u0119 na niepewnych danych, stylizowanych por\u00f3wnaniach i u\u015brednionych wzorcach. To w\u0142a\u015bnie dlatego London Charter tak mocno podkre\u015bla metodologiczn\u0105 rzetelno\u015b\u0107 komputerowych wizualizacji dziedzictwa. W rekonstrukcji nie liczy si\u0119 tylko efekt ko\u0144cowy, ale te\u017c to, czy da si\u0119 pokaza\u0107 proces jego powstania, \u017ar\u00f3d\u0142a danych i poziom niepewno\u015bci.<\/p>\n W praktyce oznacza to, \u017ce uczciwa rekonstrukcja AI powinna odpowiada\u0107 na trzy pytania. Po pierwsze, co w danym obrazie lub modelu pochodzi bezpo\u015brednio z dokumentacji. Po drugie, co zosta\u0142o odtworzone przez analogi\u0119 do podobnych obiekt\u00f3w. Po trzecie, co jest ju\u017c generatywn\u0105 propozycj\u0105 modelu. Je\u015bli odbiorca nie dostaje takiego rozr\u00f3\u017cnienia, rekonstrukcja zaczyna pe\u0142ni\u0107 funkcj\u0119 bardziej retoryczn\u0105 ni\u017c naukow\u0105. Zamiast pomaga\u0107 my\u015ble\u0107 o przesz\u0142o\u015bci, zaczyna podsuwa\u0107 jedn\u0105 wersj\u0119 przesz\u0142o\u015bci jako oczywist\u0105 i bezdyskusyjn\u0105.<\/p>\n To zagro\u017cenie jest szczeg\u00f3lnie du\u017ce w kulturze wizualnej, kt\u00f3ra bardzo \u0142atwo uto\u017csamia wysok\u0105 jako\u015b\u0107 obrazu z wysok\u0105 jako\u015bci\u0105 wiedzy. Pi\u0119kny render mo\u017ce wywo\u0142ywa\u0107 silniejsze poczucie prawdziwo\u015bci ni\u017c ostro\u017cny opis konserwatorski. W efekcie technologia mo\u017ce nie\u015bwiadomie przesuwa\u0107 autorytet z badacza i konserwatora na sam interfejs. To niebezpieczne, bo przesz\u0142o\u015b\u0107 nie staje si\u0119 prawdziwsza tylko dlatego, \u017ce zosta\u0142a wygenerowana w wysokiej rozdzielczo\u015bci.<\/p>\n Etyczny problem rekonstrukcji AI nie ko\u0144czy si\u0119 na autentyczno\u015bci. R\u00f3wnie wa\u017cne jest pytanie o dane. Anna Foka i Gabriele Griffin zwracaj\u0105 uwag\u0119, \u017ce bias nie pojawia si\u0119 dopiero na etapie modelu. Jest obecny ju\u017c w samych kolekcjach dziedzictwa kulturowego, ich cyfrowych reprezentacjach i sposobach opisu. Archiwa, zbiory muzealne i katalogi nie s\u0105 neutralnym odbiciem historii. Powstawa\u0142y w konkretnych warunkach politycznych, ekonomicznych i kolonialnych. Je\u015bli na takich zasobach trenujemy modele, istnieje du\u017ce ryzyko, \u017ce AI b\u0119dzie nie tylko reprodukowa\u0107 te uprzedzenia, ale wr\u0119cz je wzmacnia\u0107.<\/p>\n W badaniach nad interpretacj\u0105 przesz\u0142o\u015bci Matthew Magnani i Jon Clindaniel pokazuj\u0105, \u017ce AI mo\u017ce wytwarza\u0107 archeologiczne wizje obci\u0105\u017cone systemowymi uproszczeniami. To bardzo wa\u017cna uwaga. Model generatywny nie odtwarza dawnego \u015bwiata z pustki. Korzysta z tego, co ju\u017c wcze\u015bniej zosta\u0142o zebrane, opisane i zhierarchizowane. Je\u015bli wi\u0119c w zbiorach dominuj\u0105 okre\u015blone style reprezentacji, zachodnie sposoby klasyfikowania sztuki albo nier\u00f3wny dost\u0119p do danych z r\u00f3\u017cnych region\u00f3w \u015bwiata, to wygenerowana przesz\u0142o\u015b\u0107 tak\u017ce b\u0119dzie nier\u00f3wna.<\/p>\n To prowadzi do jeszcze jednego pytania: kto ma prawo odbudowywa\u0107 przesz\u0142o\u015b\u0107. UNESCO w najnowszych opracowaniach o AI i kulturze podkre\u015bla znaczenie kulturowej suwerenno\u015bci, praw kulturowych, przejrzysto\u015bci i ochrony przed homogenizacj\u0105. W odniesieniu do dziedzictwa oznacza to, \u017ce rekonstrukcja nie powinna by\u0107 wy\u0142\u0105czn\u0105 domen\u0105 du\u017cych laboratori\u00f3w technologicznych albo firm posiadaj\u0105cych najlepsze modele. Je\u015bli zabytek nale\u017cy do okre\u015blonej wsp\u00f3lnoty historycznej, religijnej albo lokalnej, to ta wsp\u00f3lnota powinna uczestniczy\u0107 w podejmowaniu decyzji o tym, jak przedstawia\u0107 jego przesz\u0142o\u015b\u0107 i niepewno\u015b\u0107 tej przesz\u0142o\u015bci.<\/p>\n Bez takiego udzia\u0142u bardzo \u0142atwo przej\u015b\u0107 od ochrony dziedzictwa do cyfrowego zaw\u0142aszczenia pami\u0119ci. Technicznie udana rekonstrukcja mo\u017ce wtedy sta\u0107 si\u0119 narz\u0119dziem estetycznej dominacji. Odbiorca dostaje gotowy obraz i nie widzi, \u017ce za jego form\u0105 stoj\u0105 okre\u015blone wybory kulturowe, a czasem r\u00f3wnie\u017c brak konsultacji z tymi, kt\u00f3rych ta historia dotyczy najbardziej.<\/p>\n![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/03\/basilica.png\")
Co AI ju\u017c potrafi<\/h2>\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/03\/mit_restoration.png\")
Najtrudniejsze pytanie: czy to jeszcze jest autentyczne<\/h2>\n
Czyje dane, czyja przesz\u0142o\u015b\u0107<\/h2>\n
Co zyskujemy, co ryzykujemy<\/h2>\n