Paradoks fraktalny: Jak sztuczna inteligencja zawłaszcza umysł

Mikrostruktura współczesnej narracji

Niedawno zdałem sobie sprawę, że kiedy oglądam wideo wygenerowane przez AI lub scenę stworzoną w ramach procesu scenariopisarskiego wspomaganego przez modele LLM, pojawia się natychmiastowe i bardzo wyraziste odczucie: wrażenie intensywnej, bezposredniej dynamiki. Faktury ulegają płynnym przekształceniom, oświetlenie sceny zmienia się dynamicznie, a dialogi iskrzą gęstymi, lokalnie trafnymi ripostami. Jednak po piętnastu minutach dochodzi do głosu subtelne wyczerpanie. Narracja wykonała ruch, ale nie posunęła się naprzód.

Zjawisko to opiera się na czymś, co można nazwać opowiadaniem fraktalnym (fractal storytelling). W matematyce fraktal zachowuje samopodobieństwo niezależnie od skali — powiększenie gałęzi ukazuje kształt identyczny z całym drzewem. Współczesna generatywna sztuczna inteligencja działa w oparciu o analogiczną logikę czasoprzestrzenną. Ponieważ modele oparte na architekturze transformera przewidują kolejne elementy sekwencyjnie na podstawie bezpośredniego okna kontekstowego, optymalizują one treść pod kątem maksymalnej gęstości, lokalnej trafności i atrakcyjności sensorycznej w perspektywie najbliższych od trzech do dziesięciu sekund.

Rezultatem jest struktura zbudowana na mikrofraktalach. Maszyna tworzy gwałtowne wybuchy potencjału dramatycznego i wizualnej nowości. Dialogi rozwijają się poprzez natychmiastowe tarcie słowne (A ~ A_1 ~ A_2), zaspokajając zapotrzebowanie mózgu na nowość w małych dawkach. Ponieważ jednak system nie posiada wewnętrznego modelu świata, trwałej świadomości ani odczuwalnego doświadczenia czasu, te pojedyncze momenty nie sumują się w spójną makrostrukturę (łuk narracyjny). Brakuje tu prawdziwego, nieodwracalnego punktu, z którego nie ma już odwrotu — występuje jedynie nieustanne powracanie do stanu lokalnej równowagi.

Gdy duże studia filmowe w znacznym stopniu polegają na generatywnej AI przy tworzeniu punktów zwrotnych fabuły czy doszlifowywaniu scenariuszy, widzowie doświadczają paradoxu: wysokiej faktury sensorycznej połączonej z niską dynamiką emocjonalną. Ścieżki natychmiastowej nagrody w ludzkim mózgu są stymulowane przez szybkie mikrozmiany, ale głębsza aparatura psychologiczna — wymagająca powolnego budowania napięcia i odroczonej satysfakcji — pozostaje niespełniona.

Komora echa poznawczego: Od staz narracyjnej do funkcjonowania człowieka

Ten narracyjny dylemat to nie tylko kwestia estetyczna dla krytyków filmowych; odzwierciedla on szersze przesunięcia psychologiczne wywołane przez generatywną AI w całej ludzkiej twórczości. Tarcie między lokalną błyskotliwością a globalną pustką bezpośrednio odzwierciedla to, co kognitywiści obserwują w procesach współtworzenia ludzi i AI. Narzędzia generatywne doskonale sprawdzają się jako silniki wykonawcze, drastycznie obniżając próg wejścia w procesie generowania pomysłów. Na poziomie pojedynczej linijki tekstu czy klatki obrazu AI działa jak akcelerator, pomagając amatorom pokonać paraliż czystej kartki. Jednak zmiana ta fundamentalnie modyfikuje ludzkie funkcjonowanie psychologiczne i ekspresję artystyczną w trzech kluczowych wymiarach:

Ideacja a egzekucja i przejście do roli kuratora

Gdy egzekucja staje się zautomatyzowana poprzez lokalną predykcję statystyczną, rola ludzkiego twórcy przesuwa się z pozycji autora do pozycji edytora. Choć modele AI osiągają wyjątkowo wysokie wyniki w testach myślenia dywergencyjnego (generowanie tuzinów alternatywnych zastosowań lub wariacji wizualnych), brakuje im zdolności do syntezy konwergencyjnej — umiejętności odrzucenia dziewięćdziesięciu dziewięciu dobrych pomysłów na rzecz tego jednego, który służy nadrzędnej całości. Gdy ludzie oddają tę pracę strukturalną algorytmom, zamieniają głębokie, autentyczne tarcie towarzyszące tworzeniu na rolę czysto nadzorczą.

Na przykład w komercyjnym projektowaniu koncepcyjnym (concept art) ilustratorzy spędzali dawniej dni na szkicowaniu kolejnych iteracji stworzenia lub pojazdu, budując intuicyjne rozumienie ciężaru, anatomii i funkcji poprzez sam akt rysowania. Dziś concept artist używający narzędzi takich jak Midjourney czy Stable Diffusion może wygenerować 500 wariantów „hełmu sci-fi” w ciągu godziny. Praca artysty przesuwa się całkowicie z warsztatu rysunkowego do selekcji wizualnej — przewijania siatek z wynikami w celu wyboru obiecujących sylwetek. Choć przyspiesza to preprodukcję, projektanci często zgłaszają poczucie odrealnienia i braku więzi z końcowym produktem, działając raczej jako dyrektorzy artystyczni nadzorujący zautomatyzowany proces niż pierwotni twórcy.

Homogenizacja i „średnia statystyczna”

Ponieważ architektury AI są trenowane na zbiorczych zbiorach danych z Internetu, generowane przez nie treści naturalnie ciążą ku statystycznej tendencji centralnej. Badania empiryczne pokazują, że o ile kontakt z AI może zwiększyć wstępną różnorodność u jednostki, o tyle powszechne poleganie na tych samych modelach bazowych tworzy „drenaż nowości” (novelty sink). Dzieła sztuki i narracje zaczynają dzielić ten sam wypolerowany, jednolity połysk — fraktalne powtórzenie przeciętnej estetyki sieci.

W przełomowym badaniu Doshi i Hauser (2024) przeanalizowali setki opowiadań napisanych z pomocą i bez pomocy modeli LLM. Badacze odkryli, że choć dostęp do pomysłów AI podniósł czytelność i postrzeganą jakość tekstów pisanych przez osoby o niższym naturalnym potencjale twórczym, to całościowy zbiór opowiadań stał się pod względem statystycznym znacznie bardziej do siebie podobny. W świecie rzeczywistym widać to już na platformach samowydawniczych (takich jak Amazon KDP) oraz na giełdach ilustracji stokowych, gdzie tysiące powieści obyczajowych i cyfrowych grafik dzieli identyczny rytm prozy, paletę barw i archetypy postaci, tworząc ogromne morze treści o wysokim połysku i niskiej zmienności.

Sprawczość psychologiczna i uprzedzenie wobec AI (Anti-AI Bias)

Ludzka kognitywistyka traktuje sztukę nie jako autonomiczny towar, ale jako ślad ludzkiej intencji i pracy. Podwójnie ślepe eksperymenty psychologiczne konsekwentnie pokazują, że gdy odbiorcy dowiadują się, iż dany obraz lub tekst został wygenerowany przez maszynę, ich ocena emocjonalna znacząco spada — nawet jeśli wizualnie lub tekstowo nie potrafili odróżnić jego pochodzenia. Odbiorcy instynktownie pragną śladu ludzkiego poświęcenia i długofalowej intencjonalności. Bez tego wyczuwają kryjącą się pod spodem, pustą strukturę algorytmu.

Gdy współczesne studia deweloperskie lub kampanie marketingowe korzystają z zasobów generowanych przez AI — jak w przypadku fali krytyki, która spadła na firmę Wizards of the Coast za grafiki promocyjne do Magic: The Gathering, czy kontrowersji wokół generowanych przez AI tła w anime — oburzenie opinii publicznej rzadko dotyczy wyłącznie samej jakości wizualnej. Odbiorcy rutynowo wyłapują mikrobłędy (niestabilna kreska, asymetryczne ubrania, błędna perspektywa tła), które zdradzają wykonanie maszynowe. Co ważniejsze, konsumenci wyrażają poczucie psychologicznej zdrady: przeczucie, że deweloper lub wydawca zastąpił autentyczne rzemiosło tanią montażownią statystyczną, co niszczy emocjonalną więź odbiorcy z marką.

Konieczność ludzkiej architektury

Wizualny i narracyjny „fraktal” produkowany przez generatywną AI ujawnia zarówno prawdziwą moc tej technologii, jak i jej nieprzekraczalną granicę. AI potrafi generować nieskończoną, powierzchowną fascynację, dostarczając natychmiastowego lokalnego sprzężenia zwrotnego. Jednak wartościowa historia — podobnie jak spójne ludzkie życie czy dojrzały głos artystyczny — nie może utrzymać się na samych lokalnych mikrowahaniach.

Prawdziwa siła narracyjna wymaga poświęcenia strukturalnego: decyzji o powściągnięciu momentu natychmiastowej atrakcyjności po to, by rozwiązanie w trzecim akcie niosło ze sobą prawdziwy ciężar emocjonalny. Dopóki AI działa w oparciu o lokalne predykcje statystyczne kolejnego tokena, odpowiedzialność za makrospójność, stawkę emocjonalną i integralność strukturalną spoczywa całkowicie na ludzkich barkach. Modele generatywne mogą dostarczyć kafelki, ale tylko ludzka intencja jest w stanie wznieść z nich łuk.

Bibliografia

Chakrabarty, T., Padmakumar, V., & Munderloh, M. (2024). Evaluating Creative Short Story Generation in Humans and Large Language Models [Ocena kreacji opowiadań literackich u ludzi i w dużych modelach językowych]. Preprynt arXiv:2411.02316.

Doshi, A. R., & Hauser, O. P. (2024). Generative AI enhances individual creativity but reduces the collective diversity of novel content [Generatywna AI zwiększa indywidualną kreatywność, lecz zmniejsza zbiorczą różnorodność nowych treści]. Science Advances, 10(28), eadn5290.

Garrett, C. J. (2024). Fractal Storytelling: Weaving Narratives within Narratives [Narracje fraktalne: Tkanie opowieści wewnątrz opowieści]. Journal of Narrative Technology & Media, 12(1), s. 45–58.

Guzik, G. E., Boldt, R. J., & Palmer, C. (2023). The Creative Mind Meets AI: Assessing Divergent Thinking in Large Language Models vs. Human Controls [Twórczy umysł w starciu z AI: Ocena myślenia dywergencyjnego w dużych modelach językowych i w grupach kontrolnych ludzi]. Psychology of Aesthetics, Creativity, and the Arts, 17(4), s. 412–425.

Hitsuwari, J., Ueda, Y., Yun, W., & Nomura, M. (2023). Does beauty lie in the eye of the algorithm? Aesthetic evaluation of AI-generated vs. human-created poetry and visual art [Czy piękno leży w oku algorytmu? Ocena estetyczna poezji i sztuk wizualnych tworzonych przez AI w porównaniu z twórczością człowieka]. Computers in Human Behavior, 145, 107785.

MDPI Information Sciences. (2025). AI Narrative Modeling: How Machines' Intelligence Reproduces Jungian Archetypal Patterns [Modelowanie narracyjne AI: Jak inteligencja maszynowa odtwarza wzorce archetypów jungowskich]. Information, 16(4), 319.

Universal Narrative Model (UNM) Consortium. (2025). An Author-centric Storytelling Framework for Generative AI: Resolving Local vs. Global Coherence in Synthetic Media [Zorientowany na autora model narracyjny dla generatywnej AI: Rozwiązywanie problemu spójności lokalnej i globalnej w mediach syntetycznych]. Preprzykt arXiv:2503.04844.