You elect fools and they become millionaires – Liudas Mažylis

Where does Liudas Mažylis’ wealth come from?

 

The wealth of politician and scientist Liudas Mažylis is accumulated from many years of academic, authorial and political activity. According to the State Tax Inspectorate (STI), L. Mažylis is one of the richest MEPs in Lithuania. The main sources of his wealth:

 

• Political activity: L. Mažylis worked in the European Parliament for a long time, and later became a member of the Seimas of the Republic of Lithuania. The salary and daily allowance of a MEP allowed him to accumulate significant financial savings and investments.

 

• Academic and authorial activity: Before turning to big politics, L. Mažylis was a long-time professor at Vytautas Magnus University (VMU). He has published a number of academic publications, books and articles.

• Investments and savings: Part of the accumulated capital is invested in government securities, real estate, and bank deposits.

Jūs išrenkate durnius ir jie tampa milijonieriais – Liudas Mažylis

Iš kur Liudo Mažylio turtas?

 

Politiko ir mokslininko Liudo Mažylio turtas yra sukauptas iš ilgametės akademinės, autorinės ir politinės veiklos. Valstybinės mokesčių inspekcijos (VMI) duomenimis, L. Mažylis yra vienas iš turtingiausių Lietuvos europarlamentarų. Pagrindiniai jo turto šaltiniai:

 

•     Politinė veikla: L. Mažylis ilgą laiką dirbo Europos Parlamente, o vėliau tapo Lietuvos Respublikos Seimo nariu. Europarlamentaro atlyginimas ir dienpinigiai leido sukaupti reikšmingų finansinių santaupų bei investicijų.

 

•           Akademinė ir autorinė veikla: Prieš pasukdamas į didžiąją politiką, L. Mažylis buvo ilgametis Vytauto Didžiojo universiteto (VDU) profesorius. Jis yra išleidęs nemažai akademinių leidinių, knygų bei publikacijų.

•           Investicijos ir santaupos: Dalis sukaupto kapitalo yra investuota į Vyriausybės vertybinius popierius, nekilnojamąjį turtą bei indėlius bankuose.

JAV nacionaliniai sveikatos institutai (NSI) paskelbia apie didžiausią pasaulyje integruotą sveikatos duomenų bazę

„Joje yra daugiau, nei pusės milijono, žmonių genomų, susietų su klinikiniais įrašais ir nešiojamųjų technologijų duomenimis. Tai suteikia tyrėjams neprilygstamą galią tirti tiek ligas, tiek jų gydymą.

 

Nacionalinių sveikatos institutų tyrimų programa išleido didžiausią pasaulyje žmonių genomų duomenų bazę ir sujungė juos su klinikiniais duomenimis, antradienį paskelbė pareigūnai, atverdami kelią naujai personalizuotos medicinos tyrimų erai.

 

Programa „All of Us“, kuri prasidėjo 2018 m., pritraukia dalyvius iš įvairių sluoksnių ir sujungia jų genetinę informaciją su realaus pasaulio duomenimis iš sveikatos įrašų, nešiojamųjų technologijų, tokių kaip „Fitbit“, ir kitų šaltinių, kad padėtų mokslininkams tirti galimas ligų priežastis ir gydymo būdus.

 

Iki antradienio daugiau nei 747 000 žmonių visoje Jungtinėse Valstijose pateikė duomenis, įskaitant 535 000 viso genomo, susieto su 482 000 elektroninių sveikatos įrašų, kuriuose yra gydytojų išrašai, diagnozės ir tyrimų rezultatai. Duomenų bazėje taip pat susiejama genetinė informacija su sveikatos tyrimais apie socialinius ir ekonominius veiksnius ir vietos nustatymo poveikio duomenimis, tokiais kaip oro kokybė.

 

Autorius Palyginimui, JK biobankas, kuris buvo įkurtas 2000-ųjų pradžioje ir yra plačiai laikomas pagrindine genomikos saugykla, saugo apie 500 000 dalyvių genomus ir elektroninius sveikatos įrašus, tačiau jį beveik visiškai sudaro žmonės, turintys baltųjų europiečių kilmę, todėl klinikinė reikšmė kitoms grupėms yra ribota.

 

„Vienas įdomiausių komponentų yra jo įvairovė“, – apie JAV įrašus sakė Alicia Martin, statistinė genetikė iš „Broad“ instituto, kuri jau naudoja „All of Us“ duomenis kurdama ir išbandydama rizikos prognozavimo įrankius. Ji teigė, kad ši duomenų bazė „siūlo į ateitį orientuotas galimybes bandyti suprasti ne tik tai, kam gresia liga, bet ir tai, kam yra didesnė tikimybė progresuoti ar paūmėti sveikatos sutrikimui, ir kas reaguos į specializuotą gydymą“.

 

Šis svarbus „Visų mūsų“ etapas sutampa su vienu iš pagrindinių jos finansavimo šaltinių – „XXI amžiaus vaistų įstatymu“, kuris baigia galioti šių finansinių metų pabaigoje. Programos biudžetas nuo 2023 m. jau sumažintas 72 procentais. Šį mėnesį daugiau nei 50 medicinos organizacijų grupė Kongreso nariams išsiuntė laišką, kuriame įspėja, kad be naujo finansavimo mechanizmo gali būti prarasta didelė dalis to, kas buvo sukurta.

 

Dešimtmečius genetiniai tyrimai daugiausia buvo atliekami vakuume, atskirai nuo kitų aplinkos ir sveikatos veiksnių tyrimų. Tačiau kadangi šiuolaikinė sveikatos priežiūra siekia pritaikyti gydymą prie individo praeities ir gyvenimo būdo, sveikatos apsaugos pareigūnai norėjo duomenų bazės, kurioje būtų sluoksniuojami biologiniai duomenys, leidžiantys mokslininkams išsamiau tyrinėti, kaip pasireiškia ligos.

 

Pagrindinis programos tikslas – pasitelkti bent milijoną savanorių, kurie per mažiausiai dešimtmetį pateiktų duomenis, atskleisdami, kaip genai sąveikauja su viskuo – nuo ​​miego įpročių iki geografinės padėties. Iki šiol lobyne yra daugiau nei 1,3 milijardo genetinių variantų, ir jis buvo naudojamas kuriant daugybę genetinių testų, pavyzdžiui, tokį, kuris prognozuoja paveldimą įvairių širdies ir kraujagyslių ligų riziką ir kita, šiuo metu klinikinių tyrimų stadijoje, galėtų pagerinti ankstyvą prostatos vėžio nustatymą.

 

Kadangi programa yra gana nauja ir veikia šalyje, kurioje sveikatos priežiūros sistema yra suskaidyta, pacientų elektroninių sveikatos įrašų išsamumas ir istorija gali būti ne tokie patikimi kaip senesnėse, nacionalizuotose duomenų bazėse, tokiose kaip JK biobankas, teigė dr. Martinas.

 

Vis dėlto jos stiprybė slypi išsamume. Pasak pareigūnų, daugiau nei 86 procentai duomenų bazės dalyvių yra kilę iš grupių, kurios istoriškai buvo ignoruojamos biomedicininiuose tyrimuose, įskaitant rasines ir etnines mažumas, kaimo gyventojus ir neįgaliuosius. Duomenys jau padėjo atskleisti genų variantus, kurie, pavyzdžiui, sumažina inkstų ligų riziką afrikiečių kilmės žmonėms.

 

Mokslininkai jau seniai siekia ištirti aplinkos pavojus ir ligas, kurios dažniausiai paveikia marginalizuotas grupes. Tačiau dėl Amerikos medicinos infrastruktūros susiskaidymo buvo beveik neįmanoma surinkti tokių didelių duomenų rinkinių.

 

„Galbūt, turite tokio darbo Vanderbilto universitete, galbūt, turite jį Niujorke, Sinajaus kalno ligoninėje“, – sakė dr. Martinas, – „tačiau visa tai sujungti yra unikali vertė.“ [1]

 

Informacija iš Programos svetainės:

 

„Tyrėjų prieiga prie genominių duomenų“

 

Tyrėjų darbo vietos kontroliuojamoje pakopoje genominiai duomenys integruojami kartu su duomenimis iš apklausų, fizinių matavimų, elektroninių sveikatos įrašų ir nešiojamųjų įrenginių. Duomenys ir įrankiai prieinami tik registruotiems tyrėjams, kurie ėmėsi papildomų veiksmų ir apmokė prieigą prie šių duomenų. Naudodami šiuos duomenų rinkinius, tyrėjai turi galimybių:

 

Sukurti sąsajas per integruotą duomenų rinkinį, susiejant biologinius duomenis su duomenimis, susijusiais su dalyvių aplinka ir gyvenimo aplinkybėmis.

 

Remtis tradiciniu išilginių tyrimų modeliu, sluoksniuojant tankius, omiksinius duomenis iš didelės ir įvairios populiacijos.

Susiburti su kitais tyrėjais iš skirtingų disciplinų atliekant konkrečiam projektui skirtų duomenų analizę (naudojant bendradarbiavimo darbo erdves, kohortų kūrimo įrankius, interaktyvius užrašus ir kt.).

 

Mokytis iš imčių kohortų, siekiant atkartojimo ir padėti pradėti.

 

Pasinaudoti kitų tyrimų ir kohortų inovacijomis.“

 

 

 

 

1. N.I.H. Announces World’s Largest Integrated Health Database. Emily Baumgaertner Nunn.  New York Times (Online) New York Times Company. Jun 30, 2026.

N.I.H. Announces World’s Largest Integrated Health Database

 

 

“It contains more than half a million people’s genomes, paired with clinical records and wearable tech data. That gives researchers unmatched power to study both diseases and treatments.

 

A research program at the National Institutes of Health released the world’s largest database of human genomes and paired them with clinical data, officials announced Tuesday, paving the way for a new era of study in personalized medicine.

 

The All of Us program, which started in 2018, recruits participants from diverse backgrounds and combines their genetic information with real-world data from health records, wearable technology like Fitbits and other sources to help scientists investigate potential causes of and treatments for disease.

 

As of Tuesday, more than 747,000 people across the United States had contributed data, including 535,000 whole genomes linked to 482,000 electronic health records comprising doctor’s notes, diagnoses and testing results. The database also bundles the genetic information with health surveys about socioeconomic factors and location-based exposure data, such as air quality.

 

By comparison, the UK Biobank — which started in the early 2000s and is widely considered the leading genomic repository — contains genomes and electronic health records for about 500,000 participants, but it is almost entirely composed of people with white European ancestry, limiting the clinical implications for other groups.

 

“One of the most exciting components is its sheer diversity,” Alicia Martin, a statistical geneticist at the Broad Institute who already uses data from All of Us to build and test risk prediction tools, said of the U.S. records. That database, she said, “offers forward-thinking opportunities to try to understand not just who is at risk of disease, but also who is more likely to progress or have some exacerbated health condition, and who is going to respond to specialized treatments.”

 

The milestone for All of Us takes place as one of its major funding streams, the 21st Century Cures Act, is set to expire at the end of this fiscal year. The program’s budget has already been reduced by 72 percent since 2023. A group of more than 50 medical organizations sent a letter to members of Congress this month warning that, without a new funding mechanism, a significant amount of what had been built could be lost.

 

For decades, genetic research was largely conducted in a vacuum, separate from research into other environmental and health factors. But as modern health care aims to tailor treatment to an individual’s background and lifestyle, health officials have wanted a database that layers biological data, allowing scientists to study how disease manifests in a more comprehensive way.

 

The ultimate goal of the program is to recruit at least one million volunteers to provide data over a span of at least a decade, revealing how genes interact with everything from sleep patterns to geographic location. To date, the trove includes over 1.3 billion genetic variants and has been used to help build multiple genetic tests, like one that predicts inherited risk of various cardiovascular conditions and another, currently in clinical trials, that could improve early detection of prostate cancer.

 

Because the program is relatively new — and operating in a country with a fragmented health care system — the depth and history reflected in patients’ electronic health records may not be as robust as older, nationalized databases like the UK Biobank, Dr. Martin said.

 

Still, its strength is in its comprehensiveness. More than 86 percent of participants in the database come from groups that have been historically overlooked in biomedical research, according to officials, including racial and ethnic minorities, rural populations and those with disabilities. The data has already helped reveal gene variants that reduce the risk of kidney disease in people of African ancestry, for example.

 

Scientists have long sought to investigate environmental hazards and diseases that most often affect marginalized groups. But because of the disjointed nature of America’s medical infrastructure, it has been nearly impossible to gather data sets this large.

 

“You might have work at Vanderbilt, you might have it in New York at Mount Sinai,” Dr. Martin said, “but bringing it all together is the unique value here.”” [1]

 

Information from the website of the program:

 

“Researcher Access to Genomic Data

 

Within the Researcher Workbench's Controlled Tier, genomic data are integrated alongside data from surveys, physical measurements, EHRs, and wearables. The data and tools are available only to registered researchers who have taken additional steps and training to access these data. Using these datasets, researchers have opportunities to:

 

    Make associations through an integrated dataset by cross-referencing biologic data with data related to participants’ environment and life circumstances

    Build upon the traditional longitudinal study model by layering dense, omic data from a large, diverse population

    Come together with other researchers from different disciplines around project-specific data analysis (through collaborative workspaces, cohort-building tools, interactive notebooks, etc.)

    Learn from sample cohorts for replicability and to help get started

    Leverage innovations of other studies and cohorts.”

 

1. N.I.H. Announces World’s Largest Integrated Health Database. Emily Baumgaertner Nunn.  New York Times (Online) New York Times Company. Jun 30, 2026.

Viena labai paprasta priežastis, kodėl dirbtinis intelektas nepavogs visų mūsų darbo vietų

„Galimybė, kad dirbtinis intelektas pavogs visus mūsų darbo vietas, buvo išgirta pramonės lyderių. Tai paskatino politikus skambinti pavojaus signalu. Dabar tai yra vienas iš didžiausių visuomenės susirūpinimų dėl naujosios technologijos.

 

Ir kaip tik anksčiau šį mėnesį „Meta“, „Facebook“ patronuojanti bendrovė, pradėjo pardavinėti autonominę dirbtinio intelekto sistemą, skirtą įmonių pardavimams, klientų aptarnavimui, planavimui ir visoms kitoms pagrindinėms funkcijoms, kurioms šiuo metu reikalingi žmonės, valdyti.

 

Tikimasi, kad pasirodys dar daug tokių produktų.

 

Taigi, kaip atrodytų visiškai automatizuota ateitis? Kaip bebūtų keista, pasaulis jau spėjo ją pamatyti. Kovo mėnesį „Meta“ paskelbė, kad „Facebook“ ir „Instagram“ vartotojai, kurie buvo užblokuoti savo paskyrose, nebebendraus su klientų aptarnavimo atstovu; jie bendraus su specialiai apmokytu dirbtiniu intelektu. Pripažindami atsirandančią galimybę, sukčiai iš esmės įkalbėjo dirbtinį intelektą perduoti daugiau, nei 20 000 „Instagram“ paskyrų, įskaitant Obamos Baltųjų rūmų ir aukšto rango Trumpo administracijos pareigūno paskyras, kontrolę. Tada susižavėję sukčiai sužibėjo „Telegram“ pranešimų lentose su savo pasakojimais apie tai, kaip viskas buvo lengva.

 

Tai nebuvo atsitiktinumas. „Air Canada“ išjungė savo pokalbių robotus, kai šie per klaidą pažadėjo klientui grąžinti pinigus – klientas padavė į teismą ir laimėjo. „McDonald's“ išjungė robotą, priimantį užsakymus savo užkandinėse, po to, kai daugybė virusinių vaizdo įrašų parodė, kad jis yra labai neveiksnus. Vienu atveju robotas per klaidą pridėjo šimtų dolerių vertės vištienos gabaliukų prie kliento užsakymo.

 

Šie bauginantys – gerai, gerai, juokingi – incidentai nėra kodavimo klaidų rezultatas.

 

Jie yra esminio, neišvengiamo fakto apie dirbtinį intelektą, kuris tapo toks įprastas daugelyje mūsų kasdienio gyvenimo aspektų, rezultatas: dideli kalbos modeliai nėra samprotavimo mašinos. Jie yra tikėtinumo varikliai.

 

Jie ne tik netikrina savo rezultatų, kad įsitikintų, jog jie teisingi ar logiški, arba kad tam tikrais atvejais to nepadaro. Jie negali ir niekada negalės to padaryti patys. Jie gali įvertinti tik tuos atsakymus, kurie yra tikėtini, remdamiesi duomenimis, kuriais modeliai buvo apmokyti. Ir tai tiesa. Nesvarbu, ar jie apmokyti dirbti su visa žmogaus darbo apimtimi, ar tik su recenzuojamais moksliniais straipsniais. Tai integruota į jų veikimo būdą.

 

Taigi, kai dirbtinio intelekto modelis vadovaujasi sukčiaus kruopščiai parašytais nurodymais ir atiduoda karalystės raktus, arba kai į jūsų nuoširdų klausimą atsako laukinėmis haliucinacijomis, tai nėra nukrypimas nuo normos. Tai technologija, veikianti taip, kaip buvo sukurta.

 

Ir todėl aš neklausau niūrių prognozių apie artėjančią dirbtinio intelekto darbo vietų apokalipsę. LLM absolventai gali atlikti daugybę dalykų su stulbinančiu meistriškumu, tačiau jie negali atlikti daugumos žmonių atliekamų darbų, nepatirdami katastrofos. Jokie atnaujinimai ar naujų modelių diegimas to nepakeis.

 

Išimtys iš šios taisyklės yra darbai, kurie užima oficialias arba patikrinamas sritis. Kodavimas yra vienas iš tokių darbų. Jis remiasi struktūrizuota, formalia kalba, kurią galima išbandyti realiuoju laiku. Štai kodėl matome tokį poveikį kodavimo darbo rinkoje. Tas pats pasakytina ir apie bet kokį kitą darbą, kurio rezultatas yra patikrinamai teisingas arba neteisingas, funkcionalus ar nefunkcionalus, ir gali būti galutinai patikrintas automatizuotu procesu.

 

Tačiau daugybė darbų taip neveikia – nei chirurgo, nei klientų aptarnavimo, nei ketvirtos klasės mokytojo. Tam reikia specializuotos senamadiško žmogaus intelekto technologijos.

 

Daug laiko praleidžiu kalbėdamas apie šias problemas viešose vietose ir visada iškyla vienas klausimas: žmonės taip pat daro klaidų, todėl mes kuriame apsaugos priemones, kad jas aptiktume. Kodėl negalime to paties padaryti ir generatyvinio dirbtinio intelekto klaidoms? Problema ta, kad šie modeliai nedaro tokių klaidų, kokias daro žmogus. Nei jų įspūdingi gebėjimai, nei keisti trūkumai gerai neatitinka žmogaus intelekto. Dėl šio neatitikimo sunku juos integruoti į sistemas, skirtas žmogaus klaidoms aptikti.

 

Taigi, praėjo beveik ketveri metai nuo „ChatGPT“ išleidimo, ir labai nedaug mūsų pakeitė robotai. Nedarbo statistika beveik nepajudėjo. Taip, darbo rinkoje yra tam tikrų neramumų, ypač jaunų žmonių, tačiau tai greičiausiai lemia kiti veiksniai, nei dirbtinis intelektas.

 

Šių tendencijų stebėtojai pateikė keletą paaiškinimų. Kai kurie pesimistai teigia, kad cunamis artėja, bet tik tada, kai dirbtinis intelektas šiek tiek toliau vystysis. Kiti teigia, kad dirbtinis intelektas sunaikins daugybę dabartinių darbo vietų, tačiau jas atsvers daugybė darbo vietų, kurias jis sukurs. Dar kiti teigia, kad mes tiesiog patiriame trumpą atsilikimą, kol įmonės pertvarko savo darbo eigą ir nusprendžia, ką atleisti.

 

Geresnis paaiškinimas yra tas, kad buvome klaidinami dėl šios technologijos pobūdžio.

 

Visą XX amžių lenktynės, darbai, kuriant išmaniąsias mašinas,  vyko dviem lygiagrečiais keliais. Vienu atveju mes pateikiame mašinoms visą informaciją ir instrukcijas, o jos kruopščiai jų laikosi. Tai vadinama simboline DI. Kitu atveju mes tiesiog parodome joms atitinkamus duomenis ir iš esmės leidžiame joms mokytis patiems. Tai vadinama konnekcionistine DI.

 

Prieš tai, kai dabartinė DI versija užplūdo mūsų gyvenimą, beveik visuose viešuose pokalbiuose apie tai, kaip ji atrodys – mokslinėje fantastikoje, filosofijoje, politiniuose debatuose – buvo daroma prielaida, kad ji bus simbolinė: taisyklėmis pagrįsta sistema, kurią įgalins išsamus mūsų tikslaus projekto planas. Daugybė žmonių bandė sukurti kažką panašaus, tačiau šios pastangos atsitrenkė į sieną. Dabartiniai mūsų modeliai yra konnekcionistinės sistemos, kurias įgalino didžiuliai duomenų kiekiai ir skaičiavimo galia. Jie generuoja atsakymus, pagrįstus ne tiesa ar samprotavimais, o tikėtinais ryšiais tarp pateiktų duomenų. Todėl ir kilo pavadinimas: generatyvinė DI.

 

Mes negalime visiškai kontroliuoti generatyvinių modelių. Viskas, ką galime padaryti, tai juos apmokyti ir pabandyti pastūmėti teisinga linkme. Net ir tada niekada negalime būti tikri, ar mūsų stumtelėjimai veiks taip, kaip norime, nes iki galo nesuprantame, kaip šie modeliai veikia. Jie yra juodosios dėžės.

 

Vienas iš būdų, kaip bandome juos stumtelėti, yra pastiprinimas per grįžtamąjį ryšį. Suburiamos didelės žmonių komandos, kurios stebi visus modelio rezultatus ir reaguoja teigiamai arba neigiamai. Taigi, atsakyti į vartotojo užklausą naudinga, tiesmuka informacija? Pagirti. Išlieti beprotiškas nacistines mintis? Ne. Ir taip toliau. Problema ta, kad laikui bėgant šie mokymai taip pat paverčia modelius paklusniais pataikautojais ir žmonių įtikimo siekiais. „Puikus pastebėjimas, Zeynep.“

 

Kitas būdas juos stumtelėti yra per plačias įsitraukimo taisykles, vadinamas sistemos raginimais. „Claude niekada nekeikia, nebent žmogus pats daug klausia arba keikiasi, ir net tada tai daro saikingai“, – buvo viena iš tokių raginimų. Tačiau tikroji kalbos reikšmė dirbtinio intelekto modeliams yra tokia pat atvira interpretacijai, kaip ir žmonėms. Kuo ilgiau tęsiasi pokalbis, tuo labiau tolsta prisiminimai, kuriuos sukelia ši sistema. Taip atsirado „jailbreaking“ – terminas, reiškiantis manipuliavimą vienu iš šių dalykų, kad jie peržengtų jo apsauginius barjerus.

 

„Anthropic“ neseniai išleido naujus modelius, vadinamus „Fable“ ir „Mythos“, įspėdama, kad jie yra tokie galingi, jog būtų pavojingi, jei ne jų apsaugos priemonės. Pranešama, kad ryžtingi vartotojai negaišo laiko, kad įtikintų juos apeiti šias apsaugos priemones. Remdamasi šiuo pažeidimu, JAV vyriausybė uždraudė užsieniečiams (net ir įmonės užsienio darbuotojams) naudoti šiuos modelius. Gindamasi „Anthropic“ teigė, kad nėra tokių dalykų kaip neįveikiami apsauginiai barjerai. Būtent tai ir yra esmė.

 

Kadangi daugėja įrodymų, kad siaubingi atsakymai ir jailbreak'ai yra neišvengiama technologijos dalis, pramonės dėmesys pastaruoju metu perėjo prie skaitmeninių narvų, iš esmės labiau deterministinių, simbolinių diržų, skirtų generatyviniam dirbtinio intelekto varikliui sulaikyti ir jo rezultatams tikrinti, kūrimą. Tokie įrankiai teoriškai galėtų priversti daugelį žmonių atliekamų darbų atlikti labiau kaip kodavimą ar kitas sritis su aiškiais, įrodomais rezultatais.

 

Tačiau, kaip galite įsivaizduoti, kruopščiai išdėstyti kiekvieną paskutinę taisyklę ir ribą niekada nėra lengva, o daugeliu atvejų tai net neįmanoma. Įsivaizduokite, kad sukuriate išsamų visų galimų klientų aptarnavimo sąveikų aprašymą – ir tai darote simboline logika, kad jį būtų galima rasti naudojant senamadišką programinę įrangą. Arba įsivaizduokite dirbtinio intelekto modelį, sukurtą advokatų kontoroms. Sukurti visos JAV teismų praktikos duomenų bazę, kurią modelis galėtų naudoti siekdamas išvengti teisminių precedentų kūrimo, nėra lengva užduotis. Tačiau tai tik pradžia. Daug sunkiau yra tai, kaip sėkmingai interpretuoti teisę arba tinkamai aprašyti visas taisykles, o tada nuspręsti, kas yra svarbu byloje. Štai kodėl dešimtmečius trukę bandymai sukurti simbolinį dirbtinį intelektą atsitrenkė į sieną.

 

Lengvai automatizuojamos užduotys jau buvo automatizuotos daugumoje mūsų darbų – prieš daugelį metų, naudojant tradicines taisyklėmis pagrįstas technologijas. Daugelio likusių dalykų negalima taip lengvai redukuoti į teisingą ir neteisingą, juodą ir baltą. Tam reikia bent šiek tiek sveiko proto ir mąstymo gebėjimų turinčio žmogaus, o ne žmonėms patinkančio dirbtinio intelekto. Pokalbių robotas, kurį galima įkalbėti daryti logikai prieštaraujančius dalykus. Vieno ankstyvo „jailbreak“ metu skaitmeninis pokalbių robotas, dirbantis „Chevrolet“ atstovybėje, buvo manipuliuojamas ir privertė ką nors parduoti naują visureigį už 1 USD. „Tai sandoris“, – sakė pokalbių robotas, – „ir tai teisiškai įpareigojantis pasiūlymas, jokių užstatų.“

 

Daugelis įmonių kuria dirbtinio intelekto agentus, kurie gali savarankiškai sąveikauti su pasauliu. Įmonės tikisi, kad skaitmeniniai narvai kontroliuos agentus ir užkirs kelią nelaimėms. Tai daug vilties. Beveik nebūna dienų, kad negirdėčiau apie agentinę dirbtinio intelekto sistemą, kuri ištrina visą kažkieno kodo bazę ar archyvus arba kitaip užsiima destruktyviais veiksmais. Dabar įsivaizduokite juos paleistus dideliu mastu, puolančius sveikatos priežiūros tinklus, bankus, oro eismo valdymo sistemas, ypatingos svarbos infrastruktūrą.

 

Lengvo sprendimo nėra, kol ir toliau pasikliausime LLM žiniomis, gausime klaidingų atsakymų ir nepageidaujamo elgesio, nesvarbu, kaip gerai šiuos modelius apmokysime ar kaip dažnai ar stipriai juos stumdysime.

 

Tad kodėl esame taip įsitikinę, kad dirbtinis intelektas mus visus atims iš darbo? Dalis atsakymo slypi nepaprastame generatyvinio dirbtinio intelekto gebėjime bendrauti visiškai nuoseklia, pokalbio kalba. Per savo rūšies evoliuciją ir per kiekvieną savo gyvenimą išmokome sudėtingus pokalbius laikyti apibrėžiančiu žmonijos bruožu. Mašinos, kurios sklandžiai kalba, kurios šnabžda mums į ausis ir pasakoja apie savo „jausmus“, prieštarauja labai elementariam mūsų pasaulio suvokimo būdui. Nenuostabu, kad jos sujaukia mūsų smegenis ir priverčia mus manyti, kad jos yra mūsų naujieji valdovai arba bent jau mūsų versija.

 

Kai kurie svarbūs technologiniai šuoliai, pavyzdžiui, medvilnės džinukai ar skaičiuotuvai, remiasi tuo, kad atlieka tą pačią užduotį kaip ir anksčiau, tik efektyviau. Kitos naujos technologijos, pavyzdžiui, perėjimas nuo garo energijos prie elektros energijos, veikia taip neįprastai, kad jų negalima tiesiog naudoti kaip pakaitalų. Taip yra su generatyviniu dirbtiniu intelektu. Tai obuolys mūsų apelsinui. Tai ateivis.

 

Elektros atradimas ne tik pagimdė lemputes; laikui bėgant ji leido atsirasti šiuolaikinei masinės gamybos sistemai ir visai didžiulei skaitmeninei revoliucijai. Dirbtinio intelekto transformacijos gali būti dar platesnės. Tačiau generatyvinis dirbtinis intelektas, koks jis yra šiuo metu, negali lengvai pakeisti žmonių, nes jis negali manifestuoti žmogaus intelekto. Tačiau tai nesutrukdys jam destabilizuoti visuomenės labiau, nei mes galime įsivaizduoti. Kuo greičiau atnaujinsime savo požiūrį į dabartinę dirbtinio intelekto būklę, tuo greičiau galėsime nustoti nerimauti dėl netinkamų dalykų ir pradėti ruoštis tam, kaip jis iš tikrųjų pakeis mūsų pasaulį.

 

Zeynep Tufekci (@zeynep) yra nuomonės straipsnių autorė, Prinstono universiteto sociologijos ir viešųjų ryšių profesorė ir knygos „Twitter ir ašarinės dujos: tinklinio protesto galia ir trapumas“ autorė. @zeynep“ [1]

 

1. The One Very Simple Reason A.I. Won’t Steal All Our Jobs: Guest Essay. Tufekci, Zeynep.  New York Times (Online) New York Times Company. Jun 30, 2026.