System AI jako otwarty układ termodynamiczny

Jak tworzyć i utrzymywać systemy IT w dobie AI

Przez dziesięciolecia systemy informatyczne postrzegano jako narzędzia ściśle deterministyczne. Pojawienie się zaawansowanych modeli LLM zburzyło tę przewidywalność, wprowadzając zjawisko halucynacji, które przenosi niepewność wyników na całe systemy IT. Halucynacja nie jest formą wiedzy, lecz statystyczną rekonstrukcją struktury językowej dążącą do minimalizacji lokalnej entropii. Co więcej, rekonstrukcja ta nie odbywa się w próżni, ale uwzględnia charakter ludzkiej natury z całym dobrodziejstwem jej inwencji, ale i ciężarem błędów poznawczych. W tym ujęciu halucynacja staje się swoistą mimikrą: model, dążąc do spójności, naśladuje ludzki sposób argumentacji tak przekonująco, że granica między informacją a jej statystycznym pozorem ulega zatarciu.

W niniejszym artykule proponuję podejście, w którym system IT traktowany jest jako otwarty układ termodynamiczny podlegający prawom fizyki informacji. Analizuję ewolucję pojęć od silnika parowego Carnota po Zasadę Landauera, by dowieść, iż przetwarzanie informacji zawsze wiąże się z kosztem energetycznym i wzrostem nieuporządkowania. Kluczowym elementem propozycji jest wdrożenie „Agentów-Demonów Maxwella” w cykl życia oprogramowania od definiowania wymagań, programowanie, aż po automatyczny monitoring systemu i jego rozwój, co pozwala na redukcję entropii na każdym etapie. Dzięki temu możliwe jest precyzyjne zaplanowanie kompromisu między trafnością informacji a kosztami stworzenia, utrzymania i rozwoju systemu.

Halucynacja jako rekonstrukcja brakującej informacji

Model rekonstruuje tylko konstrukcje językowe na podstawie wzorców statystycznych, których wcześniej został nauczony. Jeśli w kontekście pojawia się brak danych lub kontekst jest niejednoznaczny, to model wypełnia lukę informacją, która według niego zapewnia najbardziej stabilną strukturę językową, minimalizując w ten sposób entropię i nie ma to nic wspólnego z pojęciem wiedzy.

Nieodłączną częścią dużych modeli językowych (LLM) są halucynacje. Podczas generowania odpowiedzi AI potrafi czasami stworzyć pozornie sensowne, lecz nieprawdziwe lub niezweryfikowane informacje, które przedstawiane są z dużą pewnością co do ich prawdziwości. Model AI bowiem nie wie co jest prawdą, a co jest fałszem. Nie jest bazą wiedzy, nie zna faktów. Przykładowo w przypadku zdania „stolicą Polski jest …” słowo „Warszawa” pojawi się nie dlatego, że model posiada tą wiedzę, ale jest to najczęściej występujące słowo w tym kontekście w danych treningowych. Rekonstruuje on tylko konstrukcje językowe na podstawie wzorców statystycznych, których wcześniej został nauczony. Jeśli w kontekście pojawia się brak danych lub kontekst jest niejednoznaczny, to model wypełnia lukę informacją, która według niego zapewnia najbardziej stabilną strukturę językową, minimalizując w ten sposób entropię i nie ma to nic wspólnego z pojęciem wiedzy.

Mimikra. Gdy statystyka udaje człowieka

Model nie tylko wypełnia luki, ale robi on to w sposób „ludzki”. Przejmuje naszą retorykę, błędy poznawcze, a nawet skłonność do konfabulacji w celu zachowania spójności narracji. Mimikra sprawia, że halucynacja nie jest chaotycznym ciągiem znaków, lecz przekonującą, profesjonalnie brzmiącą odpowiedzią. Z perspektywy termodynamicznej model wybiera ścieżkę najmniejszego oporu, łatwiej i taniej jest wygenerować statystycznie prawdopodobne naśladownictwo, niż przyznać się do braku danych, co z punktu widzenia struktury języka byłoby stanem o wyższej entropii (przerwaniem ciągłości wzorca).

Należy zaznaczyć, iż owa mimikra wykracza poza czystą stylistykę czy gramatykę. Modele AI, ucząc się na gigantycznych zbiorach ludzkich wypowiedzi, nieświadomie przejmują i odtwarzają kondycję psychiczną człowieka. Halucynacje stają się nośnikiem ludzkich uprzedzeń, lęków i błędów poznawczych. Model, dążąc do minimalizacji lokalnej entropii, wybiera matematycznie optymalne rozwiązanie, lecz jest ono „statystycznie ludzkie”. W ten sposób do systemów IT przenika nie tylko losowość (rzut kością), ale wręcz antropomorficzna niestabilność. System może podjąć błędną decyzję nie dlatego, że zabrakło mu danych, ale dlatego, że w procesie mimikry powielił ludzki schemat irracjonalnego myślenia.

Gra w kości, czyli wpływ halucynacji na systemy IT

Wyobraźmy teraz sobie, że w tym deterministycznym świecie przy obliczeniach i przy podejmowaniu decyzji rzucamy dodatkowo kostką do gry. Jeśli wypadnie 6 oczek, to wynik obliczeń zmieniamy o losową wartość. W ten sposób losowo wpływamy na działanie systemu, który dla tych samych danych wejściowych potrafi zwrócić różne wyniki lub wykonać inne działania.

W systemach gdzie modele AI służą nie tylko do przetwarzania informacji tekstowych, ale przede wszystkim do podejmowania decyzji na podstawie danych i kontekstu, halucynacje są niepożądane, gdyż wprowadzają element losowości na etapie podejmowania decyzji.

Zjawisko to staje się jednak jeszcze bardziej krytyczne, gdy „gra w kości” przenosi się z fazy działania systemu do fazy jego tworzenia. W nowoczesnych cyklach wytwórczych, gdzie agenci AI odpowiadają za 95% kodu, projektowanie logiki czy tworzenie testów, halucynacja może stać się ukrytą wadą konstrukcyjną. Jeśli agent AI, ulegając mimikrze, wygeneruje wymaganie lub fragment kodu, które wyglądają na potrzebne, profesjonalne i optymalne, ale w rzeczywistości opierają się na nieistniejących lub błędnych założeniach logicznych, entropia zostaje wbudowana bezpośrednio w fundamenty systemu. W takim scenariuszu niepewność przestaje dotyczyć tylko odpowiedzi modelu, a zaczyna dotyczyć samej integralności oprogramowania i realizowanych funkcji. Bez rygorystycznego nadzoru wyspecjalizowanych „Demonów Maxwella” na etapie produkcji, system staje się kruchą strukturą, w której błędy wynikające z halucynacji mogą kaskadowo narastać, czyniąc proces debugowania i utrzymania ekstremalnie kosztownym.

System IT jako otwarty układ termodynamiczny

Powstała przed rozwojem fizyki atomowej i molekularnej, a jej zasady pozwalają opisać procesy energetyczne na dużą skalę, co jest wystarczające do rozwoju techniki i inżynierii, np. budowy maszyn parowych, bez potrzeby rozumienia, co dzieje się na poziomie atomów.

Podobnie jest z systemem informatycznym. Nie musimy wiedzieć dokładnie jak jest skonstruowane oprogramowanie. Monitoruje się go na poziomie makroskopowym, zbierając dane o ogólnej wydajności i zachowaniu, bez konieczności śledzenia każdego pojedynczego cyklu procesora czy zmian w poszczególnych bajtach danych.

W termodynamice w zależności od interakcji z otoczeniem mamy do czynienia z układem izolowanym, zamkniętym lub otwartym:

• układ izolowany nie wymienia materii ani energii z otoczeniem,
• układ zamknięty może wymieniać energię, doświadczać sił i wywierać siły, ale nie może wymieniać materii,
• układ otwarty może natomiast oddziaływać z otoczeniem poprzez wymianę zarówno energii, jak i materii.

System informatyczny, w szczególności wykorzystujący modele AI do przetwarzania informacji, jest układem otwartym. Dostarczamy dane (informacje) z zewnątrz i energię do ich przetwarzania, a rezultat zostaje przesłany na zewnątrz. Entropia jest związana z danymi oraz modelami. Co więcej, doświadczamy dryfu danych i modeli, tworzone są zupełnie nowe dane, a same modele się starzeją, więc rezultat ich pracy staje się coraz mniej pewny.

Można zadać pytanie, czy taka analogia jest uprawniona? Jak wirtualna informacja ma się do fizycznych bytów i fizycznych praw? Czy informacja jest związana z energią i entropią? Czy może jednak mamy do czynienia tylko z metafizyką?

Fizyka informacji

Obecnie fizyka informacji, a zwłaszcza kwantowa teoria informacji jest jedną z najszybciej rozwijających się dziedzin fizyki. Historia powstania fizyki informacji jest tak fascynująca, wielowątkowa i skomplikowana, że można jej poświęcić całą książkę. Postaram się jednak w dużym skrócie przedstawić jak powstała ta koncepcja, w której zanurzone są modele uczenia maszynowego, AI i systemy informatyczne. Będę także bardzo oszczędnie operował wzorami, odsyłając do źródeł, ale bez kilku kluczowych równań nie może się obejść, choć będzie to raczej na zasadzie analizy podobieństwa między obrazami.

Od silnika parowego do termodynamiki i entropii

Ten postulat wkrótce został nazwany entropią przez niemieckiego fizyka i matematyk Rudolfa Clausiusa, który w latach 1854-1865 wprowadził koncepcję nieodwracalnej utraty ciepła w układzie termodynamicznym. Sformułował również drugą zasadę termodynamiki: entropia w zamkniętym układzie nie maleje.

Demon Maxwella

Hipotetyczna istota zwana demonem, sortuje cząsteczki gazu przepuszczając je przez otwór, tak by oddzielić szybkie (gorące) od wolnych (zimnych). W ten sposób Demon Maxwella tworzy różnicę temperatur bez wykonywania pracy, co pozornie łamie drugą zasadę termodynamiki. Ścisłe rozwiązanie tego paradoksu zajęło naukowcom ponad 100 lat. To pierwszy punkt zwrotny w historii fizyki informacji.
(Obraz autorstwa User:Htkym – Praca własna, CC BY 2.5, https://commons.wikimedia.org/w/index.php?curid=1625737)

Od termodynamiki do mechaniki statystycznej

Łamiąc sobie głowy nad Demonem Maxwella fizycy, matematycy i inżynierowie jednocześnie rozwijali teorię termodynamiki. Amerykański inżynier i naukowiec J. Willard Gibbs zaproponował w 1876 roku ścisłe obliczenie ilości dostępnej (swobodnej) energii w układzie jako różnica energii całkowitej układu i straty energii spowodowanej entropią.

W 1877 austriacki matematyk i fizyk Ludwig Boltzmann opisał entropię w postaci statystyki wszystkich możliwych mikrostanów układu, uznając ją za miarę statystycznego nieuporządkowania. Prawdopodobnie to w tym momencie historii ma swoje źródło przekonanie, że entropia to chaos. Można ją zapisać jako:

$$ S = -k_B \ln\Omega, $$ gdzie $S$ to entropia, $k_B$ stała Boltzmanna, a $\Omega$ oznacza liczbę mikrostanów zgodnych z danym „makrostanem” układu.

W 1902 roku Gibbs rozwinął teorię Boltzmanna i wyprowadził prawa termodynamiki ze statystycznych właściwości układów składających się z wielu cząstek, dając podwaliny mechanice statystycznej. W ten sposób entropia w termodynamice otrzymała matematyczną formę taką samą jak Shannon wprowadził później w swojej teorii informacji:

$$ S = -k_B\sum_{i} p_i \ln(p_i), $$ gdzie $p_i$ to prawdopodobieństwo, że układ jest w $i$-tym mikrostanie.

Nierozwiązana kwestia łamania drugiej zasady termodynamiki przez Demona Maxwella nie dawała spokoju naukowcom, ale jednocześnie, wraz z rozwojem idei fizycznych i coraz bardziej zaawansowanych rozwiązań matematycznych, była inspiracją w poszukiwaniach wyjaśnienia paradoksu.

Demon Maxwella za darmo nie pracuje

W 1929 roku urodzony na Węgrzech fizyk i biolog Leo Szilard zauważył, że demon dokonując pomiaru prędkości cząsteczek w pudle wykonuje pracę i w związku z tym musi wydatkować energię na tą czynność zdobywania wiedzy. Ponieważ demon i gaz oddziałują na siebie, należy więc rozpatrywać demona jako część układu.

Demon zużywając energię powoduje wzrost entropii u siebie, a sam wydatek energetyczny będzie większy niż obniżenie entropii gazu (postulat Carnot’a). W zaproponowanym przez Szilarda rozwiązaniu pierwszy raz pojawiła się informacja (zdobywanie wiedzy) jako element układu i to jest to kolejny punkt zwrotny w fizyce informacji. Myślę, iż to, że Szilard był biologiem w jakiś sposób pomogło mu wpaść na ten pomysł. Warto bacznie obserwować biologię kwantową i kwantową teorię informacji.

Teoria Informacji i Entropia Shannona

W roku 1948 amerykański matematyk i inżynier Claude Shannon opublikował pracę o teorii informacji i entropii jako mierze niepewności informacji (pracował głównie z sygnałami analogowymi). Shannon nie miał pomysłu jak nazwać miarę opisującą braki w informacji. Nazwę „entropia” podsunął mu matematyk i fizyk von Neumann.

Zainspirowany tym Shannon jednym z przykładów zastosowania entropii w ujęciu swojej teorii informacji powołał się na mechanikę statystyczną i twierdzenie H Boltzmanna. Patrząc na matematyczną definicję entropi Shannona analogie do entropii termodynamicznej same się nasuwają:

$$ H(X) = -\sum_{x\in X} p(x) \log_b p(x), $$ gdzie $p_i$ to prawdopdobieństwo zajścia $i$-tego zdarzenia, $\log_b$ jest logarytmem o podstawie $b$ (dla informacji binarnej $b=2$).

Matematyczne i pojęciowe podobieństwo między entropią w układzie termodynamicznym i entropią informacji spowodowało, że wielu naukowców zaczęło dopatrywać się między entropiami bezpośredniego związku a w konsekwencji bezpośredniej relacji fizycznego układu z informacją.

Informacja Wzajemna

W teorii informacji Shannon zdefiniował jeszcze jedną ważną wielkość na bazie entropii, a mianowicie Informację Wzajemną (ang. Mutual Information) $I(X;Y)$, która określa wzajemną zależność między dwiema zmiennymi losowymi $X$ i $Y$. Innymi słowy, określa ona ilość informacji, jaką zmienna $Y$ dostarcza o zmiennej $X$.

Entropia to brakująca wiedza o rzeczywistości

W roku 1957 amerykański fizyk i matematyk Edwin T. Jaynes łącząc mechanikę statystyczną z teorią informacji przedstawił zasadę maksymalnej entropii. Dysponując niekompletnymi danymi o układzie zasada ta pozwala na wybranie najmniej stronniczego opisu statystycznego tego układu fizycznego. Entropia związana z makroskopowym opisem układu fizycznego jest w rzeczywistości miarą brakującej informacji o precyzyjnym mikroskopowym stanie układu. Praca Jaynesa była kolejnym ważnym krokiem na drodze do fizyki informacji.

Zasada Landauera, czyli przetwarzanie informacji kosztuje

W 1961 roku amerykański fizyk Rolf Landauer zaproponował zasadę, wg której minimalna energia potrzebna do wymazania jednego bitu informacji jest proporcjonalna do temperatury, w której działa system. Innymi słowy, energia potrzebna do wykonania tego zadania obliczeniowego jest dana wzorem:

$$ E \geq k_B T \ln 2, $$ gdzie $k_B$ jest stałą Boltzmanna, a $T$ temperaturą, w której działa układ.

Informacja nie istnieje więc bez fizycznego nośnika, a jej przetwarzanie zawsze wymaga energii. Zasadę tę udało się wyprowadzić teoretycznie, ale doświadczalnie potwierdzono ją dopiero w XXI wieku.

Demon Maxwella też musi sprzątać

Nie może jednak robić tego w nieskończoność i kiedyś będzie musiał zacząć kasować te informacje. Wówczas zgodnie z Zasadą Landauera będzie musiał dokonać wydatku energetycznego i zwiększyć swoją entropię.

Twierdzenie Sagawy-Uedy

W roku 2012 dwóch japońskich fizyków Takahiro Sagawa i Masahito Ueda przedstawiło twierdzenie łączące mechanikę statystyczną i informację. Uogólnia ono drugą zasadę termodynamiki na układy, które wymieniają informację z układem zewnętrznym o małej liczbie stopni swobody, jak obserwator czy mechanizm sterujący. Ilość wymienianej informacji między tymi układami zwiększa produkcję entropi. Demon Maxwella zatem zużywa energię, aby przetwarzać informacje, a koszt tego przetwarzania jest tym, co zapobiega naruszeniu drugiej zasady. W 2021 roku koreański fizyka Lee Jinwoo opublikował pracę rozszerzającą to twierdzenie na dwa dowolne układy wymieniające się informacją, które również zmieniają się w czasie.

Eksperyment myślowy Jamesa Clerka Maxwella spędza naukowcom sen z powiek już 158 lat będąc nadal dla ich inspiracją i wyzwaniem. Najnowsze prace, w których demon pełni kluczową rolę, koncentrują się nad termodynamiką kwantową i kwantową teorią informacji.

Jak wykorzystać Demony Maxwella w systemach AI

Systemy informatyczne przetwarzające dane za pomocą wielkich modeli językowych (LLM), uzbrojone w agentów AI podejmujących autonomiczne decyzje, a coraz częściej także przez nich projektowane i programowane, są z natury rzeczy układami otwartymi. Pobierają dane z otoczenia, przekształcają je i generują nowe stany informacji. W takim procesie entropia informacyjna narasta kaskadowo: od potencjalnych halucynacji w generowanym przez AI wymaganiach, architekturze i kodzie, przez nieścisłości w bazach wiedzy, aż po niepewność w wynikach działania modeli w aplikacji. W fizycznym sensie pociąga to za sobą koszt uporządkowania, który ze względu na dryf danych oraz probabilistyczną naturę LLM nie jest jednorazowym, lecz ciągłym wydatkiem, rozpoczynającym się już w momencie powstania założeń i wymagań dla projektu.

System, by zachować równowagę (w sensie logiki i spójności działania, a nie termodynamiki) i nie zdegradować się w stronę chaosu, potrzebuje mechanizmów, które lokalnie obniżają entropię, filtrują błędy oraz narzucają sztywne reguły i granice. Rolę tę pełnią wyspecjalizowani Agenci – Demony Maxwella. Działają oni w domkniętej pętli: od etapu automatycznego wytwarzania oprogramowania (gdzie eliminują „wady wrodzone” kodu), przez fazę utrzymania i ciągłej aktualizacji, aż po bieżącą weryfikację decyzji agentów operacyjnych. Nie łamiąc drugiej zasady termodynamiki, przenoszą koszt porządkowania informacji na świadomie zaprojektowany wysiłek obliczeniowy, energetyczny i analityczny, co pozwala na pełną automatyzację tworzenia i działania oprogramowania przy zachowaniu jego wysokiej integralności.

Poniżej znajduje się zestawienie narzędzi i agentów w podziale na Produkcję (Build-time) oraz Działanie (Runtime).

Produkcja Oprogramowania (Build-time)

Cel: „Wbudowanie” niskiej entropii w strukturę systemu, aby zminimalizować błędy u źródła.

1. Demon Spójności Intencji (Analityk Wymagań AI)
   • Rola: Analizuje specyfikację biznesową pod kątem logicznych sprzeczności.
   • Działanie: Wyłapuje „entropię intencji”, czyli niejasne polecenia, które dla LLM’a byłyby źródłem halucynacji. Przekształca chaos oczekiwań w deterministyczne ramy projektowe.
2. Sito Informacyjne Landauera (Inżynier Danych / Landauer’s Sieve)
   • Rola: Selekcja danych do baz wiedzy (RAG) i fine-tuningu.
   • Działanie: Odrzuca dane o niskiej „Informacji Wzajemnej” (Mutual Information). Usuwa szum, stosując zasadę Landauera – inwestuje energię w czyszczenie danych teraz, by zaoszczędzić na kosztownych błędach modelu później.
3. Architekt Granic i Schematów (Guardrails Architect)
   • Rola: Definiowanie sztywnych struktur wymiany informacji.
   • Działanie: Narzuca modelom AI operowanie na ścisłych schematach (np. JSON Schema). Zmniejsza „przestrzeń mikrostanów”, w jakich może znaleźć się system, drastycznie ograniczając szansę na nieprzewidywalne zachowanie.
4. Krytyczny Recenzent (Sagawa-Ueda Verifier)
   • Rola: Automatyczne testowanie i ewaluacja (LLM-as-a-Judge).
   • Działanie: Prowadzi „wymianę informacji” z tworzonym kodem/modelem. Poprzez setki iteracji testowych zamraża poprawność systemu, wykrywając błędy logiczne i mimikrę przed wdrożeniem.

Działanie Systemu (Runtime / Live Operations)

Cel: Ciągłe „sprzątanie” i filtrowanie informacji, aby przeciwdziałać naturalnemu dryfowi i halucynacjom.

1. Strażnik Kontekstu (Input Guardrail Demon)
   • Rola: Filtracja promptów i danych wejściowych.
   • Działanie: Sprawdza, czy zapytanie użytkownika nie wprowadza nadmiarowej entropii (np. próby usuwania ograniczeń – jailbreak, niejasne intencje). Działa jak demon przy przegrodzie, wpuszczając do modelu tylko „uporządkowane” zapytania.
2. Weryfikator Semantyczny (Hallucination Detector)
   • Rola: Kontrola wyjścia modelu w czasie rzeczywistym.
   • Działanie: Porównuje odpowiedź LLM z zaufanymi źródłami (Grounding). Jeśli wykryje mimikrę (styl profesjonalny, błędna treść), blokuje odpowiedź i wymusza ponowne generowanie, obniżając lokalną entropię wyjścia.
3. Korektor Bennetta (Bennett’s Context Corrector)
   • Rola: Zarządzanie pamięcią i oknem kontekstowym.
   • Działanie: Zgodnie z postulatem Bennetta, usuwanie nieistotnych informacji z pamięci agenta jest kluczowe dla zachowania sprawności. Demon ten „wymazuje” stare, nieaktualne dane z kontekstu, zapobiegając informacyjnemu zatorowi i błędnym asocjacjom.
4. Monitor Dryfu i Stabilności (Entropy Watchdog)
   • Rola: Nadzór nad kondycją całego układu.
   • Działanie: Mierzy statystyczną niepewność odpowiedzi systemu. Gdy entropia przekroczy założony próg (np. model zaczyna częściej „rzucać kością”), demon alarmuje systemy utrzymania o konieczności aktualizacji bazy wiedzy lub przetrenowania.

Wprowadzenie tej armii „Demonów” sprawia, że system AI przestaje być czarną skrzynką rzucającą kościami. Staje się sterowalnym procesem termodynamicznym, w którym świadomie płacimy energią obliczeniową i pracą agentów za to, by wynik działania LLM był wystarczająco dobrze uporządkowany, bezpieczny i zgodny z wiedzą, a nie tylko z jej statystycznym naśladownictwem.

Podsumowanie

Wielkie modele językowe LLM to z natury układy probabilistyczne o wysokiej entropii, których rezultaty działania nie wynikają ze znajomości faktów, lecz ze statystyki. W miarę postępującej automatyzacji i wykorzystania Agentów AI, systemy stają się coraz bardziej podatne na błędy wynikające z naturalnego dążenia układów otwartych do chaosu. Należy przy tym pamiętać, że halucynacje AI rzadko są chaotycznym szumem i najczęściej przybierają formę wyrafinowanej mimikry, która przekonująco naśladuje nie tylko ludzki styl argumentacji, ale i całą naszą kondycję psychiczną wraz z jej błędami poznawczymi. Ta antropomorficzna pułapka sprawia, że systemy AI mogą wydawać się najbardziej wiarygodne właśnie wtedy, gdy ich entropia wewnętrzna jest najwyższa.

Skuteczne zarządzanie takimi systemami wymaga wdrożenia mechanizmów pełniących rolę Demonów Maxwella, które poprzez selekcję i weryfikację informacji zwiększają porządek wewnątrz układu. Należy jednak pamiętać, że zgodnie z drugą zasadą termodynamiki i twierdzeniem Sagawy-Uedy, redukcja entropii w jednym miejscu zawsze pociąga za sobą wydatek energii i pracy w innym – w tym przypadku na etapie projektowania, obliczeń lub nadzoru. Zarządzanie entropią informacyjną musi zatem stać się integralną częścią strategii biznesowej, pozwalającą kontrolować dryf danych i modeli. Fizyka informacji uczy nas, że wiedza o brakujących mikrostantach systemu jest kluczem do jego stabilności. Jak zauważył Henri Poincaré, maszyny są pożyteczne, ponieważ docelowo dają nam czas na uprawianie nauki, która pozwala te procesy zrozumieć.

“I do not say: science is useful, because it teaches us to construct machines. I say: machines are useful because in working for us, they will some day leave us more time to make science. But finally it is worth remarking that between the two points of view there is no antagonism, and that man having pursued a disinterested aim, all else has been added unto him” – Poincaré

Literatura

1. https://arxiv.org/abs/1206.2479 – Fluctuation Theorem with Information Exchange: Role of Correlations in Stochastic Thermodynamics
2. https://www.intechopen.com/chapters/78758 – Introductory Chapter: Physics of Information and Quantum Mechanics – Some Remarks from a Historical Perspective
3. https://arxiv.org/abs/1903.10173 – Fluctuation Theorem of Information Exchange between Subsystems that Co-Evolve in Time
4. https://arxiv.org/abs/2305.09309 – Extension of the Watanabe-Sagawa-Ueda uncertainty relation for measurement errors to infinite-dimensional systems
5. https://en.wikipedia.org/wiki/History_of_entropy – Historia Entropii
6. https://arxiv.org/abs/2309.00267 – Scaling Reinforcement Learning from Human Feedback with AI Feedback
7. https://pl.wikisource.org/wiki/Warto%C5%9B%C4%87_nauki – H. POINCARÉ, „Wartość nauki”
8. https://arxiv.org/abs/2305.11738 – Large Language Models Can Self-Correct with Tool-Interactive Critiquing
9. https://arxiv.org/abs/2411.06590 – Critic Automation with Language Models
10. https://medium.com/@snegalvarsans/llm-verifiers-the-silent-guardians-of-ai-reliability-c57182bb5286 – LLM Verifiers: The Silent Guardians of AI Reliability
11. https://journals.aps.org/prxquantum/abstract/10.1103/phkv-wrsd – A Friendly Guide to Exorcising Maxwell’s Demon