Wywiad z dr hab. Michałem Bernardelli, prof. SGH „Integracja człowieka i sztucznej inteligencji”

Transkrypcja wywiadu:

Kamil Maciąg (Fundacja TYGIEL): Dzień dobry Panie Profesorze, jest z nami Pan doktor habilitowany Michał Bernardelli, profesor Szkoły Głównej Handlowej. Panie Profesorze, uzyskał Pan stopień naukowy doktora z zakresu matematyki, stopień naukowy doktora habilitowanego w dziedzinie nauk ekonomicznych, a poza tym dużą część swojego życia poświęcił Pan na biegi długodystansowe. Kim się Pan obecnie czuje?

Dr hab. Michał Bernardelli: Jeszcze takie uzupełnienie, bo tytuł zawodowy magistra uzyskałem z matematyki i informatyki. Ten doktorat z matematyki to jest coś pomiędzy matematyką a informatyką – taka matematyka stosowana. Habilitacja z ekonomii również była ukierunkowana na zastosowania, obliczenia, analizy, a ta dyscyplina związana z treningami, średnio-, a potem już długodystansowymi, pozwoliła mi i pozwala nadal na przykład dłużej siedzieć i pracować nad czymś, ale też koncentrować się znacznie lepiej niż pewnie przeciętna osoba. Chociaż trochę tęsknię za tymi treningami systematycznymi. Wydaje mi się, że na pewnym etapie ludzie z powrotem wracają i te proporcje się zmieniają pomiędzy badaniami, dydaktyką, organizacją a po prostu takim czasem wolnym czy hobby, sportem, aktywnością fizyczną. Więc stąd od razu zachęcam, żeby to łączyć, gdyż badania dowodzą, że dotleniony mózg pracuje znacznie lepiej.

Kamil Maciąg (Fundacja TYGIEL): Jaki jest Pana główny naukowy problem badawczy?

Dr hab. Michał Bernardelli: Aktualnie nie mam jednego, gdyż współcześnie interdyscyplinarność wymaga składania grup badaczy. Oczywiście takie jednoosobowe armie nadal istnieją, ale nie są aż tak efektywne we współczesnym świecie, dotarło to też do świata nauki. W związku z tym aktualnie współpracuję przynajmniej z trzema zespołami, za każdym razem wykorzystując swoje umiejętności analityczne, więc z jednej strony jest to praca stricte ukierunkowana na algorytmy z zakresu machine learning, sztucznej inteligencji i generatywnej sztucznej inteligencji, jak też zastosowanie ich w rozwiązywaniu różnego rodzaju problemów optymalizacyjnych, predykcyjnych, tudzież w jakiejś może nie tyle optymalizacji, co wyciąganiu danych albo wyciąganiu wniosków z danych, ale w nieco bardziej zaawansowany sposób, na przykład wykrywanie pewnych wzorców, które byłoby ciężko zaobserwować bez tych algorytmów własnoręcznie czy własnoocznie. Z drugiej strony – jest to cała masa rzeczy związanych z symulacjami komputerowymi, na przykład w zakresie podatków i w ogóle systemu opodatkowania, ale też ekologizacji albo cen transferowych, wyceny przedsiębiorstw – tam, gdzie tych danych pojawia się bardzo dużo. No i trzeci z takich obszarów – jest to stricte ekonometryczne podejście, które pozwala na prognozę aktualnego stanu gospodarki bądź przyszłego stanu gospodarki, choć to trochę brzmi dziwnie, że prognoza „aktualnego stanu” – tak, my też nie wiemy, co się dzieje aktualnie, i to też de facto trzeba prognozować. Rewizje sięgają nawet dwóch lat wstecz, czyli jeżeli napłyną wszystkie te dane i poznanie tego, co się dzieje teraz, poznanie tego, co było kiedyś, to część osób twierdzi, że to jest nauka, natomiast patrzenie w przyszłość to jest sztuka, więc nie wiem, czy powinniśmy w tę stronę iść, natomiast faktycznie bardzo trudne jest nawet określenie tego, co jest aktualnie, a nie tylko tego, co będzie w przyszłości, a idealnie oczywiście byłoby, gdybyśmy potrafili uczyć się na błędach bądź wnioskować na podstawie przeszłych danych i podejmować znacznie lepsze decyzje na temat przyszłych naszych działań i też oceny regulacji, oceny skutków, oceny tego, co nastąpi zarówno z punktu widzenia ekonomii, finansów, jak i społecznych skutków, bo one są znacznie bardziej doceniane we współczesnym świecie. Czyli nie tylko numerki, ale też widzimy za tym jakiegoś człowieka bądź organizację.

Kamil Maciąg (Fundacja TYGIEL): W kontekście obecnego rozwoju technologii, gdzie coraz szybciej jesteśmy w stanie przetwarzać informacje, tak naprawdę ostatnie lata to jest znak sztucznej inteligencji, coraz większych możliwości obliczeniowych – jak to wpływa na modele predykcyjne, które są realizowane, no i ocenę tego dzisiejszego stanu wiedzy, bo teoretycznie zmierzamy do tego, żeby ten okres rewizji był coraz krótszy. Jak Pan to ocenia w najbliższej przyszłości?

Dr hab. Michał Bernardelli: Tutaj progres rzeczywiście jest imponujący, natomiast natrafiliśmy na pewnego rodzaju barierę, która jest związana ze zbyt dużą ilością informacji. To znaczy rozwój sprzętu bądź technologii, ale takiej sprzętowej, infrastrukturalnej i procesowej, jest bardzo duży, a wraz z tym idą również ludzkie potrzeby. Podam przykład. Kiedyś na dyskietce zmieściły się wszystkie dzieła Szekspira, a na płycie DVD cała Wikipedia, nie licząc obrazków. Aktualnie w telefonie mamy znacznie więcej miejsca i jak ktoś zrobi serię zdjęć z wakacji, to już to zajmuje znacznie więcej miejsca. Filmy, które kręcimy, są już w jakości znacznie wyższej niż było to kiedyś, więc oczywiście te możliwości mamy, ale one nadal są niewystarczające, bo te nasze potrzeby stale rosną. No i potrzeby rosną też w związku z analizą danych, bo gdybyśmy mieli taką samą ilość danych, która była kiedyś, a także możliwości komputerowe, to w ogóle nie mielibyśmy żadnego problemu. Natomiast mamy znacznie więcej danych i też danych zafałszowanych, więc nie wiemy, które z nich są w ogóle istotne. W związku z tym trafiliśmy na zupełnie inny obszar badań, który ma na celu najpierw „odcedzenie” tego, co jest istotne, a to jest szczególnie ważne dla psychiki ludzkiej, ponieważ o ile progres technologiczny może przyspieszyć, jak bardzo chcemy, o tyle jednak ludzie nie rozwijają się tak samo szybko. My potrzebujemy czasu na to, żeby się przyzwyczaić, i stąd między innymi generatywna sztuczna inteligencja, duże modele językowe, którymi się zachłysnęliśmy, one tak łatwo nie będą adaptowalne w przedsiębiorstwach, w społeczeństwie, w działaniach rządowych, bo co z tego, że istnieje taka możliwość, skoro większość ludzi nie będzie potrafiła z niej skorzystać. Stąd oczywiście te badania idą bardzo mocno i są ukierunkowane na to, żeby to wyciągnąć, a z drugiej strony chyba drugie tyle badań prowadzi się, aby ustalić, jak zabezpieczyć się, żeby nie dostawać informacji niesprawdzonych, a te informacje są faktycznie niesprawdzone. No bo taki ChatGPT OpenAI udzieli nam informacji w większości przypadków, ale czy ona jest wiarygodna? No nie, nie jest wiarygodna. W niektórych obszarach będzie znacznie bardziej wiarygodna niż w innych. W niektórych wręcz możemy być pewni, że tak jest. Jeżeli zapytamy o coś z jakiegoś ustabilizowanego kulturowo i historycznie dzieła, to nie będzie z tym problemu, ale spróbujmy zadać mu zadanie z matematyki, dokładnie to samo zadanie z matematyki spróbujmy zadać mu kilka razy – możemy dostać kilka różnych odpowiedzi i żadna z nich nie będzie poprawna. Czyli nadal jest jeszcze cała masa badań przed nami, więc to nie jest tak, że ludzie przestają być potrzebni. Niemniej jednak możliwości zrobiły się znacznie większe, i to zarówno w zakresie diagnostyki badań, w zakresie badań społecznych, w zakresie badań historycznych wręcz, archeologii, jak i badań kosmosu, a nie tylko w zakresie badań stricte chemiczno-fizycznych, gdzie wiadomo, że ten progres już wcześniej był wykorzystywany, chociaż tam akurat ta sztuczna inteligencja jest wykorzystywana w inny sposób, niż ludzie sobie to wyobrażają. Ona oczywiście przyspiesza czy selekcjonuje w znacznie lepszy sposób potencjalne związki, próbuje odkryć reakcje różnych związków, które można byłoby wykonać w nieco inny sposób, chociażby dlatego, że zostały opatentowane i musimy to zrobić innym sposobem, bo tego nie możemy wykorzystać. Dla przeciętnej osoby sztuczna inteligencja będzie się manifestowała raczej w udogodnieniach aplikacyjno-technologicznych, w takich małych bądź dużych urządzeniach, urządzeniach AGD, w zegarkach, które nosimy – tam będzie ten progres dla nas najbardziej widoczny. Z punktu widzenia naukowców możliwości rzeczywiście są dużo większe, bo jeżeli weźmiemy obszar badań, którym się zajmujemy, to przypuszczalnie można po prostu zoptymalizować i przyspieszyć te badania albo uzyskać dodatkowe informacje. Tutaj podam dwa przykłady. Pierwszy przykład to analiza tekstów. Nie ma szans, żeby ludzie byli w stanie przeczytać i skonsumować tyle tekstów, ile aktualnie powstaje, szczególnie że część z nich jest generowana automatycznie. W związku z tym będzie taki wyścig – mamy generowane automatycznie teksty, no to teraz spróbujmy je automatycznie streścić po to, żeby zrozumieć, co w nich jest. Na pytanie, ile jest takich nowych rzeczy, nie potrafię udzielić odpowiedzi, ale obiecałem dwa przykłady, więc ten drugi przykład: to nie są tylko ogólnie pojęte analizy tekstów, ale również niesamowity progres związany z algorytmami, które służą do prognozy różnego rodzaju szeregów czasowych. I tu nastąpiła diametralna zmiana, ponieważ klasyczne metody były udoskonalane, one są coraz bardziej wyrafinowane i my tam mamy pełną kontrolę nad tym, co się dzieje. Tutaj trafiliśmy na niepowtarzalną możliwość wykorzystania dużej mocy obliczeniowej, która sprawdza wszystkie możliwości nadal nieosiągalne dla człowieka. Spośród nich wybiera – to będzie ten najlepszy sposób. I ten najlepszy sposób to może być taka decyzja, taka prognoza, czasami nie prognoza, lecz foresight, przewidywanie, które ciężko jest uzasadnić. Czyli ten nacisk będzie już nie na to, że my mamy ten wynik, tylko dlaczego ten wynik jest. Będziemy chcieli wytłumaczyć, dlaczego został uzyskany. I stąd rozwijająca się następna działka na generatywnej sztucznej inteligencji, ale też w ogóle na sztucznej inteligencji, to jest interpretowalna sztuczna inteligencja, czyli: super, dałeś nam odpowiedź a teraz chciałbym zrozumieć, dlaczego tak to nastąpiło, dlaczego jest taka odpowiedź i co w tym siedzi.

Kamil Maciąg (Fundacja TYGIEL): Czyli wpadamy w pewnego rodzaju spiralę potrzeb, możliwości oraz nadmiaru danych, i de facto za chwilę może się okazać, że brakuje narzędzia, które byłoby w stanie tymi danymi zarządzać? Dobrze to rozumiem?

Dr hab. Michał Bernardelli: To nawet nie chodzi tylko o zarządzanie tymi danymi, chodzi o ich odpowiednią selekcję, dlatego że, tak porównując na przestrzeni czasów, dziennie przyjmujemy teraz znacznie więcej informacji niż człowiek czasów średniowiecza czy wcześniejszy przez całe swoje życie. No i nawet jeżeli nasze mózgi się rozwinęły, to ta ewolucja następuje całymi pokoleniami, a my teraz na przestrzeni jednego pokolenia trafiamy na tak diametralne zmiany, taką rewolucję (i to nie jest rewolucja na poziomie Internetu, ale rewolucja na poziomie sztucznej inteligencji), że czasu na przystosowanie się do tych zmian po prostu nie mamy. To znaczy: jak się ktoś czegoś nauczy, to już w tym czasie powstaje coś nowego. No i ta stabilność jest po prostu niezwykle potrzebna ludziom. Z pewnością jest to niesamowity obszar badań dla psychologów, socjologów, ale też dla politologów, no bo trzeba pamiętać, że można takimi ludźmi – łatwiej lub trudniej, ale jednak – manipulować. Jeżeli więc myślimy o takich dużych ilościach danych, to my tych danych już mamy całą masę i potrafimy je nawet zapisać. Na razie tylko nie wiemy, jak je wykorzystać, ale jednocześnie nie wiemy też, czy chcielibyśmy albo czy powinniśmy je wykorzystywać. Tutaj chyba doskonałym przykładem jest to, że przypuszczalnie potrafilibyśmy już sklonować człowieka, ale podjęliśmy decyzję, że nie powinniśmy tego robić. No i na ten sam problem trafiamy tutaj. Mamy dane o wszystkich ludziach, łącznie z danymi medycznymi (za chwilę będziemy mieli na całym świecie), a w niektórych krajach mamy więcej danych niż w innych. Teraz pytanie: czy powinniśmy w ogóle z nich korzystać, czy to jest etyczne i moralne? Ten aspekt moralności, etyczności tych działań również jest poruszany i powinien być poruszany. To jest następna działka. Jeżeli myślimy, że sztuczna inteligencja to tylko informatycy – jest to nieprawda. Większość naukowców to nie informatycy, którzy zajmują się wyłącznie rozbudową algorytmów czy budową jakichś podejść, aplikacji, które pozwalają potem korzystać z tych osiągnięć. Cała masa badań idzie właśnie w stronę tego, w którym kierunku powinno się to rozwijać, jak powinno się to rozwijać, jak szybko powinno się rozwijać i czy nie należy jakoś tego regulować, no bo przypuszczalnie jakieś regulacje powinny nastąpić, jednak nie mogą być zbyt restrykcyjne, bo trzeba sobie jasno powiedzieć, że część krajów, wiadomo, nie przystąpi do żadnych porozumień, a to jest związane również z całym sektorem wojskowości i obronności kraju, a tam moralność schodzi jednak na drugi plan, w związku z czym wypośrodkowanie pomiędzy tym, co powinniśmy, a co musimy zrobić, na pewno nie jest łatwe, dlatego decydenci powinni mieć obraz sytuacji z różnych obszarów nauki, zarówno społecznych, jak i ekonomicznych, finansowych, ale również stricte technologicznych – tutaj zachęcam do interdyscyplinarnych badań, aby nie pominąć żadnego z tych obszarów, bo pominięcie jednego z nich może się okazać bardzo brzemienne w skutkach w przyszłości.

Kamil Maciąg (Fundacja TYGIEL): Czy widzi Pan szeroko rozumianą sztuczną inteligencję i człowieka jako partnerów, czy bardziej na zasadzie takiej, że człowiek stara się stosować sztuczną inteligencję jako narzędzie? W jakiej korelacji by Pan widział te dwie jednostki?

Dr hab. Michał Bernardelli: Póki co na poziomie science fiction jest świadoma sztuczna inteligencja. Faktycznie ta sztuczna inteligencja istnieje już pięćdziesiąt lat. Ona zrobiła się modna i na ogół w mediach używamy tego określenia jako synonimu generatywnej sztucznej inteligencji, czyli takiej, która potrafi stworzyć coś, wprawdzie nie z niczego, bo ona została nauczona – jednak na czymś – ale może stworzyć stosunkowo nowe rzeczy, które są naprawdę w bardzo wielu obszarach przydatne. Jest to jakaś kompilacja wykonana bardzo często lepiej, niż jakby to zrobił człowiek, a na pewno szybciej. Z tego punktu widzenia to jest jednak narzędzie i powinno być traktowane jako narzędzie. Nie powinniśmy sobie odbierać szansy, a właściwie możliwości, podejmowania decyzji, bo nigdy nie będziemy mieli pewności, że zostały uwzględnione wszystkie czynniki, a część z nich może być bardzo łatwo wyolbrzymiana, wprowadzając w błąd algorytmy, które się tym kierują. W związku z tym jest to oczywiście znacznie bardziej wyrafinowane narzędzie niż młotek, i nie powinny korzystać z niego osoby do tego nieprzygotowane, ale jeżeli weźmiemy wózek widłowy – to też jest narzędzie, do którego potrzebne są jakieś uprawnienia. Na razie natomiast żadnych uprawnień nie musimy mieć, żeby ze sztucznej inteligencji korzystać, ale żeby korzystać z niej rozsądnie, zachęcam jednak do ukończenia pewnego rodzaju kursów, zasięgnięcia wiedzy, co nie jest utożsamiane tylko z przeczytaniem instrukcji. Czy to będzie równorzędny partner? W niektórych obszarach z czasem pewnie tak. To znaczy można sobie wyobrazić pilota odrzutowca, który traci świadomość i jego funkcje przejmuje w pełni autopilot. No i teraz takie filozoficzne pytanie: czy on w tym momencie jest pilotem? Pewnie w tym momencie jest to wspólne działanie sztucznej inteligencji czy całej maszynerii, która tam jest zamontowana, i człowieka. We wszystkich tych sytuacjach, w których decyzje podejmowane są nawet nie w sekundach, tylko w milisekundach, również jest to wyręczanie ludzi, ale jednak w każdym z tych przypadków działania są odpowiednio wcześniej przewidziane, zaimplementowane i wdrożone przez człowieka. Więc jest to taki bardziej zaawansowany robot, czyli jakaś automatyzacja, mechanizacja pewnego procesu, choć oczywiście z czasem może nastąpić uzyskanie świadomości – i wtedy sztuczna inteligencja oraz człowiek będą równoprawnymi partnerami, ale póki co: wyciągniemy wtyczkę – nie istnieje, więc pod tym względem jest to jednak narzędzie i powinno być traktowane jako narzędzie. A czemu mówię to tak z pełną świadomością? Bo gdybyśmy uznali, że możemy z tego korzystać, uważając to narzędzie za partnera, to jak wytłumaczyć dzieciom, że powinny się czegoś uczyć w szkole, skoro może to za nich zrobić sztuczna inteligencja? Samorozwój człowieka jest niezbędny, nawet jeżeli nie popchnie każdej z jednostek naszego rozwoju, to jednak liczymy na to, że będą wybitne osoby, które dołożą cegiełkę, które znajdą nowe zastosowanie, opracują jakąś nową metodę. W związku z tym ludzie nadal mają się uczyć, nadal muszą mieć te umiejętności, powinni korzystać w miarę świadomie z tego i w miarę świadomie również odbierać sobie prawo do korzystania. Moglibyśmy teraz pewnie całą dobę spędzać przed telewizorem, ale jednak ruch, jak wiemy, jest potrzebny. To jest takie nowe uzależnienie, widzieliśmy go też w social mediach, mamy uzależnienie od gier komputerowych, od telefonów komórkowych, mnóstwo różnych (oczywiście są też narkotyki, alkohol). To jest niesamowity obszar badań i sztuczna inteligencja będzie jeszcze bardziej to potęgowała, bo dostępność jest na znacznie wyższym poziomie niż kiedyś. Stąd wolałbym, żeby to jednak nie był równoważny partner i żeby jednak decyzje koniec końców należały do ludzi, ale były oparte na merytorycznych przesłankach, na merytorycznych badaniach wspomaganych przez algorytmy sztucznej inteligencji.

Kamil Maciąg (Fundacja TYGIEL): Dziękuję bardzo. Myślę, że to wiele wyjaśnia, potraktowanie sztucznej inteligencji jako partnera miałoby też szereg implikacji prawnych,  etycznych i moralnych. A w końcu naprawdę żylibyśmy w rzeczywistości, która najwybitniejszym autorom science fiction wydaje się nieprawdopodobna. Panie Profesorze, w obrębie rozmów o sztucznej inteligencji pojawia się dużo takich słów pokrewnych, które dla wielu osób nie są klarowne, jeżeli chodzi o znaczenie. Bo oprócz AI mamy: big data, machine learning, sieci neuronowe, data science. Jak się odnaleźć w tym gąszczu słów, które de facto istnieją od dawna, ale tak naprawdę bardzo niedawno pojawiły się w powszechnym użyciu i zaczynają wkraczać do dziedzin nauk, które do tej pory nie potrzebowały tych narzędzi i tych rozwiązań.

Dr hab. Michał Bernardelli: To takie buzzwordsy, które są medialne i występowały już wcześniej. Jednym z takich przykładów jest to, że jeżeli coś się zmienia – rośnie maleje na przemian – to standardowo dziennikarz użyje określenia „sinusoidalnie”, czyli jak sinusoida. A to nie ma nic wspólnego z przebiegiem funkcji sinus czy cosinus, które są nierozróżnialne w tym zakresie. Oczywiście bardzo dobrze działają na wyobraźnię. Natomiast te słowa, które się pojawiły w ciągu ostatnich lat w takim powszechnym użyciu, mają dosyć ugruntowaną pozycję, jak powiedziałem: sztuczna inteligencja istnieje ponad pięćdziesiąt lat, natomiast część z tych określeń nie ma jeszcze jednej ogólnie przyjętej definicji, w związku z czym nadal bazujemy nieco na intuicji i nadal te definicje się zmieniają w czasie, dlatego że zmienia się szybko cała reszta. Postaram się w kilku zdaniach uporządkować to, ale bardziej istotny będzie komentarz, który nastąpi później. Każde z tych słów można sobie jakoś umieścić na swojej skali. Jeżeli miałbym tu przedstawić jakąś sugestię, to zacząłbym od tego, że ta sztuczna inteligencja jest czymś, co było związane z pewną automatyzacją prostych procesów, co istniało, to były algorytmy – takie podejście algorytmiczne, ale wszystko było zapisane, były reguły, algorytmy, które wykorzystywali ludzie. Podczęścią, takim podzbiorem sztucznej inteligencji jest machine learning. I ten machine learning „mówił”: no dobrze, mamy trochę bardziej zaawansowane te maszyny, w związku z czym one mają dużo bardziej wyrafinowane algorytmy – i tam zaczęło się pojawiać coś, co już nie było osiągalne dla ludzi, to znaczy takie obliczenia, których nie dało się zrobić na kartce i nie dało się tego odzwierciedlić, ale to był podzbiór i nadal była tam cała masa algorytmów – te algorytmy również istnieją od dziesiątków lat i bardzo często są to niezwykle proste algorytmy, można powiedzieć, że już klasyczne. Natomiast to, co się pojawiło i pojawia w świadomości ludzi, to jest znowu podzbiór machine learningu, czyli sztuczne sieci neuronowe – i znowu: sztuczne sieci neuronowe istnieją od wielu, wielu lat, ale ze względu na niedostateczną moc obliczeniową komputerów nie były wykorzystywane przez ludzi w takim stopniu, w jakim wykorzystywane są teraz, ponieważ sztuczne sieci neuronowe traktowane były jako taka czarna skrzynka, ale tam jest cała masa parametrów i nie da się ich policzyć na kartce – teoretycznie tak, ale zabrakłoby mi życia, żeby to zrobić. W związku z tym przyspieszył rozwój i powstawały nowe typy sztucznych sieci neuronowych na potrzeby czegoś. No i tutaj dochodzi do nas pojęcie big data, które jest luźno związane, czyli olbrzymi zakres danych, wolumeny danych, które są zmienione, ale też są nieustrukturyzowane, bo to, że byłoby ich tylko dużo, ale mających jednocześnie taką samą strukturę i mielibyśmy cały rok na to, żeby je przeanalizować – to jeszcze nie jest big data. Natomiast jeżeli mamy coś, na co musimy w czasie rzeczywistym odpowiedzieć, a mamy raz film, raz tekst, jak też informacje z kilku różnych źródeł, a w dodatku jest tego dużo, to właśnie tam się pojawia big data. Pojawiły się dane, umieliśmy je przechowywać, ale nie umieliśmy ich analizować. Pomyślano: no dobrze, skoro umiemy je przechowywać, nauczmy się je analizować, wykorzystajmy komputery. Stąd zaczęły ewoluować sztuczne sieci neuronowe, które wyewoluowały w duże modele językowe. To jest znowu podzbiór machine learningu, podzbiór tych sztucznych sieci neuronowych, który operuje na słowach, z tym że na całych tekstach. On został wyuczony na tekstach w Internecie, których są miliardy, a pod spodem siedzi nadal sztuczna sieć neuronowa, która już nie ma tysiąca parametrów neuronów, ale ma miliony, miliardy różnych parametrów, które są uczone przez wiele miesięcy na olbrzymich serwerach (kosztuje to miliony, dziesiątki milionów dolarów). I ona dzięki temu potrafi stworzyć tekst, ponieważ uczy się pewnych prawidłowości, które zostały zapisane przez wiele lat przez ludzi. To właśnie jest generatywna sztuczna inteligencja, która zyskała popularność współcześnie. Jest jeszcze jedno sformułowanie pojawiające się ostatnio niezwykle często – data science, co jest utożsamiane zarówno z działaniami, jak i ze stanowiskiem pracy. Data science to połączenie umiejętności matematycznych, statystycznych i klasycznych z umiejętnościami, chociaż podstawami, programowania (bo to jednak jest robione na komputerze) i wiedzą ekspercką w danym obszarze. Ta wiedza ekspercka to jest ten trzeci z obszarów, a dopiero połączenie wszystkich trzech daje data science w konkretnym obszarze. To znaczy: jeżeli byśmy przełączyli kogoś, kto się specjalizuje w optymalizacji procesów, ale tylko w jednym obszarze, czyli na przykład analizy tekstów w prawie, i chcielibyśmy go przerzucić teraz, przykładowo, na produkcję w rolnictwie, to sobie nie poradzi, bo nie będzie miał wiedzy eksperckiej. Natomiast ten komentarz, który, jak powiedziałem, będzie istotniejszy niż zrozumienie tych słów, jest taki, że tak jak nie powinniśmy utożsamiać informatyki z komputerami, bo informatyka jest to teoria informacji, która może istnieć także bez komputerów, i istniała, jak istniały algorytmy na komputery kwantowe, zanim powstały komputery kwantowe, tak samo teraz sztuczna inteligencja nie powinna być utożsamiana tylko z programowaniem. Sztuczna inteligencja bądź wszystko co tutaj myślimy o data science idzie niejako takimi dwoma torami. Jeden jest stricte specjalistyczny – i tam faktycznie właściwie nie da się ominąć tych matematyczno-informatycznych przedmiotów, zrozumienia tego i wykonania tego manualnie, albo przynajmniej podstaw w tym zakresie. Im lepiej będziemy wyspecjalizowani w tym zakresie, tym będziemy lepsze mieli data science, ale nagle się okaże, że to data science się zamieni się nam w data engineering, czyli będziemy umieć tylko te procesy, będziemy specjalistami tylko w chmurze (i to w konkretnej chmurze), którzy będą potrafili tylko tam to zaimplementować i wykorzystać gotowe podzespoły tylko tam, korzystając oczywiście z umiejętności programistycznych i analitycznych. Ale to jeden z kierunków. Z drugim kierunkiem rozwoju związane są osoby, które nie mają umiejętności stricte programistycznych, ale mają umiejętności biznesowe i mają zrozumienie zastosowań tej sztucznej inteligencji i tych osiągnięć sztucznej inteligencji, niekoniecznie umiejąc cokolwiek zaimplementować. Tam jest zatrudnionych najprawdopodobniej więcej osób niż w tym pierwszym nurcie. Zatem jeżeli ktoś myśli, że stoi na straconej pozycji, ponieważ nie umie programować i nie zna matematyki – nie jest to prawda. Tak zwani project managerowie, czyli osoby, które prowadzą projekty informatyczne, w dużej części nie umieją programować. Nie muszą. I nadal są ekspertami z dziedziny sztucznej inteligencji. Mamy całą masę osób, które wykorzystują elementy związane ze sztuczną inteligencją, nie wiedząc, co siedzi w środku, ale doskonale sobie z tym radząc. Czyli: jeżeli nabierzemy pewnej biegłości w jakimś obszarze, na przykład zadawania pytań do takiego bota ChatGPT, samo w sobie może to być pracą. Nie ma jeszcze nazwy na osobę na takie stanowisko, chociaż już się zaczęły pojawiać sugestie, że to powinno być słowo „prompter”, ale ono co innego oznacza po polsku. Niemniej jednak należy sobie uświadomić – to szczególnie kieruję do młodszych osób, które urodziły się już wtedy, kiedy Google istniał – że jak Google był wprowadzany, to była nowa wyszukiwarka i ludzie musieli się nauczyć, jak wpisywać coś, żeby dostać sensowną odpowiedź, sensowne strony. Tego ludzie się uczyli na ogół latami (jak ktoś się urodził później, było to oczywiste). Teraz natomiast musimy się nauczyć, w jaki sposób pytać te duże modele językowe, aby uzyskać odpowiedź. I to samo w sobie stanowi wartość dodaną. A do tego nie trzeba umieć programować.

Kamil Maciąg (Fundacja TYGIEL): Wróćmy do tej wiedzy eksperckiej. Przykładowo mamy osobę, która jest doktorem nauk medycznych, nauk przyrodniczych. W jaki sposób ona może wsiąść w ten pędzący technologiczny pojazd, o którym rozmawiamy?

Dr hab. Michał Bernardelli: Znowu rozbiję to na dwa wątki. Idealna byłaby praca w zespole, gdzie każdy miałby swój zakres kompetencji. Wiedza ekspercka byłaby wkładem do tego zespołu. A trudniejsze rzeczy byłyby wykonywane przez kogoś, kto został przygotowany, aby wykonać analizy, zastosować algorytmy, a interpretacja znowu wracałaby do tego eksperta, który by weryfikował, czy to, co wyszło, w ogóle ma sens. Takie rozwiązanie byłoby idealne. Natomiast, jak wiadomo, świat nie jest idealny. Największe odkrycia nastąpią, jeżeli będziemy znali podstawy tego, co można zrobić. Niekoniecznie musimy umieć to zrobić. Dużo ważniejsze z punktu widzenia naukowego jest nie to, żebyśmy umieli to zrobić, lecz żebyśmy wiedzieli, że to się da zrobić. A dlaczego? Dlatego, że wówczas będziemy umieć – mamy nadzieję przynajmniej – zastosować coś, co było zastosowane w innym obszarze, na przykład w fizyce. Pomyślimy: no dobrze, ale ja jestem w chemii (albo na przykład w biologii) i też umiem to zrobić; albo ktoś pomyśli: no ale u mnie to jest podobne. Taki przykład, jeszcze nie związany ze sztuczną inteligencją: dwaj nobliści – Black i Scholes, którzy, jak się tak spojrzy z punktu widzenia technicznego, mieli równanie przewodnictwa cieplnego, którego uczą na pierwszym roku studiów na wielu kierunkach. Ale to oni zauważyli, że ten proces, który obserwują, można sprowadzić do tego właśnie równania. Czyli oni znaleźli de facto nowe zastosowanie i to było warte Nobla. Tak samo tutaj nie stoimy na straconej pozycji, więc ja bym ocenił sensownie, czy umiemy programować, czy potrzebujemy do tego programowania, czy też na przykład potrzebujemy tylko obsługi programu, gdzie pod spodem jest sztuczna inteligencja, bo nawet w chmurach nikt nie programuje od nowa. W tych dużych koncernach, jak Google, Amazon, są wszystkie olbrzymie chmury, które mają już wbudowane komponenty i trzeba poskładać to z klocuszków. Czyli my teraz pracujemy wysokopoziomowo. No i to jest rzeczywiście bardzo korzystne z punktu widzenia nauki, bo przyspiesza badania. My nie musimy tworzyć algorytmów od początku. Musimy tylko wiedzieć, że taki algorytm można wykorzystać. W związku z tym ja zachęcałbym do rozwijania wiedzy z różnych obszarów na temat możliwości, które się tam pojawiły, niekoniecznie zrozumienia, co jest pod spodem. Byłoby to idealne, ale nie wierzę, że wystarczyłoby każdemu czasu, żeby się nauczyć wszystkich możliwych podejść, wszystkich możliwych rzeczy, które powstały na przestrzeni lat. Umiejętność wyselekcjonowania albo zastosowania innej metody oznacza, że jeśli to już wiemy, wtedy albo się nauczymy tej metody i to napiszemy, albo znajdziemy osobę, która nam pomoże to zastosować. Więc rozwój nie powinien wyglądać tak, że musimy na początku skończyć całe studia informatyczne, po których będziemy ekspertami w tym zakresie. Nie, ekspertami jesteśmy we własnym obszarze i mamy umieć użyć elementów, rozumieć, interpretować, a niekoniecznie zastosować. Czyli: jeżeli dostaniemy wynik, to naszą rolą jest rozumieć, co tam wyszło – to ma dużo większe znaczenie z punktu widzenia naukowego niż od początku zaimplementowanie, zastosowanie tego, przechodzenie wszystkich tych przykładów. A jeśli chodzi o młode osoby – w ogóle nie są na straconej pozycji, bo one jednak powinny się uczyć (i my wszyscy powinniśmy się uczyć) przez całe życie. Należy sobie natomiast uświadomić, że interdyscyplinarność nie polega na tym, że jesteśmy ekspertami w dziesięciu dziedzinach, że mamy dziesięć różnych doktoratów, tylko to jest tak, że mamy doktorat i specjalizujemy się w jednym obszarze, ale wiemy, jakie elementy przydatne przy naszych badaniach naukowych możemy pociągnąć z innych obszarów. Stąd zespoły badawcze, które istnieją teraz, są faktycznie interdyscyplinarne, bo ta specjalizacja poszła tak mocno do przodu, nawet jeżeli weźmiemy nauki z chemii, z matematyki, która jest klasyczna, to jest tak dużo różnych działów, że nie ma takiej możliwości, by ktoś znał całą matematykę. Jeżeli ktoś jest specjalistą od analizy matematycznej i pojedzie na konferencję z topologii, to pewnie po „dzień dobry” też przestanie wszystko rozumieć, mimo że jest matematykiem. Natomiast ma większe szanse na zrozumienie, żeby było jasne, ma szanse na poznanie nowego obszaru, ale jednak specjalizacja poszła bardzo mocno do przodu i ta profesjonalizacja życia oznacza, że trzeba się pogodzić z tym, że musimy się orientować, co gdzie jest, natomiast nie musimy umieć tego zastosować od A do Z. Znacznie ważniejsza jest umiejętność interpretacji, umiejętność wyciągania wniosków na podstawie tych wyników i zrozumienia, kiedy coś można było zastosować, kiedy nie, czyli jakie to ma wady, zalety, a nie konkretne zastosowanie. A to jest osiągalne dla każdego naukowca, który ma wytrenowany mózg i który przyzwyczaił się do krytycznego spojrzenia na otaczający nas świat.

Kamil Maciąg (Fundacja TYGIEL): Czyli z jednej strony bardzo ważne jest, żebyśmy znaleźli wąską działkę, w której jesteśmy na poziomie eksperckim, a z drugiej strony powinniśmy dążyć do tego, żeby posiadać jak najszersze horyzonty o nowych technologiach, narzędziach, rozwiązaniach, aby wiedzieć, że na przykład tutaj warto byłoby coś zaimplementować do mojego wąskiego eksperckiego podwórka.

Dr hab. Michał Bernardelli: Dokładnie tak, zresztą śledząc artykuły naukowe w tej swojej wąskiej dziedzinie, będziemy widzieć, jaki jest progres; gdy zobaczymy, że ktoś zastosował jakąś nową metodę, wtedy zainteresujmy się tą metodą. Jeśli się nią zainteresujemy, wtedy możemy stwierdzić: no dobrze, ale ja znam lepszą, więc może zamiast tej zastosuję coś innego – i to jest właśnie progres. To jest jedna uwaga. Druga uwaga jest taka, że jeśli będziemy tym wąskim ekspertem w jakiejś jednej konkretnej działce, nie zwalnia nas to od bycia na bieżąco z osiągnięciami nauki w całym obszarze, w którym się znajdujemy. Wyobraźmy sobie, że jesteśmy na obszarze ekonomii. Ekonomia jest bardzo szeroka, mamy makro-, mikroekonomię, ktoś się specjalizuje tylko w analizie jakiegoś rozwoju gospodarczego, a ktoś może zupełnie inaczej – może pójść z punktu widzenia ekonomicznego bardziej w kwestie takie, powiedziałbym, bankowe, finansowe albo wręcz analizy geograficzne, co też jest jak najbardziej zrozumiałe, ale to nie jest tak, że my mamy się w takiej bańce informatycznej zaszyć. Zobaczenie, co się dzieje poza, powinno nam otworzyć horyzonty, by powiedzieć: no dobra, skoro oni to zastosowali, to czemu my nie zastosujemy tego u siebie. No i ostatnia kwestia dotyczy tego, że akurat osoby, które łączą pracę badawczą z pracą dydaktyczną, są w dosyć szczęśliwej sytuacji, ponieważ umiejętność pozyskiwania informacji też ma swoje granice. To znaczy, że jak miałbym zrobić tak zwany research w każdym z tych obszarów, zajęłoby to po prostu bardzo dużo czasu, natomiast promowanie prac magisterskich, licencjackich czy doktorskich oznacza, że dostajemy, szczególnie w przypadku prac licencjackich i magisterskich, kawę na ławę, czyli często bardzo dobry już zebrany materiał z jakiejś nowej działki. Nie jest to oczywiście możliwe we wszystkich obszarach, ale szczególnie w tych naukach społecznych to jest otwarcie horyzontów, bo mojego z punktu widzenia, jeżeli popatrzę na prace moich magistrantów, które wypromowałem na przestrzeni lat, to widzę, że spędziłbym pół życia, gdybym chciał sam tak dogłębnie wyciągnąć informacje i dane, jak to zrobili moi magistranci. Więc to też jest umiejętność nauki – to znaczy oprócz artykułów naukowych, które już się pojawiają i w których jest jakieś opóźnienie, istnieje też cała masa otaczających nasz świat i bezpośrednio związanych już z naszymi działkami. Oczywiście na poziomie doktoratu jest też zawiązanie zespołu badawczego, którego możemy być kierownikiem, do którego możemy zaangażować magistrantów, doktorantów, aby tam sprawdzić pewne rzeczy, bo w przypadku części tych rzeczy my nie wiemy, czy one zadziałają, po prostu trzeba to sprawdzić. No i od tego są granty, np. NCN-owe, to jest na zdobywanie nowej wiedzy (nie jak NCBR-owe, kiedy to już ma się zakończyć wdrożeniem i konkretnymi zastosowaniami). Naszym celem jest też rozpoznanie tego. Oczywiście ciężej jest opublikować coś, co zakończyło się negatywnie, niż coś, co się zakończyło pozytywnie, ale z punktu widzenia naukowego ma to taką samą wartość, czyli: jeżeli wiemy, że coś nie zadziałało, albo wiemy, dlaczego nie zadziałało – to jest równie wartościowe i też stanowi sedno badań.

Kamil Maciąg (Fundacja TYGIEL): Mówimy cały czas o przyspieszeniu prowadzenia badań, o przyspieszeniu progresu. Tutaj z jednej strony warto mieć zespół osób, z którymi będziemy pracować, które w pewien sposób ten efekt sumaryczny będą podnosić znacznie wyżej niż działanie jednostkowe każdej z osób. A jak to się ma w odniesieniu do takich aspektów jak zdrowie, ochrona środowiska, jak te narzędzia możemy tam zaimplementować, co one mogą zmienić, do czego mogą doprowadzić w prowadzeniu badań?

Dr hab. Michał Bernardelli: Właściwie nieco możemy (i to już jest robione). Oczywiście, jeżeli popatrzymy na to z punktu widzenia badań klimatu, badań zmian, śledzenia trendów, sprawdzania zarówno z punktu widzenia chemii oraz składu opracowania nowych substancji, które są neutralne bądź nie tak szkodliwe dla środowiska, jak i z punktu widzenia ludzi, bo my też musimy zbadać, diagnozować. Części efektów nie znaliśmy na początku, ludzie palili papierosy i nie wiedzieliśmy o tym, że to szkodzi. Te efekty nie są obserwowalne po tygodniu, po miesiącu, a czasami nawet nie po dziesięciu latach, stąd naszą rolą jest badanie nie tylko takich nagłych zmian, które są oczywiste, ale też długofalowych, kiedy nie wiemy, dlaczego coś nastąpiło, bardzo trudno jest określić, jaka jest przyczyna albo zestaw przyczyn, jakie są determinanty danego zjawiska. Szczególnie zdrowie to jedna z działek, w których wykorzystanie zdobyczy ogólnie pojętej sztucznej inteligencji będzie największe, i jest największe. Taką największą spośród poddziałek zdrowia, jak miałbym wskazać, jest diagnostyka. Demografia jest nieubłagana. Będziemy potrzebowali znacznie więcej lekarzy, bo znacznie więcej będzie ludzi starszych i więcej ludzi będzie potrzebowało pomocy w różnych aspektach życia i ogólnej egzystencji, bo to już nie chodzi tylko o długość życia, ale o jego jakość. Jeżeli miliony pacjentów pojawią się nam nagle, a będziemy mieli tylko tysiące lekarzy, nie będą oni w stanie indywidualnie traktować pacjenta, no bo nikt nie jest w stanie. Wówczas ta diagnostyka, rekomendacje, które będzie robiła sztuczna inteligencja, a dopiero potem decyzja lekarza na tej podstawie – to jest przyszłość. My mamy już urządzenia diagnostyczne na naszych nadgarstkach, już korzystamy z aplikacji, w których są zaszyte algorytmy. To są całe aplikacje do mierzenia kroków, które nas motywują: wysiądź przystanek wcześniej, przejdź jeszcze trochę kroków; o, dzisiaj jeszcze tych sześciu tysięcy czy ośmiu tysięcy kroków nie zrobiłem; to jest systematyczne mierzenie tętna, pomiar jakości snu. Przecież tam są zaszyte algorytmy. One są uśrednione, póki co, a nie personalizowane, więc nie działają dla wszystkich, na przykład nie działają w przypadku wyczynowych sportowców. Jak moja żona, która jest wyczynowym sportowcem, ma zegarek i zrobi taki porządny trening, który jest normalny z punktu widzenia wyczynowego, ale nie jest normalny z punktu widzenia przeciętnej osoby, to zegarek jej mówi: teraz masz cztery dni odpoczywać, a ona po południu musi wyjść na następny trening. Więc oczywiście te urządzenia nie są jeszcze personalizowane, ale z czasem będą, i ta personalizacja będzie występowała na każdym etapie, a zatem jeżeli uda nam się poprawić ten byt, dobrobyt, well-being każdej z jednostek, to oznacza, że poprawi się nam well-being całego społeczeństwa, a jak poprawi się nam well-being całego społeczeństwa, to i na całym kontynencie. To znaczy, że będzie to zmiana, która będzie odczuwalna w skali całego świata. Wyobraźmy sobie Australię, tam odległości są ogromne, a dzięki temu, że Internet właściwie może być dostępny w każdym zakątku świata, istnieją nieprawdopodobne możliwości do analizy pozyskiwania danych. No i to jest analiza statystyczna, czyli: jak będziemy zbierali informacje od wszystkich, od milionów ludzi, to te algorytmy to jest właśnie big data. Ludzie są różni, będzie tych danych bardzo dużo i my będziemy chcieli wykryć prawidłowości, a te prawidłowości będą zamieniane na rekomendacje. Rekomendacje będą wykorzystywane przez lekarzy i proponowane czy egzekwowane na pacjentach poprzez lekarzy. No ale to jest skala. Jakby każdy lekarz musiał się teraz przyjrzeć tysiącom, milionom, bo, tyle rekordów mamy o każdym pacjencie, nie jest w stanie tego zrobić. Więc w związku z tym on będzie już miał zagregowane dane, będzie miał jakieś wskaźniki, które wymyślili naukowcy, które będą podpowiadać mu: w tej i w tej sytuacji zrób tak i tak. To już się dzieje, ten progres będzie następny i my chcielibyśmy, żeby tak właśnie było, ponieważ to poprawi nawet nie tyle długość, ile jakość naszego życia. My wcześniej będziemy wzywani, ja wierzę w to, że na przestrzeni najbliższych pięciu-dziesięciu lat to nie ja będę chodził do lekarza, ale lekarz wezwie: słuchaj, teraz to ty masz do mnie przyjść, bo według wskazań, które są wysyłane u nas na serwer, wymagasz jakichś dodatkowych badań, bo może, nie musi, ale może coś w tym być. Ta personalizacja podejścia do pacjenta będzie też stosowana w innych obszarach, przypuszczalnie będzie też personalizacja w edukacji. Skoro mamy taką niepowtarzalną możliwość, że każdemu możemy stworzyć profil, każdego możemy traktować indywidualnie, wyjątkowo, to nie będziemy musieli w szkole równać do najlepszych/najgorszych, w ogóle nie będziemy musieli równać, każdy rozwija się we własnym tempie, tylko będziemy musieli to wykorzystać. Jedyne, na czym nam, naukowcom, powinno zależeć, to na tym, aby nasze rekomendacje były usłyszane przez decydentów. Musimy uświadomić, że to ma znaczenie, musimy uświadomić, że bez tego nie przez cztery najbliższe lata czy osiem, ale w perspektywie następnych dwudziestu czy trzydziestu lat będzie gorzej. A nam zależy na tym, żeby było lepiej, więc to jest nasza rola, naszą rolą są rekomendacje oparte na tych danych, oparte na naszych analizach, naszej wiedzy eksperckiej.

Kamil Maciąg (Fundacja TYGIEL): Rozwój technologii w obszarze medycznym sprawi, że będziemy dążyć do personalizacji. W edukacji podobnie. A jakich innych zmian fundamentalnych spodziewa się Pan w najbliższej perspektywie dzięki big data, machine learning, sztucznej inteligencji?

Dr hab. Michał Bernardelli: Na pewno zmian na rynku pracy, one będą nieubłagane, one cały czas następują, ale poprzednio były obserwowane w całych pokoleniach, a teraz w wielu przypadkach w ramach jednego pokolenia będziemy zmuszeni do zmiany pracy, zmiany całkowicie zawodu. Zawody, które istnieją teraz, będą nieprzydatne w przyszłości, a zawody, które będą przydatne w przyszłości, nie istnieją nawet w naszej świadomości, nie są nazwane jeszcze teraz. I to nie będzie w perspektywie stu czy dwustu lat, zmiana będzie w perspektywie dziesięciu-dwudziestu lat. Dosyć łatwo sobie można wyobrazić, są prowadzone pewnego rodzaju badania w tym zakresie, które zawody są najbardziej zagrożone. I już byliśmy tego świadkami. Jeżeli duże modele językowe radzą sobie coraz lepiej, czyli radzą sobie pewnie lepiej niż przeciętna osoba, to oznacza, że wszystkie osoby, które są przeciętne i gorzej, będzie łatwo zastąpić. Dlatego dziennikarze już w bardzo wielu przypadkach zostali zastąpieni. Nie będziemy potrzebować prezentera telewizyjnego, nie będziemy potrzebować w niektórych przypadkach prezenterów radiowych. Nawet słyszeliśmy, jak to Google zwolnił pracowników, bo już nie potrzebujemy nikogo do czytania, Google Maps – tam też weszła sztuczna inteligencja. Czy nam się to podoba, czy nie, to już zupełnie inna kwestia. Ja nadal wierzę w to, że charyzmatyczne osoby, które są ponadprzeciętne, będą lepsze niż sztuczna inteligencja i właśnie ich będziemy chcieli słuchać. Natomiast takich zagrożeń, nie tylko w pracy z tekstem, gdzie ten progres jest zdecydowanie najszybszy, jest więcej, ten progres dotyczy też prac, które będą dosyć łatwo automatyzowane. Tam, gdzie jest powtarzalność, a ta powtarzalność weszła na zupełnie inny poziom. Już teraz wiemy o tym, że autonomiczne samochody byłyby w stanie w dosyć dużym stopniu jeździć samodzielnie. One by jeździły jeszcze lepiej, gdyby nie było ludzi. To znaczy największym wyzwaniem jest to, że w pewnym momencie są kierowcy-ludzie, którzy nie są tak przewidywalni, i autonomiczne samochody. Gdyby były same autonomiczne pojazdy, to między sobą by się dogadały i nie byłoby wypadków, a jeśli nastąpiłby wypadek, wtedy ta wiedza, nauka z tego wypadku od razu byłaby przekazywana do wszystkich pojazdów na całym świecie, zaś jak ja spowoduję wypadek, to uczę się tylko ja, ewentualnie moi znajomi, rodzina. Natomiast to przypuszczalnie jest najłatwiejszy z elementów, bo potrzebujemy dostawcy, kierowców samochodów ciężarowych rozwożących towary. Oni jednak muszą spać, oni muszą odpoczywać, a sztuczna inteligencja nie musi. Te pojazdy mogą być kierowane, mogą jechać przez całą dobę, będą mogły same zatankować. Ale są regulacje. Nie możemy tego jeszcze robić, ponieważ, łączy się z tym zbyt wiele aspektów naszego życia i jeszcze to nie jest dozwolone w takim zakresie. Wyobraźmy sobie jednak możliwości, które za tym stoją. Jeżeli ja oczekuję kuriera i muszę być wtedy w domu, a akurat mam spotkanie NPUK-a, nie mam jak odebrać przesyłki, akurat wyszedłem na zakupy…, ale mam balkon, to czemu dron mi nie zostawi paczki właśnie tam? Jest cała masa możliwości i przypuszczalnie w tę stronę to pójdzie. Natomiast czy to oznacza, że ludzie przestaną być potrzebni? Jak Excel się pojawił, też wszyscy mówili, że ktoś, kto nie zna Excela, nie będzie potrzebny. Znam całą masę osób, które nie znają Excela i nadal doskonale sobie radzą na rynku pracy. Tak samo będzie ze sztuczną inteligencją. Oczywiście znacznie lepiej jest wiedzieć niż nie wiedzieć Ale nie demonizowałbym tego, nasze doświadczenia z rewolucji, które były dotychczas, świadczą, że po rewolucji było więcej miejsc pracy, choć były inne. Na pewno będziemy musieli się odciąć od pokolenia naszych rodziców czy dziadków, którzy w dużej części pracowali od początku do końca w jednym zakładzie pracy, teraz te zmiany pomiędzy firmami, pomiędzy instytucjami, gdzie pracujemy, nawet na tych samych stanowiskach, są znacznie częstsze, ta nasza mobilność zwiększyła się znacznie. Będziemy też przeskakiwać pomiędzy stanowiskami, to znaczy będziemy musieli się dokształcać, jeśli stanowisko już nie będzie potrzebne, przeskoczymy na zupełnie inne, i to niekoniecznie musi być awans zawodowy, po prostu będzie inne. Wiemy o tym, że powstanie cała masa zawodów, bo skoro będzie sztuczna inteligencja, ktoś będzie musiał to utrzymywać, ktoś będzie musiał wyjaśniać i będzie cały aspekt takich bardzo miękkich rzeczy, w których sztuczna inteligencja przypuszczalnie nam nie dorówna (przynajmniej nie tak szybko). To ma miejsce tam, gdzie już teraz nie chcemy mieć do czynienia z automatem. Wszędzie mamy chatboty, ale koniec końców chcielibyśmy porozmawiać z człowiekiem. Tam, gdzie będzie ten człowiek, który będzie posiadał umiejętność interakcji ludzkiej, ale też zrozumienia, będzie on nie do przecenienia. Czyli te zawody przypuszczalnie zyskają na swojej wartości. No i też trzeba pamiętać, że są takie zawody, w których, gdy ktoś będzie ekspertem w swojej dziedzinie, zawsze będzie potrzebny. Po prostu trzeba być lepszym niż przeciętna, a żeby być lepszym niż przeciętna, trzeba się uczyć. Tu znowu wracamy do tego cyklu: uczyć się, uczyć, nie osiadać na laurach, cały czas się orientować i być na bieżąco, no bo właściwie o to chodzi, o uczenie się przez całe życie. To jest coś, do czego dąży model współczesnego społeczeństwa.

Kamil Maciąg (Fundacja TYGIEL): A tak oscylując pomiędzy faktami a fantastyką, czym będą zajmować sięludzie w przyszłości? Czym będą się w przyszłości zajmować naukowcy, skoro dużą część rzeczy zastąpią szeroko rozumiane modele sztucznej inteligencji?

Dr hab. Michał Bernardelli: Naukowcy na pewno znajdą sobie zajęcie. Do tej pory nie było takiego momentu, gdy sobie nie znajdowali, i ten progres zawsze jednak następował, więc tego bym się nie obawiał. Największe obawy dotyczą osób, w przypadku których uznamy, że ich wiedza jest niewystarczająca i umiejętności są niewystarczające w stosunku do potrzeb rynku pracy. No ale jednak oni funkcjonują w społeczeństwie, więc obawy są co do tego, że proporcje pomiędzy osobami, które są zaangażowane w rynek pracy i które nie są zaangażowane, bo nie mogą być, bo nie ma zastosowania dla ich umiejętności i wiedzy, znacznie się zmienią. Czy to nastąpi, czy nie, tego nie wiem. Przypuszczalnie tego nikt nie wie. Są różnego rodzaju badania, ponieważ trzeba też pamiętać, że nas będzie po prostu mniej. Z punktu widzenia Polski jedna trzecia społeczeństwa to 60+, co oznacza, że będziemy potrzebować więcej rąk do pracy, bo po prostu będzie mniej ludzi, którzy będą w wieku produkcyjnym. Natomiast istnieje podejrzenie, że wszechobecna automatyzacja, abstrahując od inteligencji, jakakolwiek automatyzacja, która wykluczy ludzi z rynku pracy, a nie znajdzie się jakiś alternatywny obszar dla nich, cokolwiek, gdzie oni mogliby przeskoczyć, spowoduje, że duża część społeczeństwa po prostu nie będzie miała pracy. Jak te osoby nie będą miały pracy, będzie to obciążeniem dla Skarbu Państwa. Trzeba będzie po prostu im dać pieniądze. No ale państwo nie ma własnych pieniędzy. Państwo musi skądś je wziąć. No a skąd? – pobiera z podatków. No i można sobie zobaczyć na strukturę podatków. Są różne przewidywania w tym zakresie. Może trzeba będzie po prostu opodatkować i będzie podatek od robotów. Czyli: chcesz zrobić kasę automatyczną w sklepie i przez to zwolnisz trzech ludzi, no to z trzech ludzi byłby taki przychód – wtedy będzie można wyliczyć, że od jednej kasy automatycznej jest tyle i tyle. Czy to nastąpi, czy w tę stronę pójdzie? Nie wiem. Też jestem bardzo ciekawy. Natomiast raczej nie obawiałbym się. Obawiałbym się bardziej tego, że jeśli nie będziemy edukować młodego pokolenia i ono nie będzie innowacyjne, czyli jeżeli my je zaszufladkujemy i nie damy możliwości rozwoju, to wtedy młodzi ludzie nie będą potrafili sami znaleźć dla siebie zajęcia. Obawiałbym się tego, że oni sami nie będą potrafili znaleźć sobie swojego miejsca w świecie. I to naszą rolą jest, aby to kolejne pokolenie było lepsze. Stąd, gdy mowa o zespołach badawczych, nie chodzi o to, że mamy rozmawiać z kolegami, którzy są na tym samym poziomie. Powinniśmy wziąć też młodsze osoby, bo one powinny być lepsze niż my. Gdy weźmiemy kogoś ze starszego pokolenia, no to on ma taką wiedzę, doświadczenie, które jest nie do przecenienia. Ja mam jakąś wiedzę, ale wiem, że jeżeli wezmę osobę, która właśnie teraz skończyła studia, ona będzie lepiej programowała niż ja. Ona musi programować lepiej, ponieważ już jest obyta z tymi technologiami. Ja mogę to zrobić, ale nie zrobię tego tak efektywnie i tak szybko jak ona. I nie muszę tego robić. Nikt ode mnie tego nie wymaga. Każdy jest na jakimś etapie rozwoju zawodowego. Stąd o naukowców nie obawiałbym się. Pytanie, czy przeciętne osoby, które nie pracują w świecie akademickim, w tym środowisku, zdają sobie sprawę z tego, że nie mogą spocząć na laurach. I chyba to też jest wyzwanie, to też jest rekomendacja, która powinna pójść z nauk społecznych dla rządzących – że oni muszą o to zadbać. Ta edukacja powinna być nie tylko dla dzieci, nie tylko dla młodzieży, ale powinna być dla ludzi w każdym wieku. No bo skąd mają się nauczyć, szczególnie w mniejszych miejscowościach, niby skąd mają się tego nauczyć? Trzeba im to zaoferować. Sądzę, że powinniśmy to traktować nie w kategorii zagrożenia, tylko naprawdę bardzo dużego potencjalnego rozwoju i możliwości, których nigdy do tej pory nie mieliśmy. Jeżeli będziemy traktować to w takich kategoriach, wierzę, że będziemy nie tylko taką tanią siłą roboczą, ale my – jako społeczeństwo – będziemy bardzo innowacyjni i dołączymy do liderów świata. A jako świat – sądzę, że ten progres będzie ukierunkowany na poprawę dobrobytu obywateli, a nie tylko na eksplorację zasobów naturalnych, na niszczenie środowiska, że po prostu będziemy mogli współegzystować. Kwestia oczywiście tego, czy umiemy zastąpić czymś te paliwa, które są nam niezbędne, czy umiemy zastąpić plastik, od którego de facto uzależniliśmy się, jest cała masa obszarów, w których nadal oczekujemy przełomu (jak magazynowanie energii), który rozwiązałby mnóstwo problemów. Jest jeszcze dużo do zrobienia i czekamy na osoby, które to zrobią, nawet jeśli nie same, bo to raczej nie chodzi o to, będzie to taki niewielki przyczynek, który kroczek po kroczku przesunie nas w kierunku lepszego – jakościowo oraz ilościowo – świata.

Kamil Maciąg (Fundacja TYGIEL): Zatem puentując, uczmy się całe życie, poszerzajmy swoje horyzonty, dbajmy o edukację młodego pokolenia, bądźmy innowacyjni, interdyscyplinarni, ale nie bądźmy przeciętni.

Dr hab. Michał Bernardelli: To „przeciętne” jest uniwersalne, tamte pozostałe też są uniwersalne, natomiast proporcje znacznie się zmieniły, więc ja również apeluję o to, aby także własnymi działaniami wpływać na bezpośrednie otoczenie. Nie musimy zmieniać od razu całego świata, zmieńmy najbliższe otoczenie. To już wystarczy – dobrym przykładem, jakąś pomocą starszej osobie, której pokażemy coś, co ułatwi jej życie. Takie niewielkie zmiany na pewno zmienią się w coś, co przesunie nas do przodu i co ułatwi nam wszystkim życie. No a z punktu widzenia naukowego pozostaje sobie życzyć, aby ta współpraca była nie tylko na rynku krajowym, ale również w środowisku międzynarodowym, ponieważ Polacy są jednak rozpoznawani jako bardzo dobrze wykwalifikowane osoby. Tylko czasami nam brakuje tego przebicia, takiego tupetu, który mają inne społeczeństwa. Nie bójmy się sprawdzać, nie bójmy się zdobywać, a na pewno z tego przyjdą jakieś owoce, które będzie można zaobserwować w różnych obszarach, ponieważ tutaj mówimy o różnych obszarach nauki, a nie tylko jednym.

Kamil Maciąg (Fundacja TYGIEL): Bardzo dziękuję, Panie Profesorze.

Dr hab. Michał Bernardelli: Dziękuję bardzo.