Nicholas Christakis: [00:00:05] Dobrze, więc ludzie są osadzeni w sieciach społecznych, a te sieci przestrzegają bardzo szczególnych zasad matematycznych, biologicznych i społecznych. Coraz częściej dodajemy sztuczną inteligencję w postaci agentów online i robotów fizycznych, którzy wchodzą z nami w interakcje, jakby byli bytami społecznymi. Te rodzaje agentów, które zamierzamy dodać do naszych systemów, obejmują samochody autonomiczne na drogach, maszyny do płatności w sklepach, roboty humanoidalne w domach lub w fabrykach czy na polach bitew, a także w sytuacjach pożarowych, do oderwanych autonomicznych agentów, takich jak boty online i cyfrowe asystenty AI w naszych telefonach, okularach lub w miejscach pracy. Te technologie wchodzą z nami w interakcje na równych prawach, jakby były ludźmi. Powodują one powstanie hybrydowych systemów ludzi i maszyn. Te systemy oferują możliwości nowego rodzaju społecznej sztucznej inteligencji.
Teraz pozwól, że podam ci prosty przykład tego. Kiedy dostajesz cyfrowego asystenta, takiego jak Alexa, producent tego urządzenia jest bardzo zaniepokojony interakcją człowiek-maszyna. Ta interakcja człowiek-maszyna jest optymalizowana. Na przykład, nigdy nie kupiłbyś Alexy, gdybyś za każdym razem, gdy potrzebujesz czegoś, musiał mówić, przepraszam, Alexo, bardzo mi przykro, że ci przeszkadzam. Jeśli nie masz nic przeciwko, czy mogłabyś mi powiedzieć słowo? [00:01:35] pogoda na jutro, prawda? Uważano by to za absurdalny poziom grzeczności. Oczekujesz, że będziesz mógł powiedzieć, Alexo, pogoda, a następnie maszyna posłusznie odpowiada. I to jest w porządku, dopóki nie wprowadzisz tej maszyny do swojego domu, a twoje dzieci nie zaczną rozmawiać z tą maszyną i uczą się być niegrzeczne. A potem idą na plac zabaw i są niegrzeczne wobec innych dzieci. Więc ta maszyna, która została dodana do naszego środowiska, nie dotyczy tylko interakcji człowiek-maszyna, ale także interakcji człowiek-człowiek w obecności maszyn. I więc, co mnie interesuje, to nie to, czy jest to, tylko interakcje człowiek-człowiek w obecności maszyn. Możemy skorzystać ze zrozumienia struktury i funkcji sieci społecznych, aby ocenić zastosowania i wpływ sztucznej inteligencji społecznej w ramach i na grupy ludzi, w odniesieniu do czynników takich jak zaufanie i współpraca, które są niezbędne, aby grupy ludzi mogły współpracować oraz które wpływają na zachowanie tych zbiorowości.
Pozwól, że podkreślę część pracy, którą wykonujemy, używając kilku podejść do eksperymentów sieciowych z udziałem sztucznej inteligencji. Eksperymenty te oceniają, w jaki sposób AI może wpłynąć na strukturę i funkcję ludzkich interakcji społecznych. [00:02:45] Istnieje klasa problemów sprawczych interakcji społecznych, które znamy jako problemy koordynacji. Problemy te wymagają wspólnego działania, jeśli chcemy stworzyć coś użytecznego. Czasami rozwiązujemy te problemy poprzez tworzenie centralized institutions, takich jak policja, sądy czy rządy. Ale często jesteśmy w stanie rozwiązać problemy zbiorowego działania, które wymagają od nas koordynacji lub współpracy z dużą liczbą ludzi w sposób zdecentralizowany. Rzeczywiście ewoluowaliśmy, aby mieć tę zdolność. Jednym konkretnym rodzajem problemu zbiorowego działania, od którego chciałbym dzisiaj zacząć, jest w rzeczywistości koordynacja.
Na przykład, aby uniknąć tego korka, ludzie muszą koordynować, aby zrobić coś odmiennego od swoich sąsiadów. Jeśli wszyscy wychodzą z domu o tej samej porze, wszyscy utkną w korku. Ale jeśli przemieszają swoje czasy wyjazdu i będą wychodzić w interwałach, nikt nie utknie w korku. Oczywiście mógłby istnieć jakiś rodzaj centralnego organu, który to koordynowałby. Wy wychodzicie pierwsi, potem wy, a potem wy. [00:03:45] Ale idealnie, to co byście chcieli, to jakiś rodzaj zdecentralizowanego, nieodgórnego sposobu, w jaki ludzie koordynują, aby rozwiązać ten problem.
Oto nasze pierwsze badanie, które zostało opublikowane w 2017 roku na temat takich hybrydowych systemów, które badały, jak sztuczna inteligencja może pomóc w takim wyzwaniu. Badaliśmy wydajność grup ludzkich, które były zaangażowane w zadanie koordynacyjne. Nasza metoda polegała na zapożyczeniu z informatyki czegoś, co nazywa się problemem kolorowania grafów. To klasyczny problem w informatyce. Co zrobiliśmy, to wzięliśmy go i umieściliśmy ludzi w tej sytuacji. Wzięliśmy 4,000 osób i umieściliśmy je w 230 grupach online. Ludzie ci zostali przypisani do tych grup. Zostały one losowo przypisane do miejsca wewnątrz sztucznej sieci, którą stworzyliśmy, której struktura w przybliżeniu przypominała rzeczywiste sieci ludzkie. Zostali umieszczeni w tych miejscach i powiedziano im, że przypisano im jeden z trzech kolorów, [00:04:46] fioletowy, pomarańczowy, fioletowy, pomarańczowy i różowy. Powiedziano im, że muszą wybrać kolor różniący się od kolorów sąsiadów.
I dostali pięć minut na to. Więc ci ludzie patrzyli na swoich sąsiadów. Każda osoba patrzyła wokół i mówiła, na przykład, ten facet tutaj jest różowy. Widzi, że ma różowego sąsiada i pomarańczowego sąsiada. To, co powinien zrobić, to przełączyć się na kolor fioletowy. A czerwone linie tutaj wskazują na konflikty kolorów. Innymi słowy, jeśli dwa kolory sąsiednich węzłów są takie same, dostają czerwoną linię. A tło fioletowych linii wskazuje na strukturę interakcji społecznych. Więc wkładasz ludzi tutaj. Patrzą na swoich sąsiadów co sekundę lub półtorej sekundy. Robią zmianę zgodnie z celem, że wszyscy muszą wybrać kolor różniący się od swoich sąsiadów w ciągu następnych pięciu minut. A jeśli to zrobią, to tylko wtedy dostaną zapłatę. Zapłacę wam, abyście pracowali razem. A jeśli wszyscy współpracujecie w zdecentralizowany sposób, aby rozwiązać problem, wszyscy dostaniecie zapłatę. W przeciwnym razie nic nie dostaniecie, zgoda? Więc oto co się dzieje w tym eksperymencie. Tutaj na osi x jest czas w sekundach do pięciu minut. [00:05:47] Gra trwa pięć minut, tutaj gdzieś na dole. A tutaj na osi y jest funkcja celu lub liczba konfliktów kolorów. I tak na początku jest 12 konfliktów kolorów. Są losowo przypisani swoje początkowe kolory. I to jest pokazane tutaj na tym małym histogramie. Więc ludzie zaczynają patrzeć wokół i zmieniać kolory. Wiecie, zmieniają i zmieniają. I dochodzą do tego punktu, w którym osiągnęli sytuację, w której występuje konflikt kolorów między tymi dwiema osobami. A ten konflikt jest tym, co nazywamy konfliktem nierozwiązywalnym. Więc jasnopomarańczowe linie to konflikty rozwiązywalne. To ten facet tutaj. Może zrobić ruch w kierunku fioletowego, co rozwiąże konflikt. Ale ci tutaj, którzy są pomarańczowi, nie mogą wykonać ruchu, który zmniejsza liczbę konfliktów kolorów w ich otoczeniu, prawda? Ten facet nie może przełączyć się na fioletowy, ponieważ jeśli to zrobi, będzie miał więcej konfliktów. Ma, jakby, czterech fioletowych sąsiadów. A nie może przełączyć się na różowy, ponieważ ma dwóch różowych sąsiadów. Więc patrzy i mówi, że najmniejszy konflikt mam, zostając pomarańczowym. Więc teraz ta grupa jest utknęła, prawda? [00:06:49] Mają nierozwiązalny konflikt i nic nie może się wydarzyć. Żaden postęp nie może być dokonany w rozwiązaniu problemu zbiorowego działania, dopóki jedna z tych dwóch osób nie wykona nieintuicyjnego ruchu, nie zmieni kolorów na fioletowy lub różowy i tymczasowo zwiększy konfliktów. I to właśnie się dzieje. A potem czas mija, a ludzie po 245 sekundach rozwiązują problem. Maszyna wykrywa rozwiązanie, zatrzymuje grę i wypłaca im, zgoda?
Teraz, ponieważ byliśmy przebiegli, to co zrobiliśmy, to przeprowadziliśmy eksperymenty, w których potajemnie zastąpiliśmy niektórych ludzi botami. Oceniśmy, jak dodanie botów obdarzonych AI do stworzenia hybrydowego systemu wpłynęło na wydajność grupy. Czy możliwe jest dodanie kilku botów do grup ludzkich i poprawa ich zdolności do koordynacji w obliczu takiego wyzwania? Dodaliśmy trzy boty i eksperymentalnie zmienialiśmy dwa osie. Gdzie boty były umieszczone, gdzie losowo wprowadzono je do sieci, gdzie umieszczono je w [00:07:51] centrum sieci, lub gdzie umieszczono je na peryferiach sieci. I losowo manipulowaliśmy ich rodzajem zdolności AI w bardzo trywialny i prosty sposób. To znaczy, manipulowaliśmy tym, czy boty działały z perfekcją, czy działały z pewnym hałasem.
W sytuacji perfekcji, co półtorej sekundy boty rozglądały się wokół swoich sąsiadów, a następnie wybierały kolor, który miał najmniej konfliktów z ich sąsiadami. Co można by uznać za irracjonalne zachowanie. W sytuacji 10% hałasu robiły to, ale 10% czasu wybierały losowy kolor. A w sytuacji 30% hałasu robiły to, ale 30% czasu wybierały losowy kolor. Zrobiliśmy więc tak, że boty, powiedzmy, były coraz bardziej podatne na błędy, coraz bardziej hałaśliwe.
A potem przyjrzeliśmy się, mieliśmy, myślę, coś około, zacznijmy od grupy kontrolnej. Tutaj na osi x przedstawiliśmy czas, a to są krzywe przeżycia. Na osi y jest prawdopodobieństwo, że grupa jako całość nie rozwiązała gry koordynacyjnej. Więc tu, jeśli przyjrzysz się tutaj, na początku, w czasie zerowym, [00:08:51] 100% wyłącznie ludzkich grup, sesji tylko z ludźmi, jest pomarańczowe. Na początku 100% grup ludzi jedynie nie rozwiązało gry. A potem, w miarę upływu czasu, coraz więcej grup ludzkich rozwiązuje grę, tak że pod koniec pięciu minut może 60% grup ludzi jedynie rozwiązało grę.
Cóż, co się dzieje, to to, że jeśli wprowadzi się 10% hałaśliwych botów do centralnej pozycji sieci, uzyskuje się zauważalnie lepszą wydajność. Tutaj znacznie więcej grup ludzi, kiedy boty, które miały trochę hałasu, zostały dodane do środka, były w stanie rozwiązać problem. W rzeczywistości skróciły medianę czasu rozwiązania z 232 sekund do 103 sekund. I są też inne wyniki zawarte w tych danych. Idealne boty oraz zbyt hałaśliwe boty były obie niewielką pomocą. Potrzebna była jakaś kalibracja. To boty z 10% hałasem były najbardziej pomocne. A także pozycja botów miała również jakiś wpływ. Ale co kluczowe w tych eksperymentach, to odkryliśmy, że ludzie, którzy nie byli połączeni z botami, [00:09:52] którzy byli dalej w sieci. Więc na wykresach byli ludzie, którzy byli połączeni z botami, a potem inni, którzy nie byli. Odkryliśmy, że nawet ci ludzie zaczęli zmieniać sposób, w jaki grali. Więc występował efekt fali, efekt kaskadowy. Korzyści z interakcji bota z ludźmi rozprzestrzeniły się po sieci, a potem zaczęły wpływać na interakcje międzyludzkie coraz dalej w sieci. Innymi słowy, boty pomagały ludziom, aby pomogli sobie, a korzyści z hałasu rozprzestrzeniły się w tym systemie społecznym.
Teraz pozwól, że dalej wyjaśnię pomysły dotyczące tego kolektywnego wyzwania i jak te proste agentki AI mogą być pomocne poprzez inną analogię. Wyobraź sobie, że masz płaszczyznę. To jest jak w spadku gradientowym w uczeniu maszynowym, na przykład. Masz płaszczyznę, a potem masz wzgórza i górę. I masz różne wzgórza, w porządku, o różnych wysokościach. A tu na górze jest góra, która jest najwyższa. Więc upuszczam, wezmę czterech z was i upuszczę was gdzieś tutaj, a potem zwiążę was razem, każdy z was patrzy w innym kierunku kardynalnym, [00:10:54] a ja zawiążę wam oczy. I mówię do was, znajdźcie najwyższą górę. Więc rozmawiacie ze sobą i mówicie, cóż, dlaczego nie zrobimy kroku w naszym kierunku i nie zgłosimy się do zespołu? Więc robicie krok na północ i mówicie, że to jest w górę stąd. A południe mówi, że to jest w dół stąd. A wschód i zachód mówią, że to jest poziomo stąd. Więc wszyscy się zgadzacie, zróbmy krok na północ. I robicie to iteracyjnie, aż osiągniecie punkt, w którym wszyscy mówicie, że to jest w dół stąd.
Czy znaleźliście najwyższą górę? Nie. (...) Co zrobiliście? Znaleźliście najbliższe wzgórze.
Czy kiedykolwiek znajdziesz najwyższą górę? Nie. Nigdy nie znajdziesz najwyższej góry. Jesteś uwięziony. Jesteś lokalnie zoptymalizowany, ale globalnie niedostatecznie zoptymalizowany. Aby móc globalnie zoptymalizować, potrzebujesz trochę szumu. Musisz czasami pozwolić tej grupie ludzi zrobić krok w przeciwną stronę w dół góry lub w dół wzgórza. Więc czasami w sposób przypadkowy podejmują sekwencję ruchów, aż wrócą na płaszczyznę. A potem nawigują wokół tego krajobrazu kondycyjnym, badając wszystkie te szczyty, aż w końcu znajdą się na tym szczycie. [00:11:56] A ten wysoki szczyt, tendencja do globalnego optimum, zwykle jest stanem przyjmującym, ponieważ o wiele więcej szumu potrzeba, aby zejść z tego szczytu niż z innych. I teraz oscylujesz wokół globalnego optimum. W naszej pracy badaliśmy ten rodzaj prostego programowania wprowadzonego w systemy społeczne, aby zobaczyć, czy możemy poprawić wydajność ludzi w rozwiązywaniu różnych rodzajów problemów związanych z działaniami zbiorowymi.
Teraz inny problem zbiorowej akcji polega na innym wyzwaniu, które jest współpracą, a nie koordynacją. Ludzie często muszą współpracować, aby wytworzyć to, co nazywa się dobrem publicznym. A latarnia morska jest jednym z kanonicznych przykładów dobra publicznego. Dobra publiczne mają dwie kanoniczne cechy. Po pierwsze, są nazywane niedostępnymi. Oznacza to, że inni nie mogą być powstrzymani od korzystania z nich. Jeśli zbudujesz latarnię morską dla własnych potrzeb, ponieważ nawigujesz po morzach i nie chcesz wpaść na brzeg, to świetnie dla ciebie, ale nie możesz powstrzymać nikogo innego przed korzystaniem z niej, zgoda? Niedostępna. [00:12:58] A także, jest nierywalizujące. Oznacza to, że korzystanie przez jedną osobę nie zmniejsza możliwości korzystania przez innych. Jeśli korzystam ze światła z mojej latarni morskiej, nie ma mniej światła dla ciebie. I to jest w przeciwieństwie, na przykład, do kawałka ciasta. Jeśli mam kawałek ciasta, to jest mój, prawda? Mogę cię powstrzymać przed jego zjedzeniem. A jeśli go zjem, nie ma go już dla ciebie, zgoda? Więc dobro publiczne ma te cechy, a te cechy sprawiają, że bardzo trudno jest produkować dobra publiczne. Ponieważ gdy chodzi o budowanie latarni morskiej, bardzo kusi, aby postawić swoje osobiste interesy przeciwko interesom grupy. Jeśli nie przyczynisz się do budowy latarni, nadal możesz z niej korzystać. I każdy jest kuszony, aby nic nie robić, a wtedy latarnia nie zostaje zbudowana na niekorzyść wszystkich. Warto również podkreślić, że dobra publiczne są użyteczne, ponieważ można z nimi produkować rzeczy, takie jak bezpieczna podróż morska. A jako takie, niedoinwestowanie w dobra publiczne jest poważnym problemem w naszym społeczeństwie i zaczęło być znane jako tragedia zasobów wspólnych. Te dobra publiczne, na przykład normy zaufania, które utrzymujemy między sobą, są efektywne. [00:14:01] Pomyśl o tym, kiedy byłeś w szkole średniej. Niektórzy z was uczęszczali do szkoły średniej, gdzie uczniowie ufali sobie nawzajem, co oznaczało, że mogliście zostawić swoje plecaki w holu i nie martwić się, że ktokolwiek je ukradnie. Inni z was chodzili do szkół średnich, gdzie nie było tych samych norm zaufania, i teraz musieliście zamykać swoje plecaki lub trzymać je przy sobie przez cały czas. W którym z tych dwóch środowisk myślisz, że miałbyś lepszą naukę? Prawda? W tym pierwszym środowisku. Więc ta norma, która jest wspólnie utrzymywana, jest produktywna. W tym przypadku, produktywna dla nauki. Tutaj, produktywna dla bezpiecznej podróży morskiej i tak dalej.
Tak więc współpraca w grupach ludzkich w celu produkcji dóbr publicznych jest trudna, a różne mechanizmy są wymagane, aby ją podtrzymać. Przeprowadziliśmy wiele eksperymentów, w których wrzucaliśmy ludzi do grup sieciowych i prosiliśmy ich, aby grali w różne rodzaje gier dotyczących dóbr publicznych ze swoimi sąsiadami, manipulując wieloma cechami strukturalnymi i innymi przez lata. Na przykład, zaczęliśmy lata temu od eksperymentu, w którym ludzie byli umieszczani w sieci jak ta. Zostały im przedstawione ich sąsiedzi, a oni grali w grę o dobra publiczne, jak w ekonomii behawioralnej, [00:15:03] gdzie mogłem przekazać trochę pieniędzy każdemu z moich sąsiadów. Na przykład, biorę dolara i dzielę go pomiędzy swoich sąsiadów. A wtedy naukowcy podwajają dolara. Powiedzmy, że mam czterech sąsiadów. Powiedzmy, że mam trzech sąsiadów i przekazuję dolar do grupy. Staje się to dwa dolary. Te dwa dolary dzielą się pomiędzy nas czterech. Więc cała grupa zyskuje bogactwo na poziomie dwóch dolarów, ale ja dostaję tylko 50 centów. Te dwa podzielone przez cztery, odzyskuję 50 centów. Więc muszę ponieść poświęcenie dla dobra innych. Oczywiście, wszyscy mówią: nie chcę poświęcać. Niech każdy inny frajer da pieniądze. Ja nic nie dam, a mam nadzieję, że inni się przyczynią. Ale, oczywiście, jeśli wszyscy tak zrobią, znów dochodzi do załamania. A najlepsze zachowanie to takie, w którym wszyscy maksymalnie się przyczyniają. Więc tutaj w tej sytuacji zaczynamy grę. Niebieskie kropki to, ci niebiescy ludzie to mili kooperatywni ludzie. Dają maksymalnie swoim sąsiadom i tworzą dobra publiczne, jak budowanie latarni. A czerwone kropki to wyzyskiwacze, którzy nie wnoszą żadnych wkładów, co jest również znane jako defektorzy. I to, co odkrywamy w tym eksperymencie, to że reprodukujemy wynik, który jest znany od 30 lat, [00:16:03] czyli że współpraca załamuje się w grupach, prawda? Pod koniec gry, po wielu rundach, praktycznie wszyscy stają się defektorami, z wyjątkiem tych małych niebieskich ludzi tutaj z boku, którzy utrzymują cywilizację przy życiu, wiesz, między sobą. Możesz również pomyśleć o tym, przypominając sobie sytuację w szkole średniej dla studentów pierwszego roku. Pamiętaj tę sytuację, w której twój nauczyciel fizyki przypisał was czwórkę do wspólnego projektu, a wy mieliście otrzymać tę samą ocenę. A wy zostaliście przypisani do czterech, trzech innych przegranych. Więc teraz masz dwa wybory. Albo robisz całą robotę, a oni też dostają A, ponieważ chcesz dostać A. Albo mówisz, to absurdalne. Nie chcę, żeby ci leniwi ludzie korzystali z mojej ciężkiej pracy. I mówisz, nie zrobię nic, a wszyscy dostajecie F, prawda? To straszny dylemat. Cóż, co się dzieje tutaj, to że ludzie w końcu wybierają tę drugą opcję. Wszyscy decydują się na F, ponieważ nie chcą być naiwni i nadal przyczyniać się. Więc współpraca załamuje się w systemach społecznych jako ogólny wynik. Ale to, co zrobiliśmy, to raz jeszcze dodaliśmy kilka, chociaż różnych rodzajów botów do systemu. Dodaliśmy kilka botów, które były wyposażone w bardzo prostą A. [00:17:05] A te boty były jak małe pośredniki w sprawach małżeńskich. Pośredniczyły w interakcjach społecznych. Patrzyły wokół siebie lokalnie, kto z kim interaguje, i dawały sugestie ludziom w systemie. Wiesz co? Powinieneś przerwać więź z tym defektorem, który wykorzystuje cię i nawiązać więź z tym miłym facetem tutaj zamiast. A ta delikatna rada dotycząca przeróbki, która używa tylko lokalnej wiedzy. Nie ma nauczyciela, który zmuszałby ludzi do bycia miłymi. Nie ma policji. Nie ma sądu. Nie ma centralnej władzy, która to wykonuje. Tylko działając na podstawie lokalnej wiedzy, odkryliśmy, że te boty mogły, w naszych eksperymentach z ponad 1,000 osobami w 64 grupach, znaleźć nie tylko, że współpraca mogła być stabilizowana, ale po raz pierwszy udowodniliśmy wynik, że współpraca mogła się faktycznie zwiększyć w stosunku do podstawowego poziomu, gdy te typy botów zostały dodane. A DeepMind następnie zreplikowało nasze wyniki i rozszerzyło je w innym artykule, który ukazał się około rok lub dwa po tym.
W jeszcze jednym eksperymencie badaliśmy, jak boty mogą wpływać na kreatywność grupową. [00:18:07] ponieważ znajdowanie nowych pomysłów jest trudne. Teorie i eksperymenty sugerują, że grupy mogą lepiej identyfikować i zachować innowacje niż jednostki, dzieląc się swoimi odkryciami.
Jednak innowacje w grupach napotykają własne wyzwania, w tym grupowe myślenie. Prawda? Jeśli zbierzesz grupę ludzi, mogą przedwcześnie zbiec się do suboptymalnego pomysłu.
Możesz sobie wyobrazić, że grupa ludzi może wspólnie mieć większą mądrość, może być w stanie wymyślić więcej pomysłów. Na przykład, jeśli dasz grupie ludzi zadanie udoskonalenia wędki, to pierwszy może powiedzieć, dlaczego nie umieścić haka na końcu sznura? A potem ta osoba trzyma sznur z hakiem. I ktoś mówi, dlaczego nie dodać patyka do sznura? O, to świetny pomysł. Łączą swoją wiedzę i to robią. A ktoś mówi, cóż, przynęta z hakiem unosi się na powierzchni. Dodajmy falę, żeby zszedł w dół. Cóż, teraz zszedł za daleko. A co powiesz na dodanie pływaka, żebyśmy wiedzieli, gdzie jest, i tak dalej. Ludzie innowują, dzielą się wiedzą między sobą, zachowują wiedzę na przestrzeni czasu, [00:19:08] a ty dostajesz te kulturalne artefakty, które są wspólnym produktem wielu ludzi dzielących się pomysłami i będących kreatywnymi.
Chcieliśmy stworzyć grę, w której grupy ludzi szukałyby w krajobrazie optymalnego pomysłu. Zdecydowaliśmy się użyć rzeczowników jako zastępczych pomysłów. Wzięliśmy 20 000 rzeczowników z klasycznego zbioru słów word-to-vec w informatyce. Więc wzięliśmy 20 000 rzeczowników. Odległość między tymi rzeczownikami mogła być zdefiniowana przez metrykę podobieństwa cosinusowego. Możesz wyobrazić sobie hiperdimencjonalną przestrzeń wektorową, w której kot jest bardziej podobny do psa niż do biurka. A zrobili to, badając, jak często słowa kot i pies pojawiały się razem na stronach internetowych. Mieli uniwersum stron internetowych i uniwersum 20 000 rzeczowników. Powiedzieli, że te dwa rzeczowniki często pojawiają się razem, a te dwa inne rzeczowniki nie pojawiają się często. Stworzyli 300-wymiarową przestrzeń wektorową. [00:20:08] A teraz możesz opisać, jak podobne są dowolne dwa rzeczowniki. Zdecydowaliśmy się użyć rzeczowników jako zastępczych pomysłów. Wzięliśmy te 20 000 rzeczowników. Następnie wybraliśmy zestaw rzeczowników. Wyobraź sobie, że wybraliśmy jeden rzeczownik, ale wybraliśmy zestaw. Jeden rzeczownik losowo z całej tej grupy, na przykład braggadocio, był rzeczownikiem. Więc wybraliśmy braggadocio. I mówimy, że to jest idealny pomysł, który chcemy, aby ta grupa ludzi znalazła. A następnie wszystkie rzeczowniki, które są blisko braggadocio, odpadają w tej przestrzeni wektorowej. Masz szczytowy rzeczownik, który zdobywa najwięcej punktów, 20 000 punktów, a wszystkie inne rzeczowniki są najdalej od tego. Wprowadzamy ludzi do tego systemu i mówimy, aby znaleźli to słowo. Nie mówimy im, jakie to słowo. A potem podajemy im wartość punktową słów. Zaczynają zgadywać. I gdy zgadują, otrzymują informacje zwrotne. Mówią, że to słowo ma więcej punktów niż inne słowo. Zbliżają się coraz bardziej i zaczynają dzielić się wiedzą ze sobą. Starają się być kreatywni w rozwiązywaniu problemu.
Każda nazwa jest powiązana z innymi w przestrzeni semantycznej lub bezgranicznym krajobrazie. [00:21:10] Mieliśmy 18 różnych docelowych rzeczowników, jakbyśmy wyciągnęli szczyt z krajobrazu tych 20 000 rzeczowników w 18 różnych lokalizacjach w 18 różnych krajobrazach. A te rzeczowniki były celowo nietypowe, takie jak bratobójstwo, lejek, sarcoma, kartografia i tak dalej. Następnie przeprowadziliśmy eksperymenty z różnymi warunkami, w których ludzie byli sami próbując nawigować w krajobrazie, w których ludzie byli w grupach pracując razem nad nawigacją w krajobrazie, lub w których ludzie byli w grupach, ale mieli także kilka botów próbujących pomóc im być kreatywnymi. A boty działały, ponieważ mogły przekazywać informacje z jednego regionu sieci do drugiego, komunikując się ze sobą. Na przykład bot numer dwa mógł przekazać słowo niebo lub samochód do bota numer jeden. Oto przykład sieci.
Wprowadzamy ludzi. Kwadratowe kropki to boty. A ten bot ma cztery interakcje, a ten bot ma, nie wiem, sześć lub siedem interakcji. Ludzie na początku zaczynają zgadywać. [00:22:12] Nie mają absolutnie żadnej podstawy do zgadywania w pierwszej rundzie gry. Zgadują niebo, samochód, królika, szczura, psa, kota, biurko. Gdybym was zapytał, wybierzcie rzeczownik do zgadnięcia, zgadlibyście dom lub słońce, lub księżyc, lub kota, lub psa, lub jakiś mały typowy rzeczownik. A teraz mówione są im wartości punktowe, jak bardzo podobne są słowa szczur, pies, kot, biurko itd. do sarcomy. I przekazywane są im wartości punktowe tych rzeczowników w odniesieniu do rzeczownika docelowego, którym jest sarcoma. A następnie te wartości punktowe są ogłaszane. A potem ten bot może spojrzeć na wartości punktowe ludzi wokół niego i może przesłać albo losowy wybór temu botowi, albo najwyższą wartość punktową, albo najniższą wartość punktową, rodzaj tzw. nieformalnego kanału komunikacji przekazującego informacje z jednej grupy ludzi próbujących rozwiązać problem do innej grupy. Spójrzmy więc na kilka przykładów, aby to uporządkować, ponieważ to może być trudne do zrozumienia. Ludzie grali w tę grę przez około 25 rund. A oto podobieństwo kosinusowe z rzeczownikiem docelowym, którym jest słowo fratricide. Dobrze, mamy 20 000 rzeczowników. [00:23:13] Fratricide ma 20 000 punktów. A pozostałe słowa mają inne punkty. A oto samotna osoba, osoba sama, która zgaduje. To ich pierwsze zgadywanie to bit. I mówią im, jak bardzo podobne jest słowo bit do fratricide. A potem ich następne zgadywanie to birth. I otrzymują dużą poprawę w podobieństwie kosinusowym, ponieważ można sobie wyobrazić, że słowo birth jest bliższe słowu fratricide niż słowo bit. Dobrze? A następnie zgadują. Następnie próbują pieniądze. To gorsze. Potem próbują małpę. To jeszcze gorsze. Sprawdzają. Robią kontrolę sanity. Próbują birth. Znowu rośnie. Potem próbują baby. To niezłe zgadnięcie. Od birth do baby. Ale baby oddala ich od fratricide. I potem lady i tak dalej. Nawigują. Zgadują. Zgadują. Zgadują. I na koniec nie zbliżają się do fratricide. Teraz w tej innej sytuacji mamy grupę ludzi, ale bez botów. A teraz ludzie mogą, oprócz zgadywania, zobaczyć zgadywania osób wokół nich. I budować na pomysłach innych. Dobrze? Tworząc. Jak wspólnie robić wędkę. [00:24:13] Więc ta osoba, ich pierwsze zgadnięcie to pies. Ale ich następne zgadnięcie to tarcza. Można zobaczyć, że tarcza jest bliższa fratricide niż pies. A ta osoba zgaduje, zgaduje i otrzymuje informacje od sąsiadów. A na koniec zbliża się coraz bardziej. Kończy z słowem wróg. Dobrze? Właściwie, żołnierz był jego najlepszym zgadnięciem. Miał najwyższą wartość punktową podczas jego trajektorii.
Jak więc dodawanie botów miało znaczenie? To znowu pokazuje podsumowanie wyników. Na osi x znajduje się runda. Na osi y znajduje się średnia podobieństwo kosinusowe w tej hiperwymiarowej przestrzeni wektorowej, które jest miarą efektywności grupy. A tutaj jest grupa ludzi, którzy działają, zgadując samodzielnie. Więc ludzie, którzy zgadują na własną rękę, nie radzą sobie zbyt dobrze, prawda? To, wiesz, to po prostu kwestia przypadku, czy w jakiś sposób, lub, wiesz, pewnej wrodzonej zdolności u każdego indywidualnego człowieka. Z czasem radzą sobie trochę lepiej, zbliżając się do wyniku. Wszystkie grupy przewyższają solo. I to jest stary wynik, który jest znany. Grupa ludzi jest bardziej kreatywna niż podobny rozmiarem zestaw solowych wykonawców. Ale to, co odkrywamy, to to, że jeśli dodamy najbardziej podobnego bota, bota, który patrzył na swoich sąsiadów, [00:25:17] i odkrył, jaki jest ich lokalny konsensus na ten temat? Moje ludzie wydają się myśleć, że to jest dobre słowo. A potem przekazuje to do bota w odległej części sieci. Ten bot znacznie poprawił wyniki tej grupy ludzi, aby dokonać odkrycia. Powinieneś być w stanie wyobrazić sobie, jak to może działać w grupie inżynierów lub innych pracowników wiedzy. Jak można efektywnie rozdzielać wiedzę, unikając grupowego myślenia i pobudzając kreatywność, projektując boty, które pomagają ludziom w ich samopomocy. Bot tutaj nie ma mózgu. Nie sugeruje sobie pomysłów. Po prostu pomaga ludziom rozprzestrzeniać pomysły wśród siebie.
Proste agenty AI z interpretowalnym zachowaniem mogą zwiększyć zdolność do kreatywnych odkryć w grupach ludzkich, dzieląc się pomysłami, wokół których istnieje lokalny konsensus w jednej części grupy z ludźmi w odległej części grupy. A w rezultacie grupa może działać lepiej.
Teraz zaczęliśmy również eksperymentować z systemami fizycznymi. Dodaliśmy roboty humanoidalne i niehumanoidalne [00:26:19] obdarzone prostą AI, aby wesprzeć grupy ludzi w interakcjach twarzą w twarz, pokazując, jak mogą ułatwić współpracę, pomagając im przezwyciężyć tarcia lub brak zdolności do współpracy. Jednym z moich ulubionych przykładów jest eksperyment, który przeprowadziłem z moją byłą studentką magisterską, Maggie Traeger, która jest z tyłu i obecnie jest adiunktem na Uniwersytecie Notre Dame. W tym eksperymencie wzięliśmy trzech prawdziwych ludzi, którzy przyszli do laboratorium, oraz robota humanoidalnego. Zorganizowaliśmy małą grę, grę z torami kolejowymi, która była grana na tablecie, a ta grupa ludzi i robot miała za zadanie ułożyć tory kolejowe od punktu A do punktu B, jak małe tory kolejowe z Thomasem. Następnie daliśmy im kilka kawałków, które mogli wybrać na tablecie, takich jak proste i zakrzywione kawałki. Ale czasami sprytnie wymyśliliśmy, chociaż wyglądało na to, że była mieszanka kawałków i w zasadzie powinni byli móc przejść od punktu A do punktu B, zaprojektowaliśmy to tak, że nie było wystarczającej liczby zakrętów, aby pozwolić im przejść od punktu A do punktu B. [00:27:21] Więc nie mogli tego zrobić. Nie mogli rozwiązać problemu, nie zdając sobie z tego sprawy. Dobrze? Najpierw każda osoba miała swoją kolej, aby ułożyć kawałek toru, potem następna osoba i następna osoba. Wspólnie pracowali nad połączeniem punktu A z punktem B na swoich tabletach.
A co zrobiliśmy w tym eksperymencie, to manipulowaliśmy, a oni zagrali 30 rund tej gry w tym wirtualnym świecie, a mieliśmy 51 grup. Manipulowaliśmy stylem konwersacji robotów, a konkretnie tym, czy robot wyrażał wrażliwość, przyznając się do błędu. Więc robot powiedział, wiecie, popełniłem błąd. Albo czy robot opowiadał żarty ojców. Przypuszczam, że wszyscy wiedzą, czym są żarty ojców. Dobrze. Więc również mieliśmy robota, który mówił, swoją drogą, to jest uniwersalne kulturowo, jak antropolodzy w amazońskiej dżungli badali rdzennych mieszkańców, a ojcowie tam również opowiadają żarty ojców. A dzieci są jak, nie mogę uwierzyć, w głupie żarty taty. Ale wracając do tematu, istnieje teoria dotycząca tego, co mają na celu żarty ojców, by w pewien sposób zahartować dzieci. To jest teoria. Ale to całkowicie inny wątek. W każdym razie, mieliśmy nasze roboty, które opowiadały żarty ojców lub wyrażały wrażliwość. [00:28:21] I tym, co nas interesowało, było odkrycie, czy zmiany w mowie robotów mają moc nie tylko wpływania na to, jak ludzie wchodzą w interakcje z robotami, ale także, jak ludzie wchodzą w interakcje między sobą. I po raz kolejny, to daje możliwość modyfikacji interakcji społecznych poprzez wprowadzenie agentów sztucznej inteligencji do hybrydowych systemów ludzi i maszyn.
Oto mały przykład tego, a, nie powiedziałem Ci o wynikach. Oto kiedy mamy, więc te, grubość tych linii, ustawiliśmy kamery wideo, aby monitorować, kto mówi do kogo i jak długo rozmawiają. Grubość tych linii wskazuje, jak bardzo druga osoba rozmawia z pierwszą osobą i tak dalej. Osoba pierwsza nie rozmawia z robotem zbyt dużo. To cienka linia. A kiedy mieliście neutralne roboty, pojawiał się ten wzór. Ale gdy mieliście wrażliwego robota, wszystkie te linie stają się grubsze i się wyrównują. Odkryliśmy, że wrażliwy robot zwiększa równość wypowiedzi wśród ludzi, zwiększa głośność wypowiedzi wśród ludzi, a w oddzielnych wynikach, [00:29:22] zwiększa satysfakcję ludzi w takim otoczeniu.
A oto tylko jeden fragment z dwóch różnych rund, które ilustrują, że robot najpierw mówi w neutralny sposób, w głosie pasywnym, co nie wpływa zbytnio na komunikację między ludźmi. Robot mówi, w bardzo reaganowski sposób, popełniono błąd.
Ale w następnej rundzie robot mówi, popełniłem błąd. I możesz zobaczyć, co się tutaj dzieje. Zobaczmy, czy możemy to uruchomić. (25 sekund przerwy) Tak więc w wielu, wielu dziesiątkach prób znajdujemy taki wzór. Prosta manipulacja, prosta manipulacja w wzorze mowy robota zmienia sposób interakcji ludzi między sobą. [00:30:25] I zakładam, że nie trzeba wiele wyobraźni, aby pomyśleć o tym, jak cały sposób, w jaki projektujemy nasze chatboty i wszystko inne, może wpływać nie tylko na przykład Alexy, który podałem Ci na początku, na to, jak traktujemy się nawzajem. Ludzie wydają się bardziej sobie ufać i mieć więcej zabawy w tej sytuacji.
Teraz wszystko jest wciąż, i myślę, że to ostatni eksperyment, który zamierzam ci pokazać, a potem podsumuję, w jeszcze jednym eksperymencie, opracowaliśmy nową platformę cyber-fizyczną do badania takich społecznych, a rzeczywiście etycznych, skutków prostych rodzajów sztucznej inteligencji. Ponieważ biorąc pod uwagę naturę problemów akcji zbiorowej, zaangażowanie AI w grupy ludzi może paradoksalnie i niezamierzenie stłumić istniejące korzystne normy społeczne u ludzi, takie jak te związane z współpracą i altruizmem, które wyewoluowaliśmy jako gatunek. Mamy więc setki tysięcy lat doboru naturalnego pracującego nad nami, aby uczynić nas zdolnymi do rozwiązywania problemów akcji zbiorowej. Więc pytanie brzmi, jeśli część tej sprawczości przekazujemy maszynom, czy stracimy zdolność do współpracy w rozwiązywaniu tych problemów? [00:31:32] Czy zaczniemy polegać na tych maszynach, a więc teraz degradujemy naszą wrodzoną zdolność do współpracy, koordynacji i tworzenia i tak dalej? W tym eksperymencie, współpracując z Hiro Shirato na CMU, innym moim byłym studentem, zbudowaliśmy platformę, która obejmowała dwa małe pojazdy mechaniczne Raspberry Pi, i połączyliśmy ją z oprogramowaniem, które posiadamy, pozwalającym na organizowanie eksperymentów online na ogromną skalę. Ludzie byli we własnych domach, a im przydzielono jeden z tych samochodów, a oni prowadzą te samochody w swoim kierunku.
i mieliśmy ich w grze w kurczaka. Więc w kurczaku, wiesz, kto dotrze na drugą stronę najszybciej, ten wygrywa. Więc jesteś zmotywowany, aby nie ustępować drugiemu. Ale jeśli każdy z was zdecyduje się nie ustępować, to zderzycie się, a obaj dostaniecie najgorszą nagrodę. Więc co ludzie by zrobili w tej sytuacji, gdyby grali w iterowaną grę w kurczaka, to szybko nauczyli by się jeździć na zmianę. W tym razem to twoja kolej, aby jechać prosto, ustąpię ci, ale następnym razem ty ustąp i pozwól mi jechać prosto. [00:32:35] Jeśli będziemy egoistyczni, to po prostu wciąż będziemy w siebie wjeżdżać, niszcząc się nawzajem bez przerwy, lub głupio obaj zjedziemy z drogi i żaden nie skorzysta z jazdy na prosto. Więc w tej sytuacji tutaj, żółty samochód decyduje się ustąpić, niebieski samochód po prostu jedzie dalej niezakłócony aż na drugą stronę.
Użyliśmy 300 uczestników i 150 par, a oni byli opłacani w zależności od tego, jak szybko dotarli na drugą stronę. Następnie dodaliśmy trochę AI. Dodaliśmy asystenta automatycznego hamowania, który w momencie otrzymania powiadomienia o bliskości, kiedy zbliżałeś się do innego samochodu, hamował i dawał ci szansę na decyzję, że powinieneś zjechać na bok i pozwolić przejechać temu innemu gościowi lub odwrotnie. Dodaliśmy również asystenta automatycznego kierowania, który w momencie zbliżenia się do innego samochodu po prostu zjeżdżał na bok, okej? Dodaliśmy też minimalną funkcję komunikacji, w której ludzie mogli powiedzieć dziękuję lub coś w tym stylu. Tylko bardzo minimalna komunikacja. Po pierwsze, pokazaliśmy, że asystent automatycznego hamowania, gdzie samochody zatrzymują się w stałej odległości przed zderzeniem, zwiększał ludzką altruizm. [00:33:38] To znaczy, ustępowanie innym, tak jak robi to żółty samochód tutaj. Tak więc dodanie trochę asystenta automatycznego hamowania AI ułatwiło ludziom współpracę w tej sytuacji. Co więcej, pozwolenie ludziom na komunikację dodatkowo pomaga im podejmować wzajemne ustępstwa w warunkach automatycznego hamowania. Z drugiej strony, asystent automatycznego kierowania, gdzie samochód po prostu zjeżdżał, całkowicie zahamował pojawienie się wzajemności między ludźmi na rzecz maksymalizacji własnego interesu. Ludzie po prostu rezygnują ze swojej moralnej agencji. Nie przejmują się tym więcej. Po prostu pozwalają maszynie powtarzalnie zjeżdżać, i się poddają, okej? Tak więc wszystkie wrodzone zdolności etyczne, które ludzie mieli, zostały teraz usunięte przez dodanie AI w warunkach automatycznego kierowania, ale wzmocnione w warunkach automatycznego hamowania. I to również powinno skłonić cię do myślenia. Powinieneś myśleć: o mój Boże, każda drobna rzecz, którą robimy, gdy programujemy tych agentów AI, może mieć dobre lub złe skutki na naturalne tendencje ludzi.
Umiejętność ludzi do współpracy, dzielenia się i działania w sposób altruistyczny może się osłabić, prowadząc ostatecznie do gorszych wyników zarówno zbiorowych, jak i indywidualnych. [00:34:46] W rzeczywistości, krótko mówiąc, sztuczna inteligencja może prowadzić do pewnego rodzaju moralnego lenistwa. (..) Oto ostatni przykład trwałej zmiany po ekspozycji na sztuczną inteligencję w systemach hybrydowych. To też przykład tego, jak obecność AI może zmieniać interakcje między ludźmi, nawet po tym, jak AI już nie uczestniczy w tych interakcjach. W 2016 roku DeepMind opracowało AlphaGo, a w tym samym roku ten agent AI grał przeciwko Lee Sedol, niezwykłemu mistrzowi świata z Korei.
Oglądałem ten mecz. Nie potrafię grać w Go, ale uznaję go za wspaniałą grę. Mój syn gra w Go. (.) I naprawdę kibicowałem Lee Sedolowi. Lee Sedol jest jak bohater w Korei, tak jak my mamy wielkich sportowców na naszych pudełkach z płatkami śniadaniowymi i tym podobne. Jego imię jest na małych opakowaniach makaronu i na opakowaniach płatków. Uważam, że to wspaniałe, że w Korei jakiś bystry nerd, jak ja, jest postrzegany jako ważna osoba, okay? Jest bardzo popularny w Korei. I wychodzi na pierwszy mecz, a on jest zbyt pewny siebie. [00:35:47] Widzę, że jest zbyt pewny siebie. I przegrywa z maszyną, a potem przeprasza swoich fanów. Mówi, przepraszam. To pięć gier. Liczy się najlepsze trzy z pięciu. Potem gra drugą grę i znowu przegrywa. A teraz zaczyna się przejmować. Następnie gra trzecią grę i przegrywa. Stracił zawody.
I można było zobaczyć publiczność, a komentatorzy zachwycali się zdolnością maszyny do gry w Go, wykonując dziwne i piękne ruchy, z których niektóre później odkryto, miały miejsce, ponieważ mamy zapisy sięgające tysiące lat wstecz meczów Go rozgrywanych na chińskim dworze cesarskim. I mogli znaleźć, o mój Boże, to jest średniowieczny ruch, który wykonała maszyna. Nie widzieliśmy go od tak dawna.
A potem Lisa Dahl wraca w czwartej grze i wygrywa. (..) I płakałem. Byłem tak szczęśliwy. (..) Ponieważ miał maszynę, wiesz, wrócił dla mojego gatunku i pokonał tę przeklętą maszynę. Tak, w heroiczny sposób, nie mogłem zrozumieć, jaka moc umysłu musiała być potrzebna, aby Lisa Dahl to zrobiła. [00:36:49] Byłem w tym momencie w siódmym niebie i tak dumny z niego, że nadal próbował, nawet po tym, jak przegrał mecz.
Ciekawe jest to, że po wywiadzie Lisa Dahl powiedziała, że jej własna gra zmieniła się po meczu. Więc po raz kolejny AI pomaga ludziom w pomaganiu sobie nawzajem, okej? Zmienia, jak gra, z powodu kontaktu. A dalsze badania innych naukowców przyjrzały się profesjonalnym graczom w Go i zobaczyły medianę jakości decyzji. Istnieje pewien standard w Go dla oceny, jak dobra jest ruch, oraz medianę nowości, czyli jak niezwykły jest ruch. Okazuje się, że gdy AlphaGo pokonuje ludzkiego mistrza świata w 2016 roku, w całym świecie gracze w Go zaczynają wykonywać lepsze ruchy, które są bardziej innowacyjne, okej? Więc wszyscy ludzie grający w Go wzajemnie się zmieniają, ponieważ dodano AlphaGo. AI pomaga ludziom w pomaganiu sobie nawzajem. Kontynuujemy naszą pracę nad projektowaniem i dodawaniem prostych botów do tych i innych sytuacji związanych z dylematami społecznymi i problemami zbiorowej akcji. [00:37:55] Przyglądamy się, jak boty mogą wpływać na koordynację, współpracę, komunikację, kreatywność, zaufanie, nawigację, dzielenie się i ewakuację. W naszym laboratorium nie koncentrujemy się na super inteligentnym AI, takim jak LLM lub AlphaGo, aby zastąpić ludzką kognicję, ale raczej na głupim AI, aby wspierać interakcje ludzkie. Nie próbujemy wynaleźć super inteligentnego AI, aby zastąpić ludzką kognicję. Wynajdujemy głupie AI, aby wspierać interakcje ludzkie. Nasze AI może być głupie, ponieważ ludzie są inteligentni. Nasze AI jest jak platyna dodana do reakcji chemii organicznej. To tylko katalizator. Wszystko, czego potrzebujemy, to katalizator, aby pomóc grupie ludzi stać się lepszą.
Oczywiście ważne jest również uznanie, że odwrotność jest również możliwa. Sztucznej inteligencji społecznej można używać do krzywdzenia grup ludzi. Nasze podejście oferuje jednak szereg innych technicznych i koncepcyjnych zalet. Przede wszystkim te proste boty są zrozumiałe i w ten sposób wyraźnie ilustrują szersze możliwości i szanse. W przeciwieństwie do LLM-ów, które są czarną skrzynką i nie wiesz, co robią, mogę dokładnie powiedzieć, co robi nasz bot. [00:38:58] Jest hałaśliwy. Pośredniczy w wprowadzeniach. Przekazuje wiadomości w ten bardzo specyficzny sposób. Po drugie, nasze kontrolowane eksperymenty z botami mogą również dostarczyć wglądu w to, jak zachowanie ludzi może korzystnie się zmieniać. Innymi słowy, mogę to przenieść z laboratorium i nauczyć grupę ludzi robić to, co zrobiły nasze boty. W pewnym sensie nie można łatwo nauczyć grupy ludzi po prostu robić to, co zrobił ChachiPT. Nie wiemy, co robi ChachiPT, ale wiemy, co robią w naszej sytuacji.
Chciałbym zakończyć, to jest moja ostatnia slajd, metaforą. Rozważcie te dwa obiekty. Oba są zrobione z węgla. Jeśli połączycie atomy węgla w jeden sposób, otrzymacie grafit, który jest miękki i ciemny. Jeśli weźmiecie te same atomy węgla i połączycie je w inny sposób, otrzymacie diament, który jest twardy i przezroczysty. Istnieją tu dwie kluczowe idee intelektualne. Po pierwsze, te właściwości miękkości i ciemności oraz twardości i przezroczystości nie są właściwościami atomów węgla. To właściwości zbioru atomów węgla. Po drugie, które właściwości uzyskacie, zależy od tego, jak połączycie atomy węgla ze sobą. Weźcie te same atomy węgla i połączcie je w jeden sposób, otrzymacie jeden zestaw właściwości. [00:40:01] Połączcie je w inny sposób, otrzymacie zupełnie inny zestaw właściwości. Podobnie natura naszych połączeń wpływa na właściwości naszych grup społecznych. To więzi między ludźmi mogą uczynić całość większą niż suma jej części. Nowe właściwości, takie jak współpraca i przemoc, innowacje i produktywność, zaufanie i nieufność, prawda i fałsz, bogactwo i bieda, zdrowie i szczęście, mogą się pojawić i rozprzestrzenić dzięki połączeniom, dzięki więziom między ludźmi, a niekoniecznie tylko dzięki samym ludziom. W rzeczywistości nasze doświadczenie świata zależy od struktury i funkcji sieci wokół nas, blisko i daleko. A nasz gatunek ewoluował, aby tak było. I nie powinno nas dziwić, że będziemy reagować na AI w naszym otoczeniu. Dziękuję bardzo.
