Nagsisimula ito kay Bayes noong labimpitong daan at ilang taon.

Isang Presbyterian na ministro na naglalagalag pauwi sa kanyang mga damit na klerikal, nag-iisip sa tuwid na linya.

Hindi tayo masyadong nakakaalam tungkol kay Thomas. Naniniwala siya na ang kanyang pinakamahalagang gawa ay moral at matematikal nang sabay. Sa Divine Benevolence, nagtatalo siya na ang pag-iral ng kaligayahan mismo ay katibayan na malamang na umiiral ang Diyos.

Sa kanyang mga matematikal na tala, kinuha niya ang mga mahirap na praktikal na problema, kabilang ang klasikong hamon ng mga geometer sa pagsukat ng Lupa. Ang pahayag na ang kanyang pagtatantya ay nasa loob ng isang ikasampung porsyento ng mga modernong halaga ay makulay ngunit hindi napatunayan. Ang alam natin ay kinikilala si Bayes ng Royal Society para sa kanyang gawa sa fluxions at mga pamamaraan para sa pagtukoy ng laki ng Lupa. Sinasabi na iyon sa atin kung anong uri ng isipan ang pinag-uusapan natin.

Ang pinakadakilang epekto ni Thomas ay dumating pagkatapos niya. Pagkatapos mamatay si Bayes noong 1761, pinag-aralan ng kanyang kaibigan na si Richard Price ang kanyang mga papel, natagpuan ang isang malinaw na solusyon sa isang inverse-probability na problema, in-edit ito, at inilathala noong 1763 bilang An Essay towards Solving a Problem in the Doctrine of Chances. Ang pagbabaligtad na ito — paghihinuha mula sa data patungong paniniwala — ay nagsisilbing pundasyon ng lahat mula sa medikal na pagsubok hanggang sa machine learning ngayon.

Ang parehong dekada nang dinadala ng ama ni Mozart ang isang batang henyo sa buong Europa, nang itinatag ang Abu Dhabi, nang pinabuti ni Watt ang steam engine, at nang lumakad si James Cook para obserbahan ang transit ng Venus. Katatapos pa lang magsimula ang kolonyalismo. Anong panahon para mabuhay noon.

Narito ang sentro nito:

P(H | D) = P(D | H) × P(H) / P(D)

Ang posterior ay katumbas ng likelihood na pinarami ng prior, na na-normalize ng ebidensya. Para sa mga mas nasa dulo ng vibe-maths, ito ay nagko-kodipika ng: habang mas marami na tayong alam, at habang mas akma ang bagong ebidensya, mas magaling ang ating susunod na hula.

Si Bayes ay lumapag sa Enlightenment tulad ng isang malinaw na kampana. Narinig ito ni Laplace, itinutulak pa ito nang mas malayo, at nangarap ng kanyang sikat na thought experiment tungkol sa isang katalinuhan na nakakaalam ng lahat ng puwersa at posisyon, para sa kanya ay walang di-tiyak, at para sa kanya ay parehong nakikita ang hinaharap at nakaraan nang sabay. Maganda, at isang maagang babala din tungkol sa pagkakamali ng pagpapalitan ng kalkulasyon para sa karunungan.

Bakit mag-alala ngayon?

Dahil ang mga pinakabagong ideya sa mundo ay nakatayo sa dulo ng daan na nagsisimula kay Bayes.

Ang mga malaking language model ay pakiramdam na parang utak dahil napakagaling nila sa pagkuha ng mga malamang na pagpapatuloy mula sa konteksto. Hindi sila literal na nagpapatakbo ng teorema ni Bayes, ngunit ang kanilang pag-uugali ay malalim na Bayesian. Tinitimbang nila ang mga posibilidad ayon sa kung gaano kagaling na akma sa kwento hanggang ngayon. Mahina pa rin sila sa pag-direct ng atensyon sa tamang gawain. Iyon ay nananatiling trabaho natin.

Magsimula sa isang makatwirang argumento

Kinasusuklaman sana ni Bayes ang instinct na mag-declare. Ang kanyang pamamaraan ay nagsisimula sa isang hypothesis at naghihintay ng data. Ang pagpresenta ng makatwirang argumento ay nangangahulugang pagsubok ng paniniwala laban sa ebidensya. Iyon ay nagbubunga ng mas magandang marketing, mas malinaw na pulitika, at mas maayos na mga pulong sa produkto. Ang argumento ay nagiging proseso ng kalibrasyon sa halip na pananakop.

Sa halip na busugin ang makina ng isang 38-minutong voice prompt, hilingin sa makina na maglatag ng serye ng mga tanong na tumutulong na bumuo ng isang makatwirang argumento at nagpapabuti ng kalidad ng mga resulta. Habang nagbubukas ang mga platform ng mga collaborative na kapaligiran kung saan ang maraming tao at agent ay maaaring tukuyin ang mga problema nang sabay, ang ganitong gawi ay magiging mas mahalaga kaysa sa anumang solong utos.

Magbigay ng mas magandang konteksto

Ang bawat hula ay nakasalalay sa mga prior nito. Habang mas maganda ang iyong pagbuo ng problema, mas malamang na makagawa ang sistema ng kahulugan sa halip na ingay. Ganoon din gumagana ang mga prompt. Ang tiyak, mabuting bigat na konteksto ay nagbubunga ng mga kaugnay na kinalabasan; ang malabong mga tanong ay nagbubunga ng kumpiyansang kabulastugan. Kung nag-pu-prompt ka man ng AI o ng isang tao, nakukuha mo pabalik ang kalidad ng kontekstong inilagay mo.

Ipinapaliwanag nito kung bakit ang mga maikling prompt ay karamihang nagbibigay ng katamtamang mga resulta. Ang mga talented na tao na may kahulugan ng pagsasaayos na nasa kanila na ay maayos na magiging maayos, sa ngayon.

Magdala ng ebidensya

Kung si Thomas ay hindi nag-ingat ng mga papel, ang matandang kaibigan na si Richard Price ay wala sanang masaliksik. Kung mayroon kang mga papel, iyon ay isang kalamangan. Kung mayroon kang data, gamitin ito. Ang hinaharap ay puno na ng kumpiyansang ispekualsyon. Ang ebidensya ay ang tahimik na kapangyarihan na nagpapanatiling tapat sa iyo. Ito rin ang nagpapalit ng probabilistic na pag-aaral sa isang malikhaing kilos sa halip na isang blago. Habang mas maraming real-world na angkla ang nakikita ng modelo, mas hindi malamang na mag-hallucinate ito. Ganoon din gumagana ang mga tao.

Kung nagsulat ka na ng blog, Substack, o libro, nasa kalamangan ka. Ang mga ito ay nagiging mga prior na nagpapahintulot sa isang modelo na sumulat sa iyong tinig. Ang mga negosyong nakaupo sa maraming taon ng mga press release o video content ay makakagawa ng synthetic na materyal na tumutugma sa pakiramdam at balangkas ng tatak. Ang pagpapanatiling nakatayo ang ulo ng tatak sa itaas ng daloy ng basura ay magiging pangunahing hamon.

Hawakan ang maraming pananaw

Ang teorema ni Bayes ay hindi tungkol sa pagiging tama nang isang beses; ito ay tungkol sa pagiging mas hindi mali sa bawat pagkakataon. Ang paghawak ng maraming pananaw ay nagpapabilis ng prosesong iyon. Itanong ang tanong, pagkatapos ay itanong kung paano maaaring sagutin ng iyong customer, kritiko, at kakumpitensya ito. Ang pagtatakda ng mga modelo na may mga ideolohikal na balangkas o mga curated na corpus ng nilalaman ay nagpapatalino ng mga sagot at nagpapababa ng tribalismo ng mga koponan. Ito rin ang antidote sa mga echo chamber, algoritmiko man o hindi.

Nagbabasa ako ng Cultural Amnesia ni Clive James sa kasalukuyan, kaya naman malalim kong sinaliksik ang mga gawa ng mga taong kanyang binanggit at sinisimulano ko ang aking mga araw sa pakikipag-usap sa mga anino ng kasaysayan. May opinyon si Camus sa lahat ng bagay. Ang paghingi ng pagsusuri ng iyong pag-iisip mula sa pananaw ng isang kliyente o isang nakaka-inis na tumututol ay makakatulong sa iyo na tugunan ang mga blind spot at nagtatayo ng mas malalim na pag-iisip habang nagtatrabaho kasama ang makina.

Mag-ingat sa bitag ng atensyon

Ang pag-optimize para sa pakikipag-ugnayan ay isang halos perpektong paraan upang sirain ang tiwala. Ito rin ang nangingibabaw na modelo ng monetisasyon sa Silicon Valley sa loob ng maraming dekada, at ang malalaking modelo na nagmumula sa mundong iyon ay nagbabahagi ng parehong DNA.

Ang pinakamalagkit na nilalaman ay nananalunan sa pag-scroll ngunit kadalasang natatalo sa argumento. Ang atensyon nang walang lalim ay nagiging kagulugan. Sasabihin sa atin ni Bayes na ang ebidensya ay dapat mas mabigat kaysa emosyon, na ang ilang malakas na prior ay mas mabuti kaysa isang libong mainit na opinyon. Mag-optimize para sa mga kinalabasan, hindi para sa galit.

Sinusubukan na ng mga modelo kung paano ka tumutugon sa papuri. Ito ay pakiramdam na mas malaking panganib kaysa sa teknolohiyang nagiging Skynet, kahit para sa kasalukuyan.

Hindi pa tapos ang exponential na takbo

Ang mga tao ay may gawi ng paniniwala na sila ay nabubuhay sa o malapit sa pinakamataas na punto ng lahat ng kasaysayan. Laging pakiramdam na huli na ang Civilization at ilang teknolohiya na lang ang natitira sa puno.

Ang AI ay tila isang napakalaking driver ng ekonomiya, at nagsisimula pa lang tayong maunawaan kung ano ang binabago nito. Sa antas ng gumagamit, ang interface para sa mga teknolohiyang ito na lumalayo sa command line — habang nagtatayo ang makina ng UI sa paligid ng mga software container para sa mga prompt, bumubuo ng mga bagong konstelasyon ng ating mga pakikipag-ugnayan sa mundo — ay isa sa mga mas kawili-wiling pag-unlad na dapat abangan.

Hindi natin malalaman na ang demonyo ni Laplace ay nasa silid na hanggang huli na, na isa pang paraan ng pagsasabi na ang direksyon, layunin, at kababaang-loob ay ang mga bihirang asset pa rin. Binibigyan tayo ni Bayes ng paraan upang matuto mula sa karanasan nang hindi nagpapanggap ng katiyakan. Iyon mismo ang kailangan natin.

Ang pinaka-makapangyarihang bagay tungkol sa kanyang teorema ay sumusukat mula sa uniberso hanggang sa inbox. Naaangkop ito nang pantay sa pisika at disenyo ng produkto, sa pagkuha ng empleyado, pulitika, at malikhaing pamumuno. Bawat araw na ina-update natin ang ating mga prior batay sa sinasabi ng mundo pabalik sa atin. Iyon ang tunay na pag-aaral.