Nikolaus Christakis: [00:00:05] Labi, cilvēki ir iekļauti sociālajos tīklos, un šie tīkli pakļaujas ļoti specifiskiem matemātiskiem, bioloģiskiem un sociāliem principiem. Un arvien vairāk mēs pievienojam mākslīgo intelektu tiešsaistes aģentu un fizisko robotu formā, kas mijiedarbojas ar mums, it kā tie būtu sociālas būtnes. Un šie aģenti, kurus mēs pievienosim saviem sistēmām, svārstās no bezvadītāju automašīnām uz ceļiem līdz norēķinu mašīnām veikalos, līdz humanoīdiem robotiem mājās vai fabrikās vai kaujas laukos vai ugunsdzēšanas situācijās, līdz bezķermeņa autonomiem aģentiem, piemēram, tiešsaistes robotiem un digitālajiem AI palīgiem mūsu telefonos, mūsu brillēs vai mūsu darba vietās. Un šīs tehnoloģijas mijiedarbojas ar mums uz līdzvērtīgas platformas, it kā tās būtu cilvēki. Un tās radīs hibrīdveida sistēmas, kurās cilvēki un mašīnas sadarbojas. Un šīs sistēmas piedāvā iespējas jauna veida sociālajam mākslīgajam intelektam.
Tagad ļaujiet man jums sniegt vienkāršu piemēru par to. Kad jūs iegūstat, piemēram, digitālo asistentu kā Alexa, šī ierīce ražotājs ļoti uztraucas par cilvēka-mašīnas mijiedarbību. Un šī cilvēka-mašīnas mijiedarbība ir optimizēta. Piemēram, jūs nekad nepirktu Alexa, ja katru reizi, kad jums kaut kas no tā jālūdz, jums būtu jāsaka, atvainojiet, Alexa, es ļoti atvainojos, ka jūs pārtraucu. Ja jūs neiebilstat, vai varat, lūdzu, man pateikt vārdu? [00:01:35] laika prognoze rīt, vai ne? Tas tiktu uzskatīts par absurdas pieklājības līmeni. Jūs sagaidāt, ka varat teikt, Alexa, laiks, un tad mašīna paklausīgi atbild. Un tas ir labi, līdz jūs šo mašīnu ievietojat savās mājās un jūsu bērni runā ar šo mašīnu un iemācās būt nepieklājīgi. Un tad viņi dodas uz rotaļu laukumu un ir nepieklājīgi pret citiem bērniem. Tādējādi šī mašīna, kas ir pievienota mūsu apkārtnei, nav tikai par cilvēka-mašīnas mijiedarbību, tā ir par cilvēka-cilvēka mijiedarbību mašīnu klātbūtnē. Un tāpēc mani interesē nevis tas, bet cilvēka-cilvēka mijiedarbības mašīnu klātbūtnē. Mēs varam izmantot izpratni par sociālajām tīklu struktūrām un funkcijām, lai novērtētu sociālās mākslīgā intelekta izmantošanu un būtību cilvēku grupās, ņemot vērā tādus faktorus kā uzticība un sadarbība, kas ir nepieciešami, lai cilvēku grupas strādātu kopā, un kas ietekmē šo kolektīvu uzvedību.
Ļaujiet man uzsvērt dažus darbus, ko mēs veicam, izmantojot vairākus pieejas tīklu eksperimentos, kas saistīti ar mākslīgo intelektu. Šie eksperimenti izvērtē, kā AI varētu ietekmēt cilvēku sociālo interakciju struktūru un funkciju. [00:02:45] Tagad ir kolektīvās rīcības problēmu klase, kas ir pazīstama kā koordinācijas problēmas. Tas ir, šīs ir problēmas, kurās mums jāstrādā kopā, ja vēlamies radīt kaut ko noderīgu. Dažreiz šīs problēmas risinām, izveidojot centralizētas institūcijas, piemēram, policiju vai tiesas vai valdības. Bet bieži vien mēs spējam atrisināt kolektīvās rīcības problēmas, kas prasa mums saskaņot vai sadarboties ar lielu skaitu cilvēku decentralizētā veidā. Mēs patiesībā esam attīstījuši šo spēju. Un viens konkrēts kolektīvās rīcības problēmas veids, ar kuru es vēlētos sākt šodien, ir koordinatorā.
Piemēram, lai izvairītos no šīs sastrēguma, cilvēkiem jākoordinē savas darbības, darot ko atšķirīgu no saviem kaimiņiem. Ja visi iznāk no savām mājām tajā pašā laikā, visi nonāk sastrēgumā. Bet, ja viņi nedaudz maina savas izsniegšanas laiku un iznāk noteiktos intervālos, tad neviens nenonāk sastrēgumā. Tagad, protams, varētu būt kāda veida centrālā autoritāte, kas šo koordinējusi. Jūs pametat pirmie, tad jūs, un tad jūs. [00:03:45] Bet ideāli, ko jūs vēlētos, ir kāds decentralizēts, no augšas uz leju nesistēmisks veids, kā cilvēki varētu koordinēties, lai atrisinātu šo problēmu.
Tad bija mūsu pirmais eksperiments, kas tika publicēts 2017. gadā par šādiem hibrīdiem sistēmām, kas pēta, kā mākslīgais intelekts varētu palīdzēt ar šādu izaicinājumu. Mēs izpētījām cilvēku grupu sniegumu, kas bija iesaistītas koordinācijas uzdevumā. Mūsu paradigma bija aizborrowēt no datorzinātnes kaut ko, ko sauc par grafu krāsošanas problēmu. Tas ir klasiskā problēma datorzinātnē. Bet, ko mēs izdarījām, ir tas, ka mēs to ņēmām un ievietojām cilvēkus šajā situācijā. Mēs ņēmām 4,000 cilvēku un ievietojām viņus 230 tiešsaistes grupās. Šie cilvēki tika iekļauti šajās grupās. Viņi tika nejauši piešķirti vietai mākslīgajā tīklā, ko mēs izveidojām, kura struktūra aptuveni atgādināja reālus cilvēku tīklus. Viņi tika ievietoti šajās vietās un tika informēti, ka viņiem ir piešķirta viena no trim krāsām, [00:04:46] purpursarkana, oranža, purpursarkana, oranža un rozā. Viņiem tika teikts, ka viņiem jāizvēlas krāsa, kas atšķiras no viņu kaimiņiem.
Un viņiem tika doti pieci minūtes, lai to izdarītu. Tātad šie cilvēki skatīsies apkārt uz saviem kaimiņiem. Katrs cilvēks paskatīsies apkārt un teiks, piemēram, šis šeit ir rozā. Viņš redz, ka viņam ir rozā kaimiņš un oranžs kaimiņš. Ko viņam vajadzētu darīt, ir pāriet uz purpura krāsu. Un sarkanās līnijas šeit norāda uz krāsu konfliktiem. Citiem vārdiem sakot, ja divu blakus esošo mezglu krāsas ir vienādas, viņi saņem sarkanu līniju. Un fona purpura līnijas norāda uz sociālās mijiedarbības struktūru. Tātad jūs ievietojat cilvēkus šeit. Viņi katru sekundi vai pusotru skatās apkārt uz saviem kaimiņiem. Viņi veic pārslēgšanu, saskaņojoties ar mērķi, ka visiem jāizvēlas krāsa, kas ir atšķirīga no viņu kaimiņiem nākamo piecu minūšu laikā. Un, ja viņi to izdarīs, tad tikai tad viņi tiks apmaksāti. Es samaksāšu jums par sadarbību. Un, ja jūs visi strādājat kopā decentralizētā veidā, lai atrisinātu problēmu, jūs visi saņemat samaksu. Pretējā gadījumā jūs neko nesaņemat, labi? Tātad šeit ir tas, kas notiek šajā eksperimentā. Šeit x-ass ir laiks sekundēs līdz piecu minūšu atzīmei. [00:05:47] Spēle ilgst piecas minūtes, lejā šeit kaut kur. Un šeit y-ass ir mērķa funkcija vai krāsu konfliktu skaits. Un tāpēc šeit sākumā ir 12 krāsu konflikti. Viņiem nejauši piešķir sākotnējās krāsas. Un tas ir parādīts šajā mazajā histogrammā tur. Un tāpēc cilvēki sāk skatīties apkārt un pārslēgt savas krāsas. Jūs zināt, viņi pārslēdz un viņi pārslēdz. Un viņi nonāk šajā punktā, kur viņi tagad ir sasnieguši situāciju, kurā ir krāsu konflikts starp šiem diviem cilvēkiem. Un šis konflikts tomēr ir tas, ko mēs saucam par neizšķiramu konfliktu. Tātad gaiši oranžās līnijas ir izšķirami konflikti. Tas ir šis puisis šeit. Viņš var veikt pāreju uz purpura, kas atrisina konfliktu. Bet šie puši šeit, kas ir oranžā krāsā, nevar veikt nevienu pāreju, kas samazinātu krāsu konfliktu skaitu viņu apkārtnē, vai ne? Šis puisis nevar pāriet uz purpura, jo, ja viņš pāries uz purpura, viņam būs vairāk konfliktu. Viņam ir, piemēram, četri purpura kaimiņi. Un viņš nevar pāriet uz rozā, jo viņam ir divi rozā kaimiņi. Tātad viņš paskatās un saka, ka vismazākais konflikts, kāds man ir, ir vienkārši palikt oranžam. Tātad šī grupa ir iestrēgusi, vai ne? [00:06:49] Viņiem ir neizšķirams konflikts un nekas nevar notikt. Nav progress kolektīvās rīcības problēmas risināšanā, līdz viens no šiem diviem cilvēkiem veic pretintuīciju pāreju, pārejot uz purpura vai rozā, un uz īsu brīdi palielina konfliktus. Un tieši tas notiek. Un tad laiks paiet, un cilvēki 245 sekundēs atrisina problēmu. Mašīna atklāj risinājumu, pārtrauc spēli un samaksā viņiem, labi?
Tagad, tāpēc ka mēs bijām viltīgi, ko mēs izdarījām, ir, ka mēs veicām dažus eksperimentus, kur mēs slepeni nomainījām dažus cilvēkus ar robotiem. Un mēs novērtējām, kā mākslīgā intelekta apgādātu robotu pievienošana, lai izveidotu hibrīdsistēmu, ietekmēja grupas sniegumu. Vai ir iespējams pievienot dažus robotus cilvēku grupām un uzlabot viņu spēju koordinēties, saskaroties ar šādu izaicinājumu? Un ko mēs izdarījām, ir, ka mēs pievienojām trīs robotus, un eksperimentāli mainījām divus asis. Kur robotus novietoja, kur viņi nejauši nonāca tīklā, kur viņi tika novietoti [00:07:51] tīkla centrā, vai kur viņi tika novietoti tīkla perifērijā. Un mēs nejauši manipulējām viņu mākslīgā intelekta kapacitāti šeit ļoti vienkāršā veidā. Proti, mēs manipulējām ar to, vai roboti rīkojās perfekti vai rīkojās ar nelielu troksni.
Perfekcijas situācijā, ik pēc pusotras sekundes, roboti pēta savus kaimiņus, un pēc tam viņi izvēlas krāsu, kura rada vismazāk konfliktu ar viņu kaimiņiem. Ko jūs varētu uzskatīt par neracionālu uzvedību. 10% troksņa situācijā viņi to darīja, bet 10% laika viņi izvēlējās nejaušu krāsu. Un 30% troksņa situācijā viņi to darīja, bet 30% laika viņi izvēlējās nejaušu krāsu. Tātad mēs padarījām robotus, sakot, arvien vairāk pakļautus kļūdām, arvien trokšņainākus.
Un tad mēs paskatījāmies, mums bija, domāju, kaut kas kā, sāksim ar kontroles grupu. Mēs šeit attēlojām uz x-ass ir laiks, un tās ir izdzīvošanas līknes. Uz y-ass ir varbūtība, ka grupa kopumā nav atrisinājusi koordinācijas spēli. Tātad šeit, ja jūs paskatāties šeit, piemēram, sākumā, pie nulles laika, [00:08:51] 100% no tikai cilvēku grupām, sesijām ar tikai cilvēkiem, ir oranžā krāsā. Sākumā 100% cilvēku tikai grupas nav atrisinājušas spēli. Un tad, laika gaitā, arvien vairāk cilvēku grupas atrisina spēli, tāpēc līdz piecu minūšu beigām varbūt 60% no cilvēku tikai grupām ir atrisinājušas spēli.
Nu, ko notiek, ir tas, ka, ja tu 10% trokšņainos robotus novieto centrālajā pozīcijā tīklā, tu iegūsti pamanāmi uzlabotu veiktspēju. Šeit būtiski lielākas cilvēku grupas, kad vidū tika pievienoti roboti ar nelielu trokšņa līmeni, varēja atrisināt problēmu. Faktiski, viņi samazināja mediāno risināšanas laiku no 232 sekundēm līdz 103 sekundēm. Un šajos datos ir arī citi atklājumi. Ideāli roboti un pārāk trokšņaini roboti abos gadījumos nebija noderīgi. Tev bija nepieciešama noteikšana. Bija tieši tie 10% trokšņaino robotu, kas bija visnoderīgākie, un arī robotu pozīcija ietekmēja rezultātu. Bet būtiski šajos eksperimentos mēs arī atklājām, ka cilvēki, kuri nebija saistīti ar robotiem, [00:09:52], kuri bija tālāk tīklā. Tātad grafikos bija daži cilvēki, kuri bija savienoti ar robotiem un citi, kuri nebija. Mēs atklājām, ka pat tie cilvēki sāka mainīt veidu, kā viņi spēlēja. Tātad bija viļņu efekts, kaskādes efekts. Labumi no tā, kā robots mijiedarbojās ar cilvēkiem, izplatījās tīklā un tad sāka ietekmēt cilvēku-mijiedarbību, kas bija arvien tālāk tīklā. Citiem vārdiem sakot, roboti palīdzēja cilvēkiem palīdzēt pašiem, un trokšņa labumi izplatījās šajā sociālajā sistēmā.
Tagad ļaujiet man vēlāk precizēt idejas par šo kolektīvo izaicinājumu un to, kā šie vienkāršie mākslīgie aģenti varētu palīdzēt ar citu analoģiju. Iedomājieties, ka jums ir lidmašīna. Tas ir līdzīgi kā gradienta nolaišanās mašīnmācībā, piemēram. Jums ir plakne, un jums ir kalni un viens augsts kalns. Un jums ir dažādi kalni, labi, ar dažādām augstuma pakāpēm. Un šeit augšā ir augstākais kalns. Tātad es laižos, es paņemšu četrus no jums un nolikšu jūs kaut kur šeit, un es jūs roku saistīšu kopā, katra skata atšķirīgā virzienā, [00:10:54] un es jūs aklinašu. Un es jums saku, atrodiet augstāko kalnu. Tātad jūs runājat savā starpā un sakāt, nu, kāpēc mēs nepaņemam katrs soli savā virzienā un neziņojam grupai? Tātad jūs veicat soli uz ziemeļiem un sakāt, ka šeit ir kalnaina vieta. Un dienvidi saka, ka šeit ir lejtece. Un austrumi un rietumi saka, ka šeit virziens ir horizontāls. Tātad jūs visi piekrītat, ka paņemsiet soli uz ziemeļiem. Un jūs to darāt atkārtoti, līdz jūs sasniedzat punktu, kad visi sakāt, ka šeit ir lejtece.
Vai esat atraduši augstāko kalnu? Nē. (...) Ko jūs esat izdarījuši? Jūs esat atraduši tuvāko kalnu.
Tagad jūs nekad neatradīsiet augstāko kalnu? Nē. Jūs nekad neatradīsiet augstāko kalnu. Jūs esat iesprūdis. Jūs esat lokāli optimizēts, bet globāli neoptimizēts. Un, lai globāli optimizētu, jums ir nepieciešama nedaudz troksnis. Jums ir jāļauj šai cilvēku grupai reizēm netipiski nobraukt no kalna vai no pakalna. Tātad viņi reizēm izvēlas nejauši soļu secību, līdz atgriežas plaknē. Un pēc tam viņi orientējas visapkārt šajā fitnesa ainavā, izpētot visus šos kalnus, līdz nonāk šajā virsotnē. [00:11:56] Un šī augstā virsotne, kas ir globālais optimums, parasti ir saņemšanas stāvoklis, jo ir nepieciešams daudz vairāk troksņa, lai nokļūtu no šīs virsotnes nekā no citām virsotnēm. Un tagad jūs svārstaties ap globālo optimumu. Tātad mūsu darbā mēs esam izpētījuši šāda veida vienkāršu programmēšanu, kas iekļauta sociālajos sistemas, lai noskaidrotu, vai mēs varam uzlabot cilvēku sniegumu, risinot dažādas kolektīvās rīcības problēmas.
Tagad vēl viena kolektīvā rīcības problēma ietver citu izaicinājumu, kas ir sadarbība, nevis koordinācija. Cilvēkiem bieži vien ir jānodarbojas ar sadarbību, lai ražotu to, kas pazīstams kā sabiedriskais labums. Un bāka ir viens no kanoniskajiem piemēriem sabiedriskajam labumam. Sabiedriskajam labumam ir divas kanoniskas iezīmes. Pirmkārt, tas ir saukts par nenovēršamu. Un tas nozīmē, ka citas personas nevar tikt liedzamas to lietot. Ja tu uzbūvē bāku savām personiskajām vajadzībām, jo tu navigē pa jūru un nevēlies ietriekties krastā, tas ir lieliski tev, bet tu nevar apturēt nevienu citu no tās izmantošanas, labi? Nenovēršams. [00:12:58] Un arī, tas ir nenodrošinājams. Tas nozīmē, ka viena cilvēka patēriņš nesamazinās citu patēriņu. Ja es izmantoju gaismu no savas bākas, nav mazāka gaisma, ko tu vari izmantot. Un tas ir atšķirībā, piemēram, no kūkas gabala. Ja man ir kūkas gabals, tas ir mans, labi? Es varu tevi novērst no tā ēšanas. Un, ja es to apēdu, tev nav pieejams neviens. Tātad sabiedriskajam labumam ir šīs iezīmes, un tās padara ļoti grūtu sabiedrisko labumu ražošanu. Jo, kad runa ir par bākas būvniecību, ir ļoti kārdināti ielikt savas individuālās intereses pret grupām. Ja tu nepiedalies bākas būvniecībā, tu joprojām vari gūt labumu no tās. Un tāpēc visi ir kārdināti neko nedarīt, un tad bāka netiek uzbūvēta visu labā. Un ir vērts uzsvērt, ka sabiedriskie labumi ir noderīgi, jo tu faktiski vari ražot lietas ar tiem, piemēram, drošu ceļojumu pa jūru. Tādējādi ieguldījumu trūkums sabiedriskajos labumos ir nopietna problēma mūsu sabiedrībā, un to sauc arī par kopienu traģēdiju. Šie sabiedriskie labumi, piemēram, uzticības normas, ko mēs uzturam starp sevi, ir efektīvi. [00:14:01] Padomā par to, kad tu biji vidusskolā. Daži no jums gāja uz vidusskolu, kur studenti uzticējās cits citam, un tas nozīmēja, ka jūs varējāt atstāt savus mugursomas vienatnē gaiteņos un neuztraukties, ka kāds tās nozags. Citi no jums gāja uz vidusskolām, kur nebija tādu uzticības normu, un tagad jums bija jāpieslēdz mugursoma vai jātur to pie sevis visu laiku. Kura no tām divām vidēm, domā, ka tu labāk mācītos? Pareizi? Pirmajā vidē. Tātad šī norma, kas tiek kopīgi uzturēta, ir produktīva. Šajā gadījumā, produktīva mācīšanās. Šeit, produktīva drošai ceļošanai pa jūru un tā tālāk.
Tātad sadarbība cilvēku grupās, lai radītu sabiedriskās labumus, ir izaicinoša, un ir nepieciešami dažādi mehānismi, lai to uzturētu. Mēs esam veikuši daudz eksperimentu, kuros cilvēki tiek iekļauti tīkla grupās un aicināti spēlēt dažādus sabiedrisko labumu spēles ar saviem kaimiņiem, manipulējot ar daudzām strukturālajām un citām iezīmēm gadu gaitā. Piemēram, mēs sākām pirms gadiem ar eksperimentu, kurā cilvēki tika ievietoti tādā tīklā. Viņi tika iepazīstināti ar saviem kaimiņiem, un viņi spēlēja sabiedrisko labumu spēli no uzvedības ekonomikas [00:15:03], kur iespējams, es varētu dot nedaudz naudas katram no saviem kaimiņiem. Piemēram, es paņemu dolāru un sadalu to starp saviem kaimiņiem. Pēc tam zinātnieki dubulto dolāru. Teiksim, man ir četri kaimiņi. Teiksim, man ir trīs kaimiņi, un es dodu dolāru grupai. Tas kļūst par diviem dolāriem. Šie divi dolāri tiek sadalīti starp mums četriem. Tātad visa grupa iegūst bagātību divu dolāru apmērā, bet es saņemu tikai 50 centus. Divi dalīts ar četri, es saņemu atpakaļ 50 centus. Tātad, lai gūtu labumu citiem, man jāveic upuris. Tātad dabiski visi saka, es nevēlos upurēt. Lai visi pārējie muļķi dod naudu. Es nedošu neko un cerēšu, ka citi piedalīsies. Bet, protams, ja visi to dara, jums atkal notiek sabrukums. Un labākā uzvedība ir, ja visi maksimāli piedalās. Tātad šajā situācijā mēs sākam spēli. Zilās punkti ir tie, zila cilvēki ir jauki sadarbības cilvēki. Viņi maksimāli palīdz saviem kaimiņiem un rada sabiedriskos labumus, piemēram, būvējot bāku. Sarkanās punkti ir iznīcinošie, kuri neveic ieguldījumus, kas ir arī pazīstami kā defektori. Un, ko mēs atklājam šajā eksperimentā, ir tas, ka mēs reproducējam rezultātu, kas ir zināms 30 gadus [00:16:03], kas ir, ka sadarbība grupās sabrūk. Tātad spēles beigās, vairākos raundos vēlāk, praktiski visi kļūst par defektoriem, izņemot šos mazajos zilajos cilvēkos šeit malā, kas uztur civilizāciju dzīvu, jūs zināt, starp sevi. Jūs varat arī domāt par, vēlreiz, aicinot tos vidusskolā studentiem. Atcerieties to situāciju, kurā jūsu zinātnes skolotājs piešķīra četriem no jums veikt grupas projektu, un jūs saņemsiet to pašu atzīmi. Un jums tiek piešķirti četri, trīs citi zaudētāji. Tātad, jums ir divas izvēles. Vai nu jūs darāt visu darbu, un viņi arī saņem A, jo jūs vēlaties A. Vai arī jūs sakāt, tas ir absurds. Es nevēlos, lai šie slinkie puiši gūtu labumu no mana smaga darba. Un jūs sakāt, es arī neko nedarīšu, un visi saņems F, vai ne? Tas ir briesmīgs dilemmas. Nu, kas notiek šeit ir, ka cilvēki galu galā izvēlas otro variantu. Viņi visi izvēlas saņemt F, jo nevēlas būt muļķi un turpināt ieguldīt. Tātad sadarbība sabrūk sociālajās sistēmās kā vispārīgs rezultāts. Bet, ko mēs izdarījām, ir, vēlreiz, mēs pievienojām dažus citu veidu robotus sistēmai. Mēs pievienojām robotus, kuriem bija ļoti vienkārša A. [00:17:05] Un šie roboti bija kā mazi laulību starpnieki. Viņi savās tuvumā novēroja, kuri mijiedarbojas ar kuriem, un deva ieteikumus cilvēkiem sistēmā. Jūs zināt ko? Jums vajadzētu pārtraukt saikni ar to defektoru, kas izmanto jūs, un veidot saikni ar šo jauko puiši šeit. Un šī maiga pārveidošanas padoma izmanto tikai vietējo zināšanu. Tur nav skolotāja, kas pavēl cilvēkiem būt jaukiem. Nav policijas. Nav tiesas. Nav centrālās autoritātes, kas to īsteno. Vienkārši rīkojoties, pamatojoties uz vietējo zināšanu, mēs atklājām, ka šie roboti mūsu eksperimentos ar vairāk nekā 1,000 cilvēkiem 64 grupās, mēs atklājām, ka ne tikai sadarbību var stabilizēt, bet pirmo reizi mēs parādījām rezultātu, ka sadarbība faktiski var pieaugt no bāzes, kad šie robotu veidi tika pievienoti. Un DeepMind pēc tam atkārtoja mūsu rezultātus un pagarināja tos citā publikācijā, kas parādījās apmēram gadu vai divus pēc šī.
Tagad vēl vienā eksperimentā mēs izpētījām, kā roboti varētu ietekmēt grupas radošumu. [00:18:07] jo jaunu ideju atrašana ir grūta. Un teorija un eksperimenti liecina, ka grupām var būt labākas spējas identificēt un saglabāt inovācijas nekā indivīdiem, daloties savos atklājumos.
Bet inovācijām grupās ir savi izaicinājumi, tostarp grupas domāšana. Vai ne? Ja tu apvieno grupu cilvēku, viņi var agrāk pieņemt lēmumu par neoptimālu ideju.
Vai arī tu vari iedomāties, tev vajadzētu iedomāties, ka cilvēku grupa kopā varētu būt gudrāka, varētu radīt vairāk ideju. Piemēram, ja tu uzdod grupai cilvēku uzdevumu uzlabot makšķeri, tu zini, ka pirmais cilvēks varētu teikt, nu, kāpēc mēs neieliekam āķi virsū uz daļas auklas? Un tad cilvēks tur rokā auklu ar āķi. Un kāds saka, kāpēc mēs neieliekam nūju pie auklas? O, tā ir lieliska ideja. Tātad viņi apvieno savas zināšanas un to izdara. Un kāds saka, nu, ēdiens ar āķi peld virsū. Pievienosim vilni, lai tas noslīgtu. Nu, tagad tas noslīgst pārāk dziļi. Kā būtu, ja pievienojam bobera, lai mēs zinātu, kur tas atrodas, un tā tālāk. Un cilvēki inovē, dalās zināšanās savā starpā, saglabā zināšanas laika gaitā, [00:19:08] un tu iegūsti šos kultūras artefaktus, kas ir vairāku cilvēku kopīgu ideju un radošuma rezultāts.
Tātad mēs vēlējāmies izveidot spēli, kurā cilvēku grupas meklēja ainavu optimālas idejas atrašanai. Mēs nolēmām izmantot lietvārdus kā ideju aizvietotājus. Mēs ņēmām 20,000 lietvārdus no klasiskā datorzinātņu vārdu-uz-vektoru korpusa. Tātad mēs ņēmām 20,000 lietvārdus. Un attālumu starp šiem lietvārdiem var definēt ar kosinusu līdzības metodi. Jūs varat iedomāties hiper-dimensionalu vektoru telpu, kurā kaķis ir līdzīgāks sunim nekā galdam. Un veids, kā viņi to izdarīja, ir tas, ka viņi skatījās, cik bieži vārdi kaķis un suns parādās kopā tīmekļa vietnēs. Tātad viņiem bija vispārējs tīmekļa vietņu universums un universs ar 20,000 lietvārdiem. Viņi teica, ka šie divi lietvārdi bieži parādās kopā, bet šie divi citi lietvārdi neparādās tik bieži. Viņi izveidoja 300 dimensiju vektoru telpu. [00:20:08] Un tagad jūs varat aprakstīt, cik līdzīgi ir jebkuri divi lietvārdi. Mēs nolēmām izmantot lietvārdus kā ideju aizvietotājus. Mēs ņēmām šos 20,000 lietvārdus. Un pēc tam mēs izvēlējāmies kopu lietvārdu. Iedomājieties, ka mēs izvēlējāmies vienu lietvārdu, bet mēs izvēlējāmies kopu. Vienu lietvārdu nejauši no visiem šiem, piemēram, braggadocio, bija lietvārds. Tātad mēs izvēlējāmies braggadocio. Un mēs sakām, ka tas ir ideālais vārds, ko mēs vēlamies, lai šī cilvēku grupa atrastu. Un tad visi lietvārdi, kas ir tuvu braggadocio, pazūd šajā vektoru telpā. Tātad jums ir galvenais lietvārds, kas iegūst visvairāk punktu, 20,000 punktu, un visi citi lietvārdi uz lietvārdiem, kas ir visattālāk. Un mēs ievietojām cilvēkus šajā sistēmā un sakām, atrodi šo vārdu. Mēs viņiem nesakām vārdu. Un tad mēs viņiem sakām vārdu punktu vērtību. Tātad viņi sāk minēt. Un, kad viņi min, viņi saņem atsauksmes. Un viņi saka, ah, šim vārdam ir vairāk punktu nekā citam vārdam. Un viņi tuvojas un tuvojas un sāk dalīties ar zināšanām viens ar otru. Viņi cenšas būt radoši, lai atrisinātu problēmu.
Tātad katrs lietvārds ir saistīts ar citiem semantiskajā telpā vai bezveidīgā ainavā. [00:21:10] Mums bija 18 dažādi mērķa lietvārdi, it kā mēs būtu pacēluši virsotni no šo 20,000 lietvārdu ainavas 18 dažādās vietās 18 dažādās ainavās. Un šie lietvārdi bija īpaši neparasti, piemēram, fratricīds, apavimpuls, sarkoma, kartogrāfija un tā tālāk. Tad mēs veicām eksperimentus ar vairākiem apstākļiem, kur cilvēki bija vieni, mēģinot orientēties ainavā, kur cilvēki bija grupās, strādājot kopā, lai orientētos ainavā, vai kur cilvēki bija grupās, bet arī bija daži roboti, kas centās viņiem palīdzēt būt radošiem. Un roboti strādāja, jo viņi varēja nodot informāciju no vienas tīkla zonas uz citu, sazinoties savā starpā. Piemēram, robots numurs divi varēja nodot vārdu debesis vai mašīna robotam numurs viens. Tādējādi ir tīkla piemērs.
Mēs ievietojam cilvēkus. Kvadrātveida punkti ir roboti. Un šim robotam ir četras mijiedarbības, un tam ir, nezinu, sešas vai septiņas mijiedarbības. Cilvēki pašā sākumā sāk minēt. [00:22:12] Viņiem vispār nav pamata minējumiem pirmajā spēles kārtā. Viņi min debesis, auto, trušu, pele, suni, kaķi, galdu. Tā kā, ja es jums jautātu, izvēlieties lietvārdu minēšanai, jūs minētu māju vai saule vai mēnesis vai kaķis vai suns vai kādu mazu tipisku lietvārdu. Un tagad viņiem tiek pateikta punktu vērtība, cik līdzīgas ir vārdi pele, suns, kaķis, galds utt. attiecībā uz sarkomu. Un viņiem tiek pateikta šo lietvārdu punktu vērtība attiecībā uz mērķa lietvārdu, kas ir sarkoma. Un tad šīs punktu vērtības tiek paziņotas. Un tad šis robots var skatīties uz apkārtējo cilvēku punktu vērtībām un var nodot vai nu nejaušu izvēli šim robotam vai augstāko punktu vērtību vai zemāko punktu vērtību, tā it kā aizmugures kanāls komunikācijai, izplatot informāciju no vienas reģiona cilvēku grupas, kas cenšas atrisināt problēmu, uz citu reģionu. Tātad aplūkosim dažus piemērus, lai to labāk saprastu, jo tas var būt grūti saprotams. Cilvēki spēlēja šo spēli apmēram 25 kārtas. Un šeit ir kosinusa līdzība ar mērķa lietvārdu, kas ir vārds fratricide. Labi, tā ir 20,000 lietvārdu. [00:23:13] Fratricide ir 20,000 punkti. Un citiem vārdiem ir citas punktu vērtības. Un šeit ir viens cilvēks, kurš min. Tātad viņa pirmais minējums ir bit. Un viņam tiek pateikts, cik līdzīgs ir vārds bit fratricide. Un tad viņa nākamais minējums ir dzimšana. Un viņš iegūst lielu pieaugumu kosinusa līdzībā, jo varat iedomāties, ka vārds dzimšana ir tuvāk vārdam fratricide nekā vārds bit. Labi? Un tad viņi min. Viņi mēģina naudu nākamajā. Tas ir sliktāk. Tad viņi mēģina pērtiķi. Tas ir vēl sliktāk. Viņi pārbauda. Viņi veic saprātīgu pārbaudi. Viņi mēģina dzimšanu. Tas atkal pieaug. Tad viņi mēģina bērnu. Tas nav slikts minējums. Dzimšana uz bērnu. Bet bērns aizved viņus tālāk no fratricide. Un tad dāma un tā tālāk. Un viņi orientējas. Un viņi min. Un viņi min. Un viņi min. Un viņi neaizsniedz fratricide beigās. Tagad šajā citā situācijā mums ir cilvēku grupa, bet nav robotu. Un tagad cilvēki var, papildus saviem minējumiem, redzēt apkārtējo cilvēku minējumus. Un balstīties uz citu idejām. Labi? Izveidots. Tā kā kopā izveidojot makšķeres kātu. [00:24:13] Tātad šim cilvēkam viņa pirmais minējums ir suns. Bet viņa nākamais minējums ir vairogs. Jūs varat redzēt, ka vairogs ir tuvāk fratricide nekā suns. Un šis cilvēks min un min un iegūst ievadi no saviem kaimiņiem. Un beigās viņš nonāk tuvāk un tuvāk. Viņš beidz ar vārdu ienaidnieks. Labi? Patiesībā, soldāts bija viņa labākais minējums. Viņam bija augstākā punktu vērtība viņa virzienā.
Tātad, kāpēc bija svarīgi pievienot robotus? Tas atkal parāda rezultātu kopsavilkumu. Uz x ass ir kārta. Uz y ass ir vidējā kosīna līdzība šajā hiper-dimensionālajā vektoru telpā, kas ir grupas snieguma mērs. Šeit ir cilvēku grupa, kas darbojas, minot atsevišķi. Tātad cilvēki, kas min paši, nefokusējas uz rezultātiem, vai ne? Viņi, nu, tas ir veiksmes jautājums, vai viņiem izdosies, vai arī viņiem ir kāda iekšēja spēja katram individuāli. Ar laiku viņi kļūst nedaudz labāki un tuvāk. Visas grupas pārsniedz solo sniegumu. Un tas ir vecs secinājums, kas ir zināms. Cilvēku grupa ir radošāka nekā līdzīga izmēra solo praktizētāju komplekts. Bet ko mēs atklājam ir, ka, ja mēs pievienojam vislīdzīgāko robotu, robotu, kas paskatījās uz saviem kaimiņiem, [00:25:17] un noskaidroja, kāds ir viņu vietējais konsenss. Mani cilvēki šķiet domā, ka šis vārds ir labs. Un tad tas to nodod robotam attālinātā tīkla daļā. Šis robots būtiski uzlaboja šīs cilvēku grupas sniegumu, lai gūtu atklājumu. Jums vajadzētu varēt iedomāties, kā tas varētu darboties inženieru grupā vai jebkura cita zināšanu darbinieku grupa. Kā jūs varat efektīvi izplatīt zināšanas, izvairoties no grupas domāšanas un veicinot radošumu, projektējot robotus, kas palīdz cilvēkiem palīdzēt sev. Šim robotam nav smadzeņu. Tas nav pats sev piedāvājošs idejas. Tas tikai palīdz cilvēkiem izplatīt idejas starp sevīm.
Tātad vienkārši AI aģenti ar interpretējamu uzvedību var uzlabot radošās atklāšanas spēju cilvēku grupās, daloties idejās, ap kurām ir vietējais konsenss vienā grupas daļā ar cilvēkiem attālinātā grupas daļā. Un kā rezultātā grupa var darboties labāk.
Tagad mēs arī sākam eksperimentēt ar fiziskām sistēmām. Un mēs esam pievienojuši humanoīdus un nehumanoīdus robotus [00:26:19] ar vienkāršu mākslīgo intelektu tiešām cilvēku grupās un parādījuši, kā tie var atvieglot cilvēku grupu sadarbību, palīdzot tām pārvarēt berzi vai spēju nesadarboties viņu mijiedarbībās. Viens no maniem iecienītākajiem piemēriem ir eksperiments, ko es veicu ar savu bijušo maģistrantūras studentu, Magiju Traeger, kas atrodas aizmugurē un tagad ir asistējošā profesore Notre Dame. Šis eksperiments sastāv no tā, ka mēs paņēmām trīs īstus cilvēkus, kuri ieradās laboratorijā, un humanoīdu robotu. Mēs izveidojām mazu spēli, mazā dzelzceļa trases spēli, kas tiek spēlēta uz planšetes datora, un šai cilvēku grupai un robotam bija uzdevums izveidot dzelzceļa trasi no punkta A līdz punktam B, kā mazajām Dzelzceļa mašīnītes trasēm. Tad mēs viņiem sniedzām dažus gabalus, ko viņi varēja izvēlēties uz planšetes, piemēram, taisnus gabalus un liektus gabalus. Bet mēs reizēm izdomājām, lai gan izskatījās, ka tur ir gabalu maisījums un principā viņiem vajadzētu spēt pāriet no punkta A līdz punktam B, mēs viltīgi to izstrādājām tā, ka nebija pareizais līkumu skaits, lai ļautu viņiem aiziet no punkta A līdz punktam B. [00:27:21] Tātad viņi to nevarēja izdarīt. Viņi nevarēja atrisināt problēmu, par ko viņi nezināja. Labi? Tātad vispirms katra persona paņemtu kārtu uzlikt trases gabalu, tad nākamā persona un nākamā persona. Viņi strādā kopā, lai savienotu punktu A ar punktu B uz savām planšetēm.
Un ko mēs darījām šajā eksperimentā, ir tas, ka mēs manipulējām, un viņi spēlēja 30 raundus šajā spēlē šajā virtuālajā pasaulē, un mums bija 51 grupa, mēs manipulējām robotu sarunu stilu, konkrēti, vai robots izteica ievainojamību, atzīstot kļūdu. Tātad robots teica: 'Zini, es izdarīju kļūdu.' Vai arī robots stāstīja tēva jokus. Pieņemu, ka visi zina, kas ir tēva joki. Labi. Mēs arī lūdzām robotam stāstīt, starp citu, tas ir kultūras universāls, piemēram, antropologi Amazonas džungļos ir pētījuši vietējos iedzīvotājus, un tēvi tur arī stāsta tēva jokus. Un bērni ir tādi: 'Es nevaru noticēt, ka tēva muļķīgie joki.' Bet, jebkurā gadījumā, un faktiski ir teorija par to, kādu mērķi piedāvā tēva joki, lai attiecīgā veidā stiprinātu bērnus. Tā ir teorija. Bet, jebkurā gadījumā, tas ir pavisam cits temats. Mēs lūdzām mūsu robotus stāstīt tēva jokus vai izteikt ievainojamību. [00:28:21] Un tas, kas mūs interesēja, bija noskaidrot, vai robotu runas izmaiņas spēj ietekmēt ne tikai to, kā cilvēki mijiedarbojas ar robotiem, bet arī to, kā cilvēki mijiedarbojas savā starpā. Un vēlreiz, tas piedāvā iespēju modificēt sociālās mijiedarbības, ieviešot mākslīgos aģentus hibrīdās cilvēku un mašīnu sistēmās.
Tātad šeit ir neliels piemērs, oh, un es jums neteicu rezultātus. Tātad šeit ir tas, kad mums ir, šie, šo līniju biezumi, mēs uzstādījām videokameru, lai uzraudzītu, kurš runā ar kuru un cik daudz viņi runā. Un šo līniju biezums norāda, cik daudz otra persona runā ar pirmo personu un tā tālāk. Tātad pirmā persona ar robotu nerunā daudz. Tas ir plāns līnija. Un kad jūs izmantojāt neitrālos robotus, jūs iegūstat šo paraugu. Bet, kad jums bija ievainots robots, visas šīs līnijas kļuva biezākas un izlīdzinājās. Tātad mēs atklājām, ka ievainots robots palielināja runas vienlīdzību starp cilvēkiem, palielināja runas skaļumu starp cilvēkiem un faktiski, atsevišķos rezultātos, [00:29:22] palielināja cilvēku apmierinātību šādā vidē.
Un šeit ir tikai viens klips no diviem dažādiem raundiem, kas ilustrē, ka robots vispirms runā neitrālā veidā, pasīvā balsī, kas daudz neietekmē cilvēku komunikāciju. robots saka, ļoti Reigana stilā, tika pieļauta kļūda.
Bet nākamajā raundā robots saka, es pieļāvu kļūdu. Un jūs varat vienkārši skatīties, kas notiek šeit. Redzēsim, vai mēs varam to darīt. (25 sekundes pauze) Tātad daudzu desmitu skaitā, mēs atrodam šādu paraugu. Tātad vienkārša manipulācija, vienkārša manipulācija robota runas paraugā maina, kā cilvēki savstarpēji mijiedarbojas. [00:30:25] Un, es pieņemu, nemaz nav grūti iztēloties, kā visas mūsu čatbotu un visu citu dizainēšanas veids varētu ietekmēt ne tikai Alexa piemēru, ko es jums sniedzu sākumā, bet arī to, kā mēs izturamies viens pret otru. Cilvēki šķiet, ka vairāk uzticas viens otram un šajā situācijā izbauda vairāk jautrības.
Tagad šeit joprojām ir, un es domāju, ka tas ir pēdējais eksperiments, ko es jums parādīšu un tad es beigušu ar vēl vienu实验, kurā mēs izstrādājām jaunu kiber-fizikālu platformu, lai pārbaudītu šādas sociālās un īstenībāētiskas sekas vienkāršām mākslīgā intelekta formām. Jo, ņemot vērā kolektīvās darbības problēmu dabu, mākslīgā intelekta iesaistīšanās cilvēku grupās var paradoksāli un neapzināti apspiest esošās labvēlīgās sociālās normas cilvēkiem, piemēram, tās, kas saistītas ar sadarbību un altruismu, kuras mēs esam attīstījuši kā suga. Mums ir simtiem tūkstošu gadu dabiskās atlases, kas darbojas pie mums, lai padarītu mūs spējīgus risināt kolektīvās darbības problēmas. Tātad jautājums ir, ja mēs deleģējam daļu no tās aģentūras mašīnām, vai mēs zaudēsim spēju sadarboties, lai risinātu šīs problēmas? [00:31:32] Vai mēs nonāksim pie tā, ka paļaujamies uz šīm mašīnām, un tāpēc mēs degradējam mūsu iedzimto spēju sadarboties, koordinēt un radīt un tā tālāk? Tātad šajā eksperimentos, sadarbojoties ar Hiro Shirato no CMU, citu manu bijušo absolventu, mēs izveidojām platformu, kurā piedalījās divas mazās Raspberry Pi aprīkotās mehāniskās transportlīdzekļi, un mēs to savienojām ar kādu programmatūru, kas mums ļauj organizēt tiešsaistes eksperimentus plašā mērogā. Tātad cilvēki bija savās mājās, un viņiem tika piešķirts viens no šiem automobiļiem, un viņi vadīja šos automobiļus viens pret otru,
un mēs likām viņiem spēlēt vistu spēli. Tātad, vistā, kā jūs zināt, kurš visātrāk nonāk otrā pusē, tas uzvar. Tātad, jūs esat motivēts nepadoties otrajam. Bet, ja abi izvēlas nepadoties, tad jūs avarējat un abi saņemat sliktāko atlīdzību. Tātad, ko cilvēki darītu šajā situācijā, ja jūs spēlējat atkārtotu vistu spēli, ir tas, ka jūs ātri iemācītos mainīt kārtību. Šoreiz ir jūsu kārta braukt taisni, es novirzīšos un ļaušu jums, bet nākamreiz jūs novirzīsieties un ļausiet man braukt taisni. [00:32:35] Ja mēs būsim egoistiski, mēs turpināsim avarēt viens otram, iznīcinot viens otru atkārtoti vai muļķīgi abi nobraucam no ceļa, un nevienam nav labuma no braukšanas taisni. Tātad šajā situācijā dzeltenais auto izlēma novirzīties, bet zila automašīna vienkārši turpināja braukt netraucēti līdz otrai pusei.
Un mēs izmantojām 300 dalībniekus un 150 diādu, un viņi tika apmaksāti atkarībā no tā, cik ātri viņi nokļuva otrā pusē. Pēc tam mēs pievienojām nedaudz mākslīgā intelekta. Mēs pievienojām automātiskās bremzēšanas palīdzību, kur, kad jums bija tuvuma brīdinājums, kad jūs tuvojāties otrai automašīnai, tā bremzēja un deva jums iespēju izlemt, hei, man vajadzētu piekāpties un ļaut šim otram braucējam iziet cauri, vai otrādi. Vai arī mēs pievienojām automātiskās stūrēšanas palīdzību, kas nozīmē, ka, brīdī, kad tā tuvojās otrai automašīnai, tā vienkārši novirzījās, labi? Un mēs pievienojām minimālu komunikācijas funkciju, kur cilvēki varēja pateikt paldies vai kaut ko tamlīdzīgu. Vienkārši ļoti minimāla komunikācija. Vispirms mēs parādījām, ka automātiskā bremzēšanas palīdzība, kur automašīnas apstājas pie fiksētas distances pirms sadursmes, palielināja cilvēku altruismu. [00:33:38] Proti, dot ceļu citiem, kā dzeltenā automašīna to dara šeit. Tādējādi nedaudz pievienota automātiskā bremzēšanas palīdzība, izmantojot mākslīgo intelektu, atviegloja cilvēku sadarbību un sadarbību šajā situācijā. Turklāt ļaujot cilvēkiem sazināties tālāk, tas palīdz viņiem veikt savstarpējas concessions automātiskās bremzēšanas apstākļos. Savukārt automātiskā stūrēšanas palīdzība, kur automašīna vienkārši novirzījās, pilnībā kavēja savstarpējās izsniegšanas parādīšanos starp cilvēkiem, labā pašintereses maksimizācijas labā. Cilvēki vienkārši atteicās no savas morālās risināšanas. Viņi vairs neiespringst. Viņi ļauj mašīnai atkārtoti novirzīties, un viņi padodas, labi? Tādējādi visas iekšējās ētiskās spējas, kas cilvēkiem bija, tagad ir iznīcinātas, pievienojot mākslīgo intelektu automātiskās stūrēšanas apstākļos, bet uzlabotas automātiskās bremzēšanas apstākļos. Un tas arī jums jāpiever uzmanība. Jums vajadzētu domāt, ak, mans dievs, katrs mazais sīkums, ko mēs darām, programmējot šos AI aģentus, varētu radīt labus vai sliktus efektus uz cilvēku dabiskajām tendencēm.
Cilvēku spējas sadarboties un gaidīt savu kārtu, kā arī rīkoties altruiski var novājināties, izraisot sliktākus kolektīvos un individuālos rezultātus beigās. [00:34:46] Un patiesībā, īsi sakot, mākslīgais intelekts var novest pie tādas veida morālas inertības. (..) Lūk, viens pēdējais piemērs ilgstošām izmaiņām pēc saskarsmes ar AI hibrīdsistēmās. Tas ir arī piemērs tam, kā AI klātbūtne var mainīt cilvēku savstarpējās attiecības, pat pēc tam, kad AI vairs nav iesaistīts šajās attiecībās. Tātad 2016. gadā DeepMind izstrādāja AlphaGo, un tajā pašā gadā šis AI aģents spēlēja pret Lee Sedol, izcilu pasaules čempionu no Korejas.
Es skatījos maču. Es neprotu spēlēt Go, bet atzīstu, ka tas ir brīnišķīga spēle. Mans dēls spēlē Go. (.) Un es patiešām akcentēju Lee Sedol. Lee Sedol ir kā varonis Korejā, tāpat kā mums būtu lielie sportisti mūsu Wheaties kastītēs un tamlīdzīgi. Viņš attēlots uz maziem nūdeļu iepakojumiem un uz pārslām. Man šķiet brīnišķīgi, ka Korejā kāds gudrs nerds kā es tiek uztverts kā svarīga persona, labi? Tātad viņš ir ļoti populārs Korejā. Un viņš nāk klajā pirmajam mačam, un viņš ir pārāk pašpārliecināts. [00:35:47] Es varu pateikt, ka viņš ir pārāk pašpārliecināts. Un viņš zaudē mašīnai, un tad viņš atvainojas saviem faniem. Viņš saka, man žēl. Tas ir pieci mači. Tas ir labākie trīs no pieciem uzvar. Tad viņš spēlē otro spēli, un viņš atkal zaudē. Un tagad viņš sāk kļūt nopietns. Tad viņš spēlē trešo spēli, un viņš zaudē. Viņš zaudējis sacensību.
Un jūs varētu redzēt skatītājus, un komentētāji apbrīnoja mašīnas spējas spēlēt Go, veicot šos dīvainos un skaistos gājienus, no kuriem daži tika vēlāk atklāti, jo mums ir ieraksti, kas ir vēsturiski tūkstošiem gadu atpakaļ par Go mačiem, kas spēlēti Ķīnas imperatora tiesā. Un viņi varēja atrast, ak, Dievs, šis ir viduslaiku gājiens, ko mašīna izdarīja. Mēs to nebijām redzējuši tik ilgi.
Un tad Liza Dāla atgriežas ceturtajā spēlē, un viņš uzvar. (..) Un es raudāju. Es biju tik laimīga. (..) Jo viņam bija mašīna, tu zini, viņš bija atgriezies pie manas sugas, un viņš bija uzvarējis to nolādēto mašīnu. Kā varonīgi, es nevarēju saprast to prāta jaudu, kas bija nepieciešama, lai Liza Dāla to izdarītu. [00:36:49] Es biju ekstātiska tajā brīdī, un tik lepna par viņu, ka viņš vēl joprojām centās, pat pēc tam, kad bija zaudējis maču.
Tagad interesanti ir tas, ka, kad pēc intervijas Lisa Dahl teica, ka viņa spēles stils mainījās pēc spēles. Tātad atkal mākslīgais intelekt palīdz cilvēkiem palīdzēt pašiem, vai ne? Viņš maina, kā spēlē, pateicoties saskarei. Un turpmākie pētījumi, ko veica citi pētnieki, aplūkoja profesionālus Go spēlētājus un novērtēja vidējo lēmumu kvalitāti. Godīgi sakot, Go ir noteikumi, kas ļauj novērtēt, cik laba ir gaita, un vidējā jaunums, piemēram, cik neparasta ir gaita. Un viņi atklāja, ka, kad AlphaGo uzvar cilvēku pasaules čempionu 2016. gadā, visā pasaulē Go spēlētāji sāk veikt labākas, inovācijas pilnas gaitas, vai ne? Tātad visi cilvēki, kuri spēlē Go citam ar citu, ir mainījušies, jo AlphaGo ir pievienots. Mākslīgais intelekts palīdz cilvēkiem palīdzēt pašiem. Tātad mēs turpinām attīstīt savu darbu, lai izstrādātu un pievienotu vienkāršas robotus šīm un citām situācijām, kas saistītas ar sociālām dilemām un kolektīvo rīcību. [00:37:55] Mēs aplūkojam, kā roboti var ietekmēt koordināciju, sadarbību, komunikāciju, radošumu, uzticību, navigāciju, dalīšanos un evakuāciju. Un mūsu laboratorijā mēs nepaļaujamies uz super gudru mākslīgo intelekti, piemēram, LLM vai AlphaGo, lai aizvietotu cilvēku kognīciju, bet gan uz muļķīgu mākslīgo intelektu, lai papildinātu cilvēku mijiedarbību. Mēs nemēģinām izgudrot super gudru mākslīgo intelektu, lai aizstātu cilvēku kognīciju. Mēs izgudrojam muļķīgu mākslīgo intelektu, lai papildinātu cilvēku mijiedarbību. Un mūsu mākslīgais inteleks var būt muļķīgs, jo cilvēki ir gudri. Mūsu mākslīgais intelekts ir kā platīns, ko pievieno organiskās ķīmijas reakcijai. Tas ir tikai katalizators. Viss, kas mums nepieciešams, ir katalizators, lai palīdzētu cilvēku grupai būt labākai.
Un protams, ir svarīgi atzīt, ka reverss arī ir iespējams. Sociālā mākslīgā inteliģence var tikt izmantota, lai kaitētu grupām cilvēku. Bet mūsu pieeja piedāvā virkni citu tehnisku un konceptuālu priekšrocību. Pirmkārt, šie vienkāršie roboti ir saprotami un tādējādi skaidri ilustrē plašākas varas un iespējas. Atšķirībā no LLM, kas ir melna kaste un tu nezini, ko tā dara, es varu tev tieši pateikt, ko mūsu robots dara. [00:38:58] Tas ir trokšņains. Tas veic introductions. Tas pārsūta ziņas šajā ļoti konkrētajā veidā. Un, otrkārt, mūsu kontrolētie robota eksperimenti var arī sniegt ieskatu, kā cilvēku uzvedība varētu labvēlīgi mainīties. Citiem vārdiem sakot, es varu paņemt to no laboratorijas un varu mācīt grupai cilvēku darīt to, ko darīja mūsu roboti. Noteiktā veidā, tev nav viegli mācīt grupai cilvēku darīt to, ko šeit darīja ChachiPT. Mēs nezinām, ko ChachiPT dara, bet tu zini, ko viņi dara mūsu situācijā.
Tātad, es vēlētos noslēgt, šī ir mana pēdējā slaids, ar metaforu. Apsveriet šos divus objektus. Abi ir izgatavoti no oglekļa. Ja jūs ņemat oglekļa atomus un savienojat tos vienā veidā, jūs iegūstat grafītu, kas ir mīksts un tumšs. Ja jūs savienojat tos citā veidā, jūs iegūstat dimantu, kas ir ciets un caurspīdīgs. Un šeit ir divas svarīgas intelektuālas idejas. Pirmkārt, šīs mīkstuma, tumsas, cietības un caurspīdīguma īpašības nav oglekļa atomu īpašības. Tās ir oglekļa atomu kolekcijas īpašības. Otrkārt, kuras īpašības jūs iegūstat, ir atkarīgs no tā, kā jūs savienojat oglekļa atomus savā starpā. Ja jūs ņemat tos pašus oglekļa atomus un savienojat vienā veidā, jūs iegūstat vienu īpašību kopumu. [00:40:01] Ja jūs savienojat citā veidā, jūs iegūstat pilnīgi atšķirīgu īpašību kopumu. Līdzīgi, mūsu savienojumu dabu ietekmē mūsu sociālo grupu īpašības. Tiesības starp cilvēkiem var padarīt visu lielāku par daļu kopumu. Jaunas īpašības, piemēram, sadarbība un vardarbība, novatorisms un produktivitāte, uzticība un neuzticība, patiesība un nepatiesība, bagātība un nabadzība, veselība un laime, var parādīties un izplatīties sakarā ar savienojumiem, sakarā ar saitēm starp cilvēkiem, un ne tikai tāpēc, ka tie ir paši cilvēki. Faktiski mūsu pieredze par pasauli ir atkarīga no tīklu struktūras un funkcijas ap mums tuvumā un tālumā. Un mūsu suga attīstījās, lai tā būtu. Un nevajadzētu mūs pārsteigt, ka mēs reaģēsim uz AI mūsu vidū. Paldies ļoti daudz.
