Minutę przed północą
Aby mówić o technologii, trzeba najpierw mówić o czasie. Nie dlatego, że każdy wynalazek potrzebuje daty, ale dlatego, że odległość dzieląca jedne transformacje od drugich jest częścią ich znaczenia. Istnieją skale, które możemy sobie wyobrazić, ponieważ mieszczą się w naszym doświadczeniu: rok, dekada, długość życia. Poza tym limitem czas staje się liczbą, którą rozumiemy, nie potrafiąc jej sobie wyobrazić. Wiemy, że milion lat to znacznie więcej niż sto tysięcy, ale oba zajmują podobne miejsce w naszej intuicji: odległa przeszłość, w której różnice stają się prawie nierozróżnialne.
Ta trudność deformuje sposób, w jaki myślimy o technologii. Kamień, ogień, rolnictwo, pismo, maszyna parowa i komputer pojawiają się jako kolejne etapy tej samej podróży, uporządkowane z regularnością, która nigdy nie istniała. Między pierwszymi transformacjami upłynęły setki tysięcy lat; między najnowszymi, zaledwie kilka lat. Aby uwidocznić to przyspieszenie, prześledzimy techniczną historię ludzkości w kalendarzu jednego roku. 1 stycznia rozpocznie się od technologii Olduvai, jednej z pierwszych szeroko rozpowszechnionych i rozpoznawalnych tradycji obróbki kamienia. Północ 31 grudnia będzie oznaczać teraźniejszość. Nie chodzi o to, by stwierdzić, że każdy postęp nieuchronnie prowadził do następnego, ale o odtworzenie trajektorii, która ostatecznie umożliwiła nasz świat: jaka zdolność się pojawiła, jak długo to trwało i jakie nowe warunki pozostawiła.
Przez większą część tego kalendarza jedna forma techniczna mogła trwać dłużej niż całe gatunki. Teraz natomiast kilka kolejnych transformacji może przejść przez życie jednej osoby. Możemy ich doświadczać jako jednostki, ale jako gatunek nie mamy tyle samo czasu na ich zrozumienie. Nauczyliśmy się przekształcać świat z prędkością znacznie większą niż ta, z jaką udaje nam się zrozumieć, w co go przekształcamy.
1 stycznia — Świat może zostać zmieniony
Rok rozpoczyna się od technologii Olduvai. Hominid uderza jednym kamieniem o drugi; z uderzenia odpada ostry odłamek, podczas gdy rdzeń pozostaje naznaczony ostrymi krawędziami. Gest wydaje się elementarny, ale zawiera decydującą różnicę w stosunku do okazjonalnego użycia znalezionego przedmiotu: kamień nie jest już akceptowany w takiej postaci, w jakiej się pojawia, ale jest obrabiany w celu wytworzenia właściwości, której wcześniej nie miał.
Znaczenie technologii Olduvai nie polega wyłącznie na zachowanych narzędziach, ale na tym, że stanowi ona rozpoznawalną tradycję, rozpowszechnioną przez ogromny okres na terytoriach i pokoleniach. Ta ciągłość wskazuje, że operacja mogła być przekazywana i nauczana. Ważne było nie tylko wytworzenie ostrza, ale także wiedza, jak to zrobić ponownie.
Zdolność, której ciało samo w sobie nie posiada, przechodzi w ten sposób do zewnętrznego obiektu. Ostrzejszy pazur wymagałby wielu pokoleń zmian biologicznych; odłamek zdolny do cięcia mógł być wytworzony w ciągu życia osobnika, który go potrzebował, transportowany i powielany. Technologia zaczyna się, gdy transformacja przestaje zależeć od odizolowanego odkrycia i może stać się tradycją.
Przez pierwsze miesiące naszego kalendarza ta tradycja zmienia się z prędkością, która z dzisiejszej perspektywy wydaje się prawie nieruchoma. Niezliczone pokolenia rodzą się i znikają w obrębie tej samej formy technicznej, która dla każdego z nich była tak stabilna jak góry krajobrazu.
29 kwietnia — Przedmiot istnieje, zanim zostanie ukończony
Będziemy musieli poczekać do 29 kwietnia, około 840 000 lat, aby znaleźć pierwsze acheulejskie pięściaki. Różnica nie polega po prostu na dalszej obróbce kamienia. Wyprodukowanie pięściaka wymaga obróbki jego obu stron, łączenia ekstrakcji, korygowania nierówności i utrzymywania ogólnego kształtu przez długi czas. Ten, kto go obrabia, nie reaguje tylko na wynik ostatniego uderzenia: porównuje to, co zostało wyprodukowane, z przedmiotem, który istnieje jeszcze tylko w jego umyśle. Ostateczny kształt jest nieobecny w materiale, ale już kieruje pracą. Narzędzie pojawia się najpierw jako projekt.
Ta odległość ustanawia pierwszy wielki okres oczekiwania w naszej historii technicznej: około 840 000 lat, aby przejść od formy obróbki kamienia skupionej na uzyskiwaniu użytecznych odłamków i ostrzy do innej, która wymaga planowania i kształtowania całej bryły kamienia z obu stron.
5 listopada — Utrzymywanie transformacji w czasie
Od pojawienia się pierwszych pięściaków minęło 1,36 miliona lat. W naszym kalendarzu jest już 5 listopada, kiedy to można umiejscowić świadomą kontrolę ognia, zdolną do jego wytwarzania, przechowywania i wykorzystywania bez zależności od naturalnego pożaru. Kamień pozwolił modyfikować materię za pomocą przedmiotu; ogień pozwala kierować energią i utrzymywać transformację, dopóki istnieją niezbędne warunki.
Gotowanie przenosi część pracy trawienia poza ciało, rozszerza to, co można jeść, i eliminuje szkodliwe substancje. Ogień także chroni, oświetla i przekształca materiały. Jego najgłębsza nowość nie polega jednak tylko na jego zastosowaniach, ale na tym, że wprowadza proces, który musi być utrzymywany w czasie. Trzeba go podtrzymywać, chronić, pilnować i ponownie wytwarzać.
Ta ciągłość nie zależy wyłącznie od jednostki, ale od grupy. Ogień może przetrwać, ponieważ różne osoby kolejno podtrzymują warunki, które utrzymują go w aktywności. Zdolność techniczna przestaje więc tkwić tylko w przedmiocie i przechodzi również do kolektywnego procesu, który musi być zachowany poprzez ciągły łańcuch działań. Przez ponad dziesięć miesięcy naszego roku, każda noc zwracała świat w ciemność.
30 grudnia rano — Działanie na przyszłość, która jeszcze nie istnieje
Kolejna wielka transformacja nadchodzi rankiem 30 grudnia, około 390 000 lat później. Rolnictwo nie pojawia się w jednym miejscu ani nie zastępuje natychmiast łowiectwa i zbieractwa, ale wprowadza inną relację z przyszłością. Uprawa wymaga selekcji nasion, przygotowania terenu, kontroli wody, ochrony uprawy i oczekiwania na wynik, który jeszcze nie istnieje. Pięściak wymagał przewidywania kształtu; rolnictwo zmusza do przewidywania cyklu i modyfikowania środowiska, aby mógł się powtórzyć.
Ta interwencja nie ogranicza się do roślin. Wybierając, które zwierzęta się rozmnażają, które są zachowywane i jakie cechy są użyteczne, społeczności zaczynają również przekształcać inne gatunki na przestrzeni pokoleń. Technika przestaje działać wyłącznie na obiekty lub zlokalizowane procesy i zaczyna modyfikować krajobraz, cykle biologiczne i istoty żywe.
W niektórych społeczeństwach nadwyżka rolna pozwala części ludności poświęcić się bardziej stabilnie innym zadaniom. Doświadczenie się koncentruje, wiedza zbiorowa wzrasta i jest rozprowadzana wśród wyspecjalizowanych osób. Ale w miarę jak społeczność wie więcej, każda jednostka posiada mniej umiejętności niezbędnych do samodzielnego utrzymania się. Zdolność całej grupy rośnie w miarę wzrostu zależności między jej członkami.
Kiedy ta organizacja osiąga wystarczającą skalę, pojawia się również potrzeba rejestrowania magazynów, własności, wymian i zobowiązań. Rolnictwo nie produkuje tylko żywności. Produkuje również rachunki.
31 grudnia rano — Pamięć opuszcza ciało
Pismo pojawia się rankiem 31 grudnia, około siedmiu tysięcy lat później. Pamięć przestaje wtedy polegać wyłącznie na osobach, które pamiętają. Ilość staje się znakiem; imię pozostaje, gdy ten, kto je wymówił, już nie istnieje; zobowiązanie można sprawdzić, gdy jego bohaterowie zapomnieli o jego warunkach.
Ta stałość rozszerza również zdolność władzy do organizowania społeczeństwa i poszerzania jego wpływów. Prawa mogą być ustalane jako odniesienie, daniny i nadwyżki rejestrowane, zasoby zarządzane, a rozkazy przekazywane na odległe terytoria. Pismo umożliwia koordynację ludzi, produkcji i zobowiązań bez zależności od bezpośredniej obecności rządzących ani od pamięci uczestników każdej wymiany.
Zapisana idea może przetrwać pokolenia, a nikt nie musi jej ciągle przechowywać w pamięci. Można ją również ponownie przeczytać, podzielić, porównać i poprawić. Wiedza zyskuje w ten sposób nową stabilność, choć przez tysiąclecia pozostaje rzadka: każda tabliczka musi być zapisana, a każdy zwój czy kodeks kopiowany ręcznie. Pismo rozwiązuje problem trwałości wiedzy, ale jeszcze nie jej rozpowszechniania.
31 grudnia, 22:00 — Wiedza się mnoży
Trzeba będzie poczekać do dziesiątej wieczorem ostatniego dnia, aby europejska maszyna drukarska pomnożyła reprodukcję tekstów. Minęło około 4600 lat od pierwszych pism. Kopista powtarza pracę nad każdym egzemplarzem; maszyna drukarska przenosi ten wysiłek na przygotowanie matrycy zdolnej do wyprodukowania wielu. Zmiana nie polega tylko na szybszym wytwarzaniu książek, ale na oddzieleniu produkcji treści od reprodukcji każdej kopii.
Wiedza wkracza w ten sposób w logikę, która później stanie się typowa dla fabryki: wysiłek koncentruje się na budowaniu systemu zdolnego do powtarzania jednostki, zamiast każdorazowego jej całkowitego odtwarzania. Ten sam tekst może dotrzeć do odległych od siebie czytelników, wersje mogą być porównywane, a jedno wydanie może poprawić poprzednie.
Druk nie tylko mnoży książki: mnoży miejsca, z których może być produkowana nowa wiedza. Im więcej wiedzy krąży, tym więcej osób może na niej bazować, łączyć ją i rozwijać. Przyspieszenie zaczyna wtedy działać na swoje własne warunki. Po druku wystarczą zaledwie dwie godziny naszego kalendarza, aby pojawił się przemysł, komputery, internet, smartfon i sztuczna inteligencja.
31 grudnia, 23:00 — Maszyna zaczyna wytwarzać maszyny
O jedenastej wieczorem, zaledwie godzinę później w naszym kalendarzu, maszyna parowa zamienia energię w regularną pracę mechaniczną. W 1712 roku maszyna Newcomena pompuje wodę z kopalń węgla; ten sam węgiel zasila później nowe maszyny, które pozwalają na wydobycie jeszcze większej ilości. Technika zaczyna wytwarzać materialne warunki własnego wzrostu.
Późniejsze ulepszenia zmniejszają zużycie i przekształcają ruch tłoka w ruch obrotowy. Para przestaje napędzać wyłącznie pompy i staje się ogólnym źródłem mocy zdolnym do napędzania krosien, młotów, młynów i pojazdów. Produkcja nie zależy już całkowicie od siły ludzkiej, zwierzęcej ani od miejsca, gdzie wieje wiatr lub płynie woda. Energia może być koncentrowana i wykorzystywana w sposób ciągły wszędzie tam, gdzie przemysł jej potrzebuje.
Fabryka gromadzi tę energię z materiałami, pracownikami i maszynami w ramach jednej przestrzeni. W warsztacie narzędzie podążało za rytmem rzemieślnika; w fabryce praca zaczyna podążać za stałym rytmem maszyny. Dzień, punktualność i synchronizacja nabierają nowej wartości ekonomicznej. Zegar przestaje jedynie mierzyć upływ dnia i zaczyna również organizować produkcję, dzielić czas i mierzyć wydajność.
Przekształcenie przemysłowe nie ogranicza się do fabryki. Para wydobywa węgiel; węgiel zasila silniki i piece; żelazo i stal pozwalają budować nowe narzędzia, szyny, statki, mosty i budynki. Kolej łączy kopalnie, fabryki, porty i miasta, podczas gdy telegraf koordynuje na odległość ruchy towarów, ludzi i informacji. Produkcja, transport, energia i komunikacja zaczynają tworzyć ten sam wzajemnie zależny obwód.
Same maszyny wymagają coraz precyzyjniejszych części. Tokarki, wiertarki i frezarki pozwalają wytwarzać komponenty dla innych mechanizmów z dokładnością, która nie zależy już całkowicie od indywidualnych umiejętności. Lepsza maszyna pozwala zbudować następną z większą precyzją. Przemysł przestaje w ten sposób ograniczać się do wytwarzania przedmiotów: produkuje narzędzia, energię i infrastrukturę niezbędną do przyspieszenia własnego rozwoju.
31 grudnia, 23:45 — Maszyna, którą można zaprogramować
O 23:45, około 235 lat po maszynie Newcomena, pojawia się komputer. Pierwsze elektroniczne komputery zajmują całe sale i wykorzystują tysiące komponentów do wykonywania obliczeń, które wcześniej wymagały długich procesów ludzkich. W 1947 roku pojawia się tranzystor, mniejszy, bardziej wytrzymały i wydajny niż stosowane dotychczas lampy do sterowania sygnałami elektrycznymi. Jego znaczenie nie polega wyłącznie na tym, co może wykonać każda jednostka, ale na ilości, którą można zgromadzić w jednym obwodzie.
Przemysł stosuje w ten sposób swoją zdolność do masowej produkcji komponentów zdolnych do reprezentowania i przekształcania informacji. Układ scalony łączy kilka tranzystorów w jednym elemencie, a miniaturyzacja zaczyna się samowzmacniać: komputery pomagają projektować bardziej złożone układy, a te układy produkują mocniejsze komputery, za pomocą których można projektować i wytwarzać następne pokolenie.
Ale decydującą transformacją nie jest tylko wzrost zdolności obliczeniowych. Maszyna przemysłowa jest zbudowana do wykonywania konkretnej operacji; komputer może wykonywać różne funkcje w zależności od otrzymanych instrukcji. Programowanie pozwala opisać te instrukcje, przechowywać je, kopiować, ulepszać i wykonywać ponownie bez fizycznej przebudowy maszyny.
Procedura przestaje być w ten sposób całkowicie ustalona w formie mechanizmu. Aby zmienić funkcję maszyny, nie jest już konieczne budowanie kolejnej: wystarczy zmienić program, który organizuje jej zachowanie. Technika zaczyna działać nie tylko na materię i energię, ale także na własne procedury.
Pozostało zaledwie piętnaście minut do północy. W ciągu tego krótkiego odcinka pojawią się: komputer osobisty, internet, smartfon i sztuczna inteligencja.
31 grudnia, 23:50 — Informacje cyfrowe się mnożą
Pięć minut później, nasz kalendarz wskazuje 23:50. W 1971 roku pojawia się mikroprocesor, który koncentruje centralne funkcje komputera w jednym chipie. Zdolność obliczeniowa zaczyna opuszczać duże instalacje i, wraz z późniejszym pojawieniem się komputera osobistego, stopniowo wkracza do biur, szkół i domów.
Do tego czasu digitalizacja polegała głównie na przekształcaniu informacji, które już istniały na innych nośnikach – dokumentów, rejestrów, obrazów lub obliczeń – do formatu, który maszyna mogła przetwarzać. Z komputerem osobistym dzieje się coś innego: rosnąca część pracy intelektualnej zaczyna rodzić się bezpośrednio w formacie cyfrowym. Teksty, obliczenia, projekty, programy i obrazy nie muszą już później przekształcać się w dane, ponieważ są produkowane od samego początku wewnątrz maszyny.
Druk zmniejszył koszty reprodukcji treści; komputer rozprowadza również zdolność do jej wytwarzania i przekształcania. Plik można wyszukać, skopiować, porównać, przeorganizować i połączyć z innymi bez opuszczania środowiska cyfrowego. Informacja przestaje być wyłącznie czymś, co trzeba przekształcić, aby maszyna mogła ją przetworzyć: coraz większa jej część rodzi się już w formacie, na którym można działać od samego początku.
31 grudnia, 23:53 — Digitalizacja staje się globalna
O 23:53, w 1991 roku, publiczne otwarcie World Wide Web umożliwiło organizowanie i przeglądanie informacji krążących w Internecie za pośrednictwem połączonych stron. Plik przestał być ograniczony do komputera lub fizycznego nośnika, na którym został utworzony: można go było opublikować w jednym miejscu i być dostępnym dla milionów ludzi z dowolnego miejsca na świecie. Informacja cyfrowa nie tylko może być łatwo powielana, ale także nieprzerwanie krążyć za pośrednictwem wspólnej infrastruktury.
Ta zdolność generuje nową obfitość. Kiedy dokumenty liczy się w milionach, ich samo publikowanie przestaje wystarczać: trzeba je znaleźć, powiązać i zdecydować, które powinny pojawiać się przed innymi. Aby rozwiązać ten problem, powstają wyszukiwarki, które przeglądają sieć, rejestrują dostępne strony, analizują ich linki i budują indeksy zdolne do odpowiadania na zapytania.
Jednak relacje między stronami nie wystarczają do określenia, który wynik może być najbardziej użyteczny dla danej osoby. Wyszukiwarki zaczynają wtedy rejestrować również, jakie słowa są używane, jakie wyniki są wybierane, jakie są ignorowane i co dzieje się po każdym wyszukiwaniu. Aktywność użytkowników dostarcza sygnałów, które pozwalają na reorganizację informacji zgodnie z ich prawdopodobną trafnością i stopniowe korygowanie kolejności, w jakiej są prezentowane.
Platformy rozszerzają tę logikę. Coraz większa część aktywności przestaje odbywać się na otwartych stronach i zaczyna rozwijać się w ramach usług kontrolowanych przez firmy. Rozmowy, zakupy, orientacja, słuchanie muzyki, oglądanie filmów, praca czy prezentowanie siebie produkują treści, ale także pozostawiają zapisy dotyczące sposobu wykorzystywania tych treści: kto ma do nich dostęp, skąd, przez jaki czas, w jakiej kolejności i z jaką późniejszą reakcją.
Sieć zaczyna w ten sposób zawierać dwie różne warstwy informacji. Pierwsza składa się z tekstów, obrazów, filmów, programów i wiadomości, które przez nią krążą. Druga rejestruje relacje między tymi treściami a użytkownikami: czego szukają, co wybierają, co porzucają, co powtarzają i co z czym kojarzą. Jedna opisuje, co istnieje w sieci; druga – sposób, w jaki miliony ludzi ją przeglądają i przypisują jej wartość.
Decydująca różnica pojawia się w sposobie dystrybucji obu warstw. Treści mogą być rozproszone między milionami stron, urządzeń i użytkowników, podczas gdy zapisy ich użycia koncentrują się głównie w firmach kontrolujących wyszukiwarki, platformy i centra danych. Te organizacje nie posiadają wszystkich informacji z internetu, ale gromadzą coś, czego żaden użytkownik nie może odtworzyć samodzielnie: zagregowaną wizję tego, jak miliony ludzi znajdują, łączą, selekcjonują i oceniają treści. Nie kontrolują one jedynie części plików, ale także mapę, która łączy informacje z zachowaniami tych, którzy ich używają.
31 grudnia, 23:56 — Życie codzienne staje się danymi
Od pojawienia się mikroprocesora minęło trzydzieści sześć lat, a od rozszerzenia World Wide Web około szesnaście. W naszym kalendarzu jest 23:56. W 2007 roku pojawia się nowoczesny smartfon: połączony komputer, który łączy w sobie aparat, mikrofon, geolokalizację, nawigację, kontakty, płatności, rozrywkę, pracę i dostęp do usług w jednym obiekcie, który towarzyszy użytkownikowi na stałe. Komputery przestają być miejscem, do którego się udaje, i zaczynają stawać się środowiskiem, w którym toczy się coraz większa część życia codziennego.
Digitalizacja przeszła już kilka etapów. Najpierw była to działalność wyspecjalizowana: instytucje, firmy i administracje przekształcały określone dokumenty lub rejestry w informacje, które maszyny mogły przetwarzać. Następnie, wraz z komputerem osobistym, rosnąca część pracy intelektualnej zaczęła powstawać bezpośrednio w formacie cyfrowym. Internet dodał kolejny wymiar: wyszukiwania, kliknięcia i wybory dokonywane na określonych platformach zaczęły pozostawiać informacje o zachowaniu użytkowników.
Smartfon poszerza tę cyfryzację zachowań na nową skalę. Rejestracja nie ogranicza się już do momentów, w których dana osoba siedzi przed komputerem lub wchodzi do konkretnej usługi. Rozmowa, zdjęcie, wyszukiwanie, zakup, przemieszczenie lub wybór mogą pozostawić cyfrowy ślad jako część samej akcji. Towarzysząc użytkownikowi przez cały dzień, urządzenie łączy te aktywności z ich czasem, lokalizacją, sekwencją i kontekstem, w którym się odbywają. Życie codzienne zaczyna w ten sposób produkować nie tylko treści, ale także coraz bardziej ciągłą reprezentację tych, którzy je generują i wykorzystują.
Różnica między dwiema formami digitalizacji okazuje się decydująca. Digitalizacja kultury wytwarza teksty, obrazy, muzykę, programy, wiadomości i filmy. Digitalizacja zachowania rejestruje relacje, które wokół nich powstają. Zdjęcie może być powiązane z datą, miejscem, osobą i opisem. Wyszukiwanie zachowuje pytanie, wyświetlone wyniki i dokonany wybór. Trasa pozostawia pozycje, godziny i miejsca docelowe. Piosenka, film lub wiadomość mogą być powiązane z czasem uwagi, porzuceniem, powtórzeniem i późniejszą reakcją. Rejestrowane jest nie tylko to, co istnieje, ale także to, jak krąży, kto tego używa i co się dzieje później.
Przez prawie całą historię ludzkości tworzenie trwałego zapisu było działalnością mniejszościową. Dzięki Internetowi i smartfonom miliardy ludzi jednocześnie stają się producentami tekstów, obrazów, filmów, wiadomości i programów, ale także informacji o swoich preferencjach, trasach, relacjach i decyzjach. Nie wchodzą na platformy, aby tworzyć zbiory danych, ale aby komunikować się, pracować, kupować, orientować się, bawić się lub pokazywać. Jednak w ten sposób generują w sposób ciągły taką ilość treści, skojarzeń, wyborów i odpowiedzi, której żadna wcześniejsza instytucja nie była w stanie zgromadzić na taką skalę.
Ta produkcja jest niezwykle rozproszona, ale jej rejestracja już nie. Treści mogą krążyć między milionami użytkowników i usług, podczas gdy informacje o zachowaniu koncentrują się głównie w firmach kontrolujących platformy, systemy operacyjne, wyszukiwarki i centra danych. Miliony ludzi generują sygnały; bardzo niewielka liczba organizacji zachowuje możliwość ich gromadzenia, łączenia i analizowania jako całości.
31 grudnia, 23:57 — Maszyna uczy się na przykładach
Minęło zaledwie pięć lat od pojawienia się nowoczesnego smartfona. W naszym kalendarzu jest już 23:57. Do tego czasu programy wykonywały jawnie sformułowane instrukcje: aby rozwiązać zadanie, ktoś musiał opisać, jakie cechy należy szukać i jaką odpowiedź wygenerować. Ta metoda działała w przypadku problemów sprowadzalnych do precyzyjnych reguł, ale napotykała ograniczenia w takich zdolnościach jak rozpoznawanie twarzy czy identyfikacja obiektu, które ludzie wykonują, nie potrafiąc wymienić wszystkich niezbędnych operacji.
Uczenie maszynowe proponuje inną drogę. Zamiast wprowadzać kompletny opis zdolności, systemowi dostarcza się dużą liczbę przykładów. Maszyna generuje odpowiedź, porównuje ją z prawidłowym wynikiem i modyfikuje swoje parametry, aby zmniejszyć błąd. Powtarzając ten proces na milionach przypadków, znajduje regularności, które może zastosować do obrazów, których nigdy wcześniej nie widziała.
W 2012 roku AlexNet demonstruje zasięg tej procedury. Sieć jest trenowana na około 1,2 miliona obrazów z ImageNet, rozłożonych na tysiąc kategorii i wcześniej sklasyfikowanych przez ludzi. Dla każdego obrazu oblicza, do jakiej kategorii mógłby należeć, porównuje swoją odpowiedź z prawidłową etykietą i dostosowuje swoje wewnętrzne połączenia. Poprzez to powtarzanie uczy się rozpoznawać coraz bardziej złożone kontury, tekstury, części i konfiguracje, bez potrzeby ich opisywania jeden po drugim.
Idea trenowania sieci neuronowych nie była nowa. Zmienia się skala dostępności. Aparaty cyfrowe i internet wyprodukowały i zgromadziły miliony obrazów; ludzka praca klasyfikacji przekształciła je w użyteczne przykłady; procesory graficzne pozwoliły na równoległe wykonywanie ogromnej ilości obliczeń, wcześniej niemożliwej do osiągnięcia. AlexNet pojawia się, gdy archiwum cyfrowe, jego organizacja i zdolność do przetwarzania osiągają wspólnie wystarczający próg do uzyskania wyników znacznie lepszych niż poprzednie.
Konsekwencje wykraczają poza rozpoznawanie obrazów. Wystarczająco duża kolekcja sklasyfikowanych plików może być wykorzystana do wytworzenia zdolności, która nie była wyraźnie zapisana w żadnym z nich. Żadne zdjęcie samo w sobie nie wyjaśnia, jak rozpoznać wszystkie podobne obrazy; ta zdolność wynika z relacji, które system buduje, porównując miliony przypadków.
Informacja cyfrowa przestaje więc być wyłącznie tym, co program przechowuje, porządkuje lub przekształca, postępując zgodnie z wcześniej zdefiniowanymi instrukcjami. Może stać się zbiorem przykładów, które modyfikują sam system, umożliwiając mu reagowanie na nowe przypadki. Zdolność nie musi być już całkowicie opisana z góry: może być zbudowana na podstawie regularności znalezionych w danych.
31 grudnia, 23:58 — Język staje się szkoleniem
Pięć lat po AlexNet, w 2017 roku, nasz kalendarz wskazuje 23:58. Uczenie się na przykładach wykazało, że maszyna może nabywać zdolności trudne do wyrażenia za pomocą reguł, ale nadal zależało to od kosztownej interwencji ludzkiej: aby klasyfikować obrazy, każde zdjęcie musiało być wcześniej powiązane z prawidłową kategorią. Zastosowanie tej samej procedury do znacznej części kultury wymagałoby ręcznego oznaczania nie do ogarnięcia ilości słów, zwrotów i tekstów.
Język stanowił również inną trudność. Słowo nie posiada znaczenia, które można by określić w izolacji, ale zależy od relacji, jakie utrzymuje z innymi. Jego funkcja zmienia się w zależności od zdania, w którym się pojawia, poprzedzającego go akapitu lub odniesienia wprowadzonego znacznie wcześniej. Aby przetwarzać język, maszyna musi reprezentować nie tylko każdą jednostkę, ale także to, jak jedne zmieniają sens innych w każdym kontekście.
W 2017 roku pojawia się nowa architektura zaprojektowana do rozwiązania tego problemu: Transformer. Zamiast przetwarzać tekst wyłącznie jako sekwencję słów, wprowadza mechanizm uwagi, który oblicza, które relacje są istotne do interpretacji każdego z nich. Tekst jest dzielony na jednostki reprezentowane numerycznie, a każda jednostka może być powiązana z podmiotem zdania, z zaimkiem napisanym kilka linii wcześniej lub z innym terminem, który zmienia jej sens. Powtarzając tę operację na różnych warstwach, model buduje coraz bardziej złożone reprezentacje zależności gramatycznych, konceptualnych i strukturalnych, które przebiegają przez tekst.
Jego znaczenie nie polega wyłącznie na lepszym reprezentowaniu kontekstu. Architektura pozwala na jednoczesne obliczanie wielu relacji i rozłożenie pracy między liczne procesory. W przeciwieństwie do systemów, które musiały przechodzić przez tekst krok po kroku, można go łatwiej rozszerzyć do większych modeli i znacznie większej ilości języka. Nadal jednak pozostaje do rozwiązania kwestia, skąd uzyskać prawidłowe odpowiedzi niezbędne do ich trenowania.
Samo język cyfrowy dostarcza rozwiązania. W przeciwieństwie do zdjęcia, które potrzebuje dodatkowej etykiety, aby wskazać, co zawiera, tekst zachowuje w sobie sekwencję, którą należy się nauczyć. Można pokazać modelowi część i poprosić go o przewidzenie, co będzie następne, lub ukryć jednostkę i wymagać jej rekonstrukcji. Odpowiedź znajduje się już w oryginalnym dokumencie. Każdy tekst może w ten sposób stać się ciągiem ćwiczeń, bez konieczności ręcznego klasyfikowania każdego zdania przez człowieka.
Aby zredukować swoje błędy, model musi odkryć, które słowa często występują razem, jak konstruowane są zdania, które pojęcia utrzymują stabilne relacje, jak rozwija się wyjaśnienie lub jaką strukturę przyjmuje argument. Nikt nie wprowadza kompletnej listy tych regularności. System modyfikuje swoje parametry, porównując każdą prognozę z faktycznym ciągiem i, po powtórzeniu procesu na olbrzymich ilościach tekstu, włącza relacje, które może zastosować do sekwencji, których nigdy wcześniej nie napotkał.
Szkolenie nie wprowadza dokumentów do maszyny jako biblioteki, którą można później przeglądać egzemplarz po egzemplarzu. Dopasowuje strukturę parametrów, aby odtworzyć regularności obecne w całym zbiorze: skojarzenia między pojęciami, formy składniowe, style, zależności między fragmentami i procedury wyrażone słowami.
Rozwój informacji cyfrowych jest zatem niezbędny. Przez dziesięciolecia powstawały książki, artykuły, podręczniki, strony internetowe, programy, repozytoria kodu, rozmowy, tłumaczenia i wyjaśnienia o bardzo różnych celach. Materiały te nie zostały stworzone do szkolenia sztucznej inteligencji, ale do badań, nauczania, informowania, sprzedaży, dyskusji, współpracy lub rozwiązywania problemów. Po udostępnieniu ich w formacie cyfrowym, mogły zostać zebrane i przetworzone na skalę, której żadna kolekcja stworzona specjalnie do nauczania zadania nie mogłaby osiągnąć.
Archiwum cyfrowe przestaje być wówczas jedynie repozytorium, które maszyna może przechowywać, porządkować lub przeszukiwać. Staje się materiałem, z którego można zbudować ogólną zdolność językową. Pismo oddzieliło wiedzę od pamięci tych, którzy ją posiadali; druk pomnożył jej kopie; internet połączył je w globalną sieć. Transformer pozwala teraz przetworzyć część tego archiwum i dostosować strukturę zdolną do wytworzenia nowej zdolności z nagromadzonych w nim regularności.
31 grudnia, 23:59 — Język staje się instrukcją
Zaledwie trzy lata później, w 2020 roku, nasz kalendarz wskazuje 23:59: pozostała minuta do północy. Architektura Transformer umożliwiła trenowanie coraz większych modeli na ogromnych ilościach tekstu. Jednak posiadanie ogólnej zdolności językowych samo w sobie nie rozwiązywało problemu, jak zastosować je do konkretnych zadań. Tłumaczenie, streszczanie, klasyfikowanie lub odpowiadanie na pytania nadal wymagało zazwyczaj dostosowywania modelu, dodawania specyficznych komponentów lub ponownego przygotowywania go dla każdej funkcji.
W 2020 roku pojawia się GPT-3, duży model językowy zbudowany na tej architekturze. Jego decydujący wkład polega na pokazaniu, że ta sama struktura może wydedukować, jakie zadanie ma wykonać na podstawie otrzymanego tekstu. Nie wymaga, aby każda funkcja była włączana poprzez nowe szkolenie: instrukcja, przykłady i oczekiwany wynik mogą być zawarte w samym kontekście.
Jeśli pokazane zostaną mu różne zdania wraz z ich tłumaczeniami, może kontynuować wzorzec z nowym. Jeśli otrzyma tekst wraz ze streszczeniem, może spróbować streścić inny. Jeśli zostaną mu przedstawione przykłady powiązane z różnymi kategoriami, może sklasyfikować późniejszy przypadek. Model nie modyfikuje swoich parametrów podczas wykonywania tych zadań. Interpretuje relacje obecne w kontekście i tymczasowo ukierunkowuje na nie zdolność nabytą podczas szkolenia.
GPT-3 nie przekształca zatem jednej maszyny w wiele różnych maszyn. Przekształca tę samą zdolność językową w podstawę, z której można definiować różne funkcje za pomocą języka. Zadanie przestaje zależeć wyłącznie od programowania lub wcześniejszego dostosowania i może być sformułowane w obrębie samego wejścia, które system otrzymuje.
Język zyskuje w ten sposób nową funkcję. Był najpierw materiałem, z którego uczył się model; teraz staje się również środkiem, za pomocą którego kieruje się jego zachowaniem. W erze przemysłowej zmiana funkcji maszyny wymagała modyfikacji jej mechanizmu. W przypadku programowalnego komputera wystarczyło zastąpić program. W przypadku GPT-3 część funkcji można skonfigurować, opisując w zwykłym języku, jaki wynik jest pożądany, jakie warunki należy spełnić i jakich przykładów należy się trzymać.
Jednak przewidywanie prawdopodobnego ciągu nie jest jeszcze równoznaczne z odpowiednim reagowaniem na prośbę. Archiwum cyfrowe zawiera rygorystyczne wyjaśnienia i błędy, użyteczne instrukcje i sprzeczne fragmenty, współpracę i agresję. Nauczenie się jego regularności pozwala na tworzenie spójnego języka, ale samo w sobie nie określa, jakiego rodzaju odpowiedzi należy udzielić w konkretnej intencji.
Aby przekształcić tę ogólną zdolność w narzędzie, potrzebna jest nowa interwencja człowieka. Przygotowuje się przykłady instrukcji i odpowiedzi, porównuje się różne wyjścia i wskazuje, które są najbardziej użyteczne, jasne lub bezpieczne. Początkowe szkolenie pozwoliło nauczyć się, jakie kontynuacje były prawdopodobne w języku; późniejsze dostosowanie uwzględnia kryteria dotyczące tego, które są preferowane, gdy ktoś formułuje prośbę.
W tym miejscu ponownie pojawia się druga warstwa informacji generowana przez digitalizację. Wybory, korekty i oceny ludzkie mogą być przekształcone w przykłady, za pomocą których można ukierunkować zachowanie modelu. Osoba porównuje dwie odpowiedzi, wskazuje błąd lub pokazuje, jak zadanie powinno zostać rozwiązane, a ta interwencja dostarcza informacji, które nie były zawarte wyłącznie w oryginalnych tekstach. Nie każda rozmowa jest wykorzystywana do trenowania systemów ani każda akcja użytkownika nie pełni tej funkcji, ale reakcje ludzkie mogą być wykorzystywane do decydowania, jak należy zastosować zdolność zbudowaną wcześniej na podstawie archiwum kulturowego.
30 listopada 2022 roku ChatGPT zostaje publicznie udostępniony. Rozmowa przenosi możliwość, którą otworzyło GPT-3, o krok dalej. Zadanie nie musi być już w całości definiowane w jednej instrukcji: może być budowane stopniowo. Użytkownik żąda wyniku, obserwuje go, koryguje to, co nie działa, dodaje warunki i kontynuuje od poprzedniej odpowiedzi. Każda wiadomość modyfikuje kontekst, z którego zostanie wygenerowana następna.
Publiczne udostępnienie zmienia również skalę, w jakiej ta zdolność jest eksplorowana. Miliony osób zaczynają używać systemu do pisania, tłumaczenia, programowania, wyjaśniania, klasyfikowania, projektowania, streszczania lub reorganizowania informacji. Ich prośby ujawniają zastosowania, błędy i ograniczenia, których programiści nie mogli w pełni wymienić z góry. Model przestaje być testowany wyłącznie na przygotowanych zadaniach i wchodzi w kontakt z rzeczywistymi problemami, różnymi intencjami i nieprzewidzianymi sposobami ich formułowania.
W ciągu kolejnych lat logika ta rozszerza się na obrazy, dźwięk i wideo, a modele łączą się z wyszukiwarkami, bazami danych, programami i innymi narzędziami. Język przestaje służyć wyłącznie do żądania tekstowej odpowiedzi. Może wyrażać cel, który system dzieli na operacje, wykonuje za pomocą różnych zasobów i weryfikuje zgodnie z uzyskanymi wynikami.
Publiczne udostępnienie dodaje ponadto nowe źródło informacji. System nie mierzy się już tylko z materiałami wytworzonymi wcześniej, ale z milionami zapytań, przeformułowań i ocen generowanych podczas jego użytkowania. Nie każda rozmowa jest bezpośrednio włączana do szkolenia, ale całość interakcji pozwala odkryć, jakie zadania interesują, gdzie model zawodzi i jakich wyników oczekują ludzie. Społeczeństwo dostarczyło archiwum kulturowe, z którego się nauczyło; teraz zaczyna również dostarczać mapę swoich możliwych zastosowań.
Nadejście północy
O północy model może już tłumaczyć, wyjaśniać, klasyfikować, programować lub tworzyć obrazy na podstawie tej samej struktury. Te zdolności nie powstały z jednej reguły ani z procedury opisanej z góry, ale z jednoczesnego przetwarzania ogromnych ilości tekstów, programów, obrazów, przykładów i ocen. To, co wcześniej było rozłożone między różne czynności, zawody i osoby, może teraz zostać zebrane w systemie zdolnym do zastosowania tego w nowych sytuacjach.
Ale ta zdolność nie pochodzi z wnętrza maszyny ani nie może być utrzymana poza światem, z którego pochodzi. Sztuczna inteligencja zależy od społeczeństwa, które nadal produkuje język, wiedzę, wydarzenia, problemy, obrazy i kryteria do interpretacji jej wyników. Sama nie generuje rzeczywistości, z której się uczy, ani nie decyduje, co należy uznać za prawdziwe, użyteczne lub wartościowe. Potrzebuje materiałów wcześniejszych niż ona i nowych interwencji, które wskazują błędy, formułują cele i określają, jakiego rodzaju odpowiedzi się oczekuje. Społeczeństwo nie jest tylko kontekstem, w którym działa system: jest ciągłym źródłem tego, czego może się nauczyć.
Jednak konieczność społeczeństwa jako całości nie gwarantuje konieczności każdej jednostki. Aby zbudować zdolność tłumaczenia, potrzeba było pokoleń mówców, pisarzy i tłumaczy; aby zastosować ją do konkretnego dokumentu, wystarczy instrukcja. Model potrzebował programów napisanych przez niezliczone osoby, ale nie musi ponownie zwracać się do każdego programisty, gdy wytwarza funkcję. Potrzebował obrazów, opisów i kryteriów stworzonych przez wielu, choć może stworzyć nowy utwór bez wzywania tych, którzy dostarczyli materiały, z których się nauczył.
To, co zbiorowe, i to, co indywidualne, zaczynają się decydująco rozdzielać. System może być coraz bardziej zależny od wspólnej produkcji społeczeństwa i jednocześnie coraz mniej zależny od któregokolwiek z jego członków z osobna. Społeczeństwo nadal jest niezbędne jako źródło wiedzy; konkretna osoba może przestać być niezbędna, aby zastosować część tej wiedzy.
Produkcja zasilająca modele jest niezwykle rozproszona. Uniwersytety, administracje, media, wydawnictwa, firmy, społeczności techniczne i miliony użytkowników piszą, tłumaczą, programują, fotografują, klasyfikują, poprawiają i oceniają, nie będąc częścią wspólnego projektu. Każdy publikuje tekst, odpowiada na pytanie, udostępnia program lub poprawia wynik, aby rozwiązać własną potrzebę. Rzadko wie, jaki związek ta działalność ostatecznie będzie miała z późniejszą zdolnością zbudowaną na dużą skalę.
Możliwość zebrania tych wkładów nie jest rozłożona w ten sam sposób. Trenowanie i obsługa największych modeli wymaga ogromnych zbiorów informacji, wyspecjalizowanych procesorów, centrów danych, energii, personelu technicznego i zasobów finansowych. Produkcja kulturowa i behawioralna pochodzi od wielu, ale infrastruktura zdolna do przekształcenia jej w ogólną zdolność koncentruje się w bardzo niewielkiej liczbie organizacji.
Ci, którzy kontrolują tę infrastrukturę, mogą przekształcić zbiorową produkcję w usługę, której warunki decydują: kto ma do niej dostęp, ile kosztuje, jakie funkcje obejmuje, jakie narzuca ograniczenia i do jakich zastosowań się rozwija. Ludzie, którzy wyprodukowali materiały, nie nabywają z tego powodu równoważnego udziału w zbudowanym na ich podstawie systemie. Wkład pozostaje rozproszony; zdolność do jego organizowania, przetwarzania i decydowania o jego wykorzystaniu koncentruje się coraz bardziej.
Publiczne otwarcie modeli pogłębia tę asymetrię. Użytkownicy zgłaszają problemy, odkrywają zastosowania, znajdują błędy i pokazują, jakie wyniki uważają za akceptowalne. Każdy próbuje rozwiązać własne zadanie, ale suma milionów interakcji ujawnia ogólną mapę: jakie zastosowania się powtarzają, gdzie system zawodzi, jakie funkcje znajdują popyt i jakie zdolności warto rozszerzyć. Żaden użytkownik nie może samodzielnie odtworzyć tej mapy; organizacje obsługujące usługę mogą ją natomiast obserwować w sposób zagregowany.
Nie każda rozmowa jest bezpośrednio włączana do szkolenia, ale publiczne użycie generuje wiedzę o samym systemie. Społeczeństwo nie tylko stworzyło teksty, obrazy i programy, z których się uczyło. Teraz generuje również sytuacje, dzięki którym odkrywa się, jak można je zastosować, gdzie trzeba je poprawić i do jakich funkcji można je rozwijać.
Relacja przyjmuje więc formę cykliczną. Społeczeństwo wytwarza kulturę, wiedzę, zachowania i oceny. Niewielka liczba organizacji gromadzi część tej aktywności i przekształca ją w zdolność modelu. Następnie zwraca tę zdolność jako usługę, której użycie generuje nowe sygnały do jej korygowania, rozszerzania i znajdowania kolejnych zastosowań. System nadal potrzebuje zbiorowego udziału, ale każde ulepszenie może zmniejszyć potrzebę konkretnych jednostek w zadaniach, które uczy się wykonywać.
Sztuczna inteligencja nie eliminuje swojej zależności od społeczeństwa. Reorganizuje ją. Ludzie przyczyniają się jako tłum, często nie znając technicznego przeznaczenia swojej działalności; organizacje, które gromadzą te wkłady, mogą je obserwować jako całość, przetwarzać za pomocą własnej infrastruktury i decydować, jak wykorzystana zostanie wynikowa zdolność. Społeczeństwo dostarcza skalę; kilka organizacji koncentruje możliwość przekształcenia jej w potęgę techniczną.
Północ nie oznacza momentu, w którym maszyna przestaje potrzebować ludzkości. Oznacza moment, w którym zbiorowa potrzeba ludzkości może zostać oddzielona od potrzeby każdego konkretnego człowieka. Przez prawie cały rok technika rozszerzała to, co ludzie mogli robić. W ostatniej minucie zaczęła odbudowywać, w ramach skoncentrowanej infrastruktury, zdolności, które wcześniej były rozproszone między milionami z nich.
Pytanie, które otwiera północ, nie brzmi już tylko, ile maszyna będzie mogła zrobić, ale jaką pozycję zachowają ci, którzy zbiorowo produkują to, co później można wykorzystać bez nich.