Λίγοι άνθρωποι έχουν διαμορφώσει τη σύγχρονη ιστορία της τεχνητής νοημοσύνης όσο η Daphne Koller. Πρώην καθηγήτρια στο Stanford, συνιδρύτρια του Coursera και ιδρύτρια της Insitro, η Koller επί δεκαετίες αναζητά τον τρόπο που η μηχανική μάθηση βοηθά στην κατανόηση των συστημάτων που ορίζουν την ανθρώπινη ζωή: πώς μαθαίνουμε, πώς αρρωσταίνουμε, πώς θα μπορούσαμε να παρέμβουμε προτού μια ασθένεια γίνει μη αναστρέψιμη.
Πολύ πριν το generative AI βάλει την τεχνητή νοημοσύνη στην καθημερινότητά μας, εκείνη εφάρμοζε την υπολογιστική σκέψη στη Βιολογία, την εκπαίδευση και την Ιατρική. Στη συζήτηση με το WIRED Greece εξηγεί γιατί η εμπλοκή του AI στην ανακάλυψη φαρμάκων δεν αφορά απλώς τον σχεδιασμό καλύτερων μορίων αλλά και την αποκάλυψη των βιολογικών μηχανισμών που ακόμη δεν κατανοούμε.
Σήμερα, από το σύνολο των ασθενειών που γνωρίζουμε, μόνο για το 22% υπάρχει κάποιο φάρμακο, για το υπόλοιπο 78% δεν υπάρχει τίποτα.
– Daphne, οι περισσότεροι αρχίσαμε να σκεφτόμαστε σοβαρά το AI στα τέλη του 2022, χάρη στο generative AI. Όμως οι εφαρμογές της τεχνητής νοημοσύνης στην Ιατρική και την ανακάλυψη φαρμάκων προϋπήρχαν. Πότε αποφάσισες να ιδρύσεις την Insitro. Τι είδες;
Στα τέλη της δεκαετίας του ’90, όταν ήμουν ακόμη καθηγήτρια στο Stanford, εργαζόμουν πάνω στη Μηχανική Μάθηση. Τα σύνολα δεδομένων που είχε τότε στη διάθεσή η παραδοσιακή έρευνα αφορούσαν π.χ. την ταξινόμηση των μηνυμάτων σε spam και μη spam, την ανάλυση μερικών χειρόγραφων ψηφίων. Αυτό ήταν οριακά ενδιαφέρον, και προσπαθούσαμε να κάνουμε τα σύνολα μονάχα κατά 0,1% πιο αποδοτικά. Οπότε αποφάσισα να ψάξω αλλού.
Συνειδητοποίησα ότι η Βιολογία άρχιζε να παράγει ορισμένα πολύ ενδιαφέροντα σύνολα δεδομένων: τα πρώτα microarrays που μετρούσαν την έκφραση κάθε γονιδίου στο γονιδίωμα, το πρώτο Human Genome Project. Άρχισα λοιπόν να ενδιαφέρομαι για τη βιολογία, χωρίς να έχω καμία εκπαίδευση σε αυτήν, ως πεδίο εφαρμογής της δουλειάς μου στη μηχανική μάθηση.
Έπειτα, στα τέλη του 2011, έφυγα από το Stanford για να ιδρύσω το Coursera, ένα project που αγαπούσα πολύ και δεν είχε καμία απολύτως σχέση με την ερευνητική μου ατζέντα. Σχεδόν πέντε χρόνια μετά, βρέθηκα στο NeurIPS, το μεγαλύτερο συνέδριο τεχνητής νοημοσύνης. Ήταν η πρώτη φορά που κοιτούσα ξανά το πεδίο, και σκέφτηκα: «Βρισκόμαστε σε ένα εκθετικό σημείο καμπής. Αυτό το πεδίο θα αλλάξει τον κόσμο, αλλά ακόμα δεν έχει μεγάλο αντίκτυπο στις βιοεπιστήμες».
Πίστευα τότε, όπως πιστεύω και σήμερα, ότι υπήρχαν δύο μεγάλα κενά που εμπόδιζαν την ενοποίηση των δύο πεδίων. Το ένα είναι ότι δεν υπήρχαν αρκετοί άνθρωποι που να μιλούν και τις δύο γλώσσες, δηλαδή που να καταλαβαίνουν ποιες είναι οι ερωτήσεις που έχουν σημασία αλλά και ποιες τεχνικές θα μπορούσαν να τις κάνουν πιο αποτελεσματικές. Το άλλο ήταν τα δεδομένα. Όταν έφυγα από το Stanford, τα βιολογικά σύνολα δεδομένων που είχαμε ήταν ακόμη σχετικά μικρά ‒ μερικές εκατοντάδες δείγματα. Ξαφνικά, είχαμε τη δυνατότητα να δημιουργούμε σύνολα δεδομένων σε κλίμακα εκατοντάδων χιλιάδων, ακόμη και δεκάδων εκατομμυρίων: εκατοντάδες χιλιάδες ανθρώπους σε πηγές όπως το UK Biobank, δεκάδες εκατομμύρια μεμονωμένα κύτταρα με τη χρήση τεχνολογιών μέτρησης σε επίπεδο single cell. Αυτή η συνειδητοποίηση, ότι είχαμε την ευκαιρία να μεταμορφώσουμε πραγματικά τη βιολογία και την υγεία με επανέφερε σε αυτόν τον χώρο. Πέρασα 18 μήνες στην Calico μαθαίνοντας.
Έπειτα, το 2018, συνειδητοποίησα ότι το πραγματικό πρόβλημα ήταν πως στο πλαίσιο της Βιολογίας δεν είχαμε καμία συστηματική προσέγγιση που θα μας επέτρεπε να αντιμετωπίσουμε θανατηφόρες ασθένειες, νευρολογικές, μεταβολικές και πολλές άλλες για τις οποίες, ακόμη και σήμερα, δεν έχει βρεθεί καμία θεραπεία. Ένιωσα ότι υπήρχε μια πραγματική ευκαιρία να αξιοποιήσουμε το AI για κάτι που θα μπορούσε όντως να κάνει διαφορά.
– Στα χρόνια που πέρασαν από την ίδρυση της Insitro, ποιες ήταν μερικές από τις μεγάλες προόδους που είδες; Έχουμε περάσει το σημείο καμπής που περιγράφεις;
Μπήκα στην Insitro έχοντας συνειδητοποιήσει ότι τα φάρμακα που ανακαλύπτουμε έπρεπε να είναι θεμελιωμένα στην ανθρώπινη γενετική. Η ανακάλυψη φαρμάκων έχει να κάνει με παρεμβάσεις σε συστήματα, και η παρέμβαση έχει να κάνει με την αιτιότητα. Όμως δεν είναι εύκολο να προσεγγίσεις την αιτιότητα στην ανθρώπινη βιολογία, επειδή δεν μπορείς να παρέμβεις σε έναν άνθρωπο παρά μόνο στο τέλος της διαδικασίας, στην κλινική δοκιμή. Άρα δεν έχεις εξαρχής πολλά αιτιακά δεδομένα.
Ο μόνος τρόπος να το κάνεις αυτό πραγματικά σε μεγάλη κλίμακα είναι η ανθρώπινη γενετική, γιατί ο καθένας από εμάς είναι ένα πείραμα αιτιότητας. Η φύση έχει τυχαιοποιήσει το γενετικό υλικό που λαμβάνουμε και αυτό οδηγεί σε ένα τεράστιο σύνολο συνεπειών που διαμορφώνουν αυτό που είμαστε. Ο καθένας μας είναι ένα αιτιακό πείραμα, και είμαστε οκτώ δισεκατομμύρια.
Αυτό που δεν είχα αντιληφθεί πλήρως όταν ξεκινούσα ήταν πόσο φτωχή είναι η μέτρηση της ανθρώπινης βιολογίας. Οι γενετιστές είναι πολύ έξυπνοι άνθρωποι αλλά συχνά δουλεύουν με μετρήσεις του τύπου «πάσχει αυτό το άτομο από αυτή την ασθένεια, ναι ή όχι;». Αυτός είναι ένας μονομερής τρόπος περιγραφής, ενώ στην πραγματικότητα έχει πολλές μεταβλητές.
Σκέψου για παράδειγμα τον διαβήτη τύπου 2. Έχει κάποιος διαβήτη τύπου 2; Η απάντηση είναι ναι ή όχι, και αυτό είναι κάτι αυθαίρετο. Στην πραγματικότητα, η κατάσταση μπορεί να διαφέρει από άνθρωπο σε άνθρωπο, ανάλογα με το πώς μεταβολίζει ο οργανισμός τους τη ζάχαρη, πώς επεξεργάζεται τη γλυκόζη. Ωστόσο, είναι πολλά τα στοιχεία που δεν μετράμε.
Μελετώντας τα δεδομένα που συλλέγουμε σήμερα από ανθρώπους ‒μέσω απεικόνισης, omics από αίμα και ιστό, wearables και με τη βοήθεια άλλων πηγών‒ συνειδητοποίησα πως μπορούμε με τη βοήθεια του AI να δούμε την ασθένεια με εντελώς νέους τρόπους. Η δυνατότητα να εξετάζεις την ανθρώπινη γενετική με αυτούς τους πλούσιους φαινοτύπους που προκύπτουν από ακριβείς μετρήσεις της ανθρώπινης φυσιολογίας είναι πολύ πιο διαφωτιστική από όσα έχουν συνήθως στη διάθεσή τους οι στατιστικοί γενετιστές.
Επίσης, εμβαθύνεις στους βιολογικούς μηχανισμούς. Αυτό σου επιτρέπει να γεφυρώσεις πολύ καλύτερα το χάσμα με τα κυτταρικά συστήματα, επειδή αυτό που βλέπεις στον ιστό και αυτό που βλέπεις στο κύτταρο δεν απέχουν τόσο πολύ.
Έτσι, χτίσαμε μια μηχανή που ονομάζουμε Virtual Human. Είναι πολύ καλή στο να μετρά τη βιολογία σε διαφορετικές κλίμακες, σε διαφορετικές μορφές δεδομένων, να εξάγει εκατοντάδες ή χιλιάδες ξεχωριστά χαρακτηριστικά και να χρησιμοποιεί το AI για να επεξεργάζεται τα δεδομένα και να τα συνδέει. Αυτό μας βοηθά να κατανοούμε ποιο είναι το σωστό σημείο αιτιακής παρέμβασης, είτε μιλάμε για ALS, είτε για λιπώδη νόσο του ήπατος, είτε για άλλες ασθένειες. Σήμερα μπορούμε να παράγουμε γνώση για δυσκολότερες ασθένειες με ολοένα μεγαλύτερη βεβαιότητα, ολοένα πιο γρήγορα.
Αλλά οι γνώσεις δεν θεραπεύουν τους ανθρώπους. Αυτό που χρειάζεσαι για να θεραπεύσεις τους ανθρώπους είναι φάρμακα. Γι’ αυτό, χτίσαμε μια δεύτερη μηχανή, το TherML, μια μηχανή μοριακού σχεδιασμού ανεξάρτητη από τη θεραπευτική προσέγγιση, η οποία παίρνει έναν στόχο ή έναν βιολογικό μηχανισμό και τον μετατρέπει σε φάρμακο.
Οι περισσότεροι άνθρωποι, ειδικά όσοι ανήκουν στα λιγότερο προνομιούχα στρώματα της κοινωνίας, πρακτικά δεν έχουν πρόσβαση σε κλινικές δοκιμές, και αυτό είναι πολύ άδικο.
– Ακούμε τόσο πολλά για τις δυνατότητες του AI στην ανακάλυψη φαρμάκων, κι όμως δεν υπάρχουν ακόμη δει πολλές θεραπείες στην αγορά. Γιατί συμβαίνει αυτό;
Ένας λόγος είναι ότι μεγάλο μέρος της προσπάθειας έχει κατευθυνθεί σε πράγματα που είναι χρήσιμα αλλά όχι μεταμορφωτικά. Πολλοί χρησιμοποιούν το AI για να σχεδιάσουν καλύτερα μόρια. Δεν λέω ότι τα καλύτερα μόρια δεν έχουν αξία, ούτε ότι η φαρμακοβιομηχανία δεν είναι καλή στον σχεδιασμό μορίων. Μπορεί να το κάνει πιο αργά, απασχολώντας πολλούς χημικούς για το ίδιο πρόβλημα. Όμως το μεγαλύτερο μέρος της δουλειάς που γίνεται αυτήν τη στιγμή στο AI είναι αυτό που θα αποκαλούσα βελτίωση διαδικασιών. Παίρνουμε ένα πρόβλημα που προσπαθούμε να λύσουμε, αλλά δεν αποδίδουμε όπως θα θέλαμε, και βελτιώνουμε τη διαδικασία.
Αυτό είναι σπουδαίο, αλλά δεν λύνει το πιο θεμελιώδες πρόβλημα. Σήμερα, από το σύνολο των ασθενειών που γνωρίζουμε, μόνο για το 22% υπάρχει κάποιο φάρμακο, για το υπόλοιπο 78% δεν υπάρχει τίποτα. Και αυτό συμβαίνει επειδή δεν έχουμε ιδέα πού να επικεντρώσουμε για να κάνουμε τη διαφορά. Για παράδειγμα, σε ποιον βιολογικό μηχανισμό του Alzheimer πρέπει να στοχεύσουμε για να σταματήσουμε την εξέλιξη της νόσου;
Πολύ λίγοι άνθρωποι δουλεύουν πάνω σε αυτό, γιατί μοιάζει ριψοκίνδυνο. Είναι πολύ πιο εύκολο και ασφαλές να πεις: εδώ υπάρχει ένα φάρμακο που έχει ήδη μπει στην κλινική φάση, και μπορώ να το κάνω καλύτερο, από ενέσιμο να γίνει στόματος, να κάνω καλύτερη την εμπειρία του ασθενούς. Όλα αυτά είναι σπουδαία αλλά δεν πρόκειται να δώσουν φάρμακα για ασθένειες που μέχρι σήμερα δεν έχουμε βρει τρόπο να αντιμετωπίσουμε.
– Άρα, στο τελικό στάδιο των κλινικών δοκιμών κολλάει το πράγμα;
Μολονότι γινόμαστε καλύτεροι στο να φτιάχνουμε φάρμακα, οι κλινικές δοκιμές είναι ένα σημείο όπου πολλά πράγματα κολλάνε, επειδή είναι μια αργή και δαπανηρή διαδικασία. Φαντάσου ένα χωνί που έχουμε μεγαλώσει μεν το άνοιγμά του, αλλά τα πράγματα «βρίσκουν» λίγο πριν φτάσουν εκεί, στο πιο λεπτό κομμάτι που προηγείται.
Ένα άλλο σημείο στο οποίο κολλάει η διαδικασία είναι και η αναζήτηση ασθενών: πώς βρίσκω αρκετούς για να διεξαγάγω τη δοκιμή μου; Στη δουλειά που έχουμε κάνει πάνω σε κλινικά δεδομένα, έχουμε καταλήξει ότι μπορείς να πάρεις δεδομένα από τη συνήθη κλινική φροντίδα, τα οποία συλλέγονται όταν πηγαίνεις για το ετήσιο check-up σου, και να τα χρησιμοποιήσεις για να εντοπίσεις ανθρώπους κατάλληλους για συγκεκριμένες κλινικές δοκιμές. Μπορεί, για παράδειγμα, να βρεις ανθρώπους που έχουν υψηλό ποσοστό λίπους στο ήπαρ, κάτι που θα τους καθιστούσε κατάλληλους για τη δοκιμή σχετικού φαρμάκου.
Αν το εφαρμόσουμε αυτό σε ένα μεγάλο σύνολο ανθρώπων, τώρα που υπάρχουν ηλεκτρονικοί ιατρικοί φάκελοι σχεδόν για όλους στις ΗΠΑ και σε άλλες χώρες, μπορούμε να εντοπίσουμε γρήγορα αυτούς τους ασθενείς ‒εννοείται ανώνυμα, με τρόπο που να διαφυλάσσει τα προσωπικά δεδομένα‒ και έπειτα να επικοινωνήσουμε με τον γιατρό τους.
Αυτό είναι πολύ σημαντικό, όχι μόνο για την κλίμακα της μελέτης αλλά και επειδή κάνει τη συμμετοχή στις κλινικές δοκιμές πιο ισότιμη. Σήμερα, η πρόσβαση συχνά εξαρτάται από το αν ο γιατρός σου τυχαίνει να συνδέεται με μια κλινική δοκιμή, συνήθως σε ένα μεγάλο ακαδημαϊκό ιατρικό κέντρο, ή από το αν είσαι αρκετά ενεργός ώστε να βρεις μία μόνος σου. Οι περισσότεροι άνθρωποι, ειδικά όσοι ανήκουν στα λιγότερο προνομιούχα στρώματα της κοινωνίας, πρακτικά δεν έχουν πρόσβαση σε κλινικές δοκιμές, και αυτό είναι πολύ άδικο.
Ένας ακόμη τρόπος με τον οποίο μπορεί να βοηθήσει το AI είναι δίνοντάς μας πιο ποσοτικά endpoints. Πιστεύω ότι μπορεί να μας δώσει ποσοτικούς, αυστηρούς και πιο αντικειμενικούς βιοδείκτες για ασθένειες για τις οποίες σήμερα δεν υπάρχει κάτι τέτοιο. Π.χ. στις νευροεκφυλιστικές ασθένειες, τα περισσότερα endpoints είναι ερωτηματολόγια. Βρίσκεις έναν ασθενή και ρωτάς τον ίδιο ή, συχνά, τον φροντιστή του: «Πώς είναι; Περπατάει καλύτερα; Αναπνέει καλύτερα;». Στην ALS, για παράδειγμα, η διαδικασία γίνεται υποκειμενική και μεταβλητή.
Όμως το ρολόι μου μου δίνει στοιχεία για την αναπνοή μου. Γιατί δεν μετράμε τα δεδομένα με τη χρήση wearables; Έτσι η έρευνα γίνεται πιο ποσοτική και σου δίνει τη δυνατότητα να αξιολογείς την εξέλιξη της ασθένειας ανά μικρότερα χρονικά διαστήματα και σε μικρότερο αριθμό ανθρώπων.
– Ας μιλήσουμε για το AI και τη μάθηση. Το Coursera πρέπει να σου έδωσε μια πολύ καλή ιδέα για το πώς μαθαίνουν οι άνθρωποι. Ποια συμπεράσματα από εκείνη την εμπειρία σού μοιάζουν επίκαιρα σήμερα, την εποχή που το ΑΙ έχει μπει στη διαδικασία της μάθησης;
Στήσαμε το Coursera εν μέρει λόγω ενός οράματος εμπνευσμένου από το «Bloom’s Two Sigma». Ο Bloom έδειξε ότι οι άνθρωποι που έχουν έναν προσωπικό δάσκαλο αποδίδουν δύο τυπικές αποκλίσεις καλύτερα από ανθρώπους που διδάσκονται σε ένα «one-size-fits-all» εκπαιδευτικό σύστημα. Με απλά λόγια, ένας μαθητής μέσης επίδοσης θα μπορούσε να ξεπεράσει το 98% των μαθητών του συμβατικού συστήματος.
Στο Coursera, προσπαθήσαμε να φτάσουμε εκεί με μικρές ενότητες περιεχομένου, δίνοντας στον μαθητή τη δυνατότητα να προχωρά γρήγορα «διασχίζοντας» την ύλη με τον δικό του τρόπο. Αλλά, έστω κι έτσι, ένιωθα ότι το περιεχόμενο δεν έδινε πολλές πραγματικά ξεχωριστές διαδρομές, δεν υπήρχε πολλή προσωποποίηση. Δεν είχαμε τα εργαλεία που το AI μας δίνει σήμερα, τα οποία μπορούν να κάνουν διάλογο με τον μαθητή πάνω σε υψηλής ποιότητας περιεχόμενο: «Τι θέλεις να μάθεις; Τι σε ενθουσιάζει; Τι σε μπερδεύει;».
Το σύγχρονο AI, μαζί με το υψηλής ποιότητας περιεχόμενο που σου δίνει τη δυνατότητα να διδάσκεις τους μαθητές βάσει έγκυρου υλικού και όχι deepfake, είναι ένας τρόπος για να φτάσουμε στο «Bloom’s Two Sigma». Πρόκειται για μια πραγματικά συναρπαστική ευκαιρία, όπου όμως ελλοχεύει και ένας κίνδυνος. Στο Coursera είδαμε ξεκάθαρα ότι πολλοί άνθρωποι δεν έχουν το κίνητρο να επιμείνουν όταν μαθαίνουν μόνοι τους. Χρειάζεται επίβλεψη, συνεργασία και διάλογος με μια ομάδα συνοδοιπόρων στο ταξίδι της γνώσης.
Δεν ξέρω αν το ΑΙ-tutoring θα μπορέσει να υποκαταστήσει την ανθρώπινη παρουσία. Μου εμπνέει ανησυχία ένας κόσμος στον οποίο κάθε μαθητής έχει τον AI tutor του και μαθαίνει μεμονωμένα. Ίσως αυτό να λειτουργεί εξαιρετικά για κάποιους, ίσως άλλοι να χρειάζονται πραγματικά το ανθρώπινο στοιχείο, την επίβλεψη από έναν άλλο άνθρωπο που νοιάζεται για την πρόοδό τους. Πρέπει να θυμόμαστε ότι, τουλάχιστον για ένα μέρος του πληθυσμού, η ανθρώπινη παρουσία είναι απαραίτητη.
Πρέπει να διδάξεις στα παιδιά να δομούν τις σκέψεις τους και να γράφουν ένα δοκίμιο προτού επιτρέψεις ένα LLM να το κάνει για εκείνα.
– Οι καθηγητές συχνά ανησυχούν ότι οι μαθητές απλώς θα στρέφονται στο AI, θα αντιγράφουν την απάντηση και θα σταματήσουν να ασχολούνται με το αρχικό ερώτημα. Είναι η πνευματική τεμπελιά πραγματικός κίνδυνος;
Είναι ένας πάρα πολύ μεγάλος κίνδυνος, και δεν αφορά μόνο την εκπαίδευση σε μικρή ηλικία. Υπήρξε πρόσφατα ένα άρθρο στο «Lancet» όπου έμπειροι κλινικοί γιατροί που χρησιμοποιούν εργαλεία AI στη δουλειά τους αποδίδουν καλύτερα. Όταν όμως το εργαλείο AI αφαιρείται, ακόμη και ύστερα από μερικές εβδομάδες, η απόδοσή είναι πολύ χαμηλότερη και από εκείνη που είχαν προτού αποκτήσουν καν το εργαλείο. Άρα η πνευματική τεμπελιά δεν είναι φαινόμενο που εντοπίζεται μόνο στην εκπαίδευση αλλά και συνολικότερα.
Κάθε εργαλείο που έχουμε δώσει στους ανθρώπους έχει προκαλέσει κάποια μείωση των ικανοτήτων τους. Δεν θυμάμαι πια καθόλου αριθμούς τηλεφώνων, γιατί τους θυμάται το τηλέφωνό μου. Πολλοί άνθρωποι δεν ξέρουν πια να προσανατολίζονται, γιατί ακολουθούν το GPS. Οι αριθμομηχανές έκαναν τους περισσότερους ανθρώπους να ξεχάσουν πώς να κάνουν πράξεις.
Πιστεύω, λοιπόν, ότι πρώτα πρέπει να βεβαιωθούμε πως οι άνθρωποι καταλαβαίνουν τα βασικά. Με τον ίδιο τρόπο που πρώτα διδάσκουμε στα παιδιά βασική αριθμητική και μετά τους δίνουμε αριθμομηχανές, έτσι πρέπει να μαθαίνουμε στους γιατρούς πώς να αναγνωρίζουν π.χ. έναν όγκο, για να ξέρουν πότε το AI τους καθοδηγεί σωστά και πότε όχι. Πρέπει να διδάξεις στα παιδιά να δομούν τις σκέψεις τους και να γράφουν ένα δοκίμιο προτού επιτρέψεις ένα LLM να το κάνει για εκείνα.
Βέβαια, αντιλαμβάνεσαι ότι τελικά θα χρησιμοποιήσουν αυτά τα εργαλεία αργότερα, άρα είναι εξίσου σημαντικό να τα διδάξεις πώς να τα χρησιμοποιούν σωστά. Δεν μπορείς να πεις ότι απλώς θα απαγορεύσεις τη χρήση τους στα σχολεία, γιατί έτσι θα στείλεις τα παιδιά στον κόσμο χωρίς να τα έχεις εκπαιδεύσει σε κάτι που θα χρειαστεί να κάνουν στη διάρκεια της ζωής τους.
Αν ήμουν σήμερα καθηγήτρια, θα ξεκινούσα διδάσκοντας τους μαθητές πώς να κάνουν μια εργασία χωρίς το ΑΙ εργαλείο. Έπειτα θα τους έδινα και θα τους έδειχνα πώς να το χρησιμοποιούν όσο και πώς να αξιολογούν το αποτέλεσμά του. Το να κάνεις κάτι μόνος σου και το να χρησιμοποιείς το εργαλείο είναι δυο ικανότητες που δεν θα ’πρεπε να ανταγωνίζονται η μία την άλλη, αλλά να ενισχύονται αμοιβαία.
– Έχουμε την τάση να δίνουμε ανθρώπινα χαρακτηριστικά στο AI, ειδικά επειδή τα LLMs ακούγονται ανθρώπινα. Καθώς το AI γίνεται πιο ικανό στην επιστημονική έρευνα, τι παραμένει μοναδικά ανθρώπινο;
Σίγουρα ακούγονται ανθρώπινα, εκπαιδεύτηκαν άλλωστε με αυτό τον τρόπο. Αυτό δεν τα κάνει ανθρώπινα, συμβάλλει όμως στο να παίρνουν ανθρώπινα χαρακτηριστικά.
Τι είχε πει ο Yogi Berra; Είναι δύσκολο να κάνεις προβλέψεις, ειδικά για το μέλλον. Αυτό ισχύει ακόμη περισσότερο σήμερα, που το μέλλον αλλάζει μπροστά στα μάτια μας πολύ γρήγορα. Νομίζω ότι βρισκόμαστε σε έναν κόσμο όπου η ικανότητα να πραγματοποιείς οτιδήποτε σκέφτεσαι γίνεται ολοένα ευκολότερη. Αυτό δίνει πολύ μεγαλύτερη αξία στη διαδικασία του να αποφασίζεις με τι αξίζει πραγματικά να ασχοληθείς.
Αυτό που παραμένει μοναδικά ανθρώπινο είναι, πρώτα απ’ όλα, η δυνατότητα της φαντασίας να συλλαμβάνει κάτι που είναι αρκετά σημαντικό ώστε να αξίζει να δουλέψεις πάνω του. Έπειτα, η κριτική ικανότητα, να αποφασίζεις ποιο από τα εκατοντάδες πράγματα που θα μπορούσες να κάνεις, είναι απαραίτητο να κάνεις. Και, τέλος, η επιμονή. Ένα LLM δεν επιμένει. Το βάζεις σε μια κατεύθυνση και θα εκτελέσει αυτό που του λες. Ο άνθρωπος όμως είναι αυτός που πρέπει να αποφασίσει τι αξίζει να γίνει, και να επιμείνει σε αυτό παρά τη δυσκολία του.
Το άρθρο δημοσιεύθηκε στο δεύτερο τεύχος του WIRED Greece. Γίνε συνδρομητής εδώ.
