Η AI και η ανθρώπινη σκέψη έχουν αρχίσει να συνδέονται με έναν τρόπο που πριν από λίγα χρόνια θα έμοιαζε αδιανόητος. Για εκατομμύρια ανθρώπους, ένα chatbot δεν είναι πλέον απλώς εργαλείο αναζήτησης, αλλά γράφει κείμενα, συνοψίζει πληροφορίες, λύνει προβλήματα, οργανώνει επιχειρήματα και συχνά αναλαμβάνει μέρος της ίδιας της διαδικασίας της σκέψης.
Αυτό ακριβώς βρίσκεται στο επίκεντρο μιας ολοένα εντονότερης συζήτησης: τι συμβαίνει όταν η πιο εύκολη επιλογή είναι να ζητήσουμε από μια AI να σκεφτεί πρώτη; Η ανησυχία δεν είναι ότι η τεχνητή νοημοσύνη θα «καταστρέψει τον εγκέφαλο», αλλά ότι μπορεί σταδιακά να μας εκπαιδεύσει να αποφεύγουμε τη γνωστική προσπάθεια που είναι απαραίτητη για να μαθαίνουμε, να θυμόμαστε και να κρίνουμε.
Ο εγκέφαλος δεν είναι απλώς ένας βιολογικός υπολογιστής
Στη Silicon Valley είναι δημοφιλής η σύγκριση του εγκεφάλου με έναν υπολογιστή.
Η εικόνα είναι ελκυστικά απλή. Δεχόμαστε πληροφορίες ως input, τις επεξεργαζόμαστε και παράγουμε μια απόφαση ή συμπεριφορά ως output.
Το μοντέλο αυτό ήταν εξαιρετικά χρήσιμο για την πληροφορική και τις γνωστικές επιστήμες. Δεν περιγράφει όμως ολόκληρη την ανθρώπινη νόηση.
Ο ανθρώπινος εγκέφαλος δεν εξελίχθηκε για να επεξεργάζεται απλώς δεδομένα. Εξελίχθηκε μέσα σε ένα σώμα, ένα φυσικό περιβάλλον και ένα κοινωνικό σύστημα, όπου η μάθηση συνδέεται με εμπειρίες, κίνηση, αλληλεπίδραση, μνήμη, λάθη και συνεχή ανατροφοδότηση.
Αυτό έχει σημασία όταν εξετάζουμε την AI και την ανθρώπινη σκέψη, επειδή ένα chatbot μπορεί να παραδώσει το τελικό αποτέλεσμα χωρίς ο χρήστης να περάσει απαραίτητα από τη διαδικασία που παράγει την κατανόηση.
Το πρόβλημα του cognitive offloading
Οι άνθρωποι ανέκαθεν χρησιμοποιούσαν εργαλεία για να μεταφέρουν μέρος της γνωστικής εργασίας έξω από το μυαλό τους.
Γράφουμε σημειώσεις για να μη θυμόμαστε τα πάντα. Χρησιμοποιούμε αριθμομηχανές αντί να κάνουμε πολύπλοκους υπολογισμούς. Τα smartphones θυμούνται τηλέφωνα, διευθύνσεις και διαδρομές.
Αυτό ονομάζεται cognitive offloading και από μόνο του δεν είναι κάτι αρνητικό.
Η έρευνα όμως δείχνει ότι υπάρχει ένα trade-off. Όταν γνωρίζουμε ότι μια πληροφορία είναι αποθηκευμένη εξωτερικά, έχουμε μικρότερο κίνητρο να την κωδικοποιήσουμε στη δική μας μνήμη. Πρόσφατη μελέτη σε παιδιά και ενήλικες έδειξε ακριβώς αυτή τη μείωση της εσωτερικής επεξεργασίας μνήμης όταν οι συμμετέχοντες μπορούσαν να βασιστούν σε εξωτερικό μέσο αποθήκευσης. Η μελέτη δεν αφορούσε generative AI, αλλά δείχνει τον ευρύτερο μηχανισμό πάνω στον οποίο βασίζεται η ανησυχία.
Με ένα LLM, το offloading μπορεί να πάει πολύ πιο μακριά.
Δεν αποθηκεύουμε απλώς μια πληροφορία έξω από το μυαλό μας. Μπορούμε να εκχωρήσουμε την οργάνωση του επιχειρήματος, την αναζήτηση εναλλακτικών, ακόμη και την παραγωγή της τελικής απάντησης.
Τι δείχνουν οι πρώτες έρευνες
Μια μελέτη της Microsoft Research με 319 εργαζομένους εξέτασε 936 πραγματικές περιπτώσεις χρήσης generative AI.
Το αποτέλεσμα δεν ήταν ότι «η AI καταστρέφει την κριτική σκέψη». Ήταν πιο ενδιαφέρον.
Όσο μεγαλύτερη εμπιστοσύνη είχαν οι εργαζόμενοι στις απαντήσεις της AI, τόσο λιγότερη κριτική προσπάθεια δήλωναν ότι κατέβαλλαν. Αντίθετα, άνθρωποι με μεγαλύτερη εμπιστοσύνη στις δικές τους γνώσεις ήταν πιθανότερο να ελέγξουν, να αμφισβητήσουν και να επεξεργαστούν το αποτέλεσμα.
Η AI δεν εξαφάνιζε απαραίτητα την κριτική σκέψη. Τη μετέφερε σε διαφορετικό επίπεδο – από τη δημιουργία του αποτελέσματος στον έλεγχο, την επαλήθευση και την ενσωμάτωσή του.
Αυτό όμως απαιτεί ο χρήστης να γνωρίζει αρκετά ώστε να καταλαβαίνει πότε η AI κάνει λάθος.
Το πείραμα του MIT που προκάλεσε συζήτηση
Ακόμη μεγαλύτερη δημοσιότητα απέκτησε έρευνα του MIT Media Lab πάνω στη συγγραφή κειμένων.
Οι συμμετέχοντες χωρίστηκαν σε ομάδες που χρησιμοποιούσαν LLM, μηχανή αναζήτησης ή μόνο τις δικές τους γνώσεις. Με EEG οι ερευνητές παρακολούθησαν μοτίβα εγκεφαλικής συνδεσιμότητας.
Η ομάδα που έγραφε χωρίς εργαλεία εμφάνισε την ισχυρότερη και περισσότερο κατανεμημένη συνδεσιμότητα. Οι χρήστες LLM εμφάνισαν τη χαμηλότερη, ενώ δυσκολεύονταν περισσότερο να ανακαλέσουν συγκεκριμένα σημεία από τα κείμενα που είχαν μόλις δημιουργήσει.
Το αποτέλεσμα είναι ενδιαφέρον αλλά πρέπει να αντιμετωπίζεται προσεκτικά.
Η έρευνα είχε μικρό δείγμα – 54 άτομα στις αρχικές συνεδρίες – και εξέταζε μία συγκεκριμένη δραστηριότητα, τη συγγραφή essay. Δεν αποδεικνύει ότι η καθημερινή χρήση ChatGPT μειώνει μόνιμα τη νοητική ικανότητα ούτε ότι κάθε χρήση AI έχει το ίδιο αποτέλεσμα.
Η AI μπορεί επίσης να κάνει το αντίθετο
Εδώ βρίσκεται και η αδυναμία της παρομοίωσης της AI με «junk food».
Η ίδια τεχνολογία μπορεί να χρησιμοποιηθεί είτε για να παρακάμψει τη σκέψη είτε για να την προκαλέσει.
Ένα chatbot που παραδίδει έτοιμη εργασία με ένα prompt μπορεί να μειώσει δραματικά την προσπάθεια που απαιτείται από τον μαθητή.
Ένα chatbot όμως που κάνει ερωτήσεις, αμφισβητεί το σκεπτικό, ζητά εξηγήσεις και προσαρμόζει τη δυσκολία μπορεί να λειτουργήσει διαφορετικά. Πειραματικό neuroadaptive AI tutor του MIT, για παράδειγμα, κατάφερε να αυξήσει την καταγεγραμμένη γνωστική εμπλοκή των συμμετεχόντων, αν και δεν εμφάνισε σημαντική βελτίωση στα βραχυπρόθεσμα μαθησιακά αποτελέσματα.
Άρα το πραγματικό ερώτημα για την AI και την ανθρώπινη σκέψη ίσως δεν είναι αν πρέπει να χρησιμοποιούμε AI.
Είναι τι επιλέγουμε να της αναθέσουμε.
Το πιο επικίνδυνο prompt μπορεί να είναι το «κάν’ το για μένα»
Η generative AI είναι εξαιρετικά καλή στην αφαίρεση τριβής.
Αυτό είναι ταυτόχρονα το μεγαλύτερο πλεονέκτημα και ο μεγαλύτερος κίνδυνός της.
Στην εργασία, η μείωση της τριβής μπορεί να εξοικονομεί ώρες. Σε μεγάλη πειραματική μελέτη της Microsoft, εργαζόμενοι που είχαν πρόσβαση σε generative AI αφιέρωναν αισθητά λιγότερο χρόνο σε email και ολοκλήρωναν ορισμένα documents γρηγορότερα.
Στη μάθηση όμως η «τριβή» δεν είναι πάντα πρόβλημα.
Η προσπάθεια να θυμηθείς, να κάνεις λάθος, να ξαναγράψεις μια παράγραφο ή να βρεις μόνος σου γιατί ένα επιχείρημα δεν στέκει αποτελεί μέρος της διαδικασίας μέσω της οποίας οικοδομείται γνώση.
Η AI μπορεί να αφαιρέσει αυτή την προσπάθεια πριν καν συνειδητοποιήσουμε ότι τη χρειαζόμασταν.
Ίσως λοιπόν η σωστή αναλογία δεν είναι ότι η AI αποτελεί αυτομάτως «junk food για το μυαλό». Είναι περισσότερο ένα εξαιρετικά εύκολο γνωστικό υποκατάστατο.
Και όπως κάθε υποκατάστατο, γίνεται πρόβλημα όταν σταματά να συμπληρώνει τη δική μας ικανότητα και αρχίζει να την αντικαθιστά.
Το κρίσιμο στο επόμενο στάδιο της AI δεν θα είναι μόνο πόσο έξυπνα θα γίνουν τα μοντέλα.
Θα είναι αν θα μάθουμε να τα χρησιμοποιούμε χωρίς να παραδίδουμε μαζί τους και την ανάγκη να σκεφτόμαστε μόνοι μας.
