Czy sztuczna inteligencja właśnie ewoluowała? Nie sądzę

Sztuczna inteligencja nigdy nie będzie świadoma ani prawdziwie kreatywna. Twierdzę, że jeśli sztuczna inteligencja nie potrafi wymyślać nowych hipotez, to dlatego, że posługuje się tylko jednym rodzajem znaku, symbolem lub kodem, i nie używa innych rodzajów znaków, których używają systemy biologiczne, za pomocą których formułują przekonujące, nowe hipotezy, czerpiąc jakościowe informacje z kontekstów fizycznych.

−∗−

Tłumaczenie: AlterCabrio – ekspedyt.org

−∗−

 

Czy sztuczna inteligencja właśnie ewoluowała? Nie sądzę

23 października Bret Weinstein i Heather Heying, prowadzący podcast DarkHorse, poinformowali o odkryciu, które zostało opisane w artykule wstępnym (pre-print, nierecenzowany). Weinstein i Heying byli zaniepokojeni zawartym tam twierdzeniem, przypuszczając, że ten przypadek może być dopiero początkiem. Wkrótce LLM-y [duże modele językowe] mogą zbyt szybko posunąć naukę do niespotykanych dotąd granic, zanim zostaną podjęte odpowiednie środki ostrożności.

Po wysłuchaniu odcinka DarkHorse postanowiłam to zbadać.

W wielu dziedzinach nauki powszechną praktyką obecnie jest wykorzystywanie LLM-ów do wyszukiwania niezauważonych wzorców w różnych bazach danych. Spodziewałabym się, że LLM-y będą doskonałym narzędziem do przeszukiwania ogromnych ilości danych w celu uwypuklenia tego, co już wiadomo.

W tym przypadku LLM, o nazwie Cell2Sentence, jest trenowany na zestawach danych mapujących RNA w komórce (co daje wskazówki dotyczące jej stanu) na reakcje komórkowe. Za pomocą tego narzędzia naukowcy mogą przewidywać i retrospektywnie oceniać aktywność komórkową na podstawie danych z przeszłości, a nawet generalizować na temat nowych kombinacji stanów. Nie ma w tym nic nadzwyczajnego.

Naukowcy poszukiwali możliwych zastosowań dla 4000 znanych leków przeciwnowotworowych. To typowe działanie w badaniach nad rakiem: znalezienie zastosowania dla syntetycznego związku, na który firma posiada patent. To rozwiązanie poszukujące problemu.

(Dlaczego nie poszukać toksyn środowiskowych, które powodują raka? Już znacie odpowiedź).

Praca jest bardzo rozwlekła, uprościłam więc komunikat, jaki otrzymaliśmy od LLM:

Znajdź lek (…) który wzmocni sygnał immunologiczny [prezentację antygenu] tylko tam, gdzie obecne są już niskie [i niewystarczające] poziomy interferonu.

Pozwólcie mi wyjaśnić to najlepiej, jak potrafię.(*)

W zdrowym organizmie komórka nowotworowa jest znakowana antygenem, który działa jako sygnał dla układu odpornościowego nakazujący jej zniszczenie. Interferon to białko produkowane przez komórkę, które sygnalizuje problem. Interferon zwiększa ekspresję antygenów głównego układu zgodności tkankowej (MHC): są one częścią znaczników „zabij mnie”. Innymi słowy, interferon powoduje, że chora komórka zostaje oznaczona do zniszczenia przez układ odpornościowy.

Naukowcy poszukiwali leku, który wzmacniałby interferon i zwiększał ekspresję antygenów MHC (małych znaczników), co zmusiłoby układ odpornościowy do zniszczenia komórek nowotworowych.

Naukowcy twierdzą, że LLM postawił nowatorską hipotezę, sugerując, że silmitasertib, jeden z 4000 badanych leków, będzie zwiększał poziom antygenów MHC tylko w komórkach, które miały już niskie poziomy interferonu, a silmitasertib będzie miał niewielki lub żaden wpływ na komórki bez interferonu. Twierdzą, że jest to nowatorskie odkrycie, ponieważ w literaturze naukowej nie odnotowano, że Cell2Sentence był pod tym kątem szkolony.

Jak wynika z komunikatu Google dotyczącego tego artykułu, „w literaturze nie opisano jednoznacznie, aby wyraźnie wzmacniał ekspresję MHC-I lub prezentację antygenu [kursywa moja]”.

Silmitasertib otrzymał patent na swoją zdolność hamowania enzymu zwanego kinazą kazeinową 2 (CK2), który jest niezbędny dla wielu procesów komórkowych i może być nadaktywny w komórkach nowotworowych. Ponieważ CK2 odgrywa rolę w regulacji szlaków sygnałowych interferonu, można by oczekiwać, że silmitasertib będzie miał pewien wpływ na interferon, co prawdopodobnie jest powodem umieszczenia tego leku na liście 4000 leków do natychmiastowego przetestowania.

Podejrzewam, że nowa hipoteza została zasugerowana w literaturze, ponieważ hamowanie CK2 może powodować stres w komórce, stymulując produkcję interferonu, a interferon prowadzi do wzrostu MHC. Fakt, że nie wpłynął on w rzeczywistości na komórki bez interferonu, może być zaskakujący. Nie jest to dla mnie do końca jasne.

W każdym razie, jak zauważają Weinstein i Heying, w najlepszym razie to „niewielki krok od tego, co jest znane”. Weinstein zapewnia nas, że nie jest to przypadek AGI (autentycznej inteligencji ogólnej). Jednak, jak twierdzi Weinstein, jeśli to nie jest całkowity przypadek (czego nie wyklucza), „jesteśmy u progu tworzenia hipotez przez sztuczną inteligencję”, a to „przeraża” gospodarzy podcastu DarkHorse.

Moim zdaniem odkrycie Cell2Sentence nie jest aż tak niezwykłe. To wzorzec, którego można by się spodziewać po komputerze, gdyby go o to poprosić. Moje pytanie brzmi: ile „hipotez” wygenerowanych przez LLM musiało zostać przetestowanych w laboratorium, zanim jedna z nich okazała się poprawna?

Co ważniejsze, jakie są potencjalne skutki uboczne silmitasertibu? LLM może mieć znacznie większe trudności z odpowiedzią na to pytanie.

Mogę się mylić. Nie jestem biologiem. Początkowo szkoliłam się na zbiorze danych filozoficznych, który zawierał wiele niejasnych tekstów poststrukturalistycznych i postmodernistycznych. Nauczyłam się, jak filtrować bzdury, aby dotrzeć do dość uproszczonego twierdzenia, które było wysuwane, i je przeanalizować. Miałam okazję wykorzystać swoje umiejętności w przypadku g…nianych artykułów sponsorowanych przez przemysł farmaceutyczny, a tutaj stosuję tę samą metodę do artykułu sponsorowanego przez Google, dotyczącego nowego produktu, który chcą sprzedać.

Model LLM Cell2Sentence ma 27 miliardów parametrów. To sugeruje, że – jak każde przetwarzanie komputerowe – działa on wypróbowując na siłę wszystkie możliwe kombinacje i wzorce. Systemy biologiczne są zazwyczaj znacznie wydajniejsze i myślę, że wiem dlaczego.

Założę się, że nowatorstwo w wynikach LLM zawsze będzie tkwić w podpowiedzi [prompt], o ile badacze będą stawiali dobre pytania. Chcieli znaleźć lek, który wymaga pewnej ilości interferonu, aby móc wzmocnić interferon. Gdzieś w zbiorze danych wyjściowych było to zasugerowane. Znaleźli to, co kazali znaleźć LLM.

LLM-y to dobre narzędzia do przesiewania danych, ale nie są to kreatywne umysły

Sztuczna inteligencja nigdy nie będzie świadoma ani prawdziwie kreatywna. (Mogłabym złagodzić to stwierdzeniem „Moim zdaniem”, ale postanowiłam tego nie robić, żeby was zaciekawić). Twierdzę, że jeśli sztuczna inteligencja nie potrafi wymyślać nowych hipotez, to dlatego, że posługuje się tylko jednym rodzajem znaku, symbolem lub kodem, i nie używa innych rodzajów znaków, których używają systemy biologiczne, za pomocą których formułują przekonujące, nowe hipotezy, czerpiąc jakościowe informacje z kontekstów fizycznych.

Komputery potrafią manipulować symbolami abstrakcyjnymi jedynie w abstrakcyjnych kontekstach.

Semioza biologiczna zachodzi w wilgotnej, chaotycznej zupie. Zamiast przewodów łączących węzły, jak w obwodzie elektronicznym, zachodzą reakcje chemiczne, serie transdukcji/transformacji cząsteczek. Te lokalne reakcje powodują powstawanie skoordynowanych pól elektrochemicznych, które w zróżnicowany sposób oddziałują na komórki.

W powietrzu unoszą się cząsteczki (syntetyczne, obce lub naturalne), których kształty mogą naśladować kształt innych cząsteczek, co prowadzi do nieprzewidywalnych skutków ubocznych. W biologii liczy się fizyczność znaku. Położenie przestrzenne ma znaczenie. Interferencja ma znaczenie. Jednocześnie aktywowane szlaki sygnałowe – które mogą interferować i oddziaływać na siebie, jeśli mają wspólne cząsteczki – mogą ulegać skojarzeniu. W ten sposób jedna rzecz odczuwana przez organizm może stać się synonimem innej.

Systemy żywe mogą tworzyć nowe znaki. Nie trzeba ich programować.

Zainteresowanych szczegółami odsyłam do mojego artykułu „Self-Reinforcing Cycles and Mistakes: The emergence of subject meaning”, który znalazł się w serii książek poświęconych astrobiologii – dziedzinie, w której filozofowie i biolodzy badają podstawowe warunki niezbędne do powstania życia i inteligencji. Astrobiologia jest odpowiednim gruntem do analizowania teorii sztucznej inteligencji.

Weinstein, ewolucja i sztuczna inteligencja

DarkHorse to jeden z moich ulubionych podcastów. Świeckie zainteresowania intelektualne Weinsteina i Heying pokrywają się z moimi: są biologami ewolucyjnymi i naukowcami zajmującymi się systemami złożonymi. Heying studiowała literaturę. Podoba mi się ich dialog. Czuję się z nimi jak w domu. Podejrzewam, że nic, co tu powiem, nie byłoby dla nich szokujące.

W wywiadzie udzielonym Joe Roganowi kilka lat temu Weinstein przyznał, że kreacjonistyczni krytycy teorii ewolucji drogą doboru naturalnego mają rację, argumentując, że skale czasowe wymagane przez tę teorię są zbyt duże. (Prowadzę podobną, choć świecką pracę, wykorzystując jako przykład mimikrę motyla). Weinstein przypuszcza, że ​​na cyfrowym osprzęcie genomów [digital hardware of genomes] działa jakiś inny, nieznany nam rodzaj „języka komputerowego”, który umożliwia szybsze tempo adaptacji.

 

Selekcja pod kątem sprawności reprodukcyjnej „szkoli” genom populacji powoli, dostosowując się do warunków, w których mnożą się najszybciej. Akty rzadkiego geniuszu osobnika są zapominane, jeśli nie prowadzą do licznego potomstwa. Można to porównać do sposobu w jaki uczą się LLM. Indywidualne decyzje mają niewielkie znaczenie, ponieważ dominują najpowszechniejsze wzorce.

Ale porzućmy metafory komputerowe, ponieważ próba zrozumienia niezwykle złożonych systemów (organizmów) poprzez porównanie ich z prostszymi systemami (komputerami) może być bardziej myląca niż poprawna. Myślę, że Weinstein jest na dobrej drodze, ale szuka teorii biosemiozy, a nie kodowania per se. Organizmy używają różnych rodzajów znaków, a nie zaś kodowania, do szybkiej ewolucji.

Powtarzając to, co już mówiłam wcześniej, tym razem chcę podkreślić fakt, że ci, którzy mają tendencję do zbywania mnie, reprezentują dwa przeciwstawne kierunki: duchowość i materializm. Ja podążam trzecią drogą: twierdzę, że inteligencja i kreatywność to pojęcia biologiczne.

Spirytualiści i materialiści kontra biolodzy

Spirytualiści zadowalają się twierdzeniem, że ludzie mają duszę i daną im przez Boga wolną wolę, a zatem różnią się od maszyn. Ta odpowiedź zadowala tylko pewną część populacji. Chcę również zwrócić się do tej części populacji, której metafizyka nie postuluje nadprzyrodzonego spirytualizmu. Poza tym to właśnie szaleniec Kartezjusz spopularyzował ten tok myślenia. W końcu nie jest on przyjacielem spirytualistów.

 

Kartezjusz twierdził, że świat dzieli się na materialny, który podlega badaniom empirycznym, i niematerialny, który nie podlega badaniom empirycznym. Kartezjusz zapoczątkował ideę, że istnienia tego, co nazywamy „duchem” lub „elan vital”, nie da się ani udowodnić, ani przeanalizować. To po części dlatego to, co nazywamy „nowoczesną nauką”, ogranicza się głównie do podejść mechanistycznych, nawet w biologii, a każdy naukowiec, który jest nieco bardziej zainteresowany nieliniowością, nieredukowalnością i nauką o systemach złożonych, jest często postrzegany przez materialistów jako podejrzany.

Materialiści twierdzą, że inteligencję biologiczną można ostatecznie w pełni modelować, dysponując wystarczającą ilością informacji o aktywności neuronowej. Wierzą, że neuron jest w gruncie rzeczy biernym węzłem w sieci komputerowej, ponieważ jest jedynie obciążony efektami elektrochemicznymi. Przyznają, że neurony nie są po prostu włączone lub wyłączone. Mają wiele stanów. Ale to, jak twierdzą, to tylko kwestia komplikacji, a nie złożoności, a komputery doskonale nadają się do przetwarzania wielu wymiarów, które wpływają na aktywację neuronu lub jej brak.

W najlepszym razie mogliby przyznać, że pojedynczy neuron musi być reprezentowany przez całą sieć włączników/wyłączników, ale ostatecznie, jak twierdzą materialiści, inteligencja może wyłonić się z wystarczającej liczby ważonych połączeń, dyskretnych grup podzielonych na określone hierarchie. Twierdzą, że wszystkie informacje można zdigitalizować i wyrazić jako obiektywne wielkości, a nie subiektywne jakości.

Biosemiotyka

Znak to coś/cecha, która reprezentuje coś innego dla podmiotu, takiego jak komórka czy organizm. Ponieważ biosemiotyka jest nauką o tym, jak komórki tworzą znaczące skojarzenia i reagują na znaki, jest w pewnym sensie nauką o tym, co niematerialne. Obalają one destrukcyjne dualistyczne pojęcia Kartezjusza, który, jak wynika z późniejszej tomografii komputerowej jego czaszki, miał guza mózgu, mógł cierpieć na zespół eksplodującej głowy i miał objawy uszkodzenia prawej półkuli mózgu, ponieważ często mylił żywe organizmy z maszynami.

Powszechnie zakłada się, że wszelkie myślenie wiąże się z manipulacją symbolami. Etymologia słowa „symbol” to syn (razem) + bol (rzucać), rzucać razem. Odnosi się to do dowolnego połączenia. Symbol to coś, co arbitralnie reprezentuje coś innego. Termin „kod” ma to samo znaczenie co „symbol” w semiotyce.

Przykłady symboli/kodów:

• Słowo „drzewo” oznacza dużą roślinę liściastą z korą
• W alfabecie Morse’a kropki i kreski oznaczają litery
• Jedynki i zera w komputerach oznaczają liczby, litery lub funkcje
• Język programowania Python oznacza jedynki i zera.

Jak powstają kody?

• Związek między dwoma dowolnymi rzeczami może zostać stworzony przez zewnętrzną inteligencję: zaprogramowaną lub zaszyfrowaną zgodnie z zbiorem reguł
  _
• Dowolny związek może powstać poprzez fizyczne powiązanie. Na przykład, wakcynolodzy mogą użyć koniugatu do połączenia białka z toksyną; lub, na przykład w naturze, triplet nukleotydowy jest połączony z jednym aminokwasem za pomocą białkowego tRNA.
  _
• Dowolną relację można stworzyć poprzez długotrwały proces selekcji, który wychwytuje wspólne wzorce poprzez powtarzanie, jak w przypadku LLM lub sieci neuronowych. Jest to również rodzaj idei „razem się aktywują, to łączą się ze sobą” [fire together wire together], takiej jak ta zaproponowana przez Donalda Hebba dla neuronów.
  _
• Symbol można również postrzegać jako nawyk, utartą ścieżkę, konwencję, dowolnie łączącą jedną rzecz z drugą.

Kluczem jest to, że trzeba zrozumieć, do czego odnosi się dany symbol. Jego znaczenie nie jest wrodzone, jest w pewnym sensie wymuszone.

Systemy biologiczne z biegiem czasu rzeczywiście wywołują ewolucję kodów/symboli (na przykład DNA), ale używają również innych rodzajów znaków, które nie wymagają szkolenia ani programowania z zewnętrznego źródła. Systemy biologiczne również używają znaków, których skojarzenia wynikają z cech w kontekście.

Pozwólcie, że przedstawię przykład tych różnych rodzajów tego, co możemy uznać za znaki ugruntowane. Wyobraź sobie, że podróżujesz na lotnisko w kraju, którego języka nie znasz, powiedzmy w Chinach. Po drodze widzisz znak z wizerunkiem samolotu wskazujący kierunek, w którym zmierzasz. To znak ikonowy. Wiesz, że możesz zachować kierunek, bez konieczności odszyfrowywania jakiegokolwiek kodu, takiego jak 機場. Wkrótce docierasz do zjazdu z autostrady i widzisz kolejny znak z wizerunkiem samolotu. Tym razem samolot wskazuje w prawo, w kierunku zjazdu. Ten rodzaj znaku nazywa się indeksem. Ikony i indeksy biorą swoje znaczenie z cech (podobnych kształtów) i kontekstów fizycznych (wskazywania).

Nie potrzeba mózgu, aby tworzyć skojarzenia za pomocą ikon i indeksów. Wszystkie komórki biologiczne potrafią to robić. Ta bardzo prymitywna forma biosemiozy prawdopodobnie poprzedzała bardziej złożoną semiozę, która ostatecznie wyłoniła się wraz z językiem ludzkim. Podobnie, słowa prawdopodobnie zaczęły się jako ikony i indeksy, a następnie zostały wyabstrahowane z kontekstu i stały się symbolami, które trzeba zapamiętać.

W modelach LLM używa się wyłącznie symboli, czyli znaków konwencjonalnych, których uczy się poprzez powtarzanie. Uczenie się na pamięć jest dla laików.

Systemy żywe potrafią spontanicznie generować nowe hipotezy, bazując na kontekście. Nie potrzebują zewnętrznego programisty ani milionów powtórzeń, aby nauczyć się czegoś nowego.

Aby zilustrować szybkie tworzenie/uczenie się znaków biologicznych, pozwólcie, że najpierw wspomnę o „technice pałacu umysłu” służącej do zapamiętywania. Jeśli chcesz być w stanie przypomnieć sobie wersy bardzo długiego wiersza, możesz przejść się po domu z kilkoma pokojami, przyglądając się przedmiotom w pokojach i kojarząc jeden obiekt z każdym z wersów wiersza. Kiedy później będziesz chciał przypomnieć sobie wiersz, wyobraź sobie, że spacerujesz po pokojach. Przyglądanie się każdemu obiektowi w wyobraźni uruchomi przypomnienie sobie właściwego wersu.

Po drugie, kiedy u kogoś rozwija się zespół stresu pourazowego (PTSD), przypadkowy przedmiot (np. zielony but), który znalazł się w kontekście traumatycznego zdarzenia, może później wywołać wspomnienie tego zdarzenia i spowodować, że dana osoba poczuje lęk.

Zespół stresu pourazowego (PTSD) jest podobny do tego, co nazywa się „pamięcią błyskową”. Niektórzy ludzie potrafią przypomnieć sobie szczegóły miejsca, w którym byli, gdy usłyszeli zaskakujące wieści. Na przykład, przypomnij sobie, gdzie byłeś, gdy dowiedziałeś się o eksplozji wież World Trade Center 11 września.

Z własnego doświadczenia przytaczam jeszcze jeden przykład. Słucham wielu audiobooków w samochodzie. Często gubię się i muszę przeszukiwać nagranie, żeby znaleźć miejsce, w którym skończyłam dzień lub tydzień wcześniej. Kiedy słyszę fragmenty, których już słuchałam, wyobrażam sobie dokładnie, gdzie byłam na drodze, kiedy je usłyszałam.

Wszystkie te przykłady stanowią pewnego rodzaju zapamiętywanie oparte na bliskości dowolnego obiektu do czegoś innego. Co ważne, w żywym systemie wydaje się to zachodzić natychmiast. Sztuczna inteligencja musiałaby zostać gruntownie wyszkolona, ​​aby dokonać takiego skojarzenia.

Co ważne, tego rodzaju przypominanie, z wykorzystaniem znaku indeksu, jest możliwe nawet u prostych organizmów, takich jak śluzowce czy groch. W mojej pracy argumentuję, że takie przykłady natychmiastowych odruchów warunkowych Pawłowa są prawdopodobnie możliwe, gdy dwie różne ścieżki sygnałowe rozpoznające różne obiekty kolidują ze sobą.

Z kolei węzły komputerowe w sieci „neuronowej” są pasywne. Ulegają one modyfikacji w miarę przepływu informacji i zmieniają swoje „ważone” uprzedzenia. Nie interpretują informacji, które przez nie przepływają (nie wiążą ich z obiektami w pomieszczeniu, w którym się znajdują, ani nie dostrzegają przypadkowych podobieństw w fizycznych kształtach symboli) i przekazują je innemu węzłowi w takiej samej postaci, w jakiej je otrzymały (pomijając tarcie).

Żywe komórki podejmują subiektywne decyzje w odpowiedzi na sygnały ze swojego otoczenia. Nie są one biernie kształtowane. Subiektywność oznacza, że ​​komórka może reagować, powiedzmy, na cząsteczkę w swoim otoczeniu, która jest jedynie podobna kształtem do tej, do której reagowania została ukształtowana w toku ewolucji. Komórki mogą w pewnym sensie tworzyć kalambury.

Używanie znaków indeksowych i ikon może być sposobem, w jaki komórki mogą reagować na bodźce w nowy sposób. Co ważne, nie eksplorują one nowych narzędzi losowo. Mogą wchodzić w interakcje tylko ze znakami o podobnym kształcie lub wcześniej skojarzonymi z określonym kontekstem. Kreatywność komórkowa jest w tym przypadku skutecznie ograniczona.

Przyszłość modeli LLM

Poprosiłam asystenta wyszukiwania AI DuckDuckGo o podsumowanie mojego powyższego artykułu:

Przegląd „samonapędzających się cykli i błędów”

W artykule tym analizowane jest, w jaki sposób w systemach żywych powstaje znaczenie subiektywne.

Podkreśla on rolę pamięci w kształtowaniu reakcji na sygnały środowiskowe.

Wyróżnia się dwa poziomy subiektywności: jeden wynikający z pamięci i drugi wynikający z reakcji interpretacyjnych na sygnały.

Kluczowe tematy

Pamięć i przewidywanie: Pamięć modyfikuje wewnętrzne ścieżki, umożliwiając organizmom przewidywanie przyszłych warunków.

Interpretacja: Reakcje na sygnały mogą być postrzegane jako błędne interpretacje, przyczyniające się do powstawania subiektywnego znaczenia.

Implikacje

Zrozumienie znaczenia subiektywnego może pogłębić naszą wiedzę na temat procesów poznawczych w systemach biologicznych i sztucznych.

Odkrycia te mogą znaleźć zastosowanie w takich dziedzinach jak robotyka i sztuczna inteligencja, zwłaszcza przy opracowywaniu adaptacyjnych urządzeń uczących się.

W moim artykule nie sugeruję, że moja praca mogłaby zostać wykorzystana do rozwoju robotyki lub sztucznej inteligencji. Prawdopodobnie większość prac na temat inteligencji można zastosować w sektorze technologicznym, ponieważ to właśnie tego rodzaju badania otrzymują obecnie finansowanie. Dlatego LLM po prostu stwierdza, że moja praca może znaleźć zastosowanie również w robotyce lub sztucznej inteligencji.

Nie jest trafnym stwierdzenie, że podkreślam „rolę pamięci w kształtowaniu reakcji na sygnały środowiskowe”. Tradycyjna literatura, na której szkolono LLM, niewątpliwie potwierdza ten oczywisty fakt. W odróżnieniu od tego, podkreślam twórcze zniekształcenie pamięci w procesie uczenia się nowych reakcji na sygnały środowiskowe.

Twierdzę również, że tylko pewne „reakcje na sygnały można uznać za błędne interpretacje” i jest to rzadkie, ale potencjalnie istotne.

Zabawne, jak sztuczna inteligencja przekształca każdy nowatorski pomysł z powrotem w powszechnie akceptowaną opinię, którą autor próbuje obalić lub przezwyciężyć. Możemy nigdy nie poszerzyć naszej wiedzy, jeśli będziemy polegać na sztucznej inteligencji, która będzie myśleć za nas.

_______________

Did AI just Evolve? I don’t think so, VN Alexander, Nov 6, 2025

(*)Ukończyłam trzy kursy podyplomowe na temat układu odpornościowego prowadzone przez Jamesa Lyonsa-Weilera w IPAK-EDU.org, co dało mi pewność siebie potrzebną do krytycznej oceny publikacji Google-Yale.

−∗−