Kunskapstalet

—

Det här talet hölls av Aravind Srinivas den 3 oktober 2026 inför Cambridge Union Society. Cambridge Union Society är University of Cambridges största studentförening och världens äldsta debattsällskap med obruten verksamhet.

—

Hej, och tack. Det är en ära att vara här.

En av sakerna jag inte förväntade mig när jag grundade ett företag är hur mycket tid jag får tillbringa på universitet. Jag tycker om det. För mig som vd är det oftast bara publiken på universiteten som säger emot. Så vi avsätter mer tid till diskussion än jag tänker ägna åt att tala.

Då sätter vi igång.

När jag blir inbjuden att tala någonstans brukar de be mig hålla ett framtidsspanande tal med en generisk titel som ”AI:s framtid.” Jag tänker inte tala om AI:s framtid. I stället ska jag tala om er framtid. Er framtid är mer intressant för mig, och den är förmodligen mer intressant för er också.

Först lite om det förflutna. Cambridge är den perfekta platsen för att tala om det förflutna och samtidigt om er framtid, eftersom det har båda.

Enligt den gängse berättelsen uppfanns det vi i dag kallar referentgranskningssystemet här i Cambridge. Sanningen är egentligen att det bara var en professor från Cambridge, och han föreslog det vid Royal Society of London, inte här på universitetet. Det var 1831. I dag publiceras mer än 3,5 miljoner vetenskapliga artiklar varje år inom ramen för referentgranskningssystemet.

Ungefär 160 år senare arbetade två doktorander vid Stanford med nätverksstrukturer och datautvinning. Det var när internetboomen på 1990-talet precis hade kommit i gång. World Wide Web var det enda alla pratade om. Ungefär som ”AI” i dag.

Precis som i dag var de flesta som pratade om boomen investerare och medier. ”Techvärlden” var då telekombranschen. Det fanns inte många akademiker med i diskussionen. (Några, men inte många.) Och de här två doktoranderna var inte direkt insiders i internetboomen.

Men de visste en sak som människor utanför universitetsvärlden egentligen inte brydde sig om.

Som de flesta akademiker förstod de universitetets syfte. Universitetets syfte är att föra kunskapen framåt.

Det är därför vi använder referentgranskning. Det är också därför akademiska texter har så många källhänvisningar. Och de här två studenterna visste att mängden kunskap i världen (mätt genom antalet artiklar av referentgranskad kvalitet) bara växer. Så det var lätt för dem att se att webben också bara skulle växa i takt med mänsklig kunskap.

De hade också erfarenhet av ett gammalt problem som var ”nytt” för webben: hur man hittar rätt kunskap, eller den bästa kunskapen, om den ständigt växer. I den gamla modellen bedömer akademiker om någons forskning är användbar eller trovärdig utifrån hur många gånger den har citerats.

Så de fick idén att bygga en algoritm som utvärderar varje webbplats på internet utifrån hur många andra webbplatser som hänvisade till den, eller länkade till den, i förhållande till innehållet på de webbplatserna.

De kallade systemet ”Page Rank”, eftersom de rankade varje sida på webben och eftersom en av doktoranderna hette Larry Page.

Larry och hans partner (Sergey Brin) tog den här lilla akademiska principen och gjorde den tillgänglig för den breda allmänheten. Google blev ett av de mest användbara verktygen i historien, och ett av de mest framgångsrika företagen, eftersom Larry Page helt enkelt anpassade det som universiteten redan hade gjort i hundra år.

Som jag sa är universitetets syfte att föra kunskapen framåt. I det här talet ska jag berätta tre saker om kunskap för er. Min förhoppning är att vi ska nå en bättre praktisk förståelse av artificiell intelligens genom att fundera över en del av vår egen.

1.

För det första: kunskap har ett liv. Den föds, den bryts ned och den dör.

Den har en livscykel. Och eftersom den har en livscykel genomgår kunskap evolution.

I takt med att det vi vet utvecklas blir vi alla smartare. Det kallas Flynneffekten. Flynneffekten är iakttagelsen att mänskligheten har blivit ungefär 3 IQ-poäng smartare för varje decennium.

IQ-test normeras ständigt om så att medelvärdet ligger kvar på 100, så ett enkelt sätt att tänka på Flynneffekten är i percentiler. Den som 1950 låg på den 92:a percentilen i intelligens skulle i dag bara ligga på den 50:e percentilen. Vi blev alla smartare.

1950 är också samma år som Turingtestet uppfanns. Det var det första testet för att avgöra om eller när en maskin är smartare än människor. Det betyder att Turingtestet 1950 var mycket lättare för en maskin att klara. Eftersom ribban för ”mänsklig” intelligens låg lägre.

Och det är evolutionens kraft. Kunskap leder alltid till mer kunskap.

Nackdelen är att världen kan bli smartare medan ni som individer kan bli dummare. Kunskap bryts ned. Tänk på det som en halveringstid. Halveringstiden för ett radioaktivt grundämne är den tid det tar för hälften av det att sönderfalla. Kunskapens halveringstid är den tid det tar för hälften av den att bli föråldrad.

Här är några exempel härifrån Cambridge.

1978 bidrog Sir Roy Calne till att introducera ciklosporin inom transplantationsmedicinen. Det var viktigt för att förhindra organavstötning. De första kliniska prövningarna gjordes i Cambridge. År 2001 hade ett annat läkemedel, takrolimus, blivit den dominerande behandlingen i sin klass vid njurtransplantationer i USA. Man kan alltså säga att den medicinska kunskapen om ciklosporinbehandling hade en halveringstid på 23 år.

Det är ett ofullständigt mått, men det är en användbar modell för att utvärdera ingenjörer inom områden som utvecklas snabbt. Vi gör det inom tech. Den underförstådda frågan är: ”vid vilken tidpunkt i den här ingenjörens karriär är hälften av det hen kan helt föråldrat?”

Vid vilken tidpunkt i er karriär kommer det att hända er? Svaret beror på hur mycket tid ni ägnar åt att lära er nya saker.

Tyvärr dör kunskap också i sällsynta fall. Det finns språk som inte har några talare kvar. Det finns visdom som dör när en äldre människa går bort.

Det är därför människor har byggt bibliotek i mer än 4 000 år. Och när webben kom lade vi ut oändligt mycket mer av det vi vet där. Så kunskap dör, men den behöver inte göra det. Kanske som en medfödd del av människans villkor har människor känt sig tvungna att bevara kunskap. Vi sparar den ständigt och utökar världens samlade kunskap. Det är något bra.

Jag bör påpeka: kunskap är som något levande, men den lever inte. Det är bara ni som lever. Jag tycker bara att ni är mer levande när ni lär er något nytt.

Det är för övrigt därför Perplexity finns. Men jag är inte här för att tala om Perplexity. Jag är här för att tala om er och om kunskapens ekonomi. Vilket leder mig till min andra poäng.

2.

För det andra: kunskap är inte pengar. Men den beter sig som pengar.

Pengar har ett tidsvärde. Ränta får dem att växa, och inflation får dem att krympa. Med tillräckligt mycket tid har både ränta och inflation en ränta-på-ränta-effekt.

När hundratusen pund har samma köpkraft som fyrtiotusen (förmodligen om ungefär 23 år) behöver ni 250 000 pund för att gå jämnt ut. Ytterligare 23 år efter det skulle ni behöva 625 000 pund.

När något växer med ränta-på-ränta-effekt ökar vinsterna eller förlusterna exponentiellt över tid.

Det är därför den mest grundläggande finansiella principen är att man alltid ska få ränta på ränta i en takt som överstiger inflationen. För om man inte växer, så krymper man. Kunskap fungerar på samma sätt.

Precis som värdet av ett pund kommer värdet av det ni vet i dag att minska med tiden. Och precis som vanlig värdeminskning sker det bara lite i taget varje dag. Det är så lite att ni knappt märker det. Tills ni en dag vaknar och inte har något kvar. Er kunskap kommer inte längre att ha samma marknadsvärde. Det är oundvikligt. Kom ihåg att Pythagoras sats en gång var något som bara eliten fick känna till. Men alla här lärde sig den i årskurs sju.

Vi blir alla smartare, för alltid. Som jag nämnde är det här hela syftet med universitetet. Med lite tur kan det ni har studerat här i Cambridge en dag långt in i framtiden vara kursplanen för sjundeklassare.

Det är något bra om det sker. Det innebär framsteg. Men det innebär också att era ekonomiska mål kräver att ni aldrig slutar lära er. Ni måste lära er med en ränta som är högre än kunskapens inflationstakt.

Med andra ord måste ni fördubbla det ni vet i snabbare takt än er egen kunskaps halveringstid. Det tar tid. Men när man ser världen genom ränta-på-ränta-effektens lins måste man se den med ett långt framtidsperspektiv.

Det är därför det bästa knepet för att få ränta på ränta på sin förmögenhet är att börja ung, och det näst bästa är att dö gammal. Warren Buffet började investera vid 11 års ålder, men 99 % av hans förmögenhet byggdes upp efter 65.

Vilket antyder den sista likheten mellan kunskap och pengar. Man måste spendera den.

När man har kapital sätter man det i arbete. När man har kunskap, särskilt exceptionell kunskap, bör man sätta den i arbete. Gör något med den. Det är skillnaden mellan uppfinning och innovation. Uppfinning frågar: ”har du skapat något?” Innovation frågar: ”Gjorde det någon skillnad?”

Och om ni vill göra skillnad måste ni omsätta kunskap i handling. Endast handling väcker nya frågor, nya undersökningar och ny kunskap. Ni måste alltid lära er och alltid handla.

Det är här artificiell intelligens kommer in i bilden, och det leder mig till min tredje och sista poäng.

3.

Syftet med AI är att påskynda mänsklig kunskap och mänskligt välstånd.

Tänk på de två första sakerna jag har sagt i kväll. Jag sa att kunskap har en livsliknande karaktär, och att vi bör vårda den och föra den framåt, eftersom människor i stort gynnas. Sedan sa jag att kunskap har en ekonomisk karaktär. Att vi bör odla den, eftersom alla människor i stort sett gynnas.

Om ni tror på de här två sakerna måste ni också tänka på AI på ett något annorlunda sätt.

I stället för att vara besatta av att uppnå AGI eller av att göra tekniken smart för teknikens egen skull skulle ni dra slutsatsen att skälet till att bygga bättre och mer exakt AI är att tjäna människor.

Ni skulle dra slutsatsen att det högsta och viktigaste syftet med AI är att göra människor smartare och ge dem större välstånd.

Om det här låter väldigt likt universitetets syfte – ja, här är vi.

Tänk på referentgranskning igen. Den uppfanns 1831. I år lanserade Perplexity en mycket enkel produkt som heter Model Council, baserad på en idé från en av OpenAI:s grundande forskare. Man ställer samma fråga till tre AI-modeller. Var och en undersöker frågan och svarar, och sedan utvärderar en ”ordförande”-modell var de skiljer sig åt och var de är överens, och resonerar fram ett slutgiltigt svar.

Model Council ersätter inte referentgranskning. Syftet är i stället att föra ut den akademiska undersökningens anda till fler människor. Vi kan sprida universitetets etos bortom de här väggarna och över hela världen.

Vi skulle kunna hjälpa fler människor att faktiskt ha rätt, inte bara känna att de har rätt eller låta som om de har rätt. Att vetenskapligt söka sanning och kunskap. Universums båge pekar mot att alla ska få större tillgång till mer kunskap. Det är bra för människor att ha kunskap. Och det är människor som gynnas.

Jag avslutar med en kort berättelse om mitt företag.

När vi startade var vi bara tre AI-forskare, med fler frågor än vision. Sedan, när vi skulle ta in en fjärde person, bestämde vi oss för att det var dags att skaffa sjukförsäkring. Sjukförsäkring i USA är komplicerat även för amerikaner. Jag kommer inte från USA, så för mig var det ännu mer förvirrande.

Resultaten på Google var till ingen hjälp. Och det normala en grundare gör i ett sådant läge är att ringa någon som har gjort det förut. Som en investerare eller en annan grundare. Men det var sent på kvällen. Jag ville få det gjort, så jag var tvungen att hitta kunskapen själv.

Problemet med det är att när man gör efterforskningarna själv får man googla sig igenom SEO-optimerade försäkringssajter som alla ger dåliga råd och tävlar om att se mest trovärdiga ut.

Det var då jag byggde den första versionen av Perplexity.

Den gjorde efterforskningarna åt mig. Och jag fick den att ange källor för svaren. Så att jag kunde verifiera och fortsätta ställa fler frågor. Och sedan ordnade jag vår sjukförsäkring. Det var löst. Vidare till nästa problem. Och nästa problem, och nästa problem. Och här är vi i dag.

Sensmoralen i den berättelsen är att man inte längre behöver ”känna rätt person”. Man kan bara lära sig saker och göra dem. Jag har redan berättat att AI:s löfte är att man kan få tillgång till all kunskap. Sensmoralen i den här berättelsen är att vem som helst kan få tillgång till all kunskap.

Det här är AI:s yttersta löfte. Vem som helst kan nu vara nyfiken. Vem som helst kan bygga vad som helst. Vem som helst kan nu träda in i kunskapens tempel. Det gynnar alla.

Och det är goda nyheter för er. Det betyder att det viktigaste ni kan göra, under resten av era liv, är att vara nyfikna. De mest framgångsrika bland er kommer att vara de som har flest frågor. Och de bästa frågorna.

Så mitt råd till er är att bli så nyfikna ni bara kan. Nöj er inte med att scrolla sociala medier i mobilen. Nöj er inte med en AI-agent som bara bokar middagsbord – gör riktigt arbete med den. Och tro aldrig på en chattbot som säger att ni redan har rätt.

Tro på den undersökande andan. Tro på vad ni kan lära er med AI. Tro på vad ni kommer att skapa när ni gör det. Och för oss allas skull: gör det bra.

Tack.