Týždeň, v ktorom sa meranie ukázalo ako ťažšie než objav
Minulý týždeň sme písali o tom, ako sa AI učí počítať dôkazy. Tento týždeň sa ukázalo, že skôr než dôkazy potrebujeme vedieť merať. Technécium, ktoré lieči rakovinu, vzniklo umelo a hľadali ho desaťročia.
Prvok, ktorý nikto nenašiel v prírode
Technécium je prvok 43. Mendelejev ho predpovedal z periodickej tabuľky skôr, než ho ktokoľvek videl. Trvalo desaťročia, kým ho Emilio Segrè v roku 1937 syntetizoval, a dnes je technécium-99 základom väčšiny diagnostickej nukleárnej medicíny. To je príbeh, ktorý znie ako vedecká rozprávka: teoretická predpoveď, dlhé hľadanie, praktický úžitok.
Lenže pointa nie je v triumfe. Pointa je v tom, že technécium v prírode prakticky neexistuje. Museli sme ho vyrobiť, aby sme ho mohli použiť. To je zásadný posun v chápaní vedy: niekedy objav neznamená nájsť niečo, čo tam bolo, ale vytvoriť niečo, čo tam nebolo, a pochopiť, prečo to funguje. Rovnaký princíp dnes platí pri každom lieku, ktorý nevznikol v prírode, ale v laboratóriu.
Vedci niekedy netvrdia, že niečo našli. Tvrdia, že niečo vyrobili, a potom trvajú na tom, že to nie je to isté ako objav. A majú pravdu.
Meranie ako problém, nie ako nástroj
Paralelne s tým prichádza téma, ktorá sa na prvý pohľad zdá nudná: metrológia, veda o meraní. Od egyptského lakťa z kameňa po atómové mikroskopy, ktoré merajú na nanometre. Znie to ako história techniky. Ale je to niečo iné: dejiny toho, ako sa ľudstvo učilo, že presnosť nie je samozrejmosť, ale výsledok neustáleho zápasu s vlastnými chybami.
A tu sa dostávame k experimentom s atómovými hodinami v Boulderi a na hore vysok 4000 metrov. Cieľom je overiť, či Einsteinova relativity platí aj na úrovni, kde by sa mohli objaviť odchýlky. Hodiny merajú čas na osemnásť desatinných miest. Rozdiel v toku času vplyvom gravitácie je pritom rádovo 25 miliardtín sekundy. To, čo sa zdá ako akademická hra, je v skutočnosti test hraníc fyziky.
Dva pohľady: zástancovia tvrdia, že presnejšie meranie vždy viedlo k novým objavom, aj keď sme netušili, čo hľadáme. Skeptici pripomínajú, že väčšina takýchto experimentov nakoniec potvrdí existujúcu teóriu a výsledkom je len ďalšie desatinné miesto. Obe strany majú pravdu. A obe sa mýlia v tom, čo to znamená pre bežného človeka.
Google má 250 miliónov riadkov kódu a nevie, čo s nimi
Titus Winters z Google hovorí o niečom, čo znie ako firemný problém, ale je to problém nás všetkých: softvér rastie rýchlejšie, než ho stíhame chápať. Google má 250 miliónov riadkov C++ kódu. Winters navrhuje zásadnú reformu vzdelávania programátorov: menej databáz a operačných systémov, viac tímovej spolupráce, psychologickej bezpečnosti a praktických zručností.
Tu treba byť opatrný. Je to tvrdenie človeka zvnútra firmy, ktorá má vlastný záujem na tom, ako sa softvérové inžinierstvo definuje. Na druhej strane, ak niekto spravuje kódovú bázu väčšiu než niektoré štáty, jeho slová majú váhu. Otázka je, či to nie je skôr o tom, že Google potrebuje iný typ zamestnancov, než o tom, že univerzity učia zle.
Podobne DeepSeek: označovaný za "Linux moment" v AI, s otvorenými váhami modelov a cenovým modelom podobným elektrárňam. Znie to revolučne. Ale porovnanie s Linuxom je lákavé a zároveň zavádzajúce: Linux uspel, pretože bol slobodný a komunitný. DeepSeek je firemný projekt, ktorý otvára len časť infraštruktúry. Otvorenosť nie je to isté ako sloboda.
A ako sme písali v Najväčšie riziká umelej inteligencie, otvorený kód a AI nástroje zrýchľujú hľadanie zraniteľností, ale nepomáhajú ich opravovať. To je ten nepohodlný detail, ktorý sa v hypovanych videách často vynecháva.
Wikipédia ako energetická apokalypsa? Skôr mylná otázka
Jedno z videí prináša myšlienkový experiment: čo ak je trénovanie AI modelu na dátach Wikipédie energeticky efektívnejšie než manuálne hľadanie na Wikipédii? Argument znie, že ľudské hľadanie spotrebúva veľa energie. Je to provokatívne a zároveň neúplné. Porovnávať trénovanie modelu s jednorazovým hľadaním je ako porovnávať stavbu cesty s jednou jazdou autom. Celkové náklady na AI sú vyššie, ale rozložené na miliardy dotazov môžu byť nižšie.
Toto je presne ten typ tvrdenia, kde by sme mali byť opatrní. Nie preto, že by bolo nepravdivé, ale preto, že je príliš jednoduché na to, aby bolo celou pravdou. Energetická bilancia AI závisí od toho, čo meriame, kde a za aké obdobie. Bez týchto parametrov je diskusia o "energetickej apokalypse" skôr literárny žáner než analýza.
Čo si z toho máme odniesť my
Tri témy, jeden spoločný menovateľ: limity. Technécium ukazuje, že niektoré veci musíme vyrobiť, aby sme ich pochopili. Atómové hodiny ukazujú, že meranie je náročnejšie než samotný objav. A softvérový priemysel ukazuje, že rýchlosť generovania kódu neznamená rýchlosť porozumenia.
Pre slovenského čitateľa to má konkrétny presah. Ak sa AI stane infraštruktúrou, ktorú budeme používať bez toho, aby sme rozumeli jej limitom, budeme na tom ako firma, ktorá má 250 miliónov riadkov kódu a nevie, čo v nich je. Otázka nie je, či AI zmení prácu. Otázka je, či budeme vedieť merať, čo vlastne zmenila.
A tu sa dostávame k poctivej neistote: nevieme, či nás čaká revolúcia, alebo len ďalšia vrstva nástrojov, ktoré zvládneme rovnako ako predchádzajúce. Vieme len, že mimoriadne tvrdenia vyžadujú mimoriadne dôkazy. A tento týždeň ich bolo skôr pomenej.
Súvisiace články
Komentáre ()