Polemika red @PatrykSlowik z warszawskim elektoratem KO to zaprawdę niezwykły experience. Pozbawia wszelkich złudzeń.

RT @wongmjane: Using Chinese AI models for coding be like:

Ta dyskusja to przykład że problem z bandycka/niebezpieczna jazda to głęboko zakorzeniony w naszym społeczeństwie problem systemowy. Tu żadne argumenty czy edukacja problemu nie rozwiążą. Tylko prawo Darwina.

"about to be" 😎

Niesamowitą cecha tego poldarmowego serwisu jest to, że niezależnie jak rozsądny post ktoś napisze, to zawsze znajda się ludzie którzy będą kwestionować wbrew wszelkiemu rozsadkowi i logice.

> the mass code review. the line-by-line gatekeeping. the "craftsmanship" that was really just slow iteration disguised as rigor - that era is over. You really see how these guys are lashing out at their own mental phantoms.

"godmode"😎

"a long time ago"😎

So I learned today that I am "trad coding"😎

This is exactly what one would expect in terms of quality from a vibe coded app

Gwarancja przydatna rzecz 😎

"Kod stał się tani i powszechny."😎

My feed is full of AI lunatics but this is one of the most ridiculous takes I've seen in a while 🤭

No shit, Sherlock!

Kto na Boga wybierał stroje Amerykanom i Slowakom?

Czyżby Iran ewakuował swoją flotę "pod opiekę" Rosji?

Błędy w rozumowaniu profesora @andrzejdragan wynikają z przyjęcia skrajnie fizykalnej i redukcjonistycznej perspektywy, która prowadzi do fałszywych analogii i nadmiernych uproszczeń. Pierwszym jaskrawym przykładem jest argument 'samolotu i pióra'. Dragan przekonuje, że skoro samolot nie potrzebuje piór, by latać, to inteligencja nie potrzebuje biologii, by myśleć. Ta analogia mija się z celem, ponieważ pomija fundamentalną różnicę w teleologii systemów: cel 'latania' jest techniczny i prostacki (przemieszczenie masy), podczas gdy cel inteligencji biologicznej jest nierozerwalnie związany z homeostazą i przetrwaniem. Biologia nie wytworzyła inteligencji do rozwiązywania abstrakcyjnych zagadek, ale do utrzymania organizmu przy życiu w zmiennym środowisku. Dragan odrywa więc inteligencję od jej ewolucyjnego kontekstu, traktując ją jako czysty proces obliczeniowy. Jeszcze bardziej nietrafione jest twierdzenie profesora, jakoby nikt nie rozumiał, jak działa telefon komórkowy, co ma usprawiedliwiać naszą niewiedzę na temat działania sieci neuronowych. Jest to teza fałszywa. Oczywiście, że rozumiemy działanie telefonu – jest to system deterministyczny, zaprojektowany przez inżynierów, posiadający pełną dokumentację techniczną i oparty na znanych prawach elektroniki oraz logiki cyfrowej. Porównywanie tego do 'czarnej skrzynki' AI, opartej na wysokowymiarowej statystyce i emergentnych wagach, których nikt ręcznie nie ustalał, jest błędem kategoryzacji. Używanie tego argumentu do budowania aury tajemniczości wokół AI jest intelektualnie nieuczciwe. Kolejnym punktem spornym jest bagatelizowanie neuroplastyczności. Dragan traktuje ją jedynie jako efekt ograniczeń fizjologicznych (rozmiar czaszki), sugerując, że w przypadku AI problem ten rozwiązuje się poprzez proste dołożenie sprzętu. To podejście ignoruje przepaść w wydajności energetycznej i algorytmicznej. Mózg pracuje na mocy około 20W, ucząc się na pojedynczych przykładach (one-shot learning), podczas gdy AI wymaga farm serwerowych zużywających megawaty i milionów danych, by zrozumieć najprostszą koncepcję. Neuroplastyczność to nie tylko 'upychanie funkcji', ale mechanizm dynamicznego adaptowania się do nieprzewidywalności. Twierdzenie, że 'dołożenie sprzętu' jest lepszym rozwiązaniem, to typowe brute-force'owe podejście fizyka, które jest ślepe na elegancję biologicznych algorytmów, których AI wciąż nie potrafi skutecznie naśladować. Wątpliwy jest również optymizm dotyczący wpływu AI na ludzki intelekt, poparty przykładem szachistów. Jest to klasyczny błąd przeżywalności. Szachiści to wąska grupa profesjonalistów, dla których AI jest narzędziem treningowym. W skali masowej społeczeństwo nie używa AI jako sparingpartnera, lecz jako protezy myślowej. Analogia do atrofii mięśni jest tu znacznie trafniejsza, niż Dragan chce przyznać. Jeśli maszyna wykonuje za nas syntezę tekstów, krytyczne myślenie i pisanie, to te konkretne 'ścieżki neuronowe' u przeciętnego użytkownika słabną. Zrównywanie arcymistrzów szachowych z przeciętnym uczniem korzystającym z ChatGPT w celu uniknięcia wysiłku jest manipulacją. Równie problematyczny jest mit 'Czarnej Skrzynki' jako argumentu za transcendencją AI. Brak interpretowalności modeli nie jest dowodem na ich wyższą formę inteligencji czy 'obcość', lecz wynika ze specyfiki statystyki w wielowymiarowych przestrzeniach. To, że nie potrafimy prześledzić miliardów operacji mnożenia macierzy w czasie rzeczywistym, nie oznacza, że model 'rozumie' świat w ludzkim sensie. Dragan, zamiast demistyfikować to zjawisko jako naukowiec, używa go do budowania narracji o 'magicznej' inteligencji, co balansuje na granicy argumentu ad ignorantiam. Ostatecznie, definicja inteligencji jako wyłącznie 'dostrzegania analogii' jest skrojona pod to, co aktualnie potrafią robić sieci neuronowe, co czyni argumentację Dragana tautologią: 'AI jest inteligentna, bo zdefiniowałem inteligencję jako to, co robi AI'. Pomija to aspekty takie jak wyznaczanie celów, empatia, intuicja czy subiektywne doświadczenie (qualia). Należy pamiętać, że współczesne AI to w dużej mierze zaawansowana statystyka połączona z programistycznymi sztuczkami. To, co obserwujemy jako 'rozumowanie', to często efekt zewnętrznych struktur programowych, rozwiązań agentowych, pętli i dostępu do narzędzi, bez których sam model językowy pozostaje pasywnym generatorem tekstu. Dziesiątki frameworków powstało tylko po to, żeby móc budować użyteczne narzędzia, które i tak potrzebują w swoich iteracyjnych pętlach działania człowieka. Dragan prezentuje fascynującą, ale skrajnie technokratyczną wizję, w której biologia jest traktowana jako wadliwy prototyp, ignorując fakt, że bez ciągłej, ludzkiej weryfikacji i potężnego zaplecza inżynieryjnego, 'magiczna' sieć neuronowa jest bezradna. Należy też krytycznie spojrzeć na rzekomą nieomylność nowych modeli 'reasoningowych' w świetle danych z Vectara Hallucination Leaderboard. Co kluczowe, benchmark ten bada skuteczność w zadaniach typu RAG (Retrieval-Augmented Generation), czyli w sytuacjach, gdzie model otrzymuje konkretne źródło wiedzy systematycznej i ma jedynie na nim operować. Nawet w tak kontrolowanym środowisku, mając 'podane na tacy' fakty, modele te wciąż konfabulują – wskaźniki halucynacji sięgają kilkunastu procent (np. Grok 4.1 ok. 17%, Claude Opus 4.6 ok. 12,2%). Skoro AI potrafi zmyślać nawet przy prostym przetwarzaniu dostarczonych danych, to narracja o jej wyższych zdolnościach poznawczych i samodzielnym rozumowaniu stoi pod dużym znakiem zapytania. Profesor Dragan mija się również z prawdą, sugerując, że poradziliśmy sobie z ograniczeniami starszych modeli i wyeliminowaliśmy problem wiarygodności. Kolejnym przykładem manipulacji jest odpowiedź Dragana na pytania o kreatywność modeli językowych (LLM). Ucieka on wtedy w argumentację opartą na sukcesach systemów typu AlphaZero, twierdząc, że AI 'nie potrzebuje danych ludzkich'. Jest to fundamentalny błąd kategoryzacji. Dragan miesza systemy oparte na uczeniu ze wzmocnieniem (Reinforcement Learning), które działają w zamkniętych środowiskach o sztywnych regułach (szachy, matematyka) i jasnej funkcji celu, z modelami generatywnymi, które muszą być karmione kulturą, by cokolwiek stworzyć. Używanie sukcesów algorytmów logicznych do udowadniania 'niezależnej kreatywności' modeli językowych, które bez ludzkiego wsadu są bezradne, jest merytorycznym nadużyciem. I tak dalej :) youtu.be/s_nSoJDNonk?si=eSQH…

> be me, applied scientist at amazon > spend 6 months building ML model that actually works > ready to ship > manager asks "but does it Dive Deep?" > show him 37 pages of technical documentation > "that's great anon, but what about Customer Obsession?" > model literally convinces customers to buy more stuff they don't need > "okay but are you thinking Big Enough?" > mfw I am literally increasing sales > okay lets ship it > PM says there's not enough Disagree and Commit > we need to disagree about something > team spends 2 hours debating whether the config file should be YAML or JSON > engineering insists on XML "for backwards compatibility" > what backwards compatibility, this is a new service > doesn't matter, we disagree and commit to XML > finally get approval to deploy > "make sure you're frugal with the compute costs" > model runs on a potato, costs $2/month > finance still wants a cost breakdown > write 6-pager about why we need $2/month > include bar raiser in the review > bar raiser asks "but can we do it for $1.50? we need to be Frugal" > spend another month optimizing to hit $1.50 > ready to deploy again > VP decides we need to "Invent and Simplify" > requests we rebuild the entire thing using a new framework > framework doesn't exist yet > "show some Ownership and build it yourself" > 3 months later, framework is half done > org restructure happens > new manager says this doesn't align with team goals anymore > project cancelled > model never ships > manager gets promoted to L8 for "successfully reallocating resources" > team celebrates with 6-pager retrospective about what we learned > mfw we delivered on all 16 leadership principles > mfw we delivered nothing else > amazon.jpg

i cannot believe how much better 5.3 is than 4.6. after some internal testing results show its 15.2% better

Spot on. Yes - we are all pretending.