„Kas protingesnis – žmogus ar mašina?
Per 30 metų, kai dirbu dirbtinio intelekto srityje, šis klausimas buvo pagrindinis pokalbio variklis.
Mums taip pat buvo pristatyta istorija apie DI, kuri skamba maždaug taip: jis atliks nuobodų, įprastą darbą – tyrimus, pirmąjį juodraštį, skaičių apdorojimą – o mes sutelksime dėmesį į įdomiausius dalykus: kūrybiškumą, nuovoką, žmogiškąjį prisilietimą.
Mano tyrimas rodo, kad uždavėme neteisingus klausimus ir padarėme neteisingas išvadas.
Prieš kelis mėnesius eksperimentui pakviečiau suaugusiuosius iš San Francisko įlankos srities. Kiekvienai grupei daviau po valandą, kad ji galėtų pateikti prognozes apie realaus pasaulio įvykius, naudodama scenarijus, sudarytus iš prognozavimo rinkos platformos „Polymarket“. Tai suteikė mums griežtą ir objektyvų būdą patikrinti rezultatus, palyginti su tūkstančių finansiškai motyvuotų prognozuotojų kolektyvine išmintimi. Be to, kad DI savarankiškai teikė prognozes, kai kurios žmonių komandos dirbo atskirai, o kitos – kaip žmogaus ir DI hibridai. („Polymarket“ bendradarbiauja su „The Wall Street Journal“ leidėja „Dow Jones“.)
Žmonių grupės pasirodė prastai, pasikliaudamos instinktais ar kuo nors kitu. Tą rytą jų sklaidos kanaluose buvo pateikta informacija. Dideli dirbtinio intelekto modeliai – šiuo atveju „ChatGPT“ ir „Gemini“ – pasirodė gerokai geriau, nors vis tiek atsiliko nuo pačios rinkos.
Tačiau kai sujungėme dirbtinį intelektą su žmonėmis, viskas pasidarė įdomiau.
Dauguma hibridinių komandų atsakymui naudojo dirbtinį intelektą ir pateikė jį kaip savo, tačiau rezultatai nebuvo geresni nei vien tik dirbtinis intelektas. Kitos pateikė savo prognozes dirbtiniam intelektui ir paprašė jo pateikti patvirtinamuosius įrodymus. Šie „patvirtintojai“ susidūrė su klasikiniu patvirtinimo šališkumo ciklu: pataikavimu, kuris verčia pokalbių robotus pasakyti jums tai, ką norite išgirsti, net jei tai nėra tiesa. Galiausiai jie pasirodė blogiau nei dirbtinis intelektas, dirbantis vienas.
Tačiau maždaug 5–10 % komandų išryškėjo kažkas kita. Dirbtinis intelektas tapo ginčų partneriu. Komandos priešinosi, reikalaudamos įrodymų ir abejodamos prielaidomis. Kai dirbtinis intelektas išreiškė didelį pasitikėjimą, žmonės juo suabejojo. Kai žmonės tvirtai tikėjo intuicija, jie paprašė dirbtinio intelekto pateikti kontrargumentą.
Hibridai tapo kiborgais.
Šios komandos priėjo įžvalgių išvadų. kurių nei žmogus, nei mašina nebūtų galėję sukurti patys. Jie buvo vienintelė grupė, kuri nuolat varžėsi prognozavimo rinkos tikslumu. Kai kuriais klausimais jie netgi ją pranoko.
Ne tai, kad šie žmonės buvo protingesni už kitus tyrimo dalyvius. Tačiau jie pademonstravo dvi svarbias savybes: gebėjimą suvokti perspektyvą ir intelektualinį nuolankumą.
Gebėjimas suvokti perspektyvą – tai gebėjimas nuoširdžiai gyventi kitu požiūriu. Ne diskutuoti apie jį, ne toleruoti jo, o iš tikrųjų juo gyventi.
Intelektualinis nuolankumas – tai gebėjimas atpažinti savo žinių ribas ir susitaikyti su tuo diskomfortu, o ne bandyti skubėti jį užpildyti.
Abi šios savybės iš esmės yra emociniai įgūdžiai.
Perspektyvos suvokimas reikalauja nuoširdaus smalsumo apie kitų žmonių protus.
Intelektualinis nuolankumas reikalauja tam tikros emocinės drąsos: noro jaustis netikram, net šiek tiek kvailai, esant kažkam ar kam nors, kas atrodo labai užtikrintas savimi.
Tai nėra tie minkštieji įgūdžiai, kuriuos paprastai švenčiame. Mes švenčiame pasitikėjimą savimi. Mes skatiname ryžtingumą. Kuriame dirbtinio intelekto sistemas, specialiai sukurtas tam, kad pateiktų mums atsakymą, kol dar nepajuntame diskomforto. neturėti jo.
Mano eksperimentas rodo, kad labiausiai svarbios žmogaus savybės nėra tos, kurios sukelia gerą savijautą. Tai tos, kurios sukelia diskomfortą: gebėjimas klysti viešumoje ir išlikti smalsiam; sėdėti su klausimu, į kurį jūsų telefonas galėtų atsakyti per tris sekundes, ir atsispirti pagundai jo griebti. Perskaityti užtikrintą, sklandų dirbtinio intelekto atsakymą ir paklausti savęs: „Ko trūksta?“, o ne pagal numatytąją reikšmę „Puiku, padaryta“. Nesutikti su tuo, kas skamba autoritetingai, ir pakankamai pasitikėti savo nuojauta, kad ja vadovautumėtės.
Šių gebėjimų neugdome vengdami diskomforto. Juos ugdome pasirinkdami tai pakartotinai, po truputį: studentas, kuris sunkiai sprendžia problemą prieš patikrindamas atsakymą; asmuo, kuris pokalbyje užduoda papildomą klausimą; skaitytojas, kuris pakankamai ilgai sėdi su sudėtinga idėja, kad ji iš tikrųjų pakeistų mūsų nuomonę. Dauguma šiandieninių dirbtinio intelekto pokalbių robotų pagal numatytąją reikšmę pateikia lengvus atsakymus, o tai kenkia mūsų gebėjimui kritiškai mąstyti.
Aš tai vadinu informacijos tyrinėjimo paradoksu. Kai informacijos kaina artėja prie nulio, žmogaus tyrinėjimas žlunga. Tai matome studentuose, kurie geriau atlieka. Dirbtinio intelekto padedamos užduotys ir dar blogiau – viskas po to. Matome, kad kūrėjai pateikia daugiau kodo, bet jį supranta mažiau. Mes, būdais, kurie atrodo, kaip progresas, pamažu išsioptimizuojame iš darbo.
Štai koks nukrypimas mane neramina. Ne dramatiškas mokslinės fantastikos scenarijus, kai DI visiškai pakeičia žmones, o tylesnis procesas, kai žmonės palaipsniui perduoda savo sprendimus per mažais, kad juos pastebėtų.
Laikui bėgant, tai sukuria dviejų rūšių žmones: tuos, kurie naudoja DI kaip tikrą intelektualinį partnerį – kurių mąstymas iš tikrųjų tampa aštresnis dėl bendradarbiavimo trinties – ir tuos, kurie geriau geba greitai gauti atsakymus ir blogiau žino, kokius klausimus užduoti.
Taigi, ką bet kuris iš mūsų iš tikrųjų gali dėl to padaryti?
Pradėkite nuo perfrazavimo: darbo su DI tikslas nėra greičiau gauti atsakymą. Tai išsiaiškinti, ko jums trūksta. Nesamdykite DI pakalikų, kad jie „atliktų nuobodų darbą“ už jus, kaip teigiama daugelyje pardavimo pasiūlymų; naudokite jį kaip išmanų bendradarbį, kad ištirtumėte netikrumą.
Praktiškai tai reiškia, kad prieš priimdami DI atsakymą, paprašykite jo pateikti stipriausią argumentą prieš jį patį. Kai jis apsisaugo ar atitinka reikalavimus, atkreipkite dėmesį – dažniausiai ten ir slypi tikrasis netikrumas. Elkitės su juo kaip su puikiu kolega, kuris viską perskaitė ir nieko nesupranta – naudinga būtent todėl, kad jis skiriasi nuo jūsų, o ne todėl, kad su jumis sutiks.
Dirbtinio intelekto pramonėje pagrindinis dizaino klausimas liko beveik neužduotas: ar produktas ugdo žmogaus gebėjimus, ar juos vartoja? Beveik visi DI etalonai matuoja, ką DI agentai gali padaryti vieni. Mums labai reikia hibridinio intelekto etalonų. Klaidos yra signalai, kuriuos mūsų smegenys naudoja mokymuisi inicijuoti. DI, kuris visiškai pašalina trintį, dažnai kartu su ja pašalina ir mokymąsi.
Viltinga išvada yra ta, kad perspektyvos ėmimas, intelektualinis nuolankumas ir smalsumas nėra fiksuotos savybės. Jas galima ugdyti ir jos reaguoja į praktiką, tinkamus santykius ir aplinką, kuri apdovanoja netikrumą.
Tačiau jos reikalauja, kad mes – kaip individai, kaip tėvai, kaip pedagogai, kaip įrankių kūrėjai – nuspręstume, kad būtent tai mes ir bandome kurti. O lenktynėse tarp žmogaus potencialo ir žmogaus atrofijos, statymai už jo kūrimą negalėtų būti didesni.
---
Vivienne Ming yra teorinės neurologės, kognityvinių mokslų atstovė ir knygos „Robotų įrodymas: kai mašinos turi visus atsakymus, kurkite geresnius žmones“ autorė.” [1]
1. REVIEW --- Is AI Smarter Than People? It's Complicated. --- As a neuroscientist, I conducted research into artificial versus human intelligence. The results surprised me -- and suggest we've been worrying over the wrong things. Ming, Vivienne. Wall Street Journal, Eastern edition; New York, N.Y.. 25 Apr 2026: C4.
Komentarų nėra:
Rašyti komentarą