Πώς μικρά βήματα γίνονται μεγάλα άλματα - Είναι η έρευνα άχρηστη;

[nikolas_asteri]

Στην συζήτηση που κάναμε για την διαφορά του ερευνητή (researcher) από τον μηχανικό (engineer) o συνφορουμίτης manos_89 εξέφρασε την παρακάτω άποψη:

Σαν προγραμματιστής που έχω δουλέψει 2 χρόνια σε πανεπιστήμιο εξωτερικού σε έρευνα, αλλά και από φίλους πληροφορικάριους που δουλεύουν σε γνωστά "ερευνητικά κέντρα", εντός και εκτός ελλάδας, η άποψη μου έχει διαμορφωθεί στο ότι το 99% της έρευνας που γίνεται είναι κουράδες, και το θέτω πολύ επιεικά.
Το ποσοστό είναι κατα προσέγγιση, αλλά όλος ο σκοπός της έρευνας όπως την έχω δει εγώ είναι το κυνήγι της χρηματοδότησης. Καμία ουσία, κανένα επιστημονικό ενδιαφέρον, τίποτα. Zero.

Σε άλλους τομείς, βιολογία, ιατρική και δεν ξέρω και γω που αλλού, το παραπάνω μπορεί να είναι εντελώς διαφορετικό.

Δεν είναι η πρώτη φορά που το ακούω αυτό και μάλιστα είναι και είναι και κάποιου είδους στερεότυπο ο ακαδημαικός που δεν έχει καμία επαφή με τον πραγματικό κόσμο. Είναι μια άποψη που λέγεται. Ακούγεται κυνική και διορατική, αλλά στην πραγματικότητα είναι νομίζω χτισμένη πάνω σε μια παρεξήγηση. Κρίνει την έρευνα σαν να είναι γραμμή παραγωγής προιόντων διότι η άποψη είναι πως πρέπει να δώσει ένα εμπορικό αποτέλεσμα στα επόμενα λίγα χρόνια. Αν δούμε όμως την ιστορία της επιστήμης τότε νομίζω είναι ξεκάθαρο πως οι τεχνολογίες που σήμερα θεωρούμε δεδομένες σπάνια προέκυψαν από ένα ξαφνικό άλμα. Ήταν το αποτέλεσμα δεκαετιών μικρών βημάτων, θεωρητικών ιδεών, "άχρηστων" πειραμάτων και σταθερής επίμονης δουλειάς που αθροίστηκε ώσπου να φτάσουμε σε σημείο καμπής.

Δυστυχώς από άλλα πεδία δεν μπορώ να ξέρω αρκετά και ένα deep dive θα μου έπαιρνε αρκετές εβδομάδες ώστε να μπορώ να γράψω κάτι σχετικά χρήσιμο όμως μίας και ο συμφορουμίτης σχολίασε συγκεκριμένα το computer science που είναι το πεδίο έρευνας μου νομίζω πως μπορώ να γράψω πέντε πράγματα που ίσως βοηθήσουν λίγο στην λύση αυτής της παρεξήγησης.

Το κείμενο αυτό θα έχει μερικές ορολογίες που ίσως ξενίσουν λίγο αναγνώστες που δεν έχουν σχέση/βαριούνται να ψάξουν, θα προσπαθήσω να το παρουσιάσω όσο πιο απλά γίνεται. Αν κάτι δεν είναι ξεκάθαρο ευχαρίστως να απαντήσω σε οποιαδήποτε ερώτηση. Προσπάθησα να κρατήσω αρκετά ελληνικά στην ορολογία και μπορεί σε μερικούς που γνωρίζουν να φαίνονται αστεία. Από παλιά ποστ έχω κρατήσει ότι προτιμάται η χρήση των ελληνικών και γι'αυτό το κάνω. Επίσης θέλω να κάνω σαφές ότι ενώ απλά ξεκίνησα από το σχόλιο του manos_89, το ποστ αυτό δεν αφορά εκείνον προσωπικά, είναι μία γενική θεώρηση.

Θα αρχίσω με ένα μικρό γραφικό παράδειγμα (εδώ το ολόκληρο: https://matt.might.net/articles/phd-school-in-pictures/) που έχει να κάνει με τα χρόνια του PhD αλλά νομίζω μπορεί να γενικευτεί στην έρευνα γενικότερα.

Ας φανταστούμε όλη την ανθρώπινη γνώση σαν έναν κύκλο:



Και ας χρωματίσουμε το πόσα μαθαίνουμε στο σχολείο, με μπλε το δημοτικό, με πράσινο το λύκειο, με ροζ το πτυχίο, μετά το μεταπτυχιακό. Με κόκκινο είναι το τι μαθαίνουμε διαβάζοντας επιστημονικές εργασίες που μας φέρνουν στην άκρη της γνώσης.



Όταν φτάσουμε εκεί συγκεντρώνουμε την προσπάθεια μας:



Και παλεύουμε να σπρώξουμε για μερικά χρόνια



Ώσπου τελικά τα καταφέρνουμε:



Όμως είναι σημαντικό να μην ξεχνάμε την μεγάλή εικόνα



Πώς λειτουργεί η έρευνα και γιατί παρεξηγείται

Η κριτική που έκανε ο manos_89 ότι δηλαδή η έρευνα "κυνηγάει χρηματοδότηση και δεν έχει κανένα επιστημονικό ενδιαφέρον" αποκαλύπτει μια θεμελιώδη παρανόηση. Αντιμετωπίζεται η έρευνα σαν να είναι προιόν σε παραγωγική αλυσίδα. Σαν να μπαίνει μια ερώτηση στη μία άκρη και να βγαίνει μια πατέντα στην άλλη. Αλλά η αλήθεια είναι ότι η έρευνα δουλεύει σε συνθήκες θεμελιώδους αβεβαιότητας:

- Ξεκινάς με ένα πρόβλημα που μπορεί να μην έχει λύση.
- Δοκιμάζεις ιδέες που μπορεί να αποτύχουν όλες.
- Οι επιτυχίες σου κρίνονται σε σχέση με προηγούμενη βιβλιογραφία (που απαιτεί μεγάλο κόπο για να κατανοήσεις πρώτα).
- Και όταν τελικά βγάλεις κάτι, δεν είναι πάντα κατανοητό αμέσως.

Ο στόχος δεν είναι να "πιάσεις στόχους", αλλά να επεκτείνεις την ανθρώπινη γνώση σε έναν τομέα που συχνά δεν ξέρει καν τι δεν ξέρει.

Η ερευνητική διαδικασία στην πράξη

Για να γίνει πιο απτό, ας σκεφτούμε πώς κινείται ένα μέσο project στην πληροφορική:

1. Βιβλιογραφική ανασκόπηση: διαβάζεις δεκάδες papers, για να βρεις πού βρίσκεται η άκρη της γνώσης.
2. Διατύπωση υπόθεσης: κάνεις μια εικασία, πχ ότι ένας νέος αλγόριθμος μπορεί να είναι πιο αποδοτικός.
3. Απόδειξη/πείραμα/μοντελοποίηση: γράφεις τύπους, προσπαθείς να κάνεις αναγωγές, υπολογίζεις bounds ή προγραμματίζεις.
4. Peer review και απόρριψη: πολλές φορές απορρίπτεται το paper και πάμε πάλι.
5. Παρουσίαση, ανατροφοδότηση, νέα ιδέα.

Αυτό το οικοσύστημα δεν έχει καμία σχέση με το πώς αντιλαμβάνονται την παραγωγή αξίας όσοι βρίσκονται σε ερευνητικό περιβάλλον και περίμεναν είτε χρήματα είτε εντυπωσιακά αποτελέσματα.

"Δεν καταλαβαίνω = δεν έχει αξία"

Πολλές φορές, η απαξίωση της έρευνας προκύπτει από έναν συγκαλυμμένο εγωκεντρισμό. Επειδή κάτι είναι δυσνόητο, επειδή απαιτεί μεγάλο θεωρητικό υπόβαθρο ή επειδή δεν παράγει κάτι άμεσα χρήσιμο για εμένα το βγάζω άχρηστο. Αυτή η στάση θυμίζει ανθρώπους που λένε ότι η μοντέρνα τέχνη "είναι κουράδες" επειδή δεν την καταλαβαίνουν. Αλλά αν δεχτούμε ότι η επιστήμη είναι κοινό κτήμα και συλλογική προσπάθεια, τότε δεν χρειάζεται εγώ προσωπικά να δω το νόημα σε κάθε paper. Χρειάζεται να εμπιστευτώ ότι λειτουργεί ένα σύστημα αξιολόγησης, επανάληψης, απόρριψης και αναθεώρησης που στατιστικά παράγει γνώση.

"Οι ερευνητές κυνηγάνε χρηματοδότηση"

Ναι, η χρηματοδότηση είναι μέρος της ερευνητικής διαδικασίας. Αλλά αυτό ισχύει για κάθε πρακτική ανθρώπινη δραστηριότητα. Το ότι πρέπει να γράψεις grant proposals, να διεκδικήσεις πόρους, να δώσεις λόγο για το ερευνητικό σου πρόγραμμα, δεν σημαίνει ότι η δουλειά σου είναι κενή περιεχομένου. Βασικά συμβαίνι ακριβώς το αντίθετο. Η ερευνητική χρηματοδότηση σε καλεί να τεκμηριώσεις γιατί το ερώτημα που θέτεις αξίζει να απαντηθεί, όχι απαραίτητα γιατί θα παράγει προιόν. Και εδώ εντοπίζεται η διαφορά με το R&D σε εταιρείες. Δεν στοχεύει στο άμεσο κέρδος αλλά στην επέκταση της γνώσης ακόμα κι αν δεν ξέρεις εκ των προτέρων πού θα οδηγήσει.

Αν θέλουμε να καταλάβουμε τι σημαίνει αυτό, ας ξεκινήσουμε από κάτι που ίσως ενδιαφέρει γενικότερα λόγω του hype. ΑΙ και Large Language Models.

Από μικρά βήματα στα LLMs

Το να μιλάς με ένα Large Language Model σήμερα είναι σχεδόν μαγικό. Αλλά η μαγεία αυτή δεν γεννήθηκε προχθές. Είναι απλά ένας ακόμα κρίκος μιας αλυσίδας ερευνητικών βημάτων που ξεκινά αρκετά παλιά αλλά για να μην κάνουμε πλήρη ιστορική αναδρομή, ας το πιάσουμε από τις αρχές της δεκαετίας του 1990. Στις αρχές εκείνης της δεκαετίας, το Latent Semantic Analysis (LSA) ήταν απλά ένα εργαλείο για document retrieval. Χρησιμοποιούσε κάποιες τεχνικές από αριθμητική ανάλυση ώστε να αναπαραστήσει λέξεις και κείμενα σε κοινό διανυσματικό χώρο. Κανείς δεν είχε στο νου του GPTs, αλλά η ιδέα ότι οι λέξεις μπορούν να αναπαρίστανται ως σημεία σε ένα χώρο ήταν η αρχή για όλα τα embeddings που ακολούθησαν. Το 2013, το word2vec άλλαξε εντελώς το πεδίο του Natural Language Processing (NLP). Ο Mikolov et al ( ) χρησιμοποίησαν νευρωνικά δίκτυα για να μάθουν context-aware embeddings. Από εκεί έχουμε τη διάσημη εξισωση: v("king") - v("man") + v("woman") = v("queen"). Δεν έλυνε κάποιο πρακτικό πρόβλημα, αλλά έδειχνε μια νέα ας το πούμε γλωσσική γεωμετρία (δεν ξέρω αν είναι δόκιμος ο όρος). Το 2014, ο Bahdanau μίλησε για το attention στο machine translation. Ο decoder μπορούσε να εστιάζει δυναμικά σε διαφορετικές κρυφές καταστάσεις του encoder κάτι που έλυσε το πρόβλημα μεγάλων προτάσεων και άνοιξε δρόμο για πιο γενικά μοντέλα. Το 2017, το "Attention is All You Need" κράτησε μόνο το attention. Ο transformer έκανε το training παραλληλίσιμο και μαζί με άλλα μπλιπλίκια, η πορεία ήταν θέμα κλίμακας και βελτίωσης. Κάθε βήμα φαινόταν απλά "τεχνικό" αλλά όλα μαζί όμως έκαναν τα LLMs εφικτά.

Λίγο πιο γενικά ιστορικά

Μετασχηματισμός Fourier
Το 1965, οι Cooley και Tukey παρουσίασαν τον Fast Fourier Transform (FFT). Στην εποχή τους, ήταν καθαρά μαθηματικό/υπολογιστικό εργαλείο και για δεκαετίες, ελάχιστοι εκτός μαθηματικών και μηχανικών σήματος ενδιαφέρθηκαν. Σήμερα, ο FFT είναι κρυμμένος σε κάθε JPEG, MP3, και streaming. Όταν συμπιέζεις μια εικόνα ή ένα τραγούδι, οι συντελεστές Fourier κάνουν τη δουλειά. Χωρίς τη θεωρητική δουλειά του 65, η ψηφιακή εικόνα και ήχος δεν θα ήταν εφικτά όπως τα ξέρουμε.

Θεωρία Ramsey και distributed computing
Η θεωρία Ramsey από τα 30s εξετάζει πόσο μεγάλο πρέπει να είναι ένα σύνολο για να εγγυάται ότι θα εμφανιστεί μια συγκεκριμένη δομή. Για δεκαετίες ήταν καθαρά θεωρητική. Βασικά ήταν χρήσιμη σε combinatorics και γραφήματα. Σήμερα, τα θεμελιώδη αποτελέσματά της εφαρμόζονται στην ασφάλεια distributed συστημάτων και στην ανοχή σε σφάλματα.

Θεωρία πληροφορίας
Το 1948, ο Claude Shannon δημοσίευσε το "A Mathematical Theory of Communication". Δεν υπήρχε καμία εμπορική εφαρμογή. Τα τηλέφωνα ήταν αναλογικά και φυσικά το internet δεν υπήρχε. Σήμερα, κάθε μορφή ψηφιακής επικοινωνίας (WiFi, 4G, 5G, Internet) στηρίζεται στις αρχές του Shannon. Όλη η ψηφιακή εποχή χρωστά σε έναν άνθρωπο που τότε έγραφε "άχρηστη" μαθηματική θεωρία.

Γενικά
Markov Chains (1906) -> PageRank, Google Search
Graph theory (Euler, 1736) -> δίκτυα, routing, logistics


Κρυπτογραφία: το παιχνίδι της υπομονής

Αυτό είναι το δικό μου πεδίο οπότε μπορώ να μιλήσω με πολύ μεγαλύτερη ευκολία και να απαντήσω σε ερωτήσεις. Η κρυπτογραφία δείχνει ακόμη πιο καθαρά γιατί η έρευνα δεν πρέπει να κρίνεται μόνο με βάση το άμεσο αποτέλεσμα.

Το 1976, οι Diffie και Hellman παρουσίασαν τον πρώτο αλγόριθμο δημόσιας ανταλλαγής κλειδιών. Δηλαδή για πρώτη φορά μπορούσες να ανταλλάξεις κλειδιά για κρυπτογράφηση χωρίς να χρειάζεται να συναντήσεις κάποιον. Είναι μία πολύ έξυπνη ιδέα, αλλά πρακτικά πολύ αργή. Το 1977, το RSA έκανε το ίδιο για την κρυπτογράφηση. Δηλαδή μπορούσες να πάρεις το δημόσιο κλειδί κάποιου και να του στείλεις ένα μυστικό μήνυμα και μόνο εκείνος με το ιδιωτικό κλειδί θα μπορούσε να το διαβάσει. Και τα δύο έμειναν για χρόνια σαν "θεωρητικές πολυτέλειες". Σήμερα είναι τα θεμέλια κάθε ασφαλούς σύνδεσης σε οτιδήποτε κάνεις στο internet.

Στα 80ς είχαμε μία τρομερή ανακάλυψη. Τις αποδείξεις μηδενικής γνώσης. Γενικά αν θέλω να αποδείξω κάτι σε κάποιον, τότε ο πιο έυκολος τρόπος είναι να του δείξω αυτό το κάτι. Τι γίνεται όμως αν δεν θέλω να αποκαλύψω αυτό το "κάτι"; Αν είναι μυστικό; Τα Zero Knowledge Proofs έδειξαν ότι μπορείς να αποδείξεις ότι ξέρεις κάτι χωρίς να το αποκαλύψεις. Για δεκαετίες ήταν απλά θεωρία. Σήμερα είναι τεχνολογικό θεμέλιο σε blockchains, ψηφιακές ταυτότητες, ιδιωτικές ψηφοφορίες κλπ.

Στα 90ς ο γίγαντας Ajtai παρουσίασε μία συγκεκριμένη δυσκολία σε ένα μαθηματικό πρόβλημα. Το 2005, ο Regev χρησιμοποίησε αυτό το γεγονός και πρότεινε το Learning With Errors, που έγινε βάση για post-quantum κρυπτογραφία. Δηλαδή για κρυπτογραφία που θα ήταν ασφαλής απέναντι σε κβαντικούς υπολογιστές. Η έρευνα πάνω σε αλγόριθμους κβαντικών υπολογιστών είναι ακόμα ένα παράδειγμα έρευνας που *ίσως* βρει έδαφος σε αρκετά χρόνια από τώρα.

Το 2009, ο Gentry παρουσίασε το Fully Homomorphic Encryption δηλαδή να μπορούμε να υπολογίσουμε οποιαδήποτε συνάρτηση σε κρυπτογραφημένα δεδομένα. Παράλληλα, το multi-party computation εξελίχθηκε από "α κοίτα τι μπορώ να κάνω εντελώς θεωρητικά" Yao (1982) μέχρι τώρα που έχουμε libraries, καθιστώντας ασφαλείς υπολογισμούς πραγματικότητα.

Κάθε μία από αυτές τις τεχνολογίες ήταν κάποτε "άχρηστη". Τώρα είναι αόρατες υποδομές του Internet.

Η έρευνα ως κατανόηση, όχι μόνο ως προiόν

Η οικονομική λογική θέλει την έρευνα να έχει "απόδοση επένδυσης". Αλλά η επιστήμη δεν γεννήθηκε για να παράγει προiόντα. Γεννήθηκε για να κατανοεί τον κόσμο. K κάνουμε υποθέσεις, τις ελέγχουμε, αποτυγχάνουν, μαθαίνουμε. Ο Kuhn μας λέει ότι τα μεγάλα άλματα (paradigm shifts) έρχονται σπάνια, και προετοιμάζονται από χρόνια κανονικής, "βαρετής" επιστήμης. Ο Feyerabend τόνισε ότι η έρευνα χρειάζεται ελευθερία να κινείται και σε "άχρηστες" κατευθύνσεις γιατί δεν ξέρουμε από πού θα έρθει η επόμενη ιδέα.

Η εικασία του Collatz μπορεί να μην φτιάξει ποτέ καλύτερα κινητά. Αλλά η προσπάθεια να λυθεί μπορεί να φέρει νέα εργαλεία στη θεωρία αριθμών, που θα βρουν εφαρμογή εκεί που δεν το περιμέναμε. Btw θεωρία αριθμών πρέπει να μελετούσαν οι άνθρωποι για 2000 χρόνια (από αρχαία Ελλάδα μέχρι Fermat, Euler, Gauss) μέχρι να βρει εφαρμογή στο RSA που λέγαμε πιο πάνω.

Για να το κάνω και λίγο προσωπικό, στην τελευταία μου δημοσίευση δημιουργήσαμε έναν καινούριο τύπο Pseudorandom Generator (γεννήτρια τυχαιότητας). H βασική εφαρμογή του είναι πως είναι ένα θεωρητικά πιο "απλό" αντικείμενο από τους παλιούς και άρα μπορείς να έχεις κάποια αποτελέσματα με μικρότερη πολυπλοκότητα. Είναι χρήσιμο αυτό; Δεν ξέρω, ο καιρός θα δείξει. Θα χρησιμοποιηθεί άμεσα στο UNIX για να παράγει τυχαίους αριθμούς; Φυσικά και όχι.

Ένα οικοσύστημα ιδεών

Όταν κρίνουμε την έρευνα από το σήμερα, το 99% της μπορεί να φαίνεται ασήμαντο. Αλλά χωρίς αυτό το 99%, δεν θα υπήρχε το 1% που αλλάζει τα πάντα. Και επειδή δεν ξέρουμε ποιο είναι αυτό το 1%, πρέπει να καλλιεργούμε ολόκληρο το οικοσύστημα.

Η έρευνα είναι ο σπόρος και το engineering είναι ο φρούτο. Κι αν κοιτάμε μόνο τα φρούτα τότε ξεχνάμε ότι κάποιος έπρεπε να φυτέψει το δέντρο χρόνια πριν.

Ευχαριστώ όποιον διάβασε Ώς συνήθως δεκτές προτάσεις για βελτίωση γραψίματος, ύφους, περιεχομένου κλπ Έχω παραλείψει αρκετά πράγματα ειδικά στο κομμάτι της σημασίας της κατανόησης του κόσμου γύρω μας αλλά επίσης έχω μάθει ότι όταν γίνεται πολύ μεγάλο το κείμενο τότε χάνω αρκετό κόσμο κάπου στη μέση

[BillyPao]

Πολύ ενδιαφέρον θέμα, έκανα ήδη μια 1η ανάγνωση του ποστ σου για να πάρω μια ιδέα για το περιεχόμενο του. Μου άρεσε ιδιαίτερα η ιδέα σου να παρουσιάσεις με τη βοήθεια κύκλων τα επίπεδα της γνώσης που κατακτάει κάποιος κατά τη διάρκεια της ζωής του. Ιδίως οι 2 τελευταίες απεικονίσεις πιστεύω ότι αντικατοπτρίζουν με πολύ κατανοητό τρόπο το πόσο σημαντικό μπορεί να είναι για κάποιον το να "σπρώξει" τη γνώση λίγο πιο πέρα από εκεί που βρισκόταν μέχρι τότε, υπενθυμίζοντας μας όμως ταυτόχρονα πως αυτή η επιπλέον γνώση εξακολουθεί να είναι μια "σταγόνα στον ωκεανό" της συνολικής γνώσης που υπάρχει. Θα προσπαθήσω να κάνω και μια πιο προσεκτική ανάγνωση του ποστ σου όταν έχω χρόνο, για να καταλάβω καλύτερα το περιεχόμενο του.

[ggr]

Νικόλα, επιχειρείς με όμορφο και ιδιαίτερο τρόπο να προσεγγίσεις το ζήτημα. Ο φίλος Μάνος ακούγεται πιο κυνικός αλλά πιστεύω ότι το γράφει, γιατί θεωρεί πως η σχέση της έρευνας με την οικονομία είναι αλληλένδετη περισσότερο από το παρελθόν. Ίσως να έχει "εμπορευματοποιηθει" σε κάποιο βαθμό και να μην είναι τόσο ποιοτική όσο παλιότερα. Γενικά, φαίνεται ότι βρισκόμαστε σε μια εποχή που το φαίνεσθαι παίζει καταλυτικό ρόλο και αν προωθήσουμε κάτι σωστά, αποκτά περισσότερη αξία από την πραγματική. Ελπίζω να γίνομαι κατανοητός. Κάθε αντίλογος δεκτός, μιας και ασχολείσαι περισσότερο από μένα με αυτό το κομμάτι και θα ήθελα να επισημάνεις πιθανό λάθος στα λεγόμενά μου.

[SteveNashidis]

Έχω μια απορία που θεωρώ είναι τελείως ηλίθια αλλά ίσως βρει μια λογική απάντηση από τον φίλο μας Αστέρι.

Γιατί πολλές φορές το τελικό προϊόν της έρευνας είναι απλησίαστο σε τιμή ή σε συνθήκες προσβασιμότητας και εισέρχεται σε άκαμπτους κανόνες καπιταλισμού ; Είναι σπάνιο άρα ακριβό κλπ.

Πχ το τάδε φάρμακο καρκίνου ή λύσεις για εύκολη υδροδότηση χωριών της Αφρικής;

Γιατί η έρευνα δεν προστατεύει το προϊόν ετσι ώστε να βοηθήσει το μεγαλύτερο μέρος του πληθυσμού που δεν βρίσκεται στην κατηγορία της τιμής που απευθύνεται σε λίγους;

[Spectator]

Λογικές απορίες αλλά όχι τόσο απλές απαντήσεις .
Άλλοι οι λόγοι για παράδειγμα για το κόστος φαρμάκων και άλλοι για υδροδότηση .

Και μόνο για τα φάρμακα δεν υπάρχουν απλές απαντήσεις .

Για παράδειγμα η κατάσταση εξαρτάται από το σύστημα υγείας . Άλλο το τελικό κόστος στον ασθενή εδώ που είμαι εγώ (NHS) και φαντάζομαι πολύ διαφορετικό στην Αμερική
Βρήκα γρήγορα αυτό το άρθρο που μάλλον τα βλέπει από αμερικανική σκοπιά αλλά εξηγεί κάποια πράγματα ( δεν πρόλαβα να το διαβάσω όλο )

https://pmc.ncbi.nlm.nih.gov/articles/P ... l%20trials)%20to%20gain%20approval.

[nikolas_asteri]

Πολύ ενδιαφέρον θέμα, έκανα ήδη μια 1η ανάγνωση του ποστ σου για να πάρω μια ιδέα για το περιεχόμενο του. Μου άρεσε ιδιαίτερα η ιδέα σου να παρουσιάσεις με τη βοήθεια κύκλων τα επίπεδα της γνώσης που κατακτάει κάποιος κατά τη διάρκεια της ζωής του.

Ευχαριστώ Μπίλυ αλλά δεν είναι δική μου η ιδέα. Έχω βάλει το λινκ που μπορείς να δεις το original.

[Conan1982]

Νομίζω για τα φάρμακα οι απαντήσεις είναι απλές. Όπως είναι το σύστημα τώρα την έρευνα για νέα φάρμακα την χρηματοδοτούν κυρίως ιδιωτικές φαρμακευτικές εταιρείες, με υψηλό κόστος. Όταν τελικά βγαίνει ένα νέο φάρμακο, αυτό προστατεύεται για κάποια χρόνια και οι εταιρείες προσπαθούν εκείνο το διάστημα να αποσβέσουν το κόστος για την έρευνα που έχει προηγηθεί (γι' αυτό και όλες τις άλλες ουσίες που έχουν αποτύχει και να μεγιστοποιήσουν το κέρδος.

Αν θέλαμε τα φάρμακα να είναι φθηνά θα έπρεπε να είναι όλες οι φαρμακευτικές εταιρείες μη κερδοσκοπικές, να χρηματοδοτούνταν από κάποιον φορέα που θα τους κάλυπτε τα κόστη, θα μπορούσε να εξασφαλίσει ότι θα ήταν εξίσου αποτελεσματικές χωρίς την επιδίωξη του κέρδους (που προσωπικά πιστεύω ότι γίνεται) και θα φρόντιζε αυτός να τα μοιράζει χωρίς να επιδιώκει το κέρδος.

[BillyPao]

Πολύ ενδιαφέρον θέμα, έκανα ήδη μια 1η ανάγνωση του ποστ σου για να πάρω μια ιδέα για το περιεχόμενο του. Μου άρεσε ιδιαίτερα η ιδέα σου να παρουσιάσεις με τη βοήθεια κύκλων τα επίπεδα της γνώσης που κατακτάει κάποιος κατά τη διάρκεια της ζωής του.

Ευχαριστώ Μπίλυ αλλά δεν είναι δική μου η ιδέα. Έχω βάλει το λινκ που μπορείς να δεις το original.

Αργότερα είδα το link και ότι δεν είναι δική σου ιδέα, απλά δεν μπορούσα πλέον να τροποποιήσω το ποστ μου. Όπως και να έχει, οπτικά τουλάχιστον η ιδέα της παρουσίασης με κύκλους μου άρεσε.

[nikolas_asteri]

Έχω μια απορία που θεωρώ είναι τελείως ηλίθια αλλά ίσως βρει μια λογική απάντηση από τον φίλο μας Αστέρι.

Γιατί πολλές φορές το τελικό προϊόν της έρευνας είναι απλησίαστο σε τιμή ή σε συνθήκες προσβασιμότητας και εισέρχεται σε άκαμπτους κανόνες καπιταλισμού ; Είναι σπάνιο άρα ακριβό κλπ.

Πχ το τάδε φάρμακο καρκίνου ή λύσεις για εύκολη υδροδότηση χωριών της Αφρικής;

Γιατί η έρευνα δεν προστατεύει το προϊόν ετσι ώστε να βοηθήσει το μεγαλύτερο μέρος του πληθυσμού που δεν βρίσκεται στην κατηγορία της τιμής που απευθύνεται σε λίγους;

Η ερώτηση δεν είναι καθόλου ηλίθια. Απλά πρέπει να ξεχωρίσεις τον ρόλο της έρευνας από τον ρόλο της εμπορικής εκμετάλλευσης. Η βασική έρευνα (αυτή που γίνεται σε πανεπιστήμια και ερευνητικά κέντρα) δεν παράγει προιόντα για πώληση. Παράγει γνώση, μεθόδους, τεχνολογίες, που στη συνέχεια μπορεί να αξιοποιηθούν εμπορικά. Από τη στιγμή που η τεχνολογία φτάσει σε ένα στάδιο κάποιας ωρίμανσης, μπαίνει σε άλλο πλαίσιο όπως πατέντες, αλυσίδες παραγωγής, ε και εκεί πια ισχύουν οι κανόνες της αγοράς.

Θα μιλήσω για τα φάρμακα επειδή ρώτησες με κίνδυνο να πω μπαρούφες απλά προσπαθώ να εφαρμόσω τις ίδιες αρχές με άλλες ιδέες. Τα πανεπιστήμια δεν πουλάνε φάρμακα (προφανώς). Δημοσιεύουν papers ή κάνουν licensing σε εταιρείες. Οι εταιρείες που παράγουν το τελικό προιόν έχουν κόστος παραγωγής, ρυθμιστικές απαιτήσεις, marketing, υποδομές διανομής κλπ οπότε (χωρίς να το πάμε σε άλλα πονηρά) η υψηλή τιμή οφείλεται σε οικονομικά μοντέλα και όχι σε απόφαση του ερευνητή. Γενικά υπάρχουν εξαιρέσεις όπως τα φάρμακα για HIV που ήταν πανάκριβα όταν βγήκαν, αλλά μετά πιέσεις από ΠΟΥ, generic παραγωγή στην Ινδία, και διεθνείς συμφωνίες μείωσαν το κόστος δραματικά. Ή πρόσφατα τα εμβόλια για COVID όπου η μαζική δημόσια χρηματοδότηση μείωσε το κόστος.Τώρα για το νερό δεν ξέρω αλλά συχνά οι λύσεις υπάρχουν (πχ filtration systems), αλλά η τιμή είναι εμπόδιο στα logistics, τη διανομή και την πολιτική βούληση.

Τα πανεπιστήμια μπορούν να κατέχουν IP (intellectual property) από έρευνα, αλλά συνήθως το licensing γίνεται σε εταιρείες. Στις ΗΠΑ, η Bayh-Dole Act (1980) έδωσε στα πανεπιστήμια το δικαίωμα να κατέχουν και να εμπορικοποιούν πατέντες που προκύπτουν από δημόσια χρηματοδότηση. Οπότε συνήθως: 1. Το πανεπιστήμιο δεν παράγει το προιόν (δεν έχει εργοστάσιο φαρμάκων ή GPU εργοστάσιο ξέρω γω). 2. Κάνει licensing σε εταιρεία που έχει τα μέσα για παραγωγή, έλεγχο ποιότητας, διανομή κλπ. 3. Οι εταιρείες τότε μπορούν να θέσουν τιμή σύμφωνα με ό,τι σκέφτονται.

Σε αυτά που ξέρω εγώ:
Η ανακάλυψη του RSA το 1977 από τους Rivest, Shamir, και Adleman στο MIT έγινε με δημόσια χρηματοδότηση. Το MIT κατοχύρωσε την πατέντα και την έδωσε με licensing στην εταιρεία RSA Security. Η IP είχε περιορισμούς στις ΗΠΑ λόγω πατέντας, αλλά διεθνώς ήταν ελεύθερο (και το PGP το εκμεταλλεύτηκε). Τα zero knowledge proofs που έγραψα πιο πάνω για δεκαετίες, δεν είχαν καμία εμπορική εφαρμογή. Πλέον πολλά πρωτόκολλα (πχ SNARKs, STARKs) βασίζονται σε ακαδημαική έρευνα με ανοικτές άδειες (MIT, Apache). Startups όπως Zama, Duality, Inpher, CryptoLab, φτιάχνουν υλοποιήσεις για fully homomorphic encryption. Οι βασικοί αλγόριθμοι παραμένουν ανοικτοί αλλά οι optimized υλοποιήσεις μπορεί να έχουν IP περιορισμούς. Γενικά υπάρχουν πολλά παραδείγματα όμως υπάρχει η θεμελιώδης διαφορά πως αυτά μπορούν να θεωρηθούν "ιδέες" και όχι κάτι "χειροπιαστό" όπως ένας σωλήνας που καθαρίζει το νερό ή ένα φάρμακο. Άρα ας σου αναφέρω ένα παράδειγμα από την άλλη μεριά.

Τα μαθηματικά της κρυπτογραφίας ελλειπτικών καμπυλών (ECC) αναπτύχθηκαν περίπου το 1985 με δημόσια έρευνα. Η πρακτική υλοποίηση και οι καμπύλες που χρησιμοποιούνται (όπως Curve25519, secp256r1) κατοχυρώθηκαν από διάφορες εταιρείες. Πχ η Certicom είχε ένα σωρό πατέντες πάνω στην ECC και είχε κλείσει licensing deals με εταιρείες όπως Apple και Microsoft. Ορισμένες από αυτές τις πατέντες ίσχυαν μέχρι πρόσφατα (καμία δεκαετία ίσως;) και εμπόδιζαν ελεύθερη χρήση συγκεκριμένων καμπυλών. Αυτός ήταν και ένας λόγος για τον οποίο το TLS πέρασε αργά σε ECC.

Θα μου πεις "και γιατί δεν κανονίζει ο ερευνητής ή το πανεπιστήμιο να κρατηθεί η τιμή χαμηλά;" και αυτό είναι μία πολύ καλή ερώτηση στην οποία δεν έχω απάντηση. Έχουμε το παράδειγμα της ινσουλίνης όπου ο Banting πούλησε το δίπλωμα ευρεσιτεχνίας για $1 στο University of Toronto, με την ιδέα ότι η ινσουλίνη ανήκει στον κόσμο. Ε μετά οι αρχικές φόρμουλες βελτιώθηκαν και οι νέες εκδόσεις κατοχυρώθηκαν με νέες πατέντες από φαρμακευτικές εταιρείες. Δεν μπορώ να μιλήσω για το σύνολο των ερευνητών δυστυχώς. Αν έπρεπε να κάνω κάποια υπόθεση θα ήταν μία μίξη φιλοδοξίας (θέλω να δω την ιδέα μου στον κόσμο), απληστίας, αδιαφορίας, ελπίδας (;) τύπου "ας βγει εκέι έξω έστω και ακριβά και σιγά σιγά θα πέσει η τιμή", και λογικά παίζονται και μεγαλύτερα παιχνίδια από πίσω.

Ελπίζω να σε διαφώτισα λίγο

[BillyPao]

Θα κάνω μια παρατήρηση με αφορμή την αρχική συζήτηση σχετικά με τη διαφορά του "ερευνητή" και του "μηχανικού", έστω και αν δε σχετίζεται άμεσα με το περιεχόμενο του ποστ του Νικόλα. Πιθανόν για αρκετούς από μας να είναι αρκετά δυσδιάκριτες οι διαφορές ανάμεσα σε όρους που μπορεί να φαίνονται παρεμφερείς ("ερευνητής", "επιστήμονας" κλπ.). Προσωπικά δε μου είναι πάντα εύκολο να διακρίνω τις διαφορές ανάμεσα σε αυτούς τους όρους, αλλά μπορώ να παρουσιάσω πολύ σύντομα πώς αντιλαμβάνομαι στο μυαλό μου κάποιους από αυτούς τους όρους. Ξεκινώντας από τον "μηχανικό", θεωρώ ότι αυτός ο όρος υποδηλώνει έναν επαγγελματία που ασχολείται με την πρακτική υλοποίηση μιας ιδέας με βάση θεωρητικές γνώσεις, σε συγκεκριμένους τομείς πάντα. Ως παράδειγμα θα μπορούσα να φέρω έναν μηχανικό αεροσκαφών που υλοποιεί τον σχεδιασμό ενός νέου τύπου αεροδυναμικού φτερού για αεροπλάνα. Από την άλλη, οι όροι "ερευνητής" και "επιστήμονας" μου φαίνονται πολύ παραπλήσιοι και στο μυαλό μου ουσιαστικά ταυτίζονται. Για μένα αυτοί οι όροι υποδηλώνουν κάποιον που κάνει έρευνα, στον τομέα είτε των θετικών είτε των θεωρητικών επιστημών. Θα μπορούσα για παράδειγμα να σκεφτώ έναν ερευνητή σε ένα μικροβιολογικό εργαστήριο ή έναν μελετητή κάποιου αρχαίου πολιτισμού. Ο όρος "ακαδημαϊκός" πάλι, στο μυαλό μου δηλώνει τον ερευνητή η επιστήμονα που παράλληλα διδάσκει σε κάποιο πανεπιστήμιο. Θα είχε ενδιαφέρον λοιπόν αν ο Νικόλας ή κάποιος άλλους μπορούσε να παρουσιάσει με απλό αλλά και κατανοητό τρόπο τις διαφορές που έχουν αυτοί οι όροι μεταξύ τους (ή και άλλοι παραπλήσιοι όροι αν το θεωρεί σκόπιμο), ώστε κάποιος που τους συγχέει να μπορεί να τους ξεκαθαρίσει στο μυαλό του.

[nikolas_asteri]

Θα κάνω μια παρατήρηση με αφορμή την αρχική συζήτηση σχετικά με τη διαφορά του "ερευνητή" και του "μηχανικού", έστω και αν δε σχετίζεται άμεσα με το περιεχόμενο του ποστ του Νικόλα. Πιθανόν για αρκετούς από μας να είναι αρκετά δυσδιάκριτες οι διαφορές ανάμεσα σε όρους που μπορεί να φαίνονται παρεμφερείς ("ερευνητής", "επιστήμονας" κλπ.). Προσωπικά δε μου είναι πάντα εύκολο να διακρίνω τις διαφορές ανάμεσα σε αυτούς τους όρους, αλλά μπορώ να παρουσιάσω πολύ σύντομα πώς αντιλαμβάνομαι στο μυαλό μου κάποιους από αυτούς τους όρους. Ξεκινώντας από τον "μηχανικό", θεωρώ ότι αυτός ο όρος υποδηλώνει έναν επαγγελματία που ασχολείται με την πρακτική υλοποίηση μιας ιδέας με βάση θεωρητικές γνώσεις, σε συγκεκριμένους τομείς πάντα. Ως παράδειγμα θα μπορούσα να φέρω έναν μηχανικό αεροσκαφών που υλοποιεί τον σχεδιασμό ενός νέου τύπου αεροδυναμικού φτερού για αεροπλάνα. Από την άλλη, οι όροι "ερευνητής" και "επιστήμονας" μου φαίνονται πολύ παραπλήσιοι και στο μυαλό μου ουσιαστικά ταυτίζονται. Για μένα αυτοί οι όροι υποδηλώνουν κάποιον που κάνει έρευνα, στον τομέα είτε των θετικών είτε των θεωρητικών επιστημών. Θα μπορούσα για παράδειγμα να σκεφτώ έναν ερευνητή σε ένα μικροβιολογικό εργαστήριο ή έναν μελετητή κάποιου αρχαίου πολιτισμού. Ο όρος "ακαδημαϊκός" πάλι, στο μυαλό μου δηλώνει τον ερευνητή η επιστήμονα που παράλληλα διδάσκει σε κάποιο πανεπιστήμιο. Θα είχε ενδιαφέρον λοιπόν αν ο Νικόλας ή κάποιος άλλους μπορούσε να παρουσιάσει με απλό αλλά και κατανοητό τρόπο τις διαφορές που έχουν αυτοί οι όροι μεταξύ τους (ή και άλλοι παραπλήσιοι όροι αν το θεωρεί σκόπιμο), ώστε κάποιος που τους συγχέει να μπορεί να τους ξεκαθαρίσει στο μυαλό του.

Είναι πολύ λογικό να μην σου είναι ευδιάκριτες οι διαφορές γιατί βασικά είναι αρκετά τα σημεία στα οποία θολώνουν τα όρια. Έχει να κάνει αρκετά κιόλας με το εκάστοτε πεδίο αλλά ακόμα και την γλώσσα. Τα παρακάτω εμπεριέχουν αρκετό προσωπικό bias οπότε πάρτα λίγο με προσοχή.

Πχ ο όρος "επιστήμονας" στα ελληνικά χρησιμοποιείται γενικά για κάποιον που έχει επιστημονική κατάρτιση (και ασχολείται έστω και λίγο με την γνώση). Ένας φυσικός, ένας γιατρός, ένας μαθηματικός, όλοι ονομάζονται "επιστήμονες" σχεδόν ανεξάρτητα από το αν κάνουν έρευνα, διδασκαλία ή πρατική. Στα αγγλικά όμως, το "scientist" νομίζω χρησιμοποιείται για κάποιον που κάνει βασική επιστημονική έρευνα, κυρίως στις φυσικές ή θετικές επιστήμες. Για παράδειγμα κάποιος που κάνει έρευνα στην πληροφορική θα λέγεται computer scientist αλλά όχι απλώς κάποιος που εργάζεται στον τομέα.

Ερευνητής και researcher είναι νομίζω σχεδόν ταυτόσημες έννοιες. Είναι κάποιος που κάνει έρευνα και μπορεί να είναι είτε σε ανθρωπιστικά είτε σε θετικά αντικείμενα.

Στην Ελλάδα, ο μηχανικός είναι ο κάτοχος διπλώματος πολυτεχνικής σχολής, και μπορεί να είναι πολιτικός μηχανικός, μηχανολόγος, ηλεκτρολόγος κλπ. Ο όρος παραπέμπει σε προστατευόμενο επάγγελμα με συγκεκριμένα δικαιώματα (υπογραφές, ηλιακά, άδειες δόμησης). Στα αγγλικά, όμως, engineer είναι ένας "τεχνικός επαγγελματίας" που κατασκευάζει, εφαρμόζει, βελτιστοποιεί κλπ. Έτσι έχουμε, software engineer, ML engineer, data engineer μπορεί να είναι και κάποιος με πτυχίο πληροφορικής, χωρίς να έχει τελειώσει πολυτεχνείο.

Τέλος ο ακαδημαικός είναι γενικά θεσμικός ρόλος. Είναι κάποιος που εργάζεται σε πανεπιστήμιο ή ερευνητικό ίδρυμα, συνήθως συνδυάζοντας έρευνα και διδασκαλία.

Αυτοί οι ρόλοι δεν είναι αλληλοαποκλειόμενοι. Πολλοί άνθρωποι μπορεί να έχουν πάνω από μία ιδιότητα ή να αλλάζουν ρόλο ανάλογα με το project. Ένας ερευνητής στο GoogleBrain πχ μπορεί να αποδεικνύει θεωρήματα αλλά και να γράφει κώδικα και να κάνει deployments. Όταν ήμουν διδακτορικός φοιτητής είχαμε έναν προγραμματιστή στο πανεπιστήμιο που η δουλειά του ήταν να γράφει κώδικα για τα πρωτόκολλα που σχεδιάζαμε. Λογικά με δάκρυα κι ιδρώτα θα μπορούσα να το κάνω κι εγώ αλλά ο Kent είναι τζιμάνι προγραμματιστής και έκανε τη δουλειά 10 φορές πιο γρήγορα και οι άλλοι μπορούν να αφοσιωθούν περισσότερο σε αυτό που ξέρουν καλύτερα.

[SteveNashidis]

Ποια επιστημονικά επαγγέλματα στην έρευνα θα χάσουν την δουλειά τους (αν γίνει αυτό) από την τεχνική νοημοσύνη Νικόλα;

[kein]

Ποια επιστημονικά επαγγέλματα στην έρευνα θα χάσουν την δουλειά τους (αν γίνει αυτό) από την τεχνική νοημοσύνη Νικόλα;

Οι Mods

[SteveNashidis]

Ποια επιστημονικά επαγγέλματα στην έρευνα θα χάσουν την δουλειά τους (αν γίνει αυτό) από την τεχνική νοημοσύνη Νικόλα;

Οι Mods

Αμήν και πότε

[nikolas_asteri]

Νικόλα, επιχειρείς με όμορφο και ιδιαίτερο τρόπο να προσεγγίσεις το ζήτημα. Ο φίλος Μάνος ακούγεται πιο κυνικός αλλά πιστεύω ότι το γράφει, γιατί θεωρεί πως η σχέση της έρευνας με την οικονομία είναι αλληλένδετη περισσότερο από το παρελθόν. Ίσως να έχει "εμπορευματοποιηθει" σε κάποιο βαθμό και να μην είναι τόσο ποιοτική όσο παλιότερα. Γενικά, φαίνεται ότι βρισκόμαστε σε μια εποχή που το φαίνεσθαι παίζει καταλυτικό ρόλο και αν προωθήσουμε κάτι σωστά, αποκτά περισσότερη αξία από την πραγματική. Ελπίζω να γίνομαι κατανοητός. Κάθε αντίλογος δεκτός, μιας και ασχολείσαι περισσότερο από μένα με αυτό το κομμάτι και θα ήθελα να επισημάνεις πιθανό λάθος στα λεγόμενά μου.

Ευχαριστώ Δεν διαφωνώ πως η έρευνα ειδικά στις πιο "εφαρμοσμένες" επιστήμες δεν είναι ποτέ τελείως αποκομμένη από την οικονομία και διάφορα κίνητρα χρηματοδότησης. Σε αυτό που θα διαφωνήσω είναι στο ότι αυτό έχει γενικά αλλοιώσει την ποιότητα ή την κατεύθυνση της έρευνας. Δηλαδή δεν είμαι τυφλός, βλέπω δομικές πιέσεις, αλλά δεν καθορίζουν παντού και πάντα το ερευνητικό έργο. Τα πανεπιστήμια και τα ερευνητικά κέντρα παραμένουν χώροι όπου μπορεί να γίνει ελεύθερη και βαθιά αναζήτηση (αρκεί να έχεις tenure ). Απλώς είναι λίγο αόρατη στον "απ'έξω" κόσμο όταν δεν έχει να κάνει με hype τεχνολογίες. Βάζω και τον εαυτό μου στον "απ'εξω κόσμο" ε; Δεν είναι ότι επειδή ξέρω πέντε πράγματα για το πεδίο μου και κάποια γύρω γύρω ξέρω ξαφνικά τι γίνεται παντού. Η επικοινωνία της έρευνας γενικά είναι πιο ήσυχη και πιο αργή.

Αυτό που λες πως "αν κάτι προωθηθεί καλά αποκτά μεγαλύτερη αξία από την πραγματική του" είναι επίσης σωστό όμως αφορά την επικοινωνία και όχι την ουσία της έρευνας. Δηλαδή οκ, μπορεί μια έρευνα να πλασαριστεί έξυπνα και να πάρει λεφτά που ίσως έπρεπε να πάνε αλλού, αλλά αυτό δεν σημαίνει ότι δεν γίνονται σε άλλα πεδία ουσιαστικές τομές χωρίς φανφάρες.

Τελικά δεν ξέρω αν σε διόρθωσα σε κάτι. Γενικά συμφωνώ εν μέρει με τον προβληματισμό σου, αλλά νομίζω ότι κινδυνεύουμε να μπλέξουμε την εμπορευματοποίηση της επικοινωνίας με την απαξίωση της ίδιας της επιστημονικής διαδικασίας. Δεν λέω πως αυτό ήθελες να κάνεις με το σχόλιο σου απλά αναφέρω μία "επικίνδυνη" επέκταση αυτής της ιδέας.

Ποια επιστημονικά επαγγέλματα στην έρευνα θα χάσουν την δουλειά τους (αν γίνει αυτό) από την τεχνική νοημοσύνη Νικόλα;

Σίγουρα όχι moderator σε ελληνικό αθλητικό φόρουμ Γενικά δεν έχω ιδέα γιατί πολύ απλά δεν ξέρουμε τι μπορεί να κάνει αυτό το μηχάνημα και πόσο γρήγορα θα βελτιωθεί. Επίσης δεν χρειάζεται να πας στην τεχνητή νοημοσύνη. Δες για παράδειγμα απλές δουλειές που θα μπορούσαν να κάνουν μηχανήματα αλλά ακόμα οι άνθρωποι δεν έχουν αντικατασταθεί. Υπάρχουν υπάλληλοι στα διόδια, στα σούπερ μάρκετ, σερβιτόροι/μπαρμαν, γραφειοκράτες κλπ

Αν πάμε στην τεχνητή νοημοσύνη ισχύει το ίδιο. Άλλο το τι μπορεί να κάνει η μηχανή, και άλλο τι θα την βάλουμε να κάνει. Παράδειγμα: Αφού έχουμε self driving αυτοκίνητα, θα μπορούσαμε με κάποιες παραλλαγές να έχουμε αυτόματα σκουπιδιάρικα. Το βλέπεις να γίνεται; Μπα. Το ίδιο για φορτηγατζήδες. Μετακομίζοντας πρόσφατα σε καινούρια χώρα χρειαζόμουν (πάλι) μεταφράσεις. Αναρωτιόμουν πως είναι δυνατόν να έχουν ακόμα οι μεταφραστές εγγράφων δουλειά και δεν γίνεται αυτόματα. Μετά έπρεπε να καταθέσω διάφορα έγγραφα για να ασφαλιστώ, και πρέπει κάποιος χριστιανός να τα πάρει από τον σωρό του, να τα δει, να τα εγκρίνει, να στείλει γράμμα πίσω ενώ μια μηχανή θα το έκανε σε 1 δευτερόλεπτο. Τα ίδια με την άδεια παραμονής της γυναίκας μου.

Υπάρχουν κάποιες δουλειές που επίσης θα μπορούσαν να τις κάνουν ρομπότ αλλά πρέπει να ληφθεί και το πόσο σημαντική είναι η ανθρώπινη επαφή όπως νοσοκόμοι και δάσκαλοι.

Γίνονται δειλά δειλά κάποιες αλλαγές (όπως τα ταξί στο Σαν Φρανσίσκο που είχα πει) και πιστεύω ότι χρειάζονται αρκετά λεφτά και πολιτική βούληση. Αλλά το πιο σημαντικό είναι πως δεν ξέρουμε ακόμα καν τι είναι τεχνητή νοημοσύνη*, δεν ξέρουμε καν τι είναι νοημοσύνη ώστε να μπορούμε να εξάγουμε τέτοια συμπεράσματα. Πρόσφατα κάποια μοντέλα έλυσαν προβήματα στην Ολυμπιάδα μαθηματικών που αντιστοιχούν σε χρυσό μετάλλιο. Αυτό είναι τρομερή εξέλιξη γιατί μέχρι προχθές αυτά τα μοντέλα ήταν απλά glorified autocomplete. Δεν είχαν "λογική". Τώρα μοιάζουν να έχουν κάποιου είδους reasoning; Ούτε οι δημιουργοί τους δεν ξέρουν Αν έχεις δοκιμάσει να γράψεις κώδικα με κάποιο LLM είναι σχεδόν μαγικό. Μέχρι να τα κάνει σκατά και μετά αν δεν ξέρεις τι γίνεται ώστε να το πιάσεις είσαι άσχημα μπλεγμένος Αλλά όλα αυτά βελτιώνονται και δεν ξέρω μέχρι που θα πάει.

Είναι πολύ εύκολο να σου πετάξω καμία παπάτζα τύπου "Θα κάνουν την χ δουλειά αλλά η ψ δουλειά είναι ασφαλής" αλλά η πραγματική απάντηση είναι πως κανείς δεν ξέρει γιατί δεν ξέρουμε αν αυτοί οι αλγόριθμοι παράγουν γνώση ή αν απλά είναι περίπλοκοι παπαγάλοι.

*stay tuned για το επόμενο σεντόνι