Drugi przełom nominalistyczny a dane w erze AI

Czy dane mogą zastąpić rozumienie rzeczywistości? Sprawdzamy, co drugi przełom nominalistyczny oznacza dla dużych modeli językowych i ich użytkowników.

Drugi przełom nominalistyczny to zjawisko, w którym nauka i technologia coraz częściej rezygnują z budowania wyjaśnień na rzecz analizy wielkich zbiorów danych. Najlepiej widać je dziś w dużych modelach językowych (LLM), których możliwości wynikają z ogromnych zasobów tekstu, a nie z rozbudowanych teorii o świecie.

Skąd wzięła się idea nominalizmu?

Spór o to, czy pojęcia ogólne istnieją realnie, czy są jedynie nazwami, sięga średniowiecza. W XIII wieku dominowały racjonalizm i realizm, których najwybitniejszym przedstawicielem był św. Tomasz z Akwinu. W XIV wieku pojawiła się via moderna, czyli nowa droga, która stanęła naprzeciw dawnej via antiqua. Jej czołowym myślicielem był Wilhelm Ockham.

Poglądy Ockhama opisuje Władysław Tatarkiewicz w „Historii filozofii”. Według tego opisu Ockham bronił nominalizmu, woluntaryzmu i fideizmu oraz odrzucał arystotelesowską zasadę przyczynowości. Interpretację jego stanowiska przedstawił Étienne Gilson.

Epoka	Nurt	Kluczowa postać	Główna teza
XIII wiek	Racjonalizm i realizm	św. Tomasz z Akwinu	Pojęcia ogólne mają oparcie w rzeczywistości
XIV wiek	Via moderna	Wilhelm Ockham	Nominalizm, odrzucenie arystotelesowskiej przyczynowości
Lata 70. XX wieku	Podejście oparte na danych	Brak jednej postaci	Rezygnacja z hipotez wyjaśniających

Czym był pierwszy przełom i co go poprzedziło?

Pierwszy przełom, opisany przez prof. Koronackiego w książce „Między obłędem a trwaniem”, miał miejsce w latach 70. XX wieku. Wtedy badacze po raz pierwszy odnieśli sukces, opierając się bezpośrednio na danych zamiast na modelach wyjaśniających zjawiska. Zakres tego podejścia był szeroki: obejmował dane astronomiczne, geologiczne, medyczne i finansowe.

Filozoficzne tło tej zmiany omawia Jude P. Dougherty w pracy „The Nature of Scientific Explanation” z 2013 roku. Ten kontekst pokazuje, że spór o wyjaśnianie świata trwa od ponad sześciuset lat, a nie od momentu pojawienia się AI.

Dlaczego duże modele językowe wracają do tego sporu?

LLM-y działają na podstawie zasobów tekstowych, które zgromadzono na serwerach. To, co model „wie”, jest więc efektem statystycznej obróbki danych, a nie zrozumienia mechanizmów świata. Wśród firm, które kształtują ten rozwój, wymienia się Google i OpenAI. W kontekście tej debaty wspomina się także esej Jakuba Pachockiego z OpenAI.

Pytanie prof. Koronackiego nie dotyczy wyłącznie filozofów. Dotyczy tego, czy model, który przewiduje kolejne słowa lub wyniki na podstawie korelacji, może zastąpić wyjaśnienie, dlaczego coś się dzieje.

Co to oznacza dla Ciebie?

Jeśli korzystasz z narzędzi AI w pracy, nauce lub biznesie, traktuj odpowiedzi modeli jak wynik analizy statystycznej, a nie jak potwierdzoną wiedzę. Warto sprawdzać źródła, pytać o podstawy odpowiedzi i zachowywać własny osąd, szczególnie w decyzjach o dużej wadze.

Dla zespołów badawczych i menedżerów oznacza to konieczność równowagi: dane są potężnym narzędziem, ale bez hipotez i wyjaśnień łatwo pomylić korelację z przyczyną. Historia od XIV wieku pokazuje, że spór o to, co wystarcza do poznania świata, wraca za każdym razem, gdy pojawia się nowa, silna technologia.