Op de graduate school zei mijn professor experimentele archeologie tegen een student dat hij een deurstijl – het gat in een deurkozijn waarin een grendel schuift – in een plaat zandsteen moest maken door deze met een ronde steen af te breken. Na een paar weken presenteerde de student zijn bevindingen aan de klas. “Ik heb de zandsteen ongeveer 10.000 keer gehakt”, zei hij, “en toen brak hij.”
Dit soort ervaring staat bekend als individueel leren. Het werkt met vallen en opstaan, met veel van elk. Ook bekend als versterkend leren, het is hoe kinderen, chimpansees, kraaienEn AI leert vaak iets zelf te doen, zoals een eenvoudig stuk gereedschap maken of een probleem oplossen puzzel.
Maar individueel leren kent grenzen. Hoe vaak iemand ook met vallen en opstaan experimenteert, uiteindelijk bereikt de verbetering een plafond. Mensen heeft gegooid speerwerpen voor een paar honderdduizend jaarmaar de prestaties zijn grotendeels gestabiliseerd. Op de Olympische Spelen van 2024 in Parijs lag het speerwerpen van de gouden medaille ongeveer 5% lager dan het record van Jan Železný uit 1996. Het niveau van expertspel in het strategiespel Go was grotendeels vlak van 1950 tot 2016wanneer kunstmatige intelligentie veranderde de vergelijking.
Gedurende het hele menselijke bestaan zijn deze grenzen aan het individuele leren niet van toepassing geweest op de technologie. Sinds IBM’s Deep Blue in 1997 wereldkampioen schaken Garry Kasparov versloeg, zijn supercomputers een miljoen keer sneller worden– en nu routinematig beter dan mensen in schaken en vele andere domeinen.
Waarom is technologische verbetering zo anders? Mijn werk als een antropoloog over culturele ontwikkeling en innovatie laat zien dat, in tegenstelling tot individuele prestaties, technologie zich ontwikkelt door middel van combinatie en samenwerking. Naarmate meer mensen en ideeën zich met elkaar verbinden, neemt ook het aantal mogelijke combinaties toe groeit superlineair. Technologische innovatie schaalt mee met het aantal medewerkers.
Mijn nieuwe boek met een antropoloog Michael J. O’Brien, Medewerkers door de tijd heenonthult deze patronen in het menselijk bestaan. Het laat zien hoe 2 miljoen jaar aan technologische tradities zich ontwikkelden door samenwerking tussen specialisten, over generaties heen en met andere soorten.
Expertise is de sleutel geweest. Omdat traditionele gemeenschappen weten wie hun experts zijnheeft specialisatie en samenwerking consequent vormgegeven menselijk succes als soort.
Ik zal onze inzichten samenvatten over hoe technologie zich blijft ontwikkelen als TECH: traditie, expertise, samenwerking en menselijkheid.
Tradities en expertise – de kritische basis
De langste technologische traditie gedocumenteerd door paleoantropologen was dat wel Acheuleaanse vuistbijl. Het multifunctionele stenen werktuig is gemaakt door onze voorouders van mensachtigen bijna een miljoen jaarinclusief enkele 700.000 jaar op één enkele plek in Oost-Afrika. Mensen produceerden Acheuleaanse gereedschappen door middel van technieken die ze leerden, oefenden en verfijnden over generaties heen.
Later bloeiden kleine prehistorische samenlevingen van moderne mensen met millennia aan gespecialiseerde kennis, zoals muziekrieten dakbedekking, zaadteelt, dode lichamen in moerassen begravenen maakt gierst noedels en zelfs kaas geschikt om te mengen met mummies.
Al 22.000 jaar geleden bewaarden en gebruikten gemeenschappen in de buurt van het Meer van Galilea meer dan één honderd plantensoorten, waaronder geneeskrachtige planten. Sjamanen– rituele experts op het gebied van medische kennis en zorg – hielpen hun groepen overleven. Archeologisch bewijsmateriaal uit begraafplaatsen suggereert dat deze specialisten duizenden jaren lang zeer vereerd werden: een vrouwelijke sjamaan werd begraven met schildpadden, de vleugel van een steenarend en een afgehakte menselijke voet in een grot in Israël.
Samenwerking – kennis omvat tijd en plaats
Traditionele expertise alleen brengt de technologie niet vooruit. Technologische vooruitgang ontstaat wanneer verschillende soorten expertise worden gecombineerd.
Het wiel kan dat wel zijn voortgekomen uit kopermijngemeenschappen. De ene deskundige haalde koper uit de Balkan, de andere vervoerde heteen ander heeft het gesmolten. Rond 4000 voor Christus kwamen er extra specialisten bij gegoten koper in een vroeg wielvormig amulet: vorm een wasmodel, omhul het in klei, bak het in een oven, giet gesmolten metaal in de mal en breek de mal los.
Transporttechnologieën hebben oude productnetwerken opnieuw vorm gegeven. Naarmate samenlevingen in Eurazië en Afrika zich opbouwden voertuigen op wielen en schepen, en verhoogd tamme paarden en andere pakdiersamenwerking uitgebreid over continenten. Scheepvaart en landhandel verenigden smeden, schriftgeleerden, religieuze geleerden, parelmakers, zijdewevers en tattoo artiesten.
Expertise werd vaak verdeeld tussen steden en hun achterland, waarbij steden fungeerden als knooppunten in transcontinentale productnetwerken. In het oude Egypte kon geen enkele samenleving een mummie produceren. Mummificatie-experts in Sakkara baseerden zich op één voorbeeld continentale netwerken die oliën, teer en harsen leverde en deze materialen combineerde met gespecialiseerde technieken op het gebied van antisepsis, balsemen, inpakken en kistafdichten.
Over de hele wereld breidden staten en rijken – van de beschaving in de Indusvallei tot de Vikingen, Mongolen, Mississippianen en Inca’s – deze netwerken uit en fungeerden ze als knooppunten die de uitwisseling van grondstoffen, gespecialiseerde kennis en eindproducten coördineerden. Deze uitwisselingen konden heel specifiek zijn: Chinees porselein was dat wel exclusief verzonden naar paleizen uit de 12e eeuw in het islamitische Spanje via handelaren uit het Midden-Oosten die Arabische inscripties in bladgoud toevoegden.
De schaal is veranderd, maar de structuur niet. Vandaag binnen een mondiale productruimteeen iPhone wordt samengesteld vanuit een gedistribueerd netwerk van gespecialiseerde expertise en faciliteiten.
De mensheid – sociaal leren
Tegenwoordig kan kunstmatige intelligentie het millennia-lange patroon van technologische vooruitgang door middel van TECH verstoren. De meeste grote taalmodellen genereren statistisch gemeenschappelijke reacties die cultuur en cultuur kunnen gladstrijken verwaterde deskundigheid en originaliteit. Het risico groeit naarmate onaangeboorde trainingsgegevens van hoge kwaliteit – ons reservoir aan expertise –wordt schaarser.
Hierdoor ontstaat een feedbacklus: modellen die zwaar zijn getraind op inhoud van lage kwaliteit kunnen na verloop van tijd verslechteren meetbare achteruitgang in redeneren en begrijpen. Sommige wetenschappers waarschuwen nu dat mensen en grote taalmodellen verstrikt kunnen raken in een elkaar versterkende cyclus van gerecyclede, generieke inhoud, met hersenrot voor alle betrokkenen. Het dystopische uiterste is Ineenstorting van het AI-modelwaar systemen die zwaar op hun eigen output zijn getraind, dat beginnen te doen onzin produceren.
Brainstormen is een reden waarom sommige AI-pioniers zich nu afvragen of grote taalmodellen dat wel zullen doen intelligentie op menselijk niveau bereiken. Maar dat is volgens mij de verkeerde focus. De sleutel tot het voortdurend verbeteren van AI-modellen is dezelfde die al millennia lang menselijke expertise in stand houdt: menselijke experts op de hoogte houden – de E in TECH. Dankzij een soort “rattenvanger”-effect kan a geïnformeerde minderheid kan leiden een onverlichte meerderheid die hun buren kopieert.
In één klassiek experimentGuppy’s die hun buren volgden, kwamen terecht achter een robotvis die hen naar voedsel leidde. Uit een recent onderzoek is gebleken dat verkeersopstoppingen afnemen wanneer zelfrijdende voertuigen vol raken slechts 5% van de auto’s op de weg. In beide gevallen heeft een kleine geïnformeerde minderheid het gedrag van het hele systeem opnieuw vormgegeven.
Net als mensen zijn grote taalmodellen sociale leerlingen, en leren kan in beide richtingen gaan. Ontwerpers kunnen de kans vergroten dat modellen zich blijven verbeteren door ervoor te zorgen dat ze de opgebouwde lessen van menselijke expertise door de geschiedenis heen integreren. Dit schept op zijn beurt de omstandigheden waarin mensen en modellen van elkaar kunnen leren.
In de jaren 2010 werd AlphaGo van DeepMind herontdekt eeuwen van verzamelde menselijke Go-kennis door middel van individueel lerenging toen verder dan dat het opstellen van strategieën die geen mens ooit had gespeeld. De Human Go-meesters hebben deze vervolgens overgenomen Door AI gegenereerde strategieën in hun eigen spel.
Goed getrainde grote taalmodellen kunnen dat ook grote hoeveelheden wetenschappelijke informatie samen te vattenhulp mensen uit het complotdenken halenen zelfs de samenwerking zelf ondersteunen door verschillende groepen helpen consensus te vinden. In deze gevallen stroomt het leren beide kanten op.
Van Acheuleaanse handbijlen tot supercomputers: menselijke innovatie is altijd afhankelijk geweest van traditie, expertise, samenwerking en menselijkheid. Als AI is afgestemd op het vinden en vertrouwen op expertise in plaats van deze te verdunnen, zou het de volgende grote technologie van de mensheid kunnen worden:op het niveau van oude geschriften, markten en vroege regeringen– in onze lange geschiedenis als zakenpartners.
R. Alexander Bentley is hoogleraar antropologie aan Universiteit van Tennessee.
Dit artikel is opnieuw gepubliceerd van Het gesprek onder een Creative Commons-licentie. Lezen origineel artikel.
