Tout commence avec Bayes en dix-sept-cent-quelque-chose.

Un ministre presbytérien qui rentre chez lui en titubant dans ses habits cléricaux, pensant en ligne droite.

Nous ne savons pas grand-chose de Thomas. Il croyait que son travail le plus important était à la fois moral et mathématique. Dans Divine Benevolence, il a soutenu que l'existence du bonheur était elle-même une preuve que Dieu existe probablement.

Dans ses notes mathématiques, il s'est attaqué à des problèmes pratiques difficiles, notamment le défi classique du géomètre consistant à mesurer la Terre. L'affirmation selon laquelle son estimation était à un dixième de pour cent des valeurs modernes est pittoresque mais non vérifiée. Ce que nous savons, c'est que Bayes a été reconnu par la Royal Society pour ses travaux sur les fluxions et les méthodes de détermination de la taille de la Terre. Cela vous dit déjà quel type d'esprit nous avons affaire.

Le plus grand impact de Thomas est arrivé après qu'il soit parti. Après la mort de Bayes en 1761, son ami Richard Price a trié ses papiers, trouvé une solution nette à un problème de probabilité inverse, l'a éditée et publiée en 1763 sous le titre An Essay towards Solving a Problem in the Doctrine of Chances. Cette inversion — inférer des données vers la croyance — sous-tend tout, des tests médicaux à l'apprentissage automatique aujourd'hui.

La même décennie où le père de Mozart transportait un prodige à travers l'Europe, où Abu Dhabi était fondée, où Watt améliorait la machine à vapeur, et où James Cook partait observer le transit de Vénus. Le colonialisme ne faisait que commencer. Quelle époque pour être en vie.

Voici le cœur de tout cela :

P(H | D) = P(D | H) × P(H) / P(D)

La postérieure est égale à la vraisemblance multipliée par la prior, normalisée par l'évidence. Pour ceux qui sont davantage du côté des mathématiques intuitives, cela codifie : plus nous savons déjà, et mieux les nouvelles preuves s'emboîtent, meilleure sera notre prochaine estimation.

Bayes débarque dans les Lumières comme une cloche claire. Laplace l'entend, le pousse plus loin, et imagine sa fameuse expérience de pensée sur un intellect qui connaît toutes les forces et toutes les positions, pour qui rien n'est incertain, et pour qui l'avenir et le passé sont tous deux visibles à la fois. Magnifique, et aussi un avertissement précoce sur la confusion entre le calcul et la sagesse.

Pourquoi s'en soucier maintenant ?

Parce que les idées les plus récentes au monde se trouvent au bout de la route qui commence avec Bayes.

Les grands modèles de langage donnent l'impression d'être cérébraux parce qu'ils sont très bons pour retrouver des continuations probables à partir du contexte. Ils n'exécutent pas littéralement le théorème de Bayes, mais leur comportement est profondément bayésien. Ils pondèrent les possibilités selon la façon dont elles s'adaptent à l'histoire jusqu'ici. Ils restent faibles pour diriger l'attention vers la bonne tâche. C'est toujours notre travail.

Commencez par un argument raisonné

Bayes aurait détesté l'instinct de déclarer. Sa méthode commence par une hypothèse et attend les données. Présenter un argument raisonné signifie tester la croyance contre les preuves. Cela améliore le marketing, clarifie la politique et assainit les réunions de produit. L'argument devient un processus de calibration plutôt que de conquête.

Plutôt que de peaufiner une invite vocale de 38 minutes, demandez à la machine de poser une série de questions qui aident à construire un argument raisonné et à améliorer la qualité des résultats. À mesure que les plateformes ouvrent des environnements collaboratifs où plusieurs personnes et agents peuvent définir des problèmes ensemble, cette habitude comptera plus que n'importe quelle commande unique.

Fournissez un meilleur contexte

Chaque prédiction dépend de ses priors. Mieux vous formulez le problème, plus le système est susceptible de produire du sens plutôt que du bruit. Les invites fonctionnent de la même façon. Un contexte spécifique et bien pondéré produit des résultats pertinents ; les questions vagues engendrent des sottises confiantes. Que vous donniez des instructions à une IA ou à une personne, vous récupérez la qualité du contexte que vous avez mis en entrée.

Cela explique pourquoi les invites courtes livrent principalement des résultats médiocres. Les personnes talentueuses avec un sens du raffinement déjà à portée de main s'en sortiront très bien, pour l'instant.

Apportez des preuves

Si Thomas n'avait pas conservé ses papiers, le bon ami Richard Price n'aurait eu rien à fouiller. Si vous avez des papiers, c'est un avantage. Si vous avez des données, utilisez-les. L'avenir est déjà envahi de spéculations confiantes. La preuve est le pouvoir silencieux qui vous maintient honnête. C'est aussi ce qui transforme l'apprentissage probabiliste en acte créatif plutôt qu'en bluff. Plus le modèle voit des ancrages du monde réel, moins il est susceptible d'halluciner. Les humains fonctionnent de la même façon.

Si vous avez écrit un blog, un Substack ou un livre, vous avez un avantage. Ces écrits deviennent les priors qui permettent à un modèle d'écrire avec votre voix. Les entreprises qui disposent d'années de communiqués de presse ou de contenu vidéo pourront générer du matériel synthétique qui correspond au style et aux cadres de la marque. Maintenir la tête d'une marque hors de la boue deviendra un défi clé.

Tenez compte de plusieurs perspectives

Le théorème de Bayes ne consiste pas à avoir raison une seule fois ; il s'agit de se tromper de moins en moins à chaque fois. Tenir plusieurs perspectives à la fois accélère ce processus. Posez la question, puis demandez comment votre client, votre critique et votre concurrent pourraient y répondre. Configurer des modèles avec des cadres idéologiques ou des corpus de contenu sélectionnés rend les réponses plus intelligentes et les équipes moins tribales. C'est aussi l'antidote aux chambres d'écho, algorithmiques ou autres.

Je lis en ce moment Cultural Amnesia de Clive James, alors bien sûr j'ai fait des recherches approfondies sur les œuvres de ceux qu'il cite et je commence mes journées en conversation avec les ombres de l'histoire. Camus a des opinions sur tout. Demander que votre réflexion soit examinée du point de vue d'un client ou d'un détracteur tenace peut vous aider à corriger vos angles morts et à construire une meilleure pensée en travaillant avec la machine.

Méfiez-vous du piège de l'attention

Optimiser pour l'engagement est une façon quasi parfaite de détruire la confiance. C'est aussi le modèle de monétisation dominant dans la Silicon Valley depuis des décennies, et les grands modèles issus de ce monde partagent l'ADN.

Le contenu le plus accrocheur gagne le scroll mais perd souvent l'argument. L'attention sans profondeur devient addiction. Bayes nous dirait que les preuves doivent l'emporter sur l'émotion, que quelques priors solides valent mieux que mille prises de position à chaud. Optimisez pour les résultats, pas pour l'indignation.

Les modèles testent déjà comment vous répondez à la flatterie. Cela semble être le risque plus important que de voir la technologie devenir Skynet, du moins pour l'instant.

La course exponentielle n'est pas terminée

Les humains ont tendance à croire qu'ils vivent au point culminant ou près du point culminant de toute l'histoire. Cela ressemble toujours à une fin de partie de Civilization et il ne reste que quelques technologies dans l'arbre.

L'IA semble être un moteur économique énorme, et nous commençons seulement à comprendre ce qu'elle change. Au niveau des utilisateurs, l'interface pour que ces technologies aillent au-delà de la ligne de commande — à mesure que la machine construit des interfaces autour de conteneurs logiciels pour les invites, de nouvelles constellations de nos interactions dans le monde — est l'un des développements les plus intéressants à observer.

Nous ne saurons pas que le démon de Laplace est dans la salle jusqu'à ce qu'il soit trop tard, ce qui est une autre façon de dire que la direction, le but et l'humilité sont toujours les ressources rares. Bayes nous donne un moyen d'apprendre de l'expérience sans prétendre à la certitude. C'est exactement ce dont nous avons besoin.

La chose la plus puissante dans son théorème est qu'il s'étale de l'univers à la boîte de réception. Il s'applique également à la physique et à la conception de produits, au recrutement, à la politique et au leadership créatif. Chaque jour, nous mettons à jour nos priors en fonction de ce que le monde nous renvoie. C'est ce qu'est le vrai apprentissage.