Előadás a tudásról

—

Ezt az előadást Aravind Srinivas tartotta 2026. október 3-án a Cambridge Union Societyben. A Cambridge Union Society a Cambridge-i Egyetem legnagyobb diáktársasága és a világ legrégebbi, megszakítás nélkül működő vitatársasága.

—

Üdvözlök mindenkit, és köszönöm. Megtiszteltetés itt lenni.

Az egyik dolog, amire a cégalapításnál nem számítottam, hogy mennyi időt tölthetek egyetemeken. Élvezem. Vezérigazgatóként azt tapasztalom, hogy az egyetemeken van az egyetlen közönség, amely vitába száll velem. Ezért több időt hagyunk a beszélgetésre, mint amennyit beszélni tervezek.

Kezdjük.

Amikor valahová meghívnak előadni, általában arra kérnek, hogy tartsak egy jövőbe tekintő előadást valamilyen általános címmel, például „az MI jövője.” Én nem az MI jövőjéről fogok beszélni. Ehelyett a ti jövőtökről. Engem a ti jövőtök jobban érdekel, és valószínűleg titeket is jobban érdekel.

Először is egy kicsit a múltról. Cambridge tökéletes hely arra, hogy a múltról és egyben a ti jövőtökről beszéljünk, hiszen itt mindkettő megvan.

A történet szerint azt, amit ma szakértői lektorálásnak nevezünk, itt, Cambridge-ben találták fel. A pontos igazság az, hogy mindössze egy cambridge-i professzor ötlete volt, és ő is a londoni Royal Societyben javasolta, nem itt, az egyetemen. Ez 1831-ben történt. Ma évente több mint 3,5 millió tudományos cikk jelenik meg a szakértői lektorálás rendszerében.

Körülbelül 160 évvel később két stanfordi doktorandusz hálózati struktúrákon és adatbányászaton dolgozott. Ez akkor volt, amikor az 1990-es évek internetes fellendülése éppen beindult. Mindenki csak a World Wide Webről beszélt. Olyasmi volt, mint ma az „MI”.

Szintén a mai helyzethez hasonlóan akkor is főleg befektetők és a média beszéltek a fellendülésről. Az akkori „tech közösség” a távközlési ipar volt. Nem sok egyetemi kutató vett részt a vitában. (Néhány igen, de nem sok.) És ez a két doktorandusz nem éppen az internetes fellendülés bennfentesei közé tartozott.

Tudtak azonban valamit, ami az egyetemi rendszeren kívül élőket nem igazán érdekelte.

Mint a legtöbb egyetemi kutató, ők is értették az egyetem célját. Az egyetem célja a tudás előmozdítása.

Ezért alkalmazunk szakértői lektorálást. Ezért van a tudományos írásokban ennyi hivatkozás is. Ez a két hallgató pedig tudta, hogy a világban lévő tudás mennyisége (amelyet a lektorált minőségű tanulmányok számával lehet közelíteni) csak növekszik. Így könnyen beláthatták, hogy a web is csak bővülni fog az emberi tudással.

Volt tapasztalatuk egy régi problémával is, amely a web számára „új” volt: hogyan találjuk meg a megfelelő vagy a legjobb tudást, ha az folyamatosan bővül. A régi modellben az egyetemi kutatók azt, hogy valakinek a kutatása hasznos vagy hiteles-e, az alapján ítélik meg, hányszor hivatkoztak rá.

Így támadt az ötletük, hogy építsenek egy algoritmust, amely az internet minden webhelyét aszerint értékeli, hány másik webhely hivatkozott vagy linkelt rá, az adott oldalak tartalmához viszonyítva.

A rendszert „Page Rank”-nek nevezték el, mert a web minden oldalát rangsorolták, és mert az egyik doktoranduszt Larry Page-nek hívták.

Larry és a társa (Sergey Brin) fogták ezt az egyetlen kis tudományos alapelvet, és elérhetővé tették a széles nyilvánosság számára. A Google a történelem egyik leghasznosabb eszközévé és egyik legsikeresebb vállalkozásává vált, mert Larry Page egyszerűen átvette azt, amit az egyetemek már száz éve csinálnak.

Ahogy mondtam, az egyetem célja a tudás előmozdítása. Ebben az előadásban három dolgot fogok elmondani a tudásról. Remélem, hogy ha a saját intelligenciánkon is elgondolkodunk, jobban és a gyakorlatban is használhatóbban fogjuk érteni a mesterséges intelligenciát.

Először is: a tudásnak élete van. Megszületik, hanyatlik, és meghal.

Van életciklusa. És mivel van életciklusa, a tudás evolúción megy keresztül.

Ahogy fejlődik az, amit tudunk, mindannyian okosabbak leszünk. Ezt Flynn-hatásnak nevezik. A Flynn-hatás az a megfigyelés, hogy az emberiség évtizedenként nagyjából 3 IQ-ponttal lesz okosabb.

Az IQ-teszteket folyamatosan újranormálják, hogy az átlag 100 maradjon, ezért a Flynn-hatást a legegyszerűbb percentilisekben elképzelni. Aki 1950-ben intelligencia tekintetében a 92. percentilisben volt, ma csak az 50. percentilisben lenne. Mindannyian okosabbak lettünk.

1950 egyben az az év, amikor a Turing-tesztet kitalálták. Ez volt az első teszt annak megállapítására, hogy egy gép okosabb-e az embereknél, illetve mikor válik azzá. Ez azt jelenti, hogy 1950-ben egy gépnek sokkal könnyebb volt átmennie a Turing-teszten. Mert az „emberi” intelligencia mércéje alacsonyabban volt.

És ez az evolúció ereje. A tudás mindig újabb tudáshoz vezet.

A hátránya az, hogy miközben a világ okosabbá válhat, ti egyénenként butábbak lehettek. A tudás bomlik. Gondoljatok rá úgy, mint a felezési időre. Egy radioaktív elem felezési ideje az az idő, amely alatt a fele elbomlik. A tudás felezési ideje az az idő, amely alatt a fele elavul.

Íme néhány példa, éppen innen, Cambridge-ből.

1978-ban Sir Roy Calne közreműködött abban, hogy a ciklosporint bevezessék a transzplantációba. Ez a szervkilökődés megelőzése szempontjából volt fontos. Az első klinikai vizsgálatokat Cambridge-ben végezték. 2001-re egy másik gyógyszer, a takrolimusz vált a kategóriája vezető kezelésévé az amerikai veseátültetésekben. Mondhatjuk tehát, hogy a ciklosporinos kezeléssel kapcsolatos orvosi tudás felezési ideje 23 év volt.

Ez egy tökéletlen mérőszám, de hasznos modell a gyorsan fejlődő területeken dolgozó mérnökök értékeléséhez. A tech szektorban ezt csináljuk. A mögöttes kérdés: „ennek a mérnöknek a karrierje melyik pontján válik teljesen elavulttá mindannak a fele, amit tud?”

A karrieretek melyik pontján történik ez meg veletek? A válasz attól függ, mennyi időt töltötök új dolgok tanulásával.

Sajnos ritka esetekben a tudás meg is hal. Vannak nyelvek, amelyeknek már egyetlen beszélője sem maradt. Van bölcsesség, amely egy idős emberrel együtt hal meg.

Ezért építenek az emberek több mint 4000 éve könyvtárakat. Amikor pedig megjelent a web, mérhetetlenül többet töltöttünk fel rá abból, amit tudunk. A tudás tehát meghal, de nem kell, hogy így legyen. Talán az emberi lét valamilyen veleszületett vonásaként az emberek mindig is késztetést éreztek arra, hogy megőrizzék a tudást. Folyamatosan mentjük, és gyarapítjuk a világ teljes tudását. Ez jó dolog.

Meg kell jegyeznem: a tudás olyan, mint egy élőlény, de nem élő. Csak ti vagytok élők. Én csak úgy gondolom, hogy akkor vagytok igazán elevenek, amikor valami újat tanultok.

Egyébként ezért létezik a Perplexity. De nem azért vagyok itt, hogy a Perplexityről beszéljek. Azért vagyok itt, hogy rólatok beszéljek, és a tudás gazdaságáról. Ez el is vezet a második gondolatomhoz.

Másodszor: a tudás nem pénz. De úgy viselkedik, mint a pénz.

A pénznek van időértéke. A kamat növeli, az infláció csökkenti. Kellő idő alatt mind a kamat, mind az infláció kamatos kamatként halmozódik.

Amikor százezer font vásárlóereje negyvenezernek felel meg (valószínűleg nagyjából 23 év múlva), 250 000 £-ra lesz szükségetek ahhoz, hogy nullszaldósak legyetek. Újabb 23 évvel később pedig már 625 000 £-ra lenne szükségetek.

Ha valami kamatos kamatként halmozódik, a nyereség vagy a veszteség az idővel exponenciálisan nő.

Ezért a legalapvetőbb pénzügyi elv az, hogy a pénzetek kamatos kamattal mindig az inflációnál gyorsabban gyarapodjon. Mert ami nem nő, az zsugorodik. A tudással is ugyanez a helyzet.

Akárcsak a font értéke, a ma meglévő tudásotok értéke is csökkenni fog idővel. És akárcsak a szokásos értékcsökkenés, ez is minden nap csak egy kicsit történik. Olyan csekély mértékben, hogy alig veszitek észre. Míg egy nap arra ébredtek, hogy semmitek sincs. A tudásotoknak már nem lesz ugyanaz a piaci értéke. Ez elkerülhetetlen. Ne feledjétek, a Pitagorasz-tételt egykor csak az elit ismerhette. De itt mindenki megtanulta hetedik osztályban.

Mindannyian okosabbak leszünk, örökké. Ahogy említettem, ez az egyetem egész célja. Ha szerencsénk van, egyszer, a távoli jövőben az, amit itt, Cambridge-ben tanultatok, a hetedikesek tananyaga lehet.

Ha ez megtörténik, az jó dolog. Fejlődést jelent. De azt is jelenti, hogy a gazdasági céljaitok eléréséhez soha nem hagyhatjátok abba a tanulást. A tudás inflációjánál magasabb kamatlábbal kell tanulnotok.

Másként fogalmazva: amit tudtok, azt rövidebb idő alatt kell megdupláznotok, mint amennyi a saját tudásotok felezési ideje. Ez időbe telik. De ha a kamatos kamat szemüvegén keresztül nézitek a világot, hosszú távon kell gondolkodnotok.

Ezért a kamatos kamattal történő vagyonépítés legjobb trükkje, hogy fiatalon kezdjétek, a második legjobb pedig az, hogy idős korban haljatok meg. Warren Buffet 11 évesen kezdett befektetni, de vagyonának 99%-a 65 éves kora után halmozódott fel.

Ez pedig a tudás és a pénz utolsó hasonlóságára utal. El kell költeni.

Ha tőkétek van, munkába állítjátok. Ha tudásotok van, különösen kivételes tudásotok, azt is munkára kell fognotok. Csináljatok vele valamit. Ez a különbség a feltalálás és az innováció között. A feltalálás azt kérdezi: „alkottál valamit?” Az innováció azt kérdezi: „Változtatott valamin?”

Ha pedig változást akartok elérni, a tudás alapján cselekednetek kell. Csak a cselekvés szül új kérdéseket, vizsgálódást és új tudást. Mindig tanulnotok kell, és mindig cselekednetek.

Itt jön képbe a mesterséges intelligencia, és ez elvezet a harmadik, egyben utolsó gondolatomhoz.

Az MI célja az emberi tudás és jólét gyarapodásának felgyorsítása.

Gondoljátok végig az első két dolgot, amit ma este mondtam. Azt mondtam, hogy a tudásnak élőlényszerű jellege van, és ápolnunk, fejlesztenünk kell, mert ez általában véve az emberek javát szolgálja. Aztán azt mondtam, hogy a tudásnak gazdasági jellege van. Hogy gondoznunk kell, mert tágabb értelemben minden ember profitál belőle.

Ha ezt a két dolgot elhiszitek, akkor az MI-ről is kicsit másképp kell gondolkodnotok.

Ahelyett, hogy az AGI elérésének megszállottjai lennétek, vagy a technológiát öncélúan tennétek okossá, arra jutnátok, hogy jobb, pontosabb MI-t azért kell építeni, hogy az embereket szolgálja.

Arra jutnátok, hogy az MI legmagasabb rendű és legfontosabb célja az, hogy okosabbá és jómódúbbá tegye az embereket.

Ha ez nagyon hasonlít az egyetem céljára, nos, itt is vagyunk.

Gondoljunk újra a szakértői lektorálásra. 1831-ben találták fel. Idén a Perplexity elindított egy nagyon egyszerű terméket Model Council néven, az OpenAI egyik alapító kutatója által felvetett ötlet alapján. Három MI-modellnek ugyanazt a kérdést tesszük fel. Mindegyik utánajár, és válaszol, majd egy „elnöklő” modell kiértékeli, hol térnek el és hol egyeznek, és érvelés útján végső választ fogalmaz meg.

A Model Council nem váltja fel a szakértői lektorálást. A célja inkább az, hogy a tudományos vizsgálódás szellemét több emberhez eljuttassa. Az egyetem szellemiségét kiterjeszthetjük ezeken a falakon túlra, az egész világra.

Segíthetnénk abban, hogy több embernek valóban igaza legyen, ahelyett hogy csak úgy érezze, vagy úgy tűnjön, hogy igaza van. Hogy tudományosan keressük az igazságot és a tudást. A világegyetem íve afelé hajlik, hogy mindenki egyre több tudáshoz férjen hozzá. Jó, ha az embereknek tudásuk van. És az emberek azok, akik profitálnak belőle.

Egy rövid történettel zárom a cégemről.

Amikor elindultunk, csak hárman voltunk, MI-kutatók, több kérdéssel, mint vízióval. Aztán, amikor jött a negyedik ember, úgy döntöttünk, ideje egészségbiztosítást kötni. Az egészségbiztosítás Amerikában még az amerikaiaknak is bonyolult. Én nem Amerikából származom, így nekem még zavarosabb volt.

A Google-találatok nem segítettek. Ilyenkor egy alapító általában felhív valakit, aki már csinált ilyet korábban. Például egy befektetőt vagy egy másik alapítót. De késő este volt. El akartam intézni, így magamnak kellett megszereznem a tudást.

Ezzel az a gond, hogy ha az ember maga kutat, akkor SEO-optimalizált biztosítási oldalakon kell végiggoogliznia, amelyek mind rossz tanácsokat adnak, és azon versengenek, melyik tűnik a leghitelesebbnek.

Ekkor építettem meg a Perplexity első verzióját.

Elvégezte helyettem a kutatást. És rávettem, hogy forrásokat adjon meg a válaszokhoz. Így ellenőrizni tudtam őket, és újabb kérdéseket tehettem fel. Aztán elintéztem az egészségbiztosításunkat. Megoldódott. Jöhetett a következő probléma. Aztán a következő, és a következő. És most itt vagyunk.

A történet tanulsága, hogy már nem kell „ismerni valakit”. Egyszerűen megtanulhattok dolgokat, és megcsinálhatjátok őket. Már mondtam, hogy az MI ígérete az, hogy bármilyen tudáshoz hozzáférhettek. Ennek a történetnek a tanulsága pedig az, hogy bárki hozzáférhet bármilyen tudáshoz.

Ez az MI végső ígérete. Mostantól bárki lehet kíváncsi. Bárki építhet bármit. Mostantól bárki beléphet a tudás templomába. Ez mindenkinek a javát szolgálja.

És ez jó hír nektek. Azt jelenti, hogy a legfontosabb, amit egész hátralévő életetekben tehettek, az, hogy kíváncsiak legyetek. Közületek az lesz a legsikeresebb, akinek a legtöbb kérdése van. És a legjobb kérdései.

Azt tanácsolom tehát, hogy legyetek olyan kíváncsiak, amennyire csak tudtok. Ne elégedjetek meg azzal, hogy a közösségi médiát görgetitek a telefonotokon. Ne elégedjetek meg egy olyan MI-ügynökkel, amely csak asztalt foglal vacsorára – végezzetek vele valódi munkát. És soha ne higgyetek egy olyan chatbotnak, amely azt mondja, hogy már eleve igazatok van.

Higgyetek a vizsgálódás szellemében. Higgyetek abban, amit az MI-vel megtanulhattok. Higgyetek abban, amit akkor alkottok, amikor így tesztek. És mindannyiunk érdekében: alkossatok jót.

Köszönöm.