Dimulai dari Bayes pada tahun tujuh belas sekian.

Seorang pendeta Presbyterian yang berjalan gontai pulang ke rumah dalam pakaian klerikalnya, berpikir dalam garis lurus.

Kita tidak banyak tahu tentang Thomas. Ia percaya bahwa karya terpentingnya bersifat moral sekaligus matematis. Dalam Divine Benevolence, ia berargumen bahwa keberadaan kebahagiaan itu sendiri merupakan bukti bahwa Tuhan kemungkinan besar memang ada.

Dalam catatan matematisnya, ia mengerjakan masalah-masalah praktis yang sulit, termasuk tantangan klasik para ahli geometri dalam mengukur Bumi. Klaim bahwa perkiraannya berada dalam sepersepuluh persen dari nilai modern adalah menarik namun tidak terverifikasi. Yang kita ketahui adalah bahwa Bayes diakui oleh Royal Society atas karyanya dalam fluxions dan metode penentuan ukuran Bumi. Itu sudah memberi tahu Anda jenis pikiran yang sedang kita bicarakan.

Dampak terbesar Thomas datang setelah ia tiada. Setelah Bayes meninggal pada 1761, temannya Richard Price menyortir makalah-makalahnya, menemukan solusi jernih untuk masalah probabilitas-invers, mengeditnya, dan menerbitkannya pada 1763 sebagai An Essay towards Solving a Problem in the Doctrine of Chances. Pembalikan ini — menyimpulkan dari data ke keyakinan — mendasari segalanya, mulai dari pengujian medis hingga pembelajaran mesin hari ini.

Dekade yang sama ketika ayah Mozart membawa seorang anak ajaib berkeliling Eropa, ketika Abu Dhabi didirikan, ketika Watt menyempurnakan mesin uap, dan ketika James Cook berlayar untuk mengamati transit Venus. Kolonialisme baru saja dimulai. Betapa luar biasanya masa itu untuk ditinggali.

Inilah inti dari semuanya:

P(H | D) = P(D | H) × P(H) / P(D)

Posterior sama dengan likelihood dikali prior, dinormalisasi oleh bukti. Bagi mereka yang lebih condong ke sisi matematika-vibes, rumus ini mengkodifikasikan: semakin banyak yang sudah kita ketahui, dan semakin cocok bukti baru, semakin baik tebakan kita berikutnya.

Bayes mendarat di Pencerahan seperti bunyi bel yang jernih. Laplace mendengarnya, mendorongnya lebih jauh, dan membayangkan eksperimen pikiran terkenalnya tentang sebuah kecerdasan yang mengetahui semua gaya dan posisi, yang tidak mengalami ketidakpastian apa pun, dan bagi siapa masa depan dan masa lalu sama-sama terlihat sekaligus. Indah, sekaligus sebuah peringatan awal tentang bahaya mengacaukan kalkulasi dengan kebijaksanaan.

Mengapa peduli sekarang?

Karena gagasan-gagasan paling mutakhir di dunia berdiri di ujung jalan yang dimulai dari Bayes.

Model bahasa besar terasa seperti otak karena mereka sangat pandai mengambil kelanjutan yang paling mungkin dari konteks. Mereka tidak secara harfiah menjalankan teorema Bayes, namun perilaku mereka sangat bersifat Bayesian. Mereka menimbang kemungkinan berdasarkan seberapa baik sesuatunya cocok dengan cerita sejauh ini. Mereka masih lemah dalam mengarahkan perhatian ke tugas yang tepat. Itu tetap menjadi pekerjaan kita.

Mulailah dengan argumen yang beralasan

Bayes pasti akan membenci naluri untuk sekadar menyatakan sesuatu. Metodenya dimulai dengan hipotesis dan menunggu data. Menyajikan argumen yang beralasan berarti menguji keyakinan terhadap bukti. Itu menghasilkan pemasaran yang lebih baik, politik yang lebih jelas, dan rapat produk yang lebih waras. Argumen menjadi proses kalibrasi, bukan penaklukan.

Daripada memaksakan jawaban melalui prompt suara selama 38 menit, mintalah mesin untuk mengajukan serangkaian pertanyaan yang membantu membangun argumen yang beralasan dan meningkatkan kualitas hasil. Seiring platform membuka lingkungan kolaboratif di mana banyak orang dan agen dapat mendefinisikan masalah bersama-sama, kebiasaan ini akan jauh lebih penting daripada perintah tunggal mana pun.

Berikan konteks yang lebih baik

Setiap prediksi bergantung pada priornya. Semakin baik Anda membingkai masalah, semakin besar kemungkinan sistem menghasilkan sesuatu yang bermakna daripada kebisingan. Prompt bekerja dengan cara yang sama. Konteks yang spesifik dan berimbang menghasilkan keluaran yang relevan; pertanyaan yang kabur melahirkan omong kosong yang terdengar meyakinkan. Baik Anda mem-prompt AI maupun manusia, Anda mendapatkan kembali kualitas konteks yang Anda masukkan.

Inilah yang menjelaskan mengapa prompt singkat hampir selalu menghasilkan hasil yang biasa-biasa saja. Orang-orang berbakat dengan kepekaan terhadap penyempurnaan yang sudah tertanam dalam diri mereka akan baik-baik saja, untuk saat ini.

Bawa bukti

Jika Thomas tidak menyimpan makalah-makalahnya, teman baiknya Richard Price tidak akan punya apa pun untuk digeledah. Jika Anda memiliki makalah, itu adalah keunggulan. Jika Anda memiliki data, gunakanlah. Masa depan sudah dipenuhi spekulasi yang terdengar penuh keyakinan. Bukti adalah kekuatan sunyi yang membuat Anda tetap jujur. Bukti juga yang mengubah pembelajaran probabilistik menjadi tindakan kreatif, bukan sekadar gertakan. Semakin banyak jangkar dunia nyata yang dilihat model, semakin kecil kemungkinannya berhalusinasi. Manusia bekerja dengan cara yang sama.

Jika Anda pernah menulis blog, Substack, atau buku, Anda memiliki keunggulan. Karya-karya itu menjadi prior yang memungkinkan sebuah model menulis dengan suara Anda. Bisnis yang duduk di atas bertahun-tahun siaran pers atau konten video akan mampu menghasilkan materi sintetis yang cocok dengan nuansa dan kerangka merek mereka. Menjaga kepala merek tetap di atas permukaan dari lautan konten murahan akan menjadi tantangan utama.

Pegang beberapa perspektif

Teorema Bayes bukan tentang menjadi benar sekali; ini tentang menjadi kurang salah setiap kalinya. Memegang beberapa perspektif mempercepat proses itu. Ajukan pertanyaan, lalu tanyakan bagaimana pelanggan, kritikus, dan pesaing Anda mungkin menjawabnya. Menetapkan model dengan kerangka ideologis atau korpus konten yang dikurasi membuat jawaban lebih cerdas dan membuat tim kurang bersifat tribalistis. Ini juga merupakan penawar terhadap ruang gema, baik yang algoritmik maupun yang lainnya.

Saat ini saya sedang membaca Cultural Amnesia karya Clive James, sehingga saya tentu saja meneliti secara mendalam karya-karya orang yang ia kutip dan memulai hari saya dalam percakapan dengan bayangan-bayangan sejarah. Camus memiliki pendapat tentang segalanya. Meminta pemikiran Anda untuk ditinjau dari sudut pandang klien atau penentang yang mengganggu dapat membantu Anda mengenali titik buta dan membangun pemikiran yang lebih tajam ketika bekerja bersama mesin.

Waspadai jebakan perhatian

Mengoptimalkan untuk keterlibatan adalah cara yang hampir sempurna untuk menghancurkan kepercayaan. Ini juga telah menjadi model monetisasi dominan di Silicon Valley selama beberapa dekade, dan model-model besar yang lahir dari dunia itu mewarisi DNA yang sama.

Konten yang paling lengket memenangkan guliran tetapi sering kali kalah argumen. Perhatian tanpa kedalaman berubah menjadi kecanduan. Bayes akan memberi tahu kita bahwa bukti harus lebih berbobot daripada emosi, bahwa beberapa prior yang kuat lebih baik daripada seribu pendapat panas. Optimalkan untuk hasil, bukan kemarahan.

Model-model sudah menguji bagaimana Anda merespons sanjungan. Ini terasa seperti risiko yang lebih besar daripada teknologi yang berubah menjadi Skynet, setidaknya untuk saat ini.

Laju eksponensial belum berakhir

Manusia cenderung percaya bahwa mereka hidup di atau mendekati puncak tertinggi dari seluruh sejarah. Rasanya selalu seperti akhir permainan Civilization dan hanya ada beberapa teknologi lagi yang tersisa di pohon penelitian.

AI tampaknya menjadi pendorong ekonomi yang sangat besar, dan kita baru mulai memahami apa yang diubahnya. Di tingkat pengguna, antarmuka untuk teknologi-teknologi ini yang bergerak melampaui antarmuka baris perintah — seiring mesin membangun UI di sekitar wadah perangkat lunak untuk prompt, memunculkan konstelasi baru dari interaksi kita di dunia — adalah salah satu perkembangan yang paling menarik untuk diamati.

Kita tidak akan tahu bahwa iblis Laplace sudah ada di dalam ruangan sampai semuanya terlambat, yang merupakan cara lain untuk mengatakan bahwa arah, tujuan, dan kerendahan hati masih merupakan aset yang langka. Bayes memberi kita cara untuk belajar dari pengalaman tanpa berpura-pura memiliki kepastian. Itulah tepatnya yang kita butuhkan.

Hal paling kuat dari teoremanya adalah bahwa ia berskala dari alam semesta hingga kotak masuk. Ia berlaku sama untuk fisika dan desain produk, untuk perekrutan, politik, dan kepemimpinan kreatif. Setiap hari kita memperbarui prior kita berdasarkan apa yang dunia sampaikan kepada kita. Itulah pembelajaran sejati.