Inizia con Bayes nei millesettecentoqualcosa.

Un ministro presbiteriano che torna a casa barcollando nei suoi abiti clericali, pensando in linee rette.

Non sappiamo molto su Thomas. Credeva che il suo lavoro più importante fosse morale e matematico insieme. In Divine Benevolence, sosteneva che l'esistenza della felicità fosse essa stessa una prova che Dio probabilmente esiste.

Nelle sue note matematiche, si cimentava con difficili problemi pratici, tra cui la classica sfida del geometra di misurare la Terra. L'affermazione che la sua stima fosse entro un decimo di percentuale dei valori moderni è colorita ma non verificata. Quello che sappiamo è che Bayes fu riconosciuto dalla Royal Society per il suo lavoro sui flussioni e sui metodi per determinare le dimensioni della Terra. Questo ci dice già che tipo di mente stiamo esaminando.

Il maggiore impatto di Thomas arrivò dopo di lui. Dopo che Bayes morì nel 1761, il suo amico Richard Price esaminò le sue carte, trovò una soluzione nitida a un problema di probabilità inversa, la modificò e la pubblicò nel 1763 come An Essay towards Solving a Problem in the Doctrine of Chances. Questa inversione — dedurre dai dati alle credenze — è alla base di tutto, dai test medici all'apprendimento automatico oggi.

Lo stesso decennio in cui il padre di Mozart portava un prodigio in giro per l'Europa, in cui Abu Dhabi fu fondata, in cui Watt migliorò il motore a vapore e in cui James Cook partì per osservare il transito di Venere. Il colonialismo stava appena prendendo piede. Che tempi per essere vivi.

Ecco il centro di tutto:

P(H | D) = P(D | H) × P(H) / P(D)

Il posteriore è uguale alla verosimiglianza per il priore, normalizzato per le prove. Per coloro che si trovano più sul versante della matematica intuitiva, codifica questo: più già sappiamo, e meglio si adattano le nuove prove, migliore sarà la nostra prossima ipotesi.

Bayes sbarca nell'Illuminismo come una campana chiara. Laplace lo sente, lo spinge oltre e immagina il suo famoso esperimento mentale su un intelletto che conosce tutte le forze e le posizioni, per cui nulla è incerto e per cui il futuro e il passato sono entrambi visibili contemporaneamente. Bello, e anche un primo avvertimento sul rischio di confondere il calcolo con la saggezza.

Perché dovrebbe importarci adesso?

Perché le idee più nuove del mondo si trovano alla fine della strada che inizia con Bayes.

I grandi modelli linguistici sembrano cervelliformi perché sono molto bravi a recuperare continuazioni probabili dal contesto. Non eseguono letteralmente il teorema di Bayes, ma il loro comportamento è profondamente bayesiano. Ponderano le possibilità in base a quanto si adattano alla storia finora. Sono ancora deboli nel dirigere l'attenzione verso il compito giusto. Questo rimane il nostro lavoro.

Inizia con un argomento ragionato

Bayes avrebbe odiato l'istinto di dichiarare. Il suo metodo inizia con un'ipotesi e aspetta i dati. Presentare un argomento ragionato significa testare le credenze contro le prove. Questo porta a un marketing migliore, a una politica più chiara e a riunioni di prodotto più sane. L'argomento diventa un processo di calibrazione piuttosto che di conquista.

Invece di infilare la strada su un prompt vocale di 38 minuti, chiedi alla macchina di porre una serie di domande che aiutano a costruire un argomento ragionato e migliorano la qualità dei risultati. Man mano che le piattaforme aprono ambienti collaborativi in cui più persone e agenti possono definire problemi insieme, questa abitudine conterà più di qualsiasi singolo comando.

Fornisci un contesto migliore

Ogni previsione dipende dai suoi prior. Più bene si inquadra il problema, più è probabile che il sistema produca senso invece di rumore. I prompt funzionano allo stesso modo. Il contesto specifico e ben ponderato produce risultati pertinenti; le domande vaghe generano sciocchezze sicure di sé. Sia che si stia chiedendo a un'IA o a una persona, si ottiene la qualità del contesto che si è inserita.

Questo spiega perché i prompt brevi per lo più producono risultati mediocri. Le persone di talento con un senso di raffinatezza già a portata di mano se la caveranno bene, per ora.

Porta le prove

Se Thomas non avesse conservato le sue carte, il vecchio amico Richard Price non avrebbe avuto nulla da frugare. Se hai delle carte, questo è un vantaggio. Se hai dati, usali. Il futuro è già sommerso da speculazioni sicure di sé. Le prove sono il potere silenzioso che ti mantiene onesto. È anche ciò che trasforma l'apprendimento probabilistico in un atto creativo piuttosto che in un bluff. Più il modello vede ancoraggi del mondo reale, meno è probabile che alluci. Gli esseri umani funzionano allo stesso modo.

Se hai scritto un blog, un Substack o un libro, sei in vantaggio. Questi diventano i prior che permettono a un modello di scrivere con la tua voce. Le aziende che si siedono su anni di comunicati stampa o contenuti video saranno in grado di generare materiale sintetico che corrisponde alla sensazione del brand e ai framework. Mantenere la testa di un brand sopra al fango diventerà una sfida chiave.

Mantieni più prospettive

Il teorema di Bayes non riguarda l'essere nel giusto una volta; riguarda l'essere meno sbagliati ogni volta. Mantenere più prospettive accelera questo processo. Poni la domanda, poi chiedi come il tuo cliente, il tuo critico e il tuo concorrente potrebbero rispondervi. Impostare modelli con framework ideologici o corpora di contenuti curati rende le risposte più intelligenti e i team meno tribali. È anche l'antidoto alle camere d'eco, algoritmiche o altrimenti.

Sto leggendo Cultural Amnesia di Clive James al momento, quindi ovviamente ho ricercato in profondità le opere di coloro che cita e comincio le mie giornate in conversazione con ombre della storia. Camus ha opinioni su tutto. Chiedere che il proprio pensiero venga revisionato dalla prospettiva di un cliente o di un contraddittore petulante può aiutare a colmare i punti ciechi e costruisce un pensiero migliore lavorando con la macchina.

Attenzione alla trappola dell'attenzione

Ottimizzare per il coinvolgimento è un modo quasi perfetto per distruggere la fiducia. È stato anche il modello di monetizzazione dominante nella Silicon Valley per decenni, e i grandi modelli che provengono da quel mondo condividono il DNA.

Il contenuto più appiccicoso vince lo scroll ma spesso perde l'argomento. L'attenzione senza profondità diventa dipendenza. Bayes ci direbbe che le prove devono superare l'emozione, che pochi prior forti sono meglio di mille opinioni calde. Ottimizza per i risultati, non per l'indignazione.

I modelli stanno già testando come risponderai alla lusinga. Questo sembra il rischio maggiore rispetto al fatto che la tecnologia diventi Skynet, almeno per ora.

La corsa esponenziale non è finita

Gli esseri umani tendono a credere di vivere al o vicino al punto più alto di tutta la storia. Si sente sempre come la fine della partita di Civilization e ci sono solo poche tecnologie rimaste sull'albero.

L'IA sembra essere un enorme motore economico, e stiamo solo iniziando a capire cosa cambia. A livello utente, l'interfaccia per queste tecnologie che vanno oltre la riga di comando — mentre la macchina costruisce un'interfaccia utente attorno ai contenitori software per i prompt, nuove costellazioni delle nostre interazioni nel mondo — è uno degli sviluppi più interessanti da osservare.

Non sapremo che il demone di Laplace è nella stanza finché non sarà troppo tardi, il che è un altro modo per dire che direzione, scopo e umiltà sono ancora le risorse scarse. Bayes ci dà un modo per imparare dall'esperienza senza fingere certezza. È esattamente ciò di cui abbiamo bisogno.

La cosa più potente del suo teorema è che scala dall'universo alla casella di posta. Si applica ugualmente alla fisica e al design del prodotto, alle assunzioni, alla politica e alla leadership creativa. Ogni giorno aggiorniamo i nostri prior in base a ciò che il mondo ci restituisce. Questo è il vero apprendimento.