Det handler ikke om, hvad AI kan gøre for os, men om, hvad vi kan gøre for AI

De fleste ser på kunstig intelligens (AI) gennem en ensrettet linse. Teknologien eksisterer kun for at tjene mennesker og opnå nye niveauer af effektivitet, præcision og produktivitet. Men hvad nu, hvis vi mangler den anden halvdel af ligningen? Og hvad nu, hvis vi ved at gøre det kun forstærker teknologiens fejl?

AI er i sin barndom og står stadig over for betydelige begrænsninger i forstand, datakvalitet og forståelse af begreber som tillid, værdi og incitamenter. Skellet mellem nuværende evner og sand “intelligens” er betydeligt. Det gode nyheder? Vi kan ændre dette ved at blive aktive samarbejdspartnere snarere end passive forbrugere af AI.

Mennesker har nøglen til intelligent evolution ved at give bedre forstandsrammer, føde kvalitetsdata og brobygge tillidskløften. Som resultat kan mand og maskine arbejde side om side for en win-win – med bedre samarbejde genererer bedre data og bedre resultater.

Lad os overveje, hvad en mere symbiotisk relation kunne se ud og hvordan, som partnere, meningsfuldt samarbejde kan gavne begge sider af AI-ligningen.

Den nødvendige relation mellem mand og maskine

AI er uden tvivl fantastisk til at analysere store datasæt og automatisere komplekse opgaver. Teknologien er dog fundamentalt begrænset i at tænke som os. Først og fremmest kæmper disse modeller og platforme med at forstå beyond deres træningsdata. Mønstergenkendelse og statistisk forudsigelse er ingen problem, men den kontekstuelle dømmekraft og logiske rammer, vi tager for givet, er mere udfordrende at reproducerer. Denne forstandsfejl betyder, at AI ofte fejler, når den står over for nuancerede scenarier eller etiske domme.

Anden, er der “skrald ind, skrald ud” datakvalitet. Nuverende modeller er trænet på store mængder af information med og uden samtykke. Uverificerede eller fordomsfulde oplysninger bruges uanset korrekt tilskrivning eller autorisation, hvilket resulterer i uverificerede eller fordomsfulde AI. “Data-dieten” for modellerne er derfor tvivlsom på bedste og spredt på værste. Det er nyttigt at tænke på denne effekt i ernæringsmæssige termer. Hvis mennesker kun spiser junkfood, er vi langsomme og dovne. Hvis agenter kun forbruger ophavsret og anden håndsmaterialer, er deres præstation på samme måde hæmmet med output, der er upræcis, upålidelig og generel snarere end specifik. Dette er stadig langt fra den autonome og proaktive beslutningstagning, der er lovet i den kommende bølge af agenter.

Kritisk, er AI stadig blind for, hvem og hvad den interagerer med. Den kan ikke skelne mellem tilpassede og misjusterede brugere, kæmper med at verificere relationer og fejler i at forstå begreber som tillid, værdiafstemning og stakeholderincitamenter – kerneelementer, der regulerer menneskelige interaktioner.

AI-problemer med menneskelige løsninger

Vi skal tænke på AI-platforme, -værktøjer og -agenter mindre som tjenere og mere som assistenter, som vi kan hjælpe med at træne. For det første, lad os se på forstanden. Vi kan introducere nye logiske rammer, etiske retningslinjer og strategisk tænkning, som AI-systemer ikke kan udvikle alene. Gennem omhyggelig promptning og forsigtig overvågning kan vi supplere AI’s statistiske styrker med menneskelig visdom – lære dem at genkende mønstre og forstå de kontekster, der gør disse mønstre meningsfulde.

På samme måde, i stedet for at lade AI træne på hvilken som helst information, den kan skrabe fra internettet, kan mennesker kuraterer højere kvalitets datasæt, der er verificerede, diverse og etisk kilde.

Dette indebærer udvikling af bedre tilskrivningssystemer, hvor indholdsskabere bliver anerkendt og kompenseret for deres bidrag til træning.

Fremvoksende rammer gør dette muligt. Ved at samle online-identiteter under ét banner og beslutte, om og hvad de er komfortable med at dele, kan brugere udstyre modeller med zero-party information, der respekterer privatliv, samtykke og regler. Bedre endnu, ved at spore denne information på blockchain, kan brugere og modeludviklere se, hvor informationen kommer fra og kompensere skabere for at give denne ” nye olie“. Dette er, hvordan vi anerkender brugere for deres data og inddrager dem i informationsrevolutionen.

Til sidst, at brobygge tillidskløften, indebærer at udstyre modeller med menneskelige værdier og attituder. Dette indebærer design af mekanismer, der anerkender stakeholders, verificerer relationer og differentierer mellem tilpassede og misjusterede brugere. Som resultat hjælper vi AI med at forstå sin operationelle kontekst – hvem der har gavn af dens handlinger, hvad der bidrager til dens udvikling og hvordan værdi flyder gennem systemerne, den deltar i.

For eksempel, agenter bakket op af blockchain-infrastruktur er ret gode til dette. De kan anerkende og prioritere brugere med demonstreret økosystem-køb-ind, gennem rygte, sociale påvirkninger eller token-ejerskab. Dette tillader AI at tilpasse incitamenter ved at give mere vægt til stakeholders med hud i spillet, skabende regeringsystemer, hvor verificerede støtter deltar i beslutningstagning baseret på deres niveau af engagement. Som resultat forstår AI dybere sin økosystem og kan træffe beslutninger, der er informeret af ægte stakeholder-relationer.

Tab ikke sight of det menneskelige element i AI

Meget er blevet sagt om opkomsten af denne teknologi og hvordan den truer med at omvælte industrier og udslette job. Men ved at indbygge sikkerhedsforanstaltninger kan vi sikre, at AI supplerer snarere end overstyrer den menneskelige oplevelse. For eksempel, de mest succesfulde AI-implementeringer erstatter ikke mennesker, men udvider, hvad vi kan opnå sammen. Når AI håndterer rutineanalyse og mennesker giver kreative retninger og etiske overvågning, bidrager begge sider med deres unikke styrker.

Når det er gjort rigtigt, lover AI at forbedre kvaliteten og effektiviteten af utallige menneskelige processer. Men når det er gjort forkert, er det begrænset af tvivlsomme datakilder og ligner kun intelligens snarere end viser ægte intelligens. Det er op til os, den menneskelige side af ligningen, at gøre disse modeller smartere og sikre, at vores værdier, dømmekraft og etik bliver i hjertet af dem.

Tillid er uafviselig for, at denne teknologi kan gå mainstream. Når brugere kan verificere, hvor deres data går, se, hvordan det bruges, og deltage i den værdi, det skaber, bliver de villige partnere snarere end uvillige subjekter. På samme måde, når AI-systemer kan udnytte tilpassede stakeholders og transparente data-pipelines, bliver de mere troværdige. I retur er de mere sandsynligt at få adgang til vores vigtigste private og professionelle rum, skabende en flywheel af bedre dataadgang og forbedrede resultater.

Så, når vi går ind i denne næste fase af AI, lad os fokusere på at forbinde mand og maskine med verificerede relationer, kvalitetsdatakilder og præcise systemer. Vi skal spørge ikke, hvad AI kan gøre for os, men hvad vi kan gøre for AI.