berita

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

mengambil contoh industri fotovoltaik, amodei percaya bahwa meskipun suatu teknologi menjadi sangat penting dan digunakan secara luas di pasar, mungkin masih sulit untuk menghasilkan keuntungan yang tinggi bagi satu perusahaan, dan komersialisasi yang tinggi akan membatasi profitabilitas perusahaan. mirip dengan industri fotovoltaik, ukuran pasar teknologi ai mungkin sangat besar, tetapi mungkin sulit untuk mendapatkan keuntungan darinya, dan masalah distribusi keuntungan di antara berbagai pihak juga sangat rumit.

ai yang keras

penulis |.huang wenwen

penyunting |. ai keras

minggu ini, dario amodei, ceo dan salah satu pendiri “ai unicorn” anthropic, berpartisipasi dalam wawancara dan membahas perkembangan industri ai, scaling law, dll.

scaling law terutama mengacu pada fakta bahwa seiring dengan peningkatan data dan daya komputasi, kemampuan model juga akan meningkat.amodei percaya bahwa jika undang-undang ini terus berlaku, ai kemungkinan akan menjadi sangat kuat dan menghadirkan model bisnis dan inovasi teknologi baru.

namun, ia juga menekankan bahwa undang-undang ini tidak selalu berlaku jika kinerja model tidak dapat ditingkatkan lebih lanjut dalam beberapa aspek, maka seluruh industri ai mungkin akan terkena dampaknya.

amodei juga fokus membandingkan industri ai dengan industri fotovoltaik. ia menggunakan contoh industri fotovoltaik untuk menggambarkan bahwa meskipun suatu teknologi menjadi sangat penting dan digunakan secara luas di pasar, mungkin masih sulit untuk menghasilkan keuntungan yang tinggi bagi satu perusahaan.

meskipun teknologi fotovoltaik hampir mengguncang seluruh industri energi, pasarnya sangat terkomoditisasi, sangat kompetitif, dan tidak memiliki pengaruh merek yang signifikan, sehingga profitabilitas setiap perusahaan memiliki batasan tertentu.

mirip dengan industri fotovoltaik, ukuran pasar teknologi ai mungkin sangat besar, namun mungkin juga sulit untuk mengambil keuntungan darinya. model keuntungan ai dapat dipengaruhi oleh banyak faktor, seperti biaya penghitungan model, biaya inferensi, dll. distribusi keuntungan di antara penyedia perangkat keras, pengembang model, dan lapisan aplikasi juga cukup kompleks dan menghadapi tantangan yang cukup besar.

pokok pembicaraannya adalah sebagai berikut:

1. agak sulit untuk memisahkan sepenuhnya hukum penskalaan dari masalah bisnis.

2. dengan pasar yang begitu besar, jawaban awal saya adalah keuntungan akan mengalir ke semua tempat tersebut.

3. jika scaling law benar, maka ini akan menjadi pasar yang sangat besar. sekalipun hanya 10% keuntungan yang disalurkan ke bagian tertentu dalam rantai pasokan, itu tetap merupakan jumlah yang besar.

4. jika kita membangun model dengan puluhan atau ratusan miliar parameter, mungkin tidak lebih dari empat atau lima entitas (dan mungkin beberapa badan usaha milik negara) yang terlibat. jadi apa yang kita lihat mungkin lebih mirip oligopoli daripada monopoli penuh atau komoditisasi penuh.

5. bahkan jika model seperti itu dirilis, biaya operasional model inferensi sebesar itu sangat tinggi, dan sebagian besar biayanya digunakan untuk inferensi daripada pelatihan model. jika anda memiliki metode penalaran yang lebih baik, peningkatan 10%, 20%, atau 30% saja dapat memberikan dampak yang besar.

6. kami memiliki model yang lebih besar, lebih kuat, dan model yang lebih cepat, lebih murah, dan kurang cerdas. beberapa pelanggan menemukan bahwa model besar dapat menugaskan tugas ke sejumlah besar model kecil, dan kemudian melapor ke model besar untuk menyelesaikan tugas tersebut seperti a kawanan.

7. tidak seorang pun boleh percaya bahwa scaling law akan berlanjut selamanya, ini hanya pengamatan empiris dan bisa berhenti kapan saja. saya telah mengamatinya selama sepuluh tahun dan tebakan saya bahwa mereka tidak akan berhenti hanyalah proposisi 60-40 atau 70-30 berdasarkan lamanya saya mengamatinya.

8. jika kita dapat menggunakan ai dengan benar, ai dapat meningkatkan kecepatan kita dalam melakukan penemuan sebanyak 10 kali lipat, mungkin 100 kali lipat.

teks lengkap wawancara tersebut adalah sebagai berikut, dengan beberapa konten dihapus:

01

google gagal menjadi bell labs di era kecerdasan buatan

nuh smith：

dalam podcast ekonomi ini kami lebih suka berbicara tentang ekonomi daripada hal-hal teknis semata. jadi, apakah google adalah bell labs di era kecerdasan buatan?

mereka melakukan penelitian tentang pembelajaran mendalam modern dan transformers dan sebagainya, tetapi mereka tidak berhasil mengkomersialkannya, seperti bell labs. mereka mendanai penelitian dengan uang monopoli, dan kemudian orang-orang menarik seperti anda bekerja di sana dan kemudian keluar untuk memulai perusahaan, seperti orang-orang di fairchild di bell labs. apakah menurut anda ini metafora yang tepat?

dario amodei:

meskipun tidak ada analogi yang sempurna, menurut saya ada benarnya. banyak yang melihatnya sebagai kelanjutan karir akademis, sangat mirip dengan lingkungan industri di bell labs, hanya saja google memiliki lebih banyak sumber daya untuk mencapai tujuannya. oleh karena itu, banyak proyek yang sedang dipelajari. transformer adalah salah satu penemuan penting yang mendorong bidang ini, dan hanya satu dari sekitar seratus proyek yang sedang diteliti.

jika anda berada di puncak organisasi, anda tidak akan dapat membedakannya dari 99 proyek lain yang sedang dikembangkan. ibarat seratus bunga yang bermekaran dan saling bersaing. saya rasa saat itulah saya pertama kali mengusulkan scaling law, yaitu kita perlu meningkatkan dan mengintegrasikan inovasi-inovasi ini dalam skala besar.

secara teori, google adalah tempat terbaik untuk melakukan hal ini, mereka memiliki cluster terbesar di dunia dengan banyak insinyur berbakat dan semua elemen yang diperlukan.namun, google diatur untuk pencarian, dan menurut saya itu tidak perlu untuk menyatukan semua bagian dan secara besar-besaran menskalakan sesuatu yang benar-benar berbeda dari sebelumnya.

nuh smith：

sama seperti bell labs yang tidak didirikan untuk menciptakan komputer dan memberikan komputer kepada semua orang, bell labs didirikan untuk menghubungkan semua orang.

dario amodei：

ya, itu adalah perusahaan telepon. jadi, saya tidak bisa mewakili google, tapi jelas sekarang selain menciptakan semua hal menakjubkan ini, mereka adalah salah satu dari empat perusahaan teratas dengan model mutakhir yang merupakan mitra dan pesaing kami. saya kenal banyak orang di sana yang sangat pintar.

tapi menurut saya anda benar, akan ada saatnya mereka bisa menjadi satu-satunya pemain dominan jika mereka bisa menggabungkan elemen-elemen tersebut dengan cara yang benar. namun karena alasan apa pun, keadaan tidak berjalan seperti itu.

02

hukum penskalaan:

seiring bertambahnya ukuran data, model menjadi lebih kuat

nuh smith：

ini memunculkan pertanyaan lain yang sedang kami pikirkan. sebenarnya ide kami untuk berbicara dengan anda berasal dari sesuatu yang kami diskusikan di podcast lain di mana kami pada dasarnya berbicara tentang ekonomi bisnis internet, dan kemudian seseorang mengemukakan pandangan pesimistis terhadap bisnis ai, mempertanyakan berapa banyak ai. perusahaan memang ada.

tentunya hal ini erat kaitannya dengan anthropic dan perusahaan lain yang kita sebut startup, namun jumlahnya sudah cukup besar.jadi, beri tahu kami pendapat anda tentang parit ekonomi perusahaan ai.

dario amodei：

menurut saya, saya akan membagi pertanyaan ini menjadi dua cabang sedikit. saya pikir sulit untuk sepenuhnya memisahkan scaling law dari masalah bisnis. jadi mari kita pertimbangkan kasus di mana scaling law berlaku dalam bentuk yang sangat kuat, dan kemudian pertimbangkan kasus-kasus di mana hukum penskalaan mungkin berlaku sebagian atau tidak berlaku sama sekali. jika ini terjadi dalam bentuk yang sangat kuat, situasinya akan terlihat seperti ini:

sekarang anda telah melatih model dengan 100 juta parameter, dan kemampuannya setara dengan mahasiswa baru di perguruan tinggi;

kemudian anda melatih model dengan satu miliar parameter, yang setara dengan kemampuan mahasiswa sarjana yang baik;

anda telah melatih model dengan puluhan miliar parameter, dan kemampuannya setara dengan mahasiswa pascasarjana terbaik;

saat anda melatih model dengan ratusan miliar parameter, kemampuannya setara dengan pemenang hadiah nobel.

dan kemudian anda menerapkan model ini dan pada dasarnya melayani semua orang, dan model ini menjadi kolega anda, menjadi asisten pribadi anda, membantu keamanan nasional, membantu penelitian biologi.

saya pikir di dunia ini, sistem ini dan produk-produk yang didasarkan padanya akan mengambil bagian besar dalam perekonomian. pertanyaan yang tersisa adalah kemana dana tersebut akan disalurkan? apakah akan mengalir ke nvidia, ke perusahaan kecerdasan buatan, atau ke aplikasi hilir? dengan pasar yang begitu besar, jawaban awal saya adalah,manfaat mengalir ke semua tempat ini.

03

masa depan ai akan serupa dengan industri fotovoltaik

nuh smith：

tapi pikirkan tentang tenaga surya, tenaga surya jelas akan menjadi sangat penting. semakin banyak energi yang kita perlukan, maka energi surya akan semakin tersebar luas. namun, sulit untuk mengatakan perusahaan tenaga surya mana yang menghasilkan banyak keuntungan. energi surya adalah produk yang sangat dikomoditisasi, dan meskipun terdapat banyak inovasi di dalamnya, tidak ada efek merek, tidak ada efek jaringan, dan tidak ada efek lock-in. sulit bagi perusahaan tenaga surya mana pun untuk mendapatkan keuntungan dari hal ini , dan hal ini mengubah dunia di depan mata kita.

jadi saya tidak sepenuhnya yakin bahwa hanya karena segala sesuatunya akan berkembang pesat seperti tenaga surya saat ini, hal itu akan menghasilkan keuntungan bagi perusahaan. tapi saya tentu saja terbuka terhadap kemungkinan itu. aku hanya ingin tahu,menurut anda apa sumbernya? mengapa perkembangan kecerdasan buatan berbeda-beda?

dario amodei：

tenaga surya? saya rasa ada dua poin di sini, karena menurut saya ini adalah pertanyaan penting di sebagian besar dunia. mungkin saya hanya mengatakan, jika scaling law benar, ini akan menjadi pasar yang sangat besar. sekalipun hanya 10% keuntungan yang disalurkan ke bagian tertentu dalam rantai pasokan, itu tetap merupakan jumlah yang besar.

ketika anda membuat kuenya lebih besar, itu menjadi pertanyaan yang paling menarik, meskipun mereka yang memutuskan bagaimana mendistribusikan uang dolar tentu akan sangat khawatir tentang kemana perginya uang triliunan itu. tapi mari kita kembali ke pertanyaan anda, karena menurut saya ini penting di seluruh dunia.inti masalahnya adalah seberapa besar "kue" yang anda bagi.

pertama, dari sisi model, bergantung pada scaling law. jika kita membangun model dengan puluhan atau ratusan miliar parameter, mungkin tidak akan lebih dari empat atau lima entitas (dan mungkin beberapa perusahaan milik negara) yang terlibat. jadi apa yang kita lihat mungkin lebih mirip oligopoli daripada monopoli penuh atau komoditisasi penuh.

saya kira satu pertanyaan di sini adalah, apakah ada orang yang akan merilis model open source yang memiliki satu miliar atau 10 miliar parameter? saya skeptis, meskipun model seperti itu dirilis, biaya operasional model inferensi sebesar itu sangat tinggi, dengan sebagian besar biayanya untuk inferensi daripada pelatihan model. jika anda memiliki metode penalaran yang lebih baik, peningkatan 10%, 20%, atau 30% saja dapat memberikan dampak yang besar. secara ekonomi agak aneh, ini adalah biaya tetap yang sangat besar yang harus anda amortisasi, tetapi ada juga biaya per unit yang masuk akal, dan berdasarkan asumsi tersebut, jika diterapkan secara luas, perbedaannya bisa sangat besar. saya tidak yakin bagaimana ini akan terjadi.

nuh smith：

hal ini sebenarnya mirip dengan perekonomian industri berat, seperti bagaimana baja dibuat.

dario amodei：

ya sedikit. menariknya, hal lain yang ingin saya katakan adalah bahwa dalam model-model ini, kita mulai melihat model-model tersebut memiliki kepribadian yang berbeda. jadi komoditisasi adalah suatu kemungkinan, namun bahkan dalam oligopoli, cara penerapan model tertentu dapat dikomoditisasi, meskipun saya tidak yakin.

namun ada satu kekuatan yang menentang pandangan tersebut adalah: hei, saya membuat model yang pandai dalam pemrograman, anda membuat model yang pandai menulis kreatif, dan orang ketiga membuat model yang pandai dalam hiburan. ini adalah pilihan-pilihan, dan begitu anda mulai membuat pilihan-pilihan tersebut, anda mulai membangun infrastruktur di sekitar pilihan-pilihan tersebut, yang tampaknya menciptakan prasyarat untuk diferensiasi pada tingkat tertentu.

sumber diferensiasi lain yang mungkin adalah produk yang dibuat berdasarkan model.secara teori, anda dapat memisahkan lapisan model dari lapisan produk, dalam praktiknya keduanya saling terkait dan bekerja antar organisasi dapat menjadi tantangan. jadi, meskipun ada logika umum dalam hal model, karena banyak perusahaan bergerak ke arah yang sama, menambahkan kemampuan multimodal untuk membuat model lebih cerdas dan membuat inferensi lebih cepat, namun produk yang dihasilkan sangatlah berbeda.

jika anda melihat proyek "artefak" yang kami lakukan, ini adalah cara memvisualisasikan kode penulisan model secara real time. kami melakukan ini, openai punya pendekatannya sendiri, dan google punya pendekatannya sendiri. menurut saya ini juga salah satu sumber diferensiasi antar perusahaan.

kita telah melihat bahwa nilai ekonomi dari penjualan aplikasi, bahkan yang relatif tipis, menjadi semakin tebal berdasarkan modelnya.

erik torenberg:

jika scaling law benar dan segalanya menjadi sebesar yang kita bayangkan, apakah anda berharap perusahaan-perusahaan ini akan dinasionalisasi suatu saat nanti? atau bagaimana menurut anda?

dario amodei：

kita dapat membaginya menjadi dua situasi: situasi pertama adalah hukum penskalaan benar, dan situasi lainnya adalah hukum penskalaan salah. jika ini salah, maka ini hanyalah sebuah teknologi yang, seperti internet atau tenaga surya, mungkin lebih penting daripada kebanyakan teknologi lainnya, namun bukan hal yang belum pernah terjadi sebelumnya. berdasarkan perkembangan saat ini, saya kira tidak akan dinasionalisasi.

jika benar, model yang kami bangun sama baiknya dengan ahli biologi pemenang hadiah nobel dan pembuat kode industri terkemuka atau bahkan lebih baik lagi. saya tidak yakin apakah ini akan menjadi nasionalisasi, kami akan sangat khawatir apakah musuh kami dapat mengimbangi kami, atau apakah kami dapat mengerahkan mereka secepat musuh kami.

04

hukum penskalaan

mempengaruhi ai untuk menciptakan model bisnis baru

nuh smith：

saya mempunyai pertanyaan tentang dampak kecerdasan buatan pada model bisnis. tahukah anda cerita ketenagalistrikan, pada dasarnya pada mulanya ketika mendapat listrik, para produsen mencoba membongkar pembangkit uapnya, dan pembangkit tersebut mengalami kerugian. kemudian seseorang menemukan bahwa anda dapat mengalirkan listrik ke beberapa stasiun kerja secara paralel, yang mengubah cara kerja manufaktur. alih-alih menggunakan satu jalur perakitan besar, jalur tersebut berubah menjadi beberapa stasiun kerja kecil, yang menghasilkan peningkatan produktivitas yang sangat besar selama beberapa dekade.

saya selalu curiga ai itu serupa. saya pikir internet serupa,ai serupa karena pada awalnya semua orang tampaknya berpikir bahwa ai adalah manusia. seseorang sebenarnya membandingkan jumlah ai dengan jumlah karyawan manusia, yang bagi saya tidak masuk akal karena tidak dapat dipecah menjadi individu.

anda dapat membuat sistem berbasis proxy untuk meniru pendekatan ini, namun mengapa? saya melihat semua orang berpikir tentang ai yang secara langsung menggantikan manusia, dan argumen saya adalah bahwa ini adalah tahap pertama, sama seperti listrik yang secara langsung menggantikan ketel uap bukanlah ide yang baik. saya pikir orang-orang akan sedikit kecewa karena hanya ada beberapa kasus di mana penggantian langsung manusia ini berhasil, seperti layanan pelanggan dan beberapa hal lain yang sudah jelas.

namun menurut saya hanya ada beberapa kasus di mana pengganti langsung manusia ini akan berhasil, dan kemudian kita akan mengalami ledakan siklus hype gartner.

beberapa pengusaha kreatif akan mengatakan bahwa kita tidak hanya menggunakan kecerdasan buatan sebagai pengganti manusia, namun kita menggunakannya untuk menciptakan model bisnis baru. kemudian kita akan melihat periode kebangkitan yang booming, itulah prediksi saya. prediksi saya yang mirip gartner, apakah saya gila?

dario amodei：

jadi menurut saya ini adalah campuran dari beberapa hal yang saya setujui dan beberapa hal yang mungkin tidak saya setujui. pertama-tama, saya pada dasarnya setuju bahwa jika anda membekukan kualitas model saat ini, semua yang anda katakan adalah benar. kami pada dasarnya mengamati hal serupa dalam bisnis. kami menyediakan model yang dapat anda ajak bicara, namun juga menjual model melalui api ke banyak pelanggan. orang-orang menghabiskan waktu lama untuk memikirkan cara terbaik menggunakan model.

ada banyak pertanyaan tentang keandalan model dan menurut saya hal ini menimbulkan kekhawatiran, seperti model yang memberikan jawaban benar 95% namun tidak 5%, bagaimana anda mendeteksi situasi ini dan bagaimana caranya? menangani penanganan kesalahan sangat penting. hal ini sangat berbeda dengan berguna secara teori dan berguna dalam praktik.

kami memiliki fitur sejak awal yang memungkinkan model menulis beberapa kode, lalu anda dapat menempelkan kode tersebut ke kompiler atau juru bahasa untuk membuat video game javascript, dan jika terjadi kesalahan, anda dapat kembali ke model dan memperbaikinya. kita juga melihat model-model besar mengkoordinasikan model-model kecil, yang sangat berbeda dengan gagasan bahwa model adalah manusia.

kami memiliki model yang lebih besar, lebih kuat, dan model yang lebih cepat, lebih murah, dan kurang cerdas, dan beberapa pelanggan menemukan bahwa model besar dapat mendistribusikan tugas ke sejumlah besar model kecil, yang kemudian melaporkan kembali ke model besar untuk menyelesaikan tugas seperti a kawanan.

kami juga mencari cara terbaik untuk menggunakan model, yang menjadi lebih cerdas dan lebih baik dalam memecahkan masalah ini. jadi pada akhirnya kembali pada apakah hukum penskalaan akan tetap berlaku. jika mereka melanjutkan, itu akan menjadi proses seperti yang anda gambarkan. jika mereka berhenti, inovasi akan berhenti dan proses yang anda gambarkan akan berakhir.

tidak seorang pun boleh percaya bahwa scaling law akan berlanjut selamanya, ini hanya pengamatan empiris dan dapat berhenti kapan saja. saya telah mengamatinya selama sepuluh tahun dan tebakan saya bahwa mereka tidak akan berhenti hanyalah proposisi 60-40 atau 70-30 berdasarkan lamanya saya mengamatinya.

erik torenberg:

apa yang akan mengubah pendapat anda? apa yang akan mengubah peluang anda di sana?

dario amodei：

menurut saya, pertama-tama, jika kita hanya melatih sebuah model dan kemudian mencoba model skala berikutnya, hasilnya akan sangat buruk. kami mencoba memperbaikinya beberapa kali dan tetap tidak berhasil dan saya berpikir, oh, saya rasa tren ini akan berhenti.

jika ada masalah dengan kehabisan data dan kami tidak dapat menghasilkan cukup data sintetis untuk melanjutkan proses ini, maka suatu saat saya akan berkata, hei, ini sebenarnya terlihat sulit, setidaknya tren ini akan berhenti, mungkin berhenti, tapi itu mungkin tidak berhenti. saya masih menduga hal-hal tersebut tidak akan terjadi, namun tahukah anda, ini adalah masalah yang sangat rumit.

05

ai dapat mempercepat penemuan biologi 100 kali lipat

mengompresi kemajuan zaman abad ini

nuh smith：

jika hambatan sumber daya ai lebih terletak pada daya komputasi dibandingkan energi, maka kita akan memiliki lebih banyak keunggulan komparatif dalam penggunaan ai. apakah anda pada dasarnya setuju dengan pandangan ini?

dario amodei：

ya, menurut saya itu masuk akal. maksudmu, menggunakan metafora yang agak konyol,jika ai seperti manusia cyber, dan proses pembuatan serta pembiakannya sangat mirip dengan manusia, maka kita berada dalam masalah.namun jika itu hanya sekelompok server di suatu tempat dengan input yang sangat berbeda, maka kami baik-baik saja.

saya belum memikirkan hal ini secara mendalam, tetapi sekilas tampaknya masuk akal. jika kita berada dalam situasi di mana ai mengubah dunia dan struktur ekonomi berubah, maka kita mungkin membicarakan sesuatu yang berbeda. namun jika aturan ekonomi yang normal masih berlaku, dan menurut saya aturan tersebut akan berlaku untuk sementara waktu, maka hal ini terdengar sangat masuk akal.

nuh smith：

namun pertanyaan saya yang lain adalah, perlukah kita mempertimbangkan dunia dengan kelimpahan yang ekstrem? ai sangat kuat sehingga memberi kita biologi dan manufaktur yang luar biasa, membuat segala sesuatu yang kita inginkan sepuluh kali, seratus kali lebih baik, dan seterusnya.

dario amodei：

saya rasa kita terlalu meremehkan potensi kecerdasan buatan dalam biologi. sepuluh tahun yang lalu, ketika saya berkecimpung di bidang ini, sikap yang diperoleh adalah kualitas data yang diperoleh dari biologi dipertanyakan, jumlah data yang dapat diperoleh terbatas, dan eksperimen sering kali terganggu. tentu saja, lebih banyak analisis data, data besar, dan kecerdasan buatan adalah hal yang baik, namun paling banter mereka akan berperan sebagai pendukung. mungkin dengan hadirnya alpha fold, hal itu berubah.

namun menurut pendapat saya, model ai dapat bertindak sebagai ahli biologi atau rekan ahli biologi. jika kita berpikir tentang biologi yang sangat maju, sepertinya ada banyak teknologi yang mendukung segalanya. misalnya, pengurutan genom, kemampuan membaca genom, adalah dasar biologi modern. teknologi crispr terbaru adalah kemampuan mengedit genom. jika kita dapat menggunakan ai dengan benar, hal ini dapat meningkatkan kecepatan kita dalam melakukan penemuan sebanyak 10 kali lipat, mungkin 100 kali lipat.

ambil contoh crispr, yang dirakit dari sistem kekebalan bakteri dan membutuhkan waktu 30 tahun untuk diciptakan. saya pikir jika kita dapat meningkatkan kecepatan penemuan ini, kita juga akan meningkatkan kecepatan penyembuhan penyakit.

pikiran saya adalah, bisakah kita menekan kemajuan di abad ke-21? bisakah kita membuat semua kemajuan biologis di abad ke-21 dengan menggunakan ai untuk mempercepatnya hingga 10 kali lipat?jika anda memikirkan semua kemajuan yang telah kita capai di bidang biologi pada abad ke-20 dan kemudian memampatkannya menjadi lima hingga sepuluh tahun, bagi saya, itu adalah sisi baiknya. saya pikir ini mungkin benar. kita dapat menyembuhkan penyakit yang telah menjangkiti kita selama ribuan tahun, yang tentu saja akan meningkatkan produktivitas secara signifikan, memperluas perekonomian, dan memperpanjang umur manusia.