Ludzkość nauczyła się tworzyć wiedzę, ale nie nauczyła się przekazywać zrozumienia

Ludzkość nigdy wcześniej nie miała takiego dostępu do informacji jak dzisiaj.

Prawie każdy człowiek w ciągu kilku sekund może znaleźć podręcznik fizyki kwantowej, wykłady najlepszych uniwersytetów świata, dokumentację programistyczną, artykuły naukowe z genetyki, kursy ekonomii, historii, inżynierii czy medycyny.

A wraz z pojawieniem się sztucznej inteligencji znika nawet potrzeba samodzielnego szukania większości tych informacji. Wystarczy zadać pytanie i otrzymać odpowiedź.

Wydawałoby się, że rozwiązaliśmy problem dostępu do wiedzy.

Ale nie rozwiązaliśmy znacznie ważniejszego problemu.

Dostęp do informacji to nie dostęp do zrozumienia.

Można dać człowiekowi absolutnie dokładny tekst naukowy, zawierający niezwykle cenne informacje, i nie przekazać mu praktycznie niczego.

Ponieważ do zrozumienia informacji człowiek musi już coś rozumieć.

I właśnie tutaj tkwi jeden z fundamentalnych problemów współczesnego systemu przekazywania wiedzy.

Pojęcie — elementarna jednostka zrozumienia

Jesteśmy przyzwyczajeni do mierzalności informacji w słowach, stronach, książkach, wykładach, godzinach nauki, gigabajtach danych.

Ale ludzkie myślenie działa inaczej.

Nie przechowujemy w sobie książek.

Budujemy pojęcia.

Pojęcie to skończona jednostka sensu, którą człowiek potrafi rozpoznać, odtworzyć w myśli i wykorzystać do zrozumienia czegoś kolejnego.

Na przykład słowo „ciśnienie” samo w sobie nie jest wiedzą.

Dla jednej osoby kryje się za nim szkolna definicjonalna formułka, którą niemal zapomniała.

Dla inżyniera — cały system modeli fizycznych.

Dla hydraulika — także doświadczenie praktyczne: jak zachowuje się woda, co dzieje się przy zmianie średnicy rury, dlaczego system hałasuje, gdzie pojawiają się problemy.

Słowo jest jedno.

Pojęcia za nim stoją różne.

I odwrotnie: człowiek może doskonale rozumieć jakąś ideę, w ogóle nie znając przyjętego terminu naukowego.

Na przykład rozumie, że system może sam zmniejszać oddziaływanie, gdy wynik staje się zbyt duży, i zwiększać je, gdy wynik staje się zbyt mały.

On już rozumie ten mechanizm.

Może po prostu nie wiedzieć, że istnieje termin „ujemne sprzężenie zwrotne”.

Dlatego termin i pojęcie to nie to samo.

Termin to wskaźnik.

Pojęcie to to, co rozkręca się za tym wskaźnikiem w głowie człowieka.

Ta różnica wydaje się niewielka, ale całkowicie zmienia spojrzenie na edukację.

Człowiek nie gromadzi wiedzy liniowo

Wyobrażenie o nauce jako o kolejnym zapełnianiu głowy informacjami jest zbyt prymitywne.

Dzieje się coś innego.

Człowiek przyswaja nowe pojęcie poprzez już istniejące.

Najpierw złożoną ideę trzeba wyjaśnić długo — poprzez przykłady, analogie i znane zjawiska.

Potem człowiek ją rozumie.

Następnie całą konstrukcję można zapakować w krótką nazwę.

Teraz wystarczy powiedzieć:

„ujemne sprzężenie zwrotne”

— i w głowie człowieka rozwija się znany mu już model.

Kilka akapitów informacji zamieniło się w dwa słowa.

Ale stało się coś jeszcze ważniejszego.

Nowe pojęcie można teraz wykorzystać do zrozumienia kolejnych pojęć.

Dlatego nauka nie wygląda tak:

wiedza + wiedza + wiedza + wiedza.

Raczej tak:

zrozumiał → skompresował → użył ponownie → poprzez to zrozumiał coś trudniejszego → znów skompresował.

Człowiek stale przebudowuje własny język myślenia.

Im bogatszy jest ten system, tym bardziej złożone informacje można mu przekazać krótką wiadomością.

Fraza całkowicie bezsensowna dla jednej osoby może przekazać innej ogromną ilość wiedzy w ciągu kilku sekund.

Dła tego właśnie dwie osoby mogą przeczytać ten sam artykuł naukowy i faktycznie wyciągnąć z niego zupełnie różną ilość informacji.

Przekazanie informacji nie oznacza przekazania zrozumienia

Wyobraźmy sobie zdanie:

Nowoczesne systemy wykorzystują knowledge tracing w połączeniu z knowledge graphs do budowania adaptive learning paths z uwzględnieniem cognitive load i prerequisites uczącego się.

Dla specjalistów może to być zupełnie normalne i kompaktowe sformułowanie.

Dla ogromnej liczby ludzi to śmieci informacyjne.

Nie dlatego, że nie są w stanie pojąć tej idei.

Ale dlatego, że komunikat został zakodowany za pomocą pojęć, których jeszcze nie ma w ich głowach.

Można było wyrazić tę samą myśl inaczej:

Komputer może stopniowo określać, co człowiek już rozumie, jakiej wiedzy jeszcze potrzebuje i w jakiej kolejności najlepiej mu ją przekazać, aby nie zmuszać go do studiowania zbyt wielu nowych rzeczy naraz.

Teraz komunikat stał się dostępny dla zupełnie innej audytorii.

Informacja w istocie prawie się nie zmieniła.

Zmienił się sposób jej kodowania.

I to pozwala sformułować najważniejszą zasadę:

Dobre wyjaśnienie określa się nie tylko tym, co wie nadawca. Określa je to, co już wie odbiorca.

Uniwersalnie dobrego wyjaśnienia może w ogóle nie być.

Wiedza naukowa coraz bardziej się kompresuje

W miarę rozwoju każdej dziedziny pojawia się jej własny język.

Jest to konieczne.

Dla specjalistów nie ma sensu za każdym razem wyjaśniać podstawowych idei od zera. Złożone konstrukcje otrzymują nazwy i zamieniają się w nowe bloki konstrukcyjne myślenia.

Jeden termin zaczyna zastępować stronę wyjaśnień.

Jest to niezwykle wydajna kompresja informacji.

Ale ma swoją cenę.

Aby rozpakować taki termin, człowiek musi wcześniej posiadać odpowiednie pojęcie.

Dlatego każda rozwinięta dziedzina stopniowo tworzy własny dekoder.

Fizycy rozumieją fizyków.

Biolodzy — biologów.

Ekonomiści — ekonomistów.

Programistów — programiści.

Problem staje się szczególnie widoczny na styku dyscyplin.

Wysoko wykwalifikowany specjalista może otworzyć pracę z sąsiedniej dziedziny i odkryć, że znaczna część tekstu jest dla niego praktycznie niezrozumiała.

Potrafi przeczytać każde pojedyncze słowo.

Ale nie potrafi rozpakować stojących za nimi pojęć.

Powstaje parados.

Ludzkość wie coraz więcej, ale poszczególnemu człowiekowi coraz trudniej uzyskać dostęp do całej wiedzy ludzkości.

Nowoczesna edukacja próbuje rozwiązać nie to zadanie

Tradycyjna edukacja zazwyczaj zaczyna od przedmiotu.

Oto program.

Oto sekwencja tematów.

Oto pierwszy semestr.

Oto drugi.

Oto lista lektur.

A potem tą trasą próbuje się przeprowadzić tysiące zupełnie różnych ludzi.

Ale ci ludzie mają różne głowy.

Jeden zna już połowę potrzebnych pojęć.

Innemu brakuje kilku podstawowych.

Trzeci doskonale rozumie samą ideę, ale nie zna profesjonalnego terminu.

Czwarty zna termin i potrafi powtórzyć definicję, ale pojęcia za nią faktycznie nie ma.

Piąty przyszedł w ogóle dla jednej konkretnej umiejętności, do której 80% kursu nigdy nie będzie potrzebne.

Próbujemy dostosować człowieka do programu nauczania.

Logiczniej jest zrobić odwrotnie.

Należy zaczynać nie od przedmiotu. Należy zaczynać od celu

Załóżmy, że człowiek chce zdobyć jakąś umiejętność.

Nie „naucz się programowania”.

Lecz na przykład:

nauczyć się samodzielnie tworzyć proste narzędzia cyfrowe dla swojego biznesu.

To zupełnie inne postawienie zadania.

Teraz można zapytać:

Co ten konkretny człowiek musi naprawdę zrozumieć, aby zdobyć tę umiejętność?

Co już rozumie?

Jakich pojęć brakuje?

Które z tradycyjnie nauczanych rzeczy technologia współczesna uczyniła już opcjonalnymi?

Co wystarczy mu wiedzieć pobieżnie?

Co trzeba zrozumieć głęboko?

Jakie pośrednie pojęcia można w ogóle ominąć?

I nagle okazuje się, że tradycyjną ścieżkę długości tysiąca umownych jednostek wiedzy można skrócić do dwustu.

Nie kosztem pogorszenia wyniku.

Lecz poprzez usunięcie informacji, które nie są potrzebne do postawionego celu przez tego konkretnego człowieka w istniejącym świecie technologicznym.

Technologia stale niszczy starą, obowiązkową wiedzą

U zarania komputerów osobistych człowieka rzeczywiście trzeba było uczyć uruchamiania powłoki graficznej poleceniem win.

Trzeba było wyjaśniać, czym jest okno, ikona, dwukrotne kliknięcie.

Dzisiaj ogromnej liczbie ludzi ta wiedza nigdy nie będzie potrzebna.

Technologia ukryła odpowiedni poziom złożoności.

Ale edukacja cechuje się ogromną bezwładnością.

Nadal budujemy programy wychodząc z historycznie ukształtowanych łańcuchów:

aby zrozumieć D, najpierw przestudiuj A, potem B, a następnie C.

Chociaż współczesny świat pozwala już na:

A → D.

Lub wręcz:

D.

Szczególnie szybko dzieje się to teraz dzięki sztucznej inteligencji.

To, co pięć lat temu było niezbędną kompetencją zawodową, jutro może stać się wewnętrznym detalem technicznym systemu inteligentnego.

Wynika z tego, że łańcuch obowiązkowych pojęć nie może być stały.

Musi być nieustannie weryfikowany.

Sztuczna inteligencja umożliwia inną architekturę nauki

Przed pojawieniem się nowoczesnych systemów AI personalizacja przekazu wiedzy w taki sposób była praktycznie niemożliwa.

Autor podręcznika jest zmuszony napisać jedną wersję tekstu.

Wykładowca może nieco dostosować wyjaśnienie do audytorium, ale fizycznie nie jest w stanie stale podtrzymywać dokładnego modelu wiedzy każdego z setek uczniów.

Sztuczna inteligencja potrafi działać inaczej.

System może stopniowo budować żywy model pojęć konkretnego człowieka.

Nie po prostu:

zna matematykę — 72%.

Lecz:

to pojęcie rozumie dobrze; tego używa, ale nie rozumie mechanizmu; to zna pod inną nazwą; tutaj brakuje niezbędnego związku przyczynowego; ten termin jest człowiekowi nieznany, chociaż sama idea jest mu już jasna.

Następnie zadanie wyjaśnienia staje się obliczalne.

Istnieją:

cel człowieka;

jego obecny system pojęć;

ogromny graf ludzkiej wiedzi;

współczesne możliwości technologiczne.

Trzeba znaleźć minimalny łańcuch zmian, który doprowadzi człowieka od obecnego stanu do wymaganej umiejętności.

Minimizować należy nie czas nauki

Zazwyczaj pytamy:

Jak wyjaśnić ten kurs szybciej?

To pytanie wtórne.

Pierwsze powinno brzmieć:

Dlaczego człowiek w ogóle ma uczyć się całego tego kursu?

Jeśli program zawiera tysiąc pojęć, a dla celu konkretnego człowieka potrzeba stu, przyspieszanie nauki tysiąca to zła optymalizacja.

Najpierw trzeba wyrzucić dziewięćset.

Z pozostałej setki część człowiek już zna.

Niektóre można zastąpić ogólniejszym modelem.

Niektóre wystarczy zaznaczyć: „wiedz, że taki obszar istnieje i kiedy się do niego zwrócić”.

Niektóre rzeczywiście trzeba zrozumieć głęboko.

Dopiero wtedy ma sens optymalizowanie wyjaśnienia.

Nie możemy zmusić ludzkiego mózgu do uczenia się dwadzieścia razy szybciej.

Ale czasami możemy dwudziestokrotnie zmniejszyć ilość tego, czego naprawdę musi się nauczyć.

To zasadniczo inny sposób przyspieszania rozwoju człowieka.

Przy tym minimalna ścieżka dla każdego jest inna

Załóżmy, że trzeba wyjaśnić człowiekowi jakiś system sterowania.

Inżynierowi wygodniej wyjaśnić go matematycznie.

Programiscie — przez stan programu i feedback loop.

Przedsiębiorcy — przez ceny i zmianę popytu.

Hydraulikowi — przez ciśnienie i zawór.

To nie są cztery różne pojęcia.

To cztery różne sposoby dotarcia do wystarczająco bliskiego modelu wewnętrznego.

Po tym, jak zrozumienie już nastąpi, można powiedzieć:

W ogólnej formie nazywa się to tak a tak.

Teraz profesjonalny termin przestał być nieznanym słowem.

Staлся skompresowanym wskaźnikiem na już istniejące pojęcie.

Kolejne wyjaśnienie można budować już poprzez niego.

Dlatego system nauczania musi stale zmieniać się razem z człowiekiem.

Wyjaśnienie, które jest mu potrzebne dzisiaj, za pół roku stanie się irytująco prymitywne.

Jego wewnętrzny dekoder uległ zmianie.

To znaczy, że język systemu też musi się zmienić.

Najpierw trzeba nauczyć człowieka uczyć się

Ale istnieje problem jeszcze głębszy niż jakakolwiek technologia.

Ogromna liczba ludzi w ogóle nie rozumie, co dzieje się w momencie nauki.

Człowiek przychodzi na kurs.

Słucha wykładu.

W pewnym momencie przestaje rozumieć, co się dzieje.

Słucha dalej.

Kolejne wyjaśnienia opierają się już na niezrozumianym pojęciu.

Po dwudziestu minutach trzy pojęcia są niezrozumiałe.

Po godzinie — połowa materiału.

I człowiek wyciąga wniosek:

„Nie jestem dość mądry”.

Chociaż techniczny opis problemu może być zupełnie inny:

w łańcuchu zrozumienia brakuje jednego węzła.

Być może wykładowca użył terminu, zakładając, że jest on już znany.

Być może pominął związek przyczynowy.

Być może użył abstrakcji, którą konkretnemu człowiekowi łatwiej było najpierw pokazać na przykładzie.

Być może cały materiał pośredni w ogóle nie jest potrzebny do jego zadania.

Dlatego jedną z pierwszych umiejętności, jakich należy nauczyć człowieka, jest diagnozowanie własnego niezrozumienia.

Nie:

Nie rozumiem fizyki.

Lecz:

W tym wyjaśnieniu rozumiem A i B, ale nie rozumiem, dlaczego z B wynika C.

Lub:

Nie wiem, co oznacza słowo X.

Lub:

Sam mechanizm jest dla mnie jasny, ale nie rozumiem, po co jest tu stosowany.

Niezrozumienie przestaje być oceną człowieka.

Staje się konkretną usterką techniczną w łańcuchu pojęć, którą można znaleźć i usunąć.

O to właśnie chodzi w nauce uczenia się.

Sztuczna inteligencja potrafi zarówno zwiększać, jak i zmniejszać przepaść intelektualną

Pojawia się tu kolejny problem.

Często zakładamy, że dostępna dla wszystkich sztuczna inteligencja wyrówna ludzi intelektualnie.

Wcale to nie jest takie pewne.

Wyobraźmy sobie dwóch ludzi z takim samym dostępem do tego samego modelu.

Pierwszy używa go tak:

Zrób to.

AI robi.

Człowiek otrzymuje wynik.

Drugi:

Dlaczego wyszło akurat tak? Jakie istnieją tu alternatywy? Czego nie rozumiem? Do jakiej ogólniejszej zasady to jest podobne? Gdzie jeszcze to ma zastosowanie? Jakie założenia przyjęliśmy teraz w milczeniu?

AI odpowiada.

Odpowiedź rodzi nowe pytania.

Nowe odpowiedzi tworzą nowe pojęcia.

Nowe pojęcia pozwalają człowiekowi zadawać pytania, które wcześniej nawet nie przyszłyby mu do głowy.

Pojawia się dodatnie sprzężenie zwrotne:

zrozumienie → silniejsze pytania → silniejsze wykorzystanie AI → nowe zrozumienie → jeszcze silniejsze pytania.

Dlatego jednakowy dostęp do AI może prowadzić do zupełnie różnych rezultatów.

U jednego człowieka rośnie przede wszystkim wydajność.

U drugiego jednocześnie rośnie sam człowiek.

A przepaść między nimi może nie maleć, lecz gwałtownie rosnąć.

W takim przypadku sztuczna inteligencja staje się wzmacniaczem dyspersji intelektualnej.

Złożoność rezultatu nie odzwierciedla już złożoności człowieka

To nowy stan dla ludzkości.

Wcześniej istniał stosunkowo silny związek:

aby tworzyć bardziej złożone rzeczy, człowiek musiał sam stawać się bardziej kompetentny.

Sztuczna inteligencja stopniowo zrywa ten związek.

Człowiek może stworzyć produkt programistyczny, praktycznie nie znając programowania.

Może otrzymać złożony raport analityczny, nie władając odpowiednimi metodami analizy.

Może zarządzać procesami, których wewnętrznej budowy prawie nie rozumie.

Nie musi to być złe.

Ale pojawia się zasadnicza różnica:

złożoność wytworzonego przez człowieka rezultatu ≠ złożoność intelektualna samego człowieka.

Można produkować ogromną ilość intelektualnie złożonych produktów, importując niemal całą zawartą w nich złożoność z AI.

Dlatego wydajności nie można już uważać za wystarczający wskaźnik rozwoju człowieka.

Należy postawić inne pytanie:

Co zmieniło się w głowie człowieka po wykonaniu tej pracy?

Ale nie wolno zamieniać każdej pracy w lekcję

Stąd łatwo wyciągnąć błędny wniosek:

Oznacza to, że AI musi za każdym razem zmuszać człowieka do samodzielnego myślenia i tłumaczyć mu wszystko, co robi.

To zniszczy sam sens automatyzacji intelektualnej.

Ludzka uwaga jest ograniczona.

Nie można zmuszać człowieka do studiowania wewnętrznej budowy każdego narzędzia, z którego korzysta.

Właśnie dlatego centralną staje się idea minimalnie niezbędnego pojęcia.

System musi umieć odróżniać:

to człowiek musi zrozumieć;

o tym wystarczy wiedzieć, że istnieje;

to przyda się tylko w razie wystąpienia określonej sytuacji;

to można w pełni przekazać maszynie.

Celem nie jest maksymalizacja wiedzy człowieka.

Celem jest maksymalizacja jego zdolności do rozumienia i działania przy minimalnym koszcie poznawczym.

Pojęcie staje się ostateczną jednostką informacyjną

Wynika z tego zasada architektoniczna.

Nie artykuł.

Nie książka.

Nie lekcja.

Nie kurs.

Nie dyscyplina.

Pojęcie.

Duże konstrukcje informacyjne są potrzebne tylko dlatego, że czasami do zbudowania jednego pojęcia człowiek potrzebuje długiej sekwencji wyjaśnień.

Ale ostatecznym wynikiem nie jest przeczytana strona.

Wynikiem jest powstała w głowie konstrukcja sensu, którą człowiek potrafi wykorzystać dalej.

Dlatego pojęcie można postrzegać jednocześnie jako elementarną i ostateczną jednostkę wiedzy.

Elementarną — ponieważ dalsza nauka buduje się z już opanowanych pojęć.

Ostateczną — ponieważ zadanie przekazu informacji kończy się nie wtedy, gdy człowiek przeczytał tekst, ale wtedy, gdy niezbędne pojęcie zostało pomyślnie zrekonstruowane w jego modelu świata.

Tekst jest transportem.

Termin jest adresem.

Wyjaśnienie jest sposobem dekodowania.

Pojęcie — wynikiem.

Być może potrzebujemy nowej teorii przekazywania wiedzy

Klasyczna teoria informacji znakomicie odpowiada na pytania dotyczące przesyłania sygnałów.

Ale w uczeniu się ludzi nie wystarczy wiedzieć, ile informacji przesłano.

Można przekazać gigabajt tekstu i praktycznie nic nie zmienić w głowie odbiorcy.

A można wypowiedzieć jedną frazę — i przebudować jego wyobrażenie o całej dziedzinie.

Oznacza to, że interesuje nas inna wielkość.

Nie:

ile informacji przekazano?

Lecz:

jaka pożyteczna zmiana zaszła w systemie pojęć odbiorcy i jakim kosztem poznawczym?

Pozwala to inaczej zdefiniować efektywność nauki.

Dobre wyjaśnienie to nie to najpełniejsze.

Nie najbadziej naukowe.

Nie najkrótsze.

I nawet niekoniecznie najdokładniejsze w maksymalnej liczbie szczegółów.

Dobre wyjaśnienie to takie, które przy minimalnym nakładzie ludzkiej uwagi tworzy wystarczariowo dokładne pojęcie dla kolejnego niezbędnego działania lub zrozumienia.

A potem to pojęcie staje się materiałem budulcowym następnego.

Od edukacji uniwersalnej do żywego systemu pojęć

W rezultacie otrzymujemy zupełnie inną architekturę.

Nie istnieje jedyny słuszny kurs.

Nie istnieje stały zestaw obowiązkowych prerequisites.

Nie istnieje jedno optymalne wyjaśnienie.

Jest człowiek w stanie H₀.

Jest umiejętność, którą chce zdobyć — T.

Jest obecny stan świata i technologii — W.

I istnieje pewna minimalna transformacja:

H₀ → H₁ → H₂ → … → T

Każde przejście to pojawienie się lub przebudowa pojęcia.

Po każdym przejściu trasę można przeliczyć na nowo.

Być może nowe pojęcie pozwoliło przeskoczyć trzy kolejne.

Być może wykryto starą lukę.

Być może człowiek już samodzielnie zbudował niezbędne powiązanie.

Być może technologia się zmieniła i cała gałąź wiedzy nie jest już potrzebna.

Dlatego graf musi być żywy.

I model człowieka musi być żywy.

Główne zadanie — zwiększyć przepustowość ludzkiego rozwoju

Fizjologia człowieka zmienia się powoli.

Nie możemy po prostu dziesięciokrotnie zwiększyć ludzkiej pamięci ani zmusić mózgu do przyswajania złożonych modeli z prędkością komputera.

Ale ogromna część dzisiejszego kosztu nauki wcale nie jest determinowana przez fizjologię.

Jest determinowana przez złe routowanie informacji.

Uczymy tego, co już jest znane.

Wyjaśniamy przez nieznane terminy.

Przekazujemy detale, które nigdy się nie przydadzą.

Zmuszamy do studiowania historycznie ukształtowanych prerequisites.

Używamy tych samych wyjaśnień dla różnych ludzi.

Mylimy rozpoznawanie terminów ze zrozumieniem pojęć.

Nie zauważamy małych luk, które blokują całe późniejsze łańcuchy.

I zmuszamy człowieka do samodzielnego szukania drogi przez gigantyczną przestrzeń ludzkiej wiedzi.

Sztuczna inteligencja pozwala po raz pierwszy zaatakować prawie wszystkie te straty jednocześnie.

Nie sprawić, by mózg działał szybciej.

Uczynić drogę krótszą.

Nie dać człowiekowi więcej informacji.

Przekazać mniej — ale dokładnie taką, którą jest w stanie przekształcić w zrozumienie.

Nie zmuszać wszystkich do wiedzy o wszystkim.

Dać każdemu minimalnie wystarczający system pojęć, pozwalający poruszać się dalej.

I być może właśnie to stanie się jedną z głównych zmian w edukacji w erze sztucznej inteligencji.

Ponieważ problem ludzkości od dawna nie polega na braku informacji.

Problem polega na tym, ile ludzkiego życia potrzeba dziś, aby przekształcić dostępną informację w zrozumienie.