Modele sztucznej inteligencji uczą się na danych z internetu. I to jest właśnie problem, bo internet od dawna nie jest neutralny. Najnowsze ustalenia, na które powołuje się PAP, pokazują, że Wikimedia Commons, jedno z największych otwartych repozytoriów multimediów na świecie, może być systematycznie wypełniane treściami realizującymi rosyjską narrację informacyjną.
Kluczowe fakty:
- Spośród 51 materiałów znalezionych w Wikimedia Commons po wyszukaniu hasła dotyczącego aneksji Krymu, ponad 40 pochodzi z oficjalnej strony Kremla lub rosyjskiej Niezależnej Telewizji Sewastopol.
- Wikipedia i Wikimedia Commons należą do najważniejszych źródeł wykorzystywanych do trenowania modeli sztucznej inteligencji oraz odpowiadania przez nie na pytania o rzeczywisty świat.
- Od 2024 roku przepustowość używana do pobierania materiałów z Wikimedia Commons wzrosła o 50 procent, co Fundacja Wikimedia przypisuje zautomatyzowanym systemom zbierającym dane, a nie ludzkim użytkownikom.
Znajdź dostawcę, partnera lub narzędzie dla swojego biznesu, a jeśli prowadzisz firmę, która w swoim DNA ma AI, skorzystaj z możliwości bezpłatnego dodania swojej firmy.
Co pokazują liczby?
Wikimedia Commons to repozytorium ponad 140 milionów plików: zdjęć, nagrań, filmów. Platforma działa na tej samej zasadzie co Wikipedia, co oznacza, że każdy może dodawać treści, o ile spełniają warunki otwartej licencji.
Marcin Żabiński z Instytutu Technologii Społeczno-Politycznych Kybernetes sprawdził, co pojawia się po wyszukaniu hasła dotyczącego aneksji Krymu w angielskiej wersji serwisu. Wynik? Spośród 51 znalezionych materiałów ponad 40 pochodzi z oficjalnej strony Kremla lub z rosyjskiej Niezależnej Telewizji Sewastopol. Filmy przedstawiają wiece poparcia dla przyłączenia Krymu do Rosji. Wszystko legalne, wszystko na otwartej licencji.
Wikimedia Polska w odpowiedzi dla PAP zachowuje powściągliwość: stowarzyszenie twierdzi, że nie widzi podstaw, by mówić o udokumentowanej, skoordynowanej ingerencji, a obecność rosyjskich materiałów wyjaśnia ich otwartymi licencjami i potencjalną wartością edukacyjną. Trudno z tym polemizować na poziomie formalnym. Ale warto zapytać, czy reguły gry nie zostały tu po prostu dobrze rozegrane.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
Wikimedia jako źródło wiedzy dla AI
Żabiński podkreśla, że stawką w tej grze nie jest wyłącznie to, co zobaczy człowiek przeglądający repozytorium:
„Wikipedia i Wikimedia Commons stanowią jedno z najważniejszych źródeł dla trenowania, jak i dopytywania przez AI o wiedzę o realnym świecie.”
Fundacja Wikimedia sama przyznała, że od 2024 roku przepustowość używana do pobierania materiałów z Commons wzrosła o 50 procent. Za tym wzrostem nie stoją czytelnicy, ale zautomatyzowane systemy przeszukujące repozytorium w poszukiwaniu obrazów na otwartej licencji, które następnie trafiają do zbiorów treningowych modeli AI.
Jako redakcja śledzimy od jakiegoś czasu, jak rosyjskie operacje informacyjne ewoluują w kierunku zatruwania danych, a nie tylko bezpośredniego kształtowania opinii publicznej. I to jest zmiana jakościowa. Stara propaganda trafia do człowieka i człowiek może ją odrzucić. Nowa propaganda trafia do modelu AI, który jej „nie odrzuci”, bo nie wie, że powinna być odrzucona. Jeśli model uczy się na zatrowanym zbiorze danych, to jego odpowiedzi będą skrzywione w sposób trudny do wykrycia, a jeszcze trudniejszy do udowodnienia. Nie twierdzę, że wiemy, iż do tego już dochodzi w skali, która powinna nas alarmować. Ale mechanizm jest realny i pytanie o skalę jest jak najbardziej zasadne.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Sieć „Pravda” i zanieczyszczanie otwartych danych
To nie jest odosobniony przypadek. Badania portalu Demagog z 2025 roku ujawniły, że rosyjska sieć dezinformacyjna „Pravda”, działająca od 2022 roku i obejmująca setki stron imitujących lokalne portale informacyjne, trafiła nawet na Wikipedię. Wykryto ponad 1900 linków na 1600 stronach Wikipedii odsyłających do domen powiązanych z „Pravdą”, przy czym największe nasilenie odnotowano w wersjach rosyjsko- i ukraińskojęzycznych.
A skoro Wikipedia jest jednym ze standardowych zbiorów treningowych dla dużych modeli językowych, to ślad rosyjskiej propagandy w danych treningowych AI nie jest wyłącznie teoretycznym scenariuszem. Badania firmy NewsGuard z marca 2025 roku wykazały, że w jednej trzeciej sprawdzonych przypadków odpowiedzi generowane przez chatboty AI czerpały z fałszywych informacji publikowanych przez portale powiązane z Kremlem.
Metadane i steganografia: zagrożenie, o którym mało kto mówi
Żabiński wskazuje jednak na problem, który wykracza poza same treści plików. Chodzi o metadane: opisy zdjęć, informacje o autorze, etykiety. To przestrzeń, w której można przemycić narrację bez zmieniania samego obrazu.
Ale ekspert idzie dalej i wspomina o steganografii, czyli ukrywaniu informacji wewnątrz samych plików graficznych. I tu robi się poważnie.
Badania z lipca 2025 roku („Invisible Injections”) wykazały, że złośliwe instrukcje niewidocznie osadzone w obrazach przy użyciu technik steganograficznych osiągają skuteczność ataku na poziomie 24,3% wobec czołowych modeli multimodalnych, w tym GPT-4V i Claude, przy czym metody oparte na sieciach neuronowych sięgają 31,8%. Obrazy pozostają wizualnie nieodróżnialne od oryginałów.
Oznacza to, że plik graficzny przechowywany w otwartym repozytorium może zawierać ukryte instrukcje, których:
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
- człowiek nie zobaczy,
- standardowe narzędzia do analizy obrazu nie wykryją,
- ale model AI przetworzy podczas interpretacji zdjęcia.
Otwartość jako broń
To jest sedno problemu. Wikimedia Commons powstała jako projekt służący wolnej wymianie wiedzy i to jest jej ogromna zaleta. Ta sama otwartość staje się jednak wektorem ataku, gdy aktor państwowy z nieograniczonymi zasobami systematycznie wypełnia repozytorium treściami korzystnymi dla swojej narracji, w pełni respektując zasady licencjonowania.
Nie chodzi o hakowanie systemu. Chodzi o granie według zasad tak, żeby wygrać mimo zasad.
Twórcy modeli AI, organizacje weryfikujące dane i fundacje zarządzające otwartymi repozytoriami stają przed pytaniem, na które nie ma prostej odpowiedzi: jak utrzymać otwartość zasobu, który stał się infrastrukturą krytyczną dla sztucznej inteligencji? Bo dane treningowe to dziś coś więcej niż zbiór plików. To punkt, w którym kształtuje się to, co AI uzna za prawdę o świecie.
