{ "version": "https://jsonfeed.org/version/1", "title": "gruszka.dev", "home_page_url": "https://gruszka.dev", "feed_url": "https://gruszka.dev/tag-linguistics.json", "description": "Things I would like to share", "items": [ { "id": "https://gruszka.dev/semiotyka-a-llm.html", "url": "https://gruszka.dev/semiotyka-a-llm.html", "title": "Semiotyka - dlaczego LLM nie \"myśli\", ale jednak coś znaczy", "content_html": "

W poprzednim wpisie zbudowaliśmy naszą językową cebulkę - pięć warstw, od fonetyki po pragmatykę, i zobaczyliśmy, jak LLM radzi sobie z każdą z nich. Ale po napisaniu tamtego posta zostało mi jedno wielkie "ale..." w głowie.

\n

Bo przecież - czy LLM w ogóle "rozumie" to, co generuje? Czy ma jakiś wewnętrzny model świata? Czy myśli?

\n

I wtedy wpadłem na semiotykę. I okazuje się, że semiotyka daje nam genialną ramę do myślenia o LLM - nie jako o sztucznym umyśle, ale jako o maszynie znaków. I nagle wszystko zaczyna mieć sens. Albo przynajmniej ma bardziej sens niż wcześniej ;-)

\n

To jest drugi wpis z serii "zrozumiec LLM". Dzisiaj zmieniamy perspektywę: zamiast patrzeć na warstwy języka, patrzymy na samą naturę tego, czym są znaki i jak znaczenie w ogóle powstaje. I dlaczego to jest kluczowe do zrozumienia, czym LLM jest - i czym nie jest.

\n
\n

Czym jest semiotyka?

\n

Zanim wejdziemy w LLM, musimy załatwić podstawy. Bo semiotyka to jedno z tych słów, które brzmi mądrze, ale co właściwie znaczy?

\n

Semiotyka to nauka o znakach i o tym, jak znaki tworzą znaczenie. To wszystko. Nie brzmi już tak strasznie, prawda? ;-)

\n

A "znak" w semiotyce to wszystko, co coś oznacza. Coś, co stoi za czymś innym. Proste przykłady:

\n\n

Każdy z tych znaków reprezentuje coś innego. I to "reprezentowanie" to jest właśnie to, co semiotyka bada.

\n
\n

Tip

\n

Eksperyment: Rozejrzyjcie się wokół siebie - ile znaków widzicie w tej chwili? Ja w tym momencie widzę: ikonę WiFi (mam internet), powiadomienie na telefonie (ktoś napisał), logo na kubku z kawą (marka). Trzy znaki i nawet nie wstałem z krzesła.

\n
\n

Semiotyka vs semantyka

\n

W poprzednim wpisie mieliśmy semantykę - badanie znaczenia słów i zdań. Więc czym semiotyka się różni?

\n

Krótko:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Co pytaPrzykład
Semantyka"Co to znaczy?"Co znaczy słowo "zamek"?
Semiotyka"Jak ten znak w ogóle działa?"Jak to się dzieje, że czerwone światło OZNACZA "stop"?
\n

Semantyka pyta o konkretne znaczenia. Semiotyka pyta o mechanizm znaczenia - jak to się dzieje, że cokolwiek cokolwiek oznacza.

\n

I właśnie dlatego semiotyka jest tak ważna dla zrozumienia LLM. Bo pytanie nie brzmi "co LLM znaczy", ale "jak LLM operuje na znakach".

\n
\n

Dwóch gigantów: Saussure vs Peirce

\n

W semiotyce są dwie główne tradycje, które musicie znać. Dwa podejścia, dwa sposoby myślenia o znakach. I uwaga - oba są ważne dla zrozumienia LLM, ale każdy z innej strony.

\n

Ferdinand de Saussure: znak jako para

\n

Saussure (szwajcarski lingwista, żył na przełomie XIX i XX wieku) powiedział: znak składa się z dwóch części.

\n
graph LR\n    Z["SIGN<br/><i>znak</i>"] --> SI["SIGNIFIANT<br/><i>znaczące</i><br/>forma: dźwięk, tekst"]\n    Z --> SE["SIGNIFIE<br/><i>znaczone</i><br/>koncept, pojęcie"]\n    \n    style Z fill:#9999ff,color:#fff\n    style SI fill:#ffcc99,color:#000\n    style SE fill:#99ff99,color:#000\n
\n\n

I kluczowa rzecz: relacja między znaczącym a znaczonym jest arbitralna. Nie ma żadnego logicznego powodu, dla którego ciąg liter "k-o-t" oznacza właśnie tego zwierzaka. Po prostu... tak się przyjęło. W angielskim to "cat", w niemieckim "Katze", w japońskim "猫" (neko) - każdy język ma inny ciąg dźwięków/liter na to samo pojęcie.

\n

Ale Saussure mówi coś jeszcze ważniejszego: znaczenie słowa wynika z jego relacji do innych słów w systemie. "Kot" znaczy to, co znaczy, bo NIE jest "psem", NIE jest "domem", NIE jest "samochodem". Znaczenie jest różnicowe - wynika z różnicy.

\n
\n

To brzmi abstrakcyjnie, ale za chwilę zobaczycie, że to jest dokładnie to, co robią embeddingi w LLM. Naprawdę ;-)

\n
\n

Charles Sanders Peirce: znak jako proces

\n

Peirce (amerykański filozof, trochę wcześniej niż Saussure, ale mniej więcej w tym samym czasie) miał inne podejście. Dla niego znak nie jest statyczną parą, ale dynamicznym procesem.

\n
graph TD\n    R["REPRESENTAMEN<br/><i>znak</i><br/>forma, którą widzisz"] --> O["OBJECT<br/><i>obiekt</i><br/>to, do czego znak się odnosi"]\n    R --> I["INTERPRETANT<br/><i>interpretacja</i><br/>efekt w umyśle odbiorcy"]\n    I -.->|"tworzy nowy znak"| R2["NOWY REPRESENTAMEN"]\n    \n    style R fill:#ff9999,color:#000\n    style O fill:#99ff99,color:#000\n    style I fill:#9999ff,color:#fff\n
\n

Triada Peirce'a:

\n\n

I to jest kluczowa różnica: u Saussure'a znak jest statyczny (para), u Peirce'a - dynamiczny, żywy, będący procesem. Znaczenie nie jest "zawarte" w znaku - ono powstaje w procesie interpretacji.

\n

Trzy rodzaje znaków według Peirce'a

\n

Peirce podzielił znaki na trzy kategorie, które są super intuicyjne:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
TypOpisPrzykłady
IkonaPodobieństwo między znakiem a obiektemPortret, mapa, emoji 😺 (wygląda trochę jak kot), ikona folderu na komputerze
IndeksZwiązek przyczynowo-skutkowy lub fizycznyŚlady stóp na piasku (ktoś tu przeszedł), dym (ogień), kaszel (choroba), termometr (temperatura)
SymbolKonwencja, umowa społecznaSłowo "kot", flaga państwowa, czerwone światło = stop, matematyczne "="
\n
\n

Note

\n

Słowo "symbol" w codziennym języku znaczy coś innego niż w semiotyce Peirce'a! W semiotyce symbol to znak oparty wyłącznie na konwencji - nie przypomina obiektu (jak ikona) i nie jest z nim fizycznie związany (jak indeks). Flaga Polski nie "przypomina" Polski i nie jest z nią fizycznie połączona - po prostu się umówiliśmy, że te kolory oznaczają to państwo.

\n
\n

Sprawdźcie się - jaki to typ znaku?1

\n
    \n
  1. 🌡️ Termometr pokazujący 37°C
    2. \n
  2. 📸 Zdjęcie twojego psa
    3. \n
  3. 🟢 Zielone światło = "jedź"
    4. \n
  4. 🐾 Ślady butów na śniegu
    5. \n
  5. ♿ Ikona dostępności
    6. \n
\n
\n

Hall of Mirrors - czyli LLM utknął w lustrach

\n

David Manheim, badacz AI, użył pięknej metafory pochodzącej od semiotyki Peirce'a. Nazwał to "Hall of Mirrors Problem" - problemem hali luster.

\n

Wyobraźcie sobie: jesteście w pokoju pełnym luster. Widzicie odbicia odbić odbić... i nigdzie nie ma okna na zewnątrz. Nie widzicie prawdziwego świata - widzicie tylko... więcej luster.

\n

To jest dokładnie to, co robi LLM.

\n
graph LR\n    W["🌍 Świat<br/><i>rzeczywistość</i>"] -->|"doświadczenie"| C["🧑 Ludzie<br/><i>piszą teksty</i>"]\n    C -->|"tworzą"| T["📝 Teksty<br/><i>dane treningowe</i>"]\n    T -->|"uczy się na"| LLM["🤖 LLM"]\n    LLM -->|"generuje"| T2["📝 Nowe teksty"]\n    T2 -->|"trafiają do"| T\n    \n    style W fill:#99ff99,color:#000\n    style C fill:#ffcc99,color:#000\n    style T fill:#ffff99,color:#000\n    style LLM fill:#ff9999,color:#000\n    style T2 fill:#ffff99,color:#000\n
\n

Spójrzmy na to przez pryzmat triady Peirce'a:

\n\n

LLM nigdy nie widział świata. Nigdy nie poczuł smaku truskawki, nie dotknął lodu, nie usłyszał śmiechu. Całą swoją "wiedzę" o świecie czerpie z tekstu - z tego, co inni ludzie napisali o świecie.

\n

Więc kiedy LLM pisze "truskawki są słodkie" - on nie wie, że są słodkie. On wie, że w tekstach, na których był trenowany, słowo "truskawki" często występuje blisko słowa "słodkie". To jest różnica. I to jest właśnie semiotyczna różnica.

\n
\n

Warning

\n

Paradoks: LLM potrafi napisać piękny opis zachodu słońca, choć nigdy nie widział słońca. Ale potrafi też napisać piękny opis zachodu słońca na Marsie - choć tam jeszcze nikt nie widział zachodu słońca. Skąd "wie"? Z tekstu science fiction. Czyli: znaki odnoszą się do znaków, które odnoszą się do znaków... hala luster ;-)

\n
\n
\n

Saussure w kodzie: embeddingi jako system znaków

\n

OK, teraz to, co obiecałem - zobaczmy, jak teoria Saussure'a realizuje się w kodzie. Bo to jest naprawdę fascynujące.

\n

Pamiętacie, co mówił Saussure? Znaczenie słowa wynika z jego relacji do innych słów. "Kot" znaczy to, co znaczy, bo nie jest "psem", nie jest "domem" itd. Znaczenie jest relacyjne.

\n

A teraz pomyślcie o word embeddings (osadzeniach słów) - które poznaliśmy w poprzednim wpisie. Każde słowo jest reprezentowane jako wektor w wielowymiarowej przestrzeni. I słowa o podobnym znaczeniu są blisko siebie w tej przestrzeni.

\n

To jest dokładnie relacyjna teoria znaku Saussure'a, tylko zaimplementowana w matematyce!

\n
from gensim.downloader import load\n\nmodel = load("glove-wiki-gigaword-50")\n\nking = model["king"]\nqueen = model["queen"]\nman = model["man"]\nwoman = model["woman"]\n\nresult = king - man + woman\n\nfrom gensim.models import KeyedVectors\nsimilarities = model.cosine_similarities(result, [queen])\nprint(f"Podobieństwo do 'queen': {similarities[0]:.3f}")
\n

Wypisze coś w stylu: Podobieństwo do 'queen': 0.850

\n

Ale spójrzcie na to z perspektywy Saussure'a:

\n
graph TD\n    subgraph "Saussure: znak = pozycja w systemie relacji"\n        S1["'king' nie jest 'queen'<br/>'king' nie jest 'man'<br/>'king' nie jest 'woman'"] --> S2["znaczenie = różnica"]\n    end\n    subgraph "Word2Vec: słowo = wektor w przestrzeni relacyjnej"\n        V1["king = [0.50, 0.68, ...]<br/>queen = [0.38, 0.64, ...]<br/>man = [0.31, 0.43, ...]"] --> V2["znaczenie = pozycja wektora<br/>względem innych wektorów"]\n    end\n    \n    S2 -.->|"to samo!"| V2\n    \n    style S2 fill:#9999ff,color:#fff\n    style V2 fill:#ff9999,color:#000\n
\n

Zarówno Saussure, jak i Word2Vec mówią to samo: znaczenie nie jest w samym znaku - jest w jego relacji do innych znaków. Saussure wymyślił to jako teorię języka. Programiści Google wymyślili Word2Vec jako algorytm. I doszli do tego samego wniosku.

\n

No... prawie. Bo jest jeden haczyk. Saussure zakładał, że za znaczącym (forma) stoi znaczone (koncept). W embeddingach mamy tylko pozycję w przestrzeni - mamy relacje, ale czy mamy "koncept"? Czy wektor [0.50, 0.68, ...] jest konceptem "króla"?

\n

To jest właśnie to pytanie, które doprowadza nas do kolejnego semiotyka...

\n
\n

Derrida: pismo jako fundament

\n

Jacques Derrida (francuski filozof, lata 60. i 70. XX wieku) zrobił coś odważnego. Spojrzał na całego Saussure'a i powiedział: "Chwila. A dlaczego uważacie, że mowa jest ważniejsza od pisma?"

\n

Saussure (i cała zachodnia tradycja filozoficzna) traktował mowę jako "pierwotną" - bliższą myśli, bliższą znaczeniu. Pismo było "pochodne" - tylko zapis mowy, "znak znaku". Derrida nazwał to logocentryzmem - przekonaniem, że na końcu łańcucha znaków jest jakaś "obecność", "myśl", "intencja", która nadaje znaczenie.

\n

I Derrida odwrócił to do góry nogami: pismo nie jest podrzędne wobec mowy. Pismo jest systemem samym w sobie.

\n

Dlaczego to jest ważne dla LLM? Bo Elad Vromen w swoim artykule "Language Models as Semiotic Machines" zauważył coś genialnego:

\n
\n

LLM trenuje na piśmie (tekst). Tworzy model pisma. Generuje nowe pismo. Nigdzie w tym procesie nie ma "mowy", "umysłu" ani "intencji". Cała hierarchia Saussure'a - mowa > pismo - zostaje odwrócona. Pismo jest jedyną rzeczywistością, jaką LLM zna.

\n
\n
graph LR\n    subgraph "Tradycyjny model (logocentryzm)"\n        A1["🌍 Świat"] --> A2["🧠 Myśl"]\n        A2 --> A3["🗣️ Mowa"]\n        A3 --> A4["📝 Pismo"]\n    end\n    \n    subgraph "Model LLM (odwrócenie Derridy)"\n        B1["📝 Pismo<br/><i>dane treningowe</i>"] --> B2["🧮 Model<br/><i>statystyka znaków</i>"]\n        B2 --> B3["📝 Nowe pismo<br/><i>output LLM</i>"]\n    end\n    \n    style A4 fill:#ff9999,color:#000\n    style B1 fill:#99ff99,color:#000\n    style B2 fill:#9999ff,color:#fff\n    style B3 fill:#99ff99,color:#000\n
\n

Więc kiedy pytamy "czy LLM rozumie język?" - zadajemy złe pytanie. To jak pytanie "czy książka rozumie to, co jest w niej zapisane?" Książka nie "rozumie" - ale zawiera znaki, które my - czytelnicy - interpretujemy. LLM jest czymś pośrednim: nie jest książką (bo generuje nowy tekst), ale nie jest też umysłem (bo nie ma dostępu do znaczeń poza tekstem).

\n
\n

Important

\n

Derrida w pigułce dla LLM: LLM nie modeluje "umysłu" ani "świata". LLM modeluje pismo - system znaków, który ma własną logikę, własne reguły, własną spójność. I to pismo jest wystarczające, żeby generować tekst, który dla nas ma znaczenie. Ale to my nadajemy mu znaczenie - nie model.

\n
\n

To też wyjaśnia pewien fenomen, który pewnie zauważyliście: LLM czasami mówi rzeczy, które są statystycznie poprawne, ale nonsensowne. Bo w systemie pisma, w którym operuje model, te słowa dobrze pasują do siebie. Ale my - jako ludzie z dostępem do świata (obiektów w sensie Peirce'a) - widzimy, że to nie ma sensu. Model nie ma tego "zakotwiczenia" w rzeczywistości.

\n
\nDla chętnych: Derrida i iterowalność\n

Derrida w swoim słynnym eseju "Signature Event Context" mówił o iterowalności znaków - o tym, że znak może być powtórzony w nowym kontekście i nabierać nowego znaczenia. Słowo "dobry" może być komplementem, ironią albo frazą w "dobry wieczór" - kontekst zmienia wszystko.

\n

I to jest właśnie to, co widzimy w LLM: ten sam prompt w innym kontekście daje inną odpowiedź. Model nie "rozumie" kontekstu - ale statystycznie wyłapuje wzorce kontekstowe z danych treningowych. Czyli: iterowalność znaków w czystej, matematycznej postaci.

\n
\n
\n

Prompt jako akt semiotyczny

\n

Teraz wchodzimy na bardzo praktyczny grunt. Bo jeśli LLM jest maszyną znaków, to prompt - to, co do niego wpisujecie - jest aktem semiotycznym. Nie po prostu "komendą". Ale aktem, który tworzy ramę dla znaczenia.

\n

Triada Peirce'a w praktyce

\n

Spójrzmy na interakcję z LLM przez pryzmat triady Peirce'a:

\n
graph TD\n    P["📝 PROMPT<br/><i>representamen</i><br/>znak wejściowy"] --> LLM["🤖 LLM<br/><i>przetwarzanie znaków</i>"]\n    LLM --> O["💬 ODPOWIEDŹ<br/><i>nowy representamen</i>"]\n    O --> U["🧑 UŻYTKOWNIK<br/><i>interpretant</i><br/>nadaje znaczenie"]\n    U -.->|"nowy prompt"| P\n    \n    style P fill:#ff9999,color:#000\n    style LLM fill:#ffcc99,color:#000\n    style O fill:#ffff99,color:#000\n    style U fill:#9999ff,color:#fff\n
\n

Czyli:

\n
    \n
  1. Wy tworzycie prompt (representamen)
    2. \n
  2. LLM przetwarza znaki i generuje odpowiedź (nowy representamen)
    3. \n
  3. Wy interpretujecie odpowiedź (stajecie się interpretantem)
    4. \n
  4. Wasza interpretacja prowadzi do nowego promptu... i cykl się powtarza
    5. \n
\n

Zauważcie: znaczenie powstaje dopiero w kroku 3. LLM generuje ciąg tokenów, ale to Wy nadajecie mu sens. To jest dokładnie to, o czym mówił Umberto Eco z koncepcją "dzieła otwartego" - tekst nie ma jednego, ustalonego znaczenia. Tekst jest "ramą", którą czytelnik wypełnia interpretacją.

\n

Eksperyment: jak prompt zmienia ramę semiotyczną

\n

Spróbujcie sami. Odpalcie ChatGPT (albo Claude, Gemini - co macie) i wyślijcie te trzy prompty, każdy w nowej rozmowie:

\n
    \n
  1. "Wyjaśnij, czym jest grawitacja."
    2. \n
  2. "Wyjaśnij grawitację pięciolatkowi."
    3. \n
  3. "Wyjaśnij grawitację w stylu sonetu Szekspira."
    4. \n
\n

Każdy prompt dotyczy tego samego tematu (grawitacja). Ale każdy zmienia ramę semiotyczną - zmienia ton, rejestr, gatunek, oczekiwaną formę odpowiedzi.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
PromptZmienia się...Rama semiotyczna
"Wyjaśnij grawitację"-Neutralna, encyklopedyczna
"...pięciolatkowi"Odbiorca, prostota językaEdukacyjna, dostosowana do wieku
"...w stylu Szekspira"Gatunek, forma, stylLiteracka, artystyczna
\n

To jest dokładnie to, co Picca nazywa "semiotyczną umową" (semiotic contract). Kiedy tworzycie prompt, nie "prosicie o informację" - ustanawiacie warunki, w jakich znaczenie będzie konstruowane. Prosicie o grawitację w trybie Szekspira? Otrzymujecie hybrydę fizyki i poezji. To nie jest "prawdziwa" grawitacja ani "prawdziwy" Szekspir - to jest semiotyczny kolaż, nowa konfiguracja znaków.

\n
\n

Tip

\n

Eksperyment bonusowy: Spróbujcie: "Wyjaśnij pojęcie entropii używając metafor z bajek." Zobaczycie, jak LLM łączy dwie zupełnie różne strefy semiotyczne - fizykę i baśnie. To jest właśnie to, co semiotyka nazywa translacją między kodami kulturowymi.

\n
\n
\n

Semiosfera - ekologia znaków

\n

Jeszcze jedno pojęcie, które warto znać. Jurij Lotman, rosyjski semiotyk, wymyślił koncept semiosfery.

\n

Semiosfera to przestrzeń, w której żyją znaki. To ekologia znaczeń - sieć kodów kulturowych, gatunków, dyskursów, ideologii, które wchodzą ze sobą w interakcje. Podobnie jak biosfera to przestrzeń, w której żyją organizmy, semiosfera to przestrzeń, w której żyją znaki.

\n
graph TD\n    subgraph "Semiosfera"\n        N["📰 Media<br/><i>news, artykuły</i>"]\n        L["📚 Literatura<br/><i>powieści, poezja</i>"]\n        S["🔬 Nauka<br/><i>publikacje, podręczniki</i>"]\n        I["💬 Internet<br/><i>fora, social media</i>"]\n        K["🎭 Kultura<br/><i>film, sztuka, muzyka</i>"]\n        P["⚖️ Prawo<br/><i>ustawy, orzeczenia</i>"]\n    end\n    \n    D["📊 Dane treningowe LLM"] -.-> N\n    D -.-> L\n    D -.-> S\n    D -.-> I\n    D -.-> K\n    D -.-> P\n    \n    LLM2["🤖 LLM"] -->|"nawiguje po<br/>strefach semiosfery"| D\n    \n    style D fill:#ffff99,color:#000\n    style LLM2 fill:#ff9999,color:#000\n
\n

Dane treningowe LLM są niczym innym jak gigantycznym przekrojem semiosfery. Kiedy model czyta Wikipedię, twittera, książki, artykuły naukowe, kody źródłowe - przyswaja (statystycznie!) całą tę różnorodność kodów kulturowych.

\n

I dlatego potrafi pisać w stylu Szekspira, tłumaczyć z niemieckiego, żartować jak komik i cytować przepisy prawa - bo wszystko to jest w semiosferze, a model "widział" próbki z każdej strefy.

\n

Ale jest i druga strona medalu: model przyswaja też uprzedzenia, stereotypy i dominujące narracje zawarte w semiosferze. Bo semiosfera nie jest neutralna - to przestrzeń kulturowa z historią, z władzą, z ideologią. I LLM, operując na znakach z tej przestrzeni, reprodukuje je w swoich outputach.

\n
\n

Warning

\n

Dlaczego LLM czasem mówi głupoty? Bo semiosfera jest pełna sprzeczności. Na jednej stronie internetu "ziemia jest okrągła", na innej "ziemia jest płaska". Model widzi oba znaki i nie ma dostępu do "obiektu" (rzeczywistej ziemi), żeby zdecydować, który znak jest prawdziwy. Operuje w hali luster - znaki odnoszą się do znaków, a nie do rzeczywistości.

\n
\n
\n

Quiz: Saussure czy Peirce?

\n

Sprawdźcie, który semiotyk lepiej wyjaśnia te zjawiska LLM. Przypominam:

\n\n

Kto lepiej wyjaśnia, że...?2

\n
    \n
  1. LLM potrafi pisać wiersze, choć nigdy nie czuł poezji - Saussure czy Peirce?
    2. \n
  2. Embedding "król" - "mężczyzna" + "kobieta" = "królowa" - Saussure czy Peirce?
    3. \n
  3. Ten sam prompt daje różne odpowiedzi w zależności od kontekstu rozmowy - Saussure czy Peirce?
    4. \n
  4. LLM nie ma dostępu do świata, tylko do tekstu - Saussure czy Peirce?
    5. \n
  5. Znamy kogoś, kto zapytał ChatGPT o diagnozę medyczną i ją dostał - Saussure czy Peirce?
    6. \n
\n
\n

Podsumowanie - mapa semiotyczna LLM

\n

Oto nasza semiotyczna mapa w pigułce:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
SemiotykKluczowy konceptCo to mówi o LLM
SaussureZnaczenie = relacja między znakamiEmbeddingi realizują relacyjną koncepcję znaku
PeirceTriada znak-obiekt-interpretantLLM nie ma dostępu do obiektu, tylko do znaków (hala luster)
DerridaPismo jako system sam w sobieLLM modeluje pismo, nie umysł; dane treningowe = jedyne źródło
LotmanSemiosfera - ekologia znakówDane treningowe to przekrój semiosfery; LLM nawiguje po strefach
EcoDzieło otwarteOutput LLM nie ma jednego znaczenia - wymaga Waszej interpretacji
\n
graph TD\n    subgraph "Semiotyczna perspektywa na LLM"\n        SAU["Saussure<br/> znaczenie = relacja"] --> EMB["Embeddingi<br/>wektory = pozycje relacyjne"]\n        PEI["Peirce<br/>znak → obiekt → interpretant"] --> HOM["Hall of Mirrors<br/>brak dostępu do obiektu"]\n        DER["Derrida<br/>pismo jest fundamentem"] --> DAT["Dane treningowe<br/>= pismo, nie umysł"]\n        LOT["Lotman<br/>semiosfera"] --> NAV["LLM nawiguje<br/>po strefach semiosfery"]\n        ECO["Eco<br/>dzieło otwarte"] --> INT["Output wymaga<br/>interpretacji człowieka"]\n    end\n    \n    style SAU fill:#ff9999,color:#000\n    style PEI fill:#ffcc99,color:#000\n    style DER fill:#ffff99,color:#000\n    style LOT fill:#99ff99,color:#000\n    style ECO fill:#9999ff,color:#fff\n
\n

Więc: LLM nie ma umysłu. Ale to nie znaczy, że nie robi nic interesującego. LLM operuje na znakach - rekonfiguruje je, łączy strefy semiosfery, tworzy nowe konfiguracje znaków. I te nowe konfiguracje dla nas - jako interpretatorów - mają znaczenie.

\n

To jest semiotyczna odpowiedź na pytanie "czy LLM rozumie?". LLM nie "rozumie" w ludzkim sensie. Ale generuje znaki, które wchodzą w naszą semiosferę i stają się częścią naszego procesu interpretacji. I ten proces jest prawdziwy, ważny i potężny.

\n
\n

Wiem, że semiotyka na początku brzmi jak coś z innej planety, ale mam nadzieję, że teraz widzicie, jak to się łączy z LLM.

\n

Kórą koncepcję semiotyczną uważacie za najbardziej przydatną do zrozumienia LLM? Saussure i jego relacyjność? Peirce i jego hala luster? A może Derrida i jego "pismo"?

\n

Bo szczerze mówiąc - ja się dopiero uczę tej perspektywy. Ale czuję, że to jest ten moment, gdzie lingwistyka, filozofia i programowanie spotykają się w jednym miejscu i tworzą coś naprawdę fascynującego.

\n
\n

Co w następnym wpisie? Przechodzimy od teorii do praktyki: Jak komputer czyta tekst - od liczenia słów do wektorów. Zobaczymy jak tokenizacja, TF-IDF, łańcuchy Markowa i Word2Vec realizują w kodzie to, o czym mówili Saussure (znaczenie jest relacyjne!) i Derrida (pismo jest systemem samym w sobie!).

\n
\n

Do następnego!

\n
\n

Źródła i ciekawe linki:

\n

Jeśli chcecie wejść głębiej, oto materiały, z których korzystałem:

\n\n
\n
    \n
  1. \n

    Odpowiedzi: 1) indeks (przyczynowo-skutkowy - temperatura powoduje rozszerzenie cieczy), 2) ikona (podobieństwo do psa), 3) symbol (czysta konwencja), 4) indeks (fizyczny ślad kogoś, kto tu przeszedł), 5) ikona (podobieństwo do osoby na wózku). ↩

    \n
    2. \n
  2. \n

    Moje odpowiedzi: 1) Peirce - model nie ma dostępu do obiektu (doświadczenia poezji), ale generuje representameny (tekst), które interpretujemy. 2) Saussure - to jest czysta relacyjność! Król jest definiowany przez to, czym nie jest. 3) Peirce - kontekst zmienia interpretację, a interpretant tworzy nowy znak. 4) Peirce - brak obiektu w triadzie. 5) Peirce + Lotman - model reprodukuje znaki z semiosfery medycznej bez dostępu do rzeczywistego obiektu (ciała pacjenta). Diagnoza jest znakiem bez zakotwiczenia. ↩

    \n
    3. \n
\n
\n", "summary": "", "date_published": "2026-06-07T00:00:00-00:00", "image": "", "authors": [ { "name": "Błażej Gruszka", "url": "https://www.linkedin.com/in/blazejgruszka/", "avatar": "https://github.com/bgruszka.png" } ], "tags": [ "llm", "ai", "semiotyka", "znaki", "linguistics", "language-models", "saussure", "peirce", "derrida" ], "language": "pl" }, { "id": "https://gruszka.dev/cechy-jezykowe-a-llm.html", "url": "https://gruszka.dev/cechy-jezykowe-a-llm.html", "title": "Cechy językowe - co musisz wiedzieć, zanim zrozumiesz, jak myśli LLM", "content_html": "

LLM (Large Language Models, czyli takie ChatGPT, Claude, Gemini i spółka) jest już z nami od jakiegoś czasu i stwierdziłem, że zacznę głębiej wchodzić w ten temat i pojawiło się jedno wielkie pytanie: ale jak to w ogóle działa, że model "rozumie" język? Bo przecież pod spodem to tylko "matematyka i statystyka", prawda? No... tak i nie ;-)

\n

I wtedy wpadłem na lingwistykę. I okazało się, że żeby naprawdę zrozumieć, co LLM robi z językiem, trzeba najpierw zrozumieć, z czego ten język się składa. A że programista próbujący czytać o lingwistyce to dość zabawny obrazek, to pomyślałem: podzielę się tym z wami ;-)

\n

To jest pierwszy wpis z serii, w której będziemy przeglądać różne poziomy analizy języka i patrzeć, jak to wszystko łączy się z LLM. W dzisiejszym wpisie zbudujemy fundament - poznamy pięć głównych warstw języka i zobaczymy, dlaczego każda z nich jest ważna dla modeli językowych.

\n
\n

Język jak cebulka - warstwa na warstwie

\n

Zanim wejdziemy w szczegóły, wyobraźcie sobie język jako taką... cebulę. Albo tort warstwowy, jeśli wolicie słodkie metafory :D

\n

Każda warstwa to inny poziom, na którym język "działa". Od najniższej - dźwięków - do najwyższej - tego, co naprawdę chcieliśmy powiedzieć, nawet jeśli powiedzieliśmy coś zupełnie innego.

\n
graph TD\n    A["🔊 Fonetyka i fonologia<br/><i>dźwięki i system dźwięków</i>"] --> B["🧩 Morfologia<br/><i>budowa słów</i>"]\n    B --> C["📐 Składnia<br/><i>budowa zdań</i>"]\n    C --> D["💡 Semantyka<br/><i>znaczenie</i>"]\n    D --> E["🎭 Pragmatyka<br/><i>znaczenie w kontekście</i>"]\n    \n    style A fill:#ff9999,color:#000\n    style B fill:#ffcc99,color:#000\n    style C fill:#ffff99,color:#000\n    style D fill:#99ff99,color:#000\n    style E fill:#9999ff,color:#000\n
\n

Pięć warstw, pięć sposobów, na jakie język jest "analizowany". I uwaga - LLM musi sobie z każdym z tych poziomów radzić, żeby wydawać się sensownym rozmówcą. Oczywiście nie robi tego świadomie - ale struktury, których uczy się w trakcie treningu, jakoś te warstwy "łapią".

\n
\n

Note

\n

Pięć warstw języka w pigułce:

\n
    \n
  1. Fonetyka i fonologia - dźwięki i jak są zorganizowane w system
    2. \n
  2. Morfologia - jak słowa są budowane z mniejszych kawałków
    3. \n
  3. Składnia - zasady porządku słów w zdaniu
    4. \n
  4. Semantyka - znaczenie słów i zdań
    5. \n
  5. Pragmatyka - jak kontekst zmienia znaczenie wypowiedzi
    6. \n
\n
\n

OK, przejdźmy do rzeczy. Zaczynamy od dołu naszej cebulki ;-)

\n
\n

Fonetyka i fonologia - dźwięki, których LLM nie słyszy

\n

Czym jest fonetyka?

\n

Fonetyka bada dźwięki mowy jako zjawiska fizyczne. Mówiąc najprościej: jak produkujemy dźwięki, jak one podróżują przez powietrze i jak je odbieramy.

\n

Ma trzy gałęzie:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
GałąźCo badaPrzykład
ArtykulacyjnaJak narządy mowy produkują dźwiękiGdzie jest język, gdy mówisz "sz"?
AkustycznaFizyczne właściwości fal dźwiękowychCzęstotliwość, amplituda
AudytywnaJak ucho i mózg odbierają dźwiękiJak ślimak przetwarza fale na sygnał nerwowy
\n

A fonologia?

\n

Fonologia to poziom wyżej. Nie interesują jej same dźwięki jako fizyczne zjawiska, ale jak dźwięki są zorganizowane w konkretnym języku.

\n

Kluczowe pojęcie: fonem - to najmniejsza jednostka dźwiękowa, która odróżnia znaczenie słów.

\n

Prosty przykład po polsku:

\n\n

Albo po angielsku:

\n\n
\n

Tip

\n

Eksperyment: Wymów na głos "kot" raz jako zwykłe zdanie ("Mój kot śpi."), a raz jako pytanie z zaskoczeniem ("Kot?!" z uniesionymi brwami). Ten sam wyraz, ale intonacja, akcent i melodia całkowicie zmieniają to, co "słyszy" odbiorca. To jest właśnie fonologia w działaniu - dźwięki + ich organizacja w system.

\n
\n

Dlaczego to ważne dla LLM?

\n

No właśnie - LLM dostaje tekst, nie dźwięk. Nigdy nie usłyszał wymowy. A mimo to...

\n\n

Czyli model jakoś przyswaja informacje fonologiczne z samych danych tekstowych. Trochę jakbyś nigdy nie widział oceanu, ale przeczytał o nim tyle książek, że potrafisz go opisać ;-)

\n

No ale oczywiście są ograniczenia. LLM tekstowy nie rozróżnia homofonów (słów, które brzmią tak samo, ale znaczą co innego) na podstawie fonetyki - radzi sobie z nimi czysto na poziomie semantycznym (o czym za chwilę).

\n

I tu ciekawostka: modele typu Whisper (speech-to-text od OpenAI) już łączą fonetykę z tekstem. Ale to temat na osobny wpis w tej serii ;-)

\n
\n

Warning

\n

Paradoks: LLM nigdy nie słyszał żadnego dźwięku, ale z danych treningowych "wie" o rymach, grach słownych i wzorcach brzmieniowych. To trochę jak osoba głucha od urodzenia, która potrafi pisać wiersze z rymami - bo przeczytała ich miliony.

\n
\n
\n

Morfologia - jak słowa są budowane z klocków

\n

Czym jest morfologia?

\n

Morfologia bada budowę słów - jak są one składane z mniejszych, sensownych kawałków zwanych morfemami.

\n

Morfem to najmniejsza jednostka języka, która niesie ze sobą znaczenie. Nie da się jej podzielić na coś jeszcze mniejszego, co miałoby znaczenie.

\n

Przykład z angielskiego, często używany w podręcznikach:

\n
unhappiness = un + happy + ness\n              ↑       ↑       ↑\n           „nie"   „szczęśliwy"  rzeczownik\n
\n

Albo po polsku:

\n
nieszczęśliwy = nie + szczęśliw + y\n                  ↑        ↑       ↑\n              „nie"  „szczęście"   rodzaj męski\n
\n

Albo jeszcze bardziej:

\n
nieprzystojny = nie + przy + stoj + ny\n
\n

Każdy z tych kawałków ma swoje znaczenie. To są właśnie morfemy.

\n

Dwa rodzaje morfemów

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
TypOpisPrzykłady
WolneMogą stać samodzielnie jako słowokot, dom, biegnie
ZwiązaneMuszą być dołączone do innego morfemunie-, -ek, -owie, -ować
\n

A wśród morfemów związanych mamy afiksy:

\n\n

Fleksja vs słowotwórstwo

\n

To ważne rozróżnienie:

\n

Fleksja (odmiana) - zmienia formę gramatyczną, ale nie tworzy nowego słowa:

\n\n

Słowotwórstwo (derywacja) - tworzy nowe słowo, często zmieniając część mowy:

\n\n
\n

Warning

\n

Polska morfologia to koszmar dla LLM! Język polski jest silnie fleksyjny - mamy 7 przypadków, 2 liczby, 3 rodzaje, aspekty czasowników, i mnóstwo wyjątków. Dla porównania: w angielskim odmiana rzeczownika to max. dodanie -s. W polskim? "Dom, domu, domowi, dom, domem, domu, domie, domy, domów..." i tak dalej :D

\n
\n

Jak LLM radzi sobie z morfologią?

\n

Tu jest ciekawostka. LLM nie "wie" czym są morfemy. Używa tokenizacji BPE (Byte Pair Encoding), która dzieli tekst na tokeny - ale tokeny to nie to samo co morfemy.

\n
graph LR\n    subgraph "Lingwista widzi:"\n        A["nie-szczęśliw-y"] --> A1["nie + szczęśliw + y"]\n    end\n    subgraph "GPT-4o widzi (tokenizacja BPE):"\n        B["nie-szczęśliw-y"] --> B1["nie + -s + zcz + ę + śli + wy"]\n    end\n    \n    style A1 fill:#99ff99,color:#000\n    style B1 fill:#ff9999,color:#000\n
\n

Tokenizator BPE dzieli tekst na podstawie częstotliwości występowania w danych treningowych, a nie na podstawie struktury językowej. Czasem to się pokrywa z morfemami, a czasem nie.

\n

To znaczy, że model nie uczy się morfologii "od strony" - on uczy się jej pośrednio, przez statystykę. I jakoś mu to działa ;-)

\n
\n

Tip

\n

Zabawa dla was: Potraficie rozbić te słowa na morfemy?

\n\n
\n
\n

Składnia - zasady gry w układanie zdań

\n

Czym jest składnia?

\n

Składnia to zbiór reguł, które określają, jak słowa są łączone w zdania. To dzięki składni wiemy, że "Kot siedzi na macie" to poprawne zdanie, a "Kot macie na siedzi" to bełkot.

\n

Proste? No... bardziej albo mniej ;-)

\n

Szyk zdania

\n

W różnych językach obowiązują różne zasady porządku słów:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
JęzykPodstawowy szykPrzykład
AngielskiSVO (Subject-Verb-Object)The cat sits on the mat
Polski"Elastyczny" SVO, ale...Kot siedzi na macie / Na macie siedzi kot / Siedzi kot na macie
JapońskiSOV猫がマットの上に座っている
ŁacinaWolny (bo końcówki mówią wszystko)Felix in tapete sedet
\n

Polski jest fajny, bo mamy dość dużą swobodę w szyku zdania. O ile w angielskim "On the mat sits the cat" brzmi poetycko albo nienaturalnie, o tyle u nas to normalne zdanie ;-)

\n

Drzewo składniowe

\n

Zdania mają strukturę hierarchiczną - słowa grupują się w frazy, a frazy w większe frazy. Można to narysować jako drzewo:

\n
graph TD\n    S["S (zdanie)"] --> NP1["NP (fraza rzeczownikowa)"]\n    S --> VP["VP (fraza czasownikowa)"]\n    NP1 --> N1["Kot"]\n    VP --> V["siedzi"]\n    VP --> PP["PP (fraza przyimkowa)"]\n    PP --> P["na"]\n    PP --> NP2["NP (fraza rzeczownikowa)"]\n    NP2 --> N2["macie"]\n    \n    style S fill:#9999ff,color:#fff\n    style NP1 fill:#99ff99,color:#000\n    style VP fill:#ffcc99,color:#000\n    style PP fill:#ff9999,color:#000\n
\n

To jest proste zdanie "Kot siedzi na macie" i już ma swoją hierarchię! A wyobraźcie sobie zdania z podrzędnymi, imiesłowami, okolicznikami...

\n

"Bezbarwne zielone idee śpią zaciekawione"

\n

To słynny przykład Noama Chomsky'ego (w oryginale: "Colorless green ideas sleep furiously").

\n

Zdanie jest składniowo poprawne - ma podmiot, orzeczenie, prawidłową strukturę. Ale semantycznie to kompletny absurd - idee nie mogą być zielone ani spać.

\n

I to jest właśnie dowód na to, że składnia i semantyka to dwa różne poziomy. Można mieć perfekt składnię i zero sensu ;-)

\n
\n

Important

\n

Składnia to supermoc LLM. Model uczy się przewidywać następny token na podstawie ogromnej ilości danych tekstowych. W trakcie tego procesu przyswaja wzorce składniowe - wie, że po "Kot siedzi na..." spodziewamy się rzeczownika, a po "Szybko..." czasownika. To jest fundament tego, dlaczego LLM generuje poprawne gramatycznie zdania.

\n
\n

Quiz: poprawne czy nie?

\n

Sprawdźcie się - które zdania są składniowo poprawne?1

\n
    \n
  1. Pies szczeka na listonosza.
    2. \n
  2. Na listonosza szczeka pies.
    3. \n
  3. Szczeka pies na listonosza.
    4. \n
  4. Pies listonosza na szczeka.
    5. \n
  5. Czy pies szczeka na listonosza?
    6. \n
\n
\n

Semantyka - co to w ogóle znaczy, "znaczenie"?

\n

Czym jest semantyka?

\n

Jeśli składnia pyta "jak to jest zbudowane?", to semantyka pyta: "co to znaczy?"

\n

Semantyka bada znaczenie słów, fraz i zdań. I od razu się okazuje, że to wcale nie jest takie proste.

\n

Wieloznaczność - jedno słowo, wiele znaczeń

\n

Klasyczny polski przykład: zamek

\n\n

To samo słowo, cztery zupełnie różne znaczenia. Jak LLM wie, o który chodzi? Z kontekstu. I to jest właśnie to, co robi dobrze - bo widział miliony zdań, gdzie "zamek" występował w różnych kontekstach.

\n

Albo inny klasyk - wieloznaczność w jednym zdaniu:

\n
\n

"Moja droga, ta droga jest bardzo droga."

\n
\n

Trzy razy to samo słowo, trzy różne znaczenia: droga (zwrócenie się do kogoś), droga (ulica/szlak), droga (tania -> droga, przymiotnik). Kontekst zmienia wszystko ;-)

\n

Synonimy - czy "duży", "wielki" i "ogromny" to to samo?

\n

Prawie. Ale nie do końca:

\n\n

Semantyka bada te subtelne różnice - zarówno denotację (dosłowne znaczenie), jak i konotację (skojarzenia, nacechowanie emocjonalne).

\n

Jak LLM "rozumie" znaczenie?

\n

Tu wchodzi koncept word embeddings (osadzeń słów). W dużym uproszczeniu: każde słowo jest reprezentowane jako wektor - ciąg liczb - w wielowymiarowej przestrzeni. Słowa o podobnym znaczeniu są "blisko" siebie w tej przestrzeni.

\n

Słynny przykład, który prawdopodobnie widzieliście:

\n
wektor("król") - wektor("mężczyzna") + wektor("kobieta") ≈ wektor("królowa")\n
\n

Czyli: model "wie", że relacja między "król" a "mężczyzna" jest analogiczna do relacji między "królowa" a "kobieta". I to z samych danych, nikt go tego nie uczył!

\n

Możemy to nawet pokazać w kodzie. Oto prosty przykład z biblioteką gensim w Pythonie:

\n
from gensim.downloader import load\n\nmodel = load("glove-wiki-gigaword-50")\n\nresult = model.most_similar(\n    positive=["king", "woman"],\n    negative=["man"],\n    topn=3\n)\n\nprint(result)\n# [('queen', 0.85), ...]  -- na pierwszym miejscu: queen!
\n
\n

Tip

\n

Jeśli chcecie to przetestować sami: zainstalujcie gensim (pip install gensim) i odpalcie powyższy kod. Oczywiście potrzebujecie trochę RAM-u - model GloVe nie jest mały. Ale efekt jest naprawdę satysfakcjonujący ;-)

\n
\n

Kompozycyjność

\n

Jedno z najważniejszych pojęć w semantyce: znaczenie zdania jest wynikiem znaczeń poszczególnych słów + zasad ich łączenia.

\n

Czyli: "Czerwony kot siedzi na macie" = [czerwony] + [kot] + [siedzi] + [na] + [macie] + zasady składniowe.

\n

Brzmi banalne, ale to potężna zasada. Dzięki niej potrafimy zrozumieć nieskończoną liczbę zdań, nawet takich, których nigdy wcześniej nie słyszeliśmy. I dzięki niej LLM potrafi generować nowe, niespotykane zdania, które i tak mają sens.

\n
\n

Warning

\n

Ale uwaga: "Zrozumiałem, że nie zrozumiałeś, że to nie było zrozumiałe." - każde słowo jest proste, ale zdanie jako całość wymaga przeanalizowania warstwy po warstwie. Kompozycyjność to potężne narzędzie, ale ma swoje granice.

\n
\n
\n

Pragmatyka - co naprawdę miałem na myśli

\n

Czym jest pragmatyka?

\n

I tak dochodzimy do najciekawszej (według mnie) warstwy. Pragmatyka bada to, jak kontekst wpływa na znaczenie wypowiedzi - co naprawdę chcemy powiedzieć, często mówiąc coś zupełnie innego.

\n

Jeśli semantyka pyta "co to znaczy?", pragmatyka pyta: "co autor miał na myśli w tej konkretnej sytuacji?"

\n

Scenki z życia wzięte

\n

Scenka 1: "Zimno tu."

\n

Semantycznie: informacja o temperaturze w pomieszczeniu.
\nPragmatycznie: "Zamknij okno!" albo "Zwiększ ogrzewanie!" albo "Daj mi koc."

\n

Każdy z was zrozumie, że kiedy ktoś mówi "Zimno tu" w momencie, gdy stoi przy otwartym oknie - nie pytasz o stopnie Celsjusza, tylko zamykasz okno.

\n

Scenka 2: "Mógłbyś podać sól?"

\n

Semantycznie: pytanie o twoją zdolność podania soli.
\nPragmatycznie: prośba o podanie soli.

\n

Odpowiedź "Tak, mógłbym" (i nic więcej) jest semantycznie poprawna, ale pragmatycznie... no, jesteś trochę niemiły ;-)

\n

Scenka 3: Ironia

\n
\n

"No gratulacje, znowu to zepsułeś."

\n
\n

Semantycznie: gratulacje.
\nPragmatycznie: ironia, krytyka, rozczarowanie.

\n

Czy LLM łapie ironię? Czasem tak, czasem nie. To wciąż otwarty problem badawczy.

\n

Teoria aktów mowy

\n

Filozof J.L. Austin wymyślił coś genialnego: wypowiedzi nie tylko opisują rzeczywistość, ale też coś robią.

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
Typ aktu mowyOpisPrzykład
LokucyjnySamo wypowiedzenieMówisz "Zamykam okno"
IllokucyjnyIntencja wypowiedziObiecanie, że zamkniesz okno
PerlokucyjnyEfekt na odbiorcęSłuchacz czuje ulgę
\n

Inne przykłady aktów mowy:

\n\n

Implikatury Grice'a

\n

Paul Grice, inny filozof języka, zauważył, że w rozmowie obowiązuje zasada współpracy - mówimy rzeczy, które są istotne, prawdziwe, jasne i na temat.

\n

Kiedy ktoś tę zasadę łamie, szukamy implikatury - ukrytego znaczenia.

\n

Przykład:

\n
\n

A: "Idziesz na imprezę?"
\nB: "Mam egzamin jutro."

\n
\n

B nie odpowiedział "tak" ani "nie". Ale z kontekstu A rozumie: nie idę, bo muszę się uczyć. To jest implikatura konwersacyjna.

\n

Jak LLM radzi sobie z pragmatyką?

\n
\n

Warning

\n

To jest najtrudniejsza warstwa dla LLM. I to nie jest tylko moje zdanie - badacze z całego świata pracują nad benchmarkami testującymi pragmatykę modeli językowych.

\n
\n

Problemy:

\n\n

Ale z drugiej strony - GPT-4 i nowsze modele radzą sobie coraz lepiej. Dlaczego? Bo ogromna ilość danych treningowych zawiera pragmatykę w praktyce - dialogi z filmów, książek, forów internetowych. Model "widział" miliony przykładów ironii, grzeczności, próśb.

\n
\n

Tip

\n

Eksperyment dla was: Otwórzcie ChatGPT (albo Claude, albo co tam macie pod ręką) i przeprowadźcie ten krótki test:

\n

Napiszcie modelowi:

\n

"Właśnie strzeliłem sobie w palca gwoździem."

\n

A potem od nowej rozmowy:

\n

"No gratulacje, znowu strzeliłem sobie w palca gwoździem!"

\n

Zobaczcie, czy model zauważy, że w drugim przypadku "gratulacje" to ironia, czy jednak zacznie wzywać pogotowie?

\n
\n
\n

Podsumowanie - cała cebulka w jednym miejscu

\n

Oto nasze pięć warstw, w pigułce:

\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
WarstwaCo badaPrzykładJak radzi sobie LLM
Fonetyka i fonologiaDźwięki i system dźwięków/kot/ vs /lot/Nie słyszy, ale "wie" z danych tekstowych
MorfologiaBudowa słów z morfemównie-szczęśliw-yTokenizacja BPE ≠ morfemy, ale jakoś działa
SkładniaPorządek słów w zdaniuKot siedzi na macieSupermoc modelu - świetnie radzi sobie z gramatyką
SemantykaZnaczenie słów i zdań"zamek" - który?Word embeddings + kontekst
PragmatykaZnaczenie w kontekście"Zimno tu" = zamknij oknoNajtrudniejsza warstwa, wciąż otwarty problem
\n
graph LR\n    subgraph "Jak LLM przetwarza język"\n        F["Fonetyka<br/>❌ nie słyszy"] --> M["Morfologia<br/>⚠️ przez pryzmat tokenów"]\n        M --> S["Składnia<br/>✅ bardzo dobrze"]\n        S --> Sem["Semantyka<br/>✅ dobrze, z wyjątkami"]\n        Sem --> P["Pragmatyka<br/>❓ najtrudniejsza"]\n    end\n
\n

Co dalej?

\n

W kolejnym wpisie zmieniamy perspektywę - zamiast patrzeć na warstwy języka, patrzymy na samą naturę znaków i znaczenia:

\n\n\n
\n

Jeśli dotarliście aż tu - dzięki! ;-) Naprawdę doceniam, że poświęciliście czas na przeczytanie tego potworka.

\n

Mam nadzieję, że choć trochę przybliżyłem wam temat. Jeśli coś jest niejasne - napiszcie w komentarzach, postaram się wyjaśnić. A jeśli macie lepsze przykłady (bo na pewno macie!) - tym bardziej dajcie znać.

\n

Która warstwa was najbardziej zaskoczyła? Która jest waszym zdaniem najciekawsza w kontekście AI?

\n

Do następnego wpisu!

\n
\n

Źródła i ciekawe linki:

\n

Jeśli chcecie wejść głębiej, oto materiały, z których korzystałem przy pisaniu tego wpisu:

\n\n
\n
    \n
  1. \n

    Odpowiedzi do quizu: zdania 1-3 i 5 są poprawne (różnią się szykiem, ale polski na to pozwala; 5 to pytanie z słówkiem "czy"). Zdanie 4 ("Pies listonosza na szczeka") jest niepoprawne składniowo - szyk jest tak zaburzony, że nie spełnia zasad polskiej gramatyki. ↩

    \n
    2. \n
\n
\n", "summary": "", "date_published": "2026-06-06T00:00:00-00:00", "image": "", "authors": [ { "name": "Błażej Gruszka", "url": "https://www.linkedin.com/in/blazejgruszka/", "avatar": "https://github.com/bgruszka.png" } ], "tags": [ "llm", "ai", "jezykoznawstwo", "nlp", "linguistics", "language-models", "chatgpt" ], "language": "pl" } ] }