Amikor a logika összecsap a valósággal – Shirky esszéje 2025-ben

Több mint húsz évvel ezelőtt Clay Shirky közzétett egy rövid, velős esszét, amelyben azt állította, hogy a W3C nagyralátó Semantic Web víziója alapvetően félreértette, hogyan működik a tudás. Az érvelése elegáns volt: a Semantic Web lényegében egy "szillogizmus-gép", a szillogizmusok pedig minden elméleti szépségük ellenére egyszerűen nem működnek az emberek által ténylegesen használt tudásábrázolás mellett.

Vegyük Ari totalitás klasszikus példáját:

• Az emberek halandók
• A görögök emberek
• Tehát a görögök halandók

Tiszta. Logikus. Devasztálóan gyakorlatlan a legtöbb valós helyzetben.

Shirky rámutatott, hogy ha tudod: "Clay Shirky a shirky.com megalkotója" és "A shirky.com megalkotója Brooklynban él", akkor könnyen dedukálhatod, hogy ő is Brooklynban lakik. De ha ezt kombinálod azzal, hogy "A Brooklynban élők brooklyni akcentussal beszélnek", máris azt a következtetést vonod le – helytelenül –, hogy Shirky a "shirky.com"-ot "shoiky.com"-nak ejti.

A probléma nem a logikában van. A probléma az, hogy a valóság nem rendeződik tiszta, univerzálisan igaz állításokká, amelyeket aztán csak össze kell kapcsolni.

Mi történt valójában

A Semantic Web, ahogyan eredetileg elképzelték, soha nem vált valósággá. Az RDF, az OWL és a többi szemantikus eszköz inkább akademikus érdekességgé és vállalati integrációs megoldássá vált, semmint univerzális gépi érvelési keretté – amivé Tim Berners-Lee álmodta. Azok a grandiózus jóslatok az "ubiquitus és végzetesen erős" gépi érvelésről elpárologtak.

De itt van az, ami Shirky esszéjét 2025-ben is relevánssá teszi: az általa azonosított alapvető feszültség soha nem tűnt el. Csak átköltözött egy másik területre.

A modern reneszánsz

Ma egy újabb gépi érvelési optimizmus hullámát éljük, ezúttal a nagy nyelvi modellek és neurális hálózatok hajtják – nem a szimbolikus logika. Az ígéretek ismerősek: MI-rendszerek, amelyek hatalmas mennyiségű adatot elemeznek, betekintéseket származtatnak, és olyan kapcsolatokat tárnak fel, amelyeket az emberi agy nem lát.

Néhány dolog megváltozott. A modern LLM-ek nem a formális szillogisztikus dedukcióra támaszkodnak. Statisztikai mintafelismeréssel dolgoznak hatalmas léptékben, lenyűgöző eredményeket produkálva, amelyek gyakran úgy érződnek, mintha "megértés" történne. Mégis Shirky által azonosított alapvető kihívás megmaradt: hogyan kezeled az olyan tudást, amely részleges, kontextusfüggő, vagy egyszerűen téves?

Amikor egy LLM magabiztosan állít valamit, ami hihetőnek hangzik, de nem igaz, nem logikai hibát követ el. A valóság zűrzavaros természetét tükrözi: az ember által generált szöveg ellentmondásokat, kulturális feltételezéseket, elavult információkat és tiszta kitalációt tartalmaz – mindezt összekeverve. A "tudás" nincs tisztán rendezve. Sosem volt az.

A tudásgráf köztes útja

Érdekes módon a Semantic Web vízió gyakorlati utódai egyáltalán nem szemantikusak – hanem probabilisztikusak. A Google Knowledge Graph, amely számos keresési funkciót működtet, nem formális állításokkal érvel. Hatalmas entitás- és kapcsolatadatbázist tart karban, de gépi tanulással, emberi kurálással és folyamatos frissítéssel épül és karbantartják. Pontosan azért hasznos, mert nem törekszik logikai tisztaságra.

Ez a megközelítés – pragmatikus, zűrzavaros, a valósággal folyamatosan validált – sokkal értékesebbnek bizonyult, mint amilyen a formálisan tiszta Semantic Web valaha is lehetett volna.

Amit Shirky eltalált

A központi felismerés áll: a deduktív érvelés, legyen az formális logikán vagy azt utánzó neurális hálókon keresztül implementálva, küzd a tudás ábrázolása és a tudás valódisága közötti réssel.

Doyle Sherlock Holmesa azt mondta nekünk, hogy a briliáns elme kiküszöböli a lehetetlent és eljut a elkerülhetetlen igazsághoz. De a legtöbb valós világú "tudás" nincs így rendezve. Részleges. Kontextusfüggő. Teli ki nem mondott feltételezésekkel, amelyek nem átvihetők domainek között.

Azok a MI-rendszerek, amelyek valóban átalakították az iparágakat – a recommendációs motoroktól a fordítási eszközökön át a kódkiegészítésig – nem azért értek el sikert, mert mesterei lettek a szillogisztikus érvelésnek. Azért, mert hasznos mintákat találtak a zűrzavaros adatokban, elfogadták a bizonytalanságot, és néha tévedtek anélkül, hogy "felrobbantak" volna.

A mai építőknek szóló lecke

Ha ma MI-vel építesz, Shirky esszéje ma is alapvető olvasmány – nem azért, mert megjósolta a jövőt, hanem azért, mert diagnosztizált egy alapvető kihívást, amely fennáll bármilyen aktuális technológia mellett.

A kérdés nem az, hogy a gépek tudnak-e érvelni. Tudnak, bizonyos módokon. A kérdés az, hogy a tudás, amivel dolgozol, olyan módon van-e rendezve, amely támogatja a típusú érvelést, amit végezni akarsz.

A legtöbb esetben nem. És ez nem egy javítandó hiba – ez a tudás működésének sajátossága.

A Semantic Web kudarca nem az ambíció kudarca volt. A tudás és a formális logika közötti alapvető különbség meg nem értésének kudarca volt. Azóta azok a eszközök sikeresek, amelyek elfogadták ezt a valóságot és vele dolgoztak – nem ellene.

Ez Shirky 2003-as esszéjének valódi öröksége: nem egy előrejelzés RDF-ről vagy OWL-ről, hanem egy emlékeztető, hogy az intelligencia – gépekben és emberekben – nem úgy működik, ahogy az intuícióink sugallják.