Nicholas Christakis: [00:00:05] Taigi, žmonės yra įklijuoti į socialinius tinklus, o šie tinklai laikosi labai konkrečių matematikos, biologijos ir socialinių principų. Ir vis dažniau mes pridedame dirbtinį intelektą internetinių agentų ir fizinių robotų pavidalu, kurie bendrauja su mumis lyg būtų socialinės būtybės. Šie agentai, kuriuos mes papildysime savo sistemose, svyruoja nuo bevairių automobilių keliuose iki kasos aparatų parduotuvėse, humanoidinių robotų namuose ar fabrikų, arba mūšio laukuose ar gaisrų gesinimo situacijose, iki neįsikūnijusių autonominių agentų, tokių kaip internetiniai robotai ir skaitmeniniai AI asistentai mūsų telefonuose, akinių arba darbo vietose. Šios technologijos bendrauja su mumis kaip lygūs su lygiais, tarsi būtų žmonės. Ir tai sukurs hibridines žmonių ir mašinų sistemas. O šios sistemos suteikia galimybes naujo tipo socialiniam dirbtiniam intelektui.
Dabar leiskite man pateikti jums tik žaislų pavyzdį. Kai gaunate skaitmeninį asistentą, kaip Alexa, to įrenginio gamintojas labai rūpinasi žmogaus ir mašinos bendravimu. Ir tas žmogaus-mašinos bendravimas yra optimizuotas. Pavyzdžiui, niekada nepirktumėte Alexa, jei kiekvieną kartą, kai ko nors iš jos norėtumėte, turėtumėte sakyti, atsiprašau, Alexa, labai atsiprašau, kad jums trukdau. Jei netrukdote, ar galėtumėte pasakyti, žodį? [00:01:35] orai rytoj, tiesa? Tai būtų laikoma absurdišku mandagumo lygiu. Tikitės galintys pasakyti, Alexa, orai, ir tada mašina paklusniai atsako. Ir tai gerai, kol atnešate tą mašiną į savo namus ir jūsų vaikai kalba su ta mašina ir išmoksta būti nemandagūs. Ir tada jie eina į žaidimų aikštelę ir yra nemandagūs su kitais vaikais. Taigi ta mašina, kuri buvo pridėta prie mūsų, nėra tik žmogaus-mašinos bendravimas, tai yra žmogaus-žmogaus bendravimas mašinų buvimo metu. Ir mane domina ne tai, bet būtent žmogaus-žmogaus bendravimai mašinų buvimo metu. Ir mes galime naudoti socialinių tinklų struktūros ir funkcijos supratimą, kad įvertintume socialinės dirbtinės inteligencijos naudojimą ir poveikį žmonių grupėms, atsižvelgdami į tokias faktorius kaip pasitikėjimas ir bendradarbiavimas, kurie yra būtini žmonių grupėms dirbti kartu, ir tai veikia šių kolektyvų elgesį.
Leiskite man pabrėžti kai kuriuos darbus, kuriuos atliekame, naudodami kelis požiūrius į tinklo eksperimentus, kuriuose dalyvauja dirbtinis intelektas. Šie eksperimentai vertina, kaip DI gali paveikti žmogaus socialinių sąveikų struktūrą ir funkciją. [00:02:45] Dabar yra viena kolektyvinių veiksmų problemų klasė, susijusių su socialinėmis sąveikomis, kurios žinomos kaip koordinavimo problemos. Tai yra problemos, kuriose turime dirbti kartu, jei norime sukurti kažką naudingo. Kartais mes sprendžiame šias problemas kurdami centralizuotas institucijas, tokias kaip policija, teismai ar vyriausybės. Tačiau dažnai galime išspręsti kolektyvinių veiksmų problemas, kurioms reikia koordinuoti ar bendradarbiauti su dideliu žmonių skaičiumi decentralizuotu būdu. Mes iš tiesų evoliucionavome turėdami šią galimybę. O viena konkreti kolektyvinių veiksmų problema, su kuria norėčiau pradėti šiandien, iš tikrųjų yra koordinavimas.
Pavyzdžiui, norint išvengti šio eismo spūsties, žmonės turi koordinuotis, kad darytų kažką skirtingo nei jų kaimynai. Taigi, jei visi išeina iš savo namų tuo pačiu metu, visi lieka įstrigę eismo spūstyje. Tačiau, jei jie sureguliuoja savo išvykimo laikus ir išeina intervalais, tada niekas nepateks į eismo spūstį. Žinoma, galėtumėte turėti tam tikrą centrinę valdžią, kuri tai koordinuotų. Jūs pirmi, tada jūs, ir tada jūs. [00:03:45] Bet idealu būtų turėti kažkokį decentralizuotą, nuo viršaus iki apačios nepriklausomą žmonių koordinavimo būdą, kad būtų išspręsta ši problema.
Taigi, čia buvo mūsų pirmasis eksperimentas, paskelbtas 2017 m., kuris nagrinėjo, kaip dirbtinis intelektas gali padėti sprendžiant tokias problemas. Mes tyrėme žmonių grupių, dirbančių koordinavimo užduotyje, našumą. Mūsų paradigma buvo pasiskolinti iš informatikos tai, kas žinoma kaip grafų spalvinimo problema. Tai klasikinė problema informatikos srityje. Tačiau mes ją pritaikėme žmonėms. Taigi, ką mes padarėme, tai paėmėme 4,000 žmonių ir juos išskyrėme į 230 internetinių grupių. Šie žmonės buvo pateikti į šias grupes. Jie buvo atsitiktinai priskirti vietai dirbtiniame tinkle, kurį sukūrėme, kurio struktūra maždaug priminė tikras žmonių tinklus. Jie buvo pateikti į šias vietas ir jiems buvo pasakyta, kad jiems priskirta viena iš trijų spalvų, [00:04:46] purpurinė, oranžinė, purpurinė, oranžinė ir rožinė. Jiems buvo pasakyta, kad turi pasirinkti spalvą, skirtingą nuo savo kaimynų.
Jiems buvo duota penkios minutės tai padaryti. Taigi šie žmonės pradėjo žiūrėti aplinkui į kaimynus. Kiekvienas žmogus žiūrėjo aplink ir sakė, na, šis čia yra rožinis. Jis mato, kad turi rožinį kaimyną ir oranžinį kaimyną. Ko jis turėtų imtis, tai pereiti prie violetinės spalvos. Raudonos linijos čia rodo spalvų konfliktus. Kitais žodžiais, jei dviejų gretimų mazgų spalvos yra tokios pačios, jie gauna raudoną liniją. O fono violetinės linijos rodo socialinių sąveikų struktūrą. Taigi jūs įdedate žmones čia. Jie žiūri aplink į kaimynus kiekvieną sekundę ar pusę sekundės. Jie daro pakeitimą, atitinkantį tikslą, kad visi turi pasirinkti spalvą, skirtingą nuo kaimynų, per ateinančias penkias minutes. Ir jei jie tai padarys, tai tik tada jie bus apmokėti. Aš mokėsiu jums dirbti kartu. Ir jei visi dirbsite kartu decentralizuotu būdu, kad išspręstumėte problemą, visi gausite atlyginimą. Priešingu atveju nieko negausite, gerai? Taigi štai kas vyksta šiame eksperimente. Čia x ašyje yra laikas sekundėmis iki penkių minučių žymos. [00:05:47] Žaidimas trunka penkias minutes, čia kažkur žemiau. O čia y ašyje yra tikslo funkcija arba spalvų konfliktų skaičius. Taigi čia pradžioje yra 12 spalvų konfliktų. Jie atsitiktinai priskiriami savo pradinėms spalvoms. Ir tai parodyta šiame mažame histogramoje ten. Taigi žmonės pradeda žiūrėti aplink ir keisti savo spalvas. Žinote, jie keičia ir keičia. Ir pasiekia šį tašką, kur dabar susiduria su spalvų konfliktu tarp šių dviejų žmonių. Tačiau šis konfliktas, kaip mes tai vadiname, yra neišsprendžiamas konfliktas. Taigi šviesiai oranžinės linijos yra išsprendžiami konfliktai. Tai šis žmogus, jis gali pereiti prie violetinės, kad išspręstų konfliktą. Bet šie žmonės, kurie yra oranžiniai, negali padaryti jokio judesio, kuris sumažintų spalvų konfliktų skaičių jų kaimynystėje, tiesa? Šis žmogus negali pereiti prie violetinės, nes iš tikrųjų, jei jis pereina prie violetinės, jis turės daugiau konfliktų. Jis turi maždaug keturis violetinius kaimynus. Ir jis negali pereiti prie rožinės, nes turi du rožinius kaimynus. Taigi jis žiūri ir sako, na, mažiausias konfliktas, kurį turiu, yra tiesiog likti oranžiniu. Taigi dabar ši grupė yra įstrigusi, tiesa? [00:06:49] Jie turi neišsprendžiamą konfliktą ir nieko negali įvykti. Negalima padaryti jokio progreso kolektyvinės veiklos problemos sprendime, kol vienas iš šių dviejų žmonių nepadarys prieštaringo žingsnio, neperės prie violetinės ar rožinės spalvos ir laikinai nepadidins konfliktų. Ir tai iš tikrųjų nutinka. Tada praeina laikas, ir žmonės po 245 sekundžių išsprendžia problemą. Mašina užfiksuoja sprendimą, sustabdo žaidimą ir apmoka juos, gerai?
Dabar, kadangi buvome gudrūs, mes atlikome kai kuriuos eksperimentus, kuriuose slapta pakeitėme kai kuriuos žmones su robotais. Ir mes įvertinome, kaip AI aprūpintų robotų pridėjimas sukurti hibridinę sistemą paveikė grupės našumą. Ar įmanoma pridėti robotų prie žmonių grupių ir pagerinti jų koordinavimo gebėjimą, sprendžiant tokią užduotį? Ir ką mes padarėme, tai pridėjome tris robotus ir eksperimentinai keitėme dvi ašis. Kur robotai buvo pastatyti, kur jie atsitiktinai pateko į tinklą, kur jie buvo įdėti į [00:07:51] tinklo centrą, arba kur jie buvo įdėti į tinklo periferiją. Ir mes atsitiktinai manipuliavome jų AI gebėjimais labai trivialiu ir paprastu būdu. Būtent, mes manipuliavome, ar robotai veikė tobulai, ar veikė su šiek tiek triukšmo.
Tobulumo situacijoje kas pusantros sekundės robotai apžiūrėdavo savo kaimynus, o tada pasirinkdavo spalvą, kuri turėjo mažiausiai konfliktų su savo kaimynais. Tai, ką galite laikyti iracionaliu elgesiu. 10% triukšmo situacijoje jie tai darė, tačiau 10% laiko pasirinkdavo atsitiktinę spalvą. O 30% triukšmo situacijoje jie tai darė, tačiau 30% laiko taip pat pasirinkdavo atsitiktinę spalvą. Taigi mes padarėme robotus, tarkime, vis labiau linkusius į klaidas, vis triukšmingesnius.
Tada mes pažvelgėme, manau, kad turėjome kažką panašaus, pradėkime su kontroline grupe. Čia, x ašyje yra laikas, o tai yra išlikimo kreivės. Y ašyje yra tikimybė, kad grupė kaip visuma neįveikė koordinavimo žaidimo. Taigi čia, jei pažvelgsite į pradžią, nulinio laiko [00:08:51] 100% tik žmonių grupės, sesijos tik su žmonėmis, yra oranžinės. Pradžioje 100% grupių, kuriose yra tik žmonės, neišsprendė žaidimo. Ir vėliau, bėgant laikui, vis daugiau ir daugiau žmonių grupių išsprendžia žaidimą, todėl pabaigoje penkių minučių galbūt 60% grupių, kuriose yra tik žmonės, išsprendė žaidimą.
Na, kas vyksta, tai jeigu į tinklo centrą įdedate 10% triukšmingų robotų, gaunate akivaizdžiai geresnį našumą. Čia, žymiai daugiau grupių žmonių, kai robotai, turintys šiek tiek triukšmo, buvo pridėti prie vidurio, sugebėjo išspręsti problemą. Iš tikrųjų, jie sumažino sprendimo medianą nuo 232 sekundžių iki 103 sekundžių. Ir šiuose duomenyse yra ir kitų radinių. Tobuli robotai ir per daug triukšmingi robotai taip pat buvo neproduktyvūs. Reikėjo tam tikro kalibravimo. Būtent 10% triukšmingi robotai buvo naudingiausi. Taip pat robotų pozicija turėjo tam tikrą poveikį. Bet svarbiausia, šiuose eksperimentuose taip pat nustatėme, kad žmonės, kurie nebuvo prijungti prie robotų, [00:09:52], kurie buvo toliau tinklo. Taigi grafikuose buvo keletas žmonių, kurie buvo prijungti prie robotų, ir keletas kitų, kurie nebuvo. Sužinojome, kad net ir tie žmonės pradėjo keisti, kaip žaidė. Taigi buvo švytuoklės efektas, grandininis efektas. Robotų sąveikos su žmonėmis nauda pasklido per tinklą ir pradėjo daryti įtaką žmonių tarpusavio sąveikoms vis toliau tinklo. Kitaip tariant, robotai padėjo žmonėms padėti sau, o triukšmo nauda išsisklaidė šioje socialinėje sistemoje.
Dabar leiskite man toliau paaiškinti idėjas apie šią bendrą iššūkį ir kaip šie paprasti dirbtinio intelekto agentai gali padėti su kita analoga. Taigi, įsivaizduokite, kad turite lėktuvą. Tai panašu į nuolydžio mažinimą mašininio mokymosi kontekste, pavyzdžiui. Taigi turite lėktuvą, ir turite kalvas bei kalną. Ir turite skirtingas kalvas, gerai, skirtingų aukščių. Ir turite kalną labai aukštai čia, kuris yra aukščiausias kalnas. Taigi aš imsiu keturis iš jūsų, ir aš jus numesiu kažkur čia, ir aš jus surakinsiu, kiekvienas žiūrėdamas į skirtingą kardinalią kryptį, [00:10:54] ir aš jus apakinsiu. Ir aš jums pasakysiu, raskite aukščiausią kalną. Taigi jūs visi kalbate tarpusavyje ir sakote, na, kodėl mes visi neižengę žingsnio savo kryptimi ir nepranešame komandai? Taigi jūs žengiate žingsnį į šiaurę, ir sakote, kad čia kyla. O pietūs sako, kad čia leidžiasi. Ir rytai bei vakarai sako, kad čia lygiai. Taigi visi sutinkate, kad žengtumėte žingsnį į šiaurę. Ir jūs tai darote iteratyviai, kol pasieksite tašką, kai visi sakote, kad čia leidžiasi.
Ar radote aukščiausią kalną? Ne. (...) Ką jūs padarėte? Jūs radote artimiausią kalvą.
Ar kada nors rasite aukščiausią kalną? Ne. Jūs niekada nerasite aukščiausio kalno. Jūs esate užstrigęs. Jūs esate lokaliai optimizuotas, bet globaliai suboptimizuotas. Ir tam, kad galėtumėte globaliai optimizuoti, jums reikia šiek tiek triukšmo. Kartais reikia leisti šiai žmonių grupei žengti neintuitivų žingsnį žemyn kalnu arba žemyn nuo kalvos. Taigi jie pasirenka seką, kartais atsitiktinai, seką žingsnių, kol vėl grįžta į lygumą. O tada jie naršo aplink šią fitneso peizažą, tyrinėdami visus šiuos pikus, kol galiausiai pateks į šį piką. [00:11:56] Ir šis aukštas pikas, globalus optimumas, paprastai būna sugaunantis būvis, nes reikia gerokai daugiau triukšmo, kad nusileistumėte nuo šio piko nei nuo kitų pikų. Taigi dabar jūs svyruojate aplink globalų optimumą. Taigi mūsų darbe mes tyrinėjame tokį paprastą programavimą, įterptą į socialinius sistemas, kad pamatytume, ar galime pagerinti žmonių našumą sprendžiant įvairias kolektyvinio veikimo problemas.
Dabar dar viena kolektyvinė veiklos problema susijusi su kitokiu iššūkiu, kuris yra bendradarbiavimas, o ne koordinacija. Žmonės dažnai turi bendradarbiauti, kad sukurtų tai, kas žinoma kaip viešasis gėris. O švyturys yra vienas iš klasikinės viešojo gėrio pavyzdžių. Viešasis gėris turi dvi klasikinės savybes. Visų pirma, jis vadinamas neatskiriamu. Tai reiškia, kad kiti asmenys negali būti užkardomi jį naudoti. Jei pastatote švyturį dėl savo asmeninio tikslo, nes naviguojate jūroje ir nenorite atsitrenkti į krantą, tai gerai jums, bet negalite sustabdyti kitų jo naudojimo, ar ne? Neatskiriamas. [00:12:58] Taip pat jis yra neatskiriamos konkurencijos. Tai reiškia, kad vieno asmens vartojimas nesumažina kitų vartojimo. Jei naudoju savo švyturio šviesą, tau nebelieka šviesos naudoti. Ir tai skiriasi, pavyzdžiui, su gabalu pyrago. Jei turiu gabalą pyrago, jis yra mano, ar ne? Galiu užkirsti keliauti, kad jį suvalgytum. O jei jį suvalgau, tau nieko nebelieka, ar ne? Taigi viešasis gėris turi šias savybes, ir būtent šios savybės savo ruožtu apsunkina viešojo gėrio gamybą. Kai kalbama apie švyturio statybą, labai vilioja priešinti savo individualius interesus su grupės interesais. Jei neprisidėsite prie švyturio statybos, vis tiek galėsite iš jo pasinaudoti. Taigi visi viliojami nieko nedaryti, ir tada švyturys nebūna pastatytas visų naudai. Taip pat verta pabrėžti, kad viešieji gėriai yra naudingi, nes iš jų galite iš tikrųjų gaminti dalykus, tokius kaip saugus jūroje kelias. Ir todėl investicijų trūkumas į viešuosius gėrius yra rimta problema mūsų visuomenėje ir taip pat tapo žinoma kaip bendrovių tragedija. Šie viešieji gėriai, pavyzdžiui, pasitikėjimo normos, kurias mes palaikome tarp savęs, yra efektyvūs. [00:14:01] Pavyzdžiui, pagalvokite, kai buvote mokykloje. Kai kurie iš jūsų lankė mokyklą, kur mokiniai pasitikėjo vieni kitais, ir tai reiškė, kad galėjote palikti savo kuprines koridoriuje ir nesijaudinti, kad kas nors jas pavogs. Kiti iš jūsų lankė mokyklą, kur nebuvo tų pačių pasitikėjimo normų, ir dabar turėjote užrakinti savo kuprinę arba nuolat ją laikyti su savimi. Kuriame iš šių dviejų aplinkų manote, kad geriau mokėtės? Teisingai? Pirmoje aplinkoje. Taigi ta norma, kuri yra kolektyviai palaikoma, yra produktyvi. Šiuo atveju, produktyvi mokymuisi. Čia, produktyviam saugiam jūros keliui ir kt.
Taigi, bendradarbiavimas žmonių grupėse gaminant viešuosius gerus yra sudėtingas, ir tam yra reikalingi įvairūs mechanizmai, kad jį išlaikytume. Mes atlikome daugybę eksperimentų, kuriuose žmonės buvo įmesti į tinklo grupes ir paprašyti žaisti įvairius viešųjų gerų žaidimus su savo kaimynais, manipuliuojant daugybe struktūrinių ir kitų ypatybių per metus. Taigi, pavyzdžiui, prieš keletą metų pradėjome eksperimentą, kuriame žmonės buvo įdėti į tinklą, panašų į šį. Jie buvo pristatyti savo kaimynams, ir jie žaidė viešųjų gerų žaidimą iš elgsenos ekonomikos, [00:15:03] kur galėjau šiek tiek pinigų duoti kiekvienam savo kaimynui. Pavyzdžiui, imu dolerį ir padalinu jį tarp savo kaimynų. O tada mokslininkai padvigubina dolerį. Taigi tarkime, turiu keturis kaimynus. Tarkime, turiu tris kaimynus ir duodu dolerį grupei. Jis tampa dviem doleriais. Tie du doleriai pasidalina tarp mūsų keturių. Taigi visa grupė gauna turtų už du dolerius, bet aš gaunu tik 50 centų. Tie du pasidaliję tarp keturių, aš gaunu atgal 50 centų. Taigi turiu pasiaukoti kitų labui. Natūraliai visi sako: nenoriu aukoti. Tegul visi kiti kvailiai duoda pinigus. Aš neduosiu nieko, ir tikimės, kad kiti prisidės. Bet, žinoma, jei visi taip darys, tektų vėl patirti žlugimą. O geriausias elgesys yra tas, kai visi maksimaliai prisideda. Taigi šioje situacijoje pradedame žaidimą. Mėlynieji taškai, mėlynieji žmonės yra malonūs bendradarbiaujantys žmonės. Jie maksimaliai teikia savo kaimynams, ir jie kuria viešuosius gerus, tokius kaip švyturio statyba. O raudonieji taškai yra išnaudotojai, kurie nedaro jokio indėlio, dar žinomi kaip defektoriai. Ir ką mes atrandame šiame eksperimente, tai reprodukuojame rezultatą, kuris buvo žinomas 30 metų, [00:16:03] kad bendradarbiavimas žlunga grupėse. Teigiame, kad žaidimo pabaigoje, po kelių raundų, beveik visi tampa defektoriumi, išskyrus šiuos mažus mėlynus žmones čia šone, kurie išlaiko civilizaciją gyvą, žinote, tarp savęs. Taip pat galite pagalvoti apie tai, vėl pranešdami apie vidurinę mokyklą bakalauro studentams. Prisiminkite situaciją, kai jūsų mokytojas paskyrė keturiems iš jūsų atlikti grupinį projektą, ir jūs turėjote gauti tą patį pažymį. O jums buvo paskirti keturi, trys kiti nevykėliai. Taigi dabar turite dvi pasirinkimus. Arba jūs darote visą darbą, ir jie taip pat gauna A, nes jums reikia A. Arba sakote, kad tai absurdiška. Nenoriu, kad šitie tinginiai pasinaudotų mano sunkiu darbu. Ir sakote, kad ir aš nieko nedarysiu, ir visi gaus F, tiesa? Tai bjaurus dilema. Na, kas čia vyksta, tai žmonės galiausiai pasirenka antrą variantą. Visi pasirenka gauti F, nes nenori būti kvailiais ir toliau prisidėti. Taigi bendradarbiavimas žlunga socialinėse sistemose kaip bendras rezultatas. Bet ką mes padarėme, tai vėl pridėjome kitokių botų prie sistemos. Pridėjome keletą botų, kurie buvo apdovanoti labai paprastais A. [00:17:05] O šie botai buvo tarsi mažyčiai santuokos tarpininkai. Jie tarpininkavo socialinėms sąveikoms. Jie pažvelgė aplinkui, kas bendrauja su kuo, ir davė pasiūlymus žmonėms sistemoje. Žinote ką? Turėtumėte nutraukti ryšį su tuo defektoriumi, kuris iš jūsų naudojasi, ir užmegzti ryšį su šiuo maloniu žmogumi čia vietoje. Ir ši švelni persijungimo rekomendacija, kuri naudoja tik vietinę informaciją. Ten nėra mokytojo, kuris įsakytų žmonėms būti maloniems. Nėra policijos. Nėra teismo. Nėra centrinės valdžios, kuri tai vykdytų. Tiesiog veikiant pagal vietinę informaciją, mes nustatėme, kad šie botai galėtų, mūsų eksperimentuose su daugiau nei 1,000 žmonių 64 grupėse, mes nustatėme, kad ne tik bendradarbiavimas galėtų būti stabilizuotas, bet pirmą kartą mes parodėme rezultatą, kad bendradarbiavimas galėtų iš tikrųjų padidėti nuo pradinio lygio, kai buvo pridėti šio tipo botai. Ir DeepMind vėliau pakartojo mūsų rezultatus ir juos išplėtė kitame dokumente, kuris pasirodė maždaug po metų arba dviejų po šio.
Dabar dar viename eksperimente tyrinėjome, kaip robotai gali paveikti grupinę kūrybą. [00:18:07] nes rasti naujų idėjų yra sunku. Teorija ir eksperimentai rodo, kad grupės gali geriau identifikuoti ir išlaikyti inovacijas, nei individai, dalindamiesi savo atradimais.
Tačiau inovacijos grupėse susiduria su savo iššūkiais, įskaitant grupinį mąstymą. Teisingai? Jei suburi grupę žmonių, jie gali pernelyg greitai pasiekti suboptimalų sprendimą.
Arba galite įsivaizduoti, kad grupė žmonių gali kartu turėti didesnį išmintingumą ir sugalvoti daugiau idėjų. Pavyzdžiui, jei grupė žmonių užduodama tobulinti žvejybos meškerę, pirmasis žmogus gali pasakyti, kodėl gi nepadarius kabliuko ant galo virvės? Ir tada tas, kuris laiko virvę su kabliuku. Ir kažkas sako, kodėl gi nepadarius lazdelės prie virvės? O, tai puiki idėja. Taigi jie sujungia savo žinias ir tai padaro. O kažkas sako, kad masalas su kabliu plūduriuoja paviršiuje. Pridėkime bangą, kad jis nusileistų. Na, dabar jis nusileidžia per giliai. Kaip dėl to, kad pridėtume plūdurą, kad žinotume, kur jis yra, ir taip toliau. Ir taip žmonės inovuoja, dalinasi žiniomis, išsaugo žinias laiko atžvilgiu, [00:19:08] ir jūs gaunate kultūrinius artefaktus, kurie yra daugelio žmonių idėjų dalijimosi ir kūrybos compound produktas.
Taigi norėjome sukurti žaidimą, kuriame žmonių grupės ieškotų kraštovaizdyje optimalaus idėjos. Ir nusprendėme naudoti daiktavardžius kaip idėjų pakaitalus. Iš klasikinio kompiuterių mokslo žodžių vektoriaus korpuso paėmėme 20 000 daiktavardžių. Taigi paėmėme 20 000 daiktavardžių. O atstumas tarp šių daiktavardžių galėjo būti apibrėžtas naudojant kosinusų panašumo metriką. Galite įsivaizduoti hipererdvinę vektorių erdvę, kurioje katė yra labiau panaši į šunį nei į stalą. O jie tai padarė stebėdami, kaip dažnai žodžiai katė ir šuo kartu pasirodė interneto svetainėse. Taigi jie turėjo svetainių visumą ir 20 000 daiktavardžių visumą. Ir jie pasakė, kad šie du daiktavardžiai dažnai kartu pasirodo, o šie du kiti daiktavardžiai ne. Jie sukūrė 300 dimensijų vektorių erdvę. [00:20:08] Dabar galite apibūdinti, kaip panašūs yra bet kurie du daiktavardžiai. Ir nusprendėme naudoti daiktavardžius kaip idėjų pakaitalus. Paėmėme šiuos 20 000 daiktavardžių. O tada pasirinkome daiktavardžių rinkinį. Įsivaizduokite, kad pasirinkome vieną daiktavardį, tačiau pasirinkome rinkinį. Vieną daiktavardį atsitiktinai iš visų jų, pavyzdžiui, braggadocio, buvo daiktavardis. Taigi pasirinkome braggadocio. Ir mes sakome, kad tai yra ideali idėja, kurią norime, kad ši žmonių grupė surastų. Ir tada visi daiktavardžiai, kurie yra šalia braggadocio, patenka toli šioje vektorių erdvėje. Taigi turite viršūnės daiktavardį, kuris gauna daugiausiai taškų, 20 000 taškų, ir visus kitus daiktavardžius, esančius toliausiai. Ir mes įdedame žmones į šią sistemą ir sakome, raskite šį žodį. Mes nesakome jiems žodžio. Ir tada duodame jiems taškų vertę žodžių. Taigi jie pradeda spėlioti. Ir kai jie spėlioja, gauna atsiliepimų. Ir jie sako, ah, šis žodis turi daugiau taškų nei kitas žodis. Ir jie priartėja ir pradeda dalytis žiniomis tarpusavyje. Jie bando būti kūrybingi spręsdami problemą.
Taigi, kiekvienas daiktavardis yra susijęs su kitais semantinės erdvės ar nesusietos kraštovaizdžio. [00:21:10] Turėjome 18 skirtingų tikslo daiktavardžių, tarsi iškeltume viršūnę iš šių 20,000 daiktavardžių kraštovaizdžio 18 skirtingose vietose. Šie daiktavardžiai buvo specialiai neįprasti, kaip fratricidas, batų makštis, sarkoma, kartografija ir taip toliau. O tada atlikome eksperimentus, įtraukdami kelias sąlygas, kai žmonės buvo vieni bandydami naršyti kraštovaizdį, kai žmonės buvo grupėse dirbdami kartu, kad naršytų kraštovaizdį, arba kai žmonės buvo grupėse, bet taip pat turėjo keletą botų, kurie bandė padėti jiems būti kūrybingiems. Botai veikė, nes galėjo perduoti informaciją iš vienos tinklo srities į kitą bendraudami tarpusavyje. Pavyzdžiui, antrojo boto nr. galėjo perduoti žodį dangus arba automobilis pirmam botui. Štai tinklo pavyzdys.
Mes įleidžiame žmones. Kvadratiniai taškai yra robotai. Ir šis robotas turi keturias interakcijas, o šis robotas turi, nežinau, šešias ar septynias interakcijas. Žmonės pradžioje pradeda spėti. [00:22:12] Jie neturi jokios pagrindo spėjimui pirmame žaidimo etape. Jie spėja dangų, automobilį, triušį, žiurkę, šunį, katę, rašomą stalą. Kaip jeigu paklausčiau jūsų, pasirinkite daiktavardį spėti, jūs spėtumėte namą arba saulę, arba mėnulį, arba katę, arba šunį, arba kažkokį mažą tipišką daiktavardį. Ir dabar jiems pasakoma taškų vertė, kaip panašus žodis žiurkė, šuo, katė, rašomas stalas ir t.t. į sarkomą. Ir jiems pasakoma taškų vertė tų daiktavardžių, susijusių su tiksliniu daiktavardžiu, kuris yra sarkoma. Ir tada tos taškų vertės yra paskelbtos jiems. Ir tuomet šis robotas gali pažvelgti į žmonių aplink jį taškų vertes ir gali perduoti arba atsitiktinį pasirinkimą šiam robotui, arba aukščiausią taškų vertę, arba žemiausią taškų vertę, tarsi užpakalinė komunikacijos kanalas, skleidžiantis informaciją iš vienos žmonių grupės, bandančios išspręsti problemą, į kitą regioną. Taigi, pažvelkime į keletą pavyzdžių, kad šį dalyką geriau suprastume, nes tai gali būti sunku suprasti. Žmonės žaidė šį žaidimą apie 25 raundus. Ir štai kosinusų panašumas su tiksliniu daiktavardžiu, kuris yra žodis fratricide. Gerai, turiu 20 000 daiktavardžių. [00:23:13] Fratricide turi 20 000 taškų. O kiti žodžiai turi kitas taškų vertes. Ir čia yra vienas žmogus, žmogus, kuris spėja vienas. Taigi jų pirmas spėjimas yra bitas. Ir jiems pasakoma, kaip panašus žodis bitas į fratricide. O tada jų kitas spėjimas yra gimimas. Ir jie gauna didelį šuolį kosinusų panašume, nes galite įsivaizduoti, kad žodis gimimas yra arčiau žodžio fratricide nei žodis bitas. Gerai? O tada jie spėja. Kitas spėjimas yra pinigai. Tai blogiau. Tada jie spėja beždžionę. Tai dar blogiau. Jie patikrina. Atlieka įprastinę patikrą. Iš bando gimimą. Vėl pakyla. Tada bando kūdikį. Tai nėra blogas spėjimas. Gimimas ir kūdikis. Bet kūdikis juos nuveda toliau nuo fratricide. Tada dama, ir taip toliau. Ir jie naršo. Ir jie spėja. Ir spėja. Ir spėja. Ir galiausiai niekur nenueina arti fratricide. Dabar šioje kitoje situacijoje turime grupę žmonių, bet be robotų. Ir dabar žmonės gali, be to, kad spėja patys, matyti aplinkinių žmonių spėjimus. Ir plėtojasi kitiems žmonėms. Gerai? Sukurtas. Tarsi kartu gaminant žvejybos meškerę. [00:24:13] Taigi šis asmuo, jų pirmas spėjimas yra šuo. Bet jų kitas spėjimas yra skydas. Jūs galite pamatyti, kad skydas yra arčiau fratricide nei šuo. Ir šis asmuo spėja ir spėja ir gauna patarimų iš kaimynų. Ir galiausiai jis priartėja vis labiau. Jis baigiasi su žodžiu priešas. Gerai? Iš tikrųjų, kariuomenė buvo jo geriausias spėjimas. Buvo aukščiausia taškų vertė jo trajektorijoje.
Taigi, kaip robotai paveikė rezultatų pridėjimą? Vėlgi, tai rodo rezultatų santrauką. X ašyje yra ratas. Y ašyje yra vidutinė kosininė panašumo reikšmė šiame hiper-dimenziškame vektoriniame erdvėje, kuri yra grupės našumo matas. Ir čia yra grupė žmonių, kurie veikia, spėlioja savarankiškai. Taigi žmonės, kurie spėlioja vieni, nebūna labai sėkmingi, tiesa? Jie, jie, žinote, tai tik atsitiktinumas, ar jie galėtų kažkaip, ar, žinote, kažkoks įgimtas gebėjimas kiekvienam atskiram žmogui. Su laiku jie šiek tiek gerėja, artėdami prie tikslo. Visos grupės viršija solo. Ir tai yra senas žinomas rezultatas. Grupė žmonių yra kūrybiškesnė nei kitaip panašaus dydžio solo praktikų grupė. Bet ką mes pastebime, tai kad, jei pridėsime panašiausią robotą, robotą, kuris žiūrėjo į savo kaimynus, [00:25:17] ir sužinojo, kokia yra jų vietinė konsensuso nuomonė apie tai? Mano žmonės atrodo galvoją, kad tai yra geras žodis. Ir tada perduoda tai robotui tolimame tinklo taške. Tas robotas žymiai pagerino šios grupės žmonių našumą, kad padarytų atradimą. Turėtumėte sugebėti įsivaizduoti, kaip tai gali veikti inžinierių grupėje ar bet kurioje kitoje žinių darbe. Kaip, kaip galite efektyviai paskirstyti žinias, išvengdami grupės mąstymo ir skatindami kūrybiškumą, kūrę robotus, kurie padėtų žmonėms padėti sau. Robotas čia neturi smegenų. Jis nepataria idėjų. Jis tiesiog padeda žmonėms skleisti idėjas tarp savęs.
Taigi paprasti AI agentai su aiškia elgsena gali padidinti kūrybinio atradimo galimybes žmogaus grupėse, dalijantis idėjomis, aplink kurias yra vietinė konsensuso nuomonė vienoje grupės dalyje su žmonėmis tolimame grupės krašte. Ir kaip rezultatas, grupė gali geriau veikti.
Dabar mes taip pat pradėjome eksperimentuoti su fizinėmis sistemomis. Ir pridėjome humanoidinius ir nehumanoidinius robotus [00:26:19], turinčius paprastą dirbtinį intelektą, prie tiesioginių grupių žmonių ir parodėme, kaip jie gali palengvinti žmonių grupių bendradarbiavimą, padedant jiems įveikti trintį ar nesugebėjimą bendradarbiauti savo sąveikose. Vienas mano mėgstamiausių pavyzdžių yra eksperimentas, kurį atlikau su mano buvusia studentė, Maggie Traeger, kuri sėdi gale ir dabar yra asistentė profesorė Notre Dame universitete, tai šis eksperimentas. Šiame eksperimente mes pasiėmėme tris realius žmones, kurie atėjo į laboratoriją, ir humanoidinį robotą. Mes sukūrėme nedidelį žaidimą, mažą geležinkelių žaidimą, kuris žaidžiamas planšetiniame kompiuteryje, ir šiai žmonių grupei bei robotui buvo pavesta užduotis, susijusi su geležinkelio linijos klojimu nuo taško A iki taško B, kaip mažas Thomas the Tank Engine geležinkelio takas. Tada mes jiems davėme keletą dalių, kurias jie galėjo pasirinkti planšetėje, pavyzdžiui, tiesių dalių ir išlenktų dalių. Tačiau mes kartais sukūrėme situaciją, nors atrodė, kad buvo mišrių dalių ir kad principu jie turėtų galėti pereiti nuo taško A iki taško B, mes išradingai suplanavome taip, kad dalys neturėtų tinkamo išlenktų dalių skaičiaus, kad galėtų nusigauti nuo taško A iki taško B. [00:27:21] Taigi jie negalėjo to padaryti. Jie nesugebėjo išspręsti problemos, nes to nesuprato. Gerai? Pirmiausia kiekvienas žmogus paeiliui klojasi geležinkelio atkarpą, tada kitas asmuo ir dar kitas asmuo. Jie dirba kartu, kad sujungtų tašką A su tašku B savo planšetėse.
Ir ką mes padarėme šiame eksperimente, tai mes manipuliavome, ir jie žaidė 30 raundų šio žaidimo šiame virtualiame pasaulyje, ir mes turėjome 51 grupę, mes manipuliavome robotų bendravimo stiliumi, konkrečiai, ar robotas reiškė pažeidžiamumą pripažindamas klaidą. Taigi robotas sakė, žinote, aš padariau klaidą. Arba ar robotas pasakojo tėtės juokelius. Aš manau, kad visi žino, kas yra tėtės juokeliai. Gerai. Taip pat turėjome robotą, kuris pasakojo, beje, tai yra kultūrinis universalus dalykas, kaip antropologai Amazonės džiunglėse tyrinėjo vietines tautas, ir tenys tėčiai taip pat pasakoja tėtės juokelius. Ir vaikai sako, aš negaliu patikėti tėčio kvailais juokeliais. Bet kokiu atveju, ir iš tikrųjų yra teorija apie tai, kad tėtės juokeliai turėtų sustiprinti vaikus tam tikru būdu. Tai yra teorija. Bet kokiu atveju, tai yra visai kita tema. Taigi, mūsų robotai pasakojo tėtės juokelius arba reiškė pažeidžiamumą. [00:28:21] Ir mes domėjomės, ar robotų kalbos pokyčiai turėjo galimybę ne tik paveikti tai, kaip žmonės bendrauja su robotais, bet ir kaip žmonės bendrauja tarpusavyje. Ir dar kartą, tai suteikia galimybę modifikuoti socialinius santykius įvedus dirbtinius agentus į hibridinius žmonių ir mašinų sistemas.
Taigi, štai mažas pavyzdys, o aš jums nesakiau rezultatų. Taigi štai, kai mes turime, šie linijų storiai, mes nustatėme vaizdo kameras, kad stebėtume, kas kalba su kuo ir kiek jie kalba. Ir šių linijų storis rodo, kiek antras asmuo kalba su pirmu asmeniu ir panašiai. Taigi, pirmas asmuo su robotu nekalba daug. Tai plona linija. Ir kai turėjote neutralų robotą, gaunate šį modelį. Bet kai turėjote pažeidžiamą robotą, visos šios linijos sutirštėja ir subalansuoja. Taigi, mes radome, kad pažeidžiamas robotas padidino kalbos lygybę tarp žmonių, padidino kalbos garsumą tarp žmonių ir, išskirtiniuose rezultatuose, [00:29:22] padidino žmonių pasitenkinimą toje aplinkoje.
Ir štai vienas įrašas iš dviejų skirtingų raundų, kuris iliustruoja, kad robotas pirmiausia kalba neutraliai, pasyviuoju balsu, kas mažai veikia žmonių komunikaciją. Robotas sako, labai Reagano stiliumi, padaryta klaida.
Bet kitame raunde robotas sako, aš padariau klaidą. Ir jūs galite tiesiog stebėti, kas čia vyksta. Pažiūrėkime, ar galime tai suveikti. (25 sekundžių pertrauka) Taigi, per daugybę dešimčių įrašymų tai yra tas modelis, kurį mes randame. Taigi, paprastas manipuliavimas, paprastas manipuliavimas roboto kalbos modelyje keičia, kaip žmonės bendrauja tarpusavyje. [00:30:25] Ir aš spėju, nesunku įsivaizduoti, kaip visa tai, kaip mes kuriame savo chatbotus ir viską kitą, gali paveikti ne tik tą Alexa pavyzdį, kurį pateikiau jums pradžioje, kaip mes vieni kitiems elgiamės. Žmonės atrodo labiau pasitikintys vieni kitais ir daugiau pramogauja šioje situacijoje.
Dabar čia viskas ramiai, ir manau, kad tai paskutinis eksperimentas, kurį jums parodysiu, po to baigsiu, dar viename eksperimente sukūrėme novatorišką kibernetinę-fizinę platformą, kad išbandytume tokius socialinius ir tikrai etinius paprastų AI efektus. Kadangi atsižvelgiant į kolektyvinio veikimo problemų pobūdį, AI įtraukimasis į žmonių grupes paradoxaliai ir nelaimingai gali slopinti esamus naudingus socialinius normatyvus žmonėms, tokius kaip bendradarbiavimas ir altruizmas, kuriuos mes išsivysčius kaip rūšis turime. Taigi turime šimtus tūkstančių metų natūralios atrankos, dirbančios su mumis, kad būtume pajėgūs spręsti kolektyvinio veikimo problemas. Taigi klausimas yra, na, jei mes šiek tiek to agentūros suteiksime mašinoms, ar mes prarasime gebėjimą dirbti kartu sprendžiant šias problemas? [00:31:32] Ar mes pradėsime pasikliauti šiais aparatais, ir taip sumažinsime mūsų natūralų gebėjimą bendradarbiauti ir koordinuoti ir kurti ir panašiai? Taigi šio eksperimento metu, bendradarbiaudami su Hiro Shirato iš CMU, kitu buvusiu mano studentu, mes sukūrėme platformą, kuri apėmė du mažus Raspberry Pi, apdovanotus mažais mechaniniais automobiliais, ir prijungėme ją prie mūsų turimos programinės įrangos, kuri leidžia organizuoti internetinius eksperimentus dideliu mastu. Taigi žmonės buvo savo namuose, ir jiems buvo priskirti vienas iš šių automobilių, ir jie vairavo šiuos automobilius vienas kitam link.
ir mes leido juos žaisti vištienos žaidimą. Taigi vištienoje, žinote, kas pirmas pasieks kitą pusę, tas laimi. Taigi jūsų motyvacija yra neatsitraukti nuo kito. Bet jei abu nusprendžiate neatsitraukti, tuomet susiduriate, ir abu gaunate blogiausią rezultatą. Taigi, ką žmonės darytų šioje situacijoje, jei žaidžia kartojamą vištienos žaidimą, tai greitai išmoktų paeiti iš eilės. Šį kartą jūsų eilė pravažiuoti tiesiai, aš sustosiu ir leisiu jums, bet kitą kartą jūs sustosite ir leiskite man pravažiuoti tiesiai. [00:32:35] Jei mes būsim savanaudžiai, mes tiesiog toliau susidursime, kaip sunaikindami vienas kitą vėl ir vėl, arba kvailai, abu nukrypsime ir nei vienas negaus tiesaus pravažiavimo. Taigi šioje situacijoje geltonas automobilis nusprendžia sustoti, mėlynas automobilis tiesiog tęsia nesutriko visą kelią iki kitos pusės.
Ir mes naudojome 300 dalyvių ir 150 dyadų, o jie buvo apmokėti priklausomai nuo to, kaip greitai jie pasiekė kitą pusę. Tada pridėjome šiek tiek dirbtinio intelekto. Pridėjome automatinę stabdymo pagalbą, kur, kai turėjote artumo įspėjimą, kai priartėjote prie kitos mašinos, ji sustabdė ir suteikė galimybę apsispręsti, ar turėčiau nuvažiuoti šalin ir praleisti šį kitą vaikiną, ar atvirkščiai. Arba pridėjome automatinę vairavimo pagalbą, kuri, kai ji priartėjo prie kitos mašinos, tiesiog nušoko į šoną, gerai? Ir pridėjome minimalų bendravimo funkciją, kur žmonės galėtų pasakyti ačiū ar kažką panašaus. Tikrai labai minimalus bendravimas. Ir visų pirma, mes parodėme, kad automatinė stabdymo pagalba, kai mašinos sustoja fiksuotu atstumu prieš susidūrimą, padidino žmonių altruizmą. [00:33:38] Tai yra, suteikti kelią kitiems, kaip padaro geltona mašina čia. Taigi, pridėjus šiek tiek automatinės stabdymo pagalbos dirbtinio intelekto, buvo lengviau žmonėms bendradarbiauti ir dirbti kartu šioje situacijoje. Be to, leidimas žmonėms bendrauti dar labiau padeda jiems daryti tarpusavio nuolaidas automatinio stabdymo sąlygomis. Kita vertus, automatinė vairavimo pagalba, kai mašina tiesiog nušoko į šoną, visiškai slopino tarpusavio bendradarbiavimo atsiradimą tarp žmonių, remdama savanaudiškumo maksimalizavimą. Žmonės tiesiog atsisako savo moralinės agentūros. Jie daugiau nesijaudina. Jie tiesiog leidžia mašinai nuolat nušokti, ir jie pasiduoda, gerai? Taigi, visos įgimtos etinės gebos, kurias žmonės turėjo, dabar buvo pašalintos dėl dirbtinio intelekto pridėjimo automatinio vairavimo sąlygomis, tačiau sustiprintos automatinio stabdymo sąlygomis. Ir tai taip pat turėtų priversti jus susimąstyti. Turėtumėte galvoti, o dieve, kiekvienas mažas dalykas, kurį darome programuodami šiuos dirbtinio intelekto agentus, gali turėti gerą arba blogą poveikį žmonių natūralioms tendencijoms.
Žmonių gebėjimas bendradarbiauti, laukti savo eilės ir elgtis altruistiškai gali sumažėti, kas galiausiai lemia prastesnius bendrus ir individualius rezultatus. [00:34:46] Ir iš tikrųjų, trumpai tariant, AI gali sukelti tam tikrą moralinę tinginystę. (..) Štai vienas galutinis pavyzdys apie ilgalaikį pokytį, atsiradusį po sąveikos su AI hibridinėse sistemose. Ir tai taip pat yra pavyzdys, kaip AI buvimas gali pakeisti tarpžmogiškus santykius, net kai AI jau nebedalyvauja šiuose santykiuose. Taigi 2016 metais DeepMind sukūrė AlphaGo, o tą pačią metų dieną šis AI agentas žaidė prieš Lee Sedol, išskirtinį pasaulio čempioną iš Korėjos.
Aš stebėjau rungtynes. Negaliu žaisti Go, bet pripažįstu, kad tai nuostabi žaidimas. Mano sūnus žaidžia Go. (.) Ir aš iš tikrųjų palaikiau Lee Sedol. Lee Sedol yra kaip herojus Korėjoje, kaip mes turėtume, žinote, didelius atletus mūsų Wheaties dėžutėse ir panašiai. Jo atvaizdas ant mažų makaronų pakuočių ir dribsnių pakuočių. Man tai nuostabu, kad Korėjoje toks protingas okulinas kaip aš yra, žinote, laikomas svarbiu žmogumi, gerai? Taigi jis labai populiarus Korėjoje. Ir jis pasirodo pirmose rungtynėse, ir jis per daug pasitikintis savimi. [00:35:47] Galiu pasakyti, kad jis per daug pasitikintis savimi. Ir jis pralaimi mašinai, tada atsiprašo savo gerbėjų. Jis sako: atsiprašau. Tai penki žaidimai. Laimi trys iš penkių. Tada jis žaidžia antrą žaidimą ir vėl pralaimi. Dabar jis rimtai susikaupia. Tada jis žaidžia trečią žaidimą ir pralaimi. Jis pralaimėjo varžybas.
Ir galėjote matyti auditoriją, o komentatoriai stebėjosi mašinos gebėjimu žaisti Go, atlikdama šiuos keistus ir gražius ėjimus, kurių kai kuriuos jie vėliau atrado, jog buvo atlikti, nes turime įrašus, siekiančius tūkstančius metų atgal, apie Go žaidimus, žaistus Kinijos imperatoriškoje teisme. Ir jie galėjo rasti: oi, Dieve, tai viduramžių ėjimas, kurį atliko mašina. Mes to seniai nebuvome matę.
Ir tada Lisa Dahl grįžta ketvirtame žaidime, ir jis laimi. (..) Aš verkiau. Buvau toks laimingas. (..) Nes jis turėjo tą aparatą, žinai, jis sugrįžo dėl mano rūšies ir nugalėjo tą prakeiktą aparatą. Kaip, heroiškai, kaip aš negalėjau suprasti, kokios smegenų galios turėjo prireikti Lisai Dahl tai padaryti. [00:36:49] Tuo metu buvau ekstaziškai laimingas ir labai didžiuodavausi juo, kad jis vis tiek stengėsi, net ir po to, kai pralaimėjo rungtynes.
Dabar, kas įdomu, yra tai, kad po interviu, Lisa Dahl sakė, jog jo pačio žaidimo stilius pasikeitė po rungtynių. Taigi, dar kartą AI padeda žmonėms padėti sau, gerai? Jis keičia, kaip žaidžia dėl kontakto. O vėlesni tyrimai, kuriuos atliko kiti mokslininkai, nagrinėjo profesionalius Go žaidėjus ir medianos sprendimų kokybę. Yra tam tikra norma Go, kaip vertinti, kiek gera yra ėjimas, ir medianos naujovę, kaip neįprastas yra ėjimas. Ir jie nustatė, kad kai AlphaGo 2016 metais įveikia žmogų pasaulinį čempioną, visame pasaulyje Go žaidėjai pradeda daryti geresnius ir novatoriškesnius ėjimus, gerai? Taigi visi žmonės, žaidžiantys Go tarpusavyje, pasikeitė, nes AlphaGo buvo pridėtas. AI padeda žmonėms padėti sau. Taigi mes toliau plėtojame savo darbą, kad sukurtume ir pridėtume paprastus robotus šiose ir kitose situacijose, susijusiose su socialiniais dilemomis ir kolektyvinės veiklos problemomis. [00:37:55] Mes žiūrime, kaip robotai gali paveikti koordinavimą, bendradarbiavimą, komunikaciją, kūrybiškumą, pasitikėjimą, navigaciją, dalijimasi ir evakuaciją. Ir mūsų laboratorijoje mes nesame orientuoti į super protingą AI, tokį kaip LLMs ar AlphaGo, kad pakeistume žmogaus pažinimą, o labiau į neprotingą AI, kad papildytume žmogaus sąveiką. Mes nesistengiame išrasti super protingos AI, kad pakeistume žmogaus pažinimą. Mes kuriame neprotingą AI, kad papildytume žmogaus sąveiką. Ir mūsų AI gali būti neprotingas, nes žmonės yra protingi. Mūsų AI kaip platina, pridėta prie organinės chemijos reakcijos. Tai tiesiog katalizatorius. Viskas, ko reikia, yra katalizatorius, kad padėtų grupei žmonių tapti geresniais.
Ir žinoma, svarbu pripažinti, kad priežastys gali būti ir priešingos. Socialinė dirbtinė intelektas gali būti naudojamas pakenkti žmonių grupėms. Tačiau mūsų požiūris siūlo daugybę kitų techninių ir konceptualių pranašumų. Visų pirma, šie paprasti botai yra suprantami ir todėl aiškiai iliustruoja platesnes galimybes ir galias. Skirtingai nuo LLM, kurie yra „juoda dėžė“ ir jūs nežinote, ką jie daro, galiu jums pasakyti tiksliai, ką mūsų botas daro. [00:38:58] Jis yra triukšmingas. Jis tarpininkauja pristatymams. Jis perduoda žinutes labai specifiniu būdu. Antra, mūsų kontroliuojami botų eksperimentai taip pat gali suteikti įžvalgų apie tai, kaip žmonių elgesys galėtų naudinga keistis. Kitaip tariant, galiu tai perkelti iš laboratorijos ir galiu išmokyti žmonių grupę daryti tai, ką darė mūsų botai. Tam tikra prasme, jums nebus lengva išmokyti žmonių grupę tiesiog daryti tai, ką ChachiPT padarė čia. Mes nežinome, ką ChachiPT daro, bet jūs žinote, ką jie daro mūsų situacijoje.
Taigi, norėčiau užbaigti, tai mano paskutinis skaidrė, su metafora. Pagalvokite apie šiuos du objektus. Abu jie pagaminti iš anglies. Jei paimsite anglies atomus ir sujungsite juos vienaip, gausite grafitą, kuris yra minkštas ir tamsus. Paimkite tuos pačius anglies atomus ir sujungite juos kitaip, gausite deimantą, kuris yra kietas ir skaidrus. Čia yra dvi svarbios intelektualinės idėjos. Pirmiausia, šios savybės - minkštumas ir tamsumas, kietumas ir skaidrumas - nėra anglies atomų savybės. Tai yra anglies atomų rinkinys. Antra, kurias savybes gausite, priklauso nuo to, kaip sujungsite anglies atomus tarpusavyje. Paimkite tuos pačius anglies atomus ir sujunkite juos vienaip, gausite vieną savybių rinkinį. [00:40:01] Sujunkite juos kitaip, gausite visiškai kitą savybių rinkinį. Panašiai, mūsų ryšių pobūdis veikia mūsų socialinių grupių savybes. Ryšiai tarp žmonių gali padaryti visumą didesnę nei jos dalių suma. Naujos savybės, tokios kaip bendradarbiavimas ir smurtas, inovacijos ir produktyvumas, pasitikėjimas ir nepasitikėjimas, tiesa ir melas, turtas ir skurdas, sveikata ir laimė, gali atsirasti ir plisti dėl ryšių, dėl ryšių tarp žmonių, o ne vien tik dėl pačių žmonių. Iš tikrųjų, mūsų pasaulio patirtis priklauso nuo tinklų aplink mus struktūros ir funkcijos. Ir mūsų rūšis evoliucionavo tam, kad tai būtų taip. Ir neturėtų nustebinti, kad mes reaguosime į AI, esantį mūsų tarpe. Ačiū labai.
