Miért fontos vagy érdekes ez? Ne feledjük, hogy a lehető legegyszerűbb kezdőpontból indultunk ki: egyetlen fekete sejtből!
A folyamat egy nagyon egyszerű szabály ismétlődő alkalmazásából áll.^{109} Egy ilyen ismétlődő és determinisztikus folyamattól ismétlődő és előre jelezhető viselkedést várnánk. Azonban két meglepő eredményt is kapunk. Az egyik a látszólagos véletlenszerűség, ám még az önmagában hamar unalmassá váló véletlenszerűségnél is érdekesebbek a jól elkülöníthető mintázatok, és az, hogy a mintázat rendelkezik valamiféle rendezettséggel és intelligenciával. Wolfram sok ilyen képet mutat be, és szépek is akadnak közöttük.

Wolfram többször megismétli: „Amikor egy komplexnek tűnő jelenséggel találkozunk, szinte magától értetődőnek vesszük, hogy valamilyen komplex mechanizmus hozta létre. Azonban a felfedezésemből, mely szerint egyszerű programok is képesek nagy komplexitást létrehozni, egyértelműen kiderül, hogy ez nem így van.”^{110}

Én nagyon elragadónak találom a 110-es szabály viselkedését. Emellett igen fontos az a gondolat, hogy egy teljesen determinisztikus folyamat tökéletesen előrejelezhetetlen eredményeket képes létrehozni, mivel magyarázatot ad arra, hogyan lehet a világ eredendően előrejelezhetetlen, miközben teljesen determinisztikus szabályokon alapul.^{111} Mindazonáltal nem lep meg az elképzelés, hogy egyszerű mechanizmusok a kiindulóállapotuknál bonyolultabb eredményeket képesek létrehozni. Láttuk már ezt a jelenséget a fraktáloknál, a káosz- és komplexitáselméletben és az önszerveződő rendszerekben (mint a neurális hálózatok és a Markov-láncok), amelyek egyszerű hálózatokként indulnak, ám úgy szervezik magukat, hogy látszólag intelligens viselkedést mutassanak.

Egy másik szinten láthatjuk magában az emberi agyban, amely körülbelül harminc-száz millió byte-nyi specifikációként indul a tömörített genomban, mégis körülbelül egymilliárdszor nagyobb komplexitás lesz belőle.^{112}

Az sem meglepő, hogy egy determinisztikus folyamat képes látszólag véletlenszerű eredményeket létrehozni. Vannak véletlenszám-generátoraink (például Wolfram „Mathematica” programjának „randomizálás” függvénye), amelyek determinisztikus folyamatokkal hoznak létre olyan számsorokat, melyek megfelelnek a véletlenszerűség statisztikai próbáinak. Ezek a programok a számítógépszoftverek hajnaláig követhetők vissza, például a Fortran első verzióiig. Mindazonáltal Wolfram átfogó elméleti alapot biztosít ehhez a megfigyeléséhez.

Wolfram a továbbiakban leírja, miként léteznek egyszerű számítási mechanizmusok a természet különböző szintjein, és megmutatja, hogy ezek az egyszerű, determinisztikus mechanizmusok képesek létrehozni azt a komplexitást, amit látunk és tapasztalunk. Miriád példát hoz fel, például az állatok szép pigmentmintáit, a kagylóhéjak alakját és mintázatát, vagy a turbulencia mintázatait (mint a füst viselkedése a levegőben). Okfejtésének lényege az, hogy a számítás alapvetően egyszerű és mindenütt jelenvaló. Szerinte az egyszerű számítási transzformációk ismétlődő alkalmazása a komplexitás valódi forrása a világban.

Nézetem szerint ez a kijelentés csak részben állja a meg a helyét. Egyetértek Wolframmal abban, hogy a számítás körülvesz minket, és hogy a látható mintázatok egy részét sejtautomatáknak megfelelő folyamatok hozzák létre. De a kulcskérdés, amit fel kell tenni, ez: pontosan mennyire komplexek a negyedik osztályú automaták eredményei?

Wolfram gyakorlatilag megkerüli a komplexitás fokainak problémáját. Egyetértek azzal, hogy egy degenerált mintázat, például egy sakktábla, nem rendelkezik komplexitással. Wolfram azt is elismeri, hogy a puszta véletlenszerűség sem képvisel komplexitást, mivel a színtiszta véletlenszerűség is előrejelezhetővé válik csupán az előrejelezhetősége hiányában. Igaz, hogy a negyedik osztályú automaták érdekes vonásai se nem ismétlődőek, se nem színtisztán véletlenszerűek, úgyhogy egyetértek azzal, hogy komplexebbek, mint a többi automata által létrehozott eredmények.

Ugyanakkor kétségkívül jól meghatározható korlátja van a negyedik osztályú automaták által létrehozott komplexitásnak. Wolfram könyvében az ilyen automatákról készült képek mind hasonlóak egymáshoz, és bár nem ismétlődőek, csak egy bizonyos fokig érdekesek (és intelligensek). Emellett nem fejlődnek tovább komplexebb alakzatokká és nem fejlesztenek ki új vonásokat sem. Futtathatjuk ezeket az automatákat billió vagy akár billiószor billió iteráción keresztül, a kép akkor is ugyanazon a korlátozott komplexitású szinten fog maradni. Nem fejlődnek mondjuk rovarokká, emberekké vagy Chopin-prelűdökké, sem bármi mássá, amit magasabb rendű komplexitásnak tarthatnánk, mint az ezeken a képeken látható sávok vagy egymásba fonódó háromszögek.

A komplexitás egy kontinuum. Korábban úgy definiáltam a „rendet”, mint „egy célnak megfelelő információt”.^{113} Egy teljesen előrejelezhető folyamatnak nulla a rendje. Önmagában a magas információszint sem feltétlenül jelez magas szintű rendet. Egy telefonkönyvben rengeteg információ van, de ennek az információnak a rendszintje nagyon alacsony. Egy véletlenszerű számsor gyakorlatilag színtiszta információ (mivel nem előrejelezhető), de nincs rendje. Egy negyedik osztályú sejtautomatának valóban van bizonyos szintű rendje, és valóban fennmarad, más maradandó mintázatokhoz hasonlóan. Ám annak a mintázatnak, amit egy emberi lény képvisel, sokkal magasabb szintű a rendje és a komplexitása.

Az emberi lények megfelelnek egy nagyon nehéz célnak: életben maradnak egy veszélyes ökológiai niche-ben. Az emberi lények más mintázatok rendkívül bonyolult és összetett hierarchiáit testesítik meg. Wolfram gyakorlatilag egyenrangúnak tart minden mintázatot, amelyekben felismerhető alakzatok és előre nem jelezhető elemek vannak. Azt azonban nem mutatja meg, hogyan képes egy negyedik osztályú automata valaha is növelni a komplexitását, arról nem is beszélve, hogy olyan komplex mintázattá váljon, mint egy emberi lény.

Hiányzik egy láncszem: az, amelyik magyarázatot adna arra, hogyan jutnak el a sejtautomaták érdekes, de végső soron rutinszerű mintázatai az intelligencia magasabb szintjeit bizonyító, maradandó struktúrák komplexitásáig. Példának okáért, ezek a negyedik osztályú mintázatok nem képesek érdekes problémákat megoldani, akárhány iterációt is hajtanak végre rajtuk. Wolfram azzal vágna vissza, hogy egy 110-es szabályú automatát „univerzális számítógépként” lehet használni.^{114} Ám egy univerzális számítógép önmagában, anélkül, amit én „szoftvernek” neveznék, nem képes intelligens problémákat megoldani. Éppen az univerzális számítógépen futó szoftver komplexitása a kérdés.

Érdemes szem előtt tartani, hogy a negyedik osztályú mintázatok a lehető legegyszerűbb sejtautomatákból származnak (egydimenziós, kétszínű, két szomszéddal rendelkező szabályokból). Mi történik, ha növeljük a dimenzionalitást – például több színt használunk, vagy folyamatos funkciókra általánosítjuk a diszkrét sejtautomatákat? Wolfram alaposan megvizsgálja ezt a kérdést. 

A komplexebb automaták által létrehozott eredmények lényegében ugyanazok, mint a nagyon egyszerűeké. Ugyanolyan érdekes, de végső soron korlátozott mintázatokat kapunk. Wolfram azt az érdekfeszítő megállapítást teszi, hogy nem kell komplexebb szabályokat alkalmaznunk ahhoz, hogy komplex végeredményt kapjunk. Én viszont megfordítanám az állítását: sem komplexebb szabályokkal, sem további iterációkkal nem tudjuk növelni a végeredmény komplexitását. A sejtautomatáktól csak ennyit várhatunk.

Kifejleszthető a mesterséges intelligencia egyszerű szabályok alapján?

Tehát hogyan jutunk el ezektől az érdekes, de korlátolt mintázatoktól a rovarok, az emberek vagy a Chopin-prelűdök mintázataiig? Az egyik fogalom, amin el kell gondolkodnunk, a konfliktus – azaz az evolúció. Ha Wolfram egyszerű sejtautomatáját kiegészítjük egy másik egyszerű fogalommal – egy evolúciós algoritmussal –, akkor sokkal izgalmasabb és intelligensebb eredményeket fogunk kapni. Wolfram azt mondaná, hogy a negyedik osztályú automaták és az evolúciós algoritmusok „számítási szempontból ekvivalensek”. Ám ez csak a „hardver” szintjén igaz. A szoftver szintjén a létrehozott mintázatok rendje egyértelműen más, és más nagyságrendű komplexitást és hasznosságot képvisel.

Egy evolúciós algoritmus kialakulhat egy probléma véletlenszerűen létrehozott potenciális megoldásaiból, melyek egy digitális genetikai kód formájában vannak kódolva. Ezután a megoldásokat versenyeztetjük egymással egy szimulált evolúciós küzdelemben. A jobb megoldások fennmaradnak és egy szimulált szexuális szaporodási aktusban szaporodnak, melyből leszármazott megoldások keletkeznek, szüleiktől örökölve a genetikai kódjukat (kódolt megoldásaikat). Bevezethetünk valamilyen szintű genetikai mutációt is. Ennek a folyamatnak számos magas szintű paraméterét, például a mutáció sebességét, az utódok létrejöttének sebességét, és a többit – nagyon helyesen – „Isten-paramétereknek” nevezik, és az evolúciós algoritmust megtervező mérnök feladata az, hogy ésszerű, optimális értékeket adjon nekik. A folyamatot több ezer nemzedéknyi szimulált evolúción át futtatjuk, és a végén valószínűleg sokkal magasabb rendű megoldásokat találunk, mint amilyenek a kiindulók voltak.

Ezeknek az evolúciós algoritmusoknak (néha genetikai algoritmusoknak is nevezik őket) az eredményei elegáns, szép és okos megoldásokat adhatnak komplex problémákra. Felhasználták már őket például művészi minták és tervek előállítására, mesterséges életformák tervezésére, és sok más gyakorlati alkalmazásra, például sugárhajtóművek konstruálására. A genetikai algoritmusok az egyik megközelítést jelentik a „szűk” mesterséges intelligenciához – azaz az olyan rendszerek létrehozásához, melyek képesek ellátni bizonyos feladatokat, melyekhez korábban az emberi intelligenciát kellett használni.

Ám valami még mindig hiányzik. Noha a genetikai algoritmusok hasznos eszközök konkrét problémák megoldásában, soha meg sem közelítették az „erős MI-t” – azt a felfogóképességet, ami akár csak hasonlítana az emberi intelligencia széles körű, mély és kifinomult vonásaira, különös tekintettel annak mintafelismerő képességére, illetve nyelvi készségére. Az lenne a probléma, hogy nem futtatjuk elég sokáig a genetikai algoritmusokat? Végül is az emberi evolúció folyamata több milliárd éven keresztül zajlott. Talán nem lehet megismételni ezt a folyamatot néhány napi vagy heti számítógépes szimulációval. Ez azért nem járható út, mert a konvencionális genetikai algoritmusok elérnek egy aszimptotát a teljesítményszintjükben, tehát nem segít, ha tovább futtatjuk őket.

A harmadik szint (a sejtautomaták képességén túl, hogy látszólagos véletlenszerűséget állítsanak elő, illetve a genetikai algoritmusok képességén túl, hogy fókuszált, intelligens megoldásokat találjanak) az evolúció több szinten történő lejátszása. 
A konvencionális genetikai algoritmusok csak egy szűk probléma keretein belül és egyszerű evolúciós eszközökkel fejlődnek. Magának a genetikai kódnak és az evolúció szabályainak is fejlődniük kell. A természet sem maradt meg az egy kromoszómánál. A természetes evolúciós folyamatban több szinten van jelen a közvetettség. És szükség van egy komplex környezetre is, amelyben az evolúció lezajlik.

Mindazonáltal az erős MI megépítéséhez lehetőségünk lesz rövidre zárni ezt a folyamatot azzal, hogy visszafejtjük az emberi agyat (mely projekt már jó úton halad), s ezáltal kihasználjuk a már lezajlott evolúciós folyamat előnyeit. Úgy fogunk evolúciós algoritmusokat alkalmazni ezeken a megoldásokon belül, ahogyan az emberi agy. Például a magzati agy, legalábbis régióiban, kezdetben – a genomban meghatározott keretek között – „véletlenszerűen huzalozott”. A legújabb kutatások kimutatták, hogy a tanulással kapcsolatos területek több változáson mennek át a születés után, a tapasztalatok érzékszervi feldolgozásával kapcsolatos struktúrák viszont kevesebben.^{115}

Wolfram helyesen állapítja meg, hogy bizonyos számítási folyamatok (valójában a többségük) nem előrejelezhetőek. Más szóval, nem tudjuk megjósolni a jövőbeli állapotokat anélkül, hogy le ne futtatnánk a teljes folyamatot. Egyetértek vele abban, hogy csak akkor tudhatjuk a választ előre, ha valahogyan fel tudjuk gyorsítani a folyamatot. Tekintettel arra, hogy a világegyetem a legnagyobb sebességgel fut, amire képes, általában nincs mód a folyamat rövidre zárására. Ugyanakkor rendelkezünk a már lezajlott több milliárd évnyi evolúció előnyével, ami a természeti világban meglévő komplexitás nagymértékben megnövekedett rendjét létrehozta. Most úgy támaszkodhatunk rá, hogy fejlett eszközeinkkel visszafejtjük a biológiai evolúció termékeit (s ami a legfontosabb, az emberi agyat).

Igen, igaz, hogy egyes természeti jelenségek, melyek bizonyos szinten komplexnek tűnnek, pusztán olyan egyszerű számítási mechanizmusok eredményei, melyek lényegében nem mások, mint működő sejtautomaták. Jó példa erre az Oliva porphyria héján található érdekes háromszögmintázat (amit oly sokszor idéz Wolfram), vagy a hópelyhek bonyolult, sokféle alakja. Nem hiszem, hogy ez új megfigyelés lenne abból a szempontból, hogy a hópelyhek alakjáról mindig is úgy tartottuk: egy egyszerű molekuláris számításhoz hasonló folyamat révén jön létre. Ugyanakkor Wolfram valóban meggyőző elméleti alapot kínál ezeknek a folyamatoknak és a belőlük származó mintázatoknak a leírására. Ám a biológia több, mint negyedik osztályú mintázatok halmaza.

Wolfram egy másik fontos megállapítása az, hogy a számítást következetesen egyszerű és mindenütt jelen lévő jelenségnek tekinti. Természetesen több mint egy évszázada tudjuk, hogy a számítás inherensen egyszerű: bármilyen lehetséges szintű komplexitást felépíthetünk az információ lehető legegyszerűbb manipulációjával.

Például Charles Babbage XVIII. század végi mechanikus számítógépe (amely sohasem készült el) csak néhány utasítással rendelkezett, mégis ugyanazokat a műveleteket lett volna hivatott elvégezni, mint a modern számítógépek (nyilván a maga memóriakapacitásával és sebességével). Babbage találmányának a komplexitása a terv részleteiből fakadt, melyeket aztán Babbage a rendelkezésére álló technológiával nem is tudott megvalósítani.

A Turing-gép, Alan Turing univerzális számítógépének az 1950-es években megalkotott modellje mindössze hét alaputasítással rendelkezik, mégis elvégezhető vele bármilyen lehetséges számítás.^{116} Az „univerzális Turing-gép” létezése – amely képes szimulálni a szalagos memóriájában leírt bármilyen lehetséges elméleti Turing-gépet – ismét csak azt példázza, mennyire egyetemes és egyszerű fogalom az információ.^{117} A The Age of Intelligent Machines-ben (Az intelligens gépek kora) bemutattam, hogyan lehet minden számítógépet felépíteni kizárólag egy nagyon egyszerű alkatrész, az úgynevezett „NOR” kapu használatával.^{118} Ez nem pontosan ugyanaz, mint az univerzális Turing-gép, de megmutatja, hogy több ilyen nagyon egyszerű (a 110-es szabálynál is egyszerűbb) eszköz összekapcsolásával bármilyen számítást el lehet végezni, ha megvan hozzá a megfelelő szoftver (ami ebben az esetben a NOR kapuk összekapcsolásának a leírását jelenti).^{119}

Noha további fogalmakra van még szükségünk ahhoz, hogy leírjunk egy a problémákra intelligens megoldásokat adó evolúciós folyamatot, Wolfram bizonyítása a számítás egyszerűsége és mindenütt jelenvalósága mellett fontos hozzájárulás ahhoz, hogy megértsük, milyen alapvető fontosságú az információ a világban.

——————————————————————————————

MOLLY 2004: Azt mondod, a gépek egyre gyorsuló ütemben fejlődnek. Mi van az emberekkel?

RAY: Úgy érted, a biológiai emberekkel?

MOLLY 2004: Igen.

CHARLES DARWIN: Feltehetőleg a biológiai evolúció is folytatódik, nem?

RAY: Nos, a biológiai ezen a szinten olyan lassan fejlődik, hogy szinte nem is számít. Említettem már, hogy az evolúció közvetett módon működik. Tudjuk, hogy a régi paradigmák, mint a biológiai evolúció, tovább fejlődnek a maguk régi sebességével, de elhomályosítják őket az új paradigmák. Az olyan komplex állatok esetében, mint az ember, a biológiai evolúciónak több tízezer év kell, hogy észrevehető, de még így is nagyon apró változásokat hozzon létre. Ennyi időt ölel fel az emberi kulturális és technológiai evolúció teljes története. Most mégis abban a helyzetben vagyunk, hogy mindössze néhány évtized alatt túlléphetünk a biológiai evolúció törékeny és lassú teremtményein. A jelenlegi haladás léptéke ezerszer-egymilliószor nagyobb, mint a biológiai evolúcióé.

NED LUDD: És ha valaki nem kér ebből az egészből?

RAY: Nem hiszem, hogy lenne ilyen. Mindig vannak olyanok, akik hamar, és olyanok, akik későn kezdik el használni az új technológiákat. A technológiában vagy bármilyen evolúciós változásban mindig van egy élcsapat, meg vannak a lemaradók. Még ma is akadnak emberek, akik ekével szántanak, de ez nem lassította le a mobiltelefonok, a telekommunikáció, az internet, a biotechnológia és a többi elterjedését. A lemaradók végül úgyis felzárkóznak. Ázsiában léteznek olyan közösségek, amelyek a földművelő gazdálkodásból egyenesen az információalapú gazdaságba ugrottak át, kihagyva az iparosodás teljes folyamatát.^{120}

NED: Lehet, hogy ez így van, de a digitális szakadék szélesedik.

RAY: Tudom, hogy állandóan ezt hajtogatják, de hogy lehetne ez igaz? Az emberek száma nagyon lassan növekszik. A digitálisan összekapcsolódott emberek száma gyorsan nő, akárhogy is mérjük. A világ népességének egyre nagyobb része kapcsolódik be az elektronikus kommunikációba, ugorja át a primitív vezetékes telefonhálózatot, és csatlakozik vezeték nélkül az internetre… Tehát a digitális szakadék nemhogy nem szélesedik, de igen gyorsan szűkül.

MOLLY 2004: Én akkor is úgy érzem, hogy a kinek van, kinek nincs kérdés nem kap elég figyelmet. Többet kellene tennünk ebben az ügyben!

RAY: Valóban, de a gyorsuló megtérülések törvényének mindent felülbíráló, személytelen erői akkor is a helyes irányba tartanak. Gondoljunk csak arra, hogy egy adott terület technológiája eleinte mindig megfizethetetlenül drága és hibás! Aztán egyszerűen csak drága lesz, és valamivel jobban működik. A következő szakaszban a termék olcsóvá válik és nagyon jól működik. Végül aztán gyakorlatilag ingyenessé válik, és remekül működik. Nemrég, ha egy filmben valakinél mobiltelefont láttunk, akkor tudtuk, hogy az illető a hatalmi elithez tartozik, mert csak a gazdagok engedhették meg maguknak a mobiltelefonálást. Vagy húsba vágóbb példa az AIDS ellen kifejlesztett gyógyszereké. Eleinte nem voltak túl hatékonyak, és évente több mint tízezer dollárba kerültek egy betegnek. Most már sokkal jobbak, és a szegényebb országokban fejenként mindössze néhány száz dollárba kerülnek évente.^{121} Sajnos az AIDS gyógyítása még nem tart a „remekül működik és szinte ingyenes” szakaszban. A világ éppen csak elkezdett valamivel hatékonyabban fellépni az AIDS ellen, de tragikus, hogy eddig nem tettünk többet. Több millió élet veszett el emiatt, a legtöbb Afrikában. Ám a gyorsuló megtérülések törvényének hatása akkor is a megfelelő irányban hat. És az élcsapat meg a lemaradók közötti időrés is szűkül. Jelenleg egy évtizedre becsülöm a lemaradást. Egy évtized múlva pedig fél évtized lesz csupán.

A szingularitás mint gazdasági imperatívusz

„Az okos ember alkalmazkodik a világhoz, a buta makacsul a világot próbálja magához hajlítani. Ennél fogva a haladás a butáktól függ.”

(George Bernard Shaw,

„Maxims for Revolutionists”, Man and Superman, 1903

[Ember és felsőbbrendű ember, „Irányelvek forradalmároknak”])

„Minden haladásnak az a minden élőlényben meglévő, egyetemes és veleszületett vágy az alapja, hogy jobban éljünk, mint ahogy a jövedelmünk alapján tehetnénk.”

(Samuel Butler, Notebooks [Feljegyzések], 1912)

„Ha ma el kellene indulnom a nyugati partra, hogy elindítsak egy új vállalkozást, akkor a biotechnológia és a nanotechnológia felé fordulnék.”

(Jeff Bezos, az Amazon.com alapítója és igazgatója)

Szerezz nyolcvanbillió dollárt – záros határidõn belül!

Ha elolvassák és megértik ezt a részt, nyolcvanbillió dollárt fognak keresni. A részleteket lásd lentebb. (Igen, egy író bármit megtenne, hogy fenntartsa az olvasói érdeklődését, de ezúttal komolyan beszélek. Mindenesetre amíg rá nem térek a magyarázatra, olvassák el figyelmesen a bekezdés első mondatát!)

A gyorsuló megtérülések törvénye alapvetően közgazdasági elmélet. A kortárs közgazdasági elméletek és gyakorlatok idejétmúlt modelleken alapulnak, amelyek az energiaköltségeket, a nyersanyagárakat, a gyártásra fordított befektetéseket hangsúlyozzák kulcsfontosságú hajtóerőkként, és nem veszik figyelembe a számítási kapacitást, a memóriát, a sávszélességet, a technológia méretét, a szellemi tulajdont, a tudást és a többi, egyre fontosabb alkotóelemet mint a gazdasági hajtóerőit.

A kompetitív piac gazdasági imperatívusza a technológiát előre lendítő és a gyorsuló megtérülések törvényét üzemanyaggal ellátó alapvető erő. Ugyanakkor a gyorsuló megtérülések törvénye átalakítja a gazdasági viszonyokat. A gazdasági imperatívusz a biológiai evolúció túlélésének a megfelelője. Miriádnyi apró előrelépés eredményeként, melyek mindegyikének megvan a maga gazdasági igazolása, egyre intelligensebb és kisebb gépek felé haladunk. A feladatukat pontosabban ellátó gépek értékesebbek, ezért gyártják őket. Több tízezer projekt létezik, amelyek számtalan módon lendítik előre a gyorsuló megtérülések törvényének különböző aspektusait.

A rövid távú üzleti ciklusok ellenére hihetetlen mértékben megnőtt a „high-tech” és különösen a szoftver támogatottsága az üzleti közösségben. Amikor 1974-ben elindítottam optikai karakter-felismeréssel (OCR) és beszédszintetizálással foglalkozó cégemet (Kurzweil Computer Products), az Egyesült Államokban a high-tech kockázati befektetések alig érték el a harmincmillió dollárt (1974-es árfolyamon). Ez a szám még a közelmúltbeli high-tech recesszió (2000–2003) idején is közel százszor nagyobb volt.^{122} Ezt a fejlődést legfeljebb úgy lehetne megállítani, ha eltörölnénk a kapitalizmust és a gazdasági verseny minden nyomát.

Fontos rámutatni, hogy exponenciálisan, mindazonáltal fokozatosan haladunk az „új”, tudásalapú gazdaság felé.^{123} Amikor az úgynevezett új gazdaság nem alakította át egyik napról a másikra az üzleti modelleket, sok megfigyelő azonnal elvetette a gondolatot mint eredendően hibásat. El kell telnie még két évtizednek, mielőtt a tudás határozná meg a gazdaságot, de az átalakulás mélyreható lesz, amikor bekövetkezik.

Ugyanezt a jelenséget láttuk az internet és a telekommunikáció konjunktúra-dekonjunktúra ciklusaiban. A konjunktúrákat az a helyes meglátás hajtotta, hogy az internet és az elosztott elektronikus kommunikáció alapvető átalakulást jelent. Ám amikor ezek az átalakulások nem következtek be egy adott – irreális – időhatáron belül, több mint kétbillió dollárnyi piaci tőke tűnt el az iparágból. Ahogy arra a későbbiekben rámutatok, ezeknek a technológiáknak a valóságos elterjedése egyenletesen, bármiféle konjunktúrára vagy dekonjunktúrára utaló jel nélkül zajlott le.

Gyakorlatilag – az összes, a közgazdasági egyetemeken tanított és a FED^{5} által a monetáris politika kidolgozása során, a kormányügynökségek által a gazdaságpolitika kialakítása során, és a legkülönbözőbb gazdasági előrejelzők által – alkalmazott gazdasági modell alapvetően hibásan tekint a hosszú távú trendekre. Ennek az az oka, hogy az említettek a történelem „intuitív lineáris” felfogásán alapulnak (azon a feltételezésen, hogy a változás sebessége egyenletes marad), nem pedig a történelmileg megalapozott exponenciális felfogásán. Ezek a lineáris modellek ugyanazért működnek egy ideig, amiért a legtöbb ember alapvetően az intuitív lineáris nézetet fogadja el: az exponenciális trendek lineárisnak tűnnek, amikor rövid időn át figyelik és tapasztalják meg őket, különösen a korai szakaszban, amikor nem sok minden történik. Ám amint elérjük a „görbe térdét” és bekövetkezik az exponenciális robbanás, a lineáris modell összeomlik.

Miközben ezt a könyvet írom, az Egyesült Államokban folyik a vita a társadalombiztosítási program átalakításáról, olyan kivetítések alapján, melyek 2042-ig tekintenek előre – nagyjából tehát arra az időszakra, amelyikre a szingularitás beköszöntét teszem (lásd a következő fejezetet). Ez a gazdaságpolitikai felülvizsgálat szokatlan abból a szempontból, hogy nagyon hosszú időszakkal számol. Az előrejelzések a várható élettartam növekedésének és a gazdasági növekedésnek eléggé irreális, lineáris modelljein alapulnak. Egyfelől az élettartam növekedése nagymértékben meg fogja haladni a kormányzat szerény várakozásait. Másfelől az emberek nem akarnak majd hatvanöt évesen nyugdíjba menni, amikor harmincéves állapotban lévő testük és agyuk lesz. S ami a legfontosabb, a „GNR”-technológiákból származó gazdasági növekedés (lásd az 5. fejezetet) nagymértékben meg fogja haladni az évi 1,7 százalékos becsült értéket (ami még az elmúlt tizenöt évben tapasztalt növekedésnek is csak a fele).