Det börjar med Bayes på sjuttonhundratjugonågot.

En presbyteriansk minister som lunkar hem i sina prästkläder och tänker i räta linjer.

Vi vet inte mycket om Thomas. Han trodde att hans viktigaste arbete var moraliskt och matematiskt tillsammans. I Divine Benevolence argumenterade han för att lyckans existens i sig var bevis för att Gud förmodligen existerar.

I sina matematiska anteckningar tog han sig an svåra praktiska problem, inklusive den klassiske geometerns utmaning att mäta jordens storlek. Påståendet att hans uppskattning var inom en tiondels procent av moderna värden är färgstarkt men overifierat. Vad vi vet är att Bayes erkändes av Royal Society för sitt arbete med fluxioner och metoder för att bestämma jordens storlek. Det berättar redan för oss vilken typ av sinne vi har att göra med.

Thomas störst påverkan anlände efter att han inte längre fanns. Efter att Bayes dog 1761 gick hans vän Richard Price igenom hans papper, hittade en skarpsinning lösning på ett inverterat sannolikhetsproblem, redigerade det och publicerade det 1763 som An Essay towards Solving a Problem in the Doctrine of Chances. Denna omvändning — att härleda från data till övertygelse — underbygger allt från medicinska tester till maskininlärning idag.

Samma decennium som Mozarts far körde ett underbarn runt Europa, att Abu Dhabi grundades, att Watt förbättrade ångmaskinen och att James Cook gav sig iväg för att observera Venuspassagen. Kolonialismen höll just på att komma igång. Vilken tid att vara vid liv.

Här är kärnan av det:

P(H | D) = P(D | H) × P(H) / P(D)

Posteriori är lika med sannolikheten gånger priori, normaliserat med beviset. För dem som är mer på vibe-matematik-sidan av skalan kodifierar det: ju mer vi redan vet, och ju bättre nya bevis passar, desto bättre blir vår nästa gissning.

Bayes landar i Upplysningen som en klar klocka. Laplace hör det, driver det vidare och drömmer ihop sitt berömda tankeexperiment om ett intellekt som känner till alla krafter och positioner, för vilken ingenting är osäkert och för vilken framtid och förflutna båda är synliga på en gång. Vackert, och också en tidig varning om att förväxla beräkning med visdom.

Varför bry sig nu?

Eftersom världens nyaste idéer står i slutet av vägen som börjar med Bayes.

Stora språkmodeller känns hjärnlika eftersom de är mycket bra på att hämta sannolika fortsättningar från sammanhang. De kör inte bokstavligen Bayes sats, men deras beteende är djupt bayesianskt. De väger möjligheter efter hur väl de passar berättelsen hittills. De är fortfarande svaga på att rikta uppmärksamheten mot rätt uppgift. Det är fortfarande vårt jobb.

Börja med ett välgrundat argument

Bayes skulle ha hatat instinkten att förkunna. Hans metod börjar med en hypotes och väntar på data. Att presentera ett välgrundat argument innebär att testa övertygelser mot bevis. Det leder till bättre marknadsföring, tydligare politik och mer förnuftiga produktmöten. Argument blir en process av kalibrering snarare än erövring.

Istället för att tråckla på en 38-minuters röstprompt, be maskinen ställa en serie frågor som hjälper till att bygga ett välgrundat argument och förbättra kvaliteten på resultaten. När plattformar öppnar kollaborativa miljöer där flera människor och agenter kan definiera problem tillsammans, kommer denna vana att ha mer betydelse än något enskilt kommando.

Ge bättre sammanhang

Varje förutsägelse beror på dess prior. Ju bättre du formulerar problemet, desto mer sannolikt är det att systemet producerar mening istället för brus. Promptar fungerar på samma sätt. Specifikt, välvägt sammanhang ger relevanta resultat; vaga frågor föder säker smörja. Oavsett om du promptar en AI eller en person, får du tillbaka den kvalitet av sammanhang du sätter in.

Det förklarar varför korta promptar mest levererar medelmåttiga resultat. Talenterade människor med en känsla av förfining redan till hands kommer att klara sig bra, för tillfället.

Ta med bevis

Om Thomas inte hade sparat sina papper skulle gamle vän Richard Price inte haft något att rota igenom. Om du har papper är det en fördel. Om du har data, använd dem. Framtiden är redan överflödad med säker spekulation. Bevis är den tysta kraft som håller dig ärlig. Det är också vad som förvandlar probabilistiskt lärande till en kreativ akt snarare än ett bluff. Ju mer modellen ser verkliga ankare, desto mindre sannolikt är det att hallusinera. Människor fungerar på samma sätt.

Om du har skrivit en blogg, Substack eller bok har du ett försprång. Dessa blir de prior som låter en modell skriva med din röst. Företag som sitter på år av pressmeddelanden eller videoinnehåll kommer att kunna generera syntetiskt material som matchar varumärkeskänslan och ramverken. Att hålla ett varumärkes huvud ovanför sörjan kommer att bli en nyckelutmaning.

Håll flera perspektiv

Bayes sats handlar inte om att ha rätt en gång; det handlar om att bli mindre fel varje gång. Att hålla flera perspektiv påskyndar den processen. Ställ frågan, fråga sedan hur din kund, din kritiker och din konkurrent kanske svarar på den. Att sätta modeller med ideologiska ramverk eller kurerade innehållscorpora gör svar smartare och team mindre stambaserade. Det är också motgiftet mot ekokammare, algoritmiska eller annars.

Jag läser Clive James Cultural Amnesia just nu, så jag har givetvis djupforskat de verk av dem han citerar och börjar mina dagar i samtal med historiens skuggor. Camus har åsikter om allt. Att be om att ditt tänkande granskas ur en klients eller en gnällig negatörs perspektiv kan hjälpa dig att hantera blinda fläckar och bygger bättre tänkande när du arbetar med maskinen.

Akta dig för uppmärksamhetsfällan

Att optimera för engagemang är ett nästan perfekt sätt att förstöra förtroende. Det har också varit den dominerande monetiseringsmodellen i Silicon Valley i decennier nu, och stora modeller som kommer från den världen delar DNA:et.

Det klistrigaste innehållet vinner scrollet men förlorar ofta argumentet. Uppmärksamhet utan djup blir beroende. Bayes skulle berätta för oss att bevis måste väga tyngre än känslor, att ett fåtal starka prior är bättre än tusen heta takes. Optimera för resultat, inte upprördhet.

Modellerna testar redan hur du reagerar på smicker. Det känns som den större risken än att tekniken blir Skynet, åtminstone för nu.

Den exponentiella körningen är inte över

Människor har ett sätt att tro att de lever vid eller nära historiens höjdpunkt. Det känns alltid som sent-spel i Civilization och det finns bara ett fåtal tekniker kvar på trädet.

AI verkar vara en enorm ekonomisk drivkraft, och vi börjar bara förstå vad det förändrar. På användarnivå är gränssnittet för dessa teknologier som rör sig bortom kommandoraden — när maskinen bygger UI runt mjukvarucontainrar för promptar, nya konstellationer av våra interaktioner i världen — en av de mer intressanta utvecklingarna att bevaka.

Vi kommer inte att veta att Laplaces demon är i rummet förrän det är för sent, vilket är ett annat sätt att säga att riktning, syfte och ödmjukhet fortfarande är de knappa tillgångarna. Bayes ger oss ett sätt att lära av erfarenhet utan att låtsas säkerhet. Det är precis vad vi behöver.

Det mest kraftfulla med hans sats är att den skalas från universum till inkorgen. Den gäller lika för fysik och produktdesign, för rekrytering, politik och kreativt ledarskap. Varje dag uppdaterar vi våra prior baserat på vad världen berättar för oss tillbaka. Det är vad verkligt lärande är.