Wystąpienie o wiedzy

—

To wystąpienie wygłosił Aravind Srinivas 3 października 2026 r. w Cambridge Union Society. Cambridge Union Society to największe stowarzyszenie studenckie Uniwersytetu Cambridge i najstarsze nieprzerwanie działające towarzystwo debat na świecie.

—

Witajcie i dziękuję. To zaszczyt tu być.

Jedną z rzeczy, których nie spodziewałem się, zakładając firmę, jest to, ile czasu spędzam na uniwersytetach. Sprawia mi to przyjemność. Z perspektywy CEO to właśnie na uniwersytetach zwykle trafiam na jedyną publiczność, która ze mną polemizuje. Dlatego więcej czasu zarezerwujemy na dyskusję, niż zamierzam poświęcić na przemówienie.

Zaczynajmy.

Zazwyczaj, gdy jestem gdzieś zapraszany, proszą mnie o wygłoszenie prognostycznego wystąpienia o jakimś ogólnikowym tytule w rodzaju „przyszłość AI”. Nie będę mówić o przyszłości AI. Zamiast tego opowiem o waszej przyszłości. Wasza przyszłość jest dla mnie ciekawsza i pewnie dla was też.

Najpierw trochę o przeszłości. Cambridge to idealne miejsce, by mówić o przeszłości i jednocześnie o waszej przyszłości, bo ma jedno i drugie.

Jak głosi opowieść, to, co dziś nazywamy systemem recenzji naukowej, wynaleziono właśnie tutaj, w Cambridge. W rzeczywistości był to jedynie profesor z Cambridge, który zaproponował ten system w Royal Society of London, a nie tutaj, na uniwersytecie. Było to w 1831 roku. Dziś w systemie recenzji naukowej publikuje się co roku ponad 3,5 miliona artykułów naukowych.

Około 160 lat później dwaj doktoranci ze Stanfordu pracowali nad strukturami sieciowymi i eksploracją danych. Boom internetowy lat 90. dopiero się wtedy rozkręcał. Wszyscy mówili tylko o World Wide Web. Trochę jak dziś o „AI”.

Również podobnie jak dziś, o boomie mówili głównie inwestorzy i media. „Społecznością technologiczną” była wtedy branża telekomunikacyjna. W dyskusji nie było wielu naukowców. (Kilku było, ale niewielu). A ci dwaj doktoranci nie należeli raczej do grona wtajemniczonych internetowego boomu.

Ale wiedzieli jedną rzecz, na której ludziom spoza systemu uniwersyteckiego tak naprawdę nie zależało.

Jak większość naukowców, rozumieli cel uniwersytetu. Celem uniwersytetu jest poszerzanie wiedzy.

Dlatego właśnie stosujemy recenzję naukową. Dlatego też teksty akademickie zawierają tak wiele cytowań. Ci dwaj studenci wiedzieli, że ilość wiedzy na świecie (mierzona pośrednio liczbą artykułów spełniających standardy recenzji naukowej) wyłącznie rośnie. Łatwo było im więc dostrzec, że sieć również będzie wyłącznie rosnąć wraz z ludzką wiedzą.

Mieli też doświadczenie ze starym problemem, który dla sieci był „nowy”: jak znaleźć właściwą albo najlepszą wiedzę, skoro jej zasób stale się powiększa. W starym modelu naukowcy oceniają, czy czyjeś badania są przydatne lub wiarygodne, na podstawie liczby ich cytowań.

Wpadli więc na pomysł, by zbudować algorytm, który ocenia każdą witrynę w internecie na podstawie tego, ile innych witryn ją cytowało lub do niej linkowało, w odniesieniu do treści tych witryn.

Nazwali ten system „Page Rank”, ponieważ tworzyli ranking każdej strony (ang. page) w sieci i ponieważ jeden z tych doktorantów nazywał się Larry Page.

Larry i jego wspólnik (Sergey Brin) wzięli tę jedną drobną zasadę akademicką i udostępnili ją szerokiej publiczności. Google stało się jednym z najbardziej użytecznych narzędzi w historii i jedną z najbardziej udanych firm, ponieważ Larry Page po prostu zaadaptował to, co uniwersytety robiły już od stu lat.

Jak już mówiłem, celem uniwersytetu jest poszerzanie wiedzy. W tym wystąpieniu powiem wam trzy rzeczy o wiedzy. Mam nadzieję, że przyglądając się temu, co sami wiemy, lepiej i bardziej praktycznie zrozumiemy sztuczną inteligencję.

Po pierwsze, wiedza ma swoje życie. Rodzi się, rozpada i umiera.

Ma swój cykl życia. A ponieważ ma cykl życia, wiedza podlega ewolucji.

W miarę jak ewoluuje to, co wiemy, wszyscy stajemy się mądrzejsi. Nazywa się to efektem Flynna. Efekt Flynna to obserwacja, że ludzkość z każdą dekadą staje się mądrzejsza o mniej więcej 3 punkty IQ.

Testy IQ są stale normalizowane na nowo, tak aby średnia wynosiła 100, więc efekt Flynna najłatwiej rozumieć w kategoriach percentyli. Ktoś, kto w 1950 roku znajdował się w 92. percentylu inteligencji, dziś byłby zaledwie w 50. percentylu. Wszyscy staliśmy się mądrzejsi.

Rok 1950 to także rok, w którym wymyślono test Turinga. Był to pierwszy test mający ustalić, czy i kiedy maszyna jest mądrzejsza od ludzi. Oznacza to, że w 1950 roku maszynie było znacznie łatwiej zdać test Turinga. Bo poprzeczka dla „ludzkiej” inteligencji wisiała niżej.

I na tym polega siła ewolucji. Wiedza zawsze prowadzi do jeszcze większej wiedzy.

Minus jest taki, że świat może stawać się mądrzejszy, ale wy jako jednostki możecie głupieć. Wiedza się rozpada. Pomyślcie o tym jak o okresie półtrwania. Okres półtrwania pierwiastka promieniotwórczego to czas, w którym rozpada się połowa jego ilości. Okres półtrwania wiedzy to czas, w którym połowa wiedzy staje się przestarzała.

Oto kilka przykładów właśnie stąd, z Cambridge.

W 1978 roku sir Roy Calne przyczynił się do wprowadzenia cyklosporyny do transplantologii. Miało to duże znaczenie w zapobieganiu odrzucaniu przeszczepów. Pierwsze badania kliniczne prowadzono w Cambridge. Do 2001 roku inny lek, takrolimus, stał się dominującym lekiem w swojej klasie w amerykańskiej transplantologii nerek. Można więc powiedzieć, że okres półtrwania wiedzy medycznej o leczeniu cyklosporyną wynosił 23 lata.

To niedoskonała miara, ale przydatny model oceny inżynierów w szybko zmieniających się dziedzinach. W branży technologicznej tak robimy. Chodzi o pytanie: „w którym momencie kariery tego inżyniera połowa tego, co wie, będzie całkowicie przestarzała?”

W którym momencie waszej kariery to was spotka? Odpowiedź zależy od tego, ile czasu poświęcacie na uczenie się nowych rzeczy.

Niestety w rzadkich przypadkach wiedza również umiera. Są języki, którymi nikt już nie mówi. Jest mądrość, która umiera wraz ze starszym człowiekiem.

Dlatego od ponad 4000 lat ludzie budują biblioteki. A kiedy pojawiła się sieć, umieściliśmy w niej nieporównanie więcej z tego, co wiemy. Wiedza więc umiera, ale nie musi. Być może za sprawą jakiejś wrodzonej cechy ludzkiej natury ludzie zawsze czuli potrzebę zachowywania wiedzy. Nieustannie ją ocalamy i powiększamy całkowity zasób wiedzy świata. To dobrze.

Powinienem zaznaczyć: wiedza jest jak żywa istota, ale nie jest żywa. Żywi jesteście tylko wy. Po prostu uważam, że jesteście bardziej żywi, kiedy uczycie się czegoś nowego.

Nawiasem mówiąc, właśnie dlatego istnieje Perplexity. Ale nie jestem tu, by mówić o Perplexity. Jestem tu, by mówić o was i o ekonomii wiedzy. Co prowadzi mnie do drugiej kwestii.

Po drugie, wiedza nie jest pieniądzem. Ale zachowuje się jak pieniądz.

Pieniądz ma wartość w czasie. Odsetki sprawiają, że rośnie, a inflacja – że się kurczy. Z biegiem czasu zarówno odsetki, jak i inflacja działają jak procent składany.

Kiedy sto tysięcy funtów będzie miało siłę nabywczą czterdziestu tysięcy (prawdopodobnie za około 23 lata), będziecie potrzebować 250 000 funtów, żeby wyjść na zero. Po kolejnych 23 latach potrzebowalibyście 625 000 funtów.

Gdy działa procent składany, zyski lub straty rosną z czasem wykładniczo.

Dlatego najbardziej podstawowa zasada finansowa mówi, że wasz procent składany zawsze powinien przewyższać inflację. Bo jeśli nie rośniecie, to się kurczycie. Z wiedzą jest tak samo.

Tak jak wartość funta, wartość tego, co wiecie dziś, z czasem będzie spadać. I tak jak przy zwykłej deprecjacji, każdego dnia będzie to tylko niewielki spadek. Tak mały, że ledwo go zauważycie. Aż pewnego dnia obudzicie się i nie będziecie mieli nic. Wasza wiedza nie będzie już miała tej samej wartości rynkowej. To nieuniknione. Pamiętajcie, że twierdzenie Pitagorasa było kiedyś czymś, co mogły znać tylko elity. A każdy z was poznał je w siódmej klasie.

Wszyscy stajemy się mądrzejsi – bez końca. Jak wspomniałem, na tym polega cały cel uniwersytetu. Przy odrobinie szczęścia kiedyś, w dalekiej przyszłości, to, czego uczyliście się tutaj, w Cambridge, może trafić do programu nauczania uczniów siódmej klasy.

To dobrze, jeśli tak się stanie. Oznacza to postęp. Ale oznacza też, że wasze cele ekonomiczne wymagają, abyście nigdy nie przestawali się uczyć. Musicie uczyć się z oprocentowaniem wyższym niż stopa inflacji wiedzy.

Innymi słowy, musicie podwajać swoją wiedzę szybciej, niż upływa wasz własny okres półtrwania wiedzy. To wymaga czasu. Ale kiedy patrzycie na świat przez pryzmat procentu składanego, musicie patrzeć na niego w długiej perspektywie.

Dlatego najlepszym sposobem na pomnażanie majątku dzięki procentowi składanemu jest zacząć młodo, a drugim najlepszym – umrzeć w podeszłym wieku. Warren Buffet zaczął inwestować w wieku 11 lat, ale 99% jego majątku zgromadziło się po 65. roku życia.

Co wskazuje na ostatnie podobieństwo wiedzy i pieniędzy. Trzeba ją wydawać.

Kiedy macie kapitał, inwestujecie go, żeby na was pracował. Kiedy macie wiedzę, zwłaszcza wyjątkową, powinniście sprawić, by również pracowała. Zróbcie z nią coś. Na tym polega różnica między wynalazkiem a innowacją. Wynalazek pyta: „czy coś stworzyłeś?”. Innowacja pyta: „Czy to coś zmieniło?”

A jeśli chcecie coś zmienić, musicie działać na podstawie wiedzy. Tylko działanie rodzi nowe pytania, dociekania i nową wiedzę. Musicie zawsze się uczyć i zawsze działać.

Tu właśnie pojawia się sztuczna inteligencja, co prowadzi mnie do mojej trzeciej i ostatniej kwestii.

Celem AI jest przyspieszanie rozwoju ludzkiej wiedzy i dobrobytu.

Przypomnijcie sobie dwie pierwsze rzeczy, które powiedziałem dziś wieczorem. Powiedziałem, że wiedza ma organiczny charakter i powinniśmy ją pielęgnować i rozwijać, bo ogólnie rzecz biorąc, ludzie na tym korzystają. Potem powiedziałem, że wiedza ma charakter ekonomiczny. Że powinniśmy ją kultywować, bo ogólnie rzecz biorąc, korzystają na tym wszyscy ludzie.

Jeśli wierzycie w te dwie rzeczy, musicie też myśleć o AI nieco inaczej.

Zamiast obsesyjnie dążyć do osiągnięcia AGI czy czynić technologię inteligentną dla samej technologii, doszlibyście do wniosku, że powodem budowania lepszej, dokładniejszej AI jest służenie ludziom.

Doszlibyście do wniosku, że najwyższym i najważniejszym celem AI jest sprawianie, by ludzie byli mądrzejsi i zamożniejsi.

Jeśli brzmi to bardzo podobnie do celu uniwersytetu – cóż, właśnie dlatego tu jesteśmy.

Pomyślcie jeszcze raz o recenzji naukowej. Wynaleziono ją w 1831 roku. W tym roku Perplexity uruchomiło bardzo prosty produkt o nazwie Model Council, oparty na pomyśle jednego z badaczy-założycieli OpenAI. Zadajecie trzem modelom AI to samo pytanie. Każdy z nich prowadzi badania i udziela odpowiedzi, a następnie model „przewodniczący” ocenia, w czym się różnią, a w czym zgadzają, i na drodze rozumowania wypracowuje ostateczną odpowiedź.

Model Council nie zastępuje recenzji naukowej. Jego celem jest natomiast przybliżenie ducha akademickich dociekań większej liczbie ludzi. Możemy rozszerzyć etos uniwersytetu poza te mury, na cały świat.

Moglibyśmy pomóc większej liczbie ludzi naprawdę mieć rację, a nie tylko czuć, że ją mają, albo brzmieć, jakby ją mieli. Naukowo dążyć do prawdy i wiedzy. Łuk wszechświata zmierza ku temu, by każdy miał coraz większy dostęp do coraz większej wiedzy. Dobrze, gdy ludzie mają wiedzę. I to ludzie na tym korzystają.

Na koniec opowiem krótką historię o mojej firmie.

Kiedy zaczynaliśmy, byliśmy tylko trzema badaczami AI, którzy mieli więcej pytań niż wizji. Potem, zatrudniając czwartą osobę, uznaliśmy, że czas wykupić ubezpieczenie zdrowotne. Ubezpieczenia zdrowotne w Ameryce są skomplikowane nawet dla Amerykanów. Nie pochodzę z Ameryki, więc dla mnie było to jeszcze bardziej zagmatwane.

Wyniki w Google nic nie pomogły. W takiej sytuacji założyciel zwykle dzwoni do kogoś, kto już to robił. Na przykład do inwestora albo innego założyciela. Ale była późna noc. Chciałem to załatwić, więc musiałem sam znaleźć potrzebną wiedzę.

Problem polega na tym, że samodzielne badanie tematu oznacza przekopywanie się w Google przez zoptymalizowane pod SEO strony ubezpieczeniowe, które dają wyłącznie złe rady i rywalizują o to, która wygląda najbardziej wiarygodnie.

Wtedy zbudowałem pierwszą wersję Perplexity.

To narzędzie przeprowadziło za mnie badania. A ja kazałem mu podawać źródła odpowiedzi. Dzięki temu mogłem je weryfikować i zadawać kolejne pytania. A potem załatwiłem nam ubezpieczenie zdrowotne. Problem został rozwiązany. Czas na następny problem. I na następny, i jeszcze następny. I oto jesteśmy dzisiaj.

Morał tej historii jest taki, że nie trzeba już „znać kogoś, kto zna kogoś”. Można po prostu się czegoś nauczyć i to zrobić. Mówiłem już, że obietnicą AI jest to, że możecie uzyskać dostęp do dowolnej wiedzy. Morał tej historii jest taki, że każdy człowiek może uzyskać dostęp do dowolnej wiedzy.

Oto największa obietnica AI. Każdy może teraz być ciekawy świata. Każdy może zbudować wszystko. Każdy może teraz wejść do świątyni wiedzy. Korzystają na tym wszyscy.

I to dobra wiadomość dla was. Oznacza to, że najważniejsze, co możecie robić przez resztę życia, to być ciekawymi świata. Największy sukces spośród was wszystkich odniesie ten, kto będzie miał najwięcej pytań. I najlepsze pytania.

Moja rada dla was brzmi więc: bądźcie tak ciekawi świata, jak tylko potraficie. Nie zadowalajcie się przewijaniem mediów społecznościowych w telefonie. Nie zadowalajcie się agentem AI, który tylko rezerwuje stoliki na kolację – wykonujcie z nim prawdziwą pracę. I nigdy nie wierzcie chatbotowi, który mówi wam, że już macie rację.

Wierzcie w ducha dociekliwości. Wierzcie w to, czego możecie się nauczyć dzięki AI. Wierzcie w to, co dzięki temu stworzycie. I niech dla nas wszystkich będzie to coś dobrego.

Dziękuję.