На самом деле большинство исследований до сих пор показали, что ИИ уменьшает неравенство и закрывает разрывы в навыках. Сравнительно немного исследований обнаружили обратное — что эксперты стали еще лучше. Одно из них было достаточно убедительным, чтобы создать нарратив о том, что ИИ увеличит разрыв в навыках. Но это не было правдой.

В моем классе английского языка в старшей школе нам приходилось читать каждую книгу дважды: сначала в первой половине занятия, а затем во второй половине, при этом порядок книг менялся. Я помню, что был раздражен этой концепцией, но к концу занятия я понял. Красота художественной литературы заключается в погружении в какую-то глубокую сторону человеческого опыта. "Преступление и наказание" была одной из таких книг: в первый раз я усвоил сюжет. Во второй раз я его пережил. Я помню, как в первый раз следил за развитием сюжета, а во второй раз я действительно смог осознать искупление. Тенденция, когда учителя даже не назначают целые книги, лишит будущие поколения этого дара.

Здесь было много обсуждений о ИИ и креативности — сможет ли ИИ создать по-настоящему новые знания или искусство? Существует различие между двумя типами креативности: закрытой (с конкретной целью) и открытой, "голубого неба" креативностью (без определенного конца). В одной из моих любимых статей: закрытая креативность реагирует на стимулы; креативность "голубого неба" — нет — она основана на внутренней мотивации. Ключевым компонентом обучения ИИ-систем является RL, который генерирует положительные сигналы в зависимости от вывода модели. Возможно, эта система оптимизирует "закрытую" креативность, но не достигает успеха в "креативности голубого неба". Действительно, тот же набор авторов показывает, что люди продолжают доминировать над ИИ в "креативности голубого неба", но показывают худшие результаты в задачах, связанных с закрытой креативностью. Если мы хотим, чтобы ИИ создавал по-настоящему новые знания, полезно подумать о том, как оптимизировать обучение для этого типа "креативности голубого неба". Это открывает множество важных вопросов о том, как разработать функцию вознаграждения, как наделить модель внутренней мотивацией (что является активной областью исследований) и т.д.