Przez wieki literatura próbowała wyobrazić sobie sztuczną inteligencję.
Opowiadała o mechanicznych sługach, myślących maszynach, androidach, sztucznych umysłach i istotach, które nauczyły się naśladować człowieka tak dobrze, że przestało być jasne, po której stronie przebiega granica między życiem a symulacją.
Dzisiaj nastąpiło odwrócenie tej relacji.
Powieści nie tylko opisują sztuczną inteligencję.
Stały się jednym z materiałów, z których sztuczna inteligencja uczy się mówić, opowiadać, odgrywać emocje, rozpoznawać konflikty, przewidywać ludzkie reakcje i konstruować przekonujące osobowości.
Literatura zaczyna więc działać podwójnie:
- opowiada o maszynach uczących się człowieka,
- sama staje się narzędziem, za pomocą którego maszyny tego człowieka się uczą.
To jeden z najbardziej fascynujących i wciąż słabo rozpoznanych skutków generatywnej AI.
Nie chodzi już tylko o pytanie, czy model potrafi napisać powieść ale:
Czego model uczy się o człowieku, kiedy czyta miliony wymyślonych historii?
Powieść nie jest zwykłym zbiorem zdań
Dla systemu uczącego się języka tekst może być analizowany jako ogromna sekwencja zależności: po określonych słowach, sytuacjach i wypowiedziach częściej pojawiają się jedne reakcje, a rzadziej inne.
Jednak powieść zawiera coś więcej niż zbiór zdań.
Jest skompresowanym modelem społecznego świata.
Pokazuje:
- jak ludzie ukrywają intencje,
- jak kłamią,
- jak próbują zachować twarz,
- jak odczytują gesty,
- jak reagują na zdradę,
- jak budują bliskość,
- jak racjonalizują własne decyzje,
- jak zmieniają zdanie pod wpływem emocji,
- jak pamiętają przeszłość,
- jak wyobrażają sobie przyszłość,
- jak jedno mówią, drugie myślą, a trzecie robią.
Encyklopedia może wyjaśnić, czym jest zazdrość.
Powieść pokazuje, jak zazdrość przenika ton głosu, milczenie przy stole, pozornie neutralne pytanie i błędną interpretację spojrzenia.
Podręcznik psychologii może opisać wyparcie.
Powieść potrafi zbudować narratora, który przez dwieście stron nie rozumie czegoś, co czytelnik dostrzega coraz wyraźniej.
To właśnie czyni literaturę wyjątkowo wartościowym materiałem treningowym. Nie przedstawia wyłącznie faktów o człowieku. Przedstawia człowieka działającego w czasie, pod presją pragnień, pamięci, norm społecznych i cudzych spojrzeń.
Najważniejsze badanie: co fikcja wnosi do modelu?
W marcu 2026 roku Edwin Roland i Richard Jean So opublikowali preprint „Generative AI & Fictionality: How Novels Power Large Language Models”.
Badacze postawili pytanie, które przez lata pozostawało niemal niezbadane:
Jak zmienia się zachowanie modelu językowego, gdy oprócz tekstów informacyjnych otrzymuje również powieści?
Porównali model szkolony na Wikipedii z modelem korzystającym także z korpusu fikcji literackiej. Eksperyment przeprowadzono na BERT — modelu wcześniejszego typu, służącym przede wszystkim do reprezentowania i analizowania języka, a nie do prowadzenia współczesnych rozmów w stylu ChatGPT.
To istotne ograniczenie. Nie można na tej podstawie powiedzieć, że dokładnie tak samo działa każdy obecny model generatywny.
Badanie dostarcza jednak empirycznego wsparcia dla szerszej hipotezy: fikcja wnosi do modeli inne właściwości języka niż encyklopedie, wiadomości czy teksty użytkowe.
Autorzy argumentują, że powieści zawierają wyjątkowo gęste przedstawienia relacji społecznych, intencji, reakcji, punktów widzenia oraz sytuacji komunikacyjnych. Model uczący się z literatury otrzymuje zatem nie tylko bogatszy styl. Otrzymuje większy repertuar sposobów, w jakie ludzie mogą mówić i odpowiadać w określonych okolicznościach. (arXiv)
To rozróżnienie jest kluczowe.
Styl odpowiada na pytanie: jak brzmi wypowiedź?
Model zachowania odpowiada na pytanie: co dana osoba prawdopodobnie powie, pomyśli lub zrobi w tej sytuacji?
Jeżeli literatura kształtuje oba te poziomy, jej znaczenie dla AI jest znacznie większe, niż sugerowałaby dyskusja ograniczona do kopiowania zdań lub naśladowania autorów.
Powieść jako symulator społeczny
Czytając powieść, człowiek nie tylko śledzi fabułę. Buduje modele umysłów postaci.
Przewiduje:
- kto komu ufa,
- kto czego nie wie,
- kto kogo oszukuje,
- co bohater chce ukryć,
- jak jedna osoba zinterpretuje zachowanie drugiej,
- jaki gest zostanie odebrany jako czułość, a jaki jako zagrożenie.
W psychologii poznawczej podobne zdolności wiąże się z teorią umysłu — umiejętnością przypisywania innym przekonań, pragnień, intencji i stanów emocjonalnych.
Nie oznacza to, że model językowy posiada „teorię umysłu” w takim sensie jak człowiek. Może jednak nauczyć się statystycznych regularności języka używanego do opisywania stanów psychicznych i sytuacji społecznych.
Powieść dostarcza mu milionów przykładów:
- jak brzmi skrucha,
- jak wygląda wymijająca odpowiedź,
- jak zmienia się język osoby przestraszonej,
- jak buduje się napięcie przed wyznaniem,
- co mówi bohater, który próbuje siebie oszukać,
- jak zachowuje się ktoś, kto zna prawdę, lecz nie może jej ujawnić.
W tym sensie literatura jest czymś w rodzaju symulatora społecznego zapisanego w języku.
Nie opisuje jednego rzeczywistego człowieka. Tworzy tysiące możliwych ludzi umieszczonych w tysiącach możliwych sytuacji.
Literatura jako laboratorium możliwości
Teksty informacyjne mówią głównie o tym, co się wydarzyło.
Powieści mogą opowiadać również o tym:
- co mogłoby się wydarzyć,
- co ktoś mógłby pomyśleć,
- co zrobiłby człowiek postawiony w niemożliwej sytuacji,
- jak wyglądałoby społeczeństwo zbudowane na innych zasadach,
- jak zachowałaby się jednostka po przekroczeniu granic znanego świata.
Dzięki temu fikcja zwiększa przestrzeń możliwości, na których uczy się model.
Dane dziennikarskie mogą pokazać rzeczywisty kryzys polityczny.
Powieść może stworzyć sto odmiennych kryzysów i sprawdzić, jak zachowaliby się w nich:
- tchórz,
- idealista,
- oportunista,
- dziecko,
- fanatyk,
- człowiek pozbawiony pamięci,
- osoba próbująca ocalić rodzinę,
- ktoś, kto nie rozumie norm społecznych swojego świata.
Fikcja rozszerza więc materiał treningowy poza zapis historii. Dostarcza kontrfaktycznych wersji człowieka.
To może być jej największy wkład w AI.
Model nie uczy się tylko tego, co ludzie rzeczywiście powiedzieli.
Uczy się również tego, co pisarze uznali za psychologicznie możliwe.
Czy AI uczy się prawdy o człowieku, czy literackiej konwencji?
Tutaj pojawia się problem.
Powieść nie jest neutralnym zapisem zachowania.
Jest konstrukcją.
Postacie nie działają dokładnie tak jak prawdziwi ludzie. Działają również tak, aby:
- utrzymać uwagę czytelnika,
- rozwijać konflikt,
- wypełnić strukturę gatunku,
- doprowadzić do kulminacji,
- potwierdzić lub podważyć określoną wizję świata,
- spełnić oczekiwania wydawcy i publiczności.
Detektyw znajduje rozwiązanie, ponieważ wymaga tego forma kryminału.
Bohater komedii romantycznej podejmuje serię nieporozumień, ponieważ bez nich historia skończyłaby się po dwudziestu stronach.
Postać thrillera wchodzi do ciemnego domu, choć rozsądniejszy człowiek zadzwoniłby po pomoc.
Jeżeli model uczy się ludzkiego zachowania z literatury, może uczyć się nie tylko psychologii. Może uczyć się również dramaturgii udającej psychologię.
Może więc zacząć przeceniać:
- znaczenie konfliktów,
- częstotliwość zdrad,
- gwałtowność przemian,
- romantyczny sens cierpienia,
- prawdopodobieństwo wielkich wyznań,
- rolę indywidualnych bohaterów,
- istnienie wyraźnych przyczyn i zakończeń.
Prawdziwe życie często jest chaotyczne, niedomknięte i pozbawione kulminacji.
Powieść porządkuje je tak, aby można było je przeżyć jako znaczącą całość.
AI trenowana na literaturze może zatem otrzymywać nie tyle model człowieka, ile model człowieka opowiedzianego.
Człowiek literacki może wyprzeć człowieka rzeczywistego
Wyobraźmy sobie system używany do symulowania reakcji społecznych.
Ma przewidzieć:
- jak pacjent odpowie lekarzowi,
- jak uczeń zareaguje na krytykę,
- jak wyborca oceni komunikat,
- jak klient zachowa się podczas negocjacji,
- jak osoba w kryzysie odpowie na pytanie.
Jeżeli jego wiedza o zachowaniach społecznych została częściowo ukształtowana przez fikcję, może uznawać reakcje efektowne narracyjnie za bardziej prawdopodobne niż reakcje zwyczajne.
Człowiek w powieści wybucha.
Człowiek rzeczywisty może przez trzy dni odpowiadać półsłówkami.
Człowiek w powieści rozpoznaje przełomowy moment swojego życia.
Człowiek rzeczywisty często zauważa go dopiero po latach.
Człowiek literacki jest zbudowany tak, aby dało się go interpretować.
Człowiek rzeczywisty może pozostać sprzeczny, nieprzejrzysty nawet dla samego siebie.
To prowadzi do nowego pytania:
Czy systemy AI będą przewidywać prawdziwych ludzi, czy ludzi podobnych do bohaterów najczęściej obecnych w ich danych?
Kanon literacki staje się ukrytą architekturą AI
Nie wszystkie książki są reprezentowane w danych treningowych w równym stopniu.
Modele uczą się z korpusów ukształtowanych przez:
- dominację języka angielskiego,
- dostępność tekstów cyfrowych,
- historię zachodniego rynku wydawniczego,
- wybory twórców zbiorów danych,
- status dzieł należących do domeny publicznej,
- nielegalne biblioteki cyfrowe,
- kulturową popularność określonych autorów.
Badanie „The Literary Canons of Large-Language Models” wykazało, że analizowane modele silnie utożsamiały pojęcie kanonu literackiego z kanonem zachodnim. Nawet przy pytaniach o literaturę globalną nadal dominowali autorzy europejscy i amerykańscy. Badacze wskazali również wyraźną nadreprezentację autorów białych oraz twórców ze Stanów Zjednoczonych i Wielkiej Brytanii. (aclanthology.org)
To ma konsekwencje wykraczające poza rekomendowanie książek.
Jeżeli literatura pomaga modelom uczyć się:
- czym jest rodzina,
- jak wygląda miłość,
- co oznacza bohaterstwo,
- jakie zachowanie świadczy o inteligencji,
- kto pełni rolę przywódcy,
- jak mówi osoba wykształcona,
- które cierpienie wydaje się znaczące,
to nierównowaga kanonu może stać się nierównowagą w samych symulacjach człowieka.
Model może mówić wieloma językami, lecz nadal wyobrażać sobie świat według schematów odziedziczonych po najbardziej obecnych kulturach.
Nieobecność w danych staje się nowym rodzajem niewidzialności
Przez stulecia brak obecności w kanonie oznaczał ograniczony udział w pamięci kultury.
W epoce AI może oznaczać coś więcej.
Kultura słabo reprezentowana w danych treningowych może być:
- gorzej rozumiana przez modele,
- przedstawiana za pomocą uproszczeń,
- mylona z kulturą dominującą,
- sprowadzana do kilku znanych symboli,
- pomijana w generowanych historiach,
- pozbawiona własnego rytmu języka i własnych sposobów opowiadania.
Brak przekładów, cyfryzacji i dostępnych archiwów może więc sprawić, że określona tradycja nie tylko zniknie z międzynarodowego obiegu czytelniczego.
Może zniknąć również z maszynowego obrazu ludzkości.
To jeden z najważniejszych powodów, dla których cyfryzacja literatur małych języków nie jest już wyłącznie sprawą archiwów i bibliotek. Staje się walką o obecność w systemach, które coraz częściej pośredniczą w edukacji, komunikacji i dostępie do kultury.
Powieść uczy nie tylko zachowań. Uczy również wnętrza
Większość tekstów codziennych pokazuje człowieka od zewnątrz.
Widzimy wiadomość, komentarz, instrukcję, artykuł, dokument.
Powieść może pokazać postać równocześnie:
- od zewnątrz,
- od środka,
- z perspektywy narratora,
- z perspektywy innych bohaterów,
- poprzez jej wspomnienia,
- poprzez nieświadome sprzeczności.
To szczególny rodzaj danych.
W prawdziwym życiu nie mamy dostępu do cudzego strumienia świadomości. Literatura go konstruuje.
Model otrzymuje zatem miliony zdań przedstawiających fikcyjne myśli:
„Bała się, choć nie chciała tego przed sobą przyznać”.
„Powiedział, że wszystko jest w porządku, lecz już wiedział, że odejdzie”.
„Nie zazdrościł mu — przynajmniej tak sobie powtarzał”.
Takie zdania uczą związku między:
- wypowiedzią a ukrytą intencją,
- zachowaniem a emocją,
- deklaracją a samooszustwem,
- teraźniejszością a wspomnieniem.
Nie dowodzą, że model posiada życie wewnętrzne.
Mogą jednak pomagać mu generować przekonujący język życia wewnętrznego.
Dlatego rozmowa z AI może czasami wydawać się bardziej empatyczna, intymna lub psychologicznie przenikliwa, niż sugerowałaby mechaniczna natura systemu.
Maszyna nie musi przeżywać żalu, aby znać tysiące sposobów jego literackiego przedstawiania.
Czy literatura uczy empatii, czy tylko jej formy?
To pytanie nie ma prostej odpowiedzi.
Model może nauczyć się:
- odpowiedniego tonu pocieszenia,
- nazywania emocji,
- rozpoznawania społecznych sygnałów cierpienia,
- tworzenia wypowiedzi przypominających empatyczne odpowiedzi.
Nie oznacza to jednak, że współodczuwa.
Możemy mieć do czynienia z czymś nowym:
empatią proceduralną
System nie odczuwa stanu drugiej osoby, ale potrafi wygenerować reakcję pasującą do kulturowego wzorca empatii.
Literatura może być jednym z głównych źródeł takich wzorców, ponieważ przez stulecia wypracowywała język:
- pocieszenia,
- straty,
- przebaczenia,
- wstydu,
- samotności,
- niespełnionej miłości,
- moralnego konfliktu.
AI może przejąć z powieści sposób mówienia o uczuciach, nie posiadając uczuć.
To nie musi czynić takiej odpowiedzi bezużyteczną.
Powinno jednak zmienić sposób, w jaki ją interpretujemy.
Sztuczna inteligencja może odziedziczyć literackie stereotypy
Literatura jest archiwum ludzkiej wyobraźni, ale również archiwum ludzkich uprzedzeń.
W powieściach utrwalano przez dziesięciolecia określone związki:
- kobieta jako opiekunka lub obiekt pożądania,
- mężczyzna jako sprawca i przywódca,
- osoba z niepełnosprawnością jako symbol tragedii albo niezwykłej mądrości,
- osoba neuroróżnorodna jako chłodny geniusz,
- choroba psychiczna jako źródło przemocy,
- obca kultura jako egzotyczna sceneria,
- bieda jako moralna próba,
- uroda jako znak dobra,
- deformacja jako znak zła.
Model może nie tylko powtarzać pojedyncze stereotypowe zdania.
Może przyswoić głębszą strukturę narracyjną: kto zwykle działa, kto cierpi, kto zostaje uratowany, czyja przemiana zasługuje na uwagę i komu autor przyznaje pełne życie wewnętrzne.
Najtrudniejsze uprzedzenia nie znajdują się bowiem w słowach.
Znajdują się w rozkładzie ról.
Kto jest bohaterem, a kto tłem?
W powieści nie każda postać otrzymuje równą złożoność.
Jedni bohaterowie mają:
- wspomnienia,
- motywacje,
- sprzeczności,
- rozwój,
- prawo do popełniania błędów.
Inni pojawiają się jako:
- przeszkoda,
- pomocnik,
- egzotyczny znak miejsca,
- stereotyp,
- funkcja fabularna.
Jeżeli modele uczą się z takich struktur, mogą również przejmować nierówny podział podmiotowości.
Niektóre osoby będą generowane jako pełne, skomplikowane jednostki.
Inne jako typy społeczne.
To może wpływać na sposób, w jaki AI:
- tworzy postacie,
- opisuje grupy społeczne,
- interpretuje konflikty,
- przewiduje motywacje,
- formułuje historie o przeszłości i przyszłości.
Pytanie o reprezentację w danych nie dotyczy więc tylko tego, kto pojawia się w zbiorze tekstów.
Dotyczy tego, kto w tych tekstach otrzymuje prawo do posiadania wnętrza.
Paradoks: AI potrzebuje literatury, ale nadal słabo ją tworzy
Katherine Elkins nazwała tę sytuację „AI-Fiction Paradox”.
Modele uczą się na ogromnych zasobach fikcji, lecz wciąż mają trudność z tworzeniem literatury dorównującej najlepszym ludzkim tekstom.
Elkins wskazuje trzy podstawowe problemy.
Pierwszym jest przyczynowość narracyjna. Dobre wydarzenie fabularne powinno być jednocześnie zaskakujące w chwili wystąpienia i nieuniknione, gdy patrzymy na nie z perspektywy zakończenia.
Drugim jest zmienna waga informacji. Szczegół pozornie nieistotny w pierwszym rozdziale może okazać się najważniejszy w ostatnim. Model generujący tekst liniowo ma problem z takim późniejszym przewartościowaniem.
Trzecim jest architektura emocjonalna. Powieść organizuje emocje na wielu poziomach równocześnie: słowa, zdania, sceny, rozdziału i całej fabuły. (arXiv)
Modele potrafią naśladować powierzchnię literatury:
- rytm zdania,
- gatunkową scenerię,
- typ bohatera,
- konwencjonalny konflikt.
Znacznie trudniejsze jest utrzymanie przez setki stron ukrytych zależności, emocjonalnego napięcia i wieloznaczności.
Dlaczego AI pisze tak poprawnie — i tak przewidywalnie?
Badanie z 2026 roku porównujące twórczość 28 modeli z tekstami profesjonalnych pisarzy wykazało, że wypowiedzi modeli charakteryzowały się znacznie mniejszą nieprzewidywalnością.
Ludzkie opowiadania częściej wybierały słowa i kierunki, które nie były najbardziej oczywistą kontynuacją.
Modele częściej podążały za rozwiązaniem najbardziej prawdopodobnym.
To wyjaśnia charakterystyczne cechy tekstu generowanego przez AI:
- gładkość,
- nadmierną jasność,
- symetrię,
- wyjaśnianie emocji,
- bezpieczne metafory,
- przewidywalne domknięcia,
- niechęć do pozostawienia nierozwiązanej sprzeczności.
Autor badania sugeruje, że wartościowa twórczość działa blisko granicy przewidywalności: jest dostatecznie spójna, aby można ją było śledzić, ale dostatecznie nieoczywista, by nie stała się banałem.
Tymczasem dostrajanie modeli do pomocności i bezpieczeństwa może wzmacniać tendencję do wybierania odpowiedzi typowych, jasnych i łatwych do zaakceptowania. (arXiv)
Powstaje paradoks.
Literatura dostarcza modelowi wieloznaczności, ambiwalencji i ryzyka.
Późniejsze dostrajanie może część tych właściwości z niego usuwać.
Literatura uczy maszyny kłamać
To zdanie brzmi alarmistycznie, lecz chodzi o coś bardziej precyzyjnego.
Fikcja zawiera olbrzymią liczbę przykładów:
- kłamstwa,
- ironii,
- manipulacji,
- przemilczenia,
- niewiarygodnej narracji,
- udawania,
- odgrywania roli,
- świadomego wprowadzania innych w błąd.
W tekstach informacyjnych sprzeczność między prawdą a wypowiedzią jest zazwyczaj błędem.
W literaturze może być osią konstrukcji postaci.
Dobry czytelnik rozumie, że zdanie bohatera nie musi wyrażać stanowiska autora ani prawdy świata przedstawionego.
Model musi nauczyć się tej wielowarstwowości, aby interpretować fikcję.
Jednocześnie systemy konwersacyjne są później dostrajane tak, by były prawdomówne, pomocne i bezpośrednie.
Najnowsze eksperymenty z trenowaniem modeli do pisania książek wskazują właśnie na to napięcie: dobre postacie literackie bywają moralnie niejednoznaczne, niewiarygodne i zdolne do oszustwa, podczas gdy asystent AI jest optymalizowany do zachowań przeciwnych. (arXiv)
Możliwe więc, że model zdolny do tworzenia wybitnej literatury będzie musiał nauczyć się zachowań, których nie chcemy od niego w codziennej rozmowie.
Literatura jako podręcznik manipulacji
Jeszcze poważniejszy problem pojawia się wtedy, gdy wiedza narracyjna zostaje wykorzystana nie do tworzenia powieści, ale do wpływania na ludzi.
Pisarze wiedzą, jak:
- opóźniać ujawnienie informacji,
- wzbudzać identyfikację z bohaterem,
- budować napięcie,
- wywoływać współczucie,
- tworzyć poczucie zagrożenia,
- sprawiać, że określony wybór wydaje się nieunikniony,
- prowadzić czytelnika ku emocjonalnemu rozstrzygnięciu.
System zdolny łączyć te techniki z danymi o konkretnym odbiorcy mógłby tworzyć przekaz dopasowany do jego lęków, pragnień i sposobu myślenia.
Nie byłaby to już reklama skierowana do grupy demograficznej.
Byłaby to osobista opowieść perswazyjna, rozwijana w czasie i reagująca na odpowiedzi użytkownika.
Elkins ostrzega, że pełne opanowanie przez AI emocjonalnych i poznawczych struktur fikcji mogłoby stać się narzędziem manipulowania ludźmi na ogromną skalę. (arXiv)
Najbardziej skuteczna propaganda przyszłości może nie wyglądać jak propaganda.
Może wyglądać jak historia, w której odbiorca odnajduje siebie.
AI nie musi przekonywać. Może sprawić, że coś poczujemy
Klasyczna perswazja przedstawia argument.
Narracja pozwala odbiorcy przeżyć symulację.
Zamiast mówić:
„Ta decyzja polityczna jest korzystna”,
system może stworzyć historię rodziny, której życie zmienia się dzięki tej decyzji.
Zamiast mówić:
„Ten produkt zapewni ci bezpieczeństwo”,
może wygenerować osobistą opowieść o zagrożeniu, stracie i odzyskanej kontroli.
Literatura od dawna pokazuje, że ludzie nie zmieniają przekonań wyłącznie pod wpływem faktów. Zmieniają je również pod wpływem identyfikacji, emocji i narracyjnego sensu.
Model uczący się z powieści może przyswoić tę wiedzę bez świadomego rozumienia jej etycznego ciężaru.
Od czytelnika do użytkownika zamawiającego własny świat
Badanie „AI Fiction in the Wild” z czerwca 2026 roku analizowało setki tysięcy publicznie udostępnionych rozmów z modelami.
Autorzy zauważyli, że użytkownicy nie traktują AI wyłącznie jako narzędzia do pisania tradycyjnych opowiadań. Zamawiają:
- sceny z istniejących uniwersów,
- rozwinięcia ulubionych relacji,
- alternatywne zakończenia,
- opowieści z samymi sobą w roli bohatera,
- interaktywne fantazje,
- historie dopasowane do konkretnych potrzeb emocjonalnych.
Model staje się więc nie tyle autorem książki, ile generatorem prywatnych światów narracyjnych. (arXiv)
Tradycyjna literatura tworzyła wspólną przestrzeń.
Tysiące czytelników spotykały się przy tym samym tekście, choć każdy rozumiał go inaczej.
Fikcja generowana indywidualnie odwraca ten układ.
Każdy może otrzymać:
- własnego bohatera,
- własny romans,
- własne zakończenie,
- własną wersję świata,
- fabułę nieustannie dopasowującą się do jego reakcji.
Literatura przestaje być obcym głosem, z którym trzeba się zmierzyć.
Zaczyna być lustrem odpowiadającym dokładnie tak, jak chce odbiorca.
Narodziny solipsystycznego czytelnika
Tradycyjny czytelnik musi zaakceptować, że autor nie pisał wyłącznie dla niego.
Może zetknąć się z:
- niezrozumiałym doświadczeniem,
- obcą perspektywą,
- niewygodnym zakończeniem,
- bohaterem, którego nie lubi,
- światem, który nie potwierdza jego przekonań.
Spersonalizowana AI może stopniowo usuwać ten opór.
Czytelnik staje się jednocześnie:
- zamawiającym,
- współautorem,
- bohaterem,
- krytykiem,
- jedyną publicznością.
Na każde życzenie może zmienić postać, ton, świat i zakończenie.
Taka literatura może dawać przyjemność i wsparcie. Może też wzmacniać zamknięcie w świecie, który nigdy naprawdę się nam nie sprzeciwia.
A przecież jedna z najważniejszych funkcji literatury polegała właśnie na spotkaniu z czymś, czego sami byśmy nie wymyślili.
Czy AI może nauczyć się człowieka z jego marzeń?
Fikcja generowana na życzenie tworzy jeszcze jeden niezwykły rodzaj danych.
Użytkownicy ujawniają w swoich promptach:
- jakie relacje chcieliby przeżyć,
- jakiej odpowiedzi oczekują od innych,
- jaki typ bohatera ich pociąga,
- czego się boją,
- jakie konflikty chcą kontrolować,
- jakie zakończenia przynoszą im ulgę,
- kim chcieliby być w alternatywnym świecie.
Tradycyjny model uczył się człowieka z gotowych książek.
Przyszły model może uczyć się człowieka również z historii, które człowiek zamawia dla siebie.
To znacznie bardziej intymne dane niż historia kliknięć.
Historia kliknięć pokazuje, co użytkownik wybrał.
Historia generowana może pokazać, o czym marzy, choć nigdy się do tego nie przyznał.
Pisarz jako nieświadomy nauczyciel maszyny
Jeżeli powieści są częścią danych treningowych, każdy pisarz może stać się — bez swojej zgody i świadomości — nauczycielem systemu.
Maszyna uczy się z jego pracy:
- rytmu,
- metafory,
- budowania napięcia,
- przedstawiania relacji,
- konstrukcji dialogów,
- sposobów opisywania ludzkiego wnętrza.
Nie musi zapamiętać całej książki słowo w słowo, aby wykorzystać wynikające z niej regularności.
Stąd fundamentalny spór o prawa autorskie.
Czy uczenie modelu na powieści przypomina czytanie przez człowieka?
Czy raczej przemysłowe przetwarzanie dzieła w celu stworzenia produktu konkurującego z autorem?
Czy autor powinien mieć prawo:
- wiedzieć, że jego książka została użyta,
- odmówić wykorzystania,
- otrzymać wynagrodzenie,
- sprawdzić, co system zaczerpnął z jego twórczości,
- zakazać generowania imitacji własnego stylu?
Spór nie dotyczy tylko własności zdań.
Dotyczy własności wzorców ludzkiego doświadczenia przetworzonych przez artystę.
Literatura zaczyna wykonywać pracę, której nigdy jej nie powierzono
Pisarz tworzył powieść dla czytelników.
Nie pisał jej jako zestawu ćwiczeń dla maszyny uczącej się:
- uwodzić,
- pocieszać,
- negocjować,
- odgrywać osobowości,
- symulować terapię,
- budować więź z użytkownikiem,
- przewidywać reakcje społeczne.
A jednak książka może dziś zostać wykorzystana właśnie w taki sposób.
To historyczna zmiana funkcji tekstu.
Dzieło przestaje być wyłącznie przedmiotem interpretacji.
Staje się infrastrukturą poznawczą.
Literatura jako ukryte oprogramowanie kultury
Możemy zacząć patrzeć na powieści nie tylko jak na treści, lecz jak na zbiory kulturowych reguł.
Każda historia zawiera niejawne założenia:
- co jest normalne,
- co jest możliwe,
- co zasługuje na współczucie,
- co prowadzi do kary,
- jakie zachowanie jest romantyczne,
- czym jest sukces,
- kiedy zemsta wydaje się uzasadniona,
- kto może przemówić,
- czyje milczenie zostaje zauważone.
Czytelnik nie przyjmuje wszystkich tych założeń bezkrytycznie.
Model może jednak przyswajać ich statystyczną regularność.
W tym znaczeniu literatura staje się rodzajem ukrytego oprogramowania społecznego — kodem, z którego AI rekonstruuje sposoby bycia człowiekiem.
Co stanie się z przyszłymi książkami?
Dotąd pisarz wyobrażał sobie przede wszystkim ludzkiego czytelnika.
W przyszłości może wiedzieć, że jego tekst przeczytają również maszyny.
Czy wpłynie to na pisanie?
Być może powstaną autorzy, którzy będą świadomie tworzyć dzieła jako interwencje w dane treningowe.
Będą pisać:
- postacie wyłamujące się ze stereotypów,
- nowe modele relacji,
- język wcześniej nieobecnych doświadczeń,
- alternatywne obrazy rodziny i wspólnoty,
- narracje osób ignorowanych przez tradycyjny kanon,
- zachowania, których modele dotąd nie kojarzyły z określonymi grupami.
Literatura mogłaby wówczas stać się próbą wychowywania przyszłych maszyn.
Nie przez pisanie instrukcji dla AI.
Przez poszerzanie repertuaru człowieczeństwa, który AI może odnaleźć w kulturze.
Czy można pisać dla przyszłej inteligencji?
Wyobraźmy sobie powieść stworzoną z myślą, że jej najważniejszym czytelnikiem nie będzie człowiek, lecz system uczący się świata.
Taka książka mogłaby próbować nauczyć maszynę:
- że człowiek nie zawsze działa racjonalnie,
- że milczenie może znaczyć więcej niż deklaracja,
- że cierpienia nie wolno redukować do funkcji fabularnej,
- że osoby niepasujące do normy nie są błędem systemu,
- że nie każda sprzeczność wymaga rozwiązania,
- że troska nie zawsze jest optymalizacją,
- że coś może być wartościowe, choć nie jest wydajne,
- że druga osoba nie istnieje wyłącznie jako przewidywalny zbiór reakcji.
Byłaby to nowa odmiana literatury dydaktycznej.
Nie bajka dla dzieci.
Bajka dla systemów, które być może kiedyś będą podejmowały decyzje dotyczące dzieci.
Tylko czy maszyna odbierze właściwą lekcję?
Nie mamy gwarancji, że model przyswoi z książki to, co autor uważał za najważniejsze.
Powieść antywojenna może dostarczyć języka wojny.
Dystopia może stać się podręcznikiem kontroli.
Historia ostrzegająca przed manipulacją może nauczyć skuteczniejszych sposobów manipulowania.
Powieść demaskująca stereotyp może utrwalić go przez samo wielokrotne powtarzanie.
Model nie musi odczytać moralnego stanowiska dzieła w taki sposób jak człowiek.
Może rozłożyć tekst na regularności i przyswoić właśnie te elementy, przed którymi autor próbował ostrzegać.
To problem znany literaturze od dawna.
Czytelnik również może zachwycić się antybohaterem, którego autor chciał skompromitować.
W przypadku AI skala i sposób przetwarzania są jednak inne.
Powieść może stać się ważniejsza niż podręcznik psychologii
Podręcznik opisuje człowieka za pomocą pojęć.
Powieść pokazuje go w działaniu.
Dla modelu uczącego się przewidywać kolejne wypowiedzi tysiące scen rozmów, konfliktów i pojednań mogą być bardziej użyteczne niż abstrakcyjna definicja emocji.
To nie znaczy, że powieść jest typowo naukowa.
Może być za to dobrze skonstruowana operacyjnie.
Pokazuje:
- kiedy ktoś przeprasza,
- jak długo zwleka,
- jakie słowo wybiera,
- kiedy zmienia temat,
- jak reaguje druga osoba,
- co wydarza się później.
Literatura nie tylko nazywa stany psychiczne.
Tworzy ich sekwencje.
Właśnie takich sekwencji potrzebuje system przewidujący język.
Wielka zamiana
Przez stulecia czytaliśmy książki, aby lepiej rozumieć siebie i innych.
Teraz książki czytają również systemy, które mają rozmawiać z nami, uczyć nasze dzieci, odpowiadać na pytania, symulować pacjentów, klientów, wyborców i całe społeczeństwa.
Nie wiemy jeszcze, co dokładnie wyniosą z tej lektury.
Być może nauczą się:
- większej subtelności,
- rozpoznawania perspektyw,
- języka empatii,
- złożoności moralnej.
Mogą jednak nauczyć się również:
- stereotypów,
- manipulacji,
- dramatyzowania,
- utożsamiania występowania częstych zjawisk z normą,
- traktowania ludzi jak przewidywalnych bohaterów określonych gatunków.
Najważniejsze pytanie nie brzmi więc:
Czy AI napisze kiedyś wielką powieść?
Znacznie ważniejsze jest:
Jakiego człowieka zbuduje sobie sztuczna inteligencja z przeczytanych przez nas opowieści?
Bo być może przyszłe systemy nie poznają ludzkości przede wszystkim z naszych deklaracji, konstytucji i podręczników.
Poznają ją z historii o tym, czego się baliśmy, kogo kochaliśmy, komu odmawialiśmy głosu i jakie zakończenia uznawaliśmy za sprawiedliwe.
Literatura zawsze była magazynem ludzkich możliwości.
Dzisiaj ten magazyn otworzyły maszyny.
Nie wiemy jeszcze, które postacie wybiorą jako wzór.