Nicholas Christakis: [00:00:05] Rendben, tehát az emberek társadalmi hálózatokba ágyazódnak, és ezek a hálózatok nagyon különleges matematikai, biológiai és társadalmi elveket követnek. És egyre inkább mesterséges intelligenciát adunk hozzá online ügynökök és fizikai robotok formájában, akik úgy lépnek kapcsolatba velünk, mintha társadalmi entitások lennének. Azok a típusú ügynökök, akiket hozzáadunk a rendszereinkhez, a vezető nélküli autóktól az üzletek pénztárgépeiig, a humánrobotoktól az otthonokban, gyárakban vagy csatatereken, tűzoltási helyzetekben, egészen a test nélküli autonóm ügynökökig, mint az online botok és digitális AI asszisztensek a telefonjainkban, szemüvegeinkben vagy munkahelyeinken. Ezek a technológiák úgy lépnek velünk kapcsolatba, mintha emberek lennének. És hibrid rendszerek kialakulásához vezetnek, amelyekben emberek és gépek együttműködnek. Ezek a rendszerek egy újfajta társadalmi mesterséges intelligencia lehetőségeit kínálják.
Most már hadd adjak egy egyszerű példát erre. Amikor kap egy digitális asszisztenst, például egy Alexát, a készülék gyártója nagyon aggódik az ember-gép interakció miatt. És ez az ember-gép interakció optimalizálva van. Például soha nem vásárolná meg az Alexát, ha minden alkalommal, amikor szüksége van valamire, azt kellene mondania, hogy elnézést, Alexa, nagyon sajnálom, hogy megzavarom. Ha nem bánja, mondaná nekem a szót? [00:01:35] időjárás holnap, ugye? Ezt egy abszurd udvariasság szintjének tekintenék. Elvárja, hogy azt mondhassa, hogy Alexa, időjárás, és akkor a gép engedelmesen válaszol. És ez rendben van, amíg be nem viszi azt a gépet a házába, és a gyermekei beszélni kezdenek azzal a géppel és megtanulnak udvariatlanok lenni. Aztán elmennek a játszótérre, és más gyermekekkel is udvariatlanok. Tehát az a gép, amely bekerült az életünkbe, nem csupán az ember-gép interakcióról szól, hanem az ember-ember interakciókról is a gépek jelenlétében. És tehát ami engem érdekel, az nem az, hogy mi van, hanem az ember-ember interakciók a gépek jelenlétében. Használhatjuk a társadalmi hálózat struktúrájának és működésének megértését arra, hogy felmérjük a társadalmi mesterséges intelligencia felhasználását és hatását az emberi csoportokon belül és azokra, figyelembe véve azokat a tényezőket, mint a bizalom és az együttműködés, amelyek szükségesek ahhoz, hogy az emberek csoportja együtt tudjon dolgozni, és amelyek hatással vannak ezeknek a közösségeknek a viselkedésére.
Hadd emeljem ki azokat a munkákat, amiket végzünk, uh, több megközelítést alkalmazva a hálózati kísérletek során, amelyek érintenek, uh, mesterséges intelligenciát. Ezek a kísérletek értékelik, hogy a mesterséges intelligencia hogyan befolyásolhatja az emberi társadalmi interakciók szerkezetét és működését. [00:02:45] Most van egy olyan csoportja a kollektív cselekvési problémáknak, amelyek társadalmi interakciókkal kapcsolatosak, és ezeket koordinációs problémáknak nevezzük. Ezek olyan problémák, amelyekben együtt kell működnünk, ha valami hasznosat szeretnénk létrehozni. Néha ezeket a problémákat központosított intézmények létrehozásával oldjuk meg, mint például a rendőrség, a bíróságok vagy a kormányok. De gyakran képesek vagyunk megoldani azokat a kollektív cselekvési problémákat, amelyek megkövetelik, hogy decentralizált módon koordináljunk vagy együttműködjünk nagy számú emberrel. Valójában erre a képességre fejlődtünk. És az egyik konkrét típusa a kollektív cselekvési problémának, amivel szeretném kezdeni a mai nap, valójában a koordináció.
Például ahhoz, hogy elkerüljük ezt a forgalmi dugót, az embereknek koordinálniuk kell, hogy valami eltérőt tegyenek a szomszédaikhoz képest. Tehát ha mindenki egyszerre indul el otthonról, mindenki forgalmi dugóba kerül. De ha, ha eltolják az indulási időpontjaikat, és intervallumokban indulnak, akkor senki sem lesz a forgalmi dugóban. Most persze lehetne egy központi hatóság, amely ezt koordinálja. Ti először indultok, aztán ti, aztán ti. [00:03:45] De ideális esetben azt szeretnéd, hogy valamilyen decentralizált, nem felülről lefelé irányuló módon koordinálják az emberek ezt a problémát.
Szóval ez volt az első kísérletünk, amelyet 2017-ben publikáltunk az ilyen hibrid rendszerekkel kapcsolatban, amelyek azt kutatták, hogy miként segíthet az AI egy ilyen kihívásban. Megvizsgáltuk azokat az emberi csoportok teljesítményét, akik egy koordinációs feladatban vettek részt. A paradigmánk az volt, hogy kölcsönvesszük a számítástechnikából egy problémát, amit graf színezési problémának neveznek. Ez egy klasszikus probléma a számítástechnikában. De amit tettünk, hogy ezt átültettük, és embereket helyeztünk ebbe a helyzetbe. Tehát 4.000 embert vettünk, és 230 online csoportba osztottuk őket. Ezeket az embereket beugrották ezekbe a csoportokba. Véletlenszerűen kerültek egy helyre egy mesterséges hálózatban, amit létrehoztunk, amelynek szerkezete nagyjából hasonlított a valós emberi hálózatokhoz. Ezekbe a helyekre kerültek és azt mondták nekik, hogy hármas színek egyikét kapták meg, [00:04:46] egy lila, narancs, lila, narancs és rózsaszín. Azt mondták nekik, hogy egy színt kell választaniuk, amely eltér a szomszédaikétól.
Öt percet kaptak arra, hogy ezt megtegyék. Tehát ezek az emberek körülnéztek a szomszédaiknál. Mindenki körülnézett, és azt mondták, hogy például, ez a srác itt rózsaszín. Látja, hogy van egy rózsaszín és egy narancssárga szomszédja. Amit tennie kell, az az, hogy átvált a lila színre. A piros vonalak jelezik a színkonfliktusokat. Más szóval, ha a szomszédos csomópontok két színe ugyanaz, piros vonalat kapnak. A háttérben lévő lila vonalak a társadalmi interakciók szerkezetét jelzik. Tehát az embereket ide helyezed. Minden másodpercben vagy másfél másodpercben körülnéznek a szomszédaiknál. Olyan váltást hajtanak végre, amely összhangban van azzal a céllal, hogy mindenkinek olyan színt kell választania, amely eltér a szomszédaiétól az elkövetkező öt percben. És ha ezt megteszik, akkor csak akkor fognak fizetni nekik. Fizetek nektek, hogy együttműködjetek. Ha mindannyian decentralizált módon dolgoztok együtt a probléma megoldásán, mindannyian kapni fogtok. Különben nem kaptok semmit, rendben? Tehát így zajlik ez a kísérlet. Itt az x-tengelyen az idő másodpercekben van, egészen az ötperces jelzésig. [00:05:47] A játék öt percig tart, itt valahol lent. Itt pedig az y-tengelyen a célfüggvény vagy a színkonfliktusok száma van. Tehát itt az elején 12 színkonfliktus van. Véletlenszerűen kapták az inicializáló színeiket. Ezt az apró hisztogramon látható. Tehát az emberek elkezdik körülnézni és váltani a színeiket. Tudod, váltanak, és váltanak. Eljutnak erre a pontra, ahol már elérték azt a helyzetet, amiben színkonfliktus van e két ember között. Ez a konfliktus azonban egy úgynevezett megoldhatatlan konfliktus. Tehát a világos narancssárga vonalak megoldható konfliktusok. Ez a srác itt léphet egyet a lilára, amely megoldja a konfliktust. De ezek a narancssárgák, nincsen olyan lépésük, amely csökkentené a színkonfliktusok számát a szomszédságukban, igaz? Ez a srác nem válthat lila színre, mert valójában, ha lila színre vált, több konfliktusa lesz. Négy lila szomszédja van. És nem válthat rózsaszínre, mert két rózsaszín szomszédja van. Tehát ránéz, és azt mondja, hogy a legkevesebb konfliktusom az, ha csak narancssárga maradok. Tehát most ez a csoport megrekedt, igaz? [00:06:49] Van egy megoldhatatlan konfliktusuk, és semmi sem történhet. Nincs előrelépés a kollektív cselekvési probléma megoldásában, amíg egyikük nem tesz egy ellentmondásos lépést, át nem vált lila vagy rózsaszín színre, és ideiglenesen növeli a konfliktusokat. És pontosan ez történik. Aztán telik az idő, és az emberek 245 másodperc után megoldják a problémát. A gép észleli a megoldást, megállítja a játékot, és kifizeti őket, rendben?
Most azért, mert ügyesek voltunk, amit tettünk, az az volt, hogy kísérleteket végeztünk, ahol titokban néhány embert robotokkal helyettesítettünk. És értékeltük, hogy az AI-val rendelkező robotok hozzáadása hogyan befolyásolta a hibrid rendszer csoportos teljesítményét. Lehetséges robotokat hozzáadni az emberi csoportokhoz és javítani a koordinációs képességüket ilyen kihívásokkal szemben? Amit tettünk, az az, hogy három robotot adtunk hozzá, és két tengelyen kísérletileg változtattunk. Ahol a robotokat elhelyeztük, ahol véletlenszerűen belepottyantak a hálózatba, ahol a [00:07:51] a hálózat középpontjába helyeztük őket, vagy ahol a hálózat perifériájára. És véletlenszerűen manipuláltuk az AI kapacitásukat itt egy nagyon triviális és egyszerű módon. Nevezetesen, manipuláltuk, hogy a robotok tökéletesen vagy egy kis zajjal cselekedjenek.
A tökéletes helyzetben másfél másodpercenként a robotok körülnéztek a szomszédaiknál, és kiválasztották azt a színt, amelynek a legkevesebb konfliktusa volt a szomszédaikkal. Amit irracionális viselkedésnek gondolhat. A 10%-os zajhelyzetben ezt megtették, de az idő 10%-ában véletlenszerű színt választottak. A 30%-os zajhelyzetben ezt megtették, de az idő 30%-ában véletlenszerű színt választottak. Tehát így a robotokat, mondjuk, egyre hibázóbbá, egyre zajosabbá tettük.
Aztán megnéztük, volt, gondolom, valami hasonlónk, kezdjük egy kontrollgroup-pal. Az x-tengelyen az időt ábrázoltuk, ezek pedig a túlélési görbék. Az y-tengelyen az a valószínűség szerepel, hogy a csoport egészének nem sikerült megoldania a koordinációs játékot. Tehát itt, ha itt megnézed, például az elején, idő nullakor, a [00:08:51] 100%-a az egyetlen emberi csoportok, az azon ülések, ahol csak emberek vannak, narancssárga. Az elején a 100%-a az emberi csoportoknak nem oldotta meg a játékot. Aztán, ahogy telik az idő, egyre több emberi csoport oldja meg a játékot, így az öt perc végére talán a 60%-a az emberi csoportoknak megoldotta a játékot.
Nos, ami történik, az az, hogy ha 10% zajos botot helyezünk a hálózat központi pozíciójába, akkor észlelhetően javul a teljesítmény. Itt lényegesen több csoport embere volt képes megoldani a problémát, amikor a középre elhelyezett, kicsit zajos botok hozzáadásra kerültek. Valójában a megoldási középérték időt 232 másodpercről 103 másodpercre csökkentették. És ezekben az adatokban más megállapítások is vannak. A tökéletes botok és a túlzottan zajos botok mindkettő haszontalan volt. Szükség volt némi kalibrálásra. A legsegítőkészebb a 10% zajos bot volt. Emellett a botok pozíciójának is volt hatása. De ami a legfontosabb, ezekben a kísérletekben azt is felfedeztük, hogy azok az emberek, akik nem kapcsolódtak a botokhoz, [00:09:52] akik távolabb voltak a hálózatban. Tehát a grafikonokban voltak olyan emberek, akik kapcsolódtak a botokhoz, és voltak mások, akik nem. Azt találtuk, hogy még ezek az emberek is elkezdték megváltoztatni, ahogyan játszottak. Tehát volt egy hullámeffektus, egy láncreakció. A bot és az emberek közötti interakció előnyei átszívták a hálózatot, és elkezdtek hatni az ember-ember interakciókra, minél távolabb a hálózaton belül. Más szavakkal, a botok segítettek az embereknek, hogy magukra segítsenek, és a zaj előnyei eloszlottak ezen a szociális rendszeren belül.
Most hadd elmondjam, hogy az egyszerű AI ügynökök hogyan segíthetnek a közös kihívás megértésében egy másik analógiával. Képzelj el egy síkot. Ez olyan, mint a gradiens csökkenés a gépi tanulásban például. Van egy sík, dombokkal és egy heggyel. Különböző dombok vannak, rendben, különböző magasságokkal. És van egy hegy, ami nagyon magasan van, ez a legmagasabb hegy. Tehát leejtem, négy embert fogok választani, és valahol itt leejtem őket, és összekötöm a kezüket, mindannyian különböző égtájakra nézve, [00:10:54] és bekötöm a szemüket. Azt fogom mondani, hogy keressétek meg a legmagasabb hegyet. Szóval ti beszélgessetek egymással, és azt mondjátok, miért nem lépünk mindannyian egyet a saját irányunkba, és visszajelzünk a csapatnak? Tehát lépsz egyet északi irányba, és mondod, hogy itt felfelé megy. Délről azt mondják, hogy lefelé megy. Kelet és nyugat azt mondja, hogy vízszintesen van itt. Tehát mindannyian egyetértenek, hogy lépjünk egyet északra. És folytatjátok ezt iteratívan, amíg el nem értek egy olyan pontra, amikor mindannyian azt mondjátok, hogy itt lefelé megy.
Megtaláltátok a legmagasabb hegyet? Nem. (...) Mit tettetek? Megtaláltátok a legközelebbi dombot.
Most már soha nem fogod megtalálni a legmagasabb hegyet? Nem. Soha nem fogod megtalálni a legmagasabb hegyet. Meg vagy ragadva. Helyileg optimalizált vagy, de globálisan aluloptimalizált. Ahhoz, hogy globálisan optimalizálj, szükséged van egy kis zajra. Néha meg kell engedni, hogy ez a csoport ellentétes lépést tegyen le a hegyről vagy le a dombon. Szóval néha véletlenül egy lépésekből álló sorozaton mennek keresztül, amíg vissza nem kerülnek a síkhoz. Aztán körbejárják ezt a fitnesz tájat, felfedezve az összes csúcsot, amíg végül ezen a csúcson kötnek ki. [00:11:56] És ez a magas csúcs, a globális optimum, általában egy fogadó állapot, mert sokkal több zaj szükséges ahhoz, hogy lejuss a csúcsról, mint a többi csúcsról. És most így ingadozol a globális optimum körül. Tehát a munkánk során ezt a fajta egyszerű programozást vizsgáltuk beillesztve a társadalmi rendszerekbe, hogy lássuk, tudjuk-e javítani az emberek teljesítményét különböző típusú kollektív cselekvési problémák kezelésében.
Most egy másik kollektív cselekvési probléma egy másik kihívást jelent, amely az együttműködés, nem pedig a koordináció. Az embereknek gyakran együtt kell működniük ahhoz, hogy előállítsák azt, amit közjavaként ismerünk. A világítótorony a közjó klasszikus példái közé tartozik. A közjónak két klasszikus jellemzője van. Először is, az úgynevezett nem kizárható. Ez azt jelenti, hogy más embereket nem lehet megakadályozni a használatában. Ha egy világítótornyot építesz saját személyes érdekedből, mert navigálsz a tengeren, és nem akarsz a partra zúgni, ez nagyszerű neked, de nem tudod megakadályozni, hogy mások használják, rendben? Nem kizárható. [00:12:58] És emellett nem rivalizáló. Ez azt jelenti, hogy az egyik személy általi fogyasztás nem csökkenti a mások általi fogyasztást. Ha én használom a világítótorony fényét, akkor nincs kevesebb fény számodra. Ez nem olyan, mint például egy szelet torta. Ha van egy szelet tortám, az az enyém, igaz? Megakadályozhatom, hogy megejed. És ha megeszem, akkor már nincs belőle számodra, rendben? Tehát a közjónak ezek a jellemzői vannak, és ezek a jellemzők teszik nagyon nehézzé a közjavak előállítását. Mert amikor világítótornyot kell építeni, nagyon csábító, hogy szembesítsd az egyéni érdekeidet a csoportokkal. Ha nem járulsz hozzá a világítótorony építéséhez, akkor is profitálhatsz belőle. Így mindenkit csábít az, hogy ne tegyen semmit, és akkor a világítótorony nem épül meg, ami mindenkinek árt. Érdemes hangsúlyozni, hogy a közjavak hasznosak, mert valójában dolgokat is lehet velük előállítani, például biztonságos tengeri utazást. Így a közjavak alulszínezése komoly probléma a társadalmunkban, amit már a köz legnagyobb tragédiájaként is ismernek. Ezek a közjavak, például a bizalmi normák, amelyeket fenntartunk egymás között, hatékonyak. [00:14:01] Gondolj arra, amikor középiskolába jártál. Néhányan olyan középiskolába jártatok, ahol a diákok bíztak egymásban, és ez azt jelentette, hogy otthagyhattad a hátizsákjaidat a folyosón, anélkül, hogy aggódnod kellett volna, hogy bárki is ellopja őket. Mások olyan középiskolákba jártak, ahol nem voltak ugyanazok a bizalmi normák, és most zárni kellett a hátizsákodat, vagy mindig veled kellett tartanod. Melyik ezek közül a két környezet közül gondolod, hogy jobb tanulást biztosítana? Igaz? Az előbbi környezet. Tehát az a norma, amelyet közösen tartanak fenn, termelőképes. Ebben az esetben a tanulás termelőképes. Itt biztonságos tengeri utazást termel és így tovább.
A közösségi együttműködés emberi csoportokban a közjavak előállításához kihívásokkal teli, és különféle mechanizmusokra van szükség annak fenntartásához. Számos kísérletet végeztünk, amelyek során embereket helyeztünk különböző hálózati csoportokba, és arra kértük őket, hogy különböző közjavak játékaiban vegyenek részt szomszédaikkal, manipulálva sok struktúrális és egyéb jellemzőt az évek során. Például évekkel ezelőtt kezdtünk egy kísérletet, amelyben az embereket egy ilyen hálózatba helyezték. Bemutatták őket szomszédaiknak, és egy közjavak játékát játszották, például a viselkedési közgazdaságtanból, [00:15:03], ahol egy kis pénzt adhattam minden szomszédomnak. Mint például, felveszek egy dollárt, és elosztom a szomszédaim között. Aztán a tudósok megduplázzák a dollárt. Mondjuk, négy szomszédom van. Mondjuk, három szomszédom van, és egy dollárt adok a csoportnak. Az két dollárrá válik. A két dollárt négyünk között osztják el. Így az egész csoport két dollárnyi vagyont nyer, de én csak 50 centet kapok vissza. A kettő négyre osztva 50 centet kapok. Tehát áldozatot kell hoznom mások javára. Természetesen mindenki azt mondja, hogy nem akar áldozatot hozni. Hadd adja a pénzt minden más hülye. Én nem adok semmit, és remélem, hogy mások hozzájárulnak. De persze, ha mindenki ezt teszi, akkor újra összeomlik a rendszer. A legjobb viselkedés az, ha mindenki maximálisan hozzájárul. Tehát itt ebben a helyzetben elindítjuk a játékot. A kék pontok, a kék emberek a kedves, együttműködő emberek. Maximálisan adnak a szomszédaiknak, és közjavakat hoznak létre, mint például a világítótorony építése. A piros pontok pedig a kizsákmányolók, akik nem járulnak hozzá, amit elhagyóknak is neveznek. A kísérlet során azt tapasztaltuk, hogy reprodukáljuk a 30 éve ismert eredményt, [00:16:03], amely szerint az együttműködés összeomlik a csoportokban. A játék végére, több kör után, szinte mindenki elhagyóvá válik, kivéve ezeket a kis kék embereket itt az oldalon, akik életben tartják a civilizációt, tudod, egymás között. Emlékezhetsz arra a helyzetre, amikor a tudományos tanárod négyeteket megbízott egy csoportos projekttel, és ugyanazt az osztályzatot kaptátok. Tehát kaptál három másik vesztest. Most két lehetőséged van. Vagy te végzed el az összes munkát, és ők is A-t kapnak, mert te A-t akarsz. Vagy azt mondod, hogy ez nevetséges. Nem akarom, hogy ezek a lusták a kemény munkámból részesüljenek. És azt mondod, hogy én sem csinálok semmit, és mindannyian F-t kaptok, igaz? Ez egy szörnyű dilemma. Nos, ami itt történik, az az, hogy az emberek végül az utóbbi lehetőséget választják. Mindannyian azt választják, hogy F-t kapjanak, mert nem akarnak hülyék lenni, akik folyamatosan hozzájárulnak. Tehát az együttműködés általában összeomlik a társadalmi rendszerekben. De amit tettünk, az az, hogy újra, különböző típusú botokat adtunk a rendszerhez. Olyan botokat adtunk hozzá, amelyek nagyon egyszerű A-val rendelkeztek. [00:17:05] Ezek a botok olyanok voltak, mint a kis házassági brókerek. Szociális interakciókat közvetítettek. Megnézték a helyi környezetükben, hogy ki interakciózik kivel, és javaslatokat tettek az embereknek a rendszerben. Tudod mit? Ki kellene lépned azzal az elhagyóval, aki kihasznál téged, és kötnöd kellene egy kapcsolatot ezzel a kedves srácra itt a közelben. Ez a finom átkötési tanács csak helyi tudásra alapozva működik. Nincs tanár, aki arra utasítaná az embereket, hogy legyenek kedvesek. Nincs rendőrség. Nincs bíróság. Nincs központosított hatalom, amely ezt végrehajtja. Csak helyi tudásra alapozva azt tapasztaltuk, hogy ezek a botok a 64 csoportban és több mint 1,000 ember kísérleteiben nemcsak stabilizálni tudták az együttműködést, hanem először olyan eredményt is mutattunk, hogy az együttműködés a bázis szintről valódi mértékben növekedhetett, amikor ezeket a típusú botokat hozzáadták. A DeepMind ezt követően megismételte az eredményeinket és kiterjesztette azokat egy másik cikkre, amely körülbelül egy évvel vagy két évvel később jelent meg, mint ez.
Most már egy újabb kísérlet keretében felfedeztük, hogyan befolyásolhatják a botok a csoportos kreativitást. [00:18:07] mert új ötleteket találni nehéz. A théoria és a kísérletek azt sugallják, hogy a csoportok jobban képesek az innovációk azonosítására és megőrzésére, mint az egyének, mivel megosztják felfedezéseiket.
De a csoportokban belüli innováció saját kihívásaival néz szembe, például a csoportgondolkodással. Igaz? Ha összehozol egy csoport embert, előfordulhat, hogy korán egy aluloptimalizált ötletre konvergálnak.
Vagy képzeld el, hogy egy csoport embernek közösen nagyobb bölcsessége lehet, képesek lehetnek több ötletet kidolgozni. Például, ha adsz egy csoport embernek feladatot arra, hogy tökéletesítsenek egy horgászbotot, tudod, az első ember azt mondhatja, hogy miért ne tennénk egy horog a zsinór végére? Aztán a személy, aki a horoggal tartja a zsinórt, mondja, miért ne tennénk rá egy bottal? Ó, ez egy nagyszerű ötlet. Tehát ötvözik tudásukat, és ezt megteszik. Aztán valaki azt mondja, hogy a csali a horoggal a felszínen úszik. Adjunk hozzá egy hullámot, hogy lemenjen. Nos, most túl mélyre megy. Mi lenne, ha adnánk hozzá egy úszót, hogy tudjuk, hol van, és így tovább. És az emberek innoválnak, megosztják egymással a tudást, megőrzik a tudást az idő folyamán, [00:19:08] és megkapod ezeket a kulturális műtárgyakat, amelyek több ember ötleteinek és kreativitásának a közös termékei.
Tehát szerettük volna létrehozni azt a játékot, amelyben emberek csoportjai keresnek egy tájat az optimális ötletért. És úgy döntöttünk, hogy a főneveket használjuk az ötletek helyettesítőjeként. 20 000 főnevet vettünk a klasszikus számítástudományi szó-vektor korpuszból. Tehát 20 000 főnevet használtunk. A köztük lévő távolságot a koszinuszos hasonlóság mérőszám határozhatja meg. Elképzelheted, hogy egy hiperdimenzionális vektortérben a macska hasonlóbban áll a kutyához, mint az íróasztalhoz. És ahogyan ezt tették, az az volt, hogy megnézték, a macska és a kutya milyen gyakran fordulnak elő együtt a weboldalakon. Tehát volt egy világegyetem a weboldalakból és a 20 000 főnévből. Azt mondták, hogy ez a két főnév gyakran együtt fordul elő, míg ezek a másik két főnév nem gyakran. Létrehoztak egy 300 dimenziós vektorteret. [00:20:08] És most leírhatod, hogy mennyire hasonló bármely két főnév. Úgy döntöttünk, hogy a főneveket használjuk ötletek helyettesítőjeként. Elvettük ezeket a 20 000 főnevet. Aztán kiválasztottunk egy főnév halmazt. Képzeld el, hogy egy főnevet választottunk, de egy halmazt választottunk. Egy véletlenszerű főnevet az összes közül, például a braggadocio egy főnév volt. Tehát kiválasztottuk a braggadocio-t. Azt mondjuk, hogy ez az a tökéletes ötlet, amit szeretnénk, hogy ez a csoport embereket megtaláljon. Aztán az összes főnév, ami közel van a braggadocio-hoz, eltávolodik ebben a vektortérben. Tehát van egy csúcs főnév, amely a legmagasabb pontszámot kapja, 20 000 pontot, és az összes többi főnév a legnagyobb távolságra lévő főnevek. És emberi lényeket helyeztünk ebbe a rendszerbe, és azt mondtuk, hogy találjátok meg ezt a szót. Nem mondtuk el nekik a szót. Aztán elmondtuk nekik a szavak pontértékét. Tehát kezdtek találgatni. Ahogy találgattak, visszajelzést kaptak. Azt mondják, hogy ez a szó több pontot ér, mint egy másik szó. Egyre közelebb kerülnek, és elkezdik megosztani a tudást egymással. Kreatívak próbálnak lenni a probléma megoldására.
Tehát minden főnév másokkal kapcsolódik egy szemantikai térben vagy egy illeszkedő tájban. [00:21:10] 18 különböző célnévvel dolgoztunk, mintha egy csúcsot húztunk volna fel ezekből a 20,000 főnévből 18 különböző helyszínen 18 különböző tájban. Ezek a főnevek szándékosan szokatlanok voltak, mint a testvérgyilkosság, cipőkanál, szarkóma, térképészet, és így tovább. Ezután kísérleteket végeztünk különféle feltételek mellett, ahol az emberek egyedül próbálták navigálni a tájat, ahol az emberek csoportokban dolgoztak együtt a táj navigálásán, vagy ahol az emberek csoportokban voltak, de néhány bot is ott volt, amely megpróbált segíteni nekik kreatívnak lenni. A botok jól működtek, mert információt tudtak átkonvertálni a hálózat egyik régiójából a másikba, kommunikálva egymással. Például a második számú bot át tudta adni a szót ég vagy autó az első számú botnak. Íme egy hálózati példa.
Az embereket beengedjük. A négyzetpontok robotok. Ennek a botnak négy interakciója van, és ennek a botnak van, nem tudom, hat vagy hét interakciója. Az emberek az elején találgatni kezdenek. [00:22:12] Az első fordulóban egyáltalán nincs alapjuk a találgathatáshoz. Ők az eget, autót, nyuszit, patkányt, kutyát, macskát, íróasztalt találgatnak. Mintha megkérdeznélek benneteket, válasszatok egy főnevet, hogy találgassatok, ti is házat, napot, hónapot, macskát vagy kutyát vagy valami kis tipikus főnevet választanátok. És most megmondják nekik a pontértéket, hogy mennyire hasonló a patkány, kutya, macska, íróasztal stb. a szarkómához. Azt is mondják nekik, hogy ezeknek a főneveknek mi a pontértéke a célnévhez, ami szarkóma. Aztán ezeket a pontértékeket bejelentik nekik. Aztán ez a bot megnézheti az emberek körüli pontértékeket, és vagy véletlenszerű választ adhat ennek a botnak, vagy a legmagasabb vagy a legalacsonyabb pontértéket, egyfajta hátsó bejáraton információt áramoltatva egy problémát megoldani próbáló csoport egyik régiójából a másikba. Nézzünk meg néhány példát, hogy tisztázzuk ezt, mert ez nehezen érthető lehet. Az emberek körülbelül 25 kört játszottak ezzel a játékkal. És itt van a koszinusz hasonlóság egy célnévvel, amely a fratricide szó. Rendben, tehát 20 000 főnév van. [00:23:13] A fratricide 20 000 pontot ér. A többi szó más pontokat. Itt van egy egyedülálló személy, aki saját magában találgat. Az első tippje bite. Megmondják neki, mennyire hasonló a bite a fratricide-hoz. A következő tippje születés. Nagy ugrást kap a koszinusz hasonlóságban, mert elképzelheted, hogy a születés szó közelebb van a fratricide-hoz, mint a bite. Rendben? Aztán megtippeli. A következő tipp a pénz. Az rosszabb. Aztán a majom. Az még rosszabb. Ellenőrzik. Elvégzik az ésszerűsítést. Megpróbálják a születést, ismét ugor egyet. Aztán kipróbálják a babát. Ez nem rossz tipp. Születés a baba számára. De a baba messzebb viszi őt a fratricide-tól. Aztán hölgy és így tovább. Navigálnak. Tovább találgatnak. És a végére nem jutnak közel a fratricide-hoz. Most egy másik helyzetben egy csoport ember van, de nincsenek robotok. És most az emberek, a saját találgásaik mellett, látják a körülöttük lévők tippjeit, és építhetnek mások ötleteire. Rendben? Készítve. Mint halászbottal együtt készíteni. [00:24:13] Szóval ez az ember, az első tippje kutya. De a következő tippje pajzs. Láthatod, hogy a pajzs közelebb van a fratricide-hoz, mint a kutya. És ez az ember találgat és találgat, és észrevételeket kap a szomszédaitól. A végén egyre közelebb kerül. A szó, amit végül kap, az ellenség. Rendben? Valójában a katona volt a legjobb tippje. A legmagasabb pontértékkel rendelkezett a pályafutása alatt.
Tehát miért számítanak a botok hozzáadása? Ez megint csak a eredmények összefoglalóját mutatja. Az x tengely a kör. Az y tengely a koszinusz hasonlóság átlaga ebben a hiper-dimenzionális vektortérben, ami a csoport teljesítményének mérése. Itt van egy csoport ember, akik cselekednek, egyedül tippelnek. Szóval az emberek, akik egyedül tippelnek, nem teljesítenek túl jól, igaz? Az, hogy valahogy, vagy, tudod, minden egyes embernek milyen veleszületett képessége van, csak a véletlenen múlik. Kicsit jobban teljesítenek az idő múlásával, közelebb kerülve. Az összes csoport jobban teljesít a szólókkal szemben. Ez egy régi eredmény, amely ismert. Egy csoport embere kreatívabb, mint egy hasonló méretű egyéni gyakorlók halmaza. De amit felfedezünk az az, hogy ha hozzáadjuk a legjobban hasonló botot, amely megnézte a szomszédait, [00:25:17] és felfedezte, mi a helyi konszenzus itt? Úgy tűnik, az embereim azt gondolják, hogy ez egy jó szó. És aztán továbbítja egy távoli hálózati részhez. Ez a bot lényegesen javította a csoport teljesítményét, hogy felfedezzék. Képzeljétek el, hogyan működhet ez mérnökök csoportjában, vagy bármilyen más tudásmunkás körében. Hogyan tudod hatékonyan elosztani a tudást, elkerülve a csoportgondolkodást és elősegítve a kreativitást, olyan botok tervezésével, amelyek segítik az embereket, hogy segítsenek magukon. A bot itt nem rendelkezik aggyal. Nem, önmagában javasol ötleteket. Csak segít az embereknek, hogy terjesszék az ötleteket egymás között.
Tehát az egyszerű AI ügynökök, akik értelmes viselkedéssel rendelkeznek, javíthatják a kreatív felfedezés képességét az emberi csoportokban azáltal, hogy megosszák azokat az ötleteket, amelyekről helyi konszenzus van a csoport egy részében, a csoport távoli részén lévő emberekkel. Ennek eredményeként a csoport jobban teljesíthet.
Most már a fizikai rendszerekkel is kezdtünk kísérletezni. Humanoid és nem humanoid robotokat [00:26:19] is hozzáadtunk, amelyek egyszerű mesterséges intelligenciával bírnak, hogy segítsenek az emberek csoportjainak együttműködni, áthidalva a zökkenőket vagy a kommunikációs nehézségeket. Az egyik kedvenc példám ehhez egy kísérlet, amit a korábbi hallgatómmal, Maggie Traegerrel végeztem, aki itt van hátul és most a Notre Dame egyetemen oktató. Ez a kísérlet arról szólt, hogy három igazi embert hoztunk be a laborba és egy humanoid robotot. Készítettünk egy kis játékot, egy kis vasúti pályás játékot, amelyet táblagépen játszottak, és ennek a csoportnak a feladata az volt, hogy vasúti pályát fektessenek le A ponttól B pontig, mint a kis Thomas, a gőzmozdony vasútjai. Adtunk nekik néhány darabot, amiből választhattak a táblagépen, például egyenes és íves darabokat. De időnként úgy alakítottuk a helyzetet, hogy bár látszólag keveredtek a darabok, és elvileg el kellett volna jutniuk A-tól B-ig, ördögi módon terveztük meg, hogy nem volt elég ív ahhoz, hogy eljussanak A-ból B-be. [00:27:21] Tehát nem tudták ezt megoldani. Nem tudták a problémát megoldani, anélkül, hogy tudtak volna róla. Rendben? Tehát először mindenki váltottak egy darab sín lefektetésével, aztán a következő személy és a következő. Együtt dolgoztak, hogy összekapcsolják A pontot B ponttal a táblagépeiken.
Amit ebben kísérletben tettünk, az az, hogy manipuláltuk a helyzetet, és 30 körön keresztül játszottak ezzel a játékkal ebben a virtuális világban, és 51 csoportra osztottuk őket. Manipuláltuk a robotok beszélgetési stílusát, különösen, hogy a robot kifejezte-e a sebezhetőséget egy hiba beismerésével. Tehát a robot azt mondta, tudod, hibáztam. Vagy hogy a robot apai vicceket mesélt. Feltételezem, mindenki tudja, mi az apai vicc. Rendben. Tehát azt is megkértük, hogy a robot meséljen; egyébként ez egy kulturális univerzális, mint például az Amazonas dzsungelében az antropológusok a helyi népeket vizsgálták, és az apák ott is mesélnek apai vicceket. A gyerekek pedig azt mondják: nem hiszem el apáim bolond vicceit. De mindegy, és valójában van egy elmélet arról, hogy az apai viccek mitől is “keményítik fel” a gyerekeket egyfajta módon. Ez egy elmélet. De mindegy, ez egy teljesen más téma. Mindegy, a robotjaink apai vicceket meséltek vagy kifejezték a sebezhetőséget. [00:28:21] És ami minket érdekelt, az az volt, hogy vajon a robot beszédében bekövetkező változások nemcsak azt befolyásolják-e, hogy az emberek hogyan lépnek interakcióba a robotokkal, hanem azt is, hogy az emberek hogyan lépnek interakcióba egymással. És ismét csak, ez lehetőséget ad a társadalmi interakciók módosítására mesterséges ügynökök bevezetésével az emberek és gépek hibrid rendszereibe.
Íme egy kis példa, oh, és nem mondtam el nektek az eredményeket. Szóval itt van, itt van, amikor van, szóval ezek, ezeknek a vonalaknak a vastagsága, beállítottunk videokamerákat, hogy figyeljük, ki beszél kivel és mennyit beszélnek. És ezeknek a vonalaknak a vastagsága azt jelzi, hogy mennyit beszél kettő a egyessel, és így tovább. Szóval az egyes számú személy nem beszél túl sokat a robotnak. Ez egy vékony vonal. És amikor semleges robotokat használtatok, ezt a mintát kaptuk. De amikor a sebezhető robot volt, minden vonal vastagabb lett, és kiegyenlítődtek. Tehát megállapítottuk, hogy a sebezhető robot növelte az emberek közötti beszéd egyenlőségét, növelte az emberek közötti beszéd hangerejét, és valójában, különálló eredmények szerint, [00:29:22] növelte az emberek elégedettségét ilyen környezetben.
És itt van egy részlet két különböző körből, amely bemutatja, hogy a robot először semleges módon beszél, passzív hangban, ami nem hat nagy mértékben az emberi kommunikációra. A robot azt mondja, nagyon Reagan-stílusban, hogy hibát követtek el.
De a következő körben a robot azt mondja, hogy hibát követtem el. És csak nézd meg, mi történik itt. Nézzük, sikerül-e ezt működésbe hozni. (25 másodperces szünet) Szóval sok-sok futáson keresztül ezt a mintát találjuk. Tehát egy egyszerű manipuláció, a robot beszédminta egyszerű manipulációja megváltoztatja, hogyan lépnek interakcióba egymással az emberek. [00:30:25] És nem hinném, hogy sokáig kellene elképzelni, hogy az egész módszer, ahogy a chatrobotjainkat és mindent más tervezünk, hogyan befolyásolhatja nemcsak az Alexa példát, amit az elején megadtam, hanem azt is, hogyan bánunk egymással. Az emberek láthatóan jobban megbíznak egymásban, és élvezik ezt a helyzetet.
Most itt még mindig, és úgy gondolom, ez az utolsó kísérlet, amit meg fogok mutatni, aztán befejezem egy másik kísérlettel. Kifejlesztettünk egy új cyber-fizikai platformot, hogy teszteljük az egyszerű AI típusok társadalmi és etikai hatásait. Mivel a kollektív cselekvési problémák természeténél fogva az AI bevonása az emberi csoportokba paradox módon és akaratlanul is elnyomhatja a meglévő kedvező társadalmi normákat, mint például az együttműködés és az önzetlenség, amelyeket fajként fejlődtünk ki. Szóval több száz ezer éves természetes kiválasztás dolgozik rajtunk, hogy képesek legyünk megoldani a kollektív cselekvési problémákat. Tehát a kérdés az, ha egy részesedést delegálunk gépeknek, elveszítjük a képességünket arra, hogy együtt dolgozzunk ezeknek a problémáknak a megoldásán? [00:31:32] Rá fogunk-e támaszkodni ezekre a gépekre, és így most degradáljuk a velünk született együttműködési és koordinációs képességünket, és így tovább? Tehát ebben a kísérletben, Hiro Shirato-val a CMU-n, egy másik volt hallgatómmal, egy platformot építettünk, amely magában foglalta két kis Raspberry Pi-al felszerelt mechanikus járművet, és összekötöttük azt egy olyan szoftverrel, amely lehetővé teszi számunkra, hogy online kísérleteket végezzünk hatalmas méretben. Az emberek otthon voltak, és ezek közül az autók közül egyet kaptak, és ezeket az autókat egymás felé vezették.
és megértettük, hogy játsszák a csirke játékot. A csirkében, tudod, aki a leggyorsabban átér a másik oldalra, az nyer. Szóval az ösztönöz arra, hogy ne engedj a másiknak. De ha mindketten úgy döntenek, hogy nem engednek, akkor összecsapnak, és mindketten a legrosszabb kifizetést kapják. Szóval mit tennének az emberek ebben a helyzetben, ha egy iterált csirkejátékot játszanak, az az, hogy gyorsan megtanulnák, hogy felváltva menjenek. Most te következik, hogy egyenesen keresztül menj, én félrehúzódok, hogy átmehess, de legközelebb te húzódj félre, és hagyd, hogy én menjek egyenesen át. [00:32:35] Ha önzők vagyunk, folyamatosan ütközünk egymással, mint akik folyamatosan tönkreteszik egymást, vagy ostobán mindketten letérünk, és egyikünk sem élvezi az egyenes haladást. Szóval ebben a helyzetben a sárga autó úgy dönt, hogy félrehúzódik, a kék autó pedig zavartalanul halad tovább az útján a másik oldal felé.
300 résztvevőt és 150 párt használtunk, és az illetők a másik oldalra való gyors eljutásuk alapján kaptak fizetést. Aztán hozzáadtunk egy kis mesterséges intelligenciát. Bevezettünk automatikus fékasszisztenst, ahol, amikor közelségi riasztást kaptál, hogy közel vagy a másik autóhoz, az fékezett, és lehetőséget adott arra, hogy eldöntsd, hogy áthúzod magad, és átengeded a másik embert, vagy fordítva. Vagy bevezettünk automatikus kormányzási asszisztenst, ami azt jelenti, hogy amikor közel került a másik autóhoz, egyszerűen kikerült, rendben? És bevezettünk egy minimális kommunikációs funkciót, ahol az emberek mondhatták, hogy köszönöm, vagy ilyesmi. Csak nagyon minimális kommunikáció. Először azt mutattuk, hogy az automatikus fékasszisztens, ahol az autók egy fix távolságra megállnak a ütközéstől, növelte az emberek altruizmusát. [00:33:38] Azaz, az utat átengedni másoknak, ahogyan a sárga autó itt teszi. Tehát az automatikus fékasszisztens AI hozzáadása megkönnyítette az emberek számára, hogy együttműködjenek a helyzetben. Továbbá, az emberek közötti kommunikáció lehetősége tovább segítette őket, hogy kölcsönös engedményeket tegyenek az automatikus fékezés körülményei között. Másrészt az automatikus kormányzási asszisztens, ahol az autó egyszerűen kikerült, teljesen gátolta a kölcsönösség megjelenését az emberek között, a saját érdek maximalizálása érdekében. Az emberek egyszerűen lemondtak morális ügynökségükről. Már nem erőlködnek. Csak hagyják, hogy a gép folyamatosan kikerüljön, és feladják, rendben? Tehát minden veleszületett etikai képesség, amellyel az emberek rendelkeztek, most eltűnt az automatikus kormányzási körülmények miatt, de fokozódott az automatikus fékezési körülmények között. És ez is elgondolkodtató kellene, hogy legyen számodra. Gondolkodnod kell, ó, Istenem, minden egyes dolgot, amit teszünk, amikor ezeket az AI ügynököket programozzuk, jón vagy rossz hatással lehet az emberek természetes hajlandóságaira.
Az emberek képessége az együttműködésre, a sorban állásra és az önzetlen cselekvésre elgyengülhet, ami végül rosszabb kollektív és egyéni eredményekhez vezethet. [00:34:46] Valójában az AI egyfajta morális tunyasághoz vezethet. (..) Itt van egy végső példa a tartós változásra az AI-val való érintkezés után hibrid rendszerekben. És ez egy példa arra is, hogy az AI jelenléte hogyan változtathatja meg az ember-ember interakciókat, még akkor is, ha az AI már nem részes fele az interakcióknak. Tehát 2016-ban a DeepMind kifejlesztette az AlphaGo-t, és ugyanebben az évben ez az AI ügynök Lee Sedol ellen játszott, aki Koreából származó kiemelkedő világbajnok.
Néztem a mérkőzést. Nem tudok Go-zni, de elismerem, hogy ez egy csodálatos játék. A fiam Go-t játszik. (.) És tényleg drukkoltam Lee Sedolnak. Lee Sedol Koreában olyan, mint egy hős, ahogy mi a nagy sportolókat látjuk a Wheaties dobozainkon és hasonlókon. Az ő képe kis tészta csomagokon és reggeli pelyhes dobozokon is rajta van. Úgy gondolom, hogy csodálatos, hogy Koreában egy okos nerd, mint én, fontos személynek számít, ugye? Szóval nagyon népszerű Koreában. És kijön az első mérkőzésre, és túl beképzelt. [00:35:47] Látom, hogy túl beképzelt. És kikap a géptől, majd bocsánatot kér a rajongóitól. Azt mondja, nagyon sajnálom. Öt játék van. A legjobb három nyer két győzelmet. Aztán játszik egy második játékot, és megint veszít. És most már komolyan veszi a dolgot. Aztán játszik egy harmadik játékot, és megint veszít. Elvesztette a versenyt.
És láthatta a közönséget, a kommentátorok csodálkoztak a gép képességén a Go játékban, ahogy ezekkel a furcsa és gyönyörű lépésekkel játszott, amelyek közül néhányat később felfedeztek, hogy már régóta játszottak, hiszen vannak feljegyzések több ezer évre visszamenően a Go mérkőzésekről, amelyeket a kínai császári udvarban játszottak. És rájöttek, ó, Istenem, ez egy középkori lépés, amit a gép tett. Ezt régóta nem láttuk.
Aztán Lisa Dahl visszatér a negyedik játékra, és megnyeri. (..) És elsírtam magam. Olyan boldog voltam. (..) Mert ő megvolt a gépe, tudod, visszatért az én fajomért, és legyőzte a fránya gépet. Olyan hősiesen, hogy nem értettem, milyen agyi kapacitásra volt szükség ahhoz, hogy Lisa Dahl ezt meg tudja csinálni. [00:36:49] Abban a pillanatban extázisban voltam, és olyan büszke voltam rá, hogy még mindig próbálkozott, még azután is, hogy elvesztette a meccset.
Most érdekes, hogy amikor Lisa Dahl után a meccsnek interjúzták, Lisa Dahl azt mondta, hogy a saját játéka megváltozott a mérkőzés után. Tehát ismét, az AI segít az embereknek, hogy saját maguknak segítsenek, rendben? Megváltoztatja, ahogyan játszik a kapcsolat miatt. Más tudósok által végzett további vizsgálatok professzionális Go játékosokat vizsgáltak, és megvizsgálták a középérték döntési minőséget. Van egy szabvány a Go-ban, amely megmutatja, hogy mennyire jó egy lépés, és a középérték újdonság, vagyis mennyire szokatlan egy lépés. És azt találják, hogy amikor az AlphaGo legyőzi az emberi világbajnokot 2016-ban, az egész világon a Go játékosok jobb, innovatívabb lépéseket kezdenek el tenni, rendben? Tehát az összes ember, aki között Go-t játszik, megváltozott, mert az AlphaGo bekerült. Az AI segít az embereknek, hogy saját maguknak segítsenek. Tehát folytatjuk a munkánkat, hogy egyszerű botokat tervezzünk és adjunk hozzá ezekhez és más helyzetekhez, amelyek társadalmi dilemmákkal és kollektív cselekvési problémákkal kapcsolatosak. [00:37:55] Azt vizsgáljuk, hogy a botok hogyan befolyásolják a koordinációt, együttműködést, kommunikációt, kreativitást, bizalmat, navigációt, megosztást és evakuálást. A laborunkban nem a szuper okos AI-ra, mint az LLM-ek vagy az AlphaGo, összpontosítunk a human cognition helyettesítésére, hanem a buta AI-ra, hogy kiegészítse az emberi interakciót. Nem arra próbálunk kitalálni, hogy szuper okos AI-t találjunk fel az emberi kogníció helyettesítésére. Buta AI-t találunk fel, hogy kiegészítse az emberi interakciót. És a mi AI-nk megengedheti magának, hogy buta legyen, mert az emberek okosak. A mi AI-nk olyan, mint a platina, amelyet egy szerves kémiai reakcióba adnak. Csak egy katalizátor. Csak a katalizátorra van szükségünk, hogy egy csoport ember jobban teljesítsen.
És természetesen fontos elismerni, hogy ennek ellenkezője is lehetséges. A szociális AI-t csoportok ártalmára is fel lehet használni. De a mi megközelítésünk számos egyéb technikai és koncepcionális előnyt kínál. Először is, ezek az egyszerű botok érthetőek, így világosan illusztrálják a szélesebb hatalmakat és lehetőségeket. Ellentétben a LLM-ekkel, amelyek egy fekete doboz, és nem tudod, mit csinálnak, meg tudom mondani neked, mit csinál a botunk. [00:38:58] Zajos. Kapcsolatokat teremt. Üzeneteket közvetít ebben a nagyon specifikus módon. Másodszor, a kontrollált bot kísérleteink szintén betekintést nyújthatnak abba, hogyan változhat kedvezően az emberi viselkedés. Más szavakkal, ezt el tudom vinni a laborból, és meg tudok tanítani egy emberekből álló csoportot arra, amit a botjaink tettek. Valójában nem tudod könnyen megtanítani az embereknek, hogy csak azt csinálják, amit a ChachiPT itt tett. Nem tudjuk, mit csinál a ChachiPT, de tudod, mit csinálnak a mi helyzetünkben.
Tehát azt szeretném, ha befejezném, ez az utolsó diám, egy metaforával. Fontolja meg ezt a két objektumot. Mindkettő szénből készült. Ha a szénatomokat egy bizonyos módon köti össze, grafitot kap, amely puha és sötét. Ha ugyanazokat a szénatomokat egy másik módon köti össze, gyémántot kap, amely kemény és tiszta. Két fontos intellektuális ötlet van itt. Először is, ezek a puhaság és sötétség, keménység és tisztaság nem a szénatomok tulajdonságai. Ezek a szénatomok együttesének tulajdonságai. Másodsorban, hogy mely tulajdonságokat kapjuk, az attól függ, hogyan kötjük össze a szénatomokat egymással. Ha ugyanazokat a szénatomokat egy módon köti össze, egy halmazt kap tulajdonságokból. [00:40:01] Ha egy másik módon köti össze, egy teljesen különböző tulajdonságkészletet kap. Hasonlóképpen, a kapcsolataink természete befolyásolja a társadalmi csoportjaink tulajdonságait. Az emberek közötti kötelékek teszik a teljes egészet nagyobbá, mint a részek összegét. Új tulajdonságok, mint az együttműködés és erőszak, innováció és termelékenység, bizalom és bizalmatlanság, igazság és hamisság, gazdagság és szegénység, egészség és boldogság, kialakulhatnak és terjedhetnek a kapcsolatok révén, az emberek közötti kötelékek miatt, és nem feltétlenül csak az emberek miatt maguk. Valójában a világ tapasztalatunk a körülöttünk lévő hálózatok struktúráján és működésén alapul, közel és távol. És a fajtánk azért fejlődött ki, hogy ez így legyen. Nem kellene meglepődnünk, hogy reagálunk az AI-ra a közelünkben. Köszönöm szépen.
