21 lekcji na XXI wiek. Yuval Noah Harari

Читать онлайн книгу.

21 lekcji na XXI wiek - Yuval Noah Harari


Скачать книгу
na ich życie. Niewątpliwie jednak rewolucje dokonujące się w technice nabiorą w kolejnych kilku dekadach rozpędu i wystawią ludzkość na najcięższe próby, z jakimi kiedykolwiek miała ona do czynienia. Każda opowieść, która stara się zdobyć serce ludzkości, zostanie sprawdzona przede wszystkim pod względem tego, czy poradzi sobie z podwójnym przełomem w obu omawianych dziedzinach. Jeśli liberalizm, nacjonalizm, islam albo jakieś nowe credo chce kształtować świat w 2050 roku, musi nie tylko rozumieć sztuczną inteligencję, algorytmy oparte na big data oraz bioinżynierię – ale też włączyć je w nową, sensowną narrację.

      By zrozumieć naturę tego technicznego wyzwania, być może najlepiej będzie zacząć od rynku pracy. Od 2015 roku jeżdżę po całym świecie i rozmawiam z urzędnikami państwowymi, przedstawicielami świata biznesu, działaczami społecznymi i uczniami na temat trudnej sytuacji ludzkości. Ilekroć moich rozmówców niecierpliwi albo nudzi dyskusja o sztucznej inteligencji, o algorytmach opartych na big data czy o bioinżynierii, zazwyczaj wystarcza, że wymówię tylko jedno magiczne słowo, by z powrotem zainteresowali się tematem: praca. Rewolucja techniczna może niedługo wypchnąć miliardy ludzi z rynku pracy i przyczynić się do powstania ogromnej, nowej, bezużytecznej klasy, co doprowadzi do zmian społecznych i politycznych, z którymi nie potrafi sobie poradzić żadna z obecnych ideologii. Całe to rozprawianie o wynalazkach technicznych i ideologii może się wydawać niezwykle abstrakcyjne i odległe, ale bardzo realna perspektywa masowego bezrobocia – albo własnego bezrobocia – nikogo nie pozostawia obojętnym.

      2

      PRACA

Gdy dorośniesz, możesz nie mieć pracy

      Nie mamy pojęcia, jak będzie wyglądał rynek pracy w 2050 roku. Powszechnie przyjmuje się, że uczenie maszynowe i robotyka zmienią niemal każdy fach – poczynając od produkowania jogurtu, po uczenie jogi. Sporną kwestią pozostaje natomiast to, jaki będzie charakter tej zmiany oraz jak szybko ona nastąpi. Niektórzy uważają, że w ciągu zaledwie dekady lub dwóch miliardy ludzi staną się ekonomicznie niepotrzebne. Inni natomiast twierdzą, że nawet na dłuższą metę automatyzacja będzie nadal tworzyć nowe miejsca pracy i generować coraz większy powszechny dobrobyt.

      Czy zatem jesteśmy bliscy jakiegoś przerażającego wstrząsu, czy też tego rodzaju prognozy są kolejnym przykładem bezpodstawnej histerii? Trudno powiedzieć. Obawy, że automatyzacja spowoduje ogromne bezrobocie, pojawiły się już w XIX wieku i jak dotychczas jeszcze się nie ziściły. Od początku rewolucji przemysłowej było tak, że na każde miejsce pracy zabrane przez maszynę powstawało przynajmniej jedno nowe, a przeciętny standard życia radykalnie się podnosił12. Mimo to są powody, by sądzić, że tym razem będzie inaczej i że uczenie maszynowe będzie prawdziwym wstrząsem.

      Ludzie mają dwa rodzaje umiejętności – fizyczne i poznawcze. W przeszłości maszyny rywalizowały z ludźmi przeważnie w zakresie zdolności typowo fizycznych, ludzie zaś zachowywali olbrzymią przewagę nad maszynami w zakresie poznania. Z jednej strony zatem w rolnictwie i przemyśle automatyzowano prace czysto fizyczne, a z drugiej w sferze usług pojawiały się nowe zajęcia wymagające umiejętności poznawczych, które posiadali jedynie ludzie: uczenia się, analizowania, komunikowania się, a przede wszystkim rozumienia ludzkich emocji. Obecnie jednak w coraz szerszym zakresie tych umiejętności – w tym także w rozumieniu ludzkich emocji – sztuczna inteligencja zaczyna osiągać wyniki lepsze niż ludzie13. Nic nam nie wiadomo o żadnym trzecim obszarze działania – poza sferą fizyczną i poznawczą – w którym ludzie mieliby zawsze zachowywać bezpieczną przewagę.

      Niezwykle istotne jest uświadomienie sobie, że rewolucja w SI nie polega tylko na tym, że komputery robią się coraz szybsze i inteligentniejsze. Napędzają ją również przełomowe odkrycia nauk przyrodniczych i społecznych. Im lepiej pojmujemy mechanizmy biochemiczne, które są podstawą ludzkich emocji, pragnień i wyborów, tym skuteczniejsze mogą być komputery w analizowaniu ludzkiego zachowania, przewidywaniu ludzkich decyzji i zastępowaniu ludzi w roli kierowców, bankierów i prawników.

      W ostatnich kilku dziesięcioleciach badania prowadzone w takich dziedzinach, jak neuronauka i ekonomia behawioralna, pozwoliły naukowcom „zhakować” ludzi, a przede wszystkim zyskać znacznie lepsze zrozumienie tego, w jaki sposób ludzie podejmują decyzje. Okazało się, że nasze decyzje w każdej sprawie – od wyboru jedzenia po wybór partnerów – wynikają nie z jakiejś tajemniczej wolnej woli, lecz raczej z miliardów neuronów w ułamku sekundy obliczających prawdopodobieństwa. Osławiona „ludzka intuicja” jest w rzeczywistości „rozpoznawaniem wzorców”14. Dobrzy kierowcy, bankierzy i prawnicy nie mają magicznej intuicji w zakresie ruchu drogowego, inwestowania czy negocjacji – jest raczej tak, że dzięki rozpoznawaniu powtarzających się wzorców dostrzegają nieuważnych pieszych, nierzetelnych pożyczkobiorców oraz krętaczy, i starają się ich unikać. Okazało się również, że biochemiczne algorytmy ludzkiego mózgu bynajmniej nie są doskonałe. Opierają się na heurystykach, skrótach i przestarzałych obwodach, dostosowanych raczej do afrykańskiej sawanny niż do miejskiej dżungli. Nic dziwnego, że nawet dobrzy kierowcy, bankierzy i prawnicy czasami popełniają głupie błędy.

      Oznacza to, że sztuczna inteligencja może osiągać lepsze od ludzi wyniki nawet w zadaniach, które podobno wymagają „intuicji”. Jeśli ktoś uważa, że SI musi rywalizować z ludzką duszą pod względem mistycznego przeczucia – wydaje się to niemożliwe. Jeśli jednak tak naprawdę sztuczna inteligencja ma rywalizować z sieciami neuronów w zakresie obliczania prawdopodobieństwa i rozpoznawania wzorców – brzmi to o wiele mniej beznadziejnie.

      Z pewnością sztuczna inteligencja potrafi być lepsza w pracach, w których niezbędna jest intuicja na temat innych ludzi. Wiele zawodów – polegających na przykład na prowadzeniu pojazdu po drodze pełnej pieszych, pożyczaniu pieniędzy obcym osobom i negocjowaniu umów biznesowych – wymaga umiejętności poprawnej oceny emocji i pragnień innych ludzi. Czy ten dzieciak wbiegnie zaraz na jezdnię? Czy mężczyzna w garniturze ma zamiar wziąć ode mnie pieniądze i zniknąć? Czy ten adwokat spełni swoje groźby, czy tylko blefuje? Dopóki uważano, że tego rodzaju emocje i pragnienia tworzy jakiś niematerialny duch, wydawało się oczywiste, że komputery nigdy nie będą w stanie zastąpić ludzi jako kierowcy, bankierzy i prawnicy. No bo jakim cudem komputer miałby rozumieć stworzonego przez Boga ludzkiego ducha? Jeśli jednak te emocje i pragnienia tak naprawdę nie są niczym więcej niż biochemicznymi algorytmami, to nie ma powodu, dla którego komputery nie mogłyby ich rozszyfrować – i to dużo lepiej niż jakikolwiek homo sapiens.

      Kierowca przewidujący zamiary pieszego, bankier oceniający wiarygodność potencjalnego pożyczkobiorcy i prawnik sondujący nastroje przy stole negocjacyjnym nie korzystają z czarów i magii. Mimo że nie są tego świadomi, ich mózgi rozpoznają biochemiczne wzorce, analizując wyraz twarzy, ton głosu, ruchy rąk, a nawet zapach ciała. Sztuczna inteligencja wyposażona we właściwe czujniki mogłaby robić to wszystko z dużo większą dokładnością i niezawodnością niż człowiek.

      A zatem za niebezpieczeństwo znikania miejsc pracy nie odpowiada pojawienie się samej technologii informacyjnej. Jest ono skutkiem jej połączenia z biotechnologią. Droga od skanera fMRI do rynku pracy jest długa i kręta, mimo to da się ją pokonać w kilka dekad. To, czego badacze mózgu dowiadują się dziś na temat ciała migdałowatego oraz móżdżku, może pozwolić komputerom w 2050 roku zostawić ludzkich psychiatrów i ochroniarzy daleko w tyle.

      Sztuczna inteligencja jest gotowa nie tylko nas zhakować i osiągnąć lepsze od nas wyniki w zakresie umiejętności uznawanych dotychczas za typowe wyłącznie dla ludzi. Oprócz tego dysponuje ona umiejętnościami typowymi wyłącznie dla nieludzi, co sprawia, że różnica między SI a człowiekiem


Скачать книгу

<p>12</p>

G.R. Woirol, The Technological Unemployment and Structural Unemployment Debates, Westport 1996, s. 18–20; A.S. Bix, Inventing Ourselves out of Jobs? America’s Debate over Technological Unemployment, 1929–1981, Baltimore 2000, s. 1–8; J. Mokyr, Ch. Vickers, N.L. Ziebarth, The History of Technological Anxiety and the Future of Economic Growth. Is This Time Different?, „Journal of Economic Perspectives” 2015, nr 29(3), s. 33–42; J. Mokyr, The Gifts of Athena. Historical Origins of the Knowledge Economy, Princeton 2002, s. 255–257; D.H. Autor, Why Are There Still So Many Jobs? The History and the Future of Workplace Automation, „Journal of Economic Perspectives” 2015, nr 29(3), s. 3–30; M. Arntz, T. Gregory, U. Zierahn, The Risk of Automation for Jobs in OECD Countries, „OECD Social, Employment and Migration Working Papers” 2016, nr 89; M. Piva, M. Vivarelli, Technological Change and Employment. Were Ricardo and Marx Right?, „IZA Institute of Labor Economics, Discussion Paper” 2017, nr 10471.

<p>13</p>

Na przykład: sztuczna inteligencja jest lepsza od ludzi w pilotowaniu, a zwłaszcza w symulacji lotów bojowych – zob. N. Ernest et al., Genetic Fuzzy based Artificial Intelligence for Unmanned Combat Aerial Vehicle Control in Simulated Air Combat Missions, „Journal of Defense Management” 2016, nr 6(1), s. 1–7. Inne przykłady: inteligentne systemy indywidualnego nauczania – K. VanLehn, The Relative Effectiveness of Human Tutoring, Intelligent Tutoring Systems, and Other Tutoring Systems, „Educational Psychologist” 2011, nr 46(4), s. 197–221; handel oparty na algorytmach – G. Nuti et al., Algorithmic Trading, „Computer” 2011, nr 44(11), s. 61–69; planowanie finansów, zarządzanie portfelem itd. – A. Baharammirzaee, A Comparative Survey of Artificial Intelligence Applications in Finance. Artificial Neural Networks, Expert System and Hybrid Intelligent Systems, „Neural Computing and Applications” 2010, nr 19(8), s. 1165–1195; analiza złożonych danych w systemach medycznych oraz w stawianiu diagnozy i określaniu leczenia – M. Glass Zauderer et al., Piloting IBM Watson Oncology within Memorial Sloan Kettering’s Regional Network, „Journal of Clinical Oncology” 2014, nr 32(150), s. e17653; tworzenie oryginalnych tekstów w języku naturalnym z ogromnych ilości danych – J.-S. Vayre et al., Communication Mediated through Natural Language Generation in Big Data Environments. The Case of Nomao, „Journal of Computer and Communication” 2017, nr 5, s. 125–148; rozpoznawanie twarzy – F. Schroff, D. Kalenichenko, J. Philbin, FaceNet. A Unified Embedding for Face Recognition and Clustering, „IEEE Conference on Computer Vision and Pattern Recognition (CVPR)” 2015, s. 815–823; oraz prowadzenie samochodu – C. Premebida, A Lidar and Vision-based Approach for Pedestrian and Vehicle Detection and Tracking, [w:] 2007 IEEE Intelligent Transportation Systems Conference, 2007.

<p>14</p>

D. Kahneman, Pułapki myślenia. O myśleniu szybkim i wolnym, przeł. P. Szymczak, Poznań [cop.] 2012; D. Ariely, Potęga irracjonalności. Ukryte siły, które wpływają na nasze decyzje, przeł. T. Grzegorzewska, Wrocław 2009; B.D. Ripley, Pattern Recognition and Neural Networks, Cambridge 2007; Ch.M. Bishop, Pattern Recognition and Machine Learning, New York 2007.