Dlaczego semantyczna sieć upadła – i dlaczego to samo może spotkać AI

W 2003 roku Clay Shirky opublikował krótki tekst, który wstrząsnął światem technologii. Jego teza była prosta: wizja Semantic Web, czyli semantycznej sieci, z której miała wyłonić się maszyna rozumująca lepiej od ludzi, opiera się na złym założeniu. Chodzi o to, jak w ogóle działają logiczne wnioskowania – a raczej o to, dlaczego nie działają w prawdziwym życiu.

Shirky posłużył się klasycznym przykładem Arystotelesa:

• Ludzie są śmiertelni
• Grecy są ludźmi
• Wniosek: Grecy są śmiertelni

Czysta logika. Elegancka dedukcja. Problem w tym, że takie rozumowanie sprawdza się wyłącznie w kontrolowanych warunkach. W rzeczywistości wiedza nie układa się w ładne, uniwersalne stwierdzenia gotowe do przekształcania.

Gdzie logika zawodzi

Autor pokazał to na swoim własnym przykładzie. Skoro "Clay Shirky jest twórcą strony shirky.com" i "twórca shirky.com mieszka w Brooklynie", można wywnioskować, że mieszka w Brooklynie. Ale jeśli dodamy do tego "mieszkańcy Brooklynu mówią z brooklyńskim akcentem", wyjdzie nam, że Shirky wymawia nazwę swojej strony jako "shoiky.com". Absurd? Oczywiście. Ale tak właśnie wygląda łączenie logicznych faktów bez uwzględnienia kontekstu.

Chodzi o to, że rzeczywistość nie jest uporządkowana. Nasza wiedza jest partialna, sprzeczna, zależna od kontekstu i pełna ukrytych założeń.

Co stało się z Semantic Web

Wizja Tima Bernersa-Lee się nie spełniła. RDF, OWL i cały stos semantycznych technologii trafiły do akademickich laboratoriów i korporacyjnych systemów integracyjnych. Nie stały się uniwersalnym narzędziem maszynowego rozumowania. Prognozy o "wszechobecnej i niszczycielsko potężnej" sztucznej inteligencji okazały się puste.

Ale Shirky'emu warto się przyjrzeć ponownie – właśnie teraz, w 2025 roku. Bo wskazany przez niego problem никуда nie zniknął. Po prostu przeniósł się w inne miejsce.

Wszystko wraca, ale w nowej odsłonie

Dziś przeżywamy kolejną falę entuzjazmu dla maszynowego rozumowania. Tym razem napędzaną przez duże modele językowe i sieci neuronowe, a nie symboliczną logikę. Obietnice brzmią znajomo: systemy AI analizujące ogromne ilości danych, wyciągające wnioski i znajdujące połączenia niedostrzegalne dla ludzi.

Część się zmieniła. Współczesne LLM-y nie polegają na formalnej dedukcji syllogistycznej. Działają dzięki statystycznemu rozpoznawaniu wzorców w olbrzymiej skali, osiągając rezultaty, które łatwo pomylić z prawdziwym rozumieniem. A jednak podstawowe wyzwanie, które zidentyfikował Shirky, pozostaje aktualne: jak radzić sobie z wiedzą, która jest niepełna, zależna od kontekstu lub po prostu błędna?

Kiedy LLM z przekonaniem podaje coś, co brzmi sensownie, ale nie jest prawdą, nie popełnia błędu logicznego. Po prostu odzwierciedla chaos, który cechuje teksty generowane przez ludzi – sprzeczności, kulturowe założenia, przestarzałe informacje, czystą fikcję. Ta "wiedza" nigdy nie była uporządkowana.

Gdzie znajdziesz prawdziwe rozwiązanie

Ciekawe jest to, że praktyczne następcy idei Semantic Web w ogóle nie są semantyczne – są probabilistyczne. Knowledge Graph Google'a, który napędza wiele funkcji wyszukiwarki, nie "rozumuje" w sensie formalnym. To ogromna baza danych o obiektach i relacjach między nimi, ale budowana i utrzymywana przez machine learning, ręczną korektę i ciągłą aktualizację. Działa, bo nie próbuje być logicznie czysta.

To podejście – pragmatyczne, chaotyczne, stale weryfikowane wobec rzeczywistości – okazało się o wiele cenniejsze niż teoretycznie nieskazitelny Semantic Web.

Co Shirky trafił

Główna myśl jest aktualna: dedukcyjne rozumowanie, niezależnie od tego, czy implementowane przez formalną logikę czy sieci neuronowe, grzęźnie w przepaści między tym, jak wiedza jest faktycznie reprezentowana, a tym, jak jest faktycznie prawdziwa.

Sherlock Holmes mówił, że wybitny umysł eliminuje niemożliwe i dochodzi do nieuniknionej prawdy. Ale większość "wiedzy" w prawdziwym świecie tak nie działa. Jest partialna. Zależna od kontekstu. Obciążona niejawnymi założeniami, które nie przenoszą się między dziedzinami.

Systemy AI, które naprawdę zmieniły branże – od rekomendacji, przez tłumaczenia, po autouzupełnianie kodu – nie osiągnęły sukcesu dzięki opanowaniu rozumowania syllogistycznego. Znalazły użyteczne wzorce w chaotycznych danych, zaakceptowały niepewność i czasem się myliły, nie wybuchając przy tym.

Czego nauczyć się dziś

Jeśli budujesz coś z AI, esej Shirky'ego to lektura obowiązkowa – nie dlatego, że przewidział przyszłość, ale dlatego, że zdiagnozował fundamentalny problem, który istnieje niezależnie od modnej technologii.

Pytanie nie brzmi: czy maszyny potrafią myśleć. Potrafią, na swój sposób. Pytanie brzmi: czy wiedza, z którą pracujesz, jest zorganizowana tak, by wspierać rodzaj rozumowania, jakiego potrzebujesz?

Zwykle nie jest. I to nie jest błąd do naprawienia – to cecha sposobu, w jaki wiedza faktycznie funkcjonuje.

Upadek Semantic Web nie był porażką ambicji. Był porażką zrozumienia, że ludzka wiedza jest fundamentalnie inna niż to, czego potrzebuje formalna logika. Narzędzia, które odniosły sukces od tego czasu, zaakceptowały tę rzeczywistość i pracowały z nią, nie przeciwko niej.

To jest prawdziwe dziedzictwo tekstu Shirky'ego sprzed ponad dwóch dekad: nie predykcja o RDF czy OWL, ale przypomnienie, że inteligencja – w maszynach i ludziach – nie działa tak, jak podpowiada nam intuicja.