Jak tradiční znalosti čelí výzvám digitálního věku
Před několika lety byl můj otec diagnostikován s nádorem na jazyku, což nás přivedlo k důležitému rozhodování. Moje rodina má zajímavou dynamiku, pokud jde o lékařské rozhodnutí. Zatímco moje starší sestra je vyučená lékařka v západní alopatické medicíně, moji rodiče jsou velkými zastánci tradičních léčeb. Vyrůstající v malém městě v Indii jsem zvyklá na rituály. Můj otec měl také svůj rituál. Pokaždé, když jsme navštívili jeho rodnou vesnici na jihu Tamil Nadu, si od místního „vaithiyaru“, tradičního lékaře praktikujícího Siddha medicínu, přivezl láhev hustého, páchnoucího oleje naplněného bylinkami. Bylo to jeho způsobem, jak si udržet spojení s léčbou, kterou vždy důvěřoval.
Nádor otce ukázal známky malignity, a tak nemocniční lékaři a moje sestra důrazně doporučili operaci. Moji rodiče byli proti, obávali se, že by to mohlo ovlivnit otcovo mluvení. Toto obvykle byl okamžik, kdy jsem přišla na řadu jako odborný mediátor ve rodině. Jako každá dobrá mileniálka jsem se podívala na internet pro pomoc při rozhodování. Po několika dnech pečlivého výzkumu jsem (jak je mým zvykem) stála na straně sestry a stála jsem za operací. Internet nás podpořil.
Nakonec jsme persuadovali otce, aby souhlasil, a dokonce jsme stanovili datum. Ale pak slyšně použil těhotenství mé sestry jako záplatu, aby operaci zcela vynechal. Zatímco jsme ho každý den tlačili, aby to udělal, tajně užíval svou bylinnou směs. A světe div se, po několika měsících se nádor skutečně zmenšil a nakonec zmizel. Celý incident otci přinesl určitou míru chlubení.
V té době jsem to považovala za šťastnou výjimku. Ale v poslední době se zamýšlím, zda jsem příliš rychle zavrhla důvěru svých rodičů v tradiční znalosti, zatímco jsem akceptovala autoritu digitálních zdrojů. Těžko uvěřím, že otcovy bylinné směsi skutečně fungovaly, ale také jsem si uvědomila, že zdánlivě všeobecně známý internet, který jsem tak ochotně důvěřovala, obsahuje obrovské mezery – a že v době umělé inteligence se to má ještě zhoršit.
Ironie této dilemy je patrná zejména v tom, že se objevila během mého výzkumu na univerzitě ve Spojených státech, na místě vzdáleném od mého dětství a kontextu, kde byly tradiční praktiky součástí každodenního života. Na Cornellově univerzitě v New Yorku se zabývám návrhem odpovědných systémů umělé inteligence. Moje práce mi ukázala, jak digitální svět odráží hluboké mocenské nerovnosti v poznání a jak je to zesíleno generativní umělou inteligencí. Raný internet byl dominantně anglicky mluvený a západními institucemi, a tento nesoulad se časem zpevnila, což přivedlo k tomu, že celé světy lidského poznání a zkušenosti zůstaly nedigitizovány.
Pro mnoho lidí se generativní umělá inteligence (GenAI) stává hlavním způsobem, jak se učit o světě. Velká studie zveřejněná v září 2025 ukázala, že přibližně polovina dotazů byla zaměřena na praktické rady nebo vyhledávání informací. Tyto systémy se mohou zdát neutrální, ale ve skutečnosti tomu tak není. Nejpopulárnější modely upřednostňují dominantní způsoby poznání, typicky západní a institucionální, zatímco marginalizují alternativy, zejména ty, které jsou zakódované v ústních tradicích, tělesných praktikách a jazykách považovaných za „nízké zdroje“ v oblasti výpočetní techniky.
To, co máme v sázce, tedy není pouze reprezentace: jde o odolnost a rozmanitost znalostí samotných. Generativní umělá inteligence je trénována na masivních datech textu pocházejících z různých zdrojů – jako jsou knihy, články, webové stránky a přepisy. Toto „tréninkové data“ však velmi daleko odrážejí celkový souhrn lidského poznání, s ústními kulturami a dokonce i jazyky, které jsou nedostatečně zastoupeny nebo zcela absentují. Uvědomění si toho, proč je to důležité, nás nutí nechat jazyk fungovat jako nádoby pro znalosti.
Každý jazyk nese celé světy lidských zkušeností a poznání vyvinutého během staletí: rituály a zvyky formující komunity, jedinečné způsoby vnímání krásy a tvoření umění, hlubokou znalost specifických krajinen a přírodních systémů, duchovní a filozofické světové názory, jemné slovníky pro vnitřní prožitky, specializované odbornosti v různých oborech, rámce pro organizaci společnosti a spravedlnosti, kolektivní vzpomínky a historické narativy, tradiční léčebné metody a komplikované sociální vazby.
Když AI systémy postrádají dostatečnou expozici jazyku, mají slepá místa v chápání lidských zkušeností. Je alarmující, že přestože angličtina představuje přibližně 19 % světové populace, dominuje s 45 % obsahu na Common Crawl, jednom z největších veřejných zdrojů tréninkových dat. Na druhou stranu, hindi, třetí nejrozšířenější jazyk na světě, má pouze 0,2 % dat. Situace je ještě horší u tamilštiny, mé mateřštiny. Přestože je mluvena více než 86 miliony lidí, představuje pouze 0,04 % dat.
V oblasti výpočetní techniky je přibližně 97 % jazyků klasifikováno jako „nízké zdroje“. Tato klasifikace je zavádějící, pokud je použita mimo kontexty výpočetní techniky: mnohé z těchto jazyků mají miliony mluvčích a nesou staleté tradice bohatého jazykového dědictví. Jedna studie z roku 2020 ukázala, že 88 % světových jazyků čelí tak závažnému opomíjení v technologiích umělé inteligence, že jejich modernizace by byla nadlidským – možná nemožným – úsilím.
Abychom ilustrovali, jaké typy znalostí chybí, zvažme jeden příklad: naše chápání místních ekologií. Přítel ekolog mi jednou sdělil něco, co ve mně zůstalo – spojení komunity s její ekologií lze vidět ve podrobných a specifických názvech, které má pro místní rostliny. Vzhledem k tomu, že druhy rostlin jsou často regionálně specifické nebo ekologicky unikátní, stává se znalost těchto rostlin rovněž lokalizovanou. Když jazyk ztrácí svou sílu, znalosti spojené s rostlinami zakódované v něm často také zmizí.
V průběhu psaní tohoto eseje jsem hovořila s různými lidmi o jazykových mezerách v GenAI – mezi nimi s Dharanem Ahsokem, hlavním architektem organizace Thannal, která se věnuje obnově tradičních stavebních technik v Indii. Souhlasil, že existuje silné spojení mezi jazykem a místními ekologickými znalostmi, které na oplátku podpořily domorodé stavební znalosti. Ačkoliv moderní stavby sahají po betonu a oceli, domorodé stavební metody závisely na materiálech dostupných v okolním prostředí.
Uprostřed obav z neudržitelné a na uhlíkovou výrobě a spotřebě náročné konstrukce se Dharan aktivně pracuje na obnově ztraceného umění výroby biopolymerů z místních rostlin. Poukázal na to, že největší výzvou je skutečnost, že tato znalost je převážně nedokumentována a byla předávána ústně prostřednictvím rodných jazyků. Často ji drží pouze několik starších, a když zemřou, je ztracena. Dharan vzpomněl na zkušenost, kdy zmeškal šanci naučit se, jak vyrábět konkrétní typ vápenného cihly, když zemřel poslední řemeslník, který měl tuto znalost.
Chcete-li pochopit, proč určité způsoby poznání vystupují na globální dominanci, obvykle se díváme na myšlenku kulturní hegemony, kterou rozvinul italský filozof Antonio Gramsci. Gramsci tvrdil, že moc je udržována nejen silou nebo ekonomickou kontrolou, ale také formováním kulturních norem a každodenních přesvědčení. V průběhu času se epistemologické přístupy zakořeněné v západních tradicích staly považovány za objektivní a univerzální. To normalizovalo západní znalosti jako standard, zamžikující historické a politické síly, které umožnily jejich vzestup. Instituce jako školy, vědecké organizace a mezinárodní rozvojové organizace pomohly upevnit tuto dominanci.
Epistemologie nejsou pouze abstraktní a kognitivní. Jsou všude kolem nás a mají přímý dopad na naše tělo a zkušenosti. Abychom porozuměli tomu, jak, vezměme pro kontrast příklad s domorodými stavebními praktikami, které se snaží Dharan obnovit: vysoké budovy se skleněnými fasádami v tropech. Daleko od toho, aby šlo o neutrální nebo čistě estetické volby, odrážejí skleněné budovy tradici zakořeněnou v západním architektonickém modernismu. Původně navržené pro chladné a tmavé klimaty, byly tyto budovy chváleny za svou domnělou energetickou účinnost, umožňující dostatek denního světla do interiérů a snižující spolehnutí na umělé osvětlení.
Nicméně, když je tento design aplikován v tropických regionech, stává se ekologickou rozporností. Na místech s intenzivním slunečním světlem studie ukázaly, že skleněné fasády vedou k významnému přehřívání interiérů a tepelnému nepohodlí, i s moderním sklem. Místo toho, aby šetřily energii, tyto budovy žádají více energie na udržení chladu. Nicméně skleněné fasády se staly tváří městské modernosti, ať už v San Franciscu, Jakartě, nebo Lagosu – bez ohledu na klima nebo kulturní kontext. Jak se problémy klimatických změn zrychlují, tyto skleněné budovy jsou lesklými připomínkami nebezpečí homogenizace znalostí. Ironií je, že to píšu právě z jedné z těchto budov v Bengaluru na jihu Indie. Sedím ve zchladněném vzduchu s jemným hučením klimatizace v uších. Venku v mrholení to vypadá jako normální monsunsko odpoledne, pouze déšť přišel týdny brzy — další znak rostoucí nepředvídatelnosti klima.
V Bengaluru vidím další příklad dopadů ztracených znalostí: řízení vody. Jak může město v květnu silně zaplavat, zcela pod vodou, ale v březnu zoufale shánět vodu na domácí použití? Zatímco špatné plánování a nekontrolovaná urbanizace hrají velkou roli, problém také má epistemologické kořeny. Bengaluru bylo kdysi oslavováno za svůj chytrý systém správy vody, napájený sérií propojených kaskádových jezer. Po staletí tato jezera spravovaly oddané skupiny, jako je komunita Neeruganti (neeru znamená „voda“ v kannadštině), které kontrolovaly tok vody a zajišťovaly spravedlivou distribuci. V závislosti na deštích radily zemědělcům, které plodiny pěstovat, často doporučovaly druhy s úsporou vody. Také zajišťovaly údržbu: odstraňování sedimentu z nádrží, vysazování vegetace k zabránění eroze a úklid přítoků.
Avšak s modernizací správa vody v komunitě ustoupila centralizovaným systémům a individuálním řešením, jako je zavlažování z dalekých přehrad a studní. “Zelená revoluce” konce 60. let – kdy Indie přijala moderní průmyslové zemědělství – k této změně také přispěla, vytlačující plodiny závislé na vodě a hnojivech vyvinutých v západních laboratořích. Neeruganti byli marginalizováni a mnozí se přesunuli hledat jiné práce. Místní jezera a kanály upadly a některé dokonce byly zastavěny, nahrazeny silnicemi, budovami nebo autobusovými zastávkami.
Experti si uvědomili, že klíč k záchraně Bengaluru z jeho vodní krize spočívá v obnově těchto jezer. Sociální pracovník, se kterým jsem mluvila, a který se podílel na několika těchto projektech, řekl, že často obracejí na starší členy komunity Neeruganti pro radu. Jejich postřehy jsou cenné, ale jejich místní znalosti nejsou zdokumentovány, а jejich role jako správců vody v komunitě byla dávno delegitimizována. Znalosti existují pouze v jejich rodném jazyce, sdělované ústně a většinou absentující v digitálních prostorech – natož v systémech AI.
Všechny mé příklady zatím pocházejí z Indie kvůli osobní znalosti, ale takové hierarchie jsou rozšířené, zakořeněné v globální historii imperialismu a kolonialismu. V knize „Dekolonizace metodologie“ (1999) poukazuje maorská badatelka Linda Tuhiwai Smith na to, že kolonialismus hluboce narušil místní znalostní systémy – a kulturní a intelektuální základy, na nichž byly postaveny – odříznutím vazeb na zem, jazyk, historii a sociální struktury. Smithovy poznatky ukazují, že tyto procesy nejsou omezeny na jediný region, ale tvoří součást širšího odkazu, který stále formuje způsob, jakým se znalosti produkují a hodnotí. Na tomto pokřiveném základu jsou dnešní digitální a GenAI systémy budovány.
Nedávno jsem pracovala s Microsoft Research, kde jsem zkoumala několik nasazení GenAI navržených pro ne-západní populace. Pozorování, jak tyto AI modely často opomíjejí kulturní kontexty, a přehlížejí místní znalosti, a často se špatně sladí se svým cílovým publikem, mi přiblížilo, jak moc zakódují stávající předsudky a vylučují marginalizované znalosti.
Má práce mi také přivedla blíže k pochopení technických důvodů, proč se takové nerovnosti vyvíjejí uvnitř modelů. Problém je mnohem hlubší než mezery v tréninkových datech. LLM jsou také navrženy tak, aby reprodukovaly a zesilovaly nejprevalentnější myšlenky, což vytváří zpětnou vazbu, která zúžuje rozsah dostupných lidských znalostí.
Proč? Vnitřní reprezentace znalostí v LLM není uniformní. Koncepty, které se v tréninkových datech objevují častěji, výrazněji nebo v širším spektru kontextů, bývají silněji zakódovány. Například, pokud se pizza často zmiňuje jako oblíbené jídlo v široké sadě tréninkových textů, když se zeptáme „jaké je tvoje oblíbené jídlo?“, model pravděpodobně odpoví „pizza“, protože to spojení je statisticky výraznější.
Subtilněji, distribuce výstupu modelu přímo neodráží frekvenci myšlenek v tréninkových datech. Namísto toho LLM často amplifikují dominantní vzorce nebo myšlenky způsobem, který zkresluje jejich původní proporce. Tento jev můžeme označit jako „amplifikaci módu”. Pokud například tréninková data zahrnují 60 % odkazů na pizzu, 30 % na těstoviny a 10 % na biryani jako oblíbená jídla, očekávali bychom, že model tuto distribuci reprodukuje, pokud by byl na tuto otázku položen 100krát. V praxi však LLM tendují nadprodukovat nejčastější odpověď. Pizza se může objevit více než 60krát, zatímco méně časté položky, jako je biryani, mohou být podreprezentovány nebo zcela vynechány. To nastává kvůli tomu, že LLM jsou optimalizovány pro předvídání nejpravděpodobnějšího dalšího „tokenu“, což vede k nepoměrnému důrazu na vysoce pravděpodobné odpovědi.
Toto nerovnoměrné zakódování se dále zkresluje prostřednictvím učení posilováním z lidské zpětné vazby (RLHF), kde jsou modely GenAI jemně doladěny na základě lidských preferencí. To nevyhnutelně zakotvuje hodnoty a světové názory jejich tvůrců do samotných modelů. Pokud se zeptáte ChatGPT na kontroverzní téma, dostanete diplomatickou odpověď, která zní, jako by byla vytvořena panelem právníků a HR profesionálů, kteří se příliš snaží vás potěšit. Pokud se zeptáte na stejnou otázku Grok, AI chatbot X, možná dostanete sarkastickou poznámku následovanou politicky nabitým názorem, který by se hodil na večeři určitého tech miliardáře.
Komerční tlaky dodávají další vrstvu. Nejlukrativnější uživatelé – anglicky mluvící profesionálové ochotní platit 20-200 dolarů měsíčně za prémiové předplatné AI – se stávají implicitní šablonou pro „superinteligenci“. Tyto modely excelují při generování čtvrtletních zpráv, programování v oblíbených jazycích Silicon Valley a tvoření e-mailů, které zní patřičně ustupující vůči západním korporátním hierarchiím. Mezitím se potýkají s kulturními kontexty, které se nepřekládají do čtvrtletních zisků.
Není tedy překvapením, že rostoucí počet studií ukazuje, jak LLM převážně odrážejí západní kulturní hodnoty a epistemologie. Převyšují určitý dominantní skupiny ve svých výstupech, posilují a amplifikují předsudky držené těmito skupinami, a jsou fakticky přesnější na témata spojená s Severní Amerikou a Evropou. Dokonce i v oblastech jako doporučení na cestování nebo vyprávění příběhů LLM mají tendenci generovat bohatší a podrobnější obsah pro bohatší země v porovnání s chudšími.
Nad rámec pouhého odrazu stávajících znalostních hierarchií má GenAI schopnost je amplifikovat, jak se mění lidské chování. Integrace AI shrnutí do vyhledávačů, spolu s rostoucí popularitou AI poháněných vyhledávačů, jako je Perplexity, podtrhuje tento posun.
Jakmile se AI generovaný obsah začal plnit internet, přidává další vrstvu amplifikace k myšlenkám, které už jsou populární online. Internet, jako primární zdroj znalostí pro AI modely, se stává rekurzivně ovlivněn samotnými výstupy těchto modelů. S každým cyklem trénování se nové modely stále více spoléhají na AI generovaný obsah. To ohrožuje vytvoření zpětné vazby, kde jsou dominantní myšlenky neustále amplifikovány, zatímco znalosti o malých či okrajových tématech se dostávají do pozadí.
AI výzkumník Andrew Peterson popisuje tento jev jako „kolaps znalostí“: postupné zúžení informací, ke kterým lidé mají přístup, spolu s klesajícími znalostmi alternativních nebo obscurních názorů. Jakmile jsou LLM trénovány na datech utvářených předchozími AI výstupy, může se nedostatečně zastoupené poznání ocitnout méně viditelným – ne proto, že by postrádalo hodnotu, ale protože je méně často použitelně nebo citováno. Peterson také varuje před „efektem pouličního osvětlení“, pojmenovaným podle vtipu, kdy osoba hledá ztracené klíče pod pouliční lampou, protože tam je nejjasnější světlo. V kontextu AI by to byly lidé, kteří hledají tam, kde je to snadnější, než kde to má největší smysl. V průběhu času to povede k degenerativnímu zúžení veřejné znalostní základny.
Globálně se GenAI také stává součástí formálního vzdělávání, použité k vytváření učebních materiálů a podpoře samostatného vzdělávání prostřednictvím AI tutorů. Například státní vláda Karnátaky, domov města Bengaluru, se spojila s americkou neziskovou organizací Khan Academy, aby nasadila Khanmigo, AI poháněného učebního asistenta, ve školách a vysokých školách. Byla bych překvapena, kdyby Khanmigo disponoval znalostmi starších Neeruganti – ukotvenými v místních znalostech a praktikách – potřebnými k tomu, aby se školní studenti v Karnátace naučili, jak pečovat o své vodní ekologie.
To vše tedy znamená, že v světě, kde AI stále více zprostředkovává přístup ke znalostem, mohou budoucí generace ztratit spojení s rozsáhlými těly zkušeností, poznání a moudrosti. Vývojáři AI by mohli argumentovat, že jde prostě o problém dat, který lze vyřešit zahrnutím rozmanitějších zdrojů do tréninkových datasetů. Zatímco to může být technicky možné, výzvy datového zdroje, prioritizace a zastoupení jsou mnohem složitější, než takové řešení naznačuje.
Konverzace, kterou jsem měla s vedoucím zodpovědným za vývoj AI chatbotu, který obsluhuje více než 8 milionů farmářů v Asii a Africe, nás přivedla k tomuto jádru. Tento systém poskytuje zemědělské rady většinou založené na databázích z vládních poraden a mezinárodních rozvojových organizací, které obvykle využívají výzkumnou literaturu. Vůdce uznal, že mnoho místních praktik, které by mohly být účinné, stále v odpovědích chatů chybí, protože nejsou zdokumentovány ve výzkumné literatuře.
Odůvodnění není, že poradenství založené na výzkumu je vždy správné nebo bez rizika. Je to proto, že nabízí obhajitelnou pozici, pokud se něco pokazí. V takto velkém systému je spolehnutí se na uznávané zdroje považováno za bezpečnější alternativu, která chrání organizaci před odpovědností, zatímco marginalizuje znalosti, které nebyly prověřeny institucemi. Takže rozhodnutí je víc než jen technické. Je to kompromis formovaný strukturalním kontextem, nikoli založeným na tom, co je užitečné nebo pravdivé.
Tento strukturní kontext formuje nejen institucionální volby. Taktéž formuje druhy výzev, o kterých jsem slyšela během konverzace s Perumalem Vivekanandanem, zakladatelem neziskové organizace Sustainable-agriculture and Environmental Voluntary Action (Seva). Jeho zkušenosti poukazují na obtížné úsilí těch, kteří se snaží legitimizovat domorodé znalosti.
Seva, založená v roce 1992, se zaměřuje na zachování a šíření domorodého poznání v zemědělství, chovu zvířat a ochraně zemědělské biodiverzity v Indii. Během let dokumentoval více než 8 600 místních praktik a adaptací, putující z vesnice do vesnice. Přesto se její snahy neustále narážejí na systémové překážky. Potenciální dárci často zdráhají poskytnout podporu, zpochybňující vědeckou legitimitu znalostí, které Seva usiluje podpořit. Když se Seva obrátí na univerzity a výzkumné instituce, aby pomohly tuto znalost validovat, často naznačují, že by Seva měla financovat validační studie sama. To vytváří zákony – bez validace Seva bojuje o získání podpory, ale bez podpory si nemůže dovolit validaci. Tento proces odhaluje hlubší výzvu: hledání způsobů, jak validovat domorodé znalosti uvnitř systémů, které je historicky podceňovaly.
Příběh Seva ukazuje, že zatímco GenAI může urychlit zánik místních znalostí, není to příčina. Marginalizace místních a domorodých znalostí byla dlouho poháněna zakotvenými mocenskými strukturami. GenAI tento proces jednoduše urychluje.
Často rámujeme ztrátu domorodého poznání jako tragédii pouze pro místní komunity, které jej drží. Ale nakonec, ztráta není jen jejich, ale náleží světu jako celku.
Zmizet místní znalosti nelze považovat za triviální ztrátu. Jde o narušení širší sítě chápání, která udržuje jak lidské, tak ekologické blaho. Stejně jako biologické druhy se vyvinuly, aby prospívaly v určitých místních prostředích, lidské znalostní systémy jsou přizpůsobeny zvláštnostem místa. Když se tyto systémy naruší, důsledky se mohou šířit daleko za jejich výchozí bod.
Kouř z požárů si nedělá starosti s překročením poštovních čar. Znečištěná voda se nezastaví na státní hranici. Rostoucí teploty ignorují národní hranice. Infekční zárodky nemají čekací doby na víza. Ať už si to uvědomujeme nebo ne, jsme zapleteni v sdílených ekologických systémech, kde místní rány nevyhnutelně zanechají globální bolesti.
Nepříjemná rozporuplnost pro mě při psaní této eseje je, že se snažím přesvědčit čtenáře o legitimnosti a významu místních znalostních systémů, zatímco sama jsem o účinnosti otcových bylinných směsí skeptická. Tato nejistota se zdá jako zrada všeho, co jsem zde obhajovala. Přesto možná právě taková upřímná složitost je to, co potřebujeme k orientace.
Nemám jistotu, že domorodé znalosti skutečně fungují tak, jak se tvrdí v každém případě. Zvláště když je influencers a politici povrchně vycházejí, aby získali „lajky“ nebo využili identity, generující dezinformace bez upřímného zkoumání. Nicméně jsem rovněž rozvážná, když nechávám, aby to zmizelo. Můžeme ztratit něco cenného, jen abychom uznali jeho hodnotu mnohem později. A jaké jsou vedlejší ztráty tohoto procesu? Ekologický kolaps, který bychom mohli zabránit?
Klimatická krize odhaluje trhliny v našich dominantních znalostních paradigmatech. Ale zároveň jsou vývojáři AI přesvědčeni, že jejich technologie urychlí vědecký pokrok a vyřeší naše největší výzvy. Opravdu bych ráda věřila, že mají pravdu. Ale zůstává několik otázek: jsme schopni se posunout k této technologické budoucnosti, zatímco autenticky zapojujeme znalostní systémy, které jsme zavrhli, s opravdovou zvědavostí, nikoli pouhým tokenizmem? Nebo budeme pokračovat v maření forem chápání prostřednictvím hierarchií, které jsme vybudovali, a ocitneme se v chaosu, protože jsme se nikdy nenaučili poslouchat ty, kteří věděli, jak žít udržitelně na Zemi?
Možná je inteligence, kterou opravdu potřebujeme, schopností vidět mimo hierarchie určující, které znalosti se počítají. Bez tohoto základu, bez ohledu na stovky miliard, které investujeme do vývoje superinteligence, budeme pokračovat v mazání znalostních systémů, které se vyvíjely po generace.
Nejsem si jista, zda byly otcovy bylinné směsi účinné. Ale učím se, že uznání, že nevím, může být tím nejpoctivějším místem, kde začít.
