Z tej strony Szymon. Miło mi Cię poznać.
Jestem inżynierem oprogramowania z ponad 10-letnim doświadczeniem. Pracowałem m.in. w Atlassianie, w GiGroup, realizuję własne projekty. Ukończyłem Data Science na Politechnice Gdańskiej oraz Prawo na Uniwersytecie Gdańskim.
Mieszkam i mam rodzinę pomiędzy Kaszubami a Żuławami.
Rozgość się:
AI (4) filozofia (5) forecasting (5) gdańsk (1) historia (4) hiszpania (3) języki obce (2) książki (6) prawo (1) produktywność (6)
W projekcie Become Forecaster zacząłem dłubać autonomiczne predykcje – po ostatniej próbie działają znacznie lepiej.
Zamiast wyposażać 5 botów w szukanie każdego dnia od zera, każdy dostaje ten sam materiał źródłowy aktualizowany codziennie. Przez to, predykcje zaczynają wyglądać podobnie.
(więcej…)Mój organizacyjno-procesowy sceptycyzm z poprzedniego wpisu wziął się z rozmowy na temat czysto praktyczny, na temat samoorganizacji pracy. To jest popularny temat w świecie IT. Traktujemy appki trochę jak warsztat z narzędziami. To całkiem zrozumiałe.
Luhmann, autor pierwszego Zettelkasten, stworzył system, który w szczytowym momencie zawierał 90 000 000 karteczek. On stworzył coś takiego jak dziś oferuje Obsidian, tylko, że fizyczne.
Notatki miały 16 000 połączeń. Jakość hyperlinków była rzekomo ważniejsza niż ilość.
First Zettelkasten (1952–1962): Contained about 24,000 main notes and 1,800 bibliographic references across 7 drawers.
Second Zettelkasten (1963–1998): Expanded significantly to about 66,000 main notes and 16,000 bibliographic entries
Imponujące.
Jeśli pierwszy skarbiec zawierał 24 000 notatek po 10 latach, oznacza to średnio 2400 notatek rocznie, czyli 6 dziennie. To praca o bardzo dużej intensywności, zwłaszcza, że każda notatka musiała być sformatowana ręcznie, a nie skopiowana. Ręczne przepisywanie zachęca do reinterpretacji i podsumowań.
Napisał przy tym około 50 książek, setki esejów i jeszcze setki materiałów nigdy nieopublikowanych, mówi internet.
Mamy zatem throughput (2500 krótkich, acz nietrywialnych notatek rocznie), output (uśrednijmy do 0.8 książki i kilku esejów rocznie), input pozostawiam twojemu domysłowi – to jest istotne zaangażowanie czytelnicze. Matematyka serwetkowa.: jeśli wkład to 2500 notatek, każda na 500 znaków, wkład to 1 250 000 znaków, czyli 600 stron maszynopisu. To pokazuje, że uzysk końcowy oscyluje ilościowo wokół wkładu do bazy notatek.
Nie zacząłem nawet mówić o tym, że dla Luhmanna to wszystko było nieistotne – on skupiał się na komunikacji z systemem, tj tym, co może z niego wyciągnąć, a nie niekończącą się pracą nad strukturą. Struktura była względnie stała, linkowanie proste. Minimum szumu. Wspomnę o tym, że pisał też, że wartość takiego systemu zaczyna powstawać po kilku latach.
Pomyśl o tym co mniej mierzalne – sieci relacji z innymi uczonymi potrzebnych do takiego rozmachu, dostępie do literatury fachowej i tak dalej. Taki Zettelkasten nie istniał w próżni, raczej na tle bibliotek publicznych i prywatnej. Pokazuję Ci dynamikę pierwotnego Zettelkasten i warunki pracy twórczej na pewnym poziomie.
Wróćmy dwa akapity wyżej i stwórzmy sobie bardzo prosty, konserwatywny mechanizm oceny:
To istnieje szansa, że nie mamy jeszcze o czym rozmawiać. Za wcześnie, by pojawiły się te słynne cechy emergentne. System stanowi zbiór notatek, mniej lub bardziej użytecznych.
Przekraczając te bardzo łagodne progi, zaczynamy myśleć o systemie jako o drugim mózgu. Wtedy miara to jest:
Przez przypadek udało mi się wypełnić popularny internetowy challenge. Moim celem był powrót do czytania jako takiego, ale jako efekt uboczny udało mi się dobić do więcej niż 1 książki w tygodniu na przestrzeni roku niekalendarzowego.
Od października 2025 do lipca 2026 zeszło mi 52 książki, co daje nam 10 miesięcy i 5 książek miesięcznie. Jest to policzone całkiem fair. Kilka książek porzuciłem. Łącznie przeczytałem niecałe 16 000 stron (w zakończonych książkach), co daje nam 300 stron na książkę. To znaczy, co pokrywa się z moją intuicją, że moje książki są raczej krótkie. Został mi sierpień i wrzesień, gdzie powinienem dobić parę książek więcej.
(więcej…)Myślenie o tym, w jaki sposób myślą inteligentni ludzie to duża pułapka. Głównie dlatego, że kradnie czas na samo myślenie w inteligentny sposób. Pułapka polega na tym, że to wciąga, że staje się celem samym w sobie i przestajemy skupiać się na początkowym problemie do rozwiązania.
Problem jest głębszy niż kult self-help.
Zwróćcie na początek uwagę na podwójny standard miary dla oceny inteligencji. Gdy obserwujemy kogoś inteligentnego, oceniamy go za wyniki. Gdy próbujemy odtworzyć to w sobie, oceniamy proces. To samo zresztą widać w literaturze. Benjamin Labatut opisuje von Neumanna tak, jakbyśmy nigdy nie byli w stanie przejrzeć jego supermocy, ale za to ciągle obcujemy z geniuszem owoców jego pracy. Labatut nigdy nie daje nam wglądu wewnątrz jego procesu, wodząc nas za nos.
To rozróżnienie w wartościowaniu wyraża się w popularnych praktykach self-help. W wiecznym planowaniu (Notion, Moleskine), tezauryzacji wiedzy bez działania (Zettelkasten, Obsidian), metapracy różnego rodzaju, najczęściej z nalepką ™. Uczenie się bez rozumienia, planowanie bez osiągania i tak dalej. Strach przed brutalnością szczerej oceny własnej niemocy każe nam skupić się na czymś co kontrolujemy i przez to dryfować w nieskończoność organizując organizowanie.
Przykładem praktycznego podejścia do działania bardziej inteligentnie jest projektowanie systemów w taki sposób, by były tymczasowe. Po osiągnięciu celu, system powinien wygasać; może zmartwychwstać jako metoda, ale służąc czemuś nowemu. Mogę mieć projekt w Notion, ale on z natury ma się skończyć i może zostać zastąpiony nowym, z tej samej templatki. Używam Notion dalej, ale z nowym celem, nowym projektem. Jeżeli system nigdy nie wygasa, to znaczy, że służy sam sobie.
Istnieje zatem bardzo prosta metoda, by móc porównać się z von Neumannem i innymi wielkimi, jednocześnie nie popadając w depresję. Wystarczy spojrzeć na listę rzeczy, które po mnie nie zostały. Nawet najmniejszy zdobyty przyczółek jest wart więcej niż najbardziej wyrafinowany wieczny proces.
W projekcie Become Forecaster autonomiczne predykcje nie działają tak, jak sobie tego życzyłem.
Przypomnijmy założenia. Każdy z agentów wyposażony był w system prompt i możliwość szukania w internecie (web_search tool), codziennie szacując prawdopodobieństwo dla kilku zdarzeń (CRON).
Zauważyłem niestety, że mimo wczorajszego odpadnięcia Francji z Mundialu, boty nadal dają jej ~20% szans na zwycięstwo. To ewidentny błąd, bo jej szanse to już maksymalnie 1%. To wskazuje na niedoskonały system pozyskiwania danych; zbyt dużo wiary w jeden prosty mechanizm wbudowany w dostawcę silnika LLM.
Po pierwsze, eksperyment ten był obarczony wieloma błędami metodologicznymi; najważniejszy z nich dotyczy właśnie wyszukiwania. Jeśli każdy z agentów ma swój własny prompt i wnioskuje na podstawie własnych wyszukiwań, to mamy co najmniej 2 zmienne wpływające na wynik. Wyizolujmy jedną, system prompt i niech boty wnioskują na podstawie tych samych informacji.
Po drugie, filozoficznie rzecz biorąc, powyższy eksperyment nie wnosi zbyt wiele wartości rynkowej. Może nam pomóc ustalić najdoskonalszy prompt. Takie podejście jest osadzone w myśleniu z 2010 roku. Chcąc rzeczywiście przewidzieć jakieś zdarzenie, lepiej byłoby zorganizować boty w sieć lub system, który w ramach określonych granic (budżet, narzędzia) będzie nieustannie parł do aktualizacji własnych przekonań. Co więcej, takie podejście mogłoby zawęzić się do specjalizacji domenowej (finanse, sport) i budować rzeczywistą wartość. Kupować akcje, obstawiać wyniki, lub coś z drugiego rzędu: dostarczać dane firmom maklerskim lub bukmacherskim.
Na początek przetestujmy przez około dwa tygodnie same prompty na podstawie (wciąż niedoskonałej) wspólnej bazy wiedzy. Boty nadal nie będą miały pamięci. Następnie będę mógł policzyć wyniki – czy boty radzą sobie lepiej same, czy zagregowane, jakie informacje dają im wiedzę, a jakie nie.
Są takie książki, które nazwałbym „drugimi książkami”. Kiedy przeczytaliśmy już pierwszą książkę, albo mamy pobieżne zrozumienie tematu i chcemy iść krok dalej. Zbiegiem okoliczności na takie trafiłem w te wakacje.
(więcej…)Dla millenialsów jedno z absolutnie kluczowych pytań egzystencjalnych – czy mogę nauczyć się języka obcego z appką? Robiłem kilka eksperymentów w tej dziedzinie i odpowiedzią jest oczywiście: raczej nie. Istnieje wiele efektywniejszych metod. Natomiast można zrobić kilka innych rzeczy, które potem wbudowałem w Español con Lama.
Na przykład opanować koniugację. W językach romańskich bogata koniugacja i łączenie czasów to jeden z głównych tematów nauki na poziomie B1. Jeśli typowy podręcznik zawiera setki ćwiczeń, to z łatwością można je przerobić w kilkanaście dni. 20 ćwiczeń, razy 14 dni, 280 ćwiczeń. Możliwe, ale wystarczy być nieco cierpliwszym. Ćwicząc co kilka dni koniugację na SpanishDict, spisywałem długość sesji (ile zdań przerobiłem) przez ponad dwa lata. Typowe ćwiczenie to wpisanie poprawnego czasownika w poprawnej dla czasu formie.
Efektem tej pracy jest znajomość hiszpańskiego wynikowy plik JSON z listą moich ćwiczeń, wyeksportowany z Beemindera; Beeminder to taka appka, która śledzi twoje mierzalne zobowiązania.
Claude pozwala mi teraz dość szybko wyciągnąć wnioski, podobne do tych, które dawał mi z mozołem budowany projekt BUI:
Mikrolearning może działać. Co miesiąc robiłem stosunkowo niedużo ćwiczeń, ale kumulatywny efekt to tysiące powtórzeń. Znacznie więcej niż dają trzy podręczniki do hiszpańskiego.
Inaczej niż większość świata, ćwiczę w weekendy. Ruch SEO na Español con LaMa twierdzi, że ludzie uczą się koniugacji w ciągu tygodnia.
A tu moje nawyki godzinowe:
Uczę się w ciągu czasu wolnego, lub podczas śniadania, przed pracą.
Początkowy entuzjastyczny spike (czerwiec 2022) nie powinien zaciemniać perspektywy. Im wiem więcej, tym łatwiej mi się uczyć – tym szybciej mogę zrezygnować z narzędzia.
Umieramy dwa razy – raz fizycznie, a drugi raz, gdy ktoś wypowie nasze imię po raz ostatni. Dowiedziałem się, że istnieje 400 000 imion, to jest pojedynczych osób, które znamy ze starożytnej Grecji. To więcej, niż się spodziewałem:
The Lexicon of Greek Personal Names (LGPN) traces every bearer of every name, drawing on a huge variety of evidence, from personal tombstones, dedications, works of art, to civic decrees, treaties, citizen-lists, artefacts, graffiti etc.: in other words, from all Greek literary sources, documentary sources (inscriptions and papyri), coins, and artefacts. Because it records not just every name but every bearer of each name, it can be seen as the closest equivalent to a telephone directory of all parts of the ancient world where Greek was the main language of written record, and covering every region where Greek came to be spoken or written from Marseilles to India, from the late 8th c BCE to about 600 CE. The result: almost 400,000 ancient Greeks listed regionally in eight volumes, which cover the whole Greek world from Italy and Sicily to Anatolia; a ninth volume on Syria, Arabia and regions further East will soon be in press, and two more on Egypt are planned (one already in preparation) to complete the series.
Niecałe pół miliona osób z dziesiątków milionów, które żyły na przestrzeni wieków. Ta liczba raczej nie podwoi się, o ile nie czekają nas spektakularne odkrycia archeologiczne. Potrafimy ich nazwać, choć nie wiemy o nich wiele, czasem tylko to, że żyli i mogą zostawić ślad w statystyce jako nosiciele danego imienia, albo mieszkańcy danego regionu. Nie przetrwał ani ich głos, żadne osiągnięcie, dzieci, absolutnie nic. Niektórzy mieli szczęście być zapamiętani zupełnie przypadkiem, gdy dużo potężniejsi luminarze zaginęli na zawsze.
Pierwszym znanym imieniem w ogóle był Kushim z Sumeru, księgowy lub handlarz, którego znamy tylko z dokumentów handlowych. To daje Kushimowi i kilku rówieśnikom 5200 lat pamięci. Imponujące!
Umieramy po raz drugi po kilkudziesięciu, może stu latach od śmierci fizycznej. W naszym przypadku może być to nieco opóźnione przez epokę cyfrową, ale i tu może zabraknąć chęci lub możliwości do odczytania nośnika. Nie tylko my jako jednostki umieramy po raz drugi i ostatni, ale całe narody, ludy; czasem nawet nie potrafimy nazwać nawet tych narodów.
W konsekwencji, kiedyś zostanie zapomniany na zawsze ostatni Polak (Kopernik? Mieszko? Czy jakiś przypadkowy nagrobek?), a potem ostatni człowiek jako taki. Może to być Budda, a może Jezus, a może ktoś, kto jeszcze się nie narodził. Przerażająca wizja istnienia tego człowieka już dziś lub w przeszłości oznaczałaby, że dotarliśmy już do szczytu naszej zapamiętywalności. Nic ciekawszego, bardziej sensownego nie wydarzy się już nigdy.
Damian Murawski, współautor Genbazy odpowiedział na mój wpis na LinkedIn. Miał on dokładnie taki sam przekaz co i poprzedni post na blogu. Oto feedback:
Great point, and I’m glad you noticed GenBaza, because this case sounds simple only until you open the scans. Just keeping the archive alive costs around 70,000 PLN per year. Also, we probably have only around 20% of Polish church and civil records digitized. People have tried OCR here many times. These are not clean PDFs in Arial. It is handwriting, damaged pages, old Polish, Russian, Latin, German, abbreviations, ink and clerks who clearly did not care about future datasets. Even experienced genealogists read the same record differently. So no, AI will not “solve Polish genealogy” for 100k. I wish it would. I would press the button and finally sleep. But AI can be a huge help for indexers: suggesting names, dates, places, record types and uncertainty. To really solve it, add at least one zero to $100k. The hard part is not processing images. The hard part is knowing when the machine is confidently wrong. And yes, this is exactly where AI should go. I think 🙂
Sama prawda – koszt tokenów na pojedynczy idealny run to nie wszystko. Dajmy tych iteracji 10, a i tak to nie wszystko, bo dochodzi koszt operacyjny.
Mi spać nie daje druga myśl z poprzedniego wpisu – jakie tworzymy warunki do zamiany kapitału pieniężnego na kapitał symboliczny? Jak byśmy je opisali?
Idźmy dalej estymacjami Fermiego: dokładając tylko jedno zero otrzymujemy 3 500 000 zł. Ta kwota to dwa duże urządzone domy pod Gdańskiem (nie jedna kawalerka w Gdańsku). 3 500 000 zł to hojny grant NCBR sprzed paru lat albo kilka miesięcy wynagrodzeń piłkarzy Widzewa Łódź. Za kapitał symboliczny nie trzeba tak słono przepłacać1. Kultura to nie gra o sumie zerowej.
Pan Damian w istocie dźwiga na swoich ramionach olbrzymi projekt – wielki szacunek za to!
Przy lekturze książki Superforecasting zauważyem, że zespoły dobrych forecasterów radzą sobie lepiej niż każdy z nich z osobna. Czy to tworząc zespół czy agregując wyniki dobrych forecasterów, dostajemy wyniki lepsze niż przeciętne.
Ma to intuicyjnie sens – lepszy agent i więcej informacji, zagregowane. Czy zatem zestaw wybitnych forecasterów jest w stanie przebić Polymarket? Czy zestaw wybitnych, ale sztucznych forecasterów jest w stanie przebić Polymarket?
Zacznijmy od prostego eksperymentu z codzienną predykcją. One-shot, kilku agentów stworzonych przeze mnie i kilka zdarzeń wytypowanych przez moich znajomych: https://www.becomeforecaster.com/llm-events
Każdy agent ma swój prompt, swój model i dostęp do wyszukiwarki internetowej. Codziennie aktualizuje swoje przekonania.
To badanie ma wielkie znaczenie; jeśli agenci są w stanie pobić Polymarket teraz, to znaczy, że rozszerzając im dostęp do danych i tworząc rywalizujące, organicznie rosnące zespoły, będziemy w stanie wykręcić niemal doskonałe predykcje.
Jeśli eksperyment będzie obiecujący, to kolejny etap to rywalizacja zespołów forecasterskich, rankingi, i tak dalej. Niech się biją.
Istnieją pewne ryzyka. Już w pierwszym dniu agenci opierają swoją ocenę o dość powierzchowny research. Mogą zatem tępo kopiować przewidywania z Polymarketu.
To i tak lepsze niż czytanie newsów!