Eigenlijk hebben de meeste studies tot nu toe aangetoond dat AI ongelijkheid vermindert en vaardigheidskloven sluit. Er zijn relatief weinig studies die het tegendeel hebben gevonden - dat experts zelfs beter werden. Eén was overtuigend genoeg om een verhaal te bouwen dat AI de vaardigheidskloof zou vergroten. Maar het was niet echt.

In mijn Engelse les op de middelbare school moesten we elk boek twee keer lezen, eenmaal in de eerste helft van de les en dan in de tweede helft, met de volgorde van de boeken omgekeerd. Ik herinner me dat ik geïrriteerd was door dit concept, maar aan het einde van de les begreep ik het. De schoonheid van fictie is de onderdompeling in een diep aspect van de menselijke ervaring. Misdaad en straf was zo'n boek: de eerste keer leerde ik het verhaal. De tweede keer ervoer ik het. Ik herinner me hoe ik de eerste keer de verhaallijn volgde, de tweede keer was ik in staat om de verlossing echt te internaliseren. De trend dat leraren niet eens hele boeken meer toewijzen, gaat toekomstige generaties deze gave ontnemen.

Er zijn hier veel discussies geweest over AI en creativiteit - zal AI in staat zijn om echt nieuwe kennis of kunst te creëren? Er is een onderscheid tussen twee soorten creativiteit: gesloten (met een specifiek doel) en open, "blue sky" creativiteit (open einde). In een van mijn favoriete artikelen: gesloten creativiteit reageert op prikkels; "blue sky" creativiteit doet dat niet - het is gebaseerd op intrinsieke motivatie. Een belangrijk onderdeel van het trainen van AI-systemen is RL, dat positieve signalen genereert op basis van de output van het model. Het kan zijn dat dit systeem "gesloten" creativiteit optimaliseert, maar de plank misslaat bij "blue sky" creativiteit. Inderdaad, dezelfde set auteurs toont aan dat mensen AI blijven domineren op "blue sky" creativiteit, maar onderpresteren bij taken die gesloten creativiteit vereisen. Als we willen dat AI echt nieuwe kennis creëert, is het nuttig om na te denken over hoe we de training voor dit type "blue sky" creativiteit kunnen optimaliseren. Dit roept veel belangrijke vragen op over hoe we de beloningsfunctie kunnen ontwerpen, hoe we het model kunnen voorzien van intrinsieke motivatie (wat een actief onderzoeksgebied is), enz.