--- title: "Cine pe cine urmează, forma funcția sau funcția forma?" date: 2026-10-06 description: "Forma urmează funcția? Prejudecata inductivă și poveștil.În sistemele antrenate pe date, relația aceasta se răstoarnă. Și tocmai de aceea merită scrisă o serie." author: "Petru Cojocaru" categories: - name: "AI - o unealtă" url: "https://cojocarupetru.info/ai-o-unealta.md" --- # Cine pe cine urmează, forma funcția sau funcția forma? **Forma urmează funcția? Prejudecata inductivă și poveștile care ne ajută s-o vedem.** *Despre cum o frază de arhitect din 1896 descrie, pe dos, ceea ce se întâmplă astăzi în sistemele de calcul antrenate pe date* --- **Notă de vocabular.** În acest text nu folosesc sintagma „inteligență artificială" și nici abrevierea ei (IA, AI), și evit expresiile care atribuie unei mașini stări de spirit sau intenții: „gândește", „înțelege", „știe", „vrea", „vede", „își alege", „sfătuiește", „ține companie". Vorbesc despre *sisteme de calcul*, *modele statistice* și *interfețe conversaționale* și descriu ce *produc*, *calculează* sau *reproduc*, nu ce „simt" sau „înțeleg". Păstrez doar denumirile tehnice consacrate („învățare automată", „rețea neuronală", „antrenare") și titlurile lucrărilor citate, ca să nu falsific sursele. Personajele din basme gândesc și simt; analogiile cu ele privesc doar structura unui mecanism, nu o minte a mașinii. --- **Un atelier, o frază și o inversare** Tata repara motoare. Atelierul lui avea miros de ulei, o lampă suspendată deasupra băncii de lucru, un radio mereu pornit și scule așezate într-o ordine care mie, copil, mi se părea de neînțeles. Nu era o ordine de după etichete sau alfabet; era a lui. Și totuși, când avea nevoie de o cheie, mâna lui știa unde e, fără să se uite. Dacă îl întrebam de ce le ținea așa, nu primeam un răspuns, ci o frază pe care o spunea des, în fața oricărui lucru stricat: „Se mai poate repara". Forma atelierului nu fusese proiectată după un plan. Se așezase, în ani, după ce făcuseră mâinile lui de mii de ori. Mă gândesc des la atelierul acela când citesc despre sistemele de calcul antrenate pe date, pentru că el pune, la scară mică, o întrebare mult mai mare: cine pe cine urmează, forma funcția sau funcția forma? > Formula care a pus întrebarea în circulație îi aparține arhitectului american Louis Sullivan. În 1896, într-un eseu despre clădirea înaltă de birouri, el a scris că forma urmează întotdeauna funcția. Formula a devenit lozincă a modernismului: întâi știi la ce servește un lucru, apoi îi dai înfățișarea care i se potrivește. Scaunul are patru picioare pentru că trebuie să stea, nu pentru că patru picioare arată bine. În sistemele antrenate pe date, relația aceasta se răstoarnă. Și tocmai de aceea merită scrisă o serie întreagă despre ea. Să explic de ce. Când construiești un sistem prin antrenare, nu poți ști dinainte, în sensul tare al cuvântului, ce funcție va ajunge să calculeze. Știi ce funcție *vrei* să obții: să clasifice imagini cu pisici, să producă o traducere, să estimeze vremea. Dar funcția pe care o calculează efectiv, cea pe care o reproduce pe date întâlnite abia după antrenare, depinde de o serie de alegeri de formă: arhitectura rețelei, procedura de antrenare, datele folosite, constrângerile impuse. Inginerii au un nume precis pentru ansamblul acestor alegeri. Îl numesc *inductive bias*, adică prejudecată inductivă. Cuvântul „funcție" are, în plus, două sensuri care aici se întâlnesc. Unul e matematic: un model de învățare automată este, în esență, o funcție care duce intrări în ieșiri, iar procedura de antrenare selectează, dintre nenumărate funcții posibile, una potrivită. Celălalt e social: ce fac oamenii, de fapt, cu această tehnologie? Cele două sensuri nu se suprapun, dar se influențează, și mare parte din acest text încearcă să le țină în același cadru. Pentru ca discuția să nu rămână abstractă, am făcut un lucru pe care îl fac des în texte mele: am chemat în ajutor basmul românesc. Nu ca decor, ci ca mnemonic. Un cititor de șaptesprezece sau douăzeci de ani a întâlnit, aproape sigur, la școală, pe Harap-Alb, pe cele două fete din basmul lui Creangă, sau pe Făt-Frumos care pleacă după tinerețe fără bătrânețe. Aceste imagini sunt deja în capul lui. Pot fi folosite ca niște cârlige de care să atârne idei care altfel alunecă. O avertizare însă, ca să fiu cinstit față de basm. Analogiile din text sunt interpretări, nu echivalențe tehnice. Harap-Alb nu este o rețea neuronală și nu a fost gândit ca atare. Unde analogia ține, o folosesc; unde se rupe, spun că se rupe. Mai e un amănunt de precizie: Harap-Alb și basmul fetelor sunt basme culte, scrise de Ion Creangă pe motive populare, iar Meșterul Manole este baladă și legendă, nu basm propriu-zis. Le adun totuși sub același acoperiș, pentru că funcționează ca imagini comune ale unei culturi. Textul urmează opt pași. Începe cu ce este, concret, prejudecata inductivă și de unde vine ideea. Continuă cu felul în care arhitecturile moderne încorporează ipoteze despre lume. Apoi trece prin cea mai importantă dispută din domeniu, „lecția amară" a lui Rich Sutton și răspunsurile la ea. Se oprește la ce știm, public și la acest moment, despre ce funcții îndeplinesc de fapt aceste sisteme în uzul curent. Și încheie cu limitele și costurile formei. --- ## Ce este, precis, prejudecata inductivă Începem cu cuvântul care sperie: „prejudecată". În limbajul curent, prejudecata e ceva rău: o părere formată înainte de a cunoaște faptele. În învățarea automată, însă, cuvântul are un sens tehnic și, surprinzător, o conotație aproape pozitivă. Prejudecata inductivă este ansamblul de ipoteze încorporate într-un algoritm, care îi permit să generalizeze de la exemplele de antrenament la exemple noi. Definiția clasică, atribuită lui Tom Mitchell (1980), spune că o prejudecată inductivă face ca un algoritm de învățare să favorizeze o soluție sau o interpretare în locul alteia, independent de datele observate. Sublinierea e importantă: înclinația nu vine din date, ci dinaintea lor. De ce e necesară? Pentru că datele de antrenament sunt întotdeauna finite. Orice mulțime finită de exemple e compatibilă cu un număr uriaș de funcții diferite, care toate se potrivesc perfect pe exemplele de antrenament și diverg complet în rest. Dacă algoritmul nu conține niciun criteriu care să favorizeze una dintre ele, nu există o selecție principială, iar rezultatul e arbitrar. Un text de sinteză din domeniul rețelelor bayesiene formulează această idee simplu: generalizarea este imposibilă fără o prejudecată inductivă, tocmai pentru că eșantionul de antrenament este finit. Legătura cu „forma urmează funcția" se vede deja. Dintre toate funcțiile posibile, prejudecata favorizează categoria de funcții care „au forma potrivită". Forma nu e decorul funcției, ci condiția ei de existență. ### Teorema fără prânz gratuit Există un rezultat formal care întărește ideea. Teorema „no free lunch", asociată cu numele lui David Wolpert (cu variante publicate în 1995–1996), afirmă, în traducere liberă, că niciun algoritm de învățare nu reușește pe toate problemele posibile. Un algoritm care merge excelent pe o clasă de probleme va merge, în medie, la fel de prost pe alta. Nu există un algoritm universal de învățare. Sintetizat de Yoshua Bengio și colegii lui, același punct sună așa: ca să obții generalizare ai nevoie de un set de înclinații asupra spațiului tuturor funcțiilor, nu există un algoritm complet general, iar orice algoritm generalizează mai bine pe unele distribuții de date și mai rău pe altele. Cu alte cuvinte, alegerea formei este inevitabilă. Nu poți să nu alegi. Chiar și cel care pretinde că nu pune nicio prejudecată o pune, doar că o pune fără să știe. Aici e prima inversiune față de Sullivan. La Sullivan, arhitectul alege forma după ce a înțeles funcția. În învățarea automată, cercetătorul nu cunoaște, de regulă, funcția exactă pe care o caută; tocmai de aceea o estimează din date. El alege forma sub incertitudine, cu speranța că e cea potrivită. ### Un cuvânt cu rădăcini filosofice Termenul „inductiv" nu a apărut în informatică. Raționamentul inductiv, în filosofie, înseamnă generalizarea de la cazuri particulare la o concluzie mai largă: soarele a răsărit în fiecare zi de până acum, deci va răsări și mâine. David Hume a observat în secolul al XVIII-lea că această trecere nu poate fi justificată logic. Faptul că ceva s-a întâmplat de o mie de ori nu garantează că se va întâmpla și a o mie una oară. Credem în inducție pentru că altfel nu am putea trăi, nu pentru că am putea-o demonstra. Învățarea automată moștenește această problemă veche, o formalizează și o face măsurabilă. Orice model care generalizează efectuează o extrapolare de tip Hume, iar prejudecata inductivă este numele tehnic al acelui salt: ce ipoteze despre lume sunt încorporate în model și fac posibil saltul. ### Pe scurt, un exemplu minimal Cel mai simplu exemplu e regresia liniară. Când alegi un model liniar, presupui că relația dintre mărimi este o dreaptă. Aceasta este prejudecata lui inductivă. Dacă lumea chiar e aproximativ liniară, modelul converge repede, chiar cu puține date. Dacă nu e, produce erori sistematice, oricât l-ai antrena. Așa apare și compromisul clasic dintre prejudecată și varianță: un model cu prejudecată puternică converge repede, cu puține date, dar poate subajusta dacă ipotezele încorporate sunt greșite; un model cu prejudecată slabă e mai flexibil, dar are nevoie de mult mai multe date ca să nu se piardă în zgomot. ### Prima imagine din basm: aceeași probă, alte dispoziții Pentru această primă idee, mi-e de ajutor basmul „Fata babei și fata moșneagului". În el, două fete sunt puse în fața unor întâmplări asemănătoare: au de ales cum să se poarte cu cei pe care îi întâlnesc pe drum și să facă sarcini care par egale. Rezultatele diferă radical, nu pentru că sarcina e alta, ci pentru că dispoziția cu care o întâmpină fiecare e alta. Imaginea nu e o demonstrație, ci un mnemonic: aceeași „problemă", cu „priori" diferiți, duce la soluții diferite. Un model cu prejudecată de un fel și altul cu prejudecata alta, puși în fața acelorași exemple, vor produce funcții diferite. Nu datele singure determină ce funcție rezultă din antrenare. Merită spus și ce *nu* spune basmul. În basm, dispoziția bună și cea rea au o încărcătură morală: una e răsplătită, cealaltă pedepsită. În învățarea automată, nu există prejudecată „bună" sau „rea" în abstract. Există una potrivită sau nepotrivită pentru o anumită problemă. Aceeași ipoteză încorporată, care ajută la clasificarea imaginilor, poate încurca la prognoza seriilor de timp. Teorema fără prânz gratuit este tocmai refuzul oricărei morale universale. --- ## Forma ca ipoteză despre lume: arhitectura Prejudecata inductivă nu stă într-un loc anume. Se strecoară prin mai multe uși: arhitectura modelului, algoritmul de antrenare, datele și felul în care sunt manipulate. Dar prima ușă, și cea mai vizibilă, este arhitectura. Un articol-reper din 2018, semnat de Peter Battaglia și colegii lui de la DeepMind, „Relational inductive biases, deep learning, and graph networks", așază ideea în termeni foarte clari. Autorii observă că metodele de învățare profundă care operează cu relații între entități se bazează pe un fel de prejudecată relațională, adică pe o ipoteză despre ce sunt entitățile, ce sunt relațiile dintre ele și după ce reguli se compun. În rețelele profunde, entitățile și relațiile sunt de regulă reprezentări distribuite, iar regulile sunt funcții aproximate de rețea; forma exactă diferă de la o arhitectură la alta. Același text mai notează un lucru ușor de trecut cu vederea: nu doar arhitectura poartă prejudecată. Nelinearitățile de activare, regularizarea prin scăderea ponderilor, dropout-ul, normalizarea, augmentarea datelor, programa de antrenare și algoritmii de optimizare impun, fiecare, constrângeri asupra traiectoriei și rezultatului antrenării. Formă, așadar, pe mai multe etaje. ### Convoluția: ipoteza că lumea e aceeași oriunde te-ai uita Să luăm cazul clasic, rețeaua convoluțională, folosită în clasificarea imaginilor. Ea încorporează o ipoteză simplă și puternică: un obiect rămâne același obiect indiferent de locul din imagine unde apare. O pisică din colțul stâng e tot pisică în colțul drept. Rețeaua reutilizează aceleași filtre pe toată imaginea, ceea ce o face mult mai eficientă decât una care ar estima parametri separați pentru fiecare poziție. Aici „forma urmează funcția" se aplică aproape în sens sullivanian. Funcția cerută (să clasifici obiecte în imagini) sugerează o formă (partajarea filtrelor pe spațiu). Dar e un „aproape". Forma n-a fost dedusă dintr-o cunoaștere perfectă a funcției; a fost o ipoteză bine aleasă despre structura lumii vizuale, confirmată apoi de rezultate. ### Atenția și secvențele: ipoteza că contează cine cu cine se leagă În prelucrarea limbajului, evoluția a trecut prin alte forme. Rețelele recurente încorporează ipoteza că ordinea contează și că informația se acumulează pas cu pas. Mecanismele de atenție, din arhitectura numită Transformer, încorporează alta: că orice element dintr-o secvență se poate lega direct de oricare altul, iar ponderea acestor legături rezultă din antrenare. Este o prejudecată mai slabă, mai generală. Impune mai puțin și lasă mai mult datelor. Precizez că, pentru istoria exactă a acestor arhitecturi (lucrările lui Yann LeCun asupra convoluțiilor, articolul din 2017 care introduce Transformerul), nu m-am bazat pe surse regăsite în această documentare și le las la bibliografia de verificat de la sfârșit. Ideea de principiu rămâne valabilă independent de datele exacte. ### Prejudecata ca bani: câte date îți trebuie O consecință practică pe care merită s-o reținem: cu cât problema e mai complexă și datele mai puține, cu atât e nevoie de o prejudecată mai puternică. Dimpotrivă, când ai date din belșug, poți permite un model mai liber. Prejudecata funcționează ca o monedă de schimb: cumperi eficiență în schimbul flexibilității. Și, ca orice monedă, are un curs. ### A doua imagine din basm: cei cinci tovarăși Aici revine Harap-Alb. Pe drumul lui spre împăratul Roș, flăcăul îi întâlnește și își face tovarăși pe Gerilă, Flămânzilă, Setilă, Ochilă și Păsări-Lăți-Lungilă. Fiecare are o singură însușire, dusă la extrem: unul îngheață tot ce atinge, altul mănâncă oricât, altul bea oricât, altul vede de la mari depărtări, altul își poate schimba înfățișarea în zbor. Singur, eroul nu rezolvă probele Spânului. Cu ei, le rezolvă. Ca mnemonic pentru arhitecturi, imaginea e utilă: fiecare tovarăș e un „bloc" cu o prejudecată foarte puternică într-o singură direcție. Ochilă are o prejudecată pentru vedere la distanță. Gerilă, pentru efectul de frig. Niciunul nu e general. Împreună, compun o capacitate. Dar aici analogia are o limită serioasă și o spun clar. Într-o rețea neuronală modernă, blocurile nu sunt de obicei așezate de un om după însușiri distincte, așa cum Harap-Alb își alege tovarășii; parametrii lor sunt ajustați împreună, iar specializarea apare uneori din antrenare, nu din proiectare. Deci „cei cinci tovarăși" ilustrează ideea de specializare prin prejudecată, nu felul în care se construiește de fapt un model. Cititorul trebuie să rețină imaginea, nu mecanismul. --- ## Disputa: contează forma sau contează doar scara? Ajungem la miezul dezbaterii care a structurat ultimii ani de cercetare în domeniu. În martie 2019, informaticianul Rich Sutton, unul dintre fondatorii învățării prin întărire, a publicat un eseu scurt, „The Bitter Lesson" („Lecția amară"), care a devenit, probabil, cel mai citat și mai disputat text de opinie din istoria recentă a domeniului. Argumentul lui are patru trepte, așa cum le rezumă Michael Nielsen. Prima: cercetătorii au încercat, iar și iar, să încorporeze cunoaștere umană în sistemele lor. A doua: asta ajută pe termen scurt și este satisfăcător personal pentru cercetător. A treia: pe termen lung, abordarea stagnează și chiar frânează progresul. A patra: avansurile reale vin, în cele din urmă, de la o abordare opusă, bazată pe scalarea calculului prin căutare și învățare. Exemplele lui Sutton sunt cele pe care le știe orice student la informatică. Șahul: programele care au învins campionul lumii s-au bazat pe căutare masivă, nu pe înțelegerea șahistică a experților. Go-ul: la fel. Recunoașterea vorbirii și viziunea: metodele statistice, cu mult calcul, au bătut sistemele construite cu grijă din cunoștințe de specialitate; detectoarele de muchii și filtrele clasice au cedat în fața rețelelor convoluționale antrenate pe date. De ce „amară"? Pentru că lecția contrazice ce ne-ar plăcea să credem: că gândirea omenească e specială și că drumul spre sisteme performante trece prin transferul ei. Dacă Sutton are dreptate, drumul trece, mai degrabă, prin renunțarea la ea. ### Ce spune asta despre prejudecata inductivă Legătura cu tema noastră e directă. Orice cunoaștere umană încorporată într-un sistem este, tehnic, o prejudecată inductivă. Lecția amară afirmă, deci, că prejudecatele gândite de oameni sunt, pe termen lung, o greșeală: ele ajută o vreme, apoi limitează. Dacă acceptăm varianta tare a acestei teze, „forma urmează funcția" devine aproape o eroare: nu ar mai trebui să proiectăm forma după funcția dorită, ci să o lăsăm pe cât posibil liberă și să punem calcul. Forma ar trebui să dispară, lăsând loc scării. ### Imaginea din basm: foamea, setea și vederea Pentru disputa aceasta, aleg din nou cei cinci tovarăși, dar în alt fel decât mai sus. Să-i grupăm în două tabere. De o parte, Flămânzilă și Setilă: unul mănâncă tot ce i se pune în față, altul bea tot. Sunt personajele „forței brute", ale consumului nelimitat. Nu au subtilitate; au capacitate. De cealaltă parte, Ochilă: el nu consumă nimic, ci *vede*, își alege ținta cu precizie. Cititorul de șaptesprezece ani va recunoaște imediat scena în care Flămânzilă și Setilă îl scot din încurcătură pe Harap-Alb, înghițind și bând ceea ce n-ar fi putut nimeni. Aceasta e, ca imagine, scara. Iar momentele în care eroul are nevoie de privirea lui Ochilă ilustrează structura: nu vezi cât de mult ai, ci cât de bine ai ținta. Morala basmului, dacă e să-i tragem una pentru cazul nostru, nu e că unii dintre ei sunt de prisos. Harap-Alb nu câștigă cu unul singur. Probele lui Roșu Împărat cer *și* capacitate, *și* precizie. Aici imaginea ține bine, pentru că nu forțează un rezultat: dezbaterea reală din domeniu a ajuns, treptat, la o concluzie asemănătoare. ### Dezbaterea nu e câștigată de nimeni Lecția amară a fost, o vreme, aproape o dogmă în laboratoarele care construiesc modele uriașe. Totuși, comunitatea științifică nu a îmbrățișat-o atât de ferm cum se crede. Un metasondaj realizat în rândul cercetătorilor în procesarea limbajului natural a găsit că adeziunea reală la ideea că simpla scalare a resurselor ar rezolva orice problemă importantă din domeniu este mult supraestimată de respondenți: oamenii cred că ceilalți sunt mai de acord cu Sutton decât sunt în realitate. Același studiu notează că cercetătorii anticipează o inversare a tendinței în ce privește teoria lingvistică și prejudecata inductivă, adică un reviriment al formei. Pe de altă parte, există o critică constructivă, făcută chiar de oameni apropiați ideilor lui Sutton. În septembrie 2025, Kyle Cranmer și Rich Sutton au semnat împreună un text intitulat „The Bittersweet Lesson" („Lecția dulce-amară"). Ei observă că dezbaterea e încadrată de obicei ca o falsă dihotomie, iar Sutton însuși notase că cele două abordări nu se exclud, deși în practică tind să se ciocnească. Concluzia lor este că ar trebui să înțelegem cum putem încorpora *descoperirea* structurii în algoritmii de învățare înșiși, în loc să respingem prejudecata inductivă din start. În limbajul lor, prejudecatele introduse manual pot fi privite ca o etapă intermediară într-un drum mai lung. Textul vine din comunitatea care aplică învățarea automată în științele naturale, unde instinctul de a încorpora cunoaștere de domeniu, de pildă simetrii fizice, este puternic, iar exemplele în care o prejudecată bine motivată a ajutat sunt numeroase. Tot acolo există însă și exemple în care eliminarea unei prejudecăți motivate a îmbunătățit rezultatul. Autorii concluzionează, cu o onestitate rară, că suntem, de fapt, confuzi. ### Argumente și contra-argumente Merită așezate față în față câteva dintre ele, pentru ca cititorul să-și facă propria idee. **Pentru scală.** Un ghid popular de pe un site de benchmark-uri observă că arhitectura Transformer a învins rețelele recurente nu atât datorită unei prejudecăți mai bune, cât datorită faptului că se paralelizează mai ușor, deci poate folosi mai mult calcul. Dacă interpretarea e corectă, chiar și o inovație arhitecturală se explică prin Lecția amară: a fost bună pentru că a permis scalarea. **Pentru formă.** Un comentariu sintetic observă că arhitecturile nu sunt un detaliu: scalezi o arhitectură proastă și nu obții rezultate bune; ai nevoie de metoda generală potrivită *și* de scară. Un alt text, mai apropiat de practică, notează că prejudecatele inductive sunt mai ales utile tocmai acolo unde nu putem scala la nesfârșit, adică în situații cu date limitate, care caracterizează majoritatea aplicațiilor reale. **Un argument de nuanță, din domeniul fizicii.** Nielsen observă că Lecția amară se aplică mai bine în domenii unde cunoașterea de specialitate este slabă sau greu de exprimat matematic. Unde avem simetrii clare, prejudecata corectă poate economisi enorm de multe date și calcul. **O poziție recentă, de tratat cu prudență.** Un preprint din 2026 susține că legile de scalare descriu interpolarea pe distribuții fixe și nu spun nimic despre extrapolarea către distribuții modificate; în lumi finite și schimbătoare, argumentează autorul, priorii bine aleși bat forța brută. E un text nerecenzat și programatic, deci îl menționez ca indiciu al direcției în care se mișcă dezbaterea, nu ca verdict. ### Ce rămâne Dacă punem toate acestea cap la cap, imaginea cea mai onestă este aceasta: forma nu a dispărut, ci s-a *mutat*. Transformerul este el însuși o formă, o prejudecată inductivă foarte generală, aleasă tocmai pentru că impune puțin și lasă mult datelor, și pentru că se pretează la calcul paralel. Cine spune „scara a învins forma" omite că scara funcționează doar pe o formă care o poate găzdui. Cu alte cuvinte, Sullivan avea dreptate pe jumătate, dar într-un sens pe care nu l-a prevăzut. Forma urmează într-adevăr funcția, doar că funcția nu este „clasifică imagini cu pisici", ci „utilizează cât mai mult calcul fără să se degradeze". Aceasta e noua funcție de proiectare, iar formele de succes sunt cele care o îndeplinesc. --- ## Cunoașterea de dinainte: priori, pre-antrenare și sfatul tatălui Să coborâm de la dispută la un mecanism concret. Un model mare de limbaj nu pornește de la zero atunci când este folosit. A fost mai întâi *pre-antrenat* pe cantități enorme de text, și abia apoi adaptat la sarcini mai înguste. Aici se pune o întrebare care atinge direct tema noastră: ce înseamnă, în acest context, prejudecata inductivă? Un glosar de termeni din domeniul învățării automate observă că dezbaterile despre modelele de fundație și transferul de învățare gravitează adesea în jurul unei întrebări: oare pre-antrenarea insuflă prejudecăți inductive utile pentru sarcinile ulterioare? Răspunsul practic este, în mare măsură, da. Un model pre-antrenat nu mai pornește din parametri aleatorii; parametrii lui codifică regularități statistice ale limbii și ale textelor din corpus, inclusiv relații dintre cuvinte și idei exprimate în text. Acestea funcționează ca un prior imens, estimat din date, nu proiectat de om. Dar aici apare o distincție de care depinde seria noastră. Există două tipuri de prejudecată: cea *proiectată* (convoluția, atenția, simetriile încorporate de oameni) și cea *estimată din date* (ce se fixează în parametrii modelului după pre-antrenare). Lecția amară respinge în principal prima. Cea de-a doua este, în sens strict, rezultatul scalării. Aici dezbaterea devine și mai subtilă: pre-antrenarea nu elimină prejudecata inductivă, o *produce*, doar prin alte mijloace. ### Prejudecata care vine din date Sursele de sinteză din domeniu notează și un aspect pe care adesea îl pierdem din vedere: prejudecata nu stă doar în arhitectură, ci poate fi privită și prin prisma datelor de antrenament. Datele alese, filtrate și ponderate reprezintă tot o ipoteză despre lume. Un text despre cele trei tipuri de prejudecată distinge între cea algoritmică (decurge din proiectarea algoritmului), cea de date și cunoașterea anterioară. În cazul modelelor mari, pe măsură ce arhitectura se uniformizează, prejudecata se deplasează tot mai mult spre date. Aceasta e o schimbare importantă pentru cititorul care nu e inginer: cel care alege datele alege, într-un sens, forma. Și aici nu e vorba doar de tehnică, ci de putere editorială: ce intră în corpus, ce rămâne în afară. Acest aspect revine în ultima secțiune. ### A treia imagine din basm: sfatul și calul Basmul oferă aici două imagini care se completează. Prima este sfatul tatălui. Înainte să plece spre împărăție, tânărul primește un avertisment clar: să se ferească de omul roș și, mai ales, de omul spân. Aceasta e cunoaștere încorporată dinainte, un prior transmis. Eroul însă nu o aplică: dă de omul spân, se lasă păcălit și plătește un preț serios. Imaginea e foarte potrivită pentru ideea că un prior corect, dacă nu e folosit, nu ajută la nimic. Pentru un model, analogul ar fi o informație prezentă în parametri, dar care nu influențează ieșirea în situația în care ar fi trebuit. A doua imagine este calul năzdrăvan, primit tot de la tatăl eroului, care îl ajută pe drum. Pentru cititorul de azi, imaginea poate sugera ideea de pre-antrenare: o bază de regularități deja fixate, pe care o folosești într-o situație nouă. Aici analogia e cea mai riscantă, pentru că invită la a vedea în model un personaj care știe și ajută. Limitele sunt, și aici, serioase. Calul din basm e fidel, binevoitor și vorbește; un model pre-antrenat nu are loialitate, intenții sau bună-credință. Nu „ajută" în sens propriu, ci produce ieșiri probabile statistic, pe baza parametrilor. Folosesc imaginea doar pentru structură (ceva dobândit dinainte, care ușurează drumul), nu pentru purtare. Un model nu își explică motivele, pentru că nu are motive; are parametri, iar opacitatea lor este o parte din problema pe care o discutăm mai departe. --- ## Ce fac oamenii cu aceste sisteme: funcția care se descoperă din uz Până aici am vorbit despre forma tehnică. Să trecem la celălalt sens al cuvântului „funcție": ce rol joacă aceste sisteme în viețile oamenilor, azi. Aici lucrurile se răstoarnă iarăși față de Sullivan. Un arhitect știe pentru ce construiește un spital și pentru ce o gară. Furnizorii acestor sisteme nu au putut ști cu certitudine, la lansare, ce vor face oamenii cu ele. Au aflat observând uzul. ### Datele despre ChatGPT: întreabă, fac, se exprimă Cea mai citată cercetare din acest domeniu este lucrarea „How People Use ChatGPT", publicată ca document de lucru NBER în septembrie 2025 de Aaron Chatterji, Thomas Cunningham, David Deming, Zoe Hitzig, Christopher Ong, Carl Yan Shan și Kevin Wadman, o echipă care include cercetători de la Duke, Harvard și OpenAI. Autorii folosesc o conductă automată care păstrează confidențialitatea, ca să clasifice un eșantion reprezentativ de conversații, fără ca vreun om să citească mesajele. Ce constată? Că mesajele fără legătură cu munca au crescut de la 53% la peste 70% din utilizare până în iulie 2025. Că temele cele mai frecvente sunt „ghidaj practic", „căutare de informații" și „scris", împreună cu aproape 80% din conversații. Că scrisul domină în utilizarea profesională, ceea ce arată, spun autorii, capacitatea unică a acestor sisteme de a genera ieșiri digitale în comparație cu motoarele de căutare. Că programarea și autoexprimarea reprezintă, fiecare, o pondere relativ mică. Și că, în ansamblu, valoarea economică vine din *suport pentru decizie*, mai ales în meserii intensive în cunoaștere. Mai interesantă pentru noi este tipologia intenției. Cercetătorii împart mesajele în trei: *Asking* (cer informații sau sfaturi, ca să decid ceva), *Doing* (cer să se producă un rezultat: un e-mail, un cod, o imagine) și *Expressing* (îmi exprim gânduri sau sentimente, fără să cer nimic). Distribuția raportată: aproximativ 49% întrebări, 40% sarcini și 11% exprimare. Iar mesajele de tip „Asking" au crescut mai repede decât cele de tip „Doing" și sunt apreciate ca având o calitate mai bună de către utilizatori. Concluzia e, într-un fel, neașteptată: ceea ce fac oamenii cel mai des nu seamănă cu automatizarea, ci cu consultarea unei surse de informare și orientare, disponibilă permanent. Funcția efectivă este de suport pentru decizie, nu de înlocuire a sarcinii. ### Date despre adopție: peste jumătate dintre adulții americani Centrul Pew Research a publicat pe 17 iunie 2026 raportul „Americans and AI 2026". Rezumatul oficial notează că o parte tot mai mare dintre adulții americani folosesc chatboturi, în creștere față de o treime în 2024. O sursă secundară care comentează studiul indică faptul că utilizarea a depășit pragul de 50% pentru prima dată; precizez că cifra exactă o iau din comentariul acela, nu din raportul în sine, deci o trec ca „de verificat" până o confirmi în PDF-ul Pew. Din raport reiese, de asemenea, că aproximativ unul din zece adulți declară că folosește chatboturi pentru sprijin emoțional. ### O funcție mai largă decât productivitatea Un raport din iulie 2026 despre consumul de aplicații conversaționale, bazat pe două sondaje din martie 2026, găsește că utilizatorii folosesc în medie mai multe chatboturi și că 80% aleg, pe lângă rolul de asistent productiv, și roluri relaționale sau de sprijin, mulți atribuind instrumentelor „personalități" distincte (o atribuire a utilizatorilor, nu o însușire a sistemelor). Atenție: am aflat despre el doar dintr-un rezumat într-un newsletter, nu din raportul original, deci îl tratez ca indiciu. Corelat cu cele de mai sus, tabloul care se conturează este că, pentru publicul larg, aceste sisteme sunt folosite în același timp ca instrument de lucru, ca sursă de orientare și, de unii utilizatori, ca substitut de conversație. Aceasta e funcția *emergentă*: nu a fost specificată de proiectant, ci a ieșit din comportamentul a sute de milioane de oameni. ### Datele despre uz profesional: Economic Index Anthropic publică periodic un „Economic Index", care urmărește cum este folosit Claude în economie. Raportul din ianuarie 2026 introduce așa-numitele „primitive economice", măsuri de bază care acoperă competențele, complexitatea sarcinilor, gradul de autonomie, succesul și scopul (muncă, personal, educație). Printre constatări: utilizarea rămâne concentrată pe un număr mic de sarcini, în mare parte de programare (primele zece sarcini însumau 24% din conversațiile analizate); sarcinile observate cer mai multă școlarizare decât cele din economia largă; iar sarcinile care cer studii superioare sunt duse la bun sfârșit în 66% din cazuri, față de 70% pentru cele care cer mai puțin decât liceul. Raportul din martie 2026 arată că utilizarea pe Claude.ai a devenit mai puțin concentrată (primele zece sarcini au scăzut de la 24% la 19%), iar programarea migrează din chat spre API, unde crește Claude Code. Raportul din iunie 2026 merge mai departe: sesiunile constau tot mai mult în sarcini agentice de lungă durată, iar transcrierile de chat nu mai surprind pe deplin cum folosesc oamenii aceste sisteme, ceea ce a obligat echipa să-și adapteze metodele de măsurare. Aceasta e o observație cu greutate pentru tema noastră. Funcția acestor sisteme se mișcă *mai repede* decât instrumentele cu care o măsurăm. Chiar când încercăm s-o definim, ea se schimbă. ### A patra imagine din basm: probele neprevăzute Aici revin la Harap-Alb, dar cu un alt unghi. Spânul îi dă eroului probe: să aducă sălățile din Grădina Ursului, pielea cu pietre scumpe a cerbului, pe fata Împăratului Roș. Eroul nu știe dinainte care va fi următoarea probă și nici dacă tovarășii pe care îi are vor fi potriviți pentru ea. Descoperă, de la o probă la alta, la ce folosește fiecare. E imaginea cea mai bună pe care o am pentru funcția emergentă: nu știi dinainte la ce îți va folosi instrumentul; afli pe parcurs. Dar și aici, limita analogiei trebuie spusă. În basm, probele sunt date de un adversar, iar eroul le trece cu ajutor. În lumea reală, „probele" sunt cerințele a milioane de oameni, iar nimeni nu le „dă" dintr-un loc central. Nu există un Spân al acestor sisteme; există, mai degrabă, o mulțime de nevoi care se aglomerează într-un singur instrument. ### O avertizare metodologică Toate aceste date au, în fine, două limite pe care o analiză onestă nu le poate ocoli. Prima: cele mai bogate date vin de la furnizorii înșiși. Studiul NBER are autori de la OpenAI, iar Economic Index este publicat de Anthropic. Asta nu le invalidează, dar înseamnă că imaginea publică a „funcției" acestor sisteme este construită în mare parte de cei care o vând, cu metode pe care cititorul nu le poate verifica independent. A doua: sondajele pe bază de autoraportare au și ele părtinirile lor; autorii NBER citează cercetări conform cărora oamenii tind să exagereze utilizările „productive" și să le subestimeze pe cele „frivole". De aceea, când vorbim despre funcția acestor sisteme, vorbim, de fapt, despre funcția *măsurată*, iar măsurarea însăși este o formă. --- ## Când lumea se schimbă: limitele formei Orice prejudecată inductivă este un pariu pe stabilitatea lumii. Convoluția presupune că obiectele rămân aceleași în orice colț al imaginii. Prejudecata încorporată într-un model de limbaj implică ipoteza că viitorul seamănă destul de bine cu trecutul din date. Cât timp pariul ține, forma servește funcția. Când lumea se schimbă, ea poate ajunge să nu o mai servească. Tehnic, fenomenul se numește *distribution shift*, adică deplasarea distribuției: datele pe care modelul este folosit nu mai seamănă cu cele pe care a fost antrenat. Preprint-ul din 2026 pe care l-am menționat mai sus pornește exact de aici. Argumentul lui este că legile de scalare descriu interpolarea pe distribuții fixe și că scăderea perplexității nu înseamnă automat creșterea fiabilității în aval. Fiind o lucrare nerecenzată, o citesc ca pe un semnal de direcție, nu ca pe o concluzie încheiată. Dar problema pe care o ridică este reală și bine cunoscută: un model produce rezultate fiabile în interiorul distribuției de antrenare și nesigure la marginea ei. Un exemplu din altă zonă ajută. O lucrare despre prognoza meteo prin învățare profundă notează că modelele pur bazate pe date au făcut progrese rapide și ating performanțe comparabile cu metodele numerice clasice, la un cost de calcul mai mic, cu condiția ca datele să fie suficiente, iar prejudecățile inductive, când sunt alese bine, accelerează antrenarea și îmbunătățesc generalizarea. Cu alte cuvinte, într-un domeniu cu legi fizice cunoscute, forma încorporată economisește exact acolo unde datele nu sunt de ajuns. ### A cincea imagine din basm: tinerețe fără bătrânețe Pentru această secțiune, basmul „Tinerețe fără bătrânețe și viață fără de moarte" oferă o imagine care, pentru un cititor de șaptesprezece ani, spune mai mult decât o pagină de statistică. Făt-Frumos ajunge într-o lume unde timpul nu curge: ce i se pare a fi câteva zile sunt, de fapt, ani, iar viața lui în acel loc merge fără probleme cât timp rămâne înăuntru. Când vrea să se întoarcă în lumea de unde a plecat, descoperă că timpul și-a cerut între timp partea: casa părinților e ruină, oamenii de odinioară nu mai sunt, iar el însuși nu poate rezista contactului cu timpul real. Ca mnemonic pentru distribution shift, imaginea e puternică. O funcție estimată pe date dintr-o lume stabilă și închisă, adică pe date fixe, se degradează când e scoasă în lumea în care lucrurile se schimbă. Nu pentru că ar fi fost slabă înăuntru, ci pentru că regulile locului în care a fost estimată nu mai sunt cele din locul unde e folosită. Trebuie spus, totuși, și ce nu spune basmul. Basmul e o parabolă despre moarte și limită omenească; nu are nicio legătură cu statistica. Eroul trece printr-o cădere ireversibilă, iar un model poate fi reantrenat, ajustat, corectat. Imaginea ne ajută să *simțim* riscul, nu să-l *măsurăm*. Măsurarea rămâne treaba tehnicii. ### Ce înseamnă asta practic Pentru cititor, concluzia e simplă și utilă. Când un sistem de calcul îți livrează un rezultat, întrebarea la care merită să te gândești este: seamănă situația mea cu datele pe care a fost antrenat? Dacă da, ai motive de încredere. Dacă nu, fiabilitatea scade, iar sistemul nu semnalează întotdeauna acest lucru. Un instrument bun nu e doar unul care răspunde corect, ci și unul pe care îl știi folosi în limitele pentru care a fost bun. --- ## Costul formei: cine „intră în zid" Până acum am tratat forma ca pe o problemă tehnică. Dar orice construcție are un cost, iar costul nu cade întotdeauna pe cel care construiește. Aici e locul pentru cea mai grea dintre imaginile folosite în articol. Balada Meșterului Manole, o legendă mai degrabă decât un basm propriu-zis, vorbește despre o mănăstire care nu se poate ridica: ce zidesc meșterii ziua se prăbușește noaptea. Singura soluție e să zidească în perete ceva omenesc, pe cea dintâi care va veni dimineața cu mâncare, iar aceea e soția meșterului. Construcția se ține, dar prețul este o viață. Nu spun că industria acestor sisteme „zidește oameni". Ar fi o exagerare, iar analogiile prea apăsate strică mai mult decât lămuresc. Spun altceva, mai măsurat: orice formă durabilă are un cost ascuns, iar întrebarea cinstită este *cine îl plătește*. Imaginea lui Manole ne obligă s-o punem. ### Câteva locuri unde se pune întrebarea Prima: **datele**. Am văzut că prejudecata se mută, în modelele mari, tot mai mult spre date. Datele vin de la oameni: texte scrise, imagini făcute, cod publicat, de către autori care, în multe cazuri, nu au fost întrebați și nu au fost plătiți. Statutul juridic al acestei utilizări este disputat în multe jurisdicții, iar eu nu iau aici o poziție; îl semnalez ca loc unde se plătește un cost. A doua: **munca de aliniere și etichetare**. Modelele nu ajung în forma în care le folosim doar prin calcul, ci și prin muncă omenească de evaluare și corecție. Subiectul este documentat în presa de investigație și în cercetare, dar nu face parte din sursele pe care le-am adunat pentru acest text, așa că nu aduc cifre și te îndemn să-l verifici separat înainte de a-l dezvolta într-un articol propriu. A treia: **atenția și relația**. Am văzut că aproximativ unul din zece adulți declară că folosește chatboturi pentru sprijin emoțional, iar un alt raport sugerează că majoritatea utilizatorilor caută și roluri relaționale. Aici costul, dacă există, este mai greu de numit: cine răspunde când un produs conceput pentru uz curent ajunge să fie, pentru cineva, singurul canal de conversație la care mai apelează la trei dimineața? Nu am un răspuns, și nu cred că cineva îl are încă. ### O regulă de igienă De aceea propun cititorului o regulă simplă, pe care o aplic și eu când scriu: de fiecare dată când un text spune „sistemul face X", merită întrebat *pentru cine* și *pe seama cui*. Funcția nu e niciodată neutră. Ea se definește dintr-un punct de vedere, iar punctul de vedere are interese. --- ## Închidere: cine definește funcția? Am pornit de la o frază din 1896 și am ajuns într-un loc în care ea nu mai funcționează cum a fost gândită. Să strângem firele. **Forma nu urmează funcția; o face posibilă.** În învățarea automată, prejudecata inductivă este condiția pentru care un sistem poate generaliza deloc. Teorema fără prânz gratuit arată că nu există algoritm universal de învățare, deci alegerea formei e inevitabilă, chiar când nu e explicită. **Forma s-a mutat, nu a dispărut.** Lecția amară a lui Sutton a obligat domeniul să renunțe la multe prejudecăți proiectate manual, dar Transformerul, datele de antrenament și pre-antrenarea sunt tot forme. „Lecția dulce-amară" a lui Cranmer și Sutton sugerează că întrebarea rămâne deschisă: cum descoperim structura în loc s-o impunem. **Funcția se descoperă din uz.** Datele publice arată, azi, un tablou în care oamenii întreabă, fac și se exprimă, iar uzul se deplasează dinspre chat spre sarcini agentice de lungă durată. Funcția se mișcă mai repede decât instrumentele noastre de măsurare. **Cine măsoară alege.** Cele mai bogate date vin de la furnizori. Sondajele au propriile părtiniri. Orice imagine publică a „funcției" acestor sisteme este o imagine construită, nu o fotografie. ### Imaginea de încheiere Mă întorc la Harap-Alb. Nu pentru că basmul ar avea un răspuns, ci pentru că are o postură. Eroul nu știe ce probă urmează. Are tovarăși ale căror însușiri le descoperă pe drum, un cal năzdrăvan primit dinainte, un sfat pe care îl ignoră o dată și îl plătește. Nu controlează întregul, dar nu e lipsit de mijloace: observă, încearcă, își alege aliații. Aș vrea ca cititorul de șaptesprezece-douăzeci de ani să plece de aici cu o întrebare mai bună decât „ce pot sistemele acestea?". O întrebare precum „ce ipoteze sunt încorporate în sistemul acesta, pe ce date a fost antrenat și cine a hotărât ce date intră în antrenare?" Aceasta e, în limbajul din articol, întrebarea despre prejudecata inductivă, pusă de un om, nu de un inginer. Și, ca să închid cum am început, în atelierul tatălui: ordinea sculelor mi se părea misterioasă, iar azi cred că era o prejudecată inductivă în sensul ei cel mai bun, o formă pe care mâna o învățase din mii de reparații, fără să o fi formulat vreodată. Iar fraza lui, „Se mai poate repara", mi se pare cea mai bună regulă pentru sistemele de azi: o formă care produce erori nu se aruncă, ci se examinează și se repară, dacă mai știm cum. --- ## Bibliografie și surse **Prejudecata inductivă și arhitecturi** - Mitchell, T. (1980), definiția prejudecății inductive, citată prin Battaglia et al. - Battaglia, P. et al. (2018), „Relational inductive biases, deep learning, and graph networks", arXiv:1806.01261. - Goyal, A., Bengio, Y. (2020), „Inductive Biases for Deep Learning of Higher-Level Cognition", arXiv:2011.15091. - „A Primer on Bayesian Neural Networks: Review and Debates", arXiv:2309.16314. - Wolpert, D., teorema „no free lunch" (1995–1996), citată prin sursele de mai sus. **Dezbaterea Bitter Lesson** - Sutton, R. (2019), „The Bitter Lesson". - Cranmer, K., Sutton, R. (2025), „The Bittersweet Lesson", theoryandpractice.org. - Michael, J. et al. (2022), „What Do NLP Researchers Believe? Results of the NLP Community Metasurvey", arXiv:2208.12852. - Nielsen, M., eseu despre Bitter Lesson, cognitivemedium.com/bitter-lesson. - „Epistemic Compression: The Case for Deliberate Ignorance in High-Stakes AI" (2026), arXiv:2603.25033, preprint nerecenzat. **Funcția acestor sisteme, date publice** - Chatterji, A. et al. (2025), „How People Use ChatGPT", NBER Working Paper 34255. - Pew Research Center (17 iunie 2026), „Americans and AI 2026: Chatbots, Smart Devices and Views on Impact". - Anthropic, Economic Index: ianuarie 2026 („Economic primitives"), martie 2026 („Learning curves"), iunie 2026 („Cadences"). - Raportul „The State of Consumer AI" (iulie 2026), cunoscut aici doar printr-un rezumat de newsletter. **De verificat înainte de publicare** - Sullivan, L. (1896), „The Tall Office Building Artistically Considered", sursa originală a formulei. - Sursele primare despre rețelele convoluționale și arhitectura Transformer (nu au făcut parte din această documentare). - Cifra de 50%+ a utilizării chatboturilor din raportul Pew, citată aici prin comentariu secundar. - Textele basmelor: Creangă, „Povestea lui Harap-Alb" și „Fata babei și fata moșneagului"; Ispirescu, „Tinerețe fără bătrânețe și viață fără de moarte"; balada Meșterului Manole, în variantele culese în secolul al XIX-lea.