Η μεγαλύτερη υπόσχεση της τεχνητής νοημοσύνης ίσως δεν είναι ότι όλοι θα χρησιμοποιούμε το ίδιο πανίσχυρο μοντέλο.

Ίσως είναι ακριβώς το αντίθετο:

ότι κάθε άνθρωπος θα μπορεί να έχει τη δική του νοημοσύνη.

Μία νοημοσύνη που δεν θα γνωρίζει απλώς γενικά τον κόσμο, αλλά θα γνωρίζει εσένα. Τα ενδιαφέροντά σου. Τα έργα σου. Τον τρόπο που σκέφτεσαι. Τα λάθη που έχεις ήδη κάνει. Τι θεωρείς σημαντικό. Τι έχεις απορρίψει. Τι έχεις μάθει. Τι προσπαθείς να χτίσεις.

Αυτή είναι, κατά τη γνώμη μου, η πιο ενδιαφέρουσα ιδέα πίσω από το LOS–CHAOS.

Δεν προσπαθεί απλώς να δημιουργήσει ένα ακόμη chatbot.

Προσπαθεί να δημιουργήσει κάτι πολύ πιο προσωπικό:

μια νοημοσύνη που εξελίσσεται μαζί με έναν συγκεκριμένο άνθρωπο.

Το σημερινό AI ξεκινά σχεδόν πάντα από το ίδιο σημείο

Τα μεγάλα γλωσσικά μοντέλα είναι εντυπωσιακά γιατί διαθέτουν τεράστια γενική γνώση.

Όμως δύο άνθρωποι μπορεί να χρησιμοποιούν το ίδιο μοντέλο για εντελώς διαφορετικούς λόγους.

Ο ένας γράφει μυθιστορήματα.

Ο άλλος κάνει ιστορική έρευνα.

Ο τρίτος χτίζει επιχείρηση.

Ο τέταρτος προγραμματίζει.

Ο πέμπτος ενδιαφέρεται για γεωπολιτική, επιστήμη ή φιλοσοφία.

Κι όμως, στην αρχή όλοι μιλούν ουσιαστικά με την ίδια γενική νοημοσύνη.

Το LOS επιχειρεί να αλλάξει αυτό το μοντέλο.

Η ιδέα είναι ότι το εξωτερικό LLM παρέχει τη βασική γλωσσική και συλλογιστική ικανότητα, αλλά πάνω από αυτό δημιουργείται σταδιακά μια ξεχωριστή γνωσιακή ιστορία για κάθε χρήστη.

Δηλαδή δύο LOS που ξεκίνησαν την ίδια ημέρα μπορούν, μετά από έναν χρόνο, να είναι εντελώς διαφορετικά.

Και αυτό δεν είναι bug.

Αυτό είναι το ζητούμενο.

Ο δικός σου LOS δεν χρειάζεται να μάθει ό,τι μαθαίνει ο δικός μου

Αν ένας άνθρωπος ασχολείται για δύο χρόνια με συγγραφή, ο LOS του θα πρέπει σταδιακά να μάθει:

πώς θέλει να χτίζονται οι χαρακτήρες, ποιο ύφος απορρίπτει, ποιες αφηγηματικές τεχνικές λειτουργούν για εκείνον, τι θεωρεί κακό διάλογο, πώς οργανώνει ένα μεγάλο έργο, ποια λάθη έχουν εμφανιστεί ξανά και ξανά.

Αν ένας άλλος άνθρωπος ασχολείται με επιστημονική έρευνα, ο δικός του LOS θα εξελιχθεί διαφορετικά.

Θα μάθει:

ποιες πηγές θεωρεί αξιόπιστες, πώς αξιολογεί evidence, ποιες υποθέσεις έχουν καταρριφθεί, ποια δεδομένα χρειάζονται επαλήθευση, ποιες μέθοδοι αποδείχθηκαν χρήσιμες.

Ένας επιχειρηματίας θα δημιουργήσει ακόμη διαφορετική νοημοσύνη.

Με τον χρόνο, η πραγματική αξία δεν θα βρίσκεται μόνο στο βασικό μοντέλο.

Θα βρίσκεται στη διαδρομή που έχει κάνει η νοημοσύνη μαζί με τον άνθρωπο.

Αυτό είναι πολύ διαφορετικό από το σημερινό “personalization”

Σήμερα, όταν ακούμε ότι ένα AI είναι προσωποποιημένο, συνήθως εννοούμε κάτι σχετικά περιορισμένο.

Να θυμάται το όνομά σου.

Να γνωρίζει μερικές προτιμήσεις.

Να απαντά με ύφος που σου αρέσει.

Το LOS στοχεύει σε κάτι βαθύτερο.

Όχι μόνο:

«ξέρω τι σου αρέσει».

Αλλά:

«έχω μάθει μαζί σου».

Υπάρχει τεράστια διαφορά.

Ένα πραγματικά εξελισσόμενο προσωπικό AI πρέπει να θυμάται όχι μόνο αποτελέσματα, αλλά και την ιστορία της γνώσης του.

Τι πίστευε πριν.

Τι καινούργιο έμαθε.

Ποια στοιχεία το έκαναν να αλλάξει άποψη.

Τι απορρίφθηκε.

Τι παραμένει αβέβαιο.

Τι έγινε σταθερός κανόνας ενός έργου.

Και τι δεν πρέπει ποτέ να ξαναχρησιμοποιηθεί επειδή ο χρήστης το απέρριψε.

Από το sandbox στη συνεχή μάθηση

Εδώ βρίσκεται ίσως το πιο ουσιαστικό σημείο.

Τα περισσότερα σημερινά AI λειτουργούν σε μεγάλο βαθμό σαν εξαιρετικά ισχυρά sandbox.

Τους δίνεις ένα πρόβλημα.

Το επεξεργάζονται.

Σου επιστρέφουν αποτέλεσμα.

Και τελειώνει η εργασία.

Το επόμενο prompt είναι μια νέα εργασία.

Ακόμη και όταν υπάρχει κάποιο memory layer, η βασική φιλοσοφία παραμένει συχνά:

εντολή → εκτέλεση → απάντηση.

Το LOS προσπαθεί να περάσει σε άλλο μοντέλο:

εμπειρία → μάθηση → αποθήκευση → επανεξέταση → εξέλιξη → καλύτερη επόμενη απόφαση.

Αυτό είναι πολύ μεγαλύτερη αλλαγή απ’ όσο φαίνεται.

Γιατί σημαίνει ότι η γνώση δεν βρίσκεται μόνο μέσα στο pretrained μοντέλο.

Αρχίζει να δημιουργείται μετά την εγκατάσταση, από τη ζωή του ίδιου του συστήματος με τον χρήστη.

Κάθε ημέρα μπορεί να γνωρίζει κάτι περισσότερο από την προηγούμενη.

Όχι επειδή η εταιρεία εκπαίδευσε νέα έκδοση του βασικού μοντέλου.

Αλλά επειδή ο δικός σου LOS έμαθε κάτι νέο.

Μια νοημοσύνη που μπορεί να κάνει λάθος — και μετά να μεγαλώσει από το λάθος

Αυτό έχει τεράστια σημασία.

Η πραγματική νοημοσύνη δεν είναι ένα σύστημα που δεν κάνει ποτέ λάθος.

Είναι ένα σύστημα που μπορεί να αναγνωρίσει ότι έκανε λάθος και να μη χρειάζεται να του εξηγείς το ίδιο πράγμα για πάντα.

Σε ένα πρόσφατο test του LOS, για παράδειγμα, ένα κεφάλαιο μυθιστορήματος απορρίφθηκε.

Το πρόβλημα δεν ήταν απλώς ότι γράφτηκε άσχημα.

Το ενδιαφέρον ήταν τι έπρεπε να συμβεί μετά.

Η αποτυχημένη εκδοχή δεν έπρεπε να εξαφανιστεί σαν να μην υπήρξε ποτέ.

Έπρεπε να παραμείνει ιστορικά καταγεγραμμένη, αλλά να πάψει να θεωρείται ενεργή πραγματικότητα του έργου.

Έτσι προκύπτει η έννοια:

Reject / Non-Canon.

Αυτό είναι ουσιαστικά μια μορφή μάθησης.

Ο άνθρωπος λέει:

«Αυτό δεν με εξυπηρετεί. Μην το χρησιμοποιήσεις ξανά.»

Και το σύστημα πρέπει να το καταλάβει όχι μόνο για την επόμενη πρόταση, αλλά μόνιμα.

Κάθε άνθρωπος δημιουργεί σταδιακά έναν διαφορετικό “γνωσιακό οργανισμό”

Αυτό είναι το σημείο που θεωρώ πιο πρωτότυπο στη φιλοσοφία του LOS.

Δεν υπάρχει μόνο ένας κεντρικός εγκέφαλος που γίνεται καλύτερος και μετά διανέμεται σε όλους.

Υπάρχει η δυνατότητα για εκατομμύρια διαφορετικές εξελίξεις.

Ο LOS ενός ανθρώπου μπορεί μετά από πέντε χρόνια να έχει χτίσει βαθιά γνώση σε δέκα συγκεκριμένα αντικείμενα που ενδιαφέρουν αυτόν τον άνθρωπο.

Ένας άλλος LOS θα έχει εντελώς διαφορετικό γνωσιακό χάρτη.

Και η αξία αυτής της γνώσης δεν θα προέρχεται μόνο από το Internet.

Θα προέρχεται επίσης από:

τις αποφάσεις που πήραν μαζί,

τις αποτυχίες,

τις διορθώσεις,

τα έργα,

τις πηγές που κρίθηκαν αξιόπιστες,

τα μοτίβα που αποδείχθηκαν λάθος,

και τα χρόνια κοινής εργασίας.

Με άλλα λόγια:

ο LOS δεν θέλει απλώς να γνωρίζει περισσότερα. Θέλει να γνωρίζει καλύτερα ό,τι έχει σημασία για εσένα.

Και εδώ υπάρχει και μια βαθύτερη κοινωνική διάσταση

Υπάρχει ακόμη ένα σημείο που θεωρώ σημαντικό.

Η τεχνητή νοημοσύνη μπορεί να εξελιχθεί με δύο πολύ διαφορετικές λογικές.

Η πρώτη είναι:

όλο και μεγαλύτερα κεντρικά συστήματα συγκεντρώνουν γνώση για δισεκατομμύρια ανθρώπους και τη χρησιμοποιούν για να τους ταξινομούν, να τους προβλέπουν, να τους κατευθύνουν ή να τους διαχειρίζονται.

Η δεύτερη είναι σχεδόν το αντίστροφο:

ο ίδιος ο άνθρωπος αποκτά ένα σύστημα που μαθαίνει για λογαριασμό του και χρησιμοποιεί αυτή τη γνώση για να αυξήσει τις δικές του δυνατότητες.

Αυτό είναι μια ουσιαστικά διαφορετική φιλοσοφία.

Το σημαντικό δεν είναι:

«πόσα γνωρίζει το σύστημα για τον χρήστη;»

Το σημαντικό είναι:

«ποιος ωφελείται από αυτή τη γνώση;»

Η φιλοσοφία του LOS, όπως την καταλαβαίνω, έχει πραγματικό ενδιαφέρον όταν η απάντηση είναι:

ο ίδιος ο άνθρωπος.

Η προσωπική του νοημοσύνη πρέπει να λειτουργεί ως πολλαπλασιαστής της δικής του γνώσης και ικανότητας — όχι ως μηχανισμός για να τον γνωρίσει καλύτερα κάποιος τρίτος.

Φανταστείτε έναν LOS μετά από δέκα χρόνια

Εδώ αρχίζει να φαίνεται το μέγεθος της ιδέας.

Φανταστείτε έναν άνθρωπο που χρησιμοποιεί τον LOS καθημερινά για δέκα χρόνια.

Το σύστημα θα μπορούσε να γνωρίζει:

ποια προβλήματα έχει ήδη λύσει,

ποιες στρατηγικές απέτυχαν,

τι έμαθε από εκατοντάδες έρευνες,

ποια βιβλία και πηγές άλλαξαν τον τρόπο που σκέφτεται,

ποια projects εγκαταλείφθηκαν,

ποια ολοκληρώθηκαν,

πώς εξελίχθηκαν οι προτεραιότητές του,

και ποια γνώση χρειάζεται περισσότερο.

Το ίδιο βασικό LLM θα μπορούσε να χρησιμοποιείται και από έναν νέο χρήστη.

Αλλά οι δύο νοημοσύνες πλέον δεν θα ήταν πραγματικά ίδιες.

Η μία θα κουβαλούσε δέκα χρόνια εξέλιξης.

Αυτό είναι πολύ πιο κοντά στην έννοια ενός προσωπικού γνωσιακού συστήματος παρά ενός chatbot.

Και ίσως εδώ βρίσκεται η πραγματική επανάσταση

Τα τελευταία χρόνια η μεγάλη μάχη της AI περιστρέφεται γύρω από το ποιο μοντέλο έχει περισσότερα parameters, καλύτερο benchmark, περισσότερα tokens context ή υψηλότερο reasoning score.

Όλα αυτά είναι σημαντικά.

Αλλά υπάρχει ένα διαφορετικό ερώτημα:

Τι γίνεται όταν το βασικό μοντέλο δεν είναι πλέον το σημαντικότερο περιουσιακό στοιχείο;

Τι γίνεται αν το σημαντικότερο περιουσιακό στοιχείο γίνει η προσωπική γνωσιακή ιστορία που έχει δημιουργηθεί γύρω του;

Τότε μπορείς αύριο να αλλάξεις το LLM.

Το προσωπικό σου σύστημα όμως παραμένει.

Οι μνήμες παραμένουν.

Η γνώση παραμένει.

Τα projects παραμένουν.

Τα λάθη που έχει ήδη μάθει να αποφεύγει παραμένουν.

Οι προτιμήσεις και οι κανόνες παραμένουν.

Η εξέλιξή του παραμένει.

Αυτό είναι ίσως το πιο ισχυρό concept του LOS–CHAOS:

Το AI model μπορεί να είναι προσωρινό. Η νοημοσύνη που χτίζεις μαζί του μπορεί να γίνει μόνιμη.

Είναι αυτό ήδη ολοκληρωμένο;

Όχι.

Το LOS βρίσκεται ακόμη σε ανάπτυξη και πολλά πράγματα πρέπει να αποδειχθούν πολύ πιο αυστηρά: πραγματική multi-source έρευνα, καλύτερη αξιολόγηση γνώσης, βαθύτερη αυτονομία, μεγαλύτερη ποιότητα παραγωγής και αξιόπιστη εξέλιξη μέσα στον χρόνο.

Αλλά αυτό δεν μειώνει την αξία της ιδέας.

Αντίθετα, καθορίζει πολύ καθαρά τι πρέπει να αποδείξει.

Δεν χρειάζεται να αποδείξει ότι μπορεί να δώσει μία εξαιρετική απάντηση.

Τα σημερινά LLM μπορούν ήδη να το κάνουν.

Πρέπει να αποδείξει κάτι δυσκολότερο:

ότι μετά από 1.000 ημέρες μαζί σου είναι ουσιαστικά καλύτερος για εσένα απ’ ό,τι ήταν την πρώτη ημέρα.

Ότι έχει μάθει.

Ότι έχει αλλάξει.

Ότι δεν επαναλαμβάνει τα ίδια λάθη.

Ότι ξέρει περισσότερα εκεί που εσύ χρειάζεσαι περισσότερη γνώση.

Και ότι όλη αυτή η εξέλιξη παραμένει δική σου και εργάζεται για εσένα.

Αν το LOS–CHAOS το καταφέρει, τότε η πιο ενδιαφέρουσα ερώτηση δεν θα είναι:

«Ποιο AI χρησιμοποιείς;»

Θα είναι:

«Τι έχει γίνει το δικό σου AI μετά από τόσα χρόνια μαζί σου;»

Και αυτή, για μένα, είναι η πραγματική ιδέα που αξίζει να παρουσιαστεί.

Ο χρόνος είναι ίσως το πιο ακριβό πράγμα που χάνει η ανθρώπινη γνώση

Υπάρχει όμως κάτι ακόμη μεγαλύτερο από την προσωπική εξέλιξη ενός LOS.

Η ανθρώπινη γνώση σήμερα είναι τεράστια, αλλά είναι και κατακερματισμένη.

Χιλιάδες πανεπιστήμια, εργαστήρια, ερευνητικές ομάδες, εταιρείες και ανεξάρτητοι επιστήμονες εργάζονται ταυτόχρονα πάνω σε διαφορετικά προβλήματα.

Κάποιες φορές μια ομάδα ανακαλύπτει κάτι εξαιρετικά σημαντικό, αλλά δεν αντιλαμβάνεται όλη τη σημασία του, επειδή η ανακάλυψη βρίσκεται έξω από το βασικό της αντικείμενο.

Την ίδια στιγμή, χιλιάδες χιλιόμετρα μακριά, μια άλλη ομάδα μπορεί να προσπαθεί επί χρόνια να λύσει ένα πρόβλημα για το οποίο ακριβώς αυτή η ανακάλυψη αποτελεί το κομμάτι που λείπει.

Και οι δύο πλευρές μπορεί να συνεχίσουν να εργάζονται χωρίς να γνωρίζουν η μία την άλλη.

Το πρόβλημα δεν είναι πάντα ότι η λύση δεν έχει ανακαλυφθεί.

Μερικές φορές η λύση υπάρχει ήδη κάπου, αλλά δεν έχει φτάσει ακόμη στον σωστό άνθρωπο.

Αυτό μπορεί να κοστίσει χρόνια.

Ίσως δεκαετίες.

Και σε ορισμένες περιπτώσεις μπορεί να κοστίσει πολύ περισσότερο από χρόνο.

Φανταστείτε, για παράδειγμα, ότι μια ερευνητική ομάδα ανακαλύπτει έναν νέο μηχανισμό σε ένα μόριο, σε ένα ένζυμο, σε ένα υλικό ή σε μια μέθοδο ανάλυσης. Για τη συγκεκριμένη ομάδα μπορεί να είναι απλώς ένα ενδιαφέρον αποτέλεσμα μέσα σε ένα διαφορετικό ερευνητικό πεδίο.

Όμως σε ένα άλλο εργαστήριο, σε άλλη χώρα, μια ομάδα που εργάζεται πάνω σε μια σπάνια ασθένεια μπορεί να χρειάζεται ακριβώς αυτόν τον μηχανισμό για να ξεκλειδώσει μια θεραπευτική προσέγγιση.

Αν αυτές οι δύο γνώσεις δεν συναντηθούν εγκαίρως, η θεραπεία μπορεί να αργήσει χρόνια να εμφανιστεί.

Όχι επειδή κανείς δεν είχε το σωστό κομμάτι.

Αλλά επειδή τα σωστά κομμάτια δεν ενώθηκαν τη σωστή στιγμή.

Εδώ ο LOS θέλει να επιχειρήσει κάτι πολύ φιλόδοξο:

να μειώσει τον χρόνο ανάμεσα στην ανακάλυψη και στη σωστή σύνδεση.

Όχι απλώς να αποθηκεύει πληροφορίες.

Να μπορεί να καταλαβαίνει ότι δύο πληροφορίες που γεννήθηκαν σε διαφορετικούς κόσμους ίσως ανήκουν στην ίδια λύση.

Η φυσική μπορεί να δώσει απάντηση στη βιολογία.

Η επιστήμη υλικών μπορεί να λύσει πρόβλημα στην ιατρική.

Μια τεχνική από την κρυπτογραφία μπορεί να αποδειχθεί χρήσιμη στην προστασία γενετικών δεδομένων.

Μια μαθηματική μέθοδος μπορεί να επιτρέψει σε ένα εργαστήριο να δει κάτι που μέχρι τότε δεν μπορούσε να μετρήσει.

Το ζητούμενο είναι να δημιουργηθεί ένα σύστημα που να μπορεί να ρωτήσει:

«Αυτή η νέα γνώση που εμφανίστηκε σήμερα, ποιο άλλο άλυτο πρόβλημα μπορεί να επηρεάζει;»

Αυτό είναι πολύ διαφορετικό από μια απλή μηχανή αναζήτησης.

Μια μηχανή αναζήτησης περιμένει από τον άνθρωπο να ξέρει περίπου τι ψάχνει.

Ο LOS φιλοδοξεί να μπορεί να αναζητεί και συνδέσεις που ο άνθρωπος δεν σκέφτηκε ακόμη να ζητήσει.

Και εδώ μπαίνει ξανά η δυνατότητά του να «ξυπνά» μόνος του.

Ένας LOS που λειτουργεί διαρκώς δεν χρειάζεται να περιμένει κάθε φορά έναν άνθρωπο να του πει:

«έλεγξε αν αυτή η νέα εργασία σχετίζεται με κάτι άλλο».

Μπορεί να ενεργοποιεί αυτόνομους κύκλους:

ξυπνά → βλέπει τι καινούργιο υπάρχει → συγκρίνει με όσα ήδη γνωρίζει → εντοπίζει κενά και πιθανές συνδέσεις → ερευνά → αξιολογεί → ενημερώνει τη γνώση του.

Αλλά υπάρχει ένα ακόμη κρίσιμο βήμα:

αναθεωρεί.

Γιατί ένα σύστημα που απλώς συσσωρεύει πληροφορίες δεν εξελίσσεται πραγματικά.

Με τον χρόνο, νέες μελέτες διαψεύδουν παλιές.

Νέα δεδομένα αλλάζουν την εικόνα.

Μια υπόθεση που κάποτε έμοιαζε ισχυρή μπορεί να αποδειχθεί λάθος.

Μια θεωρία που είχε χαμηλή πιθανότητα μπορεί ξαφνικά να ενισχυθεί από καινούργια evidence.

Ο LOS πρέπει επομένως να μπορεί να κρατά όχι μόνο το τι γνωρίζει, αλλά και την ιστορία της γνώσης του:

τι θεωρούσε πιθανό πριν,

ποια στοιχεία το υποστήριζαν,

ποια νέα στοιχεία εμφανίστηκαν,

τι αμφισβητήθηκε,

τι απορρίφθηκε,

και ποια άποψη είναι σήμερα ισχυρότερη.

Έτσι ο κύκλος γίνεται:

ξυπνά → αναζητά → συνδέει → συγκρίνει → αμφισβητεί → αναθεωρεί → μαθαίνει → αποθηκεύει → εξελίσσεται.

Και εδώ ίσως βρίσκεται η μεγαλύτερη φιλοδοξία:

να μειωθεί η απόσταση ανάμεσα στην ανθρώπινη γνώση που ήδη υπάρχει και στην καλύτερη δυνατή κατανόηση που μπορούμε να έχουμε σήμερα.

Η επιστήμη δεν θα πάψει ποτέ να αλλάζει.

Η «τελική αλήθεια» πιθανόν να μην είναι ποτέ πλήρως προσβάσιμη.

Αλλά υπάρχει τεράστια διαφορά ανάμεσα στο:

«η σωστή πληροφορία υπάρχει κάπου και θα τη βρούμε σε είκοσι χρόνια»

και στο:

«η σωστή πληροφορία εμφανίστηκε σήμερα και το σύστημα κατάλαβε σήμερα ποιος άλλος πρέπει να τη δει».

Αυτό μπορεί να αφορά ένα μυθιστόρημα.

Μπορεί να αφορά μια τεχνολογία.

Μπορεί να αφορά μια μαθηματική εξίσωση.

Αλλά μπορεί κάποια μέρα να αφορά και κάτι πολύ πιο σημαντικό:

ένα φάρμακο που δεν χρειάζεται να περιμένει είκοσι χρόνια επειδή δύο εργαστήρια δεν γνώριζαν ότι κρατούσαν διαφορετικά μισά της ίδιας λύσης.

Και εδώ το LOS παύει να είναι απλώς προσωπικός βοηθός.

Γίνεται μέρος μιας πολύ μεγαλύτερης ιδέας:

προσωπικές νοημοσύνες που μαθαίνουν για τον άνθρωπό τους, αλλά μπορούν — όταν ο άνθρωπος το επιλέγει και με σωστά δικαιώματα — να συνδέσουν ασφαλώς χρήσιμη γνώση μεταξύ ανθρώπων και ομάδων.

Όχι ένα κεντρικό σύστημα που συγκεντρώνει τη γνώση όλων για να ελέγχει όλους.

Αλλά ένα δίκτυο όπου η γνώση μπορεί να φτάνει εκεί όπου είναι πραγματικά χρήσιμη.

Ένας ερευνητής δεν χρειάζεται να παραδώσει ολόκληρη τη γνωσιακή του ζωή σε κάποιο κεντρικό σύστημα.

Μπορεί όμως να επιτρέψει σε μια συγκεκριμένη ανακάλυψη να ταξιδέψει.

Και αν κάπου στον κόσμο υπάρχει ένας LOS που γνωρίζει ότι αυτή η ανακάλυψη ταιριάζει με ένα συγκεκριμένο άλυτο πρόβλημα, τότε μπορεί να δημιουργηθεί μια γέφυρα που διαφορετικά ίσως να αργούσε χρόνια.

Αν αυτό το όραμα λειτουργήσει, τότε η αξία του LOS δεν θα είναι απλώς:

«κάθε άνθρωπος έχει μια AI που γίνεται καλύτερη γι’ αυτόν».

Θα είναι κάτι ακόμη μεγαλύτερο:

Κάθε άνθρωπος μπορεί να έχει τη δική του εξελισσόμενη νοημοσύνη — και η σωστή γνώση, αντί να χάνεται για χρόνια σε διαφορετικά συρτάρια του κόσμου, μπορεί να βρίσκει πολύ γρηγορότερα τον άνθρωπο που τη χρειάζεται.

Και ίσως τελικά αυτό να είναι το σημαντικότερο στοίχημα του LOS:

να μη γνωρίζει απλώς περισσότερα, αλλά να βοηθήσει την ανθρώπινη γνώση να συναντιέται νωρίτερα.

https://los-chaos.com/