Cum funcționează inteligența artificială și cât de „inteligentă" e, de fapt.

Folosesc inteligența artificială în fiecare zi. În agenție o punem să caute, să rezume, să scrie ciorne și cod, să verifice alte texte. Tocmai pentru că o folosesc atât de mult, am ajuns să am o relație ciudată cu ea: în aceeași oră mă poate impresiona și mă poate face să râd.

Îți dau un exemplu real. Am încercat să pun un model de limbaj să scrie explicații simple de șah, pentru copii. Textele ieșeau impecabile și exact pe tonul potrivit. Numai că, verificate pe tablă, o parte din ele erau false. Scria, de pildă, „Nebunul de pe g7 apasă pe d4“, deși pe f6 stătea un cal care îi bloca drumul. Modelul știa perfect cum sună o explicație de șah, dar tabla n-o „vedea“.

Pe scurt, cam aici e toată contradicția AI-ului de azi. Ea m-a făcut să scriu articolul ăsta, cel pe care mi l-aș fi dorit eu acum câțiva ani: unul care începe de la zero, fără jargon inutil și fără entuziasm de vânzător. De unde a pornit totul, de ce a murit de două ori, ce se întâmplă concret când îi scrii ceva lui ChatGPT, cât de inteligentă e și ce urmăresc oamenii care bagă în ea sute de miliarde de dolari.

E un articol lung, pentru că am vrut să fie complet. Subiectul e plin de mituri, așa că am verificat pe surse fiecare cifră și fiecare fapt înainte să-l public.

Mai întâi, un cuvânt cu probleme: „inteligență“

Termenul „inteligență artificială“ a fost inventat în 1955, într-o cerere de finanțare. Pornesc de aici pentru că jumătate din confuzia de azi vine din cuvântul ăsta.

Când spunem despre un om că e inteligent, ne gândim la un pachet întreg: înțelege, învață din puține exemple, se descurcă în situații noi, își dă seama când greșește, are bun-simț. Când spunem „inteligență artificială“, ne referim la orice sistem care face ceva ce, la un om, ar cere inteligență. Aici intră un program care joacă șah, dar și unul care recunoaște fețe, unul care traduce sau unul care îți recomandă următorul clip pe TikTok.

Sunt lucruri diferite, care funcționează diferit. Când citești azi „AI“, în 9 cazuri din 10 e vorba de o singură familie: modelele mari de limbaj (large language models, LLM), adică ChatGPT, Claude, Gemini, Grok, DeepSeek și ce mai e pe piață. Despre ele vorbesc în articol. Ca să le înțelegi, însă, trebuie să știi de unde vin.

1943-1956: ideea că gândirea se poate calcula

Povestea începe în 1943, cu o lucrare de câteva pagini semnată de doi americani: neurofiziologul Warren McCulloch și un tânăr logician autodidact, Walter Pitts. Ei au arătat că un neuron poate fi descris, simplificat, ca o mică mașină logică: primește semnale, le adună și, dacă suma trece de un prag, „se aprinde“. Au mai arătat că, dacă legi între ei destui neuroni de felul ăsta, poți calcula, în principiu, orice.

Era un neuron pe hârtie. Calculatoarele electronice de uz general, pe care să rulezi așa ceva, nici nu existau încă. A rămas însă ideea că gândirea ar putea fi un calcul.

În 1950, matematicianul britanic Alan Turing a publicat „Computing Machinery and Intelligence“, lucrarea care începe cu întrebarea „Pot mașinile să gândească?“. Turing considera întrebarea prea vagă, așa că a ocolit-o și a propus în locul ei un test: dacă o mașină poate purta o conversație în scris fără ca omul de la celălalt capăt să-și dea seama că vorbește cu o mașină, discuția filozofică nu mai are rost. L-a numit „jocul imitației”; azi îi spunem testul Turing. A făcut și o predicție: peste vreo 50 de ani, deci pe la 2000, mașinile vor juca jocul ăsta atât de bine încât un interlocutor obișnuit nu va avea mai mult de 70% șanse să le recunoască după cinci minute de conversație.

Pe 31 august 1955, patru cercetători, John McCarthy, Marvin Minsky, Nathaniel Rochester de la IBM și Claude Shannon (părintele teoriei informației), au trimis Fundației Rockefeller o cerere de finanțare pentru un atelier de vară la Dartmouth College. În cererea asta apare pentru prima oară expresia artificial intelligence. Premisa avea un optimism care azi pare înduioșător: orice aspect al învățării sau al inteligenței poate fi descris atât de precis încât o mașină să-l simuleze, iar un grup de oameni bine aleși, lucrând împreună o vară, ar putea face „progrese semnificative“.

Atelierul a avut loc în vara lui 1956. N-a rezolvat inteligența, dar i-a dat domeniului un nume și a adunat în jurul lui o comunitate cu aceeași ambiție.

Optimismul a ținut ceva vreme. În 1965, Herbert Simon, care avea să ia mai târziu Nobelul pentru economie, scria că mașinile vor fi capabile, „în douăzeci de ani“, să facă orice muncă poate face un om. Ține minte fraza, pentru că o vei regăsi, cu alte cuvinte, în declarațiile din 2026.

Două tabere: reguli sau învățare

De la început, cercetătorii s-au împărțit în două tabere, iar lupta dintre ele explică aproape toată istoria de după.

Prima tabără credea că inteligența înseamnă să manipulezi simboluri după reguli. Îi dai calculatorului regulile lumii („păsările zboară“, „pinguinul e o pasăre“), iar el deduce că pinguinul zboară. Aici e și necazul de care tabăra asta n-a mai scăpat: fiecare regulă are o excepție, care trebuie și ea scrisă de mână. Direcția s-a numit AI simbolic și a dominat decenii la rând. Primul succes spectaculos a venit chiar în 1956: programul Logic Theorist, al lui Allen Newell, Herbert Simon și Cliff Shaw, a demonstrat 38 dintre primele 52 de teoreme din Principia Mathematica a lui Russell și Whitehead.

A doua tabără credea că regulile inteligenței nu se pot scrie de mână, pentru că nici noi nu le știm. Mai bine construiești ceva care seamănă cu un creier și îl lași să învețe din exemple. Ei i se spune tabăra rețelelor neuronale.

Vedeta ei din primii ani a fost Frank Rosenblatt, un psiholog de la Cornell care a prezentat în 1958 Perceptronul, un sistem finanțat de Marina SUA care învăța singur să recunoască forme simple. La început a fost simulat pe un calculator IBM; mașina fizică, Mark I, a venit în 1960. Pe 8 iulie 1958, The New York Times scria că Marina se așteaptă ca mașina să poată, cândva, să meargă, să vorbească, să vadă, să scrie, să se reproducă și să fie conștientă de propria existență. A fost, probabil, primul val de hype din istoria AI-ului.

În 1969, Marvin Minsky și Seymour Papert au publicat cartea Perceptrons, în care au arătat matematic ce nu poate face un perceptron cu un singur strat. De exemplu, nu poate învăța o operație logică banală, „ori una, ori alta, dar nu amândouă“ (în jargon, XOR). Cartea a fost citită ca o condamnare a întregii idei de rețele neuronale, deși nu spunea asta. Banii s-au mutat spre tabăra simbolică. Rosenblatt a murit doi ani mai târziu, într-un accident cu barca, chiar în ziua în care împlinea 43 de ani, și n-a mai apucat să-și vadă ideea reabilitată.

ELIZA, sau prima dată când ne-am păcălit singuri

Între 1964 și 1966, la MIT, informaticianul Joseph Weizenbaum a scris un program numit ELIZA. Cea mai cunoscută versiune a lui imita un psihoterapeut. Mecanismul era ridicol de simplu: căuta cuvinte-cheie în ce scriai și răspundea după un șablon, adică îți întorcea fraza sub formă de întrebare sau sărea la un subiect înrudit. Scriai „sunt supărat pe mama“, iar ELIZA răspundea „de ce ești supărat pe mama?“ sau „spune-mi mai multe despre familia ta“.

Nu înțelegea nimic, și totuși oamenii i se confesau. Weizenbaum a povestit mai târziu că până și secretara lui, care îl văzuse scriind programul, l-a rugat să iasă din cameră ca să poată vorbi cu ELIZA între patru ochi.

Reacția asta l-a speriat atât de tare încât Weizenbaum a devenit, pentru tot restul vieții, unul dintre cei mai duri critici ai domeniului. Fenomenul a primit și un nume, efectul ELIZA: tendința noastră de a atribui înțelegere, intenție și emoție unei mașini doar pentru că folosește limbajul ca noi.

Îți spun povestea asta de la început pentru că fără ea nu se înțelege restul. Avem un reflex adânc înrădăcinat: dacă ceva vorbește fluent, credem că și gândește. Efectul ELIZA n-a dispărut în 1966. În 2022, un inginer de la Google, Blake Lemoine, a declarat public că modelul de conversație LaMDA devenise conștient. A fost concediat după vreo șase săptămâni. Azi, cu modele incomparabil mai bune decât ELIZA, efectul e mult mai puternic.

Cele două ierni ale AI-ului

Promisiunile din anii ’50 și ’60 nu s-au împlinit. Calculatoarele erau prea slabe, iar problemele „simple“ s-au dovedit îngrozitor de grele.

În 1973, consiliul britanic de cercetare științifică i-a cerut matematicianului James Lighthill, specialist în mecanica fluidelor, deci un om din afara domeniului, un raport despre starea cercetării în AI. Concluzia lui a fost devastatoare: nicio descoperire de până atunci nu avusese impactul major promis. Finanțarea s-a prăbușit în Marea Britanie, iar DARPA, agenția americană de cercetare militară, a tăiat și ea mult din bani. Așa a început ce avea să se numească prima iarnă a AI-ului.

Anii ’80 au adus o revenire, prin sistemele expert: programe în care cunoștințele unui specialist erau puse sub forma a mii de reguli de tipul „dacă… atunci…“. Cel mai faimos, XCON, configura comenzile de calculatoare la Digital Equipment Corporation și, după estimările vremii, îi economisea companiei zeci de milioane de dolari pe an. Japonia a lansat în 1982 un proiect național uriaș, „Calculatoarele de a cincea generație”, iar SUA și Europa au răspuns cu programe proprii.

Numai că sistemele expert erau fragile. Nu puteau învăța singure, fiecare regulă trebuia scrisă și întreținută de mână, iar cum ieșeai puțin din domeniul lor, nu mai știau nimic. Spre sfârșitul deceniului piața s-a prăbușit, proiectul japonez nu și-a atins obiectivele și banii au fugit din nou. A venit a doua iarnă.

În paralel, își revenea și tabăra rețelelor neuronale. În 1986, David Rumelhart, Geoffrey Hinton și Ronald Williams au publicat în Nature o lucrare despre o metodă numită backpropagation, cu care se puteau antrena rețele neuronale cu mai multe straturi. Ideea avea rădăcini mai vechi, dar lucrarea lor a făcut-o cunoscută și a arătat că funcționează. Era exact răspunsul la obiecția lui Minsky din 1969. A urmat un scurt val de entuziasm, care s-a stins și el în anii ’90: lipseau încă datele și calculatoarele de care rețelele aveau nevoie ca să-și arate puterea.

Câțiva încăpățânați au mers mai departe. Un francez de la Bell Labs, Yann LeCun, a folosit în 1989 rețele neuronale ca să citească coduri poștale scrise de mână, iar tehnologia lui a ajuns în sistemele care citeau automat cecurile bancare americane. În 1997, doi cercetători germani, Sepp Hochreiter și Jürgen Schmidhuber, au publicat LSTM, o rețea cu „memorie“ care avea să domine, în anii 2010, recunoașterea vocală și traducerea automată.

Tot în 1997, pe 11 mai, calculatorul Deep Blue de la IBM l-a învins pe campionul mondial Garry Kasparov într-un meci de șase partide. Atunci a ajuns AI-ul pe prima pagină a ziarelor din toată lumea. Culmea, Deep Blue nu „învățase“ nimic. Mergea pe forță brută: evalua în jur de 200 de milioane de poziții pe secundă, după criterii scrise de oameni. A fost un triumf al taberei simbolice și, într-un fel, ultimul ei mare succes public.

2012: anul în care a câștigat cealaltă tabără

În 2006, o tânără profesoară de informatică, Fei-Fei Li (atunci la Universitatea din Illinois, din 2007 la Princeton), a avut o idee pe care colegii o considerau o pierdere de timp. Toată lumea încerca să construiască algoritmi mai buni. Ea credea că problema nu e algoritmul, ci datele: niciun sistem nu putea învăța să vadă din câteva mii de imagini.

Așa că a construit ImageNet: peste 14 milioane de imagini, etichetate manual în peste 20.000 de categorii. Pentru asta a folosit Amazon Mechanical Turk, o platformă prin care zeci de mii de oameni din toată lumea au etichetat imaginile una câte una. Din 2010, ImageNet a devenit și competiție anuală: cine recunoaște cel mai bine obiectele din fotografii.

În 2012, Alex Krizhevsky, doctorand al lui Geoffrey Hinton la Universitatea din Toronto, a înscris în competiție, împreună cu un alt doctorand, Ilya Sutskever, o rețea neuronală adâncă botezată ulterior AlexNet. A antrenat-o pe două plăci video Nvidia GTX 580, făcute pentru jocuri, în dormitorul lui din casa părinților.

Rezultatul a șocat domeniul. AlexNet a greșit în 15,3% din cazuri (în metrica standard a competiției), în timp ce al doilea clasat, cu metode clasice, greșea în 26,2%.

De atunci, toată lumea s-a mutat pe rețele neuronale adânci, iar un termen folosit până atunci doar de câțiva specialiști a ajuns numele întregului domeniu: deep learning. Au contat trei ingrediente, apărute în același timp:

• Date: internetul produsese, în sfârșit, destule texte și imagini.
• Putere de calcul: plăcile video, construite pentru jocuri, s-au dovedit perfecte pentru calculele unei rețele neuronale. Nvidia anunțase încă din 2006 CUDA, platforma care permitea folosirea lor pentru orice fel de calcul, nu doar pentru grafică.
• Algoritmi: backpropagation și o serie de trucuri tehnice adunate în anii de iarnă de cei câțiva care n-au renunțat.

Câteva luni mai târziu, în decembrie 2012, Hinton și cei doi studenți ai lui au înființat o firmă fără niciun produs, doar ca s-o scoată la vânzare. Licitația a avut loc într-o cameră de hotel de lângă Lacul Tahoe, în timpul unei conferințe științifice. Au participat Google, Microsoft, Baidu și un mic laborator londonez de care auziseră puțini, DeepMind. Hinton a oprit licitația la 44 de milioane de dolari și a ales Google, iar cu asta a început războiul pentru talente în AI.

DeepMind, AlphaGo și o mutare pe care niciun om n-ar fi jucat-o

Laboratorul londonez merită o paranteză. DeepMind fusese fondat în 2010 de Demis Hassabis, Shane Legg și Mustafa Suleyman. Hassabis avea un parcurs neobișnuit: copil-minune la șah, designer de jocuri video la 17 ani, doctor în neuroștiințe. Și-au anunțat misiunea încă de la început: „rezolvarea inteligenței“. Google a cumpărat laboratorul în ianuarie 2014, pentru aproximativ 400 de milioane de lire, potrivit presei britanice.

În martie 2016, la Seul, programul lor AlphaGo l-a învins cu 4-1 pe Lee Sedol, unul dintre cei mai buni jucători de Go din lume. Go era considerat sfântul graal al jocurilor: are mai multe poziții posibile decât atomi în universul observabil, așa că forța brută în stilul Deep Blue nu intra în discuție.

A rămas în istorie mutarea 37 din partida a doua. AlphaGo a pus o piatră într-un loc pe care comentatorii l-au luat, la început, drept greșeală. Programul însuși estimase că un jucător uman ar fi ales mutarea aceea cu o probabilitate de unu la zece mii. S-a dovedit genială. A fost cel mai spectaculos caz de până atunci în care o mașină, pe lângă că a câștigat, a făcut ceva ce oamenii n-ar fi făcut și de la care au avut apoi ce învăța.

Patru ani mai târziu, DeepMind a avansat decisiv într-o problemă de biologie veche de 50 de ani: cum prezici structura tridimensională a unei proteine. AlphaFold 2 a dominat în 2020 CASP14, competiția de profil, iar în 2022 laboratorul a publicat structurile prezise pentru peste 200 de milioane de proteine, practic toate cele cunoscute. În 2024, Demis Hassabis și colegul lui John Jumper au primit pentru asta jumătate din Premiul Nobel pentru Chimie; cealaltă jumătate i-a revenit biochimistului David Baker, pentru proiectarea pe calculator a unor proteine noi. Cu o zi înainte, Geoffrey Hinton primise Nobelul pentru Fizică, împreună cu John Hopfield, pentru fundamentele rețelelor neuronale.

Cu cinci ani înainte, în martie 2019, Hinton, LeCun și Yoshua Bengio fuseseră anunțați câștigătorii Premiului Turing pe 2018, echivalentul Nobelului în informatică. De atunci, presa le spune „nașii AI-ului“. Merită să le reții numele: azi, cei trei au păreri complet diferite despre încotro duce toată povestea.

OpenAI: un laborator născut din frica de Google

În decembrie 2015, un grup de oameni din Silicon Valley a anunțat înființarea OpenAI, o organizație non-profit, cu promisiuni de finanțare de un miliard de dolari. Printre fondatori erau Sam Altman, pe atunci președintele acceleratorului de startup-uri Y Combinator, Elon Musk, Greg Brockman și Ilya Sutskever, recrutat de la Google.

Pe hârtie, misiunea era „binele umanității“: cercetare deschisă, fără presiunea profitului. În privat, după cum arată emailurile fondatorilor făcute publice ani mai târziu, în procesul dintre Musk și OpenAI, un motiv important era frica. Nu voiau să lase cea mai puternică tehnologie a secolului în mâinile unei singure corporații, Google, care cumpărase deja DeepMind.

Banii au fost mai puțini decât în anunț: din miliardul promis, în primii ani au ajuns efectiv în conturi cam 130 de milioane. Musk a ieșit din consiliul de administrație în 2018. Oficial, din cauza unui conflict de interese cu dezvoltarea AI de la Tesla; în versiunea publicată ulterior de OpenAI, pentru că voia controlul majoritar și funcția de director general. În 2019, OpenAI a creat o structură cu profit plafonat, ca să poată atrage investitori, iar Microsoft a intrat cu un miliard de dolari. De atunci, „open“ din nume a devenit tot mai greu de justificat.

2017: opt oameni și o idee care a schimbat tot

În iunie 2017, opt cercetători de la Google au publicat o lucrare al cărei titlu suna ca un vers dintr-o piesă Beatles: „Attention Is All You Need“ („Atenția e tot ce-ți trebuie“). Propuneau o arhitectură nouă de rețea neuronală, pe care au numit-o Transformer.

Până atunci, rețelele care lucrau cu text îl citeau cuvânt cu cuvânt, în ordine, ca un om care urmărește rândul cu degetul. Din cauza asta erau lente și „uitau“ începutul unei fraze lungi până ajungeau la capăt. Transformerul se uită deodată la tot textul și calculează, pentru fiecare cuvânt, cât contează celelalte pentru sensul lui. Mecanismul se numește atenție. Exista din 2014, ca accesoriu al rețelelor vechi; noutatea a fost că Transformerul a renunțat la tot restul și a păstrat doar atenția, de unde și titlul. Mai jos îți explic pas cu pas cum funcționează, pentru că pe el se sprijină tot ce folosești azi.

Avantajul practic a fost uriaș: totul se calcula în paralel, deci modelul se putea antrena pe mii de plăci video simultan, pe cantități de text de neimaginat până atunci. Litera T din GPT vine de la Transformer.

Toți cei opt autori au plecat ulterior de la Google: șapte și-au fondat propriile companii, al optulea a ajuns la OpenAI. Unul dintre ei, Noam Shazeer, a fost readus în 2024, printr-o tranzacție în care Google a plătit aproximativ 2,7 miliarde de dolari pentru licența tehnologiei de la Character.AI, startup-ul lui. După nici doi ani, în iunie 2026, a plecat din nou, de data asta la OpenAI, unde ajunsese deja un alt coautor al lucrării.

De la GPT-1 la ChatGPT: pariul pe mărime

OpenAI a pariat totul pe o ipoteză simplă: ce se întâmplă dacă iei un Transformer și îl faci mai mare? Și apoi și mai mare?

• GPT-1 (iunie 2018): 117 milioane de parametri. I-a interesat pe cercetători, restul lumii nici nu l-a observat.
• GPT-2 (februarie 2019): 1,5 miliarde de parametri. OpenAI a anunțat că nu publică versiunea completă, pe motiv că ar putea fi folosită pentru dezinformare. Mulți au văzut în decizie un truc de marketing. Versiunea completă a apărut în noiembrie același an.
• GPT-3 (mai 2020): 175 de miliarde de parametri. Dintr-odată, modelul scria eseuri, cod și poezii, traducea și rezolva probleme pe care nu le văzuse explicit la antrenare.

În spatele lui GPT-3 stătea o lucrare publicată de cercetătorii OpenAI în ianuarie 2020, despre legile de scalare. Arăta că erorile modelelor scad previzibil, aproape ca după o lege a fizicii, pe măsură ce crești trei lucruri: mărimea modelului, cantitatea de date și puterea de calcul. Lucrarea a transformat AI-ul dintr-un domeniu de cercetare într-o problemă de inginerie și de capital. Dacă știi că mai mult calcul îți dă un model mai bun, întrebarea nu mai e „cum“, ci „cine are bani să plătească“. Toată goana după centre de date din 2025-2026 pornește de aici.

Mai lipsea o piesă. GPT-3 era inteligent, dar greu de folosit: dacă îi scriai o întrebare, putea să-ți răspundă, dar la fel de bine putea să mai înșire zece întrebări asemănătoare, pentru că asta știa să facă: să continue textul. Soluția a fost o tehnică numită RLHF (reinforcement learning from human feedback): oameni reali au evaluat mii de răspunsuri ale modelului și au spus care e mai bun, iar modelul a fost ajustat să dea răspunsuri pe placul lor. Rezultatul, publicat la începutul lui 2022, a fost un model care asculta.

Pe 30 noiembrie 2022, OpenAI a pus o interfață de chat peste un astfel de model și a lansat-o aproape fără anunț, ca „previzualizare de cercetare“. Se numea ChatGPT. În cinci zile a avut un milion de utilizatori. În ianuarie 2023, după estimările analiștilor, ajunsese la 100 de milioane de utilizatori lunari, cea mai rapidă creștere din istorie pentru o aplicație adresată publicului larg, la momentul acela.

În ChatGPT nu era nicio descoperire științifică nouă; toate piesele existau deja. Nou era faptul că, pentru prima oară, oricine putea sta de vorbă cu un astfel de model.

Ce se întâmplă, concret, când îi scrii ceva lui ChatGPT

Multe articole despre AI sar peste partea asta, deși e cea mai importantă: după ce o înțelegi, aproape toate ciudățeniile modelelor încep să aibă sens. O iau pas cu pas, fără nicio formulă.

Pasul 1: textul tău e tăiat în bucăți

Modelul nu vede nici litere, nici cuvinte. Textul tău e spart în bucăți numite tokeni: uneori un cuvânt întreg, alteori o silabă sau câteva litere. Cuvântul „inteligență“ poate ocupa trei-patru tokeni. Pentru model, fiecare token e doar un număr dintr-un vocabular de zeci sau sute de mii.

De aici vin două lucruri pe care probabil le-ai observat deja. Primul: româna se sparge de regulă în mai multe bucăți decât engleza, pentru că vocabularul a fost construit mai ales pe texte în engleză. De aceea același text costă mai mult și încape mai puțin. Al doilea e celebra întrebare „câte litere r are cuvântul strawberry?“, la care modele foarte avansate au greșit multă vreme. Nu din prostie: greșeala vine în mare parte din faptul că modelul vede doi-trei tokeni, nu litere. E ca și cum i-ai cere cuiva să numere literele unui cuvânt pe care l-a auzit doar rostit.

Pasul 2: fiecare bucată devine un punct într-un spațiu cu mii de dimensiuni

Fiecare token e transformat într-o listă lungă de numere, câteva mii, numită vector sau embedding. Îți poți imagina lista ca pe coordonatele unui punct pe o hartă, doar că harta asta are mii de dimensiuni, nu două.

După antrenare, pe harta asta cuvintele cu sens apropiat ajung unele lângă altele. Mai mult, capătă sens și direcțiile de pe hartă. Exemplul clasic vine dintr-o lucrare Google din 2013: iei vectorul pentru „rege“, scazi „bărbat“, adaugi „femeie“ și ajungi foarte aproape de „regină“. Relația asta n-a programat-o nimeni. S-a format singură, din felul în care cuvintele apar împreună în texte.

Pasul 3: atenția, sau cum își dă seama modelul despre ce vorbești

Ia două propoziții: „Am depus banii la bancă“ și „În parc, m-am așezat pe o bancă“. Același cuvânt, cu două sensuri pe care tu le deosebești pe loc, din context.

Mecanismul de atenție face exact asta. Pentru fiecare token, modelul calculează cât contează fiecare dintre tokenii dinaintea lui și îi ajustează înțelesul în funcție de ei. În prima frază, „bancă“ se uită la „banii“ și la „depus“ și se mută pe hartă spre zona financiară; în a doua se uită la „parc“ și la „așezat“ și se mută spre mobilier. (Un detaliu important: modelele de tip GPT se uită doar înapoi, la ce s-a scris până atunci, niciodată la cuvintele care urmează. Când modelul scrie, cuvintele acelea încă nu există.)

Un model mare face asta în zeci de straturi succesive, uneori în peste o sută. Fiecare strat are două părți: atenția, care amestecă informația între cuvinte, și o rețea care o prelucrează (acolo pare să stea o bună parte din „cunoștințe“). La rândul ei, atenția are zeci, uneori peste o sută de „capete“, fiecare cu treaba lui: unele par să urmărească relațiile gramaticale, altele la cine se referă un pronume. De la un strat la altul, reprezentarea textului devine tot mai abstractă. Studiile sugerează, cu aproximație, că primele straturi se ocupă de forma cuvintelor și de gramatică, cele din mijloc de fapte și relații, iar ultimele pregătesc răspunsul.

Pasul 4: modelul doar ghicește următorul token

La capătul tuturor straturilor, modelul scoate un singur lucru: o listă de probabilități pentru următorul token. După „Capitala României este“, „București“ primește o probabilitate uriașă, iar restul, probabilități infime.

Se alege un token, se adaugă la text și totul se reia de la capăt pentru următorul, token cu token, până la sfârșitul răspunsului. Textul pe care îl vezi apărând treptat pe ecran nu e un efect vizual: chiar așa se generează.

Nu se alege mereu varianta cea mai probabilă. Se adaugă o doză controlată de întâmplare, ca textul să nu iasă rigid și repetitiv. De aceea, dacă pui aceeași întrebare de două ori, de regulă primești răspunsuri diferite.

De unde vin „cunoștințele“: antrenarea

Toată „inteligența“ stă în parametri, adică în numerele care decid cum se transformă vectorii de la un strat la altul. Cele mai avansate modele au, după estimări, sute de miliarde de parametri. Unele trec deja de o mie de miliarde, deși la fiecare cuvânt folosesc doar o parte din ei (companiile mari nu mai publică cifrele exacte).

La început, parametrii sunt aleatorii și modelul scoate zgomot. Antrenarea înseamnă să-i arăți text, să-l pui să ghicească următorul token, să măsori cât de mult a greșit și să ajustezi puțin toți parametrii în direcția care ar fi redus greșeala. Backpropagation, metoda popularizată în 1986, calculează cât a contribuit fiecare parametru la greșeală; ajustarea propriu-zisă vine abia după. Totul se repetă pe mii de miliarde de tokeni, adică pe o parte uriașă din textul public de calitate scris vreodată: cărți, articole, cod, forumuri, Wikipedia în zeci de limbi. Parametrii nu se ajustează după fiecare cuvânt, ci după loturi de milioane de predicții odată. Pe toată durata antrenării, asta înseamnă câteva sute de mii de ajustări, până la un milion și ceva.

Cea mai potrivită analogie pe care o știu e o masă de mixaj cu sute de miliarde de butoane. La fiecare lot de exemple, fiecare buton e rotit foarte puțin, iar ce face fiecare buton nu hotărăște nimeni. După luni de rotiri, pe zeci de mii de plăci video și cu costuri de calcul de zeci până la sute de milioane de dolari, masa ajunge să „sune“ ca limbajul uman.

Acum vine ceva ce nu pare logic la prima vedere: ca să ghicești bine următorul cuvânt din orice text din lume, ajută enorm să ai, măcar în parte, un model al lumii care a produs textul. Ca să completezi corect „Mutarea care câștigă în poziția asta este…“, ajută să știi șah. Ca să completezi o demonstrație, ajută să știi matematică. Nimeni nu l-a învățat explicit nici șah, nici matematică. Le-a absorbit, mai bine sau mai rău, ca efect secundar al unui singur obiectiv: să ghicească următorul token.

Faza asta se numește pre-antrenare. Din ea iese un fel de „autocomplete“ genial, care încă nu știe să fie asistent. Urmează post-antrenarea: exemple de conversații bune, RLHF cu evaluatori umani și, la unele companii, seturi de principii scrise pe care modelul învață să le respecte (Anthropic, compania care dezvoltă Claude, numește asta „AI constituțional“). În faza asta își capătă modelul personalitatea, tonul, refuzurile și felul în care îți vorbește.

Ce NU face modelul (deși mulți presupun că face)

Câteva lucruri pe care, din ce am văzut, aproape toată lumea le înțelege greșit:

• Nu caută răspunsul într-o bază de date. Înăuntrul lui nu există un fișier cu „fapte“. Tot ce „știe“ e topit în parametri, ca o compresie cu pierderi a internetului. De aceea poate reproduce stilul unui autor, dar uneori inventează titlul unei cărți pe care autorul n-a scris-o niciodată. (Când un chatbot îți dă surse, de obicei a făcut între timp, separat, o căutare pe web și citește rezultatele.)
• Nu învață din conversația cu tine. După antrenare, parametrii se „îngheață“. Ce pare memorie e fie textul conversației curente, retrimis integral la fiecare mesaj (fereastra de context), fie notițe salvate de aplicație și puse din nou în fața modelului. Discuția de azi nu-l face mai deștept pe modelul de mâine. (În funcție de setările tale, conversațiile pot fi totuși folosite la antrenarea versiunilor viitoare, dar asta se întâmplă luni mai târziu, nu în timpul discuției voastre.)
• Nu e antrenat suficient să spună când nu știe. Are un semnal intern de incertitudine (modelele de bază sunt chiar destul de bine calibrate), dar antrenarea îl împinge prea puțin să-l folosească. Așa că, la orice întrebare, produce continuarea cea mai plauzibilă.

Halucinațiile nu sunt o defecțiune, ci felul în care funcționează mecanismul

Ultimul punct explică cea mai cunoscută problemă a modelelor: halucinațiile, adică răspunsuri false spuse cu toată încrederea din lume.

În septembrie 2025, chiar cercetătorii OpenAI au publicat o lucrare cu o explicație incomodă: modelele halucinează în bună parte pentru că așa le-am antrenat și așa le-am testat. Cele mai multe teste după care sunt evaluate notează un răspuns doar cu „corect“ sau „greșit“. Un „nu știu“ ia zero puncte, exact ca un răspuns greșit, așa că, statistic, un model care ghicește iese mai bine decât unul cinstit. E ca la o grilă fără depunctare: dacă nu știi, bifezi ceva oricum.

Am dat de fenomenul ăsta și în munca mea. Când am construit în agenție unelte care folosesc modele ca să scrie despre produsele clienților, una dintre primele reguli a fost ca orice cod de produs pomenit în text să fie căutat în catalogul real al clientului înainte să fie acceptat. Modelul e perfect capabil să inventeze un cod care arată exact ca unul adevărat. Nu minte, în sensul în care mint oamenii: pentru el, un cod plauzibil e o continuare la fel de bună ca unul real.

Modelele care „gândesc“ înainte să răspundă

În septembrie 2024, OpenAI a lansat o1, primul dintr-o categorie nouă: modelele de raționament. Diferența se explică ușor: înainte să-ți răspundă, modelul își scrie un lanț lung de pași intermediari. Încearcă o cale, verifică, se corectează, încearcă alta, și abia apoi răspunde.

Noutatea e învățarea prin recompensă, aplicată masiv pe probleme al căror răspuns poate fi verificat automat: matematică, programare, logică. (OpenAI n-a dat detalii; o rețetă a fost descrisă public de cercetătorii de la DeepSeek, în ianuarie 2025.) Modelul încearcă de mii de ori, iar lanțurile de gândire care duc la răspunsul corect sunt întărite. Nimeni nu-i scrie pas cu pas cum să gândească. Pornește de la câteva exemple, iar strategiile, inclusiv obiceiul de a se întoarce și a-și verifica munca, le descoperă în mare parte singur.

Așa a apărut a doua pârghie de creștere, pe lângă antrenare: cu cât îl lași să „gândească“ mai mult, cu atât răspunde mai bine la problemele grele. Mai jos o să vezi ce a ieșit de aici.

Agenții: modelul care trece de la vorbă la faptă

Ultimul pas: dacă un model poate scrie text, poate scrie și comenzi. Îi dai acces la unelte (un motor de căutare, un browser, un terminal, un tabel, emailul) și îl lași să lucreze în buclă: decide ce face, folosește o unealtă, citește rezultatul, decide pasul următor. Un sistem care lucrează așa se numește agent.

În direcția asta merge toată industria în 2026. O să revin la ea, pentru că acolo e ținta reală.

2023-2026: patru ani cât patruzeci

După ChatGPT, totul s-a accelerat atât de tare încât e greu de povestit în ordine. Îți dau doar reperele importante, ca să te poți orienta.

2023, anul fricii. În ianuarie, Microsoft a mai investit în OpenAI câteva miliarde de dolari (presa a vorbit de zece). Pe 14 martie, OpenAI a lansat GPT-4, un salt vizibil față de tot ce exista. După o săptămână, peste o mie de cercetători și antreprenori, printre care Elon Musk, Steve Wozniak și Yoshua Bengio, au semnat o scrisoare prin care cereau o pauză de șase luni în antrenarea sistemelor mai puternice decât GPT-4, pauză care n-a mai venit. În mai, Geoffrey Hinton a plecat de la Google ca să poată vorbi liber despre riscuri, iar la sfârșitul lunii sute de cercetători și șefi de laboratoare, inclusiv Altman, Hassabis și Dario Amodei, au semnat o declarație de o singură frază: reducerea riscului de extincție din cauza AI-ului ar trebui să fie o prioritate globală, alături de pandemii și de războiul nuclear. În noiembrie, consiliul de administrație al OpenAI l-a concediat pe Sam Altman. Aproape toți angajații au amenințat că pleacă după el, la Microsoft. În cinci zile, Altman era înapoi, iar consiliul care îl dăduse afară fusese în mare parte schimbat.

2024, anul raționamentului. Ilya Sutskever, care votase inițial pentru concedierea lui Altman, a plecat din OpenAI în mai, iar în iunie a fondat Safe Superintelligence (SSI), o companie cu un singur produs declarat: superinteligența sigură. În septembrie a apărut o1, primul model de raționament, iar în octombrie au venit cele două Nobeluri pentru AI.

2025, anul banilor. Pe 21 ianuarie, la Casa Albă, OpenAI, SoftBank și Oracle au anunțat Stargate: 500 de miliarde de dolari în centre de date, în patru ani. Cu o zi înainte, startup-ul chinez DeepSeek lansase R1, un model de raționament comparabil cu cele americane, făcut cu o mică parte din bani și publicat gratuit. O săptămână mai târziu, panica a ajuns la bursă: pe 27 ianuarie, Nvidia a pierdut într-o singură zi în jur de 590 de miliarde de dolari din valoarea de piață, cea mai mare scădere de acest fel din istoria bursei americane la momentul respectiv. În iunie, Mark Zuckerberg a plătit 14,3 miliarde de dolari pentru 49% din compania Scale AI și l-a adus pe fondatorul ei, Alexandr Wang, să conducă noul laborator de superinteligență al Meta. Apoi a început să le ofere cercetătorilor pachete de zeci și sute de milioane de dolari. În iulie, modelele Google și OpenAI au atins nivelul de medalie de aur la Olimpiada Internațională de Matematică (revin mai jos). În august, GPT-5 a avut o lansare stângace. În octombrie, OpenAI s-a transformat în companie cu scop lucrativ, controlată de o fundație, iar Nvidia a devenit prima companie din lume evaluată la 5.000 de miliarde de dolari.

2026, anul agenților și al marilor afirmații. Modelele au trecut de la „răspunde la întrebări“ la „lucrează singur ore întregi“. În martie, OpenAI a atras 122 de miliarde de dolari la o evaluare de 852 de miliarde. În aprilie, Anthropic a anunțat un model, Claude Mythos, atât de bun la găsit vulnerabilități informatice încât a refuzat să-l lanseze public și l-a dat doar unor companii care își apără infrastructura. În mai, Anthropic a strâns 65 de miliarde la o evaluare de aproape o mie de miliarde. În vară, ChatGPT se apropia de un miliard de utilizatori pe săptămână, iar Google a anunțat un miliard de utilizatori lunari pentru aplicația Gemini. La începutul lui septembrie, OpenAI a lansat GPT-6 Astra, iar cofondatorul Greg Brockman a spus că „nu e nerezonabil să simțim că am intrat în era AGI“. Mai jos explic ce înseamnă asta și de ce trebuie luat cu precauție.

Tot în 2026, Uniunea Europeană a amânat calendarul AI Act: obligațiile pentru sistemele „cu risc ridicat“ se aplică, în cele mai multe cazuri, din decembrie 2027 în loc de august 2026, iar cele din produsele reglementate, din august 2028. Când am scris articolul, România încă nu adoptase legea de aplicare, așa că autoritățile noastre nu aveau temeiul legal pentru sancțiunile prevăzute de AI Act.

Deci, cât de inteligentă e?

Am ajuns la întrebarea din titlu. Îți spun din capul locului că nu există un răspuns scurt. Cine îți dă unul („e doar un papagal“ sau „e deja mai deșteaptă decât noi“) încearcă să-ți vândă ceva.

Ce urmează e felul în care o văd eu, din ce arată datele și din lucrul cu ea, zi de zi.

Argumentele pentru „e cu adevărat inteligentă“

Încep cu ce e greu de contestat.

Olimpiada de Matematică. În iulie 2025, un model Google (Gemini Deep Think) și unul experimental al OpenAI au obținut fiecare 35 de puncte din 42 la Olimpiada Internațională de Matematică, adică nivel de medalie de aur. Au rezolvat cinci probleme din șase, cu demonstrații scrise în limbaj natural, în timpul de concurs. Rezultatul Google a fost notat oficial de coordonatorii olimpiadei, cel al OpenAI de evaluatori aleși de companie. Cu un an înainte, cel mai bun sistem ajunsese la argint, și asta doar cu ajutorul unor traduceri în limbaj formal făcute de oameni. Problemele de olimpiadă nu se găsesc pe internet înainte de concurs, deci nu pot fi memorate.

Durata sarcinilor. Organizația independentă METR măsoară ceva mai util decât notele la examene: cât de lungă poate fi o sarcină pe care un model o duce singur la capăt în jumătate din cazuri. Lungimea se socotește în timpul de care ar avea nevoie un specialist uman. În martie 2025, METR arăta că, din 2019 încoace, lungimea asta se dublase cam la fiecare șapte luni. În 2026, ritmul se accelerase: modelele de vârf ajunseseră la sarcini de ordinul a 12 ore de muncă umană (cu o marjă de eroare mare, pe care o recunoaște chiar METR). E mult peste ce înțelegem de obicei printr-un „chatbot care răspunde la întrebări“.

Calculatorul, folosit ca de un om. Pe un test numit OSWorld, agentul primește un calculator real și o sarcină („fă tabelul ăsta, trimite-l pe email“). Potrivit raportului Stanford AI Index din aprilie 2026, agenții au urcat aici de la circa 12% la circa 66% din sarcini. Oamenii rezolvă în jur de 72%.

Pe mine însă mă conving mai mult decât orice examen lucrurile găsite în interiorul modelelor. Există un domeniu întreg, numit interpretabilitate, care încearcă să deschidă „cutia neagră“ și să vadă ce calculează efectiv modelele.

În 2022, un grup de cercetători a antrenat un model mic doar pe liste de mutări din jocul Othello, fără să-i arate vreodată tabla și fără să-i explice regulile. Când s-au uitat în interiorul lui, au găsit o reprezentare a tablei: modelul își construise singur o „imagine“ a poziției pieselor și o folosea ca să prezică mutările legale.

În martie 2025, Anthropic a publicat o cercetare în care a urmărit „gândurile“ modelului Claude în timp ce lucra. Mi-au rămas în minte două exemple. Primul: când scria o poezie cu rimă, modelul alegea cuvântul de rimă înainte să înceapă versul, apoi construia versul ca să ajungă la el. Cu alte cuvinte, planifica, nu doar înșira cuvânt după cuvânt. Al doilea: la o întrebare de tipul „care e capitala statului în care se află Dallas?“, modelul făcea intern pasul intermediar (Dallas e în Texas) și abia apoi ajungea la Austin, fără să fi memorat direct perechea.

Un program care doar scoate răspunsuri memorate n-ar face așa ceva. Expresia „papagal stocastic“ (inventată în 2021 de lingvista Emily Bender, de cercetătoarea Timnit Gebru și de coautorii lor, ca avertisment despre modelele care reproduc tipare fără înțeles) numește corect un pericol. Ca imagine completă a ceea ce fac modelele de azi, mi se pare însă depășită.

Argumentele pentru „nu e ce pare“

Același studiu Anthropic are și o parte mai puțin citată, la fel de importantă după mine. Cercetătorii au pus modelul să adune două numere și au urmărit ce calculează: folosea în paralel o estimare aproximativă a rezultatului și un calcul exact al ultimei cifre, apoi le combina. Întrebat cum a ajuns la rezultat, modelul a descris metoda învățată la școală, cu „unu în minte“. Explicația pe care o dădea nu era ce făcuse de fapt. Modelul nu are acces la propriul mecanism; îți dă explicația care sună cel mai plauzibil.

De aici ajungem la o problemă mai largă: testele mint mai des decât crezi. Când OpenAI a lansat GPT-4, în martie 2023, a anunțat că modelul trecuse examenul de admitere în barou din SUA cu un scor care l-ar fi pus între primii 10% dintre candidați. Un studiu publicat ulterior, în 2024, a arătat că cifra fusese calculată față de un grup de candidați care repetau examenul, deci mai slabi decât media. Față de cei care îl dădeau prima dată, scorul scădea mult, iar la partea de eseuri ajungea sub jumătatea clasamentului.

Mai e și problema contaminării: multe teste publice au ajuns pe internet cu tot cu întrebări și răspunsuri, deci și în datele de antrenare. Un model care a „văzut“ subiectul nu dovedește inteligență când îl rezolvă. De aceea cercetătorii construiesc mereu teste noi, ținute secrete, și tot de aceea cifrele dintr-un comunicat de presă trebuie citite cu suspiciune.

Cel mai bun exemplu recent e testul ARC-AGI, creat de François Chollet (îl vei reîntâlni mai jos) tocmai ca să măsoare ce le e ușor oamenilor și greu mașinilor: mici puzzle-uri vizuale pe care nu le poți rezolva din memorie, ci doar descoperind regula. Când a apărut a treia versiune, în martie 2026, oamenii le rezolvau pe toate, iar cele mai bune modele din lume luau sub 1%. La începutul lui septembrie, fundația care administrează testul a testat GPT-6 Astra în două configurații, cu 62,7% în cea standard și 99,9% într-una care îi păstrează modelului „memoria“ internă de la un pas la altul. Fundația a avertizat că cele două cifre nu sunt comparabile și a precizat explicit că nu consideră rezultatul o dovadă de AGI. OpenAI anunțase și ea, cu propria configurație, tot 99,9%. Diferența vine din „schela“ construită în jurul modelului: instrucțiunile, uneltele, felul în care i se prezintă problema. Același model poate scoate două cifre complet diferite.

Un alt exemplu, din aceeași serie de anunțuri: tot la începutul lui septembrie 2026, OpenAI a afirmat că un model al său a rezolvat o variantă a problemei Navier-Stokes, una dintre cele șapte „probleme ale mileniului“ din matematică. Când scriu aceste rânduri, afirmația e contestată, atât în privința priorității, cât și în privința variantei (dacă e rezolvată chiar cea care contează), și nu a fost verificată independent. Câteva zile mai târziu, 25 de laureați ai Medaliei Fields, printre care Terence Tao și Peter Scholze, au publicat o scrisoare în care critică goana laboratoarelor după probleme celebre, anunțurile grăbite și faptul că matematicienii pe a căror muncă se clădesc aceste rezultate nu li se recunoaște meritul.

Rezultatele pot fi foarte bine adevărate. Problema e că, în 2026, cine face anunțul e și cel care vinde produsul, iar verificarea independentă vine, când vine, după ce titlurile au apărut deja.

Mai sunt și eșecurile banale, care poate spun mai mult decât orice record. Același raport Stanford din 2026 notează că cel mai bun model testat citea corect ora pe un ceas cu limbi doar în 50,6% din cazuri, față de 90,1% la oameni. Un studiu METR din iulie 2025 a pus 16 programatori experimentați să lucreze pe propriile proiecte, cu și fără AI: cu AI au fost cu 19% mai lenți, deși la final erau convinși că AI-ul îi făcuse cu 20% mai rapizi. În iunie 2025, cercetători de la Apple au arătat că modelele de raționament cedează complet la puzzle-uri logice clasice, precum Turnul din Hanoi, imediat ce problema trece de un anumit prag de complexitate. (Studiul a fost contestat în parte, pe motiv că testul era gândit în defavoarea modelelor, iar discuția despre cât din eșec ține de model și cât de felul în care a fost făcut testul nu s-a încheiat.)

Cuvântul care descrie cel mai bine situația: „zimțată“

În 2023, cercetători de la Harvard, împreună cu firma de consultanță BCG, au făcut un experiment cu 758 de consultanți. Unii au primit acces la GPT-4, alții nu. La sarcinile potrivite pentru AI, cei care l-au folosit au dus la capăt cu 12% mai multe, cu 25% mai repede, iar munca lor a primit note de calitate cu peste 40% mai mari. La o sarcină aleasă special ca să fie în afara a ceea ce modelul putea face bine, șansele celor cu AI de a ajunge la răspunsul corect au fost cu 19 puncte procentuale mai mici decât ale celorlalți, pentru că s-au bizuit pe el.

Autorii au numit fenomenul frontiera zimțată. Granița dintre ce face AI-ul excelent și ce face prost nu e o linie dreaptă și nu urmează intuiția noastră despre ce e „greu“ și ce e „ușor“. Andrej Karpathy, unul dintre fondatorii OpenAI, folosește expresia „inteligență zimțată“.

Fenomenul nu e nou. În anii ’80, cercetătorul în robotică Hans Moravec a observat ceva ce azi îi poartă numele, paradoxul lui Moravec: lucrurile pe care oamenii le consideră grele (șahul, calculul, logica) sunt relativ ușor de automatizat, iar cele pe care un copil mic le face fără efort (să meargă, să apuce un pahar, să recunoască o față într-o mulțime) sunt teribil de grele pentru o mașină. Explicația lui: abilitățile senzoriale și motorii sunt rodul a sute de milioane de ani de evoluție, iar gândirea abstractă e o achiziție recentă și superficială.

Exemplul de la începutul articolului, cu nebunul care „apasă“ pe d4 prin calul de pe f6, ține exact de asta. Același model care putea explica la nivel de manual ideea unei deschideri nu reușea să urmărească de fiecare dată corect o diagonală de opt câmpuri. Am ajuns să nu mai las să treacă nicio frază de tipul „piesa X atacă Y“ fără s-o verifice pe tablă un program care chiar calculează. La fel și cu faptele istorice: când am pus un al doilea agent să verifice textele despre istoria deschiderilor de șah, a găsit zeci de afirmații exagerate sau pur și simplu inversate (cine pe cine a bătut, în ce an).

De aici regula practică pe care o aplic și pe care o recomand oricui: nu te întreba „e deșteaptă sau nu?“, ci „sarcina asta e în zona în care e excelentă sau în cea în care greșește convingător?”. Răspunsul îl afli doar verificând.

Ce îi lipsește, concret

Dacă lași deoparte și entuziasmul, și scepticismul, rămân câteva lipsuri pe care le recunosc aproape toți cercetătorii serioși:

• Învățarea continuă. Un om învață din fiecare zi. Un model e antrenat o dată, apoi înghețat. Tot ce află într-o conversație se pierde la final, în afară de notițele pe care i le păstrează aplicația. La un om, i-am spune amnezie.
• Eficiența. Până la adolescență, un copil aude de ordinul zecilor de milioane de cuvinte și ajunge să vorbească fluent. Modelul Llama 3 al Meta a fost antrenat pe 15.000 de miliarde de tokeni, adică de ordinul a sute de mii de ori mai mult. Cercetătorul francez François Chollet, care a definit inteligența drept eficiența cu care dobândești abilități noi, ar spune că aici e miezul problemei: un sistem care are nevoie de tot internetul ca să învețe ce învață un copil din casa lui nu e inteligent în același sens.
• Corpul și lumea fizică. Modelele de limbaj au învățat lumea din descrierile ei. N-au ținut niciodată un obiect în mână ca să-i simtă greutatea și n-au căzut niciodată. De aici vin o parte din greșelile lor de bun-simț și unul dintre motivele pentru care roboții avansează mult mai încet decât chatboții.
• Obiectivele lungi. Un model poate rezolva o problemă grea în câteva minute. Să ducă la capăt un proiect de câteva săptămâni, cu sute de decizii legate între ele, fără să se rătăcească, e încă mult mai greu.
• Să știe ce nu știe. Cum ai văzut, are un semnal intern de incertitudine, dar nu-l folosește consecvent ca să spună „asta nu știu“. Un om bun în meseria lui e valoros tocmai pentru că știe unde i se termină competența.

Și conștiința?

Scurt, pentru că aici se spun cele mai multe prostii: nu există nicio dovadă științifică că vreun model de azi ar fi conștient, ar simți ceva sau ar avea experiențe. Când un model îți spune „mă bucur“ sau „mi-e teamă“, nu dovedește nimic: a fost antrenat pe miliarde de texte scrise de oameni care spuneau exact asta. E efectul ELIZA, la scară industrială.

Adevărul e că nici nu avem un test bun pentru conștiință, nici măcar pentru animale. Câțiva filozofi și câteva companii (Anthropic, de exemplu, are un program de cercetare despre „bunăstarea modelelor“) cred că întrebarea merită luată în serios, din precauție. Mustafa Suleyman, șeful diviziei de AI a Microsoft, susține opusul: pericolul real nu e un AI conștient, ci unul care pare conștient atât de convingător încât oamenii încep să se atașeze de el și să ceară drepturi pentru el.

Eu sunt mai aproape de Suleyman. Pentru un antreprenor contează mai puțin dacă simte și mai mult dacă se poate baza pe ce spune. Răspunsul: uneori, iar tu trebuie să știi când.

Oamenii din spatele hype-ului

Urmărind domeniul ăsta, am învățat un lucru: ca să înțelegi o predicție despre AI, uită-te întâi la cine o face și ce are de câștigat din ea. Nu zic că oamenii ăștia mint. Cei mai mulți chiar cred ce spun. Doar că, la ei, convingerile și interesele tind să se potrivească surprinzător de bine.

Mai jos sunt personajele principale, cu ce cred și ce miză are fiecare.

Geoffrey Hinton, britanic, 78 de ani, e omul care n-a renunțat la rețelele neuronale nici în cele două ierni ale domeniului. Numele lui e legat de backpropagation, de AlexNet și de Nobelul pentru Fizică. A plecat de la Google în 2023 și de atunci tot avertizează că tehnologia pe care a ajutat s-o creeze ar putea scăpa de sub control. A spus public că o parte din el regretă munca vieții lui. Pentru mine contează mult că nu mai lucrează pentru nicio companie de AI: avertismentele lui nu vând niciun produs.

Yann LeCun, francez, e pionierul rețelelor convoluționale și a condus ani la rând cercetarea de AI de la Meta. Dintre „nași“, e scepticul cel mai vehement: susține de ani buni că modelele de limbaj sunt o fundătură pe drumul spre inteligența reală, pentru că învață din text, nu din lume, și că o pisică înțelege mai multă fizică decât orice chatbot. La sfârșitul lui 2025 a plecat de la Meta și a fondat la Paris o companie care construiește „modele ale lumii“, adică sisteme care învață din imagini și video cum funcționează realitatea. În martie 2026 a strâns pentru ea peste un miliard de dolari. Acum își pune teza la încercare cu bani adevărați.

Yoshua Bengio, canadian, al treilea „naș“, e cel mai citat informatician din lume. A trecut de la entuziasm la îngrijorare și acum lucrează la siguranța AI-ului: în 2025 a fondat LawZero, o organizație non-profit care încearcă să construiască un AI care nu acționează autonom, ci doar explică și verifică.

Fei-Fei Li a creat ImageNet. Azi conduce World Labs, o companie care construiește și ea modele 3D ale lumii și care a strâns un miliard de dolari în februarie 2026. E una dintre puținele voci care insistă că inteligența înseamnă și percepție spațială, nu doar limbaj.

Demis Hassabis e omul din spatele AlphaGo și AlphaFold, cu un Nobel pentru Chimie. Conduce Google DeepMind, deci, practic, toată cercetarea de AI a Google. Dintre șefii de laboratoare, e cel mai apropiat de știință și cel mai prudent în ce declară: ani la rând a vorbit despre AGI „în cinci-zece ani“, iar în mai 2026 spunea că vede momentul în jurul lui 2030. Visul lui declarat e un AI care face știință, de la medicamente și materiale până la fizică, nu un chatbot.

Ilya Sutskever e coautor al AlexNet, cofondator al OpenAI și, ani la rând, creierul ei științific. E și omul care a votat concedierea lui Altman, apoi a spus public că regretă. Azi conduce SSI, compania lui de „superinteligență sigură“, care n-a lansat niciun produs, dar care, potrivit presei, a fost evaluată la zeci de miliarde. Într-un interviu din noiembrie 2025 a spus ceva ce mi se pare printre cele mai importante lucruri auzite în anul acela: că perioada 2020-2025 a fost „era scalării“ (mai mult calcul, mai multe date, model mai bun) și că am intrat din nou într-o „eră a cercetării“, în care centrele de date mai mari nu mai ajung și e nevoie de idei noi. Cântărește cu atât mai mult cu cât vine de la cel care a crezut în scalare înaintea aproape tuturor.

Sam Altman nu e cercetător. E investitor și fondator de companii, fost președinte al Y Combinator și CEO-ul OpenAI. E cel mai bun povestitor din domeniu și, probabil, cel mai priceput om la strâns bani din toată istoria tehnologiei. În iunie 2025 a publicat un eseu despre o „singularitate blândă“, o trecere spre superinteligență mai puțin dramatică decât în filme. În octombrie 2025 a anunțat două ținte interne concrete: un „stagiar de cercetare“ AI până în septembrie 2026 și un cercetător AI autonom, „legitim“, până în martie 2028. Pe 6 septembrie 2026, OpenAI a anunțat că a atins prima țintă, deși compania însăși a recunoscut că sistemul lucrează „sub îndrumare umană“, iar la sarcinile complexe are nevoie de multă ghidare. Fiecare predicție a lui Altman e, în același timp, un argument pentru următoarea rundă de finanțare. Cu sute de miliarde de dolari angajate în centre de date, OpenAI are nevoie ca lumea să creadă că ținta e aproape.

Dario Amodei e fizician și a fost vicepreședinte de cercetare la OpenAI. A plecat la finalul lui 2020, iar în 2021 a fondat, împreună cu sora lui, Daniela, și cu alți colegi, Anthropic, compania care dezvoltă Claude, pornind de la ideea că siguranța trebuie să stea în centrul cercetării. E, în același timp, cel mai îngrijorat și unul dintre cei mai optimiști șefi de laborator. În eseul „Machines of Loving Grace“, din octombrie 2024, descria „o țară de genii într-un centru de date“, posibilă, spunea el, în doar câțiva ani și în stare să comprime 50-100 de ani de progres în biologie în 5-10 ani. În ianuarie 2026 a avertizat că AI-ul ar putea afecta, în unu până la cinci ani, jumătate din locurile de muncă de birou pentru cei aflați la început de carieră. Tot în 2026, compania lui a plătit pentru principiile ei: a refuzat să renunțe la limitele privind supravegherea în masă și armele autonome, iar Pentagonul a etichetat-o „risc pentru lanțul de aprovizionare“. O instanță din California a blocat decizia în martie 2026, iar litigiul continuă. Și predicțiile lui, ca ale lui Altman, vin de la șeful unei companii care a strâns, în același an, zeci de miliarde de dolari.

Elon Musk a cofondat și a finanțat OpenAI în 2015 și a plecat în 2018. În 2024 și-a dat în judecată fosta organizație, acuzând-o că și-a trădat misiunea non-profit; în mai 2026 a pierdut procesul în fața unui juriu și a anunțat că face apel. În 2023 a fondat xAI și chatbotul Grok, iar în februarie 2026 xAI a fost absorbită de SpaceX. Musk face cele mai îndrăznețe predicții: la Davos, în ianuarie 2026, spunea că vom avea AI mai inteligent decât orice om până la finalul anului și mai inteligent decât toată omenirea la un loc în jurul lui 2030. Doar că a făcut predicții asemănătoare și în anii anteriori, iar termenele lor au tot trecut.

Mark Zuckerberg a rămas în urmă în cursa pentru cele mai avansate modele și încearcă să recupereze cu bani: laboratorul Meta Superintelligence Labs, investiția în Scale AI, oferte salariale de zeci și sute de milioane. În iulie 2025 scria că superinteligența a devenit „vizibilă la orizont“ și o promitea „personală“, pentru fiecare om. Primul model al noului laborator, Muse Spark, a apărut abia în aprilie 2026, iar compania a recunoscut că încă e în urmă la agenți și la programare.

Jensen Huang, taiwanezo-american, a cofondat Nvidia în 1993, într-un local Denny’s din California. El e cel care vinde lopețile în goana după aur: majoritatea modelelor mari de pe planetă sunt antrenate pe cipurile lui (marea excepție e Google, care își antrenează modelele pe cipurile proprii; Anthropic folosește, pe lângă Nvidia, și cipurile Google și pe cele de la Amazon). În octombrie 2025, compania lui a devenit prima din lume evaluată la 5.000 de miliarde de dolari. Nimeni nu are un interes mai direct ca toată lumea să creadă că avem nevoie de mai mult calcul.

Mustafa Suleyman, unul dintre cofondatorii DeepMind, conduce azi divizia de AI a Microsoft. În noiembrie 2025 a format o echipă de „superinteligență umanistă“, cum numește el un AI care rămâne explicit în slujba oamenilor, fără să devină rivalul lor.

Andrej Karpathy e unul dintre fondatorii OpenAI, a condus AI-ul de la Tesla și e, probabil, omul care explică cel mai bine domeniul. În octombrie 2025, când conducea o mică firmă de educație în AI, a spus că AGI e „la un deceniu distanță“, că agenții de azi pur și simplu nu merg încă suficient de bine și că urmează „deceniul agenților“, nu „anul agenților“. În mai 2026 a trecut la Anthropic, în echipa care antrenează modelele de bază. Îl ascult cu mare atenție tocmai pentru că nu umflă nimic.

Liang Wenfeng a pus pe picioare High-Flyer, un fond de investiții cantitative din Hangzhou, și a construit DeepSeek din profiturile lui. În ianuarie 2025 a arătat că avantajul american e mai mic decât se credea și că modelele pot fi făcute mult mai eficient. Raportul Stanford AI Index din 2026 constată că diferența dintre cele mai bune modele americane și cele chinezești ajunsese la doar câteva procente pe principalele teste de performanță.

Dacă pui toate pozițiile astea una lângă alta, se vede un tipar: cei care conduc companiile cu cea mai mare nevoie de bani prezic, de regulă, AGI cel mai devreme; cercetătorii îl văd mai târziu și cu mai multe condiții. Regula nu e absolută: aproape fiecare om din listă are azi și o miză comercială, inclusiv sceptici ca LeCun, care strânge bani pentru propria alternativă. Ca grilă de citire, însă, e utilă.

Ținta reală: ce urmăresc cei care pun banii

Toată lumea vorbește despre AGI (artificial general intelligence, inteligență artificială generală). Problema e că fiecare o definește altfel.

Pentru OpenAI, definiția oficială, din statutul companiei, sună așa: „sisteme foarte autonome, care depășesc oamenii la majoritatea muncilor valoroase din punct de vedere economic“. Observă: nicio vorbă despre conștiință, înțelegere sau înțelepciune. E vorba doar de muncă. Herbert Simon ar fi recunoscut fraza: în fond, e promisiunea lui din 1965.

Mai mult, AGI e și un termen din contracte, de care atârnă zeci de miliarde de dolari. Contractul dintre OpenAI și Microsoft avea o clauză prin care anumite drepturi ale Microsoft încetau în momentul în care OpenAI ar fi declarat că a atins AGI. Presa americană a relatat, la finalul lui 2024, că cele două companii conveniseră între ele o definiție financiară: un sistem care poate genera 100 de miliarde de dolari de profit. La restructurarea din octombrie 2025, clauza s-a schimbat: acum, o declarație de AGI trebuie verificată de un grup independent de experți. Așa că, atunci când auzi un șef de companie spunând „am ajuns la AGI“ sau „încă nu“, ține minte că propoziția asta poate muta, la propriu, sume uriașe, chiar și când e rostită la o lansare, cum a fost fraza lui Brockman despre „era AGI“.

Dacă dai la o parte vorbele mari, ținta reală are trei etaje:

1. Automatizarea muncii intelectuale. Aici e afacerea propriu-zisă: un agent care face ce face azi un analist, un programator, un operator de suport sau un contabil junior, zi și noapte, la o fracțiune din cost. Din ea trebuie să vină banii care să justifice investițiile sau, dimpotrivă, tot ea va arăta că nu se puteau justifica.

2. Automatizarea cercetării în AI. E ținta strategică și, totodată, cea despre care presa obișnuită vorbește cel mai puțin. Dacă un AI poate face cercetare în AI, poate construi un AI mai bun, care face cercetare și mai bună, și tot așa. Ideea, pe care matematicianul I.J. Good a numit-o încă din 1965 „explozia inteligenței“, explică de ce se grăbesc atât de tare laboratoarele: cine intră primul în bucla asta s-ar putea să nu mai poată fi prins din urmă. Nici țintele lui Altman (stagiar de cercetare în 2026, cercetător în 2028) nu sunt alese la întâmplare: sunt chiar bucla asta, pusă în calendar.

3. Superinteligența. Un sistem care, la aproape orice, îi întrece pe toți oamenii, nu doar pe unul. Pentru unii (Amodei, Hassabis), e drumul spre vindecarea bolilor și spre abundență. Pentru alții (Hinton, Bengio), e cel mai mare risc din istoria speciei. În octombrie 2025, organizația Future of Life Institute a lansat o declarație pe care au semnat-o de atunci zeci de mii de oameni, printre ei Hinton, Bengio și Steve Wozniak. Textul cere interzicerea dezvoltării superinteligenței până când vor exista două lucruri: un consens științific larg că poate fi făcută în siguranță și sub control, plus un sprijin public puternic.

Banii

Ca să înțelegi miza, trebuie să te uiți la cifre. În 2025, Amazon, Alphabet (Google), Microsoft și Meta au cheltuit împreună în jur de 400 de miliarde de dolari pe centre de date și echipamente. Pentru 2026, estimările lor trec de 700 de miliarde. Centrele de date noi se măsoară în gigawați, cât consumă orașe întregi.

Veniturile sunt reale, dar deocamdată mult mai mici. Potrivit Bloomberg, OpenAI ajunsese în august 2026 la un ritm anualizat de peste 40 de miliarde de dolari, iar Anthropic, după relatările Reuters, la peste 65 de miliarde la finalul lui iulie, deci, pentru prima dată, peste OpenAI. (Ritmul anualizat e o extrapolare a vânzărilor din ultima lună, nu venit încasat pe un an.) Sunt cifre uriașe pentru niște companii care acum patru ani nu vindeau aproape nimic, dar tot departe de sutele de miliarde investite în fiecare an. Încă din 2024, fondul de investiții Sequoia numea diferența asta „întrebarea de 600 de miliarde de dolari“: cine va aduce veniturile din care să se plătească toată infrastructura?

La asta se adaugă tranzacțiile „în cerc“ de la finalul lui 2025. În septembrie 2025, Nvidia anunța că intenționează să investească până la 100 de miliarde în OpenAI, bani care urmau să se întoarcă în bună parte la Nvidia, prin comenzi de cipuri (în 2026, intenția a fost redusă la o investiție de circa 30 de miliarde). AMD îi dădea OpenAI opțiuni pe până la 10% din propriile acțiuni, în schimbul unor comenzi de cipuri. Iar OpenAI semna, potrivit presei, un contract de 300 de miliarde cu Oracle pentru capacitate de calcul. Când banii se învârt în cerc între furnizor și client, e greu de spus cât din creștere e cerere reală și cât e încredere reciprocă. De aici vine și discuția despre o „bulă AI“, care nu s-a încheiat nici azi.

Părerea mea e că probabil avem și tehnologie reală, și bulă, în același timp. Așa a fost și cu internetul în 1999: bula dot-com s-a spart, multe companii au dispărut, iar internetul a schimbat oricum totul. Că o tehnologie e supraevaluată pe termen scurt nu spune nimic despre cât de mult va schimba lumea pe termen lung.

Ce cred eu

Am încercat în tot articolul să țin faptele separat de păreri. Aici scriu doar ce cred eu, după ce am lucrat zi de zi cu AI-ul și am construit unelte care îl folosesc.

Cred că întrebarea „e inteligentă?“ e prost pusă. E ca și cum ai întreba dacă un avion zboară „ca o pasăre“. Nu zboară ca o pasăre: zboară mai repede, mai sus și mai departe, dar nu poate ateriza pe o creangă. AI-ul de azi e un tip nou de inteligență, care nu seamănă cu a noastră: genial într-o zonă, ridicol în alta, și nu-ți spune unde e granița.

Cred că progresul e real și, cel puțin deocamdată, nu încetinește, chiar dacă, după cum spune Sutskever, s-ar putea schimba rețeta prin care vine. Între ce puteau face modelele în 2023 și ce pot face acum, în septembrie 2026, e o diferență uriașă. Cine își face o părere despre AI după o încercare de acum doi ani judecă alt produs.

Cred că predicțiile cu dată fixă despre AGI trebuie tratate ca materiale de prezentare pentru investitori. Herbert Simon spunea în 1965 că în douăzeci de ani mașinile vor face orice muncă poate face un om. Musk spunea la Davos, în 2026, că vom avea AI mai deștept decât orice om până la sfârșitul anului. Poate că de data asta are dreptate. Numai că istoria de 70 de ani a domeniului e, în bună parte, o istorie a termenelor care au trecut.

Cred că cel mai apropiat risc e încrederea oarbă, nu un robot care preia controlul. Consultanții din experimentul Harvard n-au greșit pentru că AI-ul era prost, ci pentru că era convingător. De aici vine regula pe care o aplic în agenție: AI-ul lucrează, omul verifică. Niciun text, niciun cod de produs, nicio cifră nu pleacă la un client neverificat doar pentru că „a zis modelul“.

În fine, cred că, pentru o afacere din România, întrebarea utilă nu e „ce va face AI-ul în 2030?“, ci „ce face deja, azi, mai bine decât oamenii mei, și unde trebuie să-l verific?”. Câteva lucruri concrete:

• Folosește-l ca pe un stagiar foarte rapid, care a citit enorm și n-are deloc judecată. Îi dai sarcini clare, îi verifici munca și nu-i dai cheile firmei.
• Verifică orice fapt, orice cifră, orice citat, mai ales când sună exact cum te așteptai.
• Pornește de la ideea că clienții tăi îl folosesc deja ca să caute. Când cineva întreabă ChatGPT sau Gemini „ce firmă de … să aleg?“, contează dacă afacerea ta apare în răspuns. Am scris despre asta în articolul despre optimizarea pentru motoarele generative (GEO). În plus, din august 2026 ChatGPT afișează și reclame în România; am adunat tot ce se știe despre ele.
• Nu aștepta „momentul potrivit“, pentru că nu există. Modelele se schimbă o dată la câteva luni. Important e să înveți de acum cum să lucrezi cu ele, fiindcă priceperea asta o iei cu tine de la o versiune la alta.

Am început articolul cu un nebun de șah care „apăsa“ pe un câmp printr-un cal și îl închei cu aceeași imagine, pentru că mi se pare că descrie cel mai bine momentul în care suntem. Avem în mână cea mai impresionantă tehnologie pe care am văzut-o vreodată: vorbește și scrie ca un om, uneori raționează mai bine decât noi, dar din când în când nu vede tabla.

Treaba noastră, cel puțin deocamdată, e să ne uităm noi la tablă.

Notă: toate cifrele și faptele din articol au fost verificate la data publicării, 21 septembrie 2026. Domeniul se schimbă de la o lună la alta, așa că, dacă găsești ceva ce între timp nu mai e valabil, scrie-mi.