Det handlar inte om vad AI kan göra för oss, utan vad vi kan göra för AI

De flesta ser på artificiell intelligens (AI) genom ett ensidigt perspektiv. Teknologin existerar bara för att tjäna människor och uppnå nya nivåer av effektivitet, precision och produktivitet. Men vad om vi missar hälften av ekvationen? Och vad om, genom att göra så, vi bara förstärker teknologins brister?

AI är i sin linda och står fortfarande inför betydande begränsningar när det gäller resonemang, datakvalitet och förståelse av begrepp som tillit, värde och incitament. Klyftan mellan nuvarande förmågor och riktig “intelligens” är betydande. Det goda nyheterna? Vi kan ändra på detta genom att bli aktiva samarbetspartner snarare än passiva konsumenter av AI.

Människor har nyckeln till intelligent evolution genom att tillhandahålla bättre resonemangsramar, mata in kvalitetsdata och överbrygga tillitsgapet. Som ett resultat kan människa och maskin arbeta sida vid sida för en vinst-vinst – med bättre samarbete som genererar bättre data och bättre resultat.

Låt oss överväga vad en mer symbiotisk relation skulle kunna se ut och hur, som partners, meningsfullt samarbete kan gynna båda sidor av AI-ekvationen.

Den nödvändiga relationen mellan människa och maskin

AI är utan tvekan bra på att analysera stora datamängder och automatisera komplexa uppgifter. Men teknologin förblir grundläggande begränsad i att tänka som vi. Först, dessa modeller och plattformar kämpar med resonemang utöver sin träningsdata. Mönsterigenkänning och statistisk förutsägelse utgör inget problem, men den kontextuella bedömningen och de logiska ramarna som vi tar för givet är svårare att replikera. Detta resonemangsgap innebär att AI ofta sviktar när den ställs inför nyanserade scenarier eller etiska bedömningar.

Sedan finns det “skräp in, skräp ut” datakvalitet. Nuvarande modeller tränas på stora mängder information med och utan samtycke. Overifierad eller partisk information används oavsett korrekt tillskrivning eller auktorisation, vilket resulterar i overifierad eller partisk AI. “Data-dieten” för modellerna är därför tvivelaktig på bästa sätt och spridd på sämsta sätt. Det är hjälpsamt att tänka på denna påverkan i näringsmässiga termer. Om människor bara äter skräpmat, är vi långsamma och slöa. Om agenter bara konsumerar upphovsrätt och andrahandsmaterial, är deras prestanda lika hämmad med utdata som är inkorrekt, opålitlig och allmän snarare än specifik. Detta är fortfarande långt ifrån den autonoma och proaktiva beslutsfattningen som utlovats i den kommande vågen av agenter.

Kritiskt, AI är fortfarande blind för vem och vad den interagerar med. Den kan inte skilja mellan anpassade och missanpassade användare, kämpar för att verifiera relationer och misslyckas med att förstå begrepp som tillit, värdeutbyte och intressentincitament – kärnelement som styr mänskliga interaktioner.

AI-problem med mänskliga lösningar

Vi måste tänka på AI-plattformar, verktyg och agenter mindre som tjänare och mer som assistenter som vi kan hjälpa till att träna. Först och främst, låt oss titta på resonemang. Vi kan införa nya logiska ramverk, etiska riktlinjer och strategiskt tänkande som AI-system inte kan utveckla på egen hand. Genom tankeväckande uppmaningar och noggrann tillsyn kan vi komplettera AI:s statistiska styrkor med mänsklig visdom – lära dem att känna igen mönster och förstå de sammanhang som gör dessa mönster meningsfulla.

Likaså, snarare än att tillåta AI att träna på vilken information den kan skrapa från internet, kan människor kurera högkvalitativa datamängder som är verifierade, diversifierade och etiskt källbelagda.

Detta innebär att utveckla bättre tillskrivningssystem där innehållsskapare erkänns och kompenseras för sina bidrag till utbildning.

Nya ramverk gör detta möjligt. Genom att förena online-identiteter under en banner och bestämma om och vad de är bekväma med att dela, kan användare utrusta modeller med nollpartsinformation som respekterar sekretess, samtycke och regler. Bättre än så, genom att spåra denna information på blockkedjan, kan användare och modellskapare se var informationen kommer från och kompensera skaparna för att tillhandahålla denna “nya olja”. Detta är hur vi erkänner användare för deras data och involverar dem i informationsrevolutionen.

Slutligen, att överbrygga tillitsgapet innebär att utrusta modeller med mänskliga värderingar och attityder. Detta innebär att utforma mekanismer som erkänner intressenter, verifierar relationer och differentierar mellan anpassade och missanpassade användare. Som ett resultat hjälper vi AI att förstå sitt operativa sammanhang – vem som drar nytta av dess handlingar, vad som bidrar till dess utveckling och hur värde flyter genom systemen den deltar i.

Till exempel, agenter som backas upp av blockkedje-infrastruktur är ganska bra på detta. De kan känna igen och prioritera användare med demonstrerad ekosystem-engagemang genom rykte, socialt inflytande eller token-innehav. Detta tillåter AI att anpassa incitament genom att ge mer vikt till intressenter med hud i spelet, skapa styrningssystem där verifierade anhängare deltar i beslutsfattande baserat på deras engagemangsnivå. Som ett resultat förstår AI djupare sitt ekosystem och kan fatta beslut som är informerade av äkta intressent-relationer.

Förlora inte sikte på den mänskliga faktorn i AI

Mycket har sagts om den här teknologins uppgång och hur den hotar att omvandla branscher och utplåna jobb. Men genom att bygga in skyddsanordningar kan vi säkerställa att AI kompletterar snarare än åsidosätter den mänskliga upplevelsen. Till exempel, de mest framgångsrika AI-implementeringarna ersätter inte människor, utan utökar vad vi kan uppnå tillsammans. När AI hanterar rutinanalys och människor tillhandahåller kreativ riktning och etisk tillsyn, bidrar båda sidor med sina unika styrkor.

När det görs rätt, lovar AI att förbättra kvaliteten och effektiviteten i otaliga mänskliga processer. Men när det görs fel, är det begränsat av tvivelaktiga datakällor och imiterar intelligens snarare än visar verklig intelligens. Det är upp till oss, den mänskliga sidan av ekvationen, att göra dessa modeller smartare och säkerställa att våra värderingar, bedömningar och etik förblir i deras hjärta.

Tillit är ovillkorlig för att denna teknik ska bli mainstream. När användare kan verifiera var deras data går, se hur den används och delta i den värde den skapar, blir de villiga partners snarare än ovilliga ämnen. Likaså, när AI-system kan utnyttja anpassade intressenter och transparenta datapipeliner, blir de mer pålitliga. I gengäld är de mer benägna att få tillgång till våra viktigaste privata och professionella utrymmen, skapande en effekt av bättre dataåtkomst och förbättrade resultat.

Så, när vi går in i denna nästa fas av AI, låt oss fokusera på att ansluta människa och maskin med verifierbara relationer, kvalitetsdatakällor och precisa system. Vi bör fråga oss inte vad AI kan göra för oss, utan vad vi kan göra för AI.