Zwrot Erica Schmidta od Google Search do strategii AI

Dlaczego Eric Schmidt ma znaczenie w rozmowie o polityce AI

Eric Schmidt ma znaczenie w polityce AI, ponieważ jego kariera łączy prowadzenie globalnej platformy technologicznej z próbą budowania krajowych zdolności technologicznych. Jego wpływ nie wynika z piastowania urzędu z wyboru ani z pisania regulacji. Polega na przekładaniu problemów inżynieryjnych, inwestycyjnych i organizacyjnych na zalecenia, które urzędnicy mogą finansować, przydzielać i mierzyć.

To rozróżnienie pomaga zachować właściwy punkt ciężkości. Lata Schmidta w Google wyjaśniają, dlaczego urzędnicy go słuchają, lecz nie chodzi tu o biografię ani historię wyszukiwarki. Istotne jest to, jak doświadczenie z danymi, infrastrukturą, talentami technicznymi i szybkim rozwijaniem produktów wpłynęło na jego późniejszą pracę nad bezpieczeństwem narodowym i sztuczną inteligencją.

Narodowa strategia AI to skoordynowany plan rządu dotyczący badań, wdrażania komercyjnego, wykorzystania w sektorze publicznym, bezpieczeństwa i nadzoru. Obejmuje finansowanie uczelni, imigrację wykwalifikowanych osób, dostawy półprzewodników, centra danych, energię, zakupy rządowe, standardy techniczne, przygotowanie pracowników i współpracę międzynarodową. Musi też rozstrzygnąć, gdzie ograniczenia są uzasadnione, kto odpowiada za awarie oraz jak obywatele mogą kwestionować szkodliwe decyzje podejmowane automatycznie.

W publicznej działalności Schmidta przewijają się cztery debaty:

• Innowacje dotyczą badań, tworzenia firm, szybkości wdrażania oraz dostępu do kapitału i mocy obliczeniowej.
• Bezpieczeństwo obejmuje wdrażanie w obronności, działania cybernetyczne, wywiad, ochronę modeli i niebezpieczne zdolności podwójnego zastosowania.
• Zarządzanie przypisuje odpowiedzialność przez testowanie, dokumentację, monitorowanie, odpowiedzialność prawną i środki naprawcze.
• Konkurencja dotyczy relacji USA-Chiny, koordynacji z sojusznikami, zaawansowanych chipów, standardów technicznych i talentów.

Debaty te się przenikają, ale nie są wymienne. Polityka zwiększająca krajową moc obliczeniową może wspierać badania i obronność, a zarazem zwiększać obciążenie systemu elektroenergetycznego. Ograniczenie eksportu może opóźnić dostęp konkurenta do zaawansowanego sprzętu, jednocześnie nakładając koszty na krajowych dostawców. Wymóg bezpieczeństwa może chronić ludzi w środowisku wysokiego ryzyka, lecz stać się kosztowną formalnością, jeśli bez zmian zastosuje się go do narzędzia administracyjnego niskiego ryzyka.

Znaczenie Schmidta wynika z takiego operacyjnego spojrzenia. Strategia narodowa nie jest deklaracją, że AI ma znaczenie. To zestaw instytucji, budżetów, systemów technicznych, zachęt i terminów, które przesądzają, czy publiczne ambicje wytrzymają zderzenie z wdrożeniem.

Od przywództwa inżynieryjnego do skali Google

Kariera technologiczna Schmidta dała mu bezpośrednie doświadczenie z problemami organizacyjnymi, które później pojawiły się w jego zaleceniach politycznych. Z wykształcenia informatyk, pracował w Bell Labs, Sun Microsystems i Novell, zanim w 2001 roku dołączył do Google jako dyrektor generalny. Google miało już założycieli, technologię wyszukiwania i szybko rosnącą publiczność. Jego zadaniem było pomóc przekształcić ten impet w firmę zdolną niezawodnie działać na wielu rynkach i w wielu produktach.

Pozostał dyrektorem generalnym Google do 2011 roku. W tym czasie firma rozbudowała infrastrukturę obliczeniową, działalność reklamową, zespół i ofertę produktów. Wniosek był szerszy niż sam wzrost: wynalazek techniczny ma ograniczoną wartość, jeśli organizacja nie potrafi rekrutować ludzi, przydzielać zasobów obliczeniowych, testować zmian, wychodzić z awarii ani podejmować decyzji w wymaganym tempie.

Wyszukiwarka dobrze pokazuje związek z tymi dyscyplinami działania. W ujęciu koncepcyjnym system wyszukiwania musi wykonać trzy odrębne zadania:

• Crawling odkrywa dokumenty i ponownie je odwiedza, gdy sieć się zmienia.
• Indeksowanie organizuje znalezione materiały, aby można je było sprawnie odzyskać.
• Ranking ocenia, które wyniki najlepiej odpowiadają konkretnemu zapytaniu i intencji.

Każde z tych zadań zależy od infrastruktury, jakości danych, pomiarów i stałego utrzymania. Użyteczna zmiana rankingu musi działać w różnych językach, dla rzadkich zapytań, prób spamu, nagłych wydarzeń informacyjnych, wolnych sieci i miliardów interakcji. Niewielki poziom błędów może oznaczać ogromną dzienną liczbę złych wyników, gdy usługa działa w skali globalnej.

Era wyszukiwarek upowszechniła też kontrolowane eksperymenty. Zespoły mogły porównać proponowaną zmianę z istniejącym systemem, obserwować zachowania użytkowników, sprawdzać przypadki błędów i wycofać wydanie, gdy dowody przemawiały przeciwko niemu. Monitorowanie i możliwość cofnięcia zmian były częścią produktu, a nie pracą administracyjną dodaną po uruchomieniu.

Zaufanie trudniej było mierzyć, ale miało równie realne znaczenie. Ranking wyszukiwania wpływa na to, z czym ludzie się stykają, a gromadzenie danych tworzy obowiązki w zakresie prywatności i bezpieczeństwa. Użytkownicy mogą porzucić usługę, jeśli wyniki wydają się zmanipulowane, niebezpieczne lub trwale niedokładne. Rządy mają podobny problem z AI: system może osiągać wewnętrzny cel wydajnościowy, a mimo to utracić legitymację, jeśli ludzie nie potrafią zrozumieć, zakwestionować ani uniknąć jego decyzji.

Ta analogia ma swoje granice. Państwo nie jest firmą technologiczną, obywatele nie są klientami, a władzy publicznej nie da się sprowadzić do zarządzania produktem. Rząd musi przestrzegać prawa, chronić prawa konstytucyjne, wspierać rzetelny proces i odpowiadać przed instytucjami o konkurujących mandatach. Doświadczenie Schmidta z sektora prywatnego pomaga, gdy wskazuje operacyjne wąskie gardła. Jest mniej przekonujące, gdy tempo korporacyjne traktuje się jako zamiennik demokratycznej odpowiedzialności.

Role publiczne, które stworzyły wpływ Schmidta na politykę

Przejście Schmidta do krajowej polityki technologicznej nastąpiło poprzez serię formalnych ról doradczych i prywatnie finansowanych inicjatyw. Dały mu one dostęp do liderów obronności, ustawodawców, specjalistów technicznych i pracowników odpowiedzialnych za politykę, a zarazem dostarczyły publicznych dokumentów, według których można oceniać jego wpływ.

W 2016 roku sekretarz obrony Ash Carter wybrał Schmidta na przewodniczącego nowo utworzonej Defense Innovation Board. Jej mandat polegał na doradzaniu liderom Department of Defense w sprawach praktyk organizacyjnych, oprogramowania, danych, talentów i szybszego wdrażania technologii. Rada nie kierowała operacjami wojskowymi ani nie przyznawała kontraktów. Opracowywała zalecenia, które miały pomóc dużej biurokracji skuteczniej współpracować z nowoczesną technologią i dostawcami komercyjnymi.

Kongres utworzył później National Security Commission on Artificial Intelligence, powszechnie nazywaną NSCAI. Schmidt przewodniczył tej ponadpartyjnej komisji złożonej z 15 osób, a były zastępca sekretarza obrony Robert Work był jej wiceprzewodniczącym. Jej ustawowym zadaniem było zalecić, jak Stany Zjednoczone powinny rozwijać AI i pokrewne technologie, aby odpowiadać na potrzeby bezpieczeństwa narodowego i gospodarczego.

NSCAI przekazała raport końcowy prezydentowi i Kongresowi w 2021 roku. Raport zawierał 16 rozdziałów oraz szczegółowe plany działań obejmujące wdrażanie w obronności, talenty techniczne, infrastrukturę badawczą, mikroelektronikę, sojusze, odpowiedzialne wykorzystanie i konkurencję z Chinami. Jego znaczenie wynikało z połączenia twierdzeń strategicznych z propozycjami możliwymi do wdrożenia. Urzędnicy mogli wyodrębnić strukturę biura, program zatrudniania, koncepcję budżetową lub wymóg testowania, zamiast przyjąć ogólny apel o inwestowanie w AI.

Po zakończeniu prac NSCAI Schmidt założył w 2021 roku Special Competitive Studies Project. Ta prywatna fundacja operacyjna bada AI i inne nowe technologie w odniesieniu do bezpieczeństwa narodowego, gospodarki i społeczeństwa. Schmidt jej przewodniczy, a pracownicy i doradcy nadal publikują propozycje polityczne oraz gromadzą decydentów z sektora publicznego i prywatnego.

Stanowiska te pokazują cztery drogi, przez które doradca może wpływać na politykę:

• Ramowanie definiuje problem i słownictwo, którego urzędnicy używają, aby o nim mówić.
• Plany działań zamieniają szerokie cele w biura, uprawnienia, programy i terminy.
• Sieci łączą agencje z badaczami, inwestorami, firmami i byłymi urzędnikami.
• Kontynuacja utrzymuje zalecenia w obiegu po rozwiązaniu komisji.

Żadna z tych dróg nie daje doradcy formalnej kontroli. Kongres decyduje, czy programy zatwierdzić i sfinansować. Agencje wykonawcze interpretują mandaty, piszą zasady zakupów i zarządzają wdrożeniami. Sądy, inspektorzy generalni, audytorzy, dziennikarze i społeczeństwo obywatelskie mogą ujawnić wady. Schmidt może wpływać na zestaw opcji, ale instytucje publiczne decydują, co zostanie wybrane i co przetrwa.

Za czym opowiadała się strategia NSCAI

Główny argument NSCAI mówił, że przewaga w AI zależy od całego stosu technicznego i instytucjonalnego, a nie od pojedynczego lepszego modelu. Raport opisywał ten stos przez talenty, dane, sprzęt, algorytmy, zastosowania i integrację. Słabość na dowolnej warstwie może uniemożliwić przekształcenie imponującego wyniku laboratoryjnego w niezawodną zdolność krajową.

Raport wezwał, by Department of Defense i Intelligence Community miały do 2025 roku podstawy do szerokiej integracji AI. Ten cel był terminem prac nad gotowością, a nie potwierdzeniem, że każda właściwa agencja lub misja będzie tego dnia gotowa na AI. Rzetelna ocena z perspektywy czasu musi zapytać, które podstawy zbudowano, jak działały i jakie problemy pozostały.

Jego zalecenia można pogrupować w pięć praktycznych tematów:

• Wdrażanie w rządzie wymagało przywództwa na wysokim szczeblu, użytecznych danych, nowoczesnego oprogramowania, bezpiecznej mocy obliczeniowej i iteracyjnych zakupów.
• Polityka talentowa wymagała nowych ścieżek kariery technicznej, lepszego szkolenia, elastycznego zatrudniania i dalszego dostępu do międzynarodowej wiedzy.
• Polityka sprzętowa wymagała uwagi dla produkcji półprzewodników, dostępu do zaawansowanych chipów, koncentracji dostaw i badań.
• Krajowy potencjał badawczy wymagał inwestycji publicznych oraz szerszego dostępu do mocy obliczeniowej, zbiorów danych, modeli i wsparcia technicznego.
• Odpowiedzialne użycie wymagało testowania, ludzkiego osądu, odpowiedzialności, monitorowania i współpracy z sojusznikami.

Element odpowiedzialnego użycia bywa pomijany, gdy NSCAI streszcza się jako dokument o wyścigu. Raport końcowy przekonywał, że systemy bezpieczeństwa narodowego potrzebują uzasadnionej pewności. Operatorzy muszą rozumieć, gdzie system działa, gdzie zawodzi, jak przeciwnicy mogą go atakować i jakie ryzyko może zaakceptować misja. Zaproponowano przywództwo ds. odpowiedzialnej AI wewnątrz agencji oraz interdyscyplinarne wsparcie dla oceny i zarządzania.

Część analizy z 2021 roku się zestarzała, ponieważ generatywna AI zmieniła praktyczny problem. Modele bazowe ogólnego przeznaczenia mogą dziś tworzyć tekst, oprogramowanie, obrazy, dźwięk i plany przez jeden interfejs. Można je dostosowywać za pomocą promptów, wyszukiwania wspomaganego, dostrajania i użycia narzędzi, bez trenowania modelu od początku. Poszerzyło to dostęp, a jednocześnie utrudniło opisywanie granic możliwości.

Inferencja stała się zasobem strategicznym obok trenowania. Kraj może posiadać modele, lecz nie mieć wystarczającej mocy obliczeniowej, przepustowości sieci, energii albo bezpiecznych środowisk wdrożeniowych, aby wykorzystywać je w szpitalach, agencjach, laboratoriach i jednostkach wojskowych. Kradzież modeli, złośliwe dostrajanie, media syntetyczne, użycie narzędzi przez agentów oraz wspomagana przez AI praca biologiczna lub cybernetyczna wymagają dziś większej uwagi, niż otrzymały we wczesnych dokumentach strategicznych.

Trwałą częścią NSCAI jest więc jej systemowe spojrzenie. Zestarzało się założenie, że wdrażanie AI podąża klasyczną ścieżką oprogramowania, ze stabilnymi wymaganiami i przewidywalnymi aktualizacjami. Współczesna strategia musi zarządzać zmieniającą się usługą, narzędziami wokół niej, przepływami danych i ludźmi, którzy na niej polegają.

Które zalecenia stały się widocznymi instytucjami

Kilka późniejszych inicjatyw USA przypomina propozycje NSCAI, choć samo podobieństwo nie dowodzi, że spowodował je Schmidt lub komisja. Na wynik wpłynęły też ustawodawstwo, praca agencji, wcześniejsze badania, presja komercyjna, wydarzenia związane z bezpieczeństwem i zmiany polityki prezydenckiej.

Department of Defense utworzył stanowisko Chief Digital and Artificial Intelligence Officer w lutym 2022 roku. Biuro skupiało kluczowe obowiązki dotyczące danych, analityki i AI pod jednym wysokim rangą urzędnikiem. Ten wybór organizacyjny odpowiadał na opisany przez NSCAI problem koordynacji: rozproszone pilotaże nie prowadzą do wdrożenia w całym departamencie, jeśli dane, infrastruktura, polityka i zakupy pozostają podzielone.

CHIPS and Science Act uchwalono w 2022 roku, zapewniając prawie 53 miliardy dolarów na zachęty do produkcji półprzewodników, badania i powiązane programy kadrowe. Jego zakres wykraczał poza AI, ale zaawansowane przetwarzanie uczyniło zdolność półprzewodnikową bezpośrednią kwestią strategii narodowej. Fabryki, pakowanie, sprzęt produkcyjny, badania, wykwalifikowana siła robocza i bezpieczeństwo dostaw stały się przedmiotem polityki, a nie sprawami pozostawionymi wyłącznie decyzjom zakupowym firm.

Pilotaż National Artificial Intelligence Research Resource rozpoczął się w 2024 roku, aby dać badaczom i edukatorom dostęp do mocy obliczeniowej, zbiorów danych, modeli, oprogramowania, szkoleń i wsparcia. W aktualizacji po dwóch latach program podał, że wsparł ponad 600 projektów badawczych i 6 000 studentów, objął wszystkie stany oraz otrzymał około 100 milionów dolarów wkładów rzeczowych od partnerów prywatnych. To konkretny przykład infrastruktury publiczno-prywatnej, która ma zmniejszyć różnicę między dobrze finansowanymi laboratoriami a szerszą społecznością badawczą.

Plan działania Białego Domu dla AI z 2025 roku przedstawił ponad 90 działań federalnych w trzech filarach: innowacji, infrastrukturze oraz dyplomacji międzynarodowej i bezpieczeństwie. Jego polityczny akcent różnił się od wcześniejszej polityki. Mocniej stawiał na szybki rozwój sektora prywatnego, budowę centrów danych, dostawy energii, eksport AI, wdrażanie w administracji federalnej i egzekwowanie ograniczeń dotyczących zaawansowanej mocy obliczeniowej.

Memorandum bezpieczeństwa narodowego z czerwca 2026 roku jeszcze bardziej przesunęło agendę w stronę działania. Poleciło prace nad wdrażaniem dla bezpieczeństwa narodowego, zatrudnianiem osób technicznych, rezerwą talentów AI, wspólnymi środowiskami danych i modeli, reagowaniem na incydenty, praktykami bezpieczeństwa oraz ujednoliconymi metodami testowania, oceny, weryfikacji i walidacji. Zdefiniowało też sterowalność jako zdolność do monitorowania systemu i podejmowania działań korygujących.

Łącznie działania te pokazują zbieżność polityki wokół kilku problemów podkreślanych przez Schmidta: zdolności państwa, personelu technicznego, infrastruktury obliczeniowej, koordynacji instytucjonalnej i mierzalnej oceny. Nie rozstrzygają, czy przyjęte rozwiązania są wystarczające ani dobrze zaprojektowane. Utworzenie biura jest łatwiejsze niż nadanie mu uprawnień. Ogłoszenie programu jest łatwiejsze niż utrzymanie finansowania. Opublikowanie metody oceny jest łatwiejsze niż jej wyegzekwowanie wobec preferowanego dostawcy lub pilnej misji.

Badania, talenty i infrastruktura czynią strategię wykonalną

Narodowa strategia AI staje się wykonalna dopiero wtedy, gdy badania, ludzie, moc obliczeniowa, dane i zasady wdrażania działają jako jeden portfel. Finansowanie jednego elementu przy zaniedbaniu pozostałych prowadzi do niewykorzystanych zdolności albo zależności od niewielkiej grupy dostawców.

Finansowanie badań publicznych powinno wspierać naukę podstawową, misje stosowane, metody oceny oraz pracę o niepewnych zwrotach komercyjnych. Powinno także obejmować mechanizmy przejścia do praktyki. Zespół uniwersytecki może pokazać wartościową technikę, ale wdrożenie może utknąć bez bezpiecznego hostingu, inżynierii produktu, uprawnień prawnych, finansowania utrzymania i agencji publicznej gotowej przejąć odpowiedzialność za rezultat.

Polityka talentowa wymaga czegoś więcej niż kształcenia dodatkowych badaczy uczenia maszynowego. Rząd potrzebuje inżynierów oprogramowania i danych, specjalistów cyberbezpieczeństwa, menedżerów produktów, pracowników zakupów, prawników, audytorów, ekspertów dziedzinowych i wysokich urzędników, którzy potrafią podejmować techniczne kompromisy. Model obronny oceniany bez operatorów może zawieść w warunkach terenowych. System świadczeń sprawdzany bez wiedzy z zakresu prawa administracyjnego może naruszać prawo do rzetelnego procesu, nawet jeśli jego prognozy są statystycznie trafne.

Polityka mocy obliczeniowej musi rozróżniać trenowanie i inferencję. Trenowanie dużego modelu wymaga skoncentrowanej mocy obliczeniowej przez ograniczony czas. Uruchamianie modelu dla wielu użytkowników tworzy stałe zapotrzebowanie na akceleratory, pamięć, sieci, magazynowanie danych, energię, chłodzenie i utrzymanie. Plany zakupowe, które budżetują rozwój, a pomijają koszty działania, mogą pozostawić agencjom udany pilotaż, którego nie stać ich na skalowanie.

Infrastruktura fizyczna należy dziś do strategii. Centra danych potrzebują odpowiednich lokalizacji, niezawodnego zasilania, zdolności przesyłowych, wody lub alternatywnych systemów chłodzenia, połączeń sieciowych, sprzętu zastępczego i planów awaryjnych. Użyteczne miary obejmują czas podłączenia nowej mocy, stopień wykorzystania, koszt na ukończone zadanie, czas odtworzenia po zakłóceniu oraz udział wrażliwych obciążeń, które mogą działać w zatwierdzonych środowiskach.

Polityka danych zaczyna się od podstawy prawnej i celu. Agencje muszą wiedzieć, po co istnieje zbiór danych, kto może z niego korzystać, jak długo można go przechowywać, które populacje opisuje słabo oraz jak rozchodzą się korekty. Pochodzenie danych ma znaczenie, ponieważ ocena nie może wyjaśnić awarii, gdy nie znamy źródła i historii przekształceń bazowych zapisów.

Metody chroniące prywatność mogą ograniczać ekspozycję, ale nie usuwają potrzeby zarządzania. Kontrola dostępu, bezpieczne enklawy, deidentyfikacja, prywatność różnicowa, analiza federacyjna i dzienniki audytowe odpowiadają na różne zagrożenia. Agencja powinna dobierać je do danych, użytkowników, modelu ataku i obowiązku publicznego.

Wdrożenie powinno przebiegać jako cykl życia, a nie jednorazowy test odbiorczy:

1. Zdefiniuj decyzję, dotkniętą populację, podstawę prawną i osobę odpowiedzialną.
2. Ustal punkt odniesienia bez AI i mierzalny cel korzyści.
3. Testuj wydajność, bezpieczeństwo, stronniczość, dostępność i nadużycia w zamierzonym środowisku.
4. Wdrażaj stopniowo, z logami, ścieżkami eskalacji, raportowaniem incydentów i możliwością wycofania zmian.
5. Oceń ponownie po zmianie modelu, danych, polityki lub warunków działania.

Proces ten wspiera szybkość, ponieważ umożliwia małe, odwracalne próby. Zapobiega też myleniu efektownej demonstracji prototypu z dowodem gotowości produkcyjnej.

AI zmienia bezpieczeństwo narodowe dzięki zdolnościom podwójnego zastosowania

AI zmienia bezpieczeństwo narodowe, zwiększając szybkość, skalę i dostępność analizy oraz działania. Organizacje wywiadowcze mogą jej używać do badania obrazów, tłumaczenia materiałów, przeszukiwania dużych zbiorów dokumentów, wykrywania anomalii cybernetycznych i pomagania analitykom w łączeniu sygnałów. Organizacje wojskowe mogą stosować ją w logistyce, utrzymaniu sprzętu, wsparciu planowania, rozpoznaniu i systemach autonomicznych.

Ta sama zdolność może wspierać atakujących. Generowanie kodu może pomagać obrońcom sprawdzać oprogramowanie, a przeciwnikom zmieniać złośliwe programy. Generowanie języka może obniżać koszt spersonalizowanego phishingu i kampanii wpływu. Widzenie komputerowe może wspierać reagowanie na katastrofy albo trwałą inwigilację. Modele biologiczne mogą pomagać w legalnych badaniach, a zarazem obniżać pewne bariery dla szkodliwych eksperymentów.

Dlatego polityki dotyczącej podwójnego zastosowania nie można sprowadzić do listy zakazanych modeli. Ryzyko zależy od modelu, podłączonych narzędzi, dostępnych danych, dostępu użytkownika, środowiska wdrożeniowego i konsekwencji błędu. Model ogólnego zastosowania bez zewnętrznych uprawnień tworzy inne zagrożenie niż ten sam model połączony z tajnymi bazami danych, sprzętem laboratoryjnym, kontami finansowymi lub bronią.

Zakupy rządowe napotykają podobną trudność. Tradycyjne umowy zakładają stabilne wymagania i wersję produktu, którą można przetestować przed odbiorem. Usługi AI mogą w trakcie umowy zmieniać model, warstwę bezpieczeństwa, system wyszukiwania, mieszankę treningową lub zasady użycia. Agencje potrzebują informacji o istotnych zmianach oraz możliwości ponowienia ocen, zanim aktualizacja trafi do wrażliwej pracy.

Uzasadnione wdrożenie dla bezpieczeństwa narodowego powinno obejmować pięć zabezpieczeń:

• Testowanie specyficzne dla misji, mierzące fałszywie pozytywne i fałszywie negatywne wyniki, opóźnienie, awarie pod obciążeniem i zachowanie wobec ataków.
• Dostęp zgodny z zasadą najmniejszych uprawnień, ograniczający dane, narzędzia i działania dostępne dla systemu.
• Nazwaną ludzką władzę zatwierdzania, interwencji, eskalacji i wyłączenia.
• Ciągłe logi i monitorowanie zaprojektowane do dochodzeń, a nie marketingu dostawcy.
• Warunki umowne dotyczące aktualizacji, incydentów, użycia danych, dostępu do modelu, przenośności i zakończenia współpracy.

Zaangażowanie człowieka musi być realne. Wymaganie, by ktoś kliknął zatwierdzenie, niewiele zmienia, gdy interfejs ukrywa niepewność, obciążenie pracą uniemożliwia sprawdzenie albo kultura organizacyjna karze za sprzeciw wobec modelu. Operatorzy potrzebują szkolenia, czasu, alternatywnych informacji i uprawnień do odrzucenia wyniku.

Zastosowania o poważnych konsekwencjach wymagają silniejszych dowodów. System streszczający rutynową korespondencję może tolerować błędy niedopuszczalne przy wskazywaniu celów, ostrzeganiu wywiadowczym, triażu medycznym lub dostępie do świadczenia publicznego. Szybkość powinna wynikać z proporcjonalnego przeglądu i odwracalnego wdrażania, a nie z udawania, że każde zastosowanie ma tę samą stawkę.

Rywalizacja USA-Chiny wykracza poza wyścig modeli

Rywalizacja USA i Chin w AI dotyczy zdolności przemysłowych, badań, talentów, energii, łańcuchów dostaw, wdrożenia i sojuszy, a nie pojedynczego rankingu modeli. Traktowanie jej jak linii mety sprzyja dramatycznym twierdzeniom, jednocześnie zasłaniając instytucje podtrzymujące przewagę przez lata.

Porównania zdolności muszą precyzować, co jest mierzone. Trenowanie wysokowydajnego modelu różni się od produkcji zaawansowanych chipów, wdrażania systemów w całym przemyśle, dostarczania niezawodnej mocy chmurowej, uzyskiwania odkryć naukowych czy integrowania AI z operacjami wojskowymi. Kraj może prowadzić w jednej kategorii, a w innej zależeć od zagranicznych dostawców.

Kontrole eksportu mają spowolnić dostęp do wybranych zaawansowanych chipów i sprzętu do produkcji półprzewodników. Ich efekt zależy od zakresu technicznego, egzekwowania, udziału sojuszników, zapasów, dróg omijania ograniczeń i zdolności kraju objętego ograniczeniami do tworzenia zamienników. Zbyt wąskie kontrole mogą mieć niewielki wpływ. Zbyt szerokie zasady mogą zachęcić klientów do odejścia od amerykańskich dostawców albo przyspieszyć zastępowanie ich innymi rozwiązaniami.

Sojusznicy mają znaczenie, ponieważ łańcuchy dostaw półprzewodników i mocy obliczeniowej przekraczają granice państw. Projektowanie chipów, produkcja, sprzęt produkcyjny, materiały, pakowanie, usługi chmurowe i talenty badawcze są rozproszone między krajami. Skoordynowana polityka może ograniczać obchodzenie zasad, dzielić koszty, wspierać zgodne praktyki bezpieczeństwa i dawać partnerom powód, by budowali na zaufanych systemach.

Konkurencja wpływa też na zarządzanie. Jeśli każdy wymóg oceny opisuje się jako jednostronne rozbrojenie, agencje i firmy będą zbyt mało inwestować w testowanie, aż awaria wymusi reakcję. Jeśli każdą zdolność ogranicza się z powodów spekulacyjnych, badania i korzystne wdrożenia mogą przenieść się gdzie indziej. Kompetentna strategia chroni przestrzeń do eksperymentów, a silniejsze kontrole stosuje do dostępu, działań i środowisk tworzących wiarygodne ryzyko dla bezpieczeństwa narodowego.

Koncentracja komplikuje pozycję USA. Trenowanie i obsługa systemów granicznych wymaga zasobów dostępnych dla ograniczonej liczby firm. Koncentracja może przyspieszać inwestycje i wdrożenie, ale może też osłabiać pozycję negocjacyjną rządu, ograniczać dostęp do badań i tworzyć wspólne zależności między agencjami. Polityka konkurencji, interoperacyjność, przenośność, publiczna infrastruktura badawcza oraz wymogi dostępu do kodu źródłowego lub modeli mogą rozwiązać część tego problemu.

Metafora wyścigu pozostaje skuteczna politycznie, ponieważ tworzy poczucie pilności. Analitycznie jest niepełna, bo trwałe przywództwo zależy od odporności, korygowania błędów, legitymacji publicznej i współpracy. Kraj, który wdraża szybko, lecz nie potrafi zabezpieczyć modeli, zasilić centrów danych, przeszkolić operatorów ani reagować na incydenty, nie zbudował trwałej przewagi.

Zarządzanie musi odpowiadać zastosowaniu i jego konsekwencjom

Skuteczne zarządzanie AI przypisuje obowiązki według tego, co robi system, kogo dotyka i jak poważne byłyby skutki awarii. Chatbot odpowiadający na ogólne pytania, pomoc diagnostyczna, narzędzie do wstępnej selekcji kandydatów i autonomiczny komponent wskazywania celów nie powinny podlegać identycznym wymogom dowodowym.

Pierwszym zadaniem w zarządzaniu jest klasyfikacja. Urzędnicy powinni ustalić, czy system informuje człowieka, zaleca działanie, podejmuje decyzję czy wykonuje działanie. Następnie powinni zmapować prawa, których dotyczy, możliwe straty, grupy szczególnie narażone, mechanizmy odwoławcze i odwracalność szkody.

Pięć pytań szybko ujawnia słabe zarządzanie:

• Na jaką decyzję wpływa system i kto zachowuje odpowiedzialność prawną?
• Jakie dowody uzasadniają jego użycie dla tej populacji i w tym środowisku działania?
• Jakie informacje są zbierane, przechowywane, udostępniane lub używane do późniejszego trenowania?
• Jak osoba, której decyzja dotyczy, może uzyskać wyjaśnienie, korektę i ocenę przez człowieka?
• Jakie zdarzenie uruchamia zawieszenie, powiadomienie, naprawę szkody lub rekompensatę?

Sprawiedliwość wymaga badania wyników, a nie zakładania, że usunięcie chronionych atrybutów usuwa dyskryminację. Inne zmienne mogą działać jako zastępniki, historyczne zapisy mogą utrwalać nierówne traktowanie, a koszty błędów mogą rozkładać się nierówno. Agencje powinny testować istotne grupy, badać przyczyny i zdecydować, czy zastosowanie pozostaje zgodne z prawem i uzasadnione po złagodzeniu problemów.

Przejrzystość należy dostosować do odbiorcy. Inżynierowie potrzebują dokumentacji modelu i danych. Operatorzy potrzebują informacji o ograniczeniach, niepewności i eskalacji. Pracownicy zakupów potrzebują informacji o kosztach, bezpieczeństwie, aktualizacjach i zależnościach. Osoba dotknięta decyzją potrzebuje zrozumiałego powodu i użytecznej drogi odwoławczej. Opublikowanie długiego dokumentu technicznego nie spełnia wszystkich tych czterech potrzeb.

Analiza prywatności musi obejmować interakcje z modelem, nie tylko dane treningowe. Prompty, odzyskane dokumenty, wyniki narzędzi, logi, informacje zwrotne i wygenerowane zapisy mogą zawierać dane wrażliwe. Warunki umowy powinny określać, czy dostawca może zachowywać te materiały, używać ich do trenowania, przekazywać przez granice lub udostępniać podwykonawcom.

Oceny modeli granicznych i audyty zastosowań odpowiadają na różne pytania. Ocena modelu może badać zdolności cybernetyczne, oszustwo, wiedzę biologiczną lub odporność na nadużycia. Audyt zastosowania bada kompletny wdrożony system, w tym prompty, wyszukiwanie, narzędzia, interfejsy, procedury ludzkie i populację, której dotyczy. Zdanie jednego testu nie zastępuje drugiego.

Niezależni badacze, organizacje społeczeństwa obywatelskiego, inspektorzy generalni, organizacje normalizacyjne i laboratoria testowe wnoszą wiedzę i kontrolę, których może brakować agencjom i dostawcom. Ustalenia dotyczące dostępu muszą chronić bezpieczeństwo i dane osobowe, lecz tajemnica nie powinna stawać się ogólną obroną przed zewnętrzną kontrolą.

Współpraca publiczno-prywatna potrzebuje granic i dowodów

Współpraca publiczno-prywatna działa wtedy, gdy strony określą problem publiczny, podstawę prawną, oczekiwany wynik, granicę bezpieczeństwa i warunki wyjścia przed wyborem technologii. Niejasne partnerstwa tworzą rozgłos, ale utrudniają sprawdzanie kosztów, odpowiedzialności i wyników.

Rząd wnosi mandat, finansowanie publiczne, dostęp do środowisk misyjnych i zdolność wspierania długiej pracy. Firmy wnoszą personel inżynieryjny, infrastrukturę komercyjną, aktualną wiedzę o produktach i doświadczenie w obsłudze systemów na dużą skalę. Uczelnie i organizacje non profit mogą dostarczać badania podstawowe, metody oceny, szkolenia i niezależną krytykę.

Ich motywacje są różne. Dostawca zyskuje, gdy pilotaż przekształca się w długi kontrakt. Lider agencji może zyskać na ogłoszeniu szybkiego wdrożenia, zanim dowody dojrzeją. Grupa badawcza może preferować otwartą publikację, nawet gdy wynik ma skutki dla bezpieczeństwa. Dobre umowy uznają te motywacje i budują wokół nich prawa do przeglądu, ujawniania informacji, konkurencji i zakończenia współpracy.

Konflikty interesów wymagają bezpośredniego traktowania, gdy prominentni doradcy zachowują inwestycje, miejsca w radach, relacje biznesowe lub projekty filantropijne w tym samym obszarze polityki. Ujawnienie nie dowodzi niewłaściwego wpływu, a wiedza specjalistyczna często wiąże się z kontaktami zawodowymi. Pozwala urzędnikom i opinii publicznej ocenić pochodzenie zalecenia, szukać konkurujących opinii i wyłączać uczestników w razie potrzeby.

Prototypowanie niskiego ryzyka to jeden praktyczny obszar współpracy. Koder.ai pozwala na przykład tworzyć interfejsy internetowe React, usługi backendowe Go z PostgreSQL oraz aplikacje mobilne Flutter przez rozmowę w języku naturalnym. Obsługuje tryb planowania, eksport kodu źródłowego, wdrożenie i hosting, własne domeny, migawki oraz wycofywanie zmian. Funkcje te mogą skrócić cykl informacji zwrotnej dla demonstratora lub narzędzia wewnętrznego.

Wygenerowana aplikacja nadal wymaga przeglądu przed produkcyjnym użyciem w sektorze publicznym. Zespoły muszą sprawdzić kod, zależności, uwierzytelnianie, kontrolę dostępu, przepływy danych, dostępność, logowanie, odporność, licencje i konfigurację wdrożenia. Wrażliwe obciążenia wymagają również zatwierdzonego środowiska hostingowego i zgodności z obowiązkami agencji w zakresie bezpieczeństwa oraz archiwizacji. Vibe coding zmienia sposób tworzenia prototypu, a nie to, kto za niego odpowiada.

Użyteczna umowa pilotażowa powinna określać:

• Wąską grupę użytkowników i ograniczony w czasie okres działania.
• Bazowe miary kosztu, jakości i czasu ukończenia.
• Ograniczenia dotyczące przechowywania danych, trenowania, lokalizacji i podwykonawców.
• Obowiązki dotyczące testów bezpieczeństwa, powiadamiania o zmianach, raportowania incydentów i wycofywania zmian.
• Prawa do eksportu, przenośności, dokumentacji i zakończenia współpracy.

Taka struktura pozwala agencjom się uczyć bez uzależniania się od dostawcy, zanim zrozumieją system. Daje też udanym pilotażom wiarygodne dowody na rzecz rozszerzenia.

Jak oceniać wpływ Schmidta i każdą strategię AI

Wpływ Schmidta należy oceniać przez wdrożenie, zasoby, trwałość instytucjonalną i wyniki, a nie przez przemówienia czy bliskość z urzędnikami. Zalecenie może kształtować debatę, nie stając się polityką, a późniejsza polityka może je przypominać, nie będąc przez nie spowodowana.

Zacznij od przypisania autorstwa. Wskaż konkretny raport, zeznanie, zalecenie rady lub propozycję powiązaną ze Schmidtem. Oddziel jego osobiste wypowiedzi od dokumentów konsensusu przygotowanych przez komisję lub instytucję. Raport 15-osobowej komisji nie jest tym samym co prywatny pogląd jednego przewodniczącego.

Następnie prześledź łańcuch wdrożenia:

1. Czy Kongres lub agencja przyjęły propozycję w rozpoznawalnej formie?
2. Czy otrzymała podstawę prawną, środki, personel i rozliczalne przywództwo?
3. Czy odpowiedzialna instytucja opublikowała kamienie milowe i dowody wyników?
4. Czy użytkownicy otrzymali niezawodną zdolność, a nie jedynie pilotaż lub ogłoszenie biura?
5. Czy audyty, incydenty, koszty, wpływ na prawa lub wyniki strategiczne potwierdziły pierwotne twierdzenie?

Harmonogramy muszą być wystarczająco szczegółowe, aby umożliwiać stwierdzenie porażki. Pięcioletnia aspiracja powinna określać, co wydarzy się w pierwszym cyklu budżetowym, które zależności muszą zostać spełnione najpierw i kto może interweniować, gdy kamienie milowe się opóźniają. W przeciwnym razie plan można uznać za udany wyłącznie na podstawie aktywności.

Miary powinny odpowiadać celowi. Program wdrażania w rządzie może mierzyć czas zakupu, ukończenie zadania przez użytkownika, koszt na sprawę, wskaźnik zastąpienia decyzji, incydenty bezpieczeństwa i czas odzyskania działania. Program badawczy może mierzyć udzielony dostęp, wykorzystanie zasobów, publikacje, odtwarzalność, wyniki szkolenia i przejście rezultatów do praktyki. Liczenie spotkań lub wygenerowanych dokumentów niewiele mówi o zdolności.

Kompromisy powinny być widoczne. Poważne plany wyjaśniają, kto ponosi koszty energii, jak ograniczenia eksportowe wpływają na dostawców, których danych nie można używać, kiedy człowiek musi podjąć decyzję i które wdrożenia będą zakazane lub zawieszone. Strategia obiecująca jednocześnie maksymalną szybkość, bezpieczeństwo, otwartość, prywatność i kontrolę unika decyzji, które strategia powinna podejmować.

Co ostatecznie pokazuje przebieg kariery Schmidta

Przebieg kariery Schmidta pokazuje, że przywództwo w AI jest problemem organizacyjnym i politycznym w takim samym stopniu jak problemem rozwoju modeli. Google pokazało wartość infrastruktury, pomiaru, talentów technicznych, eksperymentowania i odtwarzania działania na ogromną skalę. Jego działalność doradcza przeniosła te idee działania na zdolność państwa, wdrażanie w obronności, politykę półprzewodnikową, dostęp do badań i konkurencję międzynarodową.

To przeniesienie jest użyteczne, ale niepełne. Instytucje publiczne muszą chronić prawa, uzasadniać decyzje przymusowe, ujawniać konflikty, utrzymywać demokratyczny nadzór i zapewniać środki naprawcze. Obowiązków tych nie zastąpią szybsze cykle produktowe ani lepsze zarządzanie techniczne.

Najmocniejszą częścią wkładu Schmidta w politykę jest nacisk na to, że narodowa strategia AI potrzebuje skoordynowanej machiny. Badania bez dostępu do mocy obliczeniowej grzęzną. Modele bez wykwalifikowanych operatorów pozostają demonstracjami. Zakupy bez oceny kupują niepewność. Bezpieczeństwo bez sojuszy ignoruje strukturę łańcuchów dostaw. Innowacje bez odpowiedzialności mogą zniszczyć zaufanie potrzebne do wdrożenia.

Właściwą odpowiedzią nie jest ani automatyczna akceptacja, ani odrzucenie z powodu korporacyjnego doświadczenia Schmidta. Potrzebna jest zdyscyplinowana weryfikacja: wskazanie propozycji, prześledzenie uprawnień i pieniędzy, sprawdzenie wdrożenia, zmierzenie wyników oraz policzenie kosztów pomijanych w publicznych deklaracjach. Tak wpływ staje się widoczny i tak narodową strategię AI można oceniać po rezultatach.