A klímaváltozás megértésétől a mesterséges intelligenciáig – és egy emberig, aki csendben összeköti őket.

A klímaváltozásról ma már szinte mindenki hallott. Grafikonok, modellek, kibocsátási pályák, 1,5 vagy 2 fokos forgatókönyvek – ezek a fogalmak egyre gyakrabban jelennek meg a hírekben és a szakmai diskurzusokban is. Mégis ritkán gondolunk bele abba, hogy ezek mögött valójában milyen tudás, milyen módszerek és milyen alapok húzódnak meg.

A modern klímamodellek nem egyszerű becslések. Ezek olyan komplex rendszerek, amelyek egyszerre próbálják leírni a légkör, az óceánok, a szárazföldi ökoszisztémák és az emberi tevékenység kölcsönhatásait. Az elmúlt években ebbe a világba egy új szereplő lépett be egyre erősebben: a mesterséges intelligencia. Nem azért, mert „divatos”, hanem mert a probléma komplexitása ezt megköveteli. Az adatmennyiség óriási, az összefüggések nem lineárisak, a klasszikus modellezési módszerek pedig sokszor túl lassúak vagy túl merevek.

De van egy pont, ahol érdemes megállni egy pillanatra.

Mert amikor mesterséges intelligenciáról beszélünk, hajlamosak vagyunk valami misztikus, nehezen megfogható dologként tekinteni rá. A valóság ezzel szemben jóval prózaibb – és egyben elegánsabb. A legtöbb modern AI-modell, különösen a neurális hálók, egy nagyon konkrét matematikai nyelvre épülnek: mátrixokra, vektorokra, transzformációkra. Más szóval arra, amit lineáris algebrának hívunk.

És itt érünk el egy érdekes, már-már váratlan ponthoz. Ha visszafejtjük ezt a láncot – klímaváltozás, modellezés, mesterséges intelligencia, matematika –, akkor a végén nem egy technológiai céghez vagy egy szuperszámítógéphez jutunk el, hanem egy tanteremhez. Egy krétával teli táblához. És egy emberhez, aki évtizedeken át ugyanazt tanította.

Gilbert Strang, az MIT professzora több mint hatvan éven keresztül tartotta a lineáris algebra kurzusát. Generációk jöttek és mentek, a technológia körülötte teljesen átalakult, de ő ugyanannál a táblánál állt, és ugyanazt a kérdést tette fel újra és újra: hogyan lehet ezt érthetően elmagyarázni?

A történet igazán jelentős része azonban nem az, hogy mennyi ideig tanított, hanem az, hogy hogyan. Amikor az MIT elindította az OpenCourseWare programot, sok oktató aggódott. Ha minden előadás felkerül az internetre, nem veszít-e az egyetem az értékéből? Nem lesz-e kevesebb a hallgató? Strang nem így gondolkodott. Számára a tanítás célja nem a falak között maradt, hanem az volt, hogy minél több emberhez eljusson. Felvette az előadásait, és szabadon elérhetővé tette őket.

Ez a döntés nem egyik napról a másikra, hanem lassan, szinte észrevétlenül változtatta meg a világot. Diákok milliói kezdtek el lineáris algebrát tanulni az ő előadásai alapján – Indiában, Brazíliában, Nigériában, Európában, bárhol, ahol volt internetkapcsolat. Sokan közülük soha nem jártak egyetemen, vagy ha igen, nem az MIT-n. Mégis ugyanazt az alapot kapták.

Strang módszere egyszerű volt, de nem magától értetődő. Nem az absztrakcióval kezdett, hanem a konkréttal. Nem definíciókkal, hanem példákkal. Nem bizonyításokkal, hanem intuícióval. Egy 3×3-as mátrix többet ért számára, mint egy általános tétel, ha az segített megérteni, mi történik valójában. Az absztrakció csak ezután következett – megerősítésként, nem kiindulópontként.

Ez a szemlélet ma már természetesnek tűnhet, de hosszú ideig nem volt az. És valahol itt kapcsolódik össze újra a történet eleje és vége. Azok az emberek, akik ma mesterséges intelligenciát építenek, klímamodelleket fejlesztenek, adatokat elemeznek vagy rendszereket optimalizálnak, gyakran ugyanebből az alapból dolgoznak. Ugyanazokat a fogalmakat használják, ugyanazokat a műveleteket végzik – csak nagyobb léptékben.

Amikor tehát egy AI-modell segít előre jelezni a hőmérséklet alakulását, vagy optimalizálni egy energiahálózat működését, akkor a háttérben valójában ugyanaz történik, mint egy egyetemi táblán: mátrixok szorzódnak, vektorok transzformálódnak, rendszerek állnak össze.

Strang 2023-ban tartotta az utolsó előadását. Nem volt benne semmi különös gesztus, semmilyen nagy lezárás. Egyszerűen tanított még egy órát, majd elköszönt. Az online videók azonban továbbra is elérhetők, és valószínűleg még sokáig azok is maradnak.

Talán ez a történet legfontosabb tanulsága. A klímaváltozás megértése, a mesterséges intelligencia fejlődése és a globális tudásmegosztás nem különálló jelenségek. Ugyanannak a láncnak a részei. És ebben a láncban néha a legnagyobb hatás nem egy új technológiából vagy egy áttörő felfedezésből származik, hanem abból, hogy valaki képes az alapokat világosan, érthetően és következetesen átadni.

A jövő nagy kérdéseire adott válaszok gyakran egészen egyszerű helyeken kezdődnek. Egy tanteremben. Egy gondolatmenetben. Vagy egy olyan előadásban, amelyet valaki egyszer feltöltött az internetre – anélkül, hogy tudta volna, hány millió ember életére lesz hatással.

Rampasek László A.