Přednáška o vědění

—

Tuto přednášku přednesl Aravind Srinivas 3. října 2026 v Cambridge Union Society. Cambridge Union Society je největší studentský spolek Univerzity v Cambridgi a nejstarší nepřetržitě fungující debatní spolek na světě.

—

Dobrý večer a děkuji. Je mi ctí tu být.

Jedna z věcí, které jsem při založení firmy nečekal, je, kolik času mohu trávit na univerzitách. Baví mě to. Pro CEO jsou univerzity obvykle jediným místem, kde publikum oponuje. Proto vyhradíme víc času na diskusi, než kolik plánuji mluvit.

Pojďme začít.

Obvykle, když mě někam pozvou mluvit, chtějí, abych přednesl prognostickou přednášku s nějakým obecným názvem jako „Budoucnost AI.“ O budoucnosti AI mluvit nebudu. Místo toho budu mluvit o vaší budoucnosti. Vaše budoucnost mě zajímá víc a vás pravděpodobně taky.

Nejprve něco málo o minulosti. Cambridge je ideální místo, kde mluvit o minulosti a zároveň o vaší budoucnosti, protože má obojí.

Podle tradovaného příběhu byl systém, kterému dnes říkáme recenzní řízení, vynalezen právě tady v Cambridgi. Ve skutečnosti šlo jen o jednoho cambridgeského profesora, a ten ho navrhl v Královské společnosti v Londýně, ne tady na univerzitě. Bylo to v roce 1831. Dnes v systému recenzního řízení vychází každý rok více než 3,5 milionu vědeckých článků.

Zhruba o 160 let později pracovali dva doktorandi na Stanfordu na síťových strukturách a dolování dat. Bylo to v době, kdy internetový boom 90. let teprve začínal. Nikdo nemluvil o ničem jiném než o World Wide Webu. Trochu jako dnes o „AI“.

Stejně jako dnes o boomu mluvili hlavně investoři a média. „Technologickou komunitou“ byl tehdy telekomunikační průmysl. V diskusi nebylo mnoho akademiků. (Pár ano, ale ne moc.) A tito dva doktorandi nebyli zrovna zasvěcenci internetového boomu.

Věděli ale jednu věc, o kterou se lidé mimo univerzitní systém příliš nezajímali.

Jako většina akademiků chápali poslání univerzity. Posláním univerzity je rozvíjet vědění.

Proto používáme recenzní řízení. Je to také důvod, proč má akademické psaní tolik citací. A tito dva studenti věděli, že množství vědění ve světě (měřené počtem článků v kvalitě odpovídající recenznímu řízení) jen roste. Bylo pro ně tedy snadné pochopit, že i web bude s lidským věděním jen růst.

Měli také zkušenost se starým problémem, který byl pro web „nový“: jak najít to správné vědění, nebo to nejlepší vědění, když se neustále rozšiřuje. Ve starém modelu akademici posuzují, zda je něčí výzkum užitečný nebo důvěryhodný, podle toho, kolikrát byl citován.

Přišli tedy s nápadem vytvořit algoritmus, který hodnotí každý web na internetu podle toho, kolik jiných webů ho citovalo nebo na něj odkazovalo, ve vztahu k obsahu těchto webů.

Systém nazvali „Page Rank“, protože hodnotili (rank) každou stránku (page) na webu a protože se jeden z těchto doktorandů jmenoval Larry Page.

Larry a jeho partner (Sergey Brin) vzali tento jeden malý akademický princip a zpřístupnili ho širokému publiku. Google se stal jedním z nejužitečnějších nástrojů v historii a jednou z nejúspěšnějších firem, protože Larry Page jednoduše převzal to, co univerzity dělaly už sto let.

Jak jsem řekl, posláním univerzity je rozvíjet vědění. V této přednášce vám o vědění řeknu tři věci. Doufám, že když se zamyslíme nad tou naší vlastní inteligencí, dospějeme k lepšímu praktickému pochopení umělé inteligence.

1.

Zaprvé: vědění má svůj život. Rodí se, rozpadá se a umírá.

Má svůj životní cyklus. A protože má životní cyklus, prochází vědění evolucí.

Jak se vyvíjí to, co víme, všichni chytřeme. Říká se tomu Flynnův efekt. Flynnův efekt je pozorování, že lidstvo každé desetiletí zchytří zhruba o 3 body IQ.

Testy IQ se neustále přenormovávají, aby průměr zůstal na 100, takže Flynnův efekt si lze snadno představit v percentilech. Člověk, který byl v roce 1950 v 92. percentilu inteligence, by dnes byl jen v 50. percentilu. Všichni jsme zchytřeli.

Rok 1950 je také rokem, kdy vznikl Turingův test. Byl to první test, který měl určit, zda nebo kdy je stroj chytřejší než lidé. To znamená, že v roce 1950 bylo pro stroj mnohem snazší Turingovým testem projít. Protože laťka „lidské“ inteligence byla nastavena níž.

A v tom je síla evoluce. Vědění vždy vede k dalšímu vědění.

Nevýhodou je, že svět může chytřet, ale vy jako jednotlivec můžete hloupnout. Vědění se rozpadá. Představte si to jako poločas rozpadu. Poločas rozpadu radioaktivního prvku je doba, za kterou se rozpadne polovina jeho množství. Poločas rozpadu vědění je doba, za kterou polovina vědění zastará.

Tady je několik příkladů přímo odsud, z Cambridge.

V roce 1978 pomohl sir Roy Calne zavést cyklosporin do transplantační medicíny. Bylo to důležité pro prevenci odmítnutí orgánu. První klinické studie probíhaly v Cambridgi. Do roku 2001 se jiný lék, takrolimus, stal v americké transplantaci ledvin převládající léčbou ve své třídě. Dalo by se tedy říct, že lékařské vědění o léčbě cyklosporinem mělo poločas rozpadu 23 let.

Je to nedokonalé měřítko, ale užitečný model pro hodnocení inženýrů v rychle se vyvíjejících oborech. V technologiích to děláme. Z toho plyne otázka: „V jakém bodě kariéry tohoto inženýra je polovina toho, co ví, zcela zastaralá?“

V jakém bodě vaší kariéry se to stane vám? Odpověď závisí na tom, kolik času věnujete učení se novým věcem.

Bohužel ve vzácných případech umírá i vědění. Existují jazyky, které už nemají žádné mluvčí. Existuje moudrost, která umírá spolu se starým člověkem.

Proto lidé už více než 4000 let stavějí knihovny. A když přišel web, umístili jsme na něj nekonečně víc z toho, co víme. Vědění tedy umírá, ale nemusí. Možná jako nějaký vrozený rys lidské existence cítí lidé potřebu vědění uchovávat. Neustále ho ukládáme a rozšiřujeme celkové vědění světa. A to je dobře.

Měl bych poznamenat: vědění je jako živá bytost, ale není živé. Živí jste jen vy. Jen si myslím, že jste živější, když se učíte něco nového.

Mimochodem, právě proto existuje Perplexity. Ale nejsem tu, abych mluvil o Perplexity. Jsem tu, abych mluvil o vás a o ekonomice vědění. Což mě přivádí k mému druhému bodu.

2.

Zadruhé: vědění nejsou peníze. Ale chová se jako peníze.

Peníze mají časovou hodnotu. Úrok je nechává růst a inflace je zmenšuje. Po dostatečně dlouhé době působí úrok i inflace kumulativně.

Až bude mít sto tisíc liber kupní sílu čtyřiceti tisíc (pravděpodobně zhruba za 23 let), budete potřebovat 250 000 £, abyste byli na nule. Za dalších 23 let byste potřebovali 625 000 £.

Při složeném úročení rostou zisky nebo ztráty s časem exponenciálně.

Proto nejzákladnějším finančním principem je, že byste měli své prostředky vždy zhodnocovat složeným úrokem rychleji, než roste inflace. Protože pokud nerostete, zmenšujete se. S věděním je to stejné.

Stejně jako hodnota libry se bude hodnota toho, co víte dnes, časem snižovat. A stejně jako u běžného znehodnocení k tomu bude docházet každý den jen o malý kousek. Tak malý, že si toho téměř nevšimnete. Až se jednoho dne probudíte a nebudete mít nic. Vaše vědění už nebude mít stejnou tržní hodnotu. To je nevyhnutelné. Pamatujte, že Pythagorova věta byla kdysi něčím, co směly znát jen elity. Ale všichni tady jste se ji naučili v sedmé třídě.

Všichni chytřeme, navždy. Jak jsem zmínil, to je celé poslání univerzity. S trochou štěstí se jednoho dne v daleké budoucnosti může to, co jste studovali tady v Cambridgi, stát učivem pro sedmáky.

Pokud k tomu dojde, je to dobře. Znamená to pokrok. Ale znamená to také, že vaše ekonomické cíle vyžadují, abyste se nikdy nepřestali učit. Musíte se učit s úrokovou sazbou vyšší, než je míra inflace vědění.

Jinak řečeno, musíte zdvojnásobovat to, co víte, rychleji, než činí váš vlastní poločas rozpadu vědění. To vyžaduje čas. Ale když se na svět díváte optikou složeného úročení, musíte se na něj dívat s dlouhým časovým horizontem.

Proto nejlepším trikem, jak zhodnocovat své bohatství složeným úročením, je začít v mládí, a druhým nejlepším je zemřít ve stáří. Warren Buffet začal investovat v 11 letech, ale 99 % jeho bohatství se nashromáždilo až po 65. roce věku.

Což naznačuje poslední podobnost mezi věděním a penězi. Musíte ho utrácet.

Když máte kapitál, nasadíte ho, aby pracoval. Když máte vědění, zvlášť výjimečné vědění, měli byste ho nechat pracovat. Udělejte s ním něco. V tom je rozdíl mezi vynálezem a inovací. Vynález se ptá: „Vytvořili jste něco?“ Inovace se ptá: „Změnilo to něco?“

A pokud chcete něco změnit, musíte na základě vědění jednat. Jen jednání vyvolává nové otázky, zkoumání a nové vědění. Musíte se neustále učit a neustále jednat.

A tady přichází na řadu umělá inteligence, což mě přivádí k mému třetímu a poslednímu bodu.

3.

Posláním AI je urychlovat lidské vědění a prosperitu.

Zvažte první dvě věci, které jsem dnes večer řekl. Řekl jsem, že vědění má téměř živou povahu a že bychom o něj měli pečovat a rozvíjet ho, protože z toho lidé obecně mají prospěch. Pak jsem řekl, že vědění má ekonomickou povahu. Že bychom ho měli pěstovat, protože obecně vzato z toho mají prospěch všichni lidé.

Pokud věříte těmto dvěma věcem, musíte se i na AI dívat trochu jinak.

Místo posedlosti dosažením AGI nebo tím, aby byla technologie chytrá jen kvůli technologii samotné, byste došli k závěru, že důvodem budovat lepší a přesnější AI je sloužit lidem.

Došli byste k závěru, že nejvyšším a nejdůležitějším posláním AI je činit lidi chytřejšími a zámožnějšími.

Pokud vám to hodně připomíná poslání univerzity, inu, tady jsme.

Vraťme se ještě k recenznímu řízení. Bylo vynalezeno v roce 1831. Letos společnost Perplexity uvedla velmi jednoduchý produkt s názvem Model Council, založený na nápadu, s nímž přišel jeden ze zakládajících výzkumníků OpenAI. Položíte třem modelům AI stejnou otázku. Každý z nich provede výzkum a odpoví, a pak „předsedající“ model vyhodnotí, v čem se liší a v čem se shodují, a odvodí konečnou odpověď.

Model Council nenahrazuje recenzní řízení. Jeho účelem je přinést ducha akademického bádání většímu počtu lidí. Étos univerzity můžeme rozšířit za tyto zdi a do celého světa.

Mohli bychom pomoci více lidem, aby skutečně měli pravdu, a ne se jen cítili v právu nebo tak zněli. Vědecky hledat pravdu a vědění. Oblouk vesmíru směřuje k tomu, aby všichni měli větší přístup k většímu vědění. Je dobré, když lidé mají vědění. A jsou to lidé, kdo z toho mají prospěch.

Na závěr vám řeknu krátký příběh o své firmě.

Když jsme začínali, byli jsme jen tři výzkumníci v oblasti AI a měli jsme víc otázek než vizí. Pak jsme kvůli čtvrtému členovi týmu usoudili, že je čas pořídit si zdravotní pojištění. Zdravotní pojištění v Americe je složité i pro Američany. Já z Ameriky nejsem, takže mě to mátlo ještě víc.

Výsledky vyhledávání Google nepomohly. Za takové situace zakladatel obvykle zavolá někomu, kdo už to dělal. Třeba investorovi nebo jinému zakladateli. Ale bylo pozdě v noci. Chtěl jsem to mít hotové, takže jsem si to vědění musel najít sám.

Problém je v tom, že když si průzkum děláte sami, procházíte ve vyhledávači Google weby pojišťoven optimalizované pro SEO, které všechny dávají špatné rady a předhánějí se v tom, který bude vypadat nejdůvěryhodněji.

Tehdy jsem vytvořil první verzi Perplexity.

Udělala za mě rešerši. A nechal jsem ji u odpovědí uvádět citace. Takže jsem si je mohl ověřit a dál klást další otázky. A pak jsem zařídil naše zdravotní pojištění. Bylo vyřešeno. Na řadu přišel další problém. A další a další. A dnes jsme tady.

Ponaučení z toho příběhu je, že už nepotřebujete „znát toho správného člověka“. Prostě se můžete věci naučit a udělat je. Už jsem vám řekl, že příslibem AI je, že máte přístup k jakémukoli vědění. Ponaučení z tohoto příběhu je, že kdokoli má přístup k jakémukoli vědění.

To je konečný příslib AI. Kdokoli teď může být zvídavý. Kdokoli může vytvořit cokoli. Kdokoli teď může vstoupit do chrámu vědění. A z toho mají prospěch všichni.

A to je pro vás dobrá zpráva. Znamená to, že to nejdůležitější, co můžete po zbytek života dělat, je být zvídaví. Nejúspěšnější z vás budou ti, kdo budou mít nejvíc otázek. A ty nejlepší otázky.

Moje rada pro vás tedy zní: buďte co nejzvídavější. Nespokojte se s projížděním sociálních sítí v telefonu. Nespokojte se s AI agentem, který jen rezervuje stoly v restauraci – dělejte s ním skutečnou práci. A nikdy nevěřte chatbotovi, který vám tvrdí, že už máte pravdu.

Věřte v ducha zkoumání. Věřte v to, co se s AI můžete naučit. Věřte v to, co vytvoříte, když to uděláte. A pro nás všechny – udělejte to dobře.

Děkuji.