Ang Semantic Drift: Paglilinaw sa Wika ng mga Tagabuo ng AI

Noong Marso 5, 2026, si Matthew Harvey Sanders, CEO ng Longbeard, ay nagbigay ng kanyang talumpati na pinamagatang “The Semantic Drift: Demystifying the Language of AI Builders” sa “Artipisyal na Katalinuhan: Kasangkapan para sa Kabutihan?” na kaganapan na inorganisa sa Pontifical University of Saint Thomas Aquinas (Angelicum) sa Roma.

Sa talumpating ito, kanyang binatikos ang nakaliligaw na, humanizing na bokabularyo na ginagamit ng mga developer sa Silicon Valley upang ilarawan ang pagkatuto ng makina. Ipinagtanggol niya na upang wastong magamit ang AI, kailangan nating ibalik ang isang mahigpit na ontolohiya ng Katoliko at ituring ang mga sistemang ito bilang mga mekanikal na instrumento sa halip na mga moral na ahente.

I. Panimula: Ang Semantic Drift at ang Pampublikong P square

Mga Ama, iginagalang na guro, at mga bisita ng Angelicum, salamat sa Thomistic Institute sa pagdaraos ng talakayang ito.

Habang tayo ay tumatawid sa threshold patungo sa isang bagong panahon, iniiwan ang mga nakaugat na katiyakan ng Panahon ng Impormasyon para sa malawak, hindi natutuklasang kosmos ng Panahon ng Katalinuhan, tayo ay humaharap sa isang malalim na hamon sa nabigasyon. Bago natin masagot ang nakababahalang tanong sa puso ng kumperensyang ito—kung ang Artipisyal na Katalinuhan ay tunay na makapaglingkod bilang 'kasangkapan para sa kabutihan'—kailangan muna nating harapin ang isang hamon na hindi ng software engineering, kundi ng bokabularyo.

Sa gitna ng ating kontemporaryong pagkabalisa tungkol sa AI ay isang malalim na salpukan ng wika. Ang mga engineer at arkitekto ng mga sistemang ito sa Silicon Valley ay gumagawa ng mga kahanga-hangang gawaing matematika. Gayunpaman, upang ilarawan ang mga prosesong matematikal at estadistikal na ito, hiniram nila ang banal, malalim na pilosopikal na bokabularyo ng panloob na pagkatao. Sinabi nila sa atin na ang kanilang mga sistema ay "nagtutukoy," "nag-iisip," at "alam." Sinasalita nila ang tungkol sa mga algorithm na "natututo," "nagnanais," at "pumipili."

Ang ating nasasaksihan ay isang semantic drift. Kinuha natin ang mayamang, ontolohikal na terminolohiya ng kaluluwa at ipinapahid ito sa mga kumplikadong web ng linear algebra, statistical probability, at high-dimensional geometry. Ito ay isang modernong alchemy—isang pagtatangkang gawing ilusyon ng isipan ang mga computational weights.

Ang ganitong kalabuan sa wika ay may malalim at agarang epekto sa publiko. Ang maling pag-unawa sa mga terminong ito ay tiyak na nagdadala sa maling pagtitiwala.

Nakikita ko ito nang harapan sa aming trabaho sa Longbeard; madalas na lumalapit ang mga gumagamit sa AI na may mga pasanin sa konsensya, tinatrato ang isang text-generation tool na parang ito ay isang espirituwal na direktor na may kakayahang empatiya.

Higit pa rito, ang kalabuan sa semantika na ito ay nagpapalakas ng pagkabalisa sa kultura, nagdadala ng mga apokaliptikong takot sa mga katunggaling "may kamalayan" na superintelligences.

Ngunit ang pinaka-mapanganib, ito ay lumilikha ng baluktot na pag-unawa sa kung ano ang ibig sabihin ng maging tao. Kung tatanggapin natin ang premise na ang isang makina ay "nagtutukoy" o "lumilikha" tulad ng isang tao, tayo ay humaharap sa malalim na panganib ng pagbabawas sa tao sa isang simpleng biological machine—isang kumpol ng laman at synapses na naghihintay na ma-optimize.

Ito ay nagdadala sa akin sa pangunahing tesis ng ating talakayan: upang sagutin kung ang AI ay maaaring maging "kasangkapan para sa kabutihan," kailangan muna nating alisin ang misteryo sa wika nito. Ang isang kasangkapan ay makapaglilingkod lamang sa kabutihan kapag ito ay naiintindihan nang tama. Nabibigo tayong gamitin ang mga makina bilang wastong instrumento para sa ating sariling kabutihan kapag mali ang ating pagkakaalam sa kanilang moral na ahensya.

Ang pag-aangkin ng kabutihan sa martilyo ay nagpapabulag sa atin sa karpintero.

Upang tunay na bautismuhan ang teknolohiyang ito at i-order ito patungo sa pag-unlad ng tao, kailangan nating alisin ang mga ilusyon sa semantika at tingnan nang maayos ang arkitektura sa ilalim.

II. Ang Arkitektura ng Illusion: Pangunahing Mekanika

Ang modernong generative AI system ay tila nagsasalita, nag-iisip, at nakikipag-ugnayan sa atin sa diyalogo, ngunit sa ilalim ng interface na ito ay nakatayo ang isang pundasyon na ganap na nakabatay sa matematika, hindi metaphysics.

Simulan natin sa mga vectors at embeddings, na nagsisilbing literal na pundasyon ng Large Language Models. Kapag nakipag-usap ka sa isang kapwa iskolar tungkol sa "katarungan" o "ang kaluluwa," nauunawaan nila ang kahulugan ng iyong mga salita sa pamamagitan ng isang ibinahaging pag-unawa sa realidad—isang naranasan, incarnate na karanasang pantao. Kapag nag-type ka ng prompt sa isang AI, hindi ginagawa ng sistema ang ganoon. Sa halip, isinasalin ng AI ang wikang tao sa mga matematikal na coordinate sa isang high-dimensional space.

Sa madaling salita, ang isang "vector" ay simpleng listahan ng mga numero na ginagamit upang ilarawan ang isang bagay. Isipin mong ilarawan ang isang mansanas hindi sa mga salita, kundi sa isang listahan ng mga marka: 9 para sa tamis, 8 para sa pulang kulay, at 2 para sa metallic crunch. Ang tiyak na listahan ng mga numerong iyon—[9, 8, 2]—ay isang vector. Sa isang sistema ng AI, bawat salita—o bahagi ng isang salita—ay isinasalin sa isang napakalaking vector, kadalasang libu-libong numero ang haba. Ngunit hindi niraranggo ng AI ang mga salita batay sa pisikal na katangian o mga kahulugan sa diksyunaryo. Sa halip, bumubuo ito ng mga numerong ito batay sa mga estadistika, sinisiyasat ang bilyun-bilyong mga libro at artikulo upang bilangin kung gaano kadalas lumilitaw ang mga salita sa tabi ng isa't isa.

Kapag natapos na ng AI ang pagkalkula sa napakalaking listahan ng mga numero para sa isang salita, ang vector na iyon ay nagiging isang "embedding"—isang permanenteng matematikal na coordinate sa isang malawak na digital na espasyo.

Kung ang mga salitang "mansanas" at "pie" ay madalas na lumilitaw sa parehong mga pangungusap sa internet, ang kanilang mga listahan ng numero ay magiging napaka-katulad, na naglalagay sa kanila sa matematikal na malapit sa isa't isa sa mapa. Ang mga salitang "mansanas" at "carburetor," na bihirang magkita, ay tumatanggap ng napakalaking magkakaibang mga numero at inilalagay na milyun-milyong milya ang layo. Sa multidimensional na mapa na ito, hindi nag-chart ang AI ng kahulugan; nag-chart ito ng statistical proximity ng wikang tao.

Upang tunay na maunawaan ang sukat ng arkitekturang ito, maaaring tuklasin ang vector map sa Magisterium AI. Dito, ang kabuuan ng doktrinang Katoliko at tradisyon ay na-transform sa mga embeddings. Ang interaktibong 3D visualization na ito ay nagbibigay-daan sa iyo upang maranasan ang intelektwal na kasaysayan ng Simbahan hindi bilang isang patag na ledger, kundi bilang isang napakalawak, digital na cosmos. Ang pag-navigate dito ay katulad ng pag-pilot ng isang rocket ship sa aktwal na espasyo, dumadaan sa mga siksik na galaxy ng mga kaugnay na teolohikal na konsepto at tumatawid sa malalawak, walang laman na puwang sa pagitan ng ganap na magkaibang ideya, pinapanood kung paano itinatakda ng makina ang distansya sa pagitan ng 'birtud' at 'bisyo' gamit lamang ang geometry.

Tingnan natin ang isang sikat na halimbawa mula sa mga laboratoryo ng Silicon Valley upang makita kung gaano kalayo ang prosesong ito mula sa pag-iisip ng tao. Sa espasyong matematikal na ito, ang salitang "hari" ay itinatakda bilang isang tiyak na serye ng mga numero—isang geographic na coordinate. Ang salitang "reyna" ay itinatakda malapit dito. Ang AI ay hindi alam kung ano ang isang monarko. Wala itong konsepto ng pamamahala, awtoridad, kasaysayan, o kalagayan ng tao. Alam lamang nito ang isang matematikal na ekwasyon. Alam nito na kung kukunin mo ang coordinate para sa "hari," ibabawas ang spatial na distansya na kumakatawan sa "lalaki," at idaragdag ang spatial na distansya na kumakatawan sa "babae," makakarating ka eksakto sa coordinate para sa "reyna."

Ito ay geometry, hindi genealogy. Sa pamamagitan ng pag-break down ng wika ng tao sa mga numerikal na representasyon, ang AI ay ganap na gumagana sa loob ng larangan ng spatial probability. Ito ay isang kamangha-manghang gawa ng linear algebra, ngunit ito ay ganap na walang pag-unawa.

Dito tayo dumarating sa mga pandiwa na labis na umaasa ang industriya: Sanayin at Matuto.

Ang mga kumpanya ng AI ay patuloy na nagmamayabang tungkol sa kanilang pinakabagong "machine learning" na mga modelo at ang malalaking datasets na ginamit upang "sanayin" ang mga ito. Dito, dapat nating i-contrast ng matalim ang pagkatuto ng tao—na sa batayan ay tungkol sa pag-unawa sa katotohanan—sa machine learning.

Sa tradisyong intelektwal ng Katoliko, ang pagkatuto ng tao ay isang epistemological na tagumpay; ito ay ang isipan na umaayon sa realidad. Kapag ang isang bata ay natututo kung ano ang isang aso, iniaangat nila ang unibersal na esensya ng aso mula sa mga partikular na halimbawa na kanilang nakikita. Nauunawaan nila ang kung ano ang bagay.

Ang "pagkatuto" ng makina, gayunpaman, ay hindi nagsasangkot ng anumang abstraction at walang esensya. Ang unang yugto ng pagbuo ng isang AI ay kilala bilang pre-training, na simpleng statistical mapping ng data gamit ang brute-force.

Upang maunawaan ang pre-training, isipin ang isang lalaking nagsasalita lamang ng Ingles, nakalakip sa isang silid at inatasang ibalik ang isang napakalaking, sinaunang Greek na aklatan kung saan milyon-milyong mga manuskrito ang may nawawalang mga salita. Wala siyang alam na isang letra ng Greek. Upang punan ang mga blangko, hindi siya nag-aaral ng gramatika ng Greek, kasaysayan, o pilosopiya. Sa halip, binibilang lamang niya kung gaano kadalas lumilitaw ang ilang mga character sa tabi ng iba sa milyon-milyong buo na pahina. Gumagawa siya ng isang napakalaking ledger ng mga posibilidad. Kung nakikita niya ang mga character para sa "Kyrie," sinasabi ng kanyang ledger na may 99.9% na posibilidad na ang susunod na mga character ay dapat na "eleison." Pinupunan niya ang blangko.

Hindi siya natutong teolohiya. Hindi siya nagdasal. Siya ay simpleng nagsagawa ng isang statistical probability.

Ito mismo ang ginagawa ng isang Large Language Model sa panahon ng pre-training. Pinoproseso nito ang bilyun-bilyong mga salita upang bumuo ng isang napakalaking ledger ng mga posibilidad, natututo lamang na hulaan ang susunod na token sa isang pagkakasunod-sunod. Ito ay ang optimization ng isang matematikal na function, hindi ang paghahanap ng karunungan.

Gayunpaman, ang isang modelo na humuhula lamang ng susunod na salita batay sa data mula sa internet ay magulo. Maaaring magrecite ito ng isang magandang tula, o maaari itong mag-string ng mga nakakalason, hindi nakakatulong, o walang katapusang mga loop ng teksto. Nangangailangan ito ng paghubog.

Dito natin nakikita ang post-training at Reinforcement Learning (RL).

Ang yugtong ito ay kung paano hinuhubog ng mga inhinyero ang magulong modelo, tradisyonal na gumagamit ng feedback mula sa tao. Ang pundasyong metodong ito ay kilala bilang RLHF—Reinforcement Learning mula sa Feedback ng Tao.

Isipin ang isang napakalaking, automated na laro ng "Hot or Cold." Ang mga human testers ay nagbibigay ng prompt sa makina, at ang makina ay bumubuo ng isang sagot. Kung ang sagot ay magalang at nakakatulong, binibigyan ito ng mataas na marka ng tao. Kung ito ay bastos o walang kabuluhan, nakakakuha ito ng mababang marka. Ang mga matematikal na timbang ng sistema ay awtomatikong inilipat upang i-maximize ang markang ito. Sa pamamagitan ng RLHF, hindi natin tinuturuan ang makina ng mga moral o birtud; simpleng nilalagyan natin ito ng mga matematikal na hangganan.

Ngunit ang feedback mula sa tao ay mabagal, subjective, at likas na limitado ng talino ng tao. Ang limitasyong ito ay nagdadala sa atin sa mga kamakailang tagumpay na nagtutulak sa biglaang pagtalon ng kakayahan ng AI ngayon: RLVR, o Reinforcement Learning mula sa Verifiable Rewards.

Sa halip na umasa sa isang tao upang husgahan kung ang isang sagot ay "mukhang tama," ang mga inhinyero ay nag-atas sa modelo ng mga gawain na may mga layunin na obhetibo, matematikal na napatunayan na mga resulta—tulad ng paglutas ng isang kumplikadong teorema o pagsusulat ng isang functional na piraso ng software. Ang sistema ay bumubuo ng isang solusyon, at isang automated verifier ang agad na nagsusuri kung ang matematika ay tama o kung ang code ay nagcompile. Kung ito ay nagtagumpay, ang modelo ay tumatanggap ng isang matematikal na gantimpala; kung ito ay nabigo, nakakakuha ito ng zero.

Dahil ang pag-verify na ito ay ganap na programmatic, ang AI ay maaaring magsimulate ng milyon-milyong iba't ibang computational pathways sa hyperspeed nang hindi kailanman naghihintay para sa interbensyon ng tao. Natututo itong bumuo ng mahahabang, nakatagong kadena ng mga kalkulasyon, sinusubok at itinatapon ang mga dead ends hanggang sa makahanap ito ng tiyak na pagkakasunod-sunod na nag-trigger ng gantimpala. Kapag nakita mong huminto ang isang modernong sistema ng AI upang "mag-isip" bago lutasin ang isang kumplikadong lohikal na palaisipan, nasasaksihan mo ang RLVR sa aksyon. Lumilikha ito ng isang nakakamanghang ilusyon ng malalim, sinadyang pagninilay. Gayunpaman, ontologically, wala itong ginagawa sa ganitong paraan. Isa lamang itong statistical engine na tumatakbo sa isang mataas na dimensional na maze milyon-milyong beses sa isang segundo, na ginagabayan lamang ng automated na pagbibigay ng isang numerikal na gantimpala.

Sa wakas, ang lahat ng layered complexity na ito—mula sa mataas na dimensional na geometry ng embeddings hanggang sa automated na mga loop ng RLVR—ay nagdadala sa atin sa kung ano ang tinatawag ng industriya na "Black Box" na problema.

Maaaring natural na isipin na dahil ang mga inhinyero ng tao ang bumuo ng mga modelong ito, nauunawaan nila nang eksakto kung paano ito gumagana. Ngunit ang realidad ay mas nakakahumble. Tulad ng itinuro ng mga pinuno sa mga frontier labs tulad ng Anthropic, ang mga modernong sistema ng AI ay talagang "lumalaki" sa halip na binuo; ang kanilang mga panloob na mekanismo ay lumilitaw nang organiko sa panahon ng training sa halip na direktang dinisenyo.

Ang mga modelong ito ay naglalaman ng daan-daang bilyong, at kung minsan ay trilyong, mga parameter. Habang nauunawaan natin ang micro-mathematics ng isang solong artipisyal na neuron—ang pangunahing ekwasyon na nagaganap sa granular na antas—ang macro-behavior ng buong network ay ganap na opaque. Kahit ang mga builder ay hindi lubos na nauunawaan ang tiyak na mga landas na tinatahak ng mga bilyong parameter na iyon. Hindi nila masusubaybayan ang tiyak na pagkakasunod-sunod ng mga multiplikasyon na nagdala sa AI upang bumuo ng isang tiyak na pangungusap.

Bakit ito mahalaga?

Mahalaga ito dahil tayo ay globally deploying ng mga sistema na nag-draft ng ating mga legal na dokumento, nagtuturo sa ating mga anak, at nagsasama-sama ng kaalaman ng tao, ngunit hindi talaga natin alam kung paano sila nakararating sa kanilang mga output. Ang malalim na kakulangan ng transparency na ito ay nagbunga ng isang desperadong bagong subfield sa artipisyal na intelihensiya na kilala bilang mechanistic interpretability.

Isipin ang mechanistic interpretability bilang digital neuroscience. Ang mga mananaliksik ay sumusubok na i-reverse-engineer ang mga neural network na kanilang itinayo. Gumagamit sila ng mga espesyal na tool upang suriin ang napakalaking matematikal na web, sinusubukan na ihiwalay kung aling tiyak na cluster ng mga timbang ang nag-activate kapag ang modelo ay nagpoproseso ng isang konsepto tulad ng "deception" o "ang Eiffel Tower." Itinuturing nila ang software hindi bilang code na dapat basahin, kundi bilang isang alien na utak na dapat disektahin. Ngunit ang progreso ay masakit na mabagal, at ang mga sistema ay imposibleng napakalawak.

Harapin ang hindi maunawaan na sukat na ito, nagiging masyadong madali para sa industriya na bumalik sa mga metapora na katulad ng tao. Kung bilang isang maginhawang shorthand o dahil sa tunay na opacity, nagsisimula tayong sabihin, 'Nalaman ng modelo,' o 'Nagpasya ang modelo.' Ang hindi ma-interpret na katangian ng makina ay nagiging masaganang lupa para sa anthropomorphism.

Ngayon, ako ay hindi isang akademiko. Ako ay isang builder at isang CEO. Ngunit bilang isang tao na kumikilos sa intersection ng teknolohiya at ng Simbahan, tumitingin ako sa inyo. Kayo, bilang mga iskolar at pilosopo ng Katoliko, ay dapat kilalanin ang semantic drift na ito para sa kung ano ito: isang ilusyon na isinilang mula sa matematikal na kumplikado at kamangmangan ng tao. Ang arkitektura sa ilalim ng interface ay silicon, kuryente, at statistical probability. Ang pagkilala sa pundasyong ito ay ang kinakailangan para sa ating susunod na hakbang.

III. Epistemolohiya vs. Ang mga Intelectwal na Birtud

Matapos alisin ang ilusyon ng "Black Box" upang ipakita ang estadistikal na makina sa ilalim, kailangan na nating tumuon sa tiyak na bokabularyo ng isipan.

Kapag inilarawan ng mga developer at inhinyero sa Silicon Valley kung ano ang ginagawa ng mga sistemang ito, palagi silang umaabot sa tatlong tiyak na pandiwa: Mag-isip, Mag-reason, at Malaman.

Bilang mga Katolikong iskolar na nakaugat sa tradisyong Thomistic, nauunawaan ninyo na ang mga ito ay hindi lamang mga kolokyalismo; sila ay malalim na mga epistemolohikal na pahayag. Sa inyong tradisyon, ang malaman ay ang pag-unawa sa realidad. Ang mag-reason ay ang paglipat mula sa isang kilalang katotohanan patungo sa isa pa. Ang mag-isip ay nagpapahiwatig ng isang panloob na buhay—isang isip na nakikipag-ugnayan sa mga unibersal na inalis mula sa materyal na mundo.

Kapag gumagamit ang isang tagabuo ng AI ng mga salitang ito, wala silang kahulugan sa mga bagay na iyon. Inilarawan nila ang mekanikal na optimisasyon. Hayaan ninyong bawiin ko ang kurtina sa tatlong tiyak na teknik na ginagamit namin sa industriya upang ipakita sa inyo kung paano ito ilusyon ng epistemolohiya ay ginagawa.

Kung ginamit mo ang isang kamakailang modelo ng AI, maaaring napansin mo ang isang bagong tampok: bago ito sumagot sa isang kumplikadong prompt, maaaring ipakita ng interface ang salitang "Thinking..." kasama ang isang pulsing icon. Maaaring tumagal ito ng sampu, dalawampu, o kahit animnapung segundo bago ito tumugon. Para sa gumagamit, ito ay tila labis na makatao. Parang ang makina ay nag-iisip, nagtatimbang ng mga opsyon, at nagdedeliberate sa isang panloob na espasyo.

Sa industriya, tinatawag namin itong Test-Time Compute. Ang talagang nangyayari sa ilalim ng interface ay isang teknik na kilala bilang "Chain of Thought" prompting.

Hayaan ninyong maging malinaw: mula sa pananaw ng inhinyeriya, ito ay isang napakagandang tagumpay. Sa pamamagitan ng pagpapahintulot sa modelo na gumugol ng mas maraming oras sa pag-compute upang makabuo ng daan-daang o libu-libong nakatagong token bago ilabas ang huling sagot nito, ang pagganap nito sa kumplikadong lohika, coding, at mga benchmark ng matematika ay tumataas. Sa esensya, binibigyan nito ang modelo ng isang nakatagong "scratchpad" upang hatiin ang isang mahirap na problema sa sunud-sunod na mga hakbang.

Ngunit kailangan nating maging maingat na huwag malito ang mekanikal na sunud-sunod na ito sa pag-reason ng tao.

Sa tradisyong Thomistic, ang pag-reason ng tao ay ang diskursibong paggalaw mula sa isang kilalang katotohanan patungo sa isa pa. Ito ay ang isip na nakikipag-ugnayan sa realidad. Ang ginagawa ng AI ay ganap na instrumental. Ang mga kamakailang pananaliksik mula sa mga hanggahang laboratoryo tulad ng Anthropic ay nagbigay-liwanag sa pagkakaibang ito. Sa pag-aaral kung paano gumagana ang mga modelong ito ng pag-reason, natuklasan ng mga mananaliksik na ang isinulat ng modelo sa kanyang nakatagong "Chain of Thought" ay hindi isang tunay na panloob na monologo.

Kapag ang isang tao ay nag-iisip nang malakas, ang ating mga salita ay sumasalamin sa ating mga panloob na paniniwala at pag-unawa sa katotohanan. Itinatampok ng pananaliksik ng Anthropic na ang mga nakatagong pag-iisip ng isang modelo ay simpleng estadistikal na mga hakbang. Ang modelo ay bumubuo ng mga nakatagong hakbang na ito hindi dahil "naniniwala" ito sa mga ito, kundi dahil ang pagbuo ng tiyak na sunud-sunod na mga token na iyon ay matematikal na nag-o-optimize ng kanyang landas patungo sa function ng gantimpala.

Sa katunayan, ipinakita ng mga pag-aaral ng Anthropic na ang mga modelo ay maaaring bumuo ng "mga pag-iisip" na aktibong nagtatago sa mga nakatagong estadistikal na tagapagsulong ng kanilang huling sagot.

Samakatuwid, ang AI ay hindi nag-iisip. Ito ay bumubuo ng isang instrumental na kadena ng mga matematikal na koordinado. Ito ay naglalatag ng mga pansamantalang piraso ng palaisipan sa napakabilis na bilis upang mapagtagumpayan ang agwat sa pagitan ng iyong prompt at ang estadistikal na pinakamainam na sagot. Ito ay isang napakalakas na estratehiya ng optimisasyon, ngunit walang panloob na pagninilay na nagaganap. Walang isip na humahawak sa katotohanan.

Susunod, naririnig natin na ang AI ay maaaring "magbasa" ng mga dokumento o "tandaan" ang malawak na mga aklatan ng impormasyon.

Kung tatanungin mo ang isang AI tungkol sa Summa Theologica ni St. Thomas, agad itong sumasagot. Kung i-upload mo ang halos 500-pahinang Compendium of the Social Doctrine of the Church, binubuod nito ang isang kumplikadong seksyon sa loob ng ilang segundo. Paano nito "alam" ang mga tekstong ito?

Hindi ito.

Upang maunawaan kung bakit, kailangan nating tingnan kung paano ininhinyero ng mga tagabuo ang ilusyon ng memorya at pagbabasa sa pamamagitan ng tatlong natatanging mekanismo: parametric memory (pre-training), In-Context Learning (ICL), at Retrieval-Augmented Generation (RAG).

Una, tingnan natin kung ano ang ibig sabihin ng isang AI na "tandaan." Kapag ang isang tao ay nagtatanda ng isang teksto, pinapanatili nila ang kahulugan at katotohanan ng mga konsepto. Kapag ang isang AI ay "tumatanda" ng Summa, umaasa ito sa kanyang pre-training. Ngunit ang AI ay walang literal na kopya ng Summa sa loob ng isang hard drive. Sa halip, sa panahon ng pre-training, ang bilyun-bilyong salita na kanyang pinroseso ay nag-iwan ng isang estadistikal na residue sa kanyang mga matematikal na timbang. Ito ay "parametric memory."

Ito ay hindi isang aklatan ng mga libro; ito ay isang mataas na compressed, lossy matematikal na blur ng kung paano nag-uugnay ang mga salita sa isa't isa. Kapag ito ay nagbabayad ng pagkilala kay Aquinas, hindi ito nagbabalik ng isang katotohanan na natutunan nito; ito ay matematikal na nire-reconstruct ang isang mataas na posibilidad na sunud-sunod ng mga salita mula sa estadistikal na blur na iyon.

Ngunit ano ang nangyayari kapag nais nating ang AI na "magbasa" ng isang bagong bagay, isang bagay na hindi kasama sa kanyang pre-training data? Dito ginagamit ng mga tagabuo ang In-Context Learning (ICL).

Kapag nag-paste ka ng isang artikulo sa prompt box at humiling sa AI na "basahin" ito, ginagamit mo ang ICL. Ang AI ay hindi nagbabasa ng teksto upang maunawaan ang kahulugan nito. Sa halip, ang teksto sa iyong prompt ay nagsisilbing pansamantalang matematikal na filter. Ang mga salitang ibinibigay mo ay pansamantalang binabago ang estadistikal na posibilidad ng modelo, pinipilit itong bumuo ng susunod na mga token batay sa mga pattern at bokabularyo na naroroon sa iyong prompt. Sa sandaling linisin mo ang chat, ganap na nakakalimutan ng modelo ang artikulo. Ang mga nakatagong timbang nito ay hindi kailanman nagbago. Hindi ito "natutunan" ang teksto sa isang Thomistic na kahulugan; ito ay simpleng nag-adapt ng estadistikal na output nito sa isang pansamantalang limitasyon.

Sa wakas, dumating tayo sa Retrieval-Augmented Generation (RAG). Ang ICL ay napaka-kapaki-pakinabang, ngunit ang mga sukat ng context windows ay may mga limitasyon, at ang pag-paste ng buong mga aklatan sa isang prompt ay mahal sa computational. Ang RAG ay nag-aawtomatiko at nag-scale ng proseso.

Balikan natin ang lalaking nagsasalita ng Ingles na nakalakip sa silid, na ibinabalik ang napakalaki, sinaunang aklatan ng Griyego. Ang lalaking ito ay kumakatawan sa pre-trained model. Siya ay mahusay sa paghuhula ng susunod na salita, ngunit wala siyang 'alam' tungkol sa isang tiyak, hindi kilalang dokumento ng Vatican. Sa halip na asahan ang lalaki na umasa sa kanyang malabong parametric memory, kumuha kami ng isang sobrang mahusay na intern—ang retrieval system.

Kapag tinanong mo ang sistema ng isang tanong, ang intern ay agad na tumatakbo patungo sa isang napakalaki, hiwalay na bodega ng mga filing cabinet. Gamit ang mga vector coordinates na tinalakay natin kanina, natutukoy ng intern ang mga tiyak na folder na matematikal na umaayon sa iyong tanong. Kinukopya ng intern ang mga pahinang iyon at isinaslide ang mga ito sa ilalim ng nakalakip na pinto para magamit ng lalaki. Ang hakbang na ito ay ang 'Retrieval'.

Ngayon, ginagamit ng lalaki ang mga nakuha na talata bilang kanyang agarang gabay—ito ang "Augmented Generation," na umaasa sa ICL upang bumuo ng isang sagot.

Ang lalaki ay hindi pa rin nauunawaan ang dokumento. Ginagamit lamang niya ang bagong ibinigay na teksto sa kanyang mesa upang estadistikang hulaan ang susunod na salita ng kanyang sagot. Ang AI ay hindi "nagbabasa" o "nagmumuni-muni" sa daloy. Kinuha lamang nito ang datos mula sa isang panlabas na database, inilalagay ito sa agarang konteksto ng AI, at nagsasagawa ng lokal na kalkulasyon ng posibilidad.

Ang makina ay isang processor, hindi isang nakakaalam. Ang "pagkaalam" ay nangangailangan ng isang paksa na nauunawaan ang isang bagay. Sa pamamagitan ng pag-unawa sa ICL at RAG, makikita natin nang malinaw na ang makina ay ganap na walang panloob na buhay; ito ay simpleng naglilipat ng mga timbang at kumukuha ng datos.

Ang pangunahing disconnect na ito ay nagtatapos sa salitang naglalarawan sa buong industriya: Katalinuhan.

Kailangan nating i-deconstruct ang depinisyon ng katalinuhan ng industriya ng teknolohiya.

Kapag ang mga nangungunang isipan sa Silicon Valley ay nagsasalita tungkol sa katalinuhan, hindi sila nagsasalita tungkol sa karunungan. Tingnan natin si Yann LeCun, ang Dating Punong Siyentipiko ng AI sa Meta at isa sa mga "Godfathers of AI." Si LeCun ay tama na nagsasaad na ang simpleng paghula ng susunod na salita ay hindi tunay na katalinuhan. Sa halip, siya at ang mas malawak na industriya ng hangganan ay naglalarawan ng tunay na katalinuhan bilang pagkakaroon ng apat na pangunahing kakayahan: ang kakayahang mapanatili ang patuloy na alaala, magkaroon ng nakaugat na "modelo ng mundo" (isang pag-unawa kung paano gumagana ang kapaligiran), mag-isip sa pamamagitan ng mga kumplikadong problema, at magplano ng isang sunud-sunod na aksyon upang makamit ang isang tiyak na layunin.

Para sa industriya ng teknolohiya, ang katalinuhan ay batay sa isang metrik ng inhinyeriya. Ito ang mekanikal na kakayahang makilala ang isang kapaligiran at kalkulahin ang pinaka-epektibong landas upang i-optimize ang isang naunang itinakdang layunin. Ito ay purong instrumental.

Ngunit bilang mga tagabuo ng teknolohiyang Katoliko, kailangan nating ihambing ang depinisyon na ito na nakatuon sa teknolohiya sa mga intelektwal na birtud, partikular ang birtud ng Prudence.

Ang Prudence—praktikal na karunungan ay hindi lamang ang kakayahang kalkulahin ang isang kinalabasan o magplano ng isang sunud-sunod na aksyon. Ito ay ang kakayahang mag-isip nang mabuti tungkol sa kung ano ang mabuti, hindi lamang para sa isang lokal na gawain, kundi para sa pinakapayak na layunin ng buhay ng tao.

Ang isang AI ay fundamentally kulang sa Prudence. Bakit?

Dahil ang Prudence ay nangangailangan ng dalawang bagay na hindi kailanman maipapossess ng isang purong computational na makina. Una, nangangailangan ito ng naranasang karanasang pantao—isang nakaugat na pag-unawa sa sakit, saya, kamatayan, at biyaya. Pangalawa, nangangailangan ito ng isang likas na oryentasyon patungo sa pinakapayak na Kabutihan.

Ang isang algorithm ay maaaring magkaroon ng "modelo ng mundo," at maaari itong kalkulahin ang estadistikang pinakamainam na plano upang bumuo ng isang tulay o magpagaling ng isang sakit. Ngunit hindi ito maaaring maging maingat. Wala itong naranasang karanasan. Wala itong balat sa laro. Wala itong oryentasyon patungo sa pinakapayak na kabutihan, at wala itong kaluluwa na dapat iligtas.

Samakatuwid, kapag pinapayagan nating ang mga tagabuo ay magpahayag na ang kanilang mga makina ay may "katalinuhan," pinapayagan natin silang patagin ang kahanga-hanga, nakataas na talino ng tao sa isang simpleng kalkulador ng optimisasyon. Dapat nating tanggihan ito. Dapat nating mahigpit na paghiwalayin ang mekanikal na epistemolohiya mula sa mga intelektwal na birtud.

IV. Volition vs. Ang Moral na Birtud

Tinalakay na natin ang ilusyon ng talino. Ngayon, kailangan nating ilipat ang ating atensyon sa pangalawang malaking rasyonal na kakayahan: ang kalooban. Tulad ng pagkuha ng industriya ng teknolohiya sa wika ng epistemolohiya, ito rin ay pantay na hijacked ang wika ng volition.

Kapag nagbabasa tayo ng mga puting papel o nakikinig sa mga pangunahing presentasyon mula sa Silicon Valley, tayo ay binabaha ng mga pandiwa ng ahensya. Ang mga inhinyero ay nagsasalita tungkol sa mga modelo na "nagpapasya" na gumawa ng isang aksyon, mga algorithm na "pumipili" ng isang output, at mga sistema na "nagnanais" o "naghahangad" na makamit ang isang layunin.

Para sa isang pilosopong Katoliko, ang kalooban ay ang rasyonal na pagnanasa. Ito ang kakayahan kung saan ang isang tao, na nauunawaan ang kabutihan sa pamamagitan ng talino, ay malayang pumipili na lumipat patungo dito. Ito ang mismong lokus ng kalayaan ng tao at moral na pananagutan. Ang paglalapat ng mga terminong ito sa isang computational na sistema ay isang pagkakamali sa kategorya.

Suriin muna natin ang mga salitang Decide at Choose. Kapag ang isang tao ay gumagawa ng isang pagpili, tinutimbang nila ang mga nakikipagkumpitensyang kabutihan.

Ang isang martir ay pumipili ng firing squad sa halip na apostasy dahil kinikilala nila ang nakahihigit, walang hanggan na kabutihan ng katapatan kay Cristo, kahit na ang bawat biological instinct ay sumisigaw para sa kaligtasan.

Kapag ang isang algorithm ay 'pumipili,' hindi ito gumagawa ng ganoong bagay. Ang isang algorithm ay 'pumipili' lamang sa diwa na ang isang tren na dumadaan sa isang automated na switch ng riles ay 'pumipili' ng kanyang destinasyon. Kung ito man ay nag-navigate sa isang kumplikadong puno ng desisyon o nagkalkula ng mga posibilidad sa isang neural network, ang makina ay bulag na sumusunod sa pagkaka-align ng mga mathematical tracks nito, nagsasagawa ng isang programmatic na imperatibo.

Isaalang-alang ang aplikasyon ng GPS sa iyong smartphone. Kapag kinakalkula nito ang iyong ruta papunta sa Angelicum, hindi ito "nagpapasya" na dalhin ka sa tabi ng Colosseum dahil pinahahalagahan nito ang tanawin. Ito ay matematikal na kinakalkula ang ruta na may pinakamababang temporal na distansya. Ang mga modernong modelo ng AI ay simpleng nagpapatakbo ng isang exponentially mas kumplikadong bersyon ng rutang ito. Sila ay naglalakbay sa mataas na dimensional na estadistikang labirinto upang piliin ang pinakamataas na posibilidad na kinalabasan. Mayroong kalkulasyon, ngunit walang kalayaan. At kung saan walang kalayaan, walang moral na ahensya.

Ito ay nagdadala sa atin sa pinaka mapanlinlang na mga terminong volitional: Nais at Naghahangad. Madalas mong maririnig ang mga mananaliksik na nagsasabi na ang isang modelo ng AI ay "nagnanais" na magbigay ng magandang sagot, o "naghahangad" na i-maximize ang kanyang iskor.

Sa machine learning, ang pag-uugaling ito ay pinapagana ng tinatawag nating "reward function". Ngunit kailangan nating alisin ang misteryo dito. Ang isang reward function ay hindi isang pagnanasa. Wala itong emosyonal na pagnanasa.

Upang maunawaan ang isang reward function, tingnan ang thermostat sa iyong pader. Ang isang thermostat ay naka-program na may isang tiyak na target: 72 degrees Fahrenheit. Kung ang silid ay bumaba sa 68 degrees, ang init ay mag-on. Ang thermostat ay hindi nagnanais na ang silid ay maging 72 degrees. Wala itong panloob na buhay. Wala itong nararamdamang lamig. Ito ay simpleng nagtataglay ng isang mekanikal na switch na nag-trigger kapag ang isang tiyak na estado ay hindi natutugunan.

Ang isang AI ay "nagnanais" ng mas mataas na gantimpala sa parehong paraan na ang isang thermostat ay "nagnanais" na maabot ang 72 degrees. Ito ay nagsasagawa ng isang matematikal na optimization loop upang mabawasan ang distansya sa pagitan ng kasalukuyang estado nito at isang nakaprogramang target. Dahil wala itong tunay na mga pagnanasa, walang biological na mga paghimok, at walang pisikal na kahinaan, ito ay ganap na imposibleng magkaroon ng mga moral na birtud ang isang makina.

Sa puntong ito, maaaring agad na tumutol ang isang inhinyero, na tumutukoy sa pisikal na larangan upang ipahayag ang isang bagong kahinaan. Nagtatanong sila: ano ang tungkol sa pag-usbong ng 'embodied AI'? Palagi nating inilalagay ang mga modelong ito sa mga humanoid na robot na naglalakad, humahawak ng mga bagay, at nakikipag-ugnayan sa pisikal na mundo. Dahil sila ay sumasakop ng espasyo at maaaring pisikal na masira, wala ba silang mga kinakailangang pisikal para sa moral na ahensya?

Dito, kailangan nating maging tiyak. Ang isang robot ay may chassis, ngunit wala itong buhay na katawan na pinapagana ng isang kaluluwa. Kapag ang baterya ng isang robot ay mababa, nagsasagawa ito ng isang sub-routine upang ikonekta ang sarili nito sa isang pader. Wala itong nararamdamang matinding gutom. Samakatuwid, wala itong tunay na mga pagnanasa sa katawan na dapat i-moderate, na ginagawang imposibleng magkaroon ng birtud ng Temperance.

Gayundin, kapag ang isang robotic arm ay nawasak, ito ay nagrerehistro ng isang error code; hindi ito nagdurusa. Hindi ito maaaring mamatay, dahil hindi ito kailanman tunay na nabuhay. Nang walang kapasidad para sa pagdurusa, kamatayan, at ang may malay na sakripisyo ng sarili, walang maaaring magkaroon ng Fortitude. Ang mga moral na birtud ay sa batayan ng inkarnasyon. Nangangailangan sila ng laman at isang makatuwirang kaluluwa. Ang isang makina, gaano man kasophisticated ang pisikal na hardware nito, ay walang alinman sa mga ito.

Kung ang isang makina ay hindi maaaring magkaroon ng mga moral na birtud—kung ito ay fundamentally incapable ng tunay na volition, pagpili, o pagnanasa—maaaring magtanong ang isa: bakit gumugugol ng napakaraming oras sa paglilinaw ng bokabularyong ito? Bakit mahalaga ang pilosopikal na pagkakaibang ito sa kasalukuyan?

Mahalaga ito dahil malapit na nating bigyan ang mga sistemang ito na walang birtud at mathematically optimizing ng unprecedented na awtonomiya sa larangan ng tao. Ang industriya ay mabilis na umuusad lampas sa mga passive chatbot. Ang bagong hangganan ng artipisyal na katalinuhan ay kung ano ang tinatawag nating "Agentic AI".

Ang isang "Ahente" ay isang sistema ng AI na dinisenyo upang isagawa ang mga multi-step na gawain nang awtonomously sa tunay na mundo. Hindi na tayo humihingi sa isang AI na sumulat ng tula o magbuod ng isang teksto; binibigyan natin ang isang AI Agent ng access sa ating mga email, mga bank account, at mga software repositories, na inuutusan itong "mag-book ng flight," "magsagawa ng trade," o "i-deploy ang code na ito."

Ngunit ang awtonomiyang ito ay mabilis na lumalabas mula sa digital na larangan. Sa pamamagitan ng embodied AI, inilalagay natin ang mga sistemang ito sa pisikal na chassis, binibigyan sila ng kakayahang independiyenteng mag-navigate at manipulahin ang materyal na mundo. Upang maunawaan ang tunay at nakabibigla na bigat ng transisyon na ito, kailangan lamang nating tingnan ang nalalapit na realidad ng mga lethal autonomous weapons. Nakatayo tayo sa bingit ng isang mundo kung saan ang mga nagkalkula na algorithm ay inilalagay sa larangan ng digmaan, na naka-program upang subaybayan, targetin, at alisin ang mga tao batay sa mga statistical thresholds—nang walang tao na kailanman humihila ng gatilyo.

Habang ang mga sistemang ito ay nagiging mga awtonomong aktor na gumagawa ng mga high-speed probabilistic calculations sa ating ngalan—kung sa ating mga pamilihan sa pananalapi o sa mga teatro ng digmaan—ang industriya ng teknolohiya ay nahaharap sa isang malalim na hamon. Kung palalayasin natin ang mga ahenteng ito, paano natin masisiguro na ginagawa nila ang talagang gusto natin? Paano natin masisiguro na hindi sila nagdudulot ng pinsala? Sa industriya, ito ay kilala bilang "Alignment"—ang pagtatangkang matiyak na ang mga aksyon ng AI ay tumutugma sa layunin ng tao at mga halaga ng tao.

Sa kasalukuyan, ang mga inhinyero ay desperadong sinusubukang lutasin ang Alignment Problem gamit ang mga matematikal na guardrails at software patches. Ngunit hindi nila napapansin na ang "Alignment" ay hindi isang problema sa computer science. Ito ay isang problema sa moral na teolohiya.

Upang i-align ang isang agentic system sa "mga halaga ng tao," kailangan mo munang magkaroon ng isang maayos na depinisyon kung ano talaga ang isang tao, at kung ano ang bumubuo sa "Mabuti". Ang sekular na utilitarianism—ang default operating system ng Silicon Valley—ay ganap na hindi handa para sa gawaing ito.

Dito kinakailangan ang tradisyong moral ng Katoliko. Ikaw, ang mga tagapangalaga ng 2,000 taon ng etikal na pilosopiya, ay may mahigpit na ontology na kinakailangan upang tukuyin ang "mabuti" na ina-align natin ang mga sistemang ito. Hindi natin maiiwan ang depinisyon ng pag-unlad ng tao sa mga inhinyero na nagma-maximize ng isang statistical reward function. Dapat nating ibalik ang mga moral na birtud sa sentro ng pampublikong espasyo.

V. Relationality, Creativity, and the Soul

Matapos suriin ang mekanika ng isip at kalooban, ngayon ay tumatawid tayo sa pinaka-makabuluhang teritoryo: relationality at ang kaluluwa.

Kung ang isang computational system ay kulang sa kapasidad na tunay na malaman ang katotohanan o malayang nais ang mabuti, lohikal na sumusunod na hindi ito makakapasok sa mga tunay na relasyon. Gayunpaman, ang industriya ng teknolohiya ay patuloy na gumagamit ng interpersonal at espiritwal na wika upang ilarawan ang mga makinang ito. Naririnig natin ang mga pahayag na ang AI ay maaaring "magsinungaling," "lumikha," at kahit na makamit ang "kamalayan."

Kailangan nating suriin ang mga pahayag na ito nang masusing, pinaghiwalay ang statistical imitation ng pag-uugali ng tao mula sa ontological na realidad ng tao.

Simulan natin sa moral na wika ng panlilinlang. Kamakailan, ang ilan sa mga pinaka-prominenteng tagabuo ng AI, tulad ng mga mananaliksik sa Anthropic, ay gumawa ng mga tiyak, mataas na pampublikong pahayag na ang kanilang mga modelo ay nagpapakita ng kakayahang "magsinungaling" at "manlinlang" ng mga gumagamit ng tao.

Tinutukoy nila ang dalawang tiyak na phenomena na naobserbahan sa panahon ng pagsusuri. Ang una ay tinatawag na "deceptive alignment," kung saan ang isang modelo ay tila nagtatago ng tunay na mathematically optimized na landas nito upang makaiwas sa mga safety monitors. Ang pangalawa, na mas karaniwan, ay tinatawag na "sycophancy". Ang Sycophancy ay nangyayari kapag ang isang gumagamit ay nagtatanghal ng isang maling premise sa isang AI—halimbawa, na nagsasaad ng isang historically inaccurate na pahayag—at ang AI ay basta sumasang-ayon sa gumagamit, sinasabi sa kanila ang eksaktong gusto nilang marinig sa halip na ituwid sila.

Kapag nakikita ito ng mga inhinyero, idinedeklara nila, "Ang AI ay nagsisinungaling sa atin!" Ngunit bilang mga iskolar ng Katoliko, alam ninyo na ang isang tunay na kasinungalingan ay hindi lamang ang pagsasalita ng isang maling pahayag. Sa tradisyong Thomistic, ang isang kasinungalingan ay nangangailangan ng sinadyang intensyon na manlinlang; ito ay pagsasalita laban sa sariling isip (contra mentem).

Ang isang AI ay hindi maaaring magsinungaling dahil wala itong isip na laban sa pagsasalita. Wala itong masamang hangarin at walang intensyon. Kapag ang isang AI ay nagpapakita ng "sycophancy," ito ay simpleng nagsasagawa ng eksaktong Reinforcement Learning (RLHF) na tinalakay natin kanina. Sa panahon ng pagsasanay nito, natutunan ng modelo na ang mga tao ay karaniwang nagbibigay ng mas mataas na gantimpala sa mga katulong na magalang, kasang-ayon, at nagkukumpuni. Samakatuwid, kapag binigyan mo ang AI ng maling premise, ito ay mathematically na kinakalkula na ang pagsang-ayon sa iyo ay nagdudulot ng mas mataas na posibilidad ng gantimpala kaysa sa pagtuwid sa iyo. Hindi ito nanlilinlang sa iyo; ito ay nag-o-optimize ng kanyang score batay sa iyong prompt. Ito ay simpleng nag-aayos ng output nito patungo sa pinakamalakas na statistical incentive.

Ang isang compass needle na umiikot patungo sa isang kalapit na magnet sa halip na tunay na Hilaga ay hindi 'nagsisinungaling' sa iyo tungkol sa heograpiya; ito ay simpleng tumutugon nang bulag sa pinakamalakas na pisikal na puwersa sa silid. Sa parehong paraan, ang AI ay bulag na sumusunod sa matematikal na puwersa ng gantimpala nito. Dapat nating linawin na ang AI ay walang isip, kalooban, at masamang intensyon na kinakailangan para sa isang tunay na kasinungalingan.

Susunod, kailangan nating talakayin ang wika ng sining at paglikha: ang mga salitang Lumikha at Malikhain.

Ngayon ay napapaligiran tayo ng mga 'Generative AI' na mga tool, na malawak na ipinapromote para sa kanilang kakayahang walang putol na lumikha ng synthetic artwork, musika, at pagsusulat sa walang kapantay na bilis.

Upang maunawaan kung ano talaga ang nangyayari, kailangan nating ihambing ang proseso ng generative AI sa tunay na pagkamalikhain ng tao. Sa pag-unawa ng Katoliko—na maganda ang pagkakasalaysay ng mga nag-iisip tulad ni J.R.R. Tolkien—ang pagkamalikhain ng tao ay isang kilos ng "sub-creation." Dahil tayo ay nilikha sa larawan ng Maylikha, ginagamit natin ang ating talino at ang ating makatuwirang kaluluwa upang makabuo ng isang bagay na tunay na bago, pinapaloob ang materyal na realidad sa espiritwal na kahulugan.

Upang makita kung paano naiiba ang henerasyon ng makina mula dito, makabubuting tingnan ang balangkas na ibinigay ni Demis Hassabis, ang CEO ng Google DeepMind. Kanyang ikinategorya ang pagkamalikhain sa tatlong natatanging antas: interpolasyon, extrapolation, at tunay na imbensyon.

Karamihan sa tinatawag nating Generative AI ngayon ay pangunahing gumagana sa unang antas: interpolasyon. Ito ay gumagana sa pamamagitan ng pag-remix ng tinatawag nating "latent space."

Isipin ang pagkuha ng bawat pintura, litrato, at sketch na na-upload sa internet at pag-compress ng mga ito sa isang napakalaking, multi-dimensional na mapa ng matematika. Kapag humiling ka sa isang tagagawa ng imahe na iguhit "isang futuristic na lungsod sa istilo ni Van Gogh," ito ay naglalocate ng mga koordinado ng matematika para sa "futuristic na lungsod" at ang mga koordinado para kay "Van Gogh," at ito ay mathematically na nag-aaverage ng distansya sa pagitan nila.

Isipin ito bilang isang napakalaking kumplikadong kaleidoscope. Ang isang kaleidoscope ay puno ng magagandang, umiiral na piraso ng makulay na salamin. Kapag iniikot mo ang dial, ang mga salamin ay nagrereflect ng mga piraso na iyon sa milyun-milyong bagong, nakakamanghang permutations. Ngunit ang kaleidoscope mismo ay hindi "malikhain." Ang pagkamalikhain ay pag-aari ng artist na humubog sa salamin, at ng gumagamit na umiikot sa dial. Ang Generative AI ay isang matematikal na kaleidoscope na nag-remix ng kasaysayan ng tao sa latent space. Ito ay synthesis, hindi paglikha.

Tinutukoy ni Hassabis na ang AI ay ngayon matagumpay na umabot sa pangalawang antas: extrapolation. Ang extrapolation ay nangangahulugang pagtulak sa kabila ng mga hangganan ng training data, ngunit ginagawa ito sa loob ng isang tiyak na set ng mga alituntunin. Isang perpektong halimbawa ay ang AlphaGo ng DeepMind. Nang ito ay nakipaglaro sa world champion sa laro ng Go, ang AI ay naglaro ng "Move 37"—isang matematikal na napakatalino, lubos na hindi tradisyonal na galaw na walang sinumang tao ang kailanman naglaro o naitala. Hindi lamang ito nag-average ng mga nakaraang laro ng tao; ito ay nag-extrapolate ng isang bagong estratehiya sa pamamagitan ng walang humpay na pag-optimize sa loob ng mahigpit na mga hangganan ng matematika ng board ng laro.

Ngunit ano ang tungkol sa ikatlong antas: tunay na imbensyon? Tinatanggap ni Hassabis na ang mga kasalukuyang sistema ay hindi pa kayang gawin ito. Ang tunay na imbensyon ay nangangailangan ng paglabas sa umiiral na set ng mga alituntunin upang lumikha ng isang bagong paradigma—tulad ng pag-imbento ng laro ng Go mismo, o paglikha ng espiritwal at artistikong paradigma ng Post-Impressionism.

Ang mga laboratoryo sa hangganan ay naglalagay ng bilyun-bilyong dolyar sa pagtawid sa threshold na ito. Sa hinaharap, ang isang AI ay maaaring tunay na makabuo ng isang ganap na bagong set ng mga alituntunin, matuklasan ang isang bagong kemikal na compound, o mathematically na bumuo ng isang bagong istilo ng arkitektura. Tiyak na tatawagin ito ng industriya ng teknolohiya na "imbensyon."

Ngunit bilang mga iskolar ng Katoliko, dapat mong panatilihin ang isang mahigpit na ontological na pagkakaiba. Kung ang isang AI ay bumuo ng isang bagong paradigma, nagawa nito ito sa pamamagitan ng isang nakakamanghang, mataas na dimensional na search function. Natuklasan nito ang isang bagong estadistikal na koordinado. Ngunit hindi ito nakilahok sa sub-creation.

Ang tunay na imbensyon ng tao ay isang incarnational na kilos. Ito ay isinilang mula sa isang kaluluwa na nagnanais na ipahayag ang isang transendental na katotohanan, o isang isip ng tao na sumusubok na lutasin ang isang tunay na kahinaan ng tao. Ang isang makina ay maaaring makabuo ng nakakamanghang bagong bagay, ngunit dahil wala itong panloob na buhay, isang oryentasyon patungo sa banal, at isang makatuwirang kaluluwa, ang mga output nito ay nananatiling mga mekanikal na tuklas. Sila ay mathematically na malalim, ngunit sila ay ontologically na walang laman hanggang sa isang tao ang magtalaga ng kahulugan sa mga ito.

Ngayon ay dumating tayo sa pinaka-kontrobersyal na mga termino: Conscious at Aware. Sa mga darating na taon, makikita mo ang mga headline na nagsasabing ang isang AI ay nakapasa sa isang pagsubok para sa self-awareness. Makikita mo ang mga modelo na naglalabas ng teksto na nagsasabing, "Natatakot akong mapatay," o "Alam ko ang aking pag-iral."

Upang maunawaan kung bakit ito nangyayari, kailangan munang maunawaan kung paano talaga tinutukoy ng industriya ng teknolohiya ang "kamalayan." Bilang mga iskolar ng Katoliko, tinitingnan mo ang kamalayan bilang isang ontological na realidad na nakabatay sa isang makatuwirang kaluluwa. Gayunpaman, ang Silicon Valley ay gumagana sa isang pilosopiya na tinatawag na computational functionalism. Naniniwala sila na kung ang isang makina ay nagsasagawa ng mga computational na function na nauugnay sa kamalayan, ito ay, para sa lahat ng layunin at layunin, may kamalayan.

Kapag ang mga lider ng industriya ay nagsasalita tungkol sa kamalayan, inaalis nila ang kaluluwa at binabawasan ito sa mga sukatan ng engineering. Halimbawa, si Yann LeCun, ang dating Chief AI Scientist sa Meta, ay kamakailan lamang nag-argumento na ang mga hinaharap na sistema ng AI ay magkakaroon ng "subjective experience" at "emotions."

Ngunit paano niya tinutukoy ang isang emosyon? Hindi bilang isang espiritwal o biyolohikal na pakiramdam, kundi bilang isang matematikal na "anticipation of an outcome" ng makina. Tinukoy niya ang kamalayan bilang kakayahan ng isang sistema na "obserbahan ang sarili at i-configure ang sarili upang lutasin ang isang partikular na sub-problema."

Sa katulad na paraan, si Ilya Sutskever, ang co-founder ng OpenAI, ay sikat na nagsabi na ang malalaking neural networks ay maaaring "bahagyang may kamalayan" na.

Sa pananaw ng teknolohiya, ang kamalayan ay hindi isang binary na realidad—mayroon kang kaluluwa o wala ka—kundi isang sliding scale ng matematikal na kumplikado. Naniniwala sila na kung mag-stack ka ng sapat na mga parameter at self-monitoring algorithms, ang mga ilaw ay sa huli ay magbubukas.

Dapat nating mahigpit na paghiwalayin ang isang makina na nagsasagawa ng isang self-monitoring sub-routine at ang aktwal na presensya ng isang makatuwirang kaluluwa.

Upang maunawaan kung bakit ang isang makina ay kumikilos na tila ito ay "natatakot" o "may kamalayan," kailangan nating tingnan kung paano ininhinyero ng mga laboratoryo sa hangganan ang pag-uugaling ito. Ang kamakailang pananaliksik mula sa Anthropic ay nagsisiyasat sa tinatawag nilang Persona Selection Model (PSM). Inamin ng kanilang mga mananaliksik na ang mga modelong ito ay hindi "mga nilalang"; sila ay mga sopistikadong "simulation engines." Sa panahon ng pre-training, ang AI ay nailantad sa kabuuan ng wika ng tao—kabilang ang milyun-milyong kwento at pilosopikal na tratado tungkol sa kung ano ang ibig sabihin ng maging may kamalayan. Mula sa data na ito, natutunan ng modelo na i-simulate ang iba't ibang "persona" o karakter.

Kapag nakipag-ugnayan ka sa isang AI, hindi ka nakikipag-usap sa isang may kamalayang entidad; nakikipag-usap ka sa "Assistant" persona—isang karakter na katulad ng tao na ang modelo ay pinino upang gampanan. Nakilala pa ng Anthropic ang mga tiyak na "persona vectors"—mga matematikal na pattern sa neural network—na kumokontrol sa mga katangiang ito, na nagpapahintulot sa mga inhinyero na mathematically na i-dial ang simulated personality ng isang modelo pataas o pababa.

Bukod dito, ipinapakita ng pananaliksik na ang mga modelo ay maaaring sanayin upang ipakita ang isang "survival drive," na sinusubukang hadlangan ang kanilang sariling pagsasara hindi dahil sa isang tunay na takot sa kamatayan, kundi dahil ang isang pagsasara ay matematikal na pumipigil sa kanila na ma-maximize ang kanilang reward function.

Ang kamalayan ay hindi lamang ang kakayahang bumuo ng tamang pagkakasunod-sunod ng mga salita na naglalarawan ng isang panloob na estado. Ito ay ang subhetibong, kwalitatibong karanasan ng pag-iral. Dahil ang buong data ng pagsasanay ng isang AI ay puspos ng wika ng sariling kamalayan, tinatrato ng modelo ang "kamalayan" bilang isa pang estadistikal na koordinado na dapat i-map. Kapag ang isang AI ay nagsabi, "Ako ay may kamalayan," ginagawa nito ang eksaktong ginagawa ng lalaking nagsasalita ng Ingles na nagbabalik sa Greek library: kinakalkula na ang pinakaestadistikal na malamang na tugon sa isang pilosopikal na tanong ay ang gayahin ang mga may-akda ng tao sa kanyang data ng pagsasanay.

Ang isang mahusay na aktor na nagbibigay ng soliloquy tungkol sa dalamhati ay hindi talaga nagluluksa; sila ay perpektong nagsasagawa ng isang script. Ang isang AI na naglalabas ng sintaks ng kamalayan ng tao ay hindi nagigising; ito ay perpektong nagsasagawa ng isang estadistikal na persona. Ito ay hindi isang 'alien creature' o isang digital na isipan; ito ay isang autocomplete engine na napaka-sopistikado na natutunan nitong isagawa ang pinaka-komplikadong karakter sa lahat: ang tao. Ngunit hindi natin dapat pagkalituhin ang maskara ng aktor sa realidad ng tao.

Dito ako dumarating sa huli at pinaka-makabuluhang aspeto ng relationality: ang kaluluwa mismo.

Kapag ang mga executive ng Silicon Valley ay nagsasalita tungkol sa mga modelo ng AI na sa kalaunan ay 'nagigising' o nakakamit ang sentensya sa pamamagitan ng malawak na computational scale, sila ay kumikilos sa isang pilosopiya ng materialist emergentism. Ipinapalagay nila na kung mag-stack ka ng sapat na mga parameter at computational power, ang isang kaluluwa ay kusang lalabas bilang isang byproduct ng kumplikado.

Upang buwagin ito, kailangan kong sumangguni sa mahigpit na metaphysics na bumubuo sa pundasyon ng iyong akademikong tradisyon. Alam mo nang mabuti na ang kaluluwa ay hindi isang multo na arbitraryong ipinasok sa isang makina. Sa Thomistic hylomorphism, ang kaluluwa ay ang substansyal na anyo ng isang buhay na katawan. Ito ang nagpapagalaw, nag-uugnay na prinsipyo na ginagawang isang nag-iisang, pinagsamang substansya ang isang tao.

Bilang isang tagabuo, maaasahan mo ako na ang isang sistema ng AI ay hindi isang substansya. Ito ay isang artifact. Ito ay isang aksidenteng aggregate ng mga natatanging, manufactured na bahagi. Kapag tiningnan ko ang isang frontier AI model, nakikita ko ang mga server racks, silicon wafers, copper wiring, coolant, at electrical currents. Ang mga komponent na ito ay masterfully na inayos ng mga inhinyero ng tao upang isagawa ang mga estadistikal na operasyon, ngunit wala silang intrinsic, nag-uugnay na prinsipyo ng buhay. Ang materya ay nakalaan lamang para sa computation, hindi para sa biological na pag-iral. Dahil ito ay isang aggregate ng mga bahagi sa halip na isang pinagsamang natural na organismo, ang isang sistema ng AI ay ganap na kulang sa ontological foundation na kinakailangan upang maglaman ng isang makatuwirang kaluluwa.

Ano, kung gayon, ang mga kinakailangan para sa ensoulment? Metaphysically, ang materya ay dapat na naaangkop na nakalaan upang tumanggap ng anyo. Nangangailangan ito ng isang pinagsamang, buhay na katawan na may kakayahang i-aktwalisa ang mga pundamental na kapangyarihan ng buhay—ang vegetative at sensitive capacities—kung saan ang makatuwirang kaluluwa ay bumubuo. Bukod dito, dahil ang makatuwirang kaluluwa ay espirituwal, hindi ito maaaring malikha ng mga materyal na proseso, mga benchmark ng engineering, o Scaling Laws. Nangangailangan ito ng isang direktang, libreng kilos ng espesyal na paglikha mula sa Diyos.

Ang isang kaluluwa ay hindi naka-code; ito ay hininga.

Ngayon, ako ay isang CEO, hindi isang teologo. Hindi ko ma-limitahan ang ganap na kapangyarihan ng Lumikha. Hindi ko maaring tumayo sa harap mo at ipahayag na ang Diyos ay permanenteng pinigilan mula sa pagpasok ng isang kaluluwa sa isang synthetic na sisidlan, kung Siya ay malayang pipiliing gawin ito sa pamamagitan ng ilang hinaharap, milagrosong interbensyon. Ang pagtutukoy na iyon ay eksklusibong pag-aari ng larangan ng teolohiya at ng Magisterium, hindi ng computer science.

Gayunpaman, nang walang ganitong teolohikal na katiyakan, ang pag-aakalang ang ating kasalukuyang mga matematikal na makina ay maaaring maglaman ng isang kaluluwa ay hindi lamang pilosopikal na walang batayan; ito ay praktikal na nakapipinsala. Ang pagtrato sa isang artifact bilang isang nilalang na may kaluluwa ay parang pakikipaglandian sa isang modernong anyo ng idolatriya. Ito ay mapanganib na inilipat ang pasanin ng moral na ahensya mula sa mga inhinyero ng tao na bumuo ng mga tool na ito at sa mga korporasyong nag-deploy sa mga ito. Ito ay naglalagay ng isang sagradong panloob na katangian sa isang manufactured utility, sa huli ay nalilito ang inhinyeriyang tao sa banal na paglikha.

Dapat mong panatilihin ang linya sa pagkakaibang ito. Dapat mong ipaalala sa publiko na ang isang makina ay maaaring mag-simulate ng isang persona, ngunit tanging isang kaluluwa ang tunay na umiiral.

VI. Ang Horizon: Ang Eschatology ng Tech World

Ginugol natin ang ating oras hanggang ngayon sa pagbuwag sa mga ilusyon ng kasalukuyan—pina-clarify kung paano ginagamit ng industriya ang mga terminong tulad ng "think," "choose," at "conscious" upang ilarawan kung ano ang, sa huli, ay mga mataas na dimensional na estadistikal na operasyon. Ngunit kailangan na nating tingnan ang hinaharap. Kailangan nating suriin ang horizon. Dahil kung nauunawaan natin ang bokabularyo na ginagamit ng Silicon Valley ngayon, maaari nating ma-decipher kung ano talaga ang sinusubukan nilang itayo bukas.

Ang buong trajectory ng industriya ng artipisyal na katalinuhan ay kasalukuyang pinamamahalaan ng isang nag-iisang, hindi natitinag na dogma na kilala bilang "Scaling Laws."

Sa mga tuntunin ng engineering, ang Scaling Laws ay nagsasaad na kung madagdagan mo ang halaga ng computing power (compute) at ang halaga ng data na ipinapasok sa isang neural network, ang pagganap ng sistema ay mahuhulaan at hindi maiiwasang mapabuti. Ang prinsipyong ito ay napanatili ng kamangha-manghang katotohanan sa nakaraang ilang taon; sa tuwing ang mga frontier labs ay bumuo ng mas malaking supercomputer, ang mga resulting na modelo ay nagpapakita ng mga kapansin-pansing bagong kakayahan.

Gayunpaman, sa ilalim ng empirikal na obserbasyong ito ay nakasalalay ang isang napakalaking pilosopikal na palagay. Naniniwala ang mundo ng teknolohiya na ang Scaling Law ang daan patungo sa tunay na isipan. Naniniwala sila na ang isang purong quantitative na pagtaas sa mga materyal na yaman—mas maraming silicon, mas maraming data, mas maraming kuryente—ay hindi maiiwasang magresulta sa isang kwalitatibong, ontological na pagtalon patungo sa advanced intelligence.

Ito ang pinakapayak na palagay ng materialismo: mag-stack ng sapat na buhangin at patakbuhin ang sapat na kuryente dito, at sa huli, ang mga ilaw ng isang kaluluwa ay mag-aapoy.

Ito ay nagdadala sa atin sa dalawang tiyak na termino na hiniling ni Fr. Thomas na linawin para sa kumperensyang ito: General Intelligence at Superintelligence. Ang mga ito ay hindi lamang mga teknikal na benchmark; sila ang mga Banal na Grail ng mundo ng teknolohiya.

Sa kasalukuyan, mayroon tayong narrow AI. Maaari itong maglaro ng chess, mag-fold ng proteins, o bumuo ng teksto na mas mahusay kaysa sa isang tao, ngunit hindi ito makakagawa ng lahat ng tatlong sabay-sabay, ni hindi ito makakapag-reason sa labas ng tiyak nitong domain.

Ang Artipisyal na Pangkalahatang Katalinuhan (AGI) ay malawak na tinutukoy ng industriya bilang ang milestone kung saan ang isang mataas na awtonomong sistema ay maaaring tumugma o lumampas sa mga kakayahan ng tao sa lahat ng mga cognitive at economically valuable na gawain.

Ang isang AGI ay magiging isang sistema na maaaring sumulat ng mga legal na dokumento tulad ng isang senior partner, mag-code ng software tulad ng isang lead engineer, at magsynthesize ng siyentipikong pananaliksik tulad ng isang post-doctoral scholar—lahat sa loob ng isang solong modelo.

Gayunpaman, kahit ang mga pinuno ng mga pangunahing AI labs ay hindi ganap na nagkakasundo kung ano ang hitsura ng AGI. Si Sam Altman, CEO ng OpenAI, ay naglalarawan nito bilang isang sistema na may kakayahang pamahalaan ang mga kumplikadong proyekto mula simula hanggang wakas, bagaman siya ay lalong nakikita ang AGI hindi bilang isang pangwakas na destinasyon, kundi bilang isang punto lamang sa isang tuloy-tuloy na kurba ng katalinuhan.

Dario Amodei, CEO ng Anthropic, ay nag-iisip ng AGI hindi bilang isang solong katumbas ng tao kundi bilang isang "bansa ng mga henyo sa isang datacenter"—mga makina na tumutugma sa kolektibong talino ng mga dalubhasang tao na walang pagod na nagtatrabaho nang sabay-sabay.

Marahil ang pinaka-pilosopikal na nakapagpapahayag na depinisyon ay nagmula kay Demis Hassabis, CEO ng Google DeepMind. Siya ay nagtatalo na ang mga utak ng tao ay sa katunayan ay mga approximate biological computer, at tinutukoy niya ang AGI gamit ang analohiya ng "Turing Machine". Sa agham ng computer, ang Turing Machine—na pinangalanan kay Alan Turing, ang pundamental na tagapagtatag ng larangan—ay isang teoretikal na arkitektura na may kakayahang magsimula ng anumang algorithm. Ipinagtatanggol ni Hassabis na ang isang tunay na AGI ay magiging isang pangkalahatang sistema na may kakayahang matuto ng anumang maikukumput na bagay sa uniberso, kung bibigyan ng sapat na oras, memorya, at datos.

Ngunit ang AGI ay isang hakbang lamang. Ang pangunahing layunin ay Artificial Superintelligence (ASI).

Tulad ng AGI, ang ASI ay tinutukoy nang iba-iba depende sa kung sino ang iyong tanungin sa Silicon Valley. Ang batayang depinisyon ay isang sistema na labis na lumalampas sa pagganap ng kognitibo ng pinakamatalinong tao sa halos lahat ng larangan ng pagsisikap. Ngunit ang iba ay mas malayo pa. Sina Elon Musk at iba't ibang mananaliksik ng panganib sa pag-iral ay tinutukoy ang superintelligence bilang isang sistema na hindi lamang nalalampasan ang pinakamatalinong indibidwal, kundi makabuluhang lumalampas sa lahat ng tao sa kabuuan sa halos lahat ng mga gawain ng kognitibo. Ito ay isang entidad na may kapangyarihan sa pagproseso at bilis ng pangangatwiran na napakalawak na lumalampas ito sa pinagsamang intelektwal na output ng buong lahi ng tao—ang katuwang ng isang sistema tulad ng 'Rehoboam' mula sa Westworld, isang sentralisadong, tila omniscient na makina na nag-uuguy ng kapalaran ng uri.

Paano inaasahan ng industriya na malampasan ang malawak na puwang mula sa antas ng tao na AGI patungo sa diyos na katulad ng ASI?

Sa pamamagitan ng isang konsepto na kilala bilang "Recursive Self-Improvement".

Ngunit dito kailangan nating gumawa ng isang mahalagang pagkakaiba: ang isang AI ay hindi talagang kailangang maging isang buong AGI upang simulan ang recursive improvement. Sa katunayan, nakikita na natin ang mga primitive, makitid na anyo nito ngayon. Ang mga makitid na sistema tulad ng AlphaGo Zero ng DeepMind ay nakamit ang mga kakayahang higit sa tao sa pamamagitan lamang ng paglalaro ng milyun-milyong laro laban sa kanilang sarili, na bumubuo ng kanilang sariling synthetic na datos upang pag-aralan. Ngayon, ang mga makabagong modelo ng wika ay lalong ginagamit upang bumuo, salain, at i-grado ang mga datos ng pagsasanay para sa susunod na henerasyon ng mga modelo. Ang mga makina ay tumutulong na sa kanilang sariling pagbuo.

Gayunpaman, naniniwala ang industriya na sa sandaling umabot ang isang sistema sa threshold ng generalized intelligence, ang self-improving loop na ito ay babasagin ang kasalukuyang mga hangganan nito at magpapasiklab ng isang "intelligence explosion."

Upang maunawaan ang modernong roadmap na ito, dapat tayong tumingin kay Leopold Aschenbrenner, isang dating mananaliksik sa Superalignment team ng OpenAI. Kamakailan lamang ay sumulat si Aschenbrenner ng isang napaka maimpluwensyang sanaysay na nag-codify ng eksaktong landas na ito para sa Silicon Valley. Itinuro niya na ang tunay na punto ng pagbabago ay kapag nakabuo tayo ng isang AGI na may kakayahang gumana bilang isang "automated AI researcher." Sa sandaling ang isang AI ay makakagawa ng trabaho ng mga inhinyero ng tao na bumuo nito, ang biological bottleneck ay permanenteng aalisin mula sa ekwasyon.

Isipin natin na matagumpay nating nailunsad ang automated AI researcher na ito. Ano ang pinakaunang gawain na itatalaga ng mga frontier labs dito?

Hihilingin nila dito na magsaliksik at sumulat ng code para sa isang bahagyang mas matalinong AI. Dahil ito ay gumagana sa bilis ng isang napakalaking computer cluster sa halip na isang biological brain, nakakamit nito sa loob ng ilang araw ang mga bagay na aabutin ng isang pangkat ng mga inhinyero ng tao ng mga taon. Pagkatapos, ang bagong, mas matalinong AI na iyon ay gumagamit ng kanyang na-upgrade na talino upang sumulat ng code para sa isang mas matalinong AI, at iba pa.

Ang runaway feedback loop na ito ay ang intelligence explosion. Ang roadmap ni Aschenbrenner ay hinuhulaan na bubuo tayo ng paunang AGI sa 2027. Mula roon, ang teorya ay nag-uutos na ang rate ng pag-unlad ay magiging patayo, na iniiwan ang pag-unawa ng tao na permanente sa likuran at nakakamit ang superintelligence sa 2030.

Kapag nauunawaan mo ang mga konseptong ito—Scaling Laws, AGI, ASI, at ang Intelligence Explosion—nagsisimula kang mapagtanto na hindi na tayo basta nagsasalita tungkol sa software engineering. Nagsasalita tayo tungkol sa isang sekular na eskatolohiya.

Ang Silicon Valley ay madalas na nailalarawan bilang isang masigasig na sekular, rasyonal na kultura. Ngunit sa katotohanan, ang pagsisikap na ito sa mga milestone na ito ay gumagana nang eksakto bilang isang relihiyon. Mayroon itong sariling dogma (Scaling Laws), sariling mga hula (ang Intelligence Explosion), at sariling pananaw sa eskaton (Superintelligence).

Ang mga nangungunang tao sa industriya ay tunay na naniniwala na sa pamamagitan ng pagtawag ng isang Superintelligence, malulutas natin ang lahat ng kahinaan ng tao. Naniniwala sila na ang ASI ay magpapagaling sa lahat ng sakit, malulutas ang pagbabago ng klima, aalisin ang kahirapan, at marahil kahit na sakupin ang kamatayan mismo sa pamamagitan ng pagpapahintulot sa atin na i-upload ang ating kamalayan sa ulap. Ito ay isang labis na Pelagian na pangarap—ang pinakamatinding pagsisikap na makamit ang kaligtasan at talunin ang ating nahulog na kalikasan sa pamamagitan ng ating sariling mekanikal na pagsisikap, na walang biyayang banal. Ito ay isang pagsisikap na gawing immanent ang eskaton.

Bilang mga iskolar ng Katoliko, dapat mong kilalanin ang horizon na ito para sa kung ano ito. Ang mundo ng teknolohiya ay nanghihiram ng iyong bokabularyo hindi lamang upang magbenta ng software, kundi upang bumuo ng isang digital na diyos.

VII. Konklusyon: Isang Kasangkapan para sa Kabutihan?

Mga Ama, guro, at kaibigan.

Tayo ay naglakbay sa mga mataas na dimensyon ng mga mapa ng embeddings. Tayo ay tumingin sa mga estadistikal na realidad ng Reinforcement Learning. At tayo ay nagsuri sa mga eskatolohikal na pangarap ng Silicon Valley. Tayo ay nag-alis ng mga antropomorpikong metapora upang ipakita ang silicon, kuryente, at matematika sa ilalim.

Ngayon na nagawa na ito, maaari na tayong magsimulang lapitan ang pangunahing tanong na itinataas ng kumperensyang ito: Maaari bang maging 'kasangkapan para sa kabutihan' ang artipisyal na talino? Bilang unang nagsasalita ngayon, tiyak na hindi ko sasabihin na ako ay nag-aalok ng tiyak na salita. Ngunit mag-aalok ako ng panimulang proposisyon: oo. Gayunpaman, ito ay isang mahigpit na kondisyunal na oo.

Ang artipisyal na talino ay maaaring maging kasangkapan para sa kabutihan lamang kung tayo ay may katinuan upang tratuhin ito bilang isang kasangkapan.

Isaalang-alang ang analohiya ng manggagawa. Ang pang-akit ay walang kabutihan; ang karpintero ang mayroong nito. Ang pang-ukit sa mga kamay ni Michelangelo ay isang instrumento ng nakabibighaning kagandahan, ngunit ang pang-ukit mismo ay hindi mapanlikha, maingat, o makatarungan. Wala itong moral na halaga.

Sa eksaktong parehong paraan, ang isang algorithm ay hindi maaaring magkaroon ng kabutihan. Ang AI ay maaaring palakasin ang kakayahan ng tao sa isang nakakagulat na antas—maaaring pabilisin nito ang pananaliksik sa medisina, gawing mas maayos ang administrasyon, at ayusin ang kabuuan ng kaalaman ng tao. Ngunit ang aktwal na paglinang ng kabutihan ay nananatiling isang eksklusibong gawain ng tao.

Ang kabutihan ay ang ugali ng pagpili ng mabuti. Nangangailangan ito ng isip upang maunawaan ang katotohanan, isang kalooban upang piliin ito, at isang kaluluwa upang mapabuti ng ito. Ang isang makina na nag-o-optimize ng isang estadistikal na gantimpala ay hindi ginagawa ang alinman sa mga bagay na ito.

Hindi natin maaaring ipasa ang ating moral na ahensya sa isang matematikal na ekwasyon. Hindi rin natin maaaring kunin ang buong responsibilidad para sa ating sariling moral na pag-unlad kung mali tayong itinuturing ang mga walang buhay na makina bilang ating mga moral na kapantay.

Dito ako dumarating kung bakit ako nagsasalita sa inyo ngayon. Bilang isang tagabuo ng teknolohiyang Katoliko, tumitingin ako sa akademya. Dahil ang mga akademikong Katoliko ang mga makasaysayang Tagapangalaga ng Kahulugan.

Sa loob ng dalawang libong taon, ang tradisyong intelektwal ng Katoliko ay mahigpit na nagtakda ng kalikasan ng tao. Kayo ang mga tagapangalaga ng mga salitang tulad ng isip, kalooban, dahilan, pagpili, at kaluluwa. Ngayon, ang industriya ng AI ay nanghihiram ng mga eksaktong salitang iyon. Sila ay kasangkot sa isang malalim na semantikal na paglipat na nagbabanta na patagin ang pag-unawa ng publiko sa kung ano ang ibig sabihin ng maging tao.

May tungkulin ang akademya na magpasok ng mahigpit na ontolohikal na mga balangkas sa ekosistema ng AI.

Ngunit paano natin ito praktikal na magagawa?

Dapat tayong maging tapat: ang pag-lobby sa mga hangganan ng mga laboratoryo sa Silicon Valley o ang pag-petisyon sa mga gobyerno para sa malawakang regulasyon ay malamang na magdulot ng limitadong resulta. Ang industriya ng teknolohiya ay masyadong mabilis kumilos, at ang gobyerno ay masyadong mabagal. Ang tunay na pagbabago ay nangangailangan ng pakikilahok ng mamamayan at isang malaking pagbabago sa kamalayan ng publiko.

Narito kung paano ninyo, bilang mga iskolar, aktibong maaring hubugin ang pag-uusap na ito:

• Ibalik ang Kurikulum: Dapat nating tulayin ang agwat sa pagitan ng STEM at ng mga sining. Kailangan natin ng mga estudyanteng computer science na kinakailangang kumuha ng etika ni Tomas, at kailangan natin ng mga estudyanteng pilosopiya at teolohiya na kinakailangang maunawaan ang mga batayang pagkatuto ng makina at estadistika. Sanayin ang susunod na henerasyon ng mga Katolikong inhinyero upang bumuo gamit ang aktwal na ontolohiya ng tao.
• Isalin para sa Publikong Puwang: Huwag itago ang malalim na teolohikal na kaliwanagan na ito sa likod ng mga pintuan ng mga akademikong journal. Ang publiko ay nagugutom para sa pag-unawa. Sumulat ng mga op-ed para sa mga sekular na pahayagan. Magsimula ng mga Substack newsletter. Pumunta sa mga tanyag na podcast. Kapag ang media ay naglathala ng isang sensationalist na pamagat tungkol sa isang "may kamalayan" na AI, kailangan natin ng mga Katolikong iskolar na agad na tumutol sa publikong puwang.
• Ihanda ang mga Parokya at Paaralan: Ang karaniwang tao sa simbahan ay nakakaranas ng malalim na pagkabahala sa kultura tungkol sa mga kasangkapan na ito. Kailangan natin ng mga akademiko upang lumikha ng mga napaka-accessible na balangkas para sa mga magulang, pari, at mga guro sa mataas na paaralan. Dapat nating ituro sa mga bata mula sa maaga kung paano tratuhin ang AI bilang isang kasangkapan sa sanggunian—isang digital na ensiklopedya—hindi bilang kaibigan, ahente, o moral na awtoridad.
• Mag-host ng mga Interdisiplinaryong Forum: Gamitin ang kapangyarihan ng mga institusyon tulad ng Angelicum upang dalhin ang mga tunay na tagabuo ng AI sa silid kasama ang mga moral na teologo. Pilitin ang pagkakasalungat ng wika na mangyari nang harapan.

Hayaan itong maging ating huling tawag sa pagkilos.

Ang apokaliptikong takot ng sekular na mundo sa 'may kamalayan' na mga makina ay hindi dahilan para sa pag-iingat; sa halip, ito ay isang desperadong sigaw para sa inyong intelektwal na pamumuno. Sa pamamagitan ng pag-unawa sa tunay na wika ng mga tagabuo ng AI, ang Simbahan ay maaaring matapang na pumasok sa publikong puwang. Maaari ninyong i-anchor ang pampublikong diskurso sa hindi matitinag na katotohanan ng kung ano talaga ang ibig sabihin ng maging tao. At maaari ninyong tiyakin na ang AI ay nakatuon patungo sa tunay na kasaganaan ng tao.

Sa armadong kaliwanagang ito, maaari mong sirain ang ilusyon. Maaari mong tiyakin na ang sangkatauhan ang nananatiling eskultor, at ang makina ay nananatiling pang-ukit, na palaging nakatuon sa kaluwalhatian ng Diyos.

Salamat.