{"id":9476,"date":"2026-05-18T18:17:26","date_gmt":"2026-05-18T18:17:26","guid":{"rendered":"https:\/\/architeles.eu\/ethics\/?p=9476"},"modified":"2026-05-18T18:53:50","modified_gmt":"2026-05-18T18:53:50","slug":"zatopieni-w-algorytmicznym-blocie-jak-ai-slop-niszczy-nasza-infosfere-i-jak-mozemy-sie-przed-nim-bronic","status":"publish","type":"post","link":"https:\/\/architeles.eu\/ethics\/index.php\/2026\/05\/18\/zatopieni-w-algorytmicznym-blocie-jak-ai-slop-niszczy-nasza-infosfere-i-jak-mozemy-sie-przed-nim-bronic\/","title":{"rendered":"Zatopieni w algorytmicznym b\u0142ocie. Jak „AI slop” niszczy nasz\u0105 infosfer\u0119 i jak mo\u017cemy si\u0119 przed nim broni\u0107?"},"content":{"rendered":"

\u017byjemy w epoce, w kt\u00f3rej dost\u0119p do informacji mia\u0142 by\u0107 powszechny, darmowy i wyzwalaj\u0105cy. Zamiast tego, nasza cyfrowa rzeczywisto\u015b\u0107 coraz szybciej zamienia si\u0119 w gigantyczne wysypisko bezwarto\u015bciowych, masowo generowanych tre\u015bci. Zjawisko to, okre\u015blane w zachodniej publicystyce mianem „AI slop”, stanowi obecnie jedno z najwi\u0119kszych i najpilniejszych zagro\u017ce\u0144 spo\u0142ecznych oraz etycznych wsp\u00f3\u0142czesnego internetu. Tanie, powszechnie dost\u0119pne i niezwykle wydajne modele j\u0119zykowe zala\u0142y sie\u0107 syntetycznym tekstem, fa\u0142szywymi recenzjami, wygenerowanymi poradnikami i bezdusznymi obrazkami. Sprawia to, \u017ce oddzielenie obiektywnej prawdy od algorytmicznej halucynacji staje si\u0119 zadaniem niemal niemo\u017cliwym dla przeci\u0119tnego u\u017cytkownika. W niniejszym, przekrojowym tek\u015bcie przyjrzymy si\u0119 skali tego nowego zanieczyszczenia informacyjnego, zbadamy jego druzgoc\u0105ce konsekwencje poznawcze oraz zaproponujemy konkretne, informatyczne i organizacyjne rozwi\u0105zania pozwalaj\u0105ce na systemow\u0105 filtracj\u0119 tego cyfrowego smogu.<\/strong><\/p>\n

Cyfrowy smog. Jak internet tonie w sztucznych tre\u015bciach?<\/h1>\n

Aby w pe\u0142ni zrozumie\u0107 wag\u0119 i wielowymiarowo\u015b\u0107 problemu, musimy najpierw zdefiniowa\u0107 przestrze\u0144, w kt\u00f3rej si\u0119 poruszamy. Luciano Floridi, wybitny filozof informacji i technologii, wprowadzi\u0142 naukowe poj\u0119cie \u201einfosfery\u201d \u2013 rozumianej jako ca\u0142okszta\u0142t \u015brodowiska informacyjnego. Obejmuje ona wszystkie podmioty (zar\u00f3wno ludzkie, jak i sztuczne agent\u00f3w), ich w\u0142a\u015bciwo\u015bci oraz zachodz\u0105ce mi\u0119dzy nimi interakcje (Floridi, 2014)<\/strong><\/em>. Podobnie jak biosfera jest absolutnie niezb\u0119dna do naszego biologicznego przetrwania, tak infosfera jest kluczowa dla naszego funkcjonowania spo\u0142ecznego, poznawczego, politycznego i gospodarczego. Niestety, obecnie infosfera ulega gwa\u0142townej, by\u0107 mo\u017ce nieodwracalnej degradacji za spraw\u0105 zjawiska zwanego <\/span>AI slop<\/span><\/i>.<\/span><\/p>\n

Poj\u0119cie to, spopularyzowane niedawno mi\u0119dzy innymi przez programist\u0119 i analityka Simona Willisona, doskonale oddaje natur\u0119 problemu, z kt\u00f3rym mierz\u0105 si\u0119 dzi\u015b platformy cyfrowe. W swoim g\u0142o\u015bnym wpisie na blogu technologicznym Willison zauwa\u017ca, \u017ce t<\/span>ermin \u201eslop\u201d (oznaczaj\u0105cy pomyje, papk\u0119 lub b\u0142oto) idealnie pasuje do nowej fali tre\u015bci generowanych przez sztuczn\u0105 inteligencj\u0119. Nie jest to z za\u0142o\u017cenia z\u0142o\u015bliwe oprogramowanie, wirus ani wyrafinowana dezinformacja maj\u0105ca na celu zmian\u0119 wynik\u00f3w wybor\u00f3w. To po prostu bezwarto\u015bciowa masa s\u0142\u00f3w i obraz\u00f3w, tworzona wy\u0142\u0105cznie po to, by wype\u0142ni\u0107 przestrze\u0144, zarobi\u0107 na mikro-reklamach lub zmanipulowa\u0107 algorytmy wyszukiwarek. Jest to ekwiwalent spamu, ale na zupe\u0142nie nowym, przera\u017caj\u0105cym poziomie z\u0142o\u017cono\u015bci i skali (WEB1<\/a>).<\/span><\/p>\n

Mechanizm powstawania tego zjawiska jest nierozerwalnie zwi\u0105zany z ekonomi\u0105 uwagi i gigantycznym post\u0119pem w dziedzinie du\u017cych modeli j\u0119zykowych (Large Language Models – LLM). Przed rokiem 2023 tworzenie tzw. farm tre\u015bci (ang. <\/span>content farms<\/span><\/i>) wymaga\u0142o zatrudniania setek, a nierzadko tysi\u0119cy nisko op\u0142acanych <\/span>copywriter\u00f3w<\/span>, cz\u0119sto w krajach rozwijaj\u0105cych si\u0119. Cho\u0107 koszty by\u0142y relatywnie niskie, stanowi\u0142y pewn\u0105 barier\u0119 wej\u015bcia i narzuca\u0142y fizyczne ograniczenia w postaci ludzkiej wydajno\u015bci. Dzi\u015b, dzi\u0119ki upowszechnieniu modeli takich jak GPT-4 (OpenAI) czy Claude (Anthropic), koszt wygenerowania miliona znak\u00f3w poprawnego gramatycznie, pozornie sensownego tekstu spad\u0142 do zaledwie kilku cent\u00f3w i zajmuje u\u0142amki sekund.<\/span><\/p>\n

Skutkuje to nasileniem zjawiska, kt\u00f3re w socjologii internetu zyska\u0142o miano tzw. <\/span>Dead Internet Theory<\/span><\/i>\u00a0(teorii martwego internetu). W tej dystopijnej, ale coraz bardziej realnej wizji, zautomatyzowane boty tworz\u0105 tre\u015bci, kt\u00f3re s\u0105 nast\u0119pnie czytane, komentowane i udost\u0119pniane przez… inne boty. Prawdziwi u\u017cytkownicy staj\u0105 si\u0119 jedynie mniejszo\u015bci\u0105, kt\u00f3ra gubi si\u0119 w g\u0105szczu syntetycznych wynik\u00f3w wyszukiwania (WEB2<\/a>). Wyobra\u017amy sobie poszukiwanie przepisu kulinarnego: zamiast kr\u00f3tkiej instrukcji od prawdziwego kucharza, otrzymujemy wygenerowany przez AI dwudziestostronicowy esej o historii m\u0105ki na \u015bwiecie, naszpikowany s\u0142owami kluczowymi pod SEO, w kt\u00f3rym sam przepis zawiera b\u0142\u0119dy w proporcjach (tzw. halucynacje modelu), mog\u0105ce w skrajnych przypadkach zrujnowa\u0107 potraw\u0119 lub zaszkodzi\u0107 zdrowiu.<\/span><\/p>\n

Materia\u0142 na temat AI slop: https:\/\/www.youtube.com\/watch?v=_zfN9wnPvU0&t=1s<\/a><\/p>\n

Teoretyczne rozwa\u017cania o „martwym internecie” najlepiej obrazuj\u0105 namacalne przyk\u0142ady, z kt\u00f3rymi u\u017cytkownicy stykaj\u0105 si\u0119 ju\u017c na co dzie\u0144. Pierwszym z nich jest drastyczny spadek u\u017cyteczno\u015bci samej wyszukiwarki Google. Wpisanie prostego zapytania prowadzi dzi\u015b cz\u0119sto do stron sztucznie zoptymalizowanych pod algorytmy SEO \u2013 zanim dotrzemy do w\u0142a\u015bciwej informacji, musimy przebi\u0107 si\u0119 przez \u015bcian\u0119 rozwlek\u0142ego, syntetycznego tekstu. Z kolei media spo\u0142eczno\u015bciowe zala\u0142a fala absurdalnych grafik, czego symbolem sta\u0142 si\u0119 g\u0142o\u015bny na Facebooku „Jezus z krewetek” (Shrimp Jesus). Te wygenerowane przez AI, dziwne obrazy zdobywaj\u0105 miliony polubie\u0144 i komentarzy pochodz\u0105cych niemal wy\u0142\u0105cznie od innych bot\u00f3w, tworz\u0105c ca\u0142kowicie martwy, zamkni\u0119ty ekosystem interakcji. Nale\u017cy jednak pami\u0119ta\u0107, \u017ce AI slop to nie tylko irytuj\u0105cy spam, ale te\u017c realne zagro\u017cenie. W ubieg\u0142ym roku na platformie Amazon zidentyfikowano wysyp wygenerowanych przez sztuczn\u0105 inteligencj\u0119 poradnik\u00f3w dla zbieraczy grzyb\u00f3w. Publikacje te, napisane rzekomo przez ekspert\u00f3w, zawiera\u0142y \u015bmiertelnie niebezpieczne halucynacje i b\u0142\u0119dne wskaz\u00f3wki dotycz\u0105ce identyfikacji gatunk\u00f3w truj\u0105cych. To dobitnie pokazuje, \u017ce brak weryfikacji w \u015bwiecie masowej generacji tekst\u00f3w mo\u017ce kosztowa\u0107 ludzkie \u017cycie.<\/span><\/p>\n

\"Facebook's<\/p>\n

Koniec zaufania, czyli dlaczego przestajemy wierzy\u0107 w to, co czytamy<\/h1>\n

W dyskursie publicznym i technologicznym cz\u0119sto \u015bcieraj\u0105 si\u0119 dwie narracje. Wielu entuzjast\u00f3w technologii i przedstawicieli korporacji Doliny Krzemowej uwa\u017ca, \u017ce generatywna sztuczna inteligencja to ostateczne narz\u0119dzie demokratyzacji procesu tw\u00f3rczego. Argumentuj\u0105 oni, \u017ce AI pozwala ka\u017cdemu, niezale\u017cnie od jego talentu pisarskiego, graficznego czy muzycznego, na ekspresj\u0119 swoich pomys\u0142\u00f3w w spos\u00f3b, kt\u00f3ry wcze\u015bniej by\u0142 zarezerwowany dla profesjonalist\u00f3w.<\/span><\/p>\n

Stanowczo polemizujemy z tym podej\u015bciem. Naszym zdaniem za\u0142o\u017cenie to jest g\u0142\u0119boko b\u0142\u0119dne, redukcjonistyczne i zwyczajnie niebezpieczne.<\/b>\u00a0Analizuj\u0105c problem wieloaspektowo, z perspektywy socjologii medi\u00f3w i in\u017cynierii danych, dostrzegamy, \u017ce zamiast mitycznej demokratyzacji tw\u00f3rczo\u015bci, obserwujemy drastyczny wzrost asymetrii informacyjnej i demokratyzacj\u0119… generowania szumu.<\/span><\/p>\n

Produktywno\u015b\u0107 mierzona wy\u0142\u0105cznie liczb\u0105 wygenerowanych s\u0142\u00f3w czy obraz\u00f3w nie jest w \u017cadnym stopniu to\u017csama z warto\u015bci\u0105 spo\u0142eczn\u0105, naukow\u0105 czy artystyczn\u0105. Wr\u0119cz przeciwnie \u2013 nadprodukcja informacji prowadzi do dewaluacji znaczenia. W \u015bwiecie zalanym \u201epomyjami AI\u201d, autentyczny, poparty ludzkim do\u015bwiadczeniem g\u0142os staje si\u0119 towarem skrajnie deficytowym. Prowadzi to do powstania nowej formy podzia\u0142u klasowego w sieci (tzw. <\/span>digital divide<\/span><\/i>): wysokiej jako\u015bci, zweryfikowana przez ludzi informacja staje si\u0119 luksusem zarezerwowanym dla bogatych subskrybent\u00f3w p\u0142atnych platform i niszowych spo\u0142eczno\u015bci, podczas gdy reszta spo\u0142ecze\u0144stwa jest skazana na darmow\u0105, ale zanieczyszczon\u0105 algorytmiczn\u0105 papk\u0119 (Floridi, 2014)<\/strong>.<\/span><\/p>\n

Koszty weryfikacji prawdy, poszukiwania wiarygodnych \u017ar\u00f3de\u0142 i sprawdzania fakt\u00f3w (fact-checkingu) pozostaj\u0105 niezwykle wysokie \u2013 wymagaj\u0105 czasu, kompetencji i energii. Tymczasem koszt generowania fa\u0142szu, p\u00f3\u0142prawd lub po prostu merytorycznej pustki spad\u0142 niemal do zera. Zjawisko to w spos\u00f3b bezpo\u015bredni niszczy fundamenty zaufania spo\u0142ecznego. Je\u015bli ka\u017cda informacja, ka\u017cda recenzja na Amazonie, ka\u017cdy komentarz pod artyku\u0142em politycznym w sieci mo\u017ce by\u0107 syntetyczny, u\u017cytkownik naturalnie przyjmuje postaw\u0119 g\u0142\u0119boko defensywn\u0105. Prowadzi to do cynizmu, apatii informacyjnej i zjawiska zwanego w psychologii „wyczerpaniem poznawczym” (cognitive depletion).<\/span><\/p>\n

Wraz z drastycznym spadkiem koszt\u00f3w produkcji dezinformacji, na naszych oczach rodzi si\u0119 jednak zupe\u0142nie nowa, pot\u0119\u017cna ga\u0142\u0105\u017a gospodarki: „Prawda jako us\u0142uga” (Truth-as-a-Service)<\/strong>. Skoro giganci technologiczni zawodz\u0105 w filtrowaniu w\u0142asnych ekosystem\u00f3w, na rynku pojawi\u0142y si\u0119 wyspecjalizowane korporacje i startupy (takie jak NewsGuard, Blackbird.AI czy Truepic), kt\u00f3re buduj\u0105 swoje modele biznesowe wy\u0142\u0105cznie na weryfikacji fakt\u00f3w i oznaczaniu wiarygodno\u015bci domen. Przerzuca to jednak ci\u0119\u017car finansowy na ostatecznego odbiorc\u0119. W niedalekiej przysz\u0142o\u015bci dost\u0119p do „czystej”, zweryfikowanej przez ludzi ba\u0144ki informacyjnej mo\u017ce sta\u0107 si\u0119 p\u0142atn\u0105 us\u0142ug\u0105 premium B2B lub B2C. Zamiast p\u0142aci\u0107 za dost\u0119p do informacji (jak mia\u0142o to miejsce w erze gazet drukowanych), b\u0119dziemy musieli p\u0142aci\u0107 tward\u0105 walut\u0105 za luksus odfiltrowania algorytmicznych pomyj i potwierdzenie, \u017ce to, co czytamy, faktycznie istnieje.<\/span><\/p>\n

Poni\u017csza tabela ilustruje kluczowe r\u00f3\u017cnice mi\u0119dzy tradycyjnym spamem, do kt\u00f3rego zd\u0105\u017cyli\u015bmy si\u0119 przyzwyczai\u0107 w minionych dekadach, a nowym zjawiskiem AI slop. Zestawienie to pozwala lepiej zrozumie\u0107, dlaczego obecne, heurystyczne systemy filtrowania s\u0105 ca\u0142kowicie niewystarczaj\u0105ce.<\/span><\/p>\n\n\n\n\n\n\n\n\n
Cecha zjawiska<\/span><\/td>\nTradycyjny Spam (Era Web 1.0 i 2.0)<\/span><\/td>\nZjawisko AI Slop (Era modeli LLM)<\/span><\/td>\n<\/tr>\n
Metoda produkcji i pochodzenie<\/b><\/td>\nCz\u0119sto r\u0119czne tworzenie, kopiuj-wklej, proste skrypty podmieniaj\u0105ce synonimy (tzw. spinowanie tekstu).<\/span><\/td>\nWygenerowane przez pot\u0119\u017cne sieci neuronowe z miliardami parametr\u00f3w na podstawie kr\u00f3tkiego, zautomatyzowanego promptu.<\/span><\/td>\n<\/tr>\n
Jako\u015b\u0107 j\u0119zykowa i gramatyczna<\/b><\/td>\nNiska (ortograficzne i gramatyczne b\u0142\u0119dy, nienaturalna, \u201e\u0142amana\u201d sk\u0142adnia, brak sp\u00f3jno\u015bci).<\/span><\/td>\nBardzo wysoka (perfekcyjna gramatyka, przekonuj\u0105cy, profesjonalny ton, doskona\u0142e na\u015bladownictwo styl\u00f3w).<\/span><\/td>\n<\/tr>\n
Cel strategiczny i biznesowy<\/b><\/td>\nBezpo\u015brednie oszustwo (scam), phishing (wy\u0142udzanie danych), agresywna sprzeda\u017c bezpo\u015brednia (viagra, kasyna).<\/span><\/td>\nDominacja wynik\u00f3w SEO, zagarnianie przestrzeni, \u201efarmienie\u201d ruchu z reklam (AdSense), rozwadnianie konkretnych dyskusji ideologicznych.<\/span><\/td>\n<\/tr>\n
Wykrywalno\u015b\u0107 i wp\u0142yw na sie\u0107<\/b><\/td>\nStosunkowo \u0142atwy do odsiania przez proste filtry antyspamowe (czarne listy s\u0142\u00f3w, b\u0142\u0119dy wzorc\u00f3w).<\/span><\/td>\nTrudny do odr\u00f3\u017cnienia bez zaawansowanej analizy; powoduje drastyczny \u201edryf jako\u015bciowy\u201d i degradacj\u0119 silnik\u00f3w wyszukiwania.<\/span><\/td>\n<\/tr>\n
Relacja z obiektywn\u0105 prawd\u0105<\/b>
\n<\/b><\/td>\n		Jawne, \u0142atwe do weryfikacji k\u0142amstwa lub obietnice bez pokrycia.<\/span><\/td>\nNiebezpieczne i przekonuj\u0105ce halucynacje, konfabulacje i tre\u015bci ca\u0142kowicie \u201epuste\u201d merytorycznie, lecz brzmi\u0105ce jak naukowy autorytet.<\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wsp\u00f3\u0142czesne spo\u0142ecze\u0144stwo informacyjne opiera si\u0119 na zaufaniu do po\u015brednik\u00f3w \u2013 wyszukiwarek, encyklopedii internetowych, portali bran\u017cowych. Gdy ci po\u015brednicy staj\u0105 si\u0119 bezradni wobec masowej skali AI slop, musimy przemy\u015ble\u0107 architektur\u0119 sieci na nowo. Nie mo\u017cemy liczy\u0107 na to, \u017ce rynek sam si\u0119 ureguluje, poniewa\u017c obecne modele biznesowe korporacji technologicznych nagradzaj\u0105 wy\u0142\u0105cznie „zaanga\u017cowanie” (engagement) i czas sp\u0119dzony na stronie, a syntetyczne tre\u015bci doskonale potrafi\u0105 ten czas monopolizowa\u0107.<\/span><\/p>\n

Warto w tym miejscu zwr\u00f3ci\u0107 uwag\u0119 na jeszcze jeden, niezwykle istotny i cz\u0119sto pomijany paradoks. Nasza metafora \u201ecyfrowego smogu\u201d ma niestety bardzo dos\u0142owny, fizyczny wymiar. Masowe generowanie bezwarto\u015bciowych tekst\u00f3w, fa\u0142szywych recenzji i absurdalnych grafik to proces niezwykle kosztoch\u0142onny obliczeniowo. Zu\u017cywa on pot\u0119\u017cne ilo\u015bci prawdziwej energii elektrycznej oraz wody niezb\u0119dnej do ch\u0142odzenia ogromnych centr\u00f3w danych (serwerowni). Wpadli\u015bmy w pu\u0142apk\u0119 druzgoc\u0105cego kontrastu: niszczymy nasze rzeczywiste, biologiczne \u015brodowisko naturalne tylko po to, aby nap\u0119dza\u0107 maszyny generuj\u0105ce bezwarto\u015bciowy, cyfrowy \u015bmietnik. <\/span><\/p>\n

Model Collapse, czyli kiedy algorytmy zjadaj\u0105 w\u0142asny ogon<\/h1>\n

Problem <\/span>AI slop<\/span><\/i> ma jednak nie tylko wymiar socjologiczny. Stanowi on egzystencjalne zagro\u017cenie czysto techniczne dla samej bran\u017cy Data Science i dalszego rozwoju sztucznej inteligencji. Przez ostatnie lata \u015brodowisko akademickie dyskutowa\u0142o o tym zagro\u017ceniu teoretycznie, jednak najnowsze dowody empiryczne s\u0105 alarmuj\u0105ce. Zesp\u00f3\u0142 wybitnych naukowc\u00f3w z czo\u0142owych \u015bwiatowych uniwersytet\u00f3w opublikowa\u0142 niedawno w niezwykle presti\u017cowym magazynie naukowym <\/span>Nature<\/span><\/i> prze\u0142omowe badania dotycz\u0105ce zjawiska tak zwanego \u201eZa\u0142amania Modelu\u201d (<\/span>Model Collapse<\/span><\/i>).<\/span><\/p>\n

Czym w\u0142a\u015bciwie jest to zjawisko? Badacze matematycznie i empirycznie udowodnili, \u017ce uczenie kolejnych, nowych generacji modeli j\u0119zykowych na zbiorach danych, kt\u00f3re zosta\u0142y uprzednio w du\u017cej mierze wygenerowane przez inne (starsze) modele sztucznej inteligencji, prowadzi do systematycznej, nieodwracalnej degradacji ich jako\u015bci i mo\u017cliwo\u015bci poznawczych (Shumailov i in., 2024)<\/strong>.<\/span><\/p>\n

Zjawisko to mo\u017cna przyr\u00f3wna\u0107 do robienia kserokopii z innej kserokopii. Przy pierwszej iteracji obraz jest niemal idealny. Jednak z ka\u017cd\u0105 kolejn\u0105 kopi\u0105 kopii wprowadzane s\u0105 drobne zak\u0142\u00f3cenia, ostro\u015b\u0107 spada, a\u017c w ko\u0144cu na kartce pozostaje jedynie bezkszta\u0142tna, szara plama. W kontek\u015bcie modeli LLM polega to na tym, \u017ce modele zaczynaj\u0105 bezpowrotnie zapomina\u0107 rzadkie, brzegowe, ale niezwykle istotne ludzkie niuanse (tzw. ogony dystrybucji statystycznej). Zaczynaj\u0105 nadmiernie skupia\u0107 si\u0119 na w\u0142asnych, statystycznie najcz\u0119stszych, bezpiecznych i wyg\u0142adzonych konstrukcjach.<\/span><\/p>\n

W miar\u0119 jak dane generowane przez AI zanieczyszczaj\u0105 zbi\u00f3r treningowy kolejnych modeli, dochodzi do za\u0142amania modelu (model collapse) \u2014 procesu degeneracyjnego, w kt\u00f3rym modele z czasem zapominaj\u0105 o prawdziwej dystrybucji danych. Zjawisko to jest nieuniknione, nawet dla modeli z niemal idealnymi warunkami treningowymi. Oznacza to, \u017ce u\u017cywanie wygenerowanych tre\u015bci do szkolenia kolejnych generacji AI doprowadzi do powstania modeli, kt\u00f3re b\u0119d\u0105 ca\u0142kowicie oderwane od ludzkiej rzeczywisto\u015bci (Shumailov i in., 2024)<\/strong>.<\/span><\/p>\n

Dla nas, jako przysz\u0142ych i obecnych in\u017cynier\u00f3w danych, oznacza to dramatyczn\u0105 zmian\u0119 paradygmatu. Dotychczas internet by\u0142 traktowany jako niemal niesko\u0144czona, darmowa kopalnia zr\u00f3\u017cnicowanej wiedzy ludzkiej, z kt\u00f3rej mo\u017cna by\u0142o czerpa\u0107 petabajty danych (tzw. <\/span>web scraping<\/span><\/i>). Dzisiaj internet, staje si\u0119 dla modeli AI toksycznym \u015brodowiskiem, wielkim wysypiskiem. Poszukiwanie „czystych danych” \u2013 tekst\u00f3w z ca\u0142\u0105 pewno\u015bci\u0105 napisanych przez \u017cywych ludzi przed historyczn\u0105 premier\u0105 ChatGPT pod koniec 2022 roku \u2013 staje si\u0119 wyzwaniem nadrz\u0119dnym. Zadanie czyszczenia danych (Data Cleaning) ewoluuje z rutynowej procedury przygotowawczej w najbardziej skomplikowane i kluczowe zadanie w ca\u0142ym ruroci\u0105gu uczenia maszynowego (Machine Learning Pipeline).<\/span><\/p>\n

Cyfrowa tarcza. Jak mo\u017cemy obroni\u0107 si\u0119 przed fal\u0105 AI slopu?<\/h1>\n

Maj\u0105c pe\u0142n\u0105 \u015bwiadomo\u015b\u0107 skali i wagi zjawiska, jako analitycy musimy zaproponowa\u0107 konkretne rozwi\u0105zania pozwalaj\u0105ce za\u0142agodzi\u0107 analizowany problem. Same apele o etyk\u0119 tw\u00f3rc\u00f3w s\u0105 naiwne; potrzebujemy system\u00f3w obronnych wdro\u017conych na poziomie infrastruktury i architektury platform cyfrowych. Proponujemy zatem kompleksowe podej\u015bcie dwutorowe, sk\u0142adaj\u0105ce si\u0119 z innowacyjnego rozwi\u0105zania informatycznego (opartego na analizie statystycznej) oraz globalnego rozwi\u0105zania organizacyjnego (certyfikacji kryptograficznej).<\/span><\/p>\n

Rozwi\u0105zanie informatyczne na poziomie kodu: Analiza Perplexity i Burstiness<\/b><\/h2>\n

Wsp\u00f3\u0142czesne podej\u015bcie naukowo-in\u017cynieryjne do detekcji tre\u015bci wygenerowanych przez sztuczn\u0105 inteligencj\u0119 (reprezentowane m.in. przez projekt DetectGPT badaczy z Uniwersytetu Stanforda) opiera si\u0119 na hipotezie krzywizny prawdopodobie\u0144stwa (Mitchell i in., 2023)<\/strong>.<\/span><\/p>\n

M\u00f3wi\u0105c obrazowo: modele j\u0119zykowe z definicji faworyzuj\u0105 sekwencje s\u0142\u00f3w o skrajnie niskiej entropii. Poniewa\u017c dzia\u0142aj\u0105 one poprzez przewidywanie najbardziej prawdopodobnego nast\u0119pnego tokenu (s\u0142owa), teksty przez nie generowane s\u0105 statystycznie „zbyt idealne”, zbyt p\u0142ynne i pozbawione ludzkich potkni\u0119\u0107. Ludzki tekst charakteryzuje si\u0119 z kolei du\u017co wy\u017csz\u0105 zmienno\u015bci\u0105 d\u0142ugo\u015bci i struktury zda\u0144 (cecha znana w NLP jako <\/span>burstiness<\/span><\/i>) oraz og\u00f3ln\u0105 z\u0142o\u017cono\u015bci\u0105 statystyczn\u0105 (znan\u0105 jako <\/span>perplexity<\/span><\/i>).<\/span><\/p>\n

Proponujemy wdro\u017cenie na poziomie serwer\u00f3w brzegowych (np. jako zintegrowan\u0105 wtyczk\u0119 do system\u00f3w CMS jak WordPress lub jako restrykcyjny backendowy filtr dla platform spo\u0142eczno\u015bciowych pokroju Facebooka czy LinkedIna) algorytmu bezlito\u015bnie punktuj\u0105cego wprowadzany tekst pod k\u0105tem jego \u201enienaturalnej przewidywalno\u015bci\u201d.<\/span><\/p>\n

M\u00f3wi\u0105c najpro\u015bciej, koncepcja ta opiera si\u0119 na podstawowej r\u00f3\u017cnicy w sposobie komunikacji: je\u015bli algorytm potrafi bez najmniejszego trudu odgadn\u0105\u0107 ka\u017cde kolejne s\u0142owo w Twoim zdaniu, najprawdopodobniej zdanie to napisa\u0142a inna maszyna, optymalizuj\u0105ca prawdopodobie\u0144stwo. \u017bywi ludzie pisz\u0105 chaotycznie, robi\u0105 niespodziewane dygresje, u\u017cywaj\u0105 specyficznego s\u0142ownictwa i nieustannie \u0142ami\u0105 sztywne schematy statystyczne. Nasz\u0105 obron\u0105 staje si\u0119 wi\u0119c pomiar tej ludzkiej nieprzewidywalno\u015bci.\u00a0<\/span><\/p>\n

Poni\u017cej prezentujemy koncepcyjny fragment kodu w j\u0119zyku Python, kt\u00f3ry u\u017cywaj\u0105c popularnej biblioteki <\/span>transformers<\/span><\/code>\u00a0(od Hugging Face), obrazuje logik\u0119 obliczania wska\u017anika Perplexity. U\u017cywamy tu bazowego modelu z rodziny GPT-2 jako punktu odniesienia do analizy wprowadzanego tekstu.<\/span><\/p>\n

import<\/span> torch<\/span><\/code><\/p>\n

from<\/span> transformers <\/span>import<\/span> GPT2LMHeadModel, GPT2Tokenizer<\/span><\/code><\/p>\n

def<\/span> calculate_perplexity<\/span>(<\/span>text<\/span>, <\/span>model_name<\/span>=<\/span>'gpt2'<\/span>):<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span>\"\"\"<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0Funkcja stanowi\u0105ca rdze\u0144 filtra anty-slop.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0Oblicza wska\u017anik Perplexity (Z\u0142o\u017cono\u015bci) dla podanego \u0142a\u0144cucha znak\u00f3w (tekstu).<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0Wysoka warto\u015b\u0107 PPL sugeruje tw\u00f3rczo\u015b\u0107 ludzk\u0105 (du\u017ca entropia, unikalne struktury).<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0Skrajnie niska warto\u015b\u0107 PPL (cz\u0119sto < 20) to z wysokim prawdopodobie\u0144stwem zsyntetyzowany AI slop.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\"\"\"<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># Inicjalizacja tokenizera i wag modelu pre-trenowanego.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0tokenizer = GPT2Tokenizer.from_pretrained(model_name)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># \u0141adowanie modelu w trybie ewaluacji z zamro\u017conymi gradientami<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0model = GPT2LMHeadModel.from_pretrained(model_name)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0model.eval()<\/span><\/code><\/p>\n

\u00a0\u00a0<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># Przetworzenie czystego tekstu na wektory liczbowe zrozumia\u0142e dla modelu sieci neuronowej<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0encodings = tokenizer(text, <\/span>return_tensors<\/span>=<\/span>'pt'<\/span>)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0max_length = model.config.n_positions<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0stride = <\/span>512<\/span> # Okno przesuwne zapobiegaj\u0105ce przekroczeniu limitu wej\u015bcia modelu<\/span><\/code><\/p>\n

\u00a0\u00a0<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0nlls = [] <\/span># Lista przechowuj\u0105ca negatywne logarytmy prawdopodobie\u0144stwa (Negative Log-Likelihood)<\/span><\/code><\/p>\n

\u00a0\u00a0<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># G\u0142\u00f3wna p\u0119tla przemieszczaj\u0105ca si\u0119 po tek\u015bcie<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span>for<\/span> i <\/span>in<\/span> range<\/span>(<\/span>0<\/span>, encodings.input_ids.size(<\/span>1<\/span>), stride):<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0begin_loc = <\/span>max<\/span>(i + stride - max_length, <\/span>0<\/span>)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0end_loc = <\/span>min<\/span>(i + stride, encodings.input_ids.size(<\/span>1<\/span>))<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0trg_len = end_loc - i<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0input_ids = encodings.input_ids[:, begin_loc:end_loc]<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span># Celem modelu jest przewidzenie tych samych etykiet (s\u0142\u00f3w), kt\u00f3re dosta\u0142 na wej\u015bciu.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span># Je\u015bli robi to z ogromn\u0105 \u0142atwo\u015bci\u0105 - tekst wygenerowa\u0142o inne AI.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0target_ids = input_ids.clone()<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0target_ids[:, :-trg_len] = -<\/span>100<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span># Wy\u0142\u0105czamy obliczanie gradient\u00f3w dla oszcz\u0119dno\u015bci zasob\u00f3w obliczeniowych serwera<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span>with<\/span> torch.no_grad():<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0outputs = model(input_ids, <\/span>labels<\/span>=target_ids)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0<\/span># Zbieramy strat\u0119 (loss) z danego fragmentu tekstu<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0neg_log_likelihood = outputs.loss * trg_len<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0\u00a0nlls.append(neg_log_likelihood)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># Agregacja wynik\u00f3w i matematyczne wyliczenie ko\u0144cowej Perplexity.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span># Warto\u015b\u0107 ta staje si\u0119 naszym uniwersalnym \"score\" (wynikiem) wiarygodno\u015bci.<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0ppl = torch.exp(torch.stack(nlls).sum() \/ end_loc)<\/span><\/code><\/p>\n

\u00a0\u00a0\u00a0<\/span>return<\/span> ppl.item()<\/span><\/code><\/p>\n

# Przyk\u0142adowe zaszycie w architekturze produkcyjnej systemu CMS \/ Social Media:<\/span><\/code><\/p>\n

# def handle_new_post_submission(user_input_text):<\/span><\/code><\/p>\n

# \u00a0 \u00a0 THRESHOLD_AI_SLOP = 25.0<\/span><\/code><\/p>\n

# \u00a0 \u00a0 score = calculate_perplexity(user_input_text)<\/span><\/code><\/p>\n

#\u00a0\u00a0\u00a0\u00a0<\/span><\/code><\/p>\n

# \u00a0 \u00a0 if score < THRESHOLD_AI_SLOP:<\/span><\/code><\/p>\n

# \u00a0 \u00a0 \u00a0 \u00a0 # Akcja obronna: tekst jest zbyt statystycznie trywialny.<\/span><\/code><\/p>\n

# \u00a0 \u00a0 \u00a0 \u00a0 mark_as_potential_slop_in_db(user_input_text)<\/span><\/code><\/p>\n

# \u00a0 \u00a0 \u00a0 \u00a0 decrease_seo_visibility_score()<\/span><\/code><\/p>\n

# \u00a0 \u00a0 else:<\/span><\/code><\/p>\n

# \u00a0 \u00a0 \u00a0 \u00a0 publish_normally(user_input_text)<\/span><\/code><\/p>\n

Nale\u017cy jednak uczciwie zauwa\u017cy\u0107 polemiczny aspekt tego rozwi\u0105zania: wy\u015bcig zbroje\u0144 mi\u0119dzy detektorami a generatorami jest nieustanny. Zaawansowani tw\u00f3rcy spamu stosuj\u0105 ju\u017c skrypty zwi\u0119kszaj\u0105ce sztucznie parametr <\/span>temperature<\/span><\/i> podczas generowania tekstu, aby oszuka\u0107 detektory oparte na perplexity. Ponadto, filtry takie mog\u0105 fa\u0142szywie oflagowa\u0107 teksty tworzone przez osoby, dla kt\u00f3rych dany j\u0119zyk nie jest j\u0119zykiem ojczystym, poniewa\u017c pisz\u0105 one z natury u\u017cywaj\u0105c prostszych, wysoce przewidywalnych konstrukcji zdaniowych. Dlatego rozwi\u0105zanie czysto kodowe nie wystarczy i musi by\u0107 obudowane standardem proceduralnym.<\/span><\/p>\n

Rozwi\u0105zanie organizacyjne: Kryptograficzny Standard C2PA<\/b><\/h2>\n

Skoro udowadnianie, \u017ce co\u015b jest wygenerowane przez maszyn\u0119 (wykrywanie k\u0142amstwa) staje si\u0119 z miesi\u0105ca na miesi\u0105c coraz trudniejsze, musimy odwr\u00f3ci\u0107 wektor dzia\u0142a\u0144. Zamiast szuka\u0107 AI, musimy zacz\u0105\u0107 wymaga\u0107 dowodu na „ludzko\u015b\u0107” tw\u00f3rcy i oryginalno\u015b\u0107 pochodzenia danego medium.<\/span><\/p>\n

Wysoce skutecznym rozwi\u0105zaniem organizacyjnym, o kt\u00f3rego globaln\u0105 adaptacj\u0119 postulujemy, jest standaryzacja zgodna z ramami <\/span>C2PA (Coalition for Content Provenance and Authenticity)<\/b>. Jest to pot\u0119\u017cny projekt typu open-standard zarz\u0105dzany wsp\u00f3lnie przez gigant\u00f3w bran\u017cy, w tym Adobe, Arm, Intel, Microsoft i producenta aparat\u00f3w fotograficznych Leica.<\/span><\/p>\n

C2PA pozwala na do\u0142\u0105czanie do g\u0142\u0119bokich metadanych plik\u00f3w (tekst\u00f3w, obraz\u00f3w PNG\/JPG, plik\u00f3w d\u017awi\u0119kowych) niezmiennego, zaszyfrowanego kryptograficznie podpisu, potwierdzaj\u0105cego histori\u0119 powstania danego pliku (tzw. Content Credentials). Zamiast polega\u0107 na algorytmach zgaduj\u0105cych prawdopodobie\u0144stwo autorstwa ludzkiego, system C2PA u\u017cywa kryptografii asymetrycznej (kluczy publicznych i prywatnych). Je\u015bli fotoreporter wykonuje zdj\u0119cie, sprz\u0119t (aparat) natychmiast hashuje obraz i podpisuje go, potwierdzaj\u0105c: to zdj\u0119cie powsta\u0142o dzi\u0119ki obiektywowi fizycznego urz\u0105dzenia, w danym u\u0142amku sekundy, w okre\u015blonej lokalizacji GPS. \u017badna ingerencja modelu generatywnego (jak Midjourney czy DALL-E) nie mog\u0142a tu mie\u0107 miejsca bez pozostawienia trwa\u0142ego \u015bladu w strukturze certyfikatu.<\/span><\/p>\n

Zastosowanie tego rozwi\u0105zania w uj\u0119ciu organizacyjnym wymaga\u0142oby od platform dystrybucji tre\u015bci (jak Google News, X\/Twitter, Meta) polityki wyra\u017anego, interfejsowego oznaczania (np. za pomoc\u0105 odpowiednich, weryfikowalnych ikon) materia\u0142\u00f3w posiadaj\u0105cych certyfikat C2PA. Tre\u015bci bez takich certyfikat\u00f3w by\u0142yby organizacyjnie spychane w d\u00f3\u0142 w hierarchii widoczno\u015bci wynik\u00f3w wyszukiwania, co w spos\u00f3b naturalny zniszczy\u0142oby ekonomiczny sens istnienia farm masowo generuj\u0105cych AI slop.<\/span><\/p>\n

Konkluzje: Etyczny imperatyw dla nowej generacji in\u017cynierii danych<\/h1>\n

Podsumowuj\u0105c nasze obszerne rozwa\u017cania, musimy z ca\u0142\u0105 moc\u0105 podkre\u015bli\u0107: walka z zanieczyszczeniem informacyjnym typu <\/span>AI slop<\/span><\/i>\u00a0dawno przesta\u0142a by\u0107 wy\u0142\u0105cznie interesuj\u0105c\u0105 zagwozdk\u0105 programistyczn\u0105 czy wyzwaniem optymalizacyjnym. Uros\u0142a ona do rangi fundamentalnego wyzwania etycznego i socjologicznego dla ca\u0142ego obecnego pokolenia in\u017cynier\u00f3w oprogramowania, badaczy Data Science oraz architekt\u00f3w cyberprzestrzeni.<\/span><\/p>\n

Musimy jako bran\u017ca stanowczo przesta\u0107 traktowa\u0107 sam\u0105 \u201eilo\u015b\u0107 danych\u201d czy te\u017c bezrefleksyjne „wzrosty zaanga\u017cowania u\u017cytkownik\u00f3w” (tzw. engagement rate) jako jedyne metryki sukcesu platform, kt\u00f3re wsp\u00f3\u0142tworzymy. Algorytmy rekomendacyjne na wielkich portalach, zasilane miliardami gigabajt\u00f3w danych, sta\u0142y si\u0119 w istocie maszynami do pozycjonowania syntetycznych \u015bmieci, poniewa\u017c nagradzaj\u0105 cz\u0119stotliwo\u015b\u0107 publikacji nad rzetelno\u015b\u0107. To my, in\u017cynierowie i analitycy, ponosimy moraln\u0105 odpowiedzialno\u015b\u0107 za kod, kt\u00f3ry implementujemy.<\/span><\/p>\n

Ochrona naszej globalnej infosfery przed za\u015bmieceniem, sp\u0142yceniem i post\u0119puj\u0105cym zjawiskiem Model Collapse jest obecnie zadaniem r\u00f3wnie krytycznym z punktu widzenia ewolucji cz\u0142owieka, co fizyczna ochrona \u015brodowiska naturalnego przed zanieczyszczeniami przemys\u0142owymi (Floridi, 2014)<\/strong>. Je\u015bli w najbli\u017cszym czasie nie zaczniemy na szerok\u0105 skal\u0119 wdra\u017ca\u0107 rygorystycznych, kryptograficznych i statystycznych filtr\u00f3w autentyczno\u015bci (jak zaproponowany wy\u017cej analizator wsp\u00f3\u0142czynnika Perplexity czy standard zaufania C2PA), a przede wszystkim, je\u015bli nie zrewidujemy g\u0142\u0119boko wadliwych modeli biznesowych doliny krzemowej nagradzaj\u0105cych tak zwane puste klikni\u0119cia (clickbait), ryzykujemy nieodwracaln\u0105 utrat\u0119 przestrzeni cyfrowej jako wsp\u00f3lnego, wiarygodnego dobra.<\/span><\/p>\n

Naszym ostatecznym celem jako etycznych analityk\u00f3w danych nie mo\u017ce by\u0107 wy\u0142\u0105cznie optymalizacja wydajno\u015bci samych sztucznych sieci neuronowych. Musimy z r\u00f3wn\u0105 determinacj\u0105 d\u0105\u017cy\u0107 do budowania system\u00f3w i architektur informatycznych, kt\u00f3re szanuj\u0105 i chroni\u0105 kruch\u0105, lecz niezast\u0105pion\u0105 warto\u015b\u0107 autentycznego, ludzkiego g\u0142osu w coraz bardziej zautomatyzowanym \u015bwiecie.<\/span><\/p>\n

Literatura<\/h1>\n
    \n
  1. Floridi, L. (2014). <\/span>The Fourth Revolution: How the Infosphere is Reshaping Human Reality<\/span><\/i>. Oxford University Press.<\/span><\/li>\n
  2. Mitchell, E., Lee, Y., Khazatsky, A., Manning, C. D., & Finn, C. (2023). DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature. <\/span>International Conference on Machine Learning (ICML)<\/span><\/i>.<\/span><\/li>\n
  3. Shumailov, I., Shumaylov, Z., Zhao, Y., Gal, Y., Papernot, N., & Anderson, R. (2024). AI models collapse when trained on recursively generated data. <\/span>Nature<\/span><\/i>, 631(8022), 755-759.<\/span><\/li>\n
  4. (WEB1) Willison, S. (2024). Slop is the new spam<\/i>. Simon Willison\u2019s Weblog. https:\/\/simonwillison.net\/2024\/May\/8\/slop\/<\/a><\/li>\n
  5. (WEB2) Koebler, J. (2024). *We Need Your Email Address*<\/i>. 404 Media. https:\/\/www.404media.co\/why-404-media-needs-your-email-address\/<\/a><\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"

    \u017byjemy w epoce, w kt\u00f3rej dost\u0119p do informacji mia\u0142 by\u0107 powszechny, darmowy i wyzwalaj\u0105cy. Zamiast tego, nasza cyfrowa rzeczywisto\u015b\u0107 coraz szybciej zamienia si\u0119 w gigantyczne wysypisko bezwarto\u015bciowych, masowo generowanych tre\u015bci. Zjawisko to, okre\u015blane w zachodniej publicystyce mianem „AI slop”, stanowi obecnie jedno z najwi\u0119kszych i najpilniejszych zagro\u017ce\u0144 spo\u0142ecznych oraz etycznych wsp\u00f3\u0142czesnego internetu. Tanie, powszechnie dost\u0119pne […]<\/p>\n","protected":false},"author":349,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_jetpack_memberships_contains_paid_content":false,"footnotes":""},"categories":[597],"tags":[339,15,644,629,643,645,157,279],"class_list":["post-9476","post","type-post","status-publish","format-standard","hentry","category-agh-2025-26","tag-sztucznainteligencja","tag-ai","tag-ai-slop","tag-c2pa","tag-dead-internet-theory","tag-infosfera","tag-internet","tag-llm"],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9476","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/users\/349"}],"replies":[{"embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/comments?post=9476"}],"version-history":[{"count":6,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9476\/revisions"}],"predecessor-version":[{"id":9517,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/posts\/9476\/revisions\/9517"}],"wp:attachment":[{"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/media?parent=9476"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/categories?post=9476"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/architeles.eu\/ethics\/index.php\/wp-json\/wp\/v2\/tags?post=9476"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}