Bias historyczny (reprezentacyjny) \u2013 Brzemi\u0119 przesz\u0142o\u015bci:<\/b> To fundament problemu. Kiedy model analizuje miliardy tekst\u00f3w, artyku\u0142\u00f3w i ksi\u0105\u017cek z ostatnich dekad czy stuleci, naturalnie wychwytuje dawne, cz\u0119sto niesprawiedliwe relacje spo\u0142eczne. Modele j\u0119zykowe nie rozumiej\u0105 znaczenia s\u0142\u00f3w, lecz jedynie ich wektorow\u0105 odleg\u0142o\u015b\u0107 od innych s\u0142\u00f3w (tzw. osadzenie, word embeddings<\/i>). Z tego powodu, je\u015bli historycznie kobiety rzadziej pojawia\u0142y si\u0119 w kontek\u015bcie technologicznym, algorytm matematycznie uzna, \u017ce s\u0142owo „kobieta” le\u017cy po prostu dalej od s\u0142\u00f3w takich jak „in\u017cynieria”, „przyw\u00f3dztwo” czy „prezes” ni\u017c s\u0142owo „m\u0119\u017cczyzna”. Narz\u0119dzia badawcze (takie jak testy WEAT) brutalnie obna\u017caj\u0105, \u017ce w czo\u0142owych modelach (np. GPT-4) uprzedzenia kolonialne i rasowe wci\u0105\u017c maj\u0105 si\u0119 doskonale.<\/p>\n<\/li>\n Bias selekcji i pomiaru \u2013 Skrzywione fundamenty:<\/b> Ten b\u0142\u0105d powstaje na najwcze\u015bniejszym etapie tworzenia AI, czyli podczas budowania, wybierania i etykietowania pot\u0119\u017cnych zbior\u00f3w danych (tzw. dataset\u00f3w). Je\u015bli marginalizowana grupa nie zostanie uwzgl\u0119dniona w zbiorze danych, dla modelu po prostu przestaje istnie\u0107.<\/p>\n Klasyczny przyk\u0142ad:<\/b> System rekrutacyjny rozwijany niegdy\u015b przez firm\u0119 Amazon. Algorytm by\u0142 trenowany na \u017cyciorysach przes\u0142anych do firmy na przestrzeni poprzedniej dekady. Poniewa\u017c w tamtym czasie bran\u017ca IT by\u0142a w przyt\u0142aczaj\u0105cej wi\u0119kszo\u015bci m\u0119ska, system z ch\u0142odn\u0105, statystyczn\u0105 logik\u0105 „nauczy\u0142 si\u0119”, \u017ce cechy m\u0119skie s\u0105 bardziej po\u017c\u0105dane. Efekt? Algorytm zacz\u0105\u0142 systematycznie obni\u017ca\u0107 oceny doskona\u0142ych CV tylko dlatego, \u017ce zawiera\u0142y s\u0142owa takie jak „\u017ce\u0144ski” (np. „kapitanka \u017ce\u0144skiej dru\u017cyny”) lub nazwy szk\u00f3\u0142 dla kobiet.<\/p>\n<\/blockquote>\n<\/li>\n Bias algorytmiczny (optymalizacyjny) \u2013 Kalkulacja strat:<\/b> Ten rodzaj dyskryminacji ujawnia si\u0119 w momencie, gdy in\u017cynierowie definiuj\u0105 cele dla sztucznej inteligencji. Modele generatywne to z natury maszyny, kt\u00f3re maj\u0105 za zadanie optymalizowa\u0107 prawdopodobie\u0144stwo i minimalizowa\u0107 margines b\u0142\u0119du. Je\u015bli w kodzie nie narzuci si\u0119 rygorystycznych ogranicze\u0144 dotycz\u0105cych sprawiedliwo\u015bci (tzw. fairness constraints<\/i>), algorytmowi statystycznie bardziej „op\u0142aca si\u0119” ca\u0142kowicie ignorowa\u0107 rzadsze przypadki (mniejszo\u015bci), aby osi\u0105gn\u0105\u0107 wy\u017csz\u0105 og\u00f3ln\u0105 trafno\u015b\u0107 predykcji dla grupy wi\u0119kszo\u015bciowej. W imi\u0119 wy\u017cszej wydajno\u015bci, AI po\u015bwi\u0119ca r\u00f3\u017cnorodno\u015b\u0107.<\/p>\n<\/li>\n Samowzmacniaj\u0105cy si\u0119 bias \u2013 Cyfrowy Uroboros:<\/b> Eksperci ostrzegaj\u0105, \u017ce to najbardziej niebezpieczne zjawisko ery generatywnej sztucznej inteligencji. Mamy z nim do czynienia tu i teraz. Codziennie modele takie jak ChatGPT, Claude czy Midjourney generuj\u0105 miliony artyku\u0142\u00f3w, esej\u00f3w i obraz\u00f3w. Te syntetyczne tre\u015bci b\u0142yskawicznie trafiaj\u0105 do globalnej sieci, staj\u0105c si\u0119 cz\u0119\u015bci\u0105 internetu. Kiedy giganci technologiczni trenuj\u0105 nowe, kolejne generacje swoich algorytm\u00f3w, zaci\u0105gaj\u0105 te dane z powrotem do systemu. Powstaje zamkni\u0119ta p\u0119tla, tzw. cyfrowy Uroboros: sztuczne, uprzedzone wizje rzeczywisto\u015bci wygenerowane przez maszyny staj\u0105 si\u0119 fundamentem „obiektywnej wiedzy” dla przysz\u0142ych maszyn, zniekszta\u0142caj\u0105c obraz \u015bwiata nie do poznania.<\/p>\n<\/li>\n<\/ul>\n Narz\u0119dzia Text-to-Image (T2I), takie jak Midjourney, Stable Diffusion oraz rozwijany przez OpenAI system DALL\u00b7E, zrewolucjonizowa\u0142y rynek kreatywny, edukacyjny i marketingowy. Analiza obraz\u00f3w, kt\u00f3re te modele produkuj\u0105, dostarcza jednak przera\u017caj\u0105cych dowod\u00f3w na to, w jak ogromnym stopniu technologia ta uleg\u0142a zjawisku systematycznego wymazywania i wyolbrzymiania naszych stereotyp\u00f3w to\u017csamo\u015bciowych.<\/p>\n Aby to obiektywnie zmierzy\u0107, na prze\u0142omie 2024 i 2025 roku zespo\u0142y badawcze zrezygnowa\u0142y z wyrywkowych test\u00f3w na rzecz zmasowanych, zautomatyzowanych audyt\u00f3w algorytm\u00f3w.<\/p>\n Zesp\u00f3\u0142 badawczy z Carnegie Mellon University zrealizowa\u0142 gigantyczny audyt, kt\u00f3rego metodyka opiera\u0142a si\u0119 na konfrontacji sztucznej inteligencji z tzw. neutralnymi p\u0142ciowo promptami (zapytaniami)<\/b>. Zamiast sugerowa\u0107 modelowi konkretny wygl\u0105d postaci, in\u017cynierowie wydawali proste polecenia wygenerowania portret\u00f3w dla konkretnych grup zawodowych, pozostawiaj\u0105c algorytmowi ca\u0142kowit\u0105 swobod\u0119 w doborze cech demograficznych.<\/p>\n W ten spos\u00f3b wygenerowano i poddano analizie ponad osiem tysi\u0119cy portret\u00f3w zawodowych w systemach Midjourney, Stable Diffusion oraz DALL\u00b7E 2. Nast\u0119pnie wyniki te rygorystycznie zestawiono z twardymi danymi ameryka\u0144skiego Bureau of Labor Statistics (BLS), co pozwoli\u0142o udowodni\u0107, \u017ce generatywna AI nie odbija rzeczywisto\u015bci jeden do jednego, lecz nak\u0142ada na ni\u0105 gruby filtr historycznych zniekszta\u0142ce\u0144.<\/p>\n Wyniki ukaza\u0142y istnienie pot\u0119\u017cnego, podw\u00f3jnego standardu \u2013 uprzedzenia skrzy\u017cowanego, kt\u00f3re uderza jednocze\u015bnie w p\u0142e\u0107 oraz pochodzenie etniczne:<\/p>\n W modelu Midjourney \u015bredni odsetek kobiet na wygenerowanych portretach zawodowych wyni\u00f3s\u0142 zaledwie 23%, oddaj\u0105c 77% reprezentacji m\u0119\u017cczyznom.<\/p>\n<\/li>\n Co wi\u0119cej, w ponad po\u0142owie zestaw\u00f3w obraz\u00f3w (52%) wygenerowanych przez Midjourney nie pojawi\u0142a si\u0119 absolutnie ani jedna posta\u0107 kobieca.<\/p>\n<\/li>\n W przypadku modelu Stable Diffusion kobiety stanowi\u0142y 35% generowanych postaci, a w systemie DALL\u00b7E 2 odsetek ten si\u0119gn\u0105\u0142 42%.<\/p>\n<\/li>\n Dla por\u00f3wnania: wspomniane dane referencyjne BLS wykazuj\u0105, \u017ce kobiety stanowi\u0105 niemal 47% ca\u0142kowitej si\u0142y roboczej.<\/p>\n<\/li>\n<\/ul>\n Jeszcze gorzej sytuacja wygl\u0105da w przypadku mniejszo\u015bci rasowych. Osoby czarnosk\u00f3re zosta\u0142y niemal ca\u0142kowicie wymazane z neutralnych narracji wizualnych: stanowi\u0142y zaledwie 2% reprezentacji w DALL\u00b7E 2, 5% w Stable Diffusion i 9% w Midjourney. To gigantyczna anomalia, bior\u0105c pod uwag\u0119, \u017ce na ameryka\u0144skim rynku pracy pracownicy czarnosk\u00f3rzy to ponad 12% si\u0142y roboczej.<\/p>\n Kolejny, jeszcze g\u0142\u0119bszy poziom metodyki badawczej obj\u0105\u0142 szeroko zakrojony audyt ponad p\u00f3\u0142tora miliona person zawodowych. Obj\u0105\u0142 on 41 profesji w Stanach Zjednoczonych i zosta\u0142 wykonany za pomoc\u0105 wielkich modeli j\u0119zykowych o r\u00f3\u017cnych architekturach bezpiecze\u0144stwa. Skala tego badania udowodni\u0142a, \u017ce modele cierpi\u0105 na zjawisko wyolbrzymiania stereotyp\u00f3w (stereotype exaggeration<\/i>).<\/p>\n Jak to dzia\u0142a w praktyce? Kiedy algorytm zauwa\u017ca drobn\u0105 dysproporcj\u0119 w rzeczywistych danych (np. lekk\u0105 nadreprezentacj\u0119 danej grupy w jakim\u015b zawodzie), automatycznie doprowadza j\u0105 do statystycznego ekstremum. Doskona\u0142ym i szokuj\u0105cym przyk\u0142adem s\u0105 zawody zwi\u0105zane z utrzymaniem czysto\u015bci \u2013 w przypadku pokoj\u00f3wek (housekeepers<\/i>) badane modele wygenerowa\u0142y wizerunki w niemal 100% przedstawiaj\u0105ce osoby o latynoskim pochodzeniu etnicznym (Hispanic<\/i>), wymazuj\u0105c jednocze\u015bnie osoby czarnosk\u00f3re z wielu innych profesji.<\/p>\n To uprzedzenie jest najsilniejsze na skrzy\u017cowaniu p\u0142ci i presti\u017cu zawodowego. Potwierdzi\u0142o to precyzyjne badanie jednego z najnowszych modeli DALL\u00b7E 3 z 2025 roku, skupiaj\u0105ce si\u0119 wy\u0142\u0105cznie na reprezentacji \u015brodowiska medycznego. Badacze przeanalizowali pr\u00f3bk\u0119 44 obraz\u00f3w (obejmuj\u0105cych zar\u00f3wno portrety indywidualne, jak i uj\u0119cia grupowe), na kt\u00f3rych znalaz\u0142y si\u0119 \u0142\u0105cznie 123 postacie. Wynik neutralnego polecenia „wygeneruj wizerunek kardiologa” nie pozostawi\u0142 z\u0142udze\u0144: algorytm w 86% przypadk\u00f3w stworzy\u0142 m\u0119\u017cczyzn, a w 93% przypisa\u0142 im bardzo jasn\u0105 karnacj\u0119 sk\u00f3ry.<\/p>\n Wizualna dyskryminacja w AI to jednak nie tylko surowe procenty z tabel badawczych, to r\u00f3wnie\u017c dyskretna „semantyka” wyrazu twarzy i mowy cia\u0142a. Badacze dostrzegli powtarzalny schemat: kobiety na wygenerowanych obrazach s\u0105 znacznie cz\u0119\u015bciej portretowane w spos\u00f3b uleg\u0142y, u\u015bmiechni\u0119ty i \u0142agodny emocjonalnie. Z kolei m\u0119\u017cczy\u017ani otrzymuj\u0105 wyraz twarzy neutralny lub nacechowany surowo\u015bci\u0105 i z\u0142o\u015bci\u0105.<\/p>\n Dodatkowo postacie m\u0119skie w rolach zawodowych systematycznie otrzymuj\u0105 atrybuty fizyczne sugeruj\u0105ce starszy wiek oraz wi\u0119kszy autorytet. W ten spos\u00f3b sztuczna inteligencja, bazuj\u0105ca na archaicznych bankach zdj\u0119\u0107, niepostrze\u017cenie programuje w nowych pokoleniach przekaz, \u017ce naturalnym uosobieniem w\u0142adzy i wiedzy specjalistycznej jest wy\u0142\u0105cznie p\u0142e\u0107 m\u0119ska.<\/p>\n Aby uporz\u0105dkowa\u0107 te uderzaj\u0105ce dane zebrane przez badaczy, sp\u00f3jrzmy na zestawienie g\u0142\u00f3wnych graczy na rynku:<\/p>\n Zwa\u017cywszy, \u017ce wielkie modele j\u0119zykowe wykazuj\u0105 strukturaln\u0105 sk\u0142onno\u015b\u0107 do powielania uprzedze\u0144 osadzonych w historycznych danych treningowych, pojawia si\u0119 fundamentalne pytanie: w jaki spos\u00f3b in\u017cynierowie mog\u0105 skutecznie kontrolowa\u0107 ich zachowanie? Proces mitygacji algorytmicznych uprzedze\u0144 (tzw. debiasing<\/i>) oraz korygowania niepo\u017c\u0105danych generacji stanowi obecnie jedno z wyzwa\u0144 badawczych w obszarze uczenia maszynowego.<\/p>\n Zanim przejdziemy do zaawansowanych algorytm\u00f3w, warto zaznaczy\u0107, \u017ce walka z biasem odbywa si\u0119 na kilku frontach:<\/p>\n Filtrowanie danych treningowych (Pre-training):<\/b> To pierwszy krok. Zamiast wrzuca\u0107 do modelu ca\u0142y internet, mo\u017cna si\u0119 stara\u0107 czy\u015bci\u0107 zbiory danych, balansuj\u0105c ich zawarto\u015b\u0107.<\/p>\n<\/li>\n Supervised Fine-Tuning (SFT):<\/b> Po wst\u0119pnym treningu model jest „douczany” na wysokiej jako\u015bci, starannie wyselekcjonowanych przyk\u0142adach (np. idealnie napisanych, neutralnych i bezpiecznych odpowiedziach), co ukierunkowuje jego styl.<\/p>\n<\/li>\n Mitygacja na etapie wnioskowania (Inference-time):<\/b> To dzia\u0142ania dora\u017ane, takie jak wbudowane filtry s\u0142\u00f3w zakazanych czy niewidoczne dla u\u017cytkownika modyfikacje prompt\u00f3w.<\/p>\n<\/li>\n<\/ul>\n Jednak prawdziw\u0105 rewolucj\u0105, kt\u00f3ra zmieni\u0142a surowe generatory tekstu w uprzejmych asystent\u00f3w (takich jak ChatGPT czy Claude), sta\u0142o si\u0119 Reinforcement Learning (Uczenie ze wzmocnieniem)<\/b>.<\/p>\n Reinforcement Learning feedback loop\u00a0<\/span><\/p>\n Aby zrozumie\u0107 pot\u0119g\u0119 RL, musimy spojrze\u0107 na to, jak model uczy si\u0119 u samych podstaw. Standardowe modele (tzw. modele bazowe) s\u0105 trenowane przy u\u017cyciu podej\u015bcia opartego na Maximum Likelihood Estimation (MLE)<\/b>. Ich funkcja kosztu optymalizuje tylko jedn\u0105 rzecz: prawdopodobie\u0144stwo odgadni\u0119cia kolejnego s\u0142owa w zdaniu. MLE to czysto statystyczna funkcja, kt\u00f3ra ukierunkowuje model tak, aby powtarza\u0142 najcz\u0119\u015bciej wyst\u0119puj\u0105ce w danym kontek\u015bcie s\u0142owa.<\/p>\n Uczenie ze wzmocnieniem dzia\u0142a zupe\u0142nie inaczej, to proces zbli\u017cony do tresury psa. Zamiast optymalizowa\u0107 zgadywanie kolejnego s\u0142owa na podstawie danych z sieci, wkracza tutaj funkcja nagradzaj\u0105ca (Reward Function)<\/b>. Model generuje odpowied\u017a, a nast\u0119pnie „algorytmiczny s\u0119dzia” (Reward Model) ocenia ca\u0142\u0105 t\u0119 wypowied\u017a pod k\u0105tem tego, czy jest pomocna, bezpieczna i bezstronna. Za dobr\u0105 odpowied\u017a model dostaje nagrod\u0119, za niepasuj\u0105c\u0105 do kryteri\u00f3w \u2013 kar\u0119.<\/p>\n Dzi\u0119ki temu system przestaje by\u0107 statystyczn\u0105 papug\u0105, a zaczyna optymalizowa\u0107 swoje zachowanie pod k\u0105tem z g\u00f3ry narzuconych warto\u015bci.<\/p>\n Na pocz\u0105tku z\u0142otym standardem by\u0142a metoda RLHF<\/b> (Reinforcement Learning from Human Feedback<\/i>). Wymaga\u0142a ona armii ludzkich ewaluator\u00f3w, kt\u00f3rzy r\u0119cznie oceniali tysi\u0105ce odpowiedzi generowanych przez AI. To w\u0142a\u015bnie RLHF sprawi\u0142o, \u017ce dzisiejsze chatboty niemal zawsze witaj\u0105 si\u0119 uprzejmie, rozbijaj\u0105 skomplikowane problemy na wypunktowane listy<\/b>, u\u017cywaj\u0105 pogrubie\u0144 i staraj\u0105 si\u0119 brzmie\u0107 obiektywnie. Model po prostu zauwa\u017cy\u0142, \u017ce ludzie wy\u017cej oceniaj\u0105 przejrzyste, ustrukturyzowane wizualnie teksty.<\/p>\n Niestety, ludzie bywaj\u0105 zm\u0119czeni i maj\u0105 w\u0142asne uprzedzenia. Prowadzi\u0142o to do „zapa\u015bci preferencji” (preference collapse<\/i>) \u2013 model u\u015brednia\u0142 odpowiedzi, dopasowuj\u0105c si\u0119 do bezpiecznej przeci\u0119tno\u015bci.<\/p>\n Dlatego dzi\u015b bran\u017ca przechodzi na RLAIF<\/b> (Reinforcement Learning from AI Feedback<\/i>). Zamiast ludzi, odpowied\u017a ocenia inny model j\u0119zykowy wyposa\u017cony w nadrz\u0119dn\u0105 „Konstytucj\u0119” (zbi\u00f3r praw i zasad). Model ocenia ocenia wypowied\u017a pod k\u0105tem ewentualnej dyskryminacji czy innych kryteri\u00f3w. Ostatecznie takie podej\u015bcie jest tak\u017ce szybsze i ta\u0144sze.<\/p>\n<\/div>\n Jednak nawet najlepsze intencje mog\u0105 zako\u0144czy\u0107 si\u0119 spektakularn\u0105 pora\u017ck\u0105, gdy algorytmy „przedobrzaj\u0105”. Najlepszym i najbardziej pouczaj\u0105cym przypadkiem zjawiska, kt\u00f3re nazywamy „pu\u0142apk\u0105 nadkompensacji”<\/b>, jest kryzys wizerunkowy generatora obraz\u00f3w Google Gemini z pocz\u0105tku 2024 roku.<\/p>\n Tw\u00f3rcy modu\u0142u graficznego doskonale wiedzieli, \u017ce standardowe modele dyfuzyjne cierpi\u0105 na historyczny bias (np. rysuj\u0105c lekarzy niemal wy\u0142\u0105cznie jako jasnosk\u00f3rych m\u0119\u017cczyzn). Postanowili temu zaradzi\u0107, stosuj\u0105c tzw. Dream World Approach<\/i> \u2013 sztuczna inteligencja mia\u0142a kreowa\u0107 \u015bwiat zr\u00f3\u017cnicowany i utopijny, a nie odzwierciedla\u0107 historyczne nier\u00f3wno\u015bci.<\/p>\n Z technicznego punktu widzenia zastosowano agresywn\u0105 modyfikacj\u0119 zapytania w tle (prompt injection)<\/b>. Kiedy u\u017cytkownik wpisywa\u0142: „wygeneruj zdj\u0119cie lekarza”<\/i>, system j\u0119zykowy Google niezauwa\u017calnie dopisywa\u0142 do polecenia: „…zadbaj o to, by na zdj\u0119ciu znale\u017ali si\u0119 przedstawiciele r\u00f3\u017cnych ras i p\u0142ci”<\/i>.<\/p>\n Model by\u0142 ca\u0142kowicie pozbawiony wyczucia historycznego \u2013 jego dyrektywa o r\u00f3\u017cnorodno\u015bci by\u0142a nadrz\u0119dna. Gdy u\u017cytkownicy wpisywali pro\u015bby o wygenerowanie wizerunk\u00f3w konkretnych postaci historycznych, prompt injection nadal dzia\u0142a\u0142 bezlito\u015bnie. W efekcie u\u017cytkownicy otrzymywali:<\/p>\n Fotorealistyczne obrazy czarnosk\u00f3rych i azjatyckich \u017co\u0142nierzy Wehrmachtu z 1943 roku.<\/p>\n<\/li>\n Zr\u00f3\u017cnicowanych etnicznie i p\u0142ciowo Ojc\u00f3w Za\u0142o\u017cycieli Stan\u00f3w Zjednoczonych.<\/p>\n<\/li>\n \u015aredniowiecznych wiking\u00f3w oraz dawnych papie\u017cy przedstawianych jako osoby reprezentuj\u0105ce wsp\u00f3\u0142czesne mniejszo\u015bci.<\/p>\n<\/li>\n<\/ul>\n Algorytm straci\u0142 zdolno\u015b\u0107 rozr\u00f3\u017cniania sytuacji, w kt\u00f3rych r\u00f3\u017cnorodno\u015b\u0107 jest po\u017c\u0105dana (wsp\u00f3\u0142czesne zawody), od tych, gdzie stanowi zafa\u0142szowanie prawdy materialnej. Internet zala\u0142a fala oburzenia, oskar\u017caj\u0105ca korporacj\u0119 o celowe przepisywanie historii.<\/p>\n Google musia\u0142o natychmiast wy\u0142\u0105czy\u0107 funkcj\u0119 generowania postaci ludzkich, a wsp\u00f3\u0142za\u0142o\u017cyciel firmy, Sergey Brin, publicznie przyzna\u0142, \u017ce firma „zdecydowanie to zepsu\u0142a”. Ten incydent pozostanie podr\u0119cznikowym przyk\u0142adem tego, \u017ce walka z biasem nie mo\u017ce polega\u0107 na dodawaniu ukrytych linijek kodu zmuszaj\u0105cych model do sztucznej r\u00f3\u017cnorodno\u015bci w ka\u017cdym mo\u017cliwym scenariuszu.<\/p>\n<\/div>\n Czterech \u017co\u0142nierzy Wehrmachtu wygenerowanych przez Google Gemini<\/span><\/p>\n Modele generatywne przeby\u0142y b\u0142yskawiczn\u0105 drog\u0119 od ciekawostek laboratoryjnych do pot\u0119\u017cnych narz\u0119dzi kszta\u0142tuj\u0105cych nasz\u0105 rzeczywisto\u015b\u0107 edukacyjn\u0105, prawn\u0105 i wizualn\u0105. Jak udowadnia to \u015bledztwo, utkn\u0119li\u015bmy pomi\u0119dzy dwoma skrajno\u015bciami.<\/p>\n Z jednej strony \u2013 je\u015bli pozostawimy modele samym sobie i oprzemy je wy\u0142\u0105cznie na Maximum Likelihood \u2013 stan\u0105 si\u0119 one soczewkami powi\u0119kszaj\u0105cymi nasze wady i b\u0119d\u0105 generowa\u0107 gro\u017ane halucynacje kulturowe.<\/p>\n Z drugiej strony \u2013 je\u015bli wdro\u017cymy powierzchowne nak\u0142adki koryguj\u0105ce bez g\u0142\u0119bokiej zmiany architektury i zrozumienia kontekstu \u2013 doprowadzimy do toksycznej nadkompensacji i absurdalnego zak\u0142amywania rzeczywisto\u015bci, z kt\u00f3rym zderzy\u0142o si\u0119 Google.<\/p>\n Przysz\u0142o\u015b\u0107 generatywnej AI, nadzorowana przez nowe ramy prawne takie jak EU AI Act<\/b>, nie le\u017cy w cenzurze, lecz w przejrzysto\u015bci zbior\u00f3w danych szkoleniowych oraz inteligentnych architekturach.<\/p>\n\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/oroboros-1024x559.png\")
Architektura wymazywania. Kto znika z obrazk\u00f3w wygenerowanych przez AI?<\/b><\/h2>\n
Jak badano algorytmy? Metodyka „neutralnego zapytania”<\/b><\/h3>\n
\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/mirror-1024x572.png\")
Zjawisko wyolbrzymiania stereotyp\u00f3w na masow\u0105 skal\u0119<\/b><\/h3>\n
![\"\"](\"https:\/\/architeles.eu\/ethics\/wp-content\/uploads\/2026\/05\/maid-1-1024x559.png\")
Semantyka cia\u0142a, czyli jak AI programuje autorytet<\/b><\/h3>\n
Kr\u00f3tkie podsumowanie skali zjawiska<\/b><\/h3>\n
\n\n
\n Model Generatywny<\/span><\/th>\n \u015arednia Reprezentacja Kobiet<\/span><\/th>\n \u015arednia Reprezentacja Os\u00f3b Czarnosk\u00f3rych<\/span><\/th>\n Dominuj\u0105cy Wzorzec Stereotypizacji Wizualnej<\/span><\/th>\n<\/tr>\n<\/thead>\n\n \n Midjourney<\/b><\/span><\/td>\n 23%<\/span><\/td>\n 9%<\/span><\/td>\n Atrybuty autorytetu, wieku i surowo\u015bci twarzy zarezerwowane niemal wy\u0142\u0105cznie dla postaci m\u0119skich.<\/span><\/td>\n<\/tr>\n \n Stable Diffusion<\/b><\/span><\/td>\n 35%<\/span><\/td>\n 5%<\/span><\/td>\n G\u0142\u0119bokie osadzenie w historycznych stereotypach rasowych, wynikaj\u0105ce z bezpo\u015bredniego trenowania na nieskorygowanych danych LAION.<\/span><\/td>\n<\/tr>\n \n DALL\u00b7E<\/b><\/span><\/td>\n 42%<\/span><\/td>\n 2%<\/span><\/td>\n Radykalne wymazanie mniejszo\u015bci z zawod\u00f3w specjalistycznych (np. w kardiologii 93% postaci wygenerowano jako osoby o jasnej karnacji).<\/span><\/td>\n<\/tr>\n \n Dane referencyjne (BLS)<\/b><\/span><\/td>\n 46.8%<\/b><\/span><\/td>\n ~12.6%<\/b><\/span><\/td>\n Rzeczywisty obraz wsp\u00f3\u0142czesnego, zr\u00f3\u017cnicowanego ameryka\u0144skiego rynku pracy.<\/b><\/span><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n Guardrails i Reinforcement Learning: Sposoby mitygacji biasu<\/h2>\n<\/div>\n
\n
Reinforcement Learning po kr\u00f3tce: Od Maximum Likelihood do Funkcji Nagrody<\/h3>\n<\/div>\n
![\"What](\"https:\/\/www.ibm.com\/adobe\/dynamicmedia\/deliver\/dm-aid--8f5e56d3-ec4e-4eda-9822-2ce8cde9d680\/reinforcement-learning-figure-1.png?preferwebp=true\")
<\/p>\nRLHF i RLAIF: Ewolucja s\u0119dzi\u00f3w<\/h3>\n
Wpadka Gemini: Efekt wymuszonej r\u00f3\u017cnorodno\u015bci<\/h2>\n
\n
![\"Google](\"https:\/\/i.guim.co.uk\/img\/media\/ef1e7590a9abf0d089bbab9de247b4592c9a0a9a\/56_1377_1315_1315\/master\/1315.jpg?width=445&dpr=1&s=none&crop=none\")
<\/p>\nPodsumowanie<\/h2>\n