Θέλετε να δημιουργήσετε μια εικόνα του velociraptors που εργάζονται σε έναν ουρανοξύστη, στο στυλ του "Lunch Atop A Skyscraper" του 1932? Χρησιμοποιήστε το DALL-E. Θέλετε να δημιουργήσετε ένα φανταστικό standup comedy show από τους Peter Thiel, Elon Musk και Larry Page? Χρησιμοποιήστε το GPT-3. Θέλετε να κατανοήσετε σε βάθος την έρευνα για τον COVID-19 και να απαντήσετε στις ερωτήσεις σας με βάση στοιχεία; Μάθετε πώς να κάνετε μια Boolean αναζήτηση, να διαβάσετε επιστημονικές εργασίες και ίσως να αποκτήσετε διδακτορικό, επειδή δεν υπάρχουν μοντέλα παραγωγής τεχνητής νοημοσύνης που να έχουν εκπαιδευτεί στο τεράστιο σύνολο των δημοσιεύσεων επιστημονικής έρευνας. Εάν υπήρχαν, η λήψη απαντήσεων με τεκμηρίωση, σε απλή γλώσσα σε επιστημονικά ερωτήματα θα ήταν ένα από τα πιο απλά οφέλη. Η γενετική τεχνητή νοημοσύνη για την επιστήμη θα μπορούσε να βοηθήσει στην αναστροφή του επιβράδυνση της καινοτομίας στην επιστήμη by καταφέρνοντάς το ευκολότερη και φτηνότερος να βρει νέες ιδέες. Τέτοια μοντέλα θα μπορούσαν επίσης να παρέχουν προειδοποιήσεις με βάση δεδομένα για θεραπευτικές υποθέσεις που είναι βέβαιο ότι θα αποτύχουν, αντισταθμίζοντας την ανθρώπινη προκατάληψη και αποφεύγοντας τα δισεκατομμύρια δολάρια, τυφλά σοκάκια δεκαετιών. Τέλος, τέτοια μοντέλα θα μπορούσαν να πολεμήσουν την κρίση αναπαραγωγιμότητας με τη χαρτογράφηση, τη στάθμιση και τη διαμόρφωση των αποτελεσμάτων της έρευνας, παρέχοντας βαθμολογία για την αξιοπιστία.

Γιατί λοιπόν δεν έχουμε ένα DALL-E ή GPT-3 για την επιστήμη; Ο λόγος είναι ότι αν και η επιστημονική έρευνα είναι η είναι το πιο πολύτιμο περιεχόμενο στον κόσμο, είναι επίσης το λιγότερο προσβάσιμο και κατανοητό περιεχόμενο στον κόσμο. Θα εξηγήσω τι θα χρειαζόταν για να ξεκλειδωθούν επιστημονικά δεδομένα σε κλίμακα για να καταστεί δυνατή η δημιουργία τεχνητής νοημοσύνης για την επιστήμη και πώς θα μεταμορφώσει τον τρόπο με τον οποίο ασχολούμαστε με την έρευνα. 

Τι κάνει τα δεδομένα της επιστημονικής έρευνας προκλητικά

Οι ερευνητικές δημοσιεύσεις είναι μερικά από τα πιο σημαντικά αποθετήρια περιεχομένου και πληροφοριών στον κόσμο που δημιουργήθηκαν ποτέ. Συνδέουν ιδέες και ευρήματα μεταξύ τους σε βάθος χρόνου και κλάδους και διατηρούνται για πάντα από ένα δίκτυο βιβλιοθηκών. Υποστηρίζονται από στοιχεία, αναλύσεις, εμπειρογνωμοσύνη και στατιστικές σχέσεις. Είναι εξαιρετικά πολύτιμα, ωστόσο είναι σε μεγάλο βαθμό κρυμμένα από τον Ιστό και χρησιμοποιούνται πολύ αναποτελεσματικά. Ο ιστός είναι γεμάτος με χαριτωμένα, χαριτωμένα βίντεο με γάτες, αλλά σε μεγάλο βαθμό στερείται έρευνας για τον καρκίνο αιχμής. Ως παράδειγμα, το Ιστοσελίδα της επιστήμης είναι ένας από τους πιο ολοκληρωμένους δείκτες επιστημονικής γνώσης. Υπάρχει εδώ και δεκαετίες, αλλά μάλλον είναι κάτι που οι περισσότεροι αναγνώστες δεν έχουν καν ακούσει ποτέ, πόσο μάλλον να έχουν αλληλεπιδράσει. Οι περισσότεροι από εμάς δεν έχουμε πρόσβαση σε ερευνητικές εργασίες, και ακόμη και όταν έχουμε, είναι πυκνές, δυσνόητες και συσκευασμένες ως PDF — μια μορφή σχεδιασμένη για εκτύπωση, όχι για τον Ιστό.

Επειδή οι επιστημονικές εργασίες δεν είναι εύκολα προσβάσιμες, δεν μπορούμε να χρησιμοποιήσουμε εύκολα τα δεδομένα για να εκπαιδεύσουμε παραγωγικά μοντέλα όπως το GPT-3 ή το DALL-E. Μπορείτε να φανταστείτε αν ένας ερευνητής μπορούσε να προτείνει ένα πείραμα και ένα μοντέλο τεχνητής νοημοσύνης θα μπορούσε να τους πει αμέσως αν είχε γίνει στο παρελθόν (και καλύτερα, να του δώσει το αποτέλεσμα); Στη συνέχεια, μόλις έχουν δεδομένα από ένα νέο πείραμα, το AI θα μπορούσε να προτείνει ένα πείραμα παρακολούθησης με βάση το αποτέλεσμα. Τέλος, φανταστείτε τον χρόνο που θα μπορούσε να εξοικονομηθεί εάν ο ερευνητής μπορούσε να ανεβάσει τα αποτελέσματά του και το μοντέλο τεχνητής νοημοσύνης μπορούσε να γράψει το προκύπτον χειρόγραφο για τους. Το πιο κοντινό που έχουμε φτάσει ποτέ σε ένα DALL-E της επιστήμης είναι το Google Scholar, αλλά δεν είναι μια βιώσιμη ή επεκτάσιμη λύση. Η IBM Watson θέλησε επίσης να επιτύχει πολλά από αυτά που περιγράφω εδώ, αλλά το μεγαλύτερο μέρος της δουλειάς προηγήθηκε των πρόσφατων εξελίξεων στα μεγάλα γλωσσικά μοντέλα και δεν χρησιμοποίησε κατάλληλα ή επαρκή δεδομένα για να ταιριάζει με τη διαφημιστική εκστρατεία μάρκετινγκ.

Για το είδος του ξεκλειδώματος αξίας που περιγράφω, χρειαζόμαστε μακροπρόθεσμες επενδύσεις, δέσμευση και όραμα. Όπως προτείνεται πρόσφατα in Μελλοντικός, πρέπει να αντιμετωπίζουμε τις επιστημονικές δημοσιεύσεις ως υποστρώματα που πρέπει να συνδυαστούν και να αναλυθούν σε κλίμακα. Μόλις καταργήσουμε τα εμπόδια, θα είμαστε σε θέση να χρησιμοποιήσουμε την επιστήμη για να τροφοδοτήσουμε μοντέλα τεχνητής νοημοσύνης που διψούν για δεδομένα. Αυτά τα μοντέλα έχουν τεράστιες δυνατότητες να επιταχύνουν την επιστήμη και να αυξήσουν τον επιστημονικό αλφαβητισμό, όπως μέσω της εκπαίδευσης τους για τη δημιουργία νέων επιστημονικών ιδεών, βοηθώντας τους επιστήμονες να διαχειριστούν και να περιηγηθούν στην τεράστια επιστημονική βιβλιογραφία, να βοηθήσουν στον εντοπισμό λανθασμένων ή ακόμα και παραποιημένων ερευνών και να συνθέσουν και να μεταφράσουν σύνθετα ερευνητικά ευρήματα σε συνηθισμένη ανθρώπινη ομιλία.

Πώς παίρνουμε ένα DALL-E ή GPT-3 για την επιστήμη;

Αν ασχολείστε με την τεχνολογία, δείχνετε σε έναν φίλο αποτελέσματα από μοντέλα τεχνητής νοημοσύνης όπως DALL-E or GPT-3 είναι σαν να τους δείχνεις μαγεία. Αυτά τα εργαλεία αντιπροσωπεύουν την επόμενη γενιά του Ιστού. Προέρχονται από τη σύνθεση τεράστιων ποσοτήτων πληροφοριών, πέρα ​​από μια απλή σύνδεση, για τη δημιουργία εργαλείων με παραγωγική ικανότητα. Πώς μπορούμε λοιπόν να δημιουργήσουμε μια παρόμοια μαγική εμπειρία στην επιστήμη, όπου ο καθένας μπορεί να κάνει μια ερώτηση της επιστημονικής βιβλιογραφίας σε απλή γλώσσα και να λάβει μια κατανοητή απάντηση που να υποστηρίζεται από στοιχεία; Πώς μπορούμε να βοηθήσουμε τους ερευνητές να δημιουργήσουν, να αναπτύξουν, να βελτιώσουν και να δοκιμάσουν τις υποθέσεις τους; Πώς μπορούμε δυνητικά να αποφύγουμε τη σπατάλη δισεκατομμυρίων δολαρίων αποτυχημένες υποθέσεις στην έρευνα για το Αλτσχάιμερ και λανθασμένες συνδέσεις μεταξύ γενετικής και κατάθλιψης? 

Οι λύσεις σε αυτά τα ερωτήματα μπορεί να ακούγονται σαν επιστημονική φαντασία, αλλά υπάρχει απόδειξη ότι μπορούμε να κάνουμε εκπληκτικά και αδιανόητα πράγματα όταν η επιστημονική εργασία χρησιμοποιείται για κάτι περισσότερο από το άθροισμα των μερών της. Πράγματι, χρησιμοποιώντας σχεδόν 200,000 δομές πρωτεΐνης στο Τράπεζα Δεδομένων Πρωτεϊνών έχει δώσει AlphaFold η ικανότητα για την ακριβή πρόβλεψη των πρωτεϊνικών δομών, κάτι για το οποίο μόλις έγινε κάθε πρωτεΐνη που έχει τεκμηριωθεί ποτέ (πάνω από 200 εκατομμύρια!). Η αξιοποίηση ερευνητικών εργασιών με τρόπο παρόμοιο με τις δομές πρωτεΐνης θα ήταν ένα φυσικό επόμενο βήμα. 

Αποσυνθέστε τα χαρτιά στα ελάχιστα συστατικά τους

Οι ερευνητικές εργασίες είναι γεμάτες πολύτιμες πληροφορίες, συμπεριλαμβανομένων σχημάτων, διαγραμμάτων, στατιστικών σχέσεων και παραπομπών σε άλλες εργασίες. Η διάσπασή τους σε διάφορα στοιχεία και η χρήση τους σε κλίμακα θα μπορούσε να μας βοηθήσει να εκπαιδεύσουμε μηχανές για διαφορετικούς τύπους εργασιών, προτροπών ή ερωτημάτων που σχετίζονται με την επιστήμη. Απλές ερωτήσεις μπορούν να απαντηθούν με εκπαίδευση σε έναν τύπο συστατικού, αλλά πιο σύνθετες ερωτήσεις ή προτροπές θα απαιτούσαν την ενσωμάτωση πολλών τύπων συστατικών και την κατανόηση της σχέσης τους μεταξύ τους.  

Μερικά παραδείγματα σύνθετων πιθανών προτροπών είναι:

«Πες μου γιατί αυτή η υπόθεση είναι λάθος»
"Πες μου γιατί η ιδέα θεραπείας μου δεν θα λειτουργήσει"
«Δημιουργήστε μια νέα ιδέα θεραπείας»
«Τι στοιχεία υπάρχουν για να υποστηρίξουν την κοινωνική πολιτική Χ;»
«Ποιος έχει δημοσιεύσει την πιο αξιόπιστη έρευνα σε αυτόν τον τομέα;»
«Γράψε μου μια επιστημονική εργασία με βάση τα δεδομένα μου»

Ορισμένες ομάδες προχωρούν σε αυτό το όραμα. Για παράδειγμα, Εκμαιεύω εφαρμόζει το GPT-3 σε εκατομμύρια τίτλους και περιλήψεις εγγράφων για να βοηθήσει στην απάντηση των ερωτήσεων των ερευνητών — κάπως σαν την Alexa, αλλά για την επιστήμη. σύστημα εξάγει στατιστικές σχέσεις μεταξύ οντοτήτων που δείχνει πώς συνδέονται διαφορετικές έννοιες και οντότητες. Αλφαβητάρι δεν εστιάζει σε ερευνητικές εργασίες καθεαυτές, αλλά λειτουργεί με το arXiv και παρέχει έναν πίνακα ελέγχου πληροφοριών που χρησιμοποιούνται από εταιρείες και κυβερνήσεις για τη σύνθεση και την κατανόηση μεγάλων ποσοτήτων δεδομένων από πολλές πηγές. 

Πρόσβαση σε όλα τα στοιχεία

Δυστυχώς, αυτές οι ομάδες βασίζονται κυρίως σε τίτλους και περιλήψεις μόνο, όχι στα πλήρη κείμενα, καθώς περίπου πέντε στα έξι άρθρα δεν είναι ελεύθερα ή εύκολα προσβάσιμα. Για τις ομάδες όπως το Web of Science και η Google που διαθέτουν τα δεδομένα ή τα έγγραφα, οι άδειες και το εύρος χρήσης τους είναι περιορισμένο ή απροσδιόριστο. Στην περίπτωση της Google, δεν είναι σαφές γιατί δεν έχουν ανακοινωθεί δημόσια προσπάθειες για την εκπαίδευση μοντέλων τεχνητής νοημοσύνης στην επιστημονική έρευνα πλήρους κειμένου στο Google Scholar. Παραδόξως, αυτό δεν άλλαξε καν εν μέσω της πανδημίας COVID-19, που έφερε τον κόσμο σε αδιέξοδο. Η ομάδα τεχνητής νοημοσύνης της Google εντάθηκε, δημιουργώντας ένα πρωτότυπο τρόπο για να ρωτήσει το κοινό σχετικά με τον COVID-19. Αλλά — και εδώ είναι το βασικό — το έκαναν χρησιμοποιώντας μόνο έγγραφα ανοιχτής πρόσβασης από το PubMed και όχι από το Google Scholar. 

Το ζήτημα της πρόσβασης σε έγγραφα και της χρήσης τους για κάτι περισσότερο από την απλή ανάγνωση τους μία κάθε φορά είναι κάτι που οι ομάδες έχουν υποστηρίξει εδώ και δεκαετίες. Έχω δουλέψει προσωπικά σε αυτό για σχεδόν μια δεκαετία ο ίδιος, εγκαινιάζοντας μια πλατφόρμα εκδόσεων ανοιχτής πρόσβασης που ονομάζεται Ο νικητής κατά τη διάρκεια του τελευταίου έτους του διδακτορικού μου, και στη συνέχεια εργάζομαι για την κατασκευή του άρθρο του μέλλοντος σε μια άλλη εκκίνηση που ονομάζεται Authorea. Αν και καμία από αυτές τις πρωτοβουλίες δεν εξελίχθηκε πλήρως με τον τρόπο που ήθελα, με οδήγησαν στην τρέχουσα εργασία μου στο scite, το οποίο έχει, τουλάχιστον εν μέρει, λύσει το πρόβλημα πρόσβασης συνεργαζόμενος απευθείας με εκδότες. 

Συνδέστε τα στοιχεία και ορίστε σχέσεις

Στόχος μας είναι scite είναι η εισαγωγή του επόμενη γενιά αναφορών — που ονομάζονται Έξυπνες Αναφορές — που δείχνουν πώς και γιατί οποιοδήποτε άρθρο, ερευνητής, περιοδικό ή θέμα έχει αναφερθεί και γενικότερα συζητηθεί στη βιβλιογραφία. Δουλεύοντας με εκδότες, εξάγουμε τις προτάσεις απευθείας από άρθρα πλήρους κειμένου όπου χρησιμοποιούν τις αναφορές τους σε κείμενο. Αυτές οι προτάσεις προσφέρουν μια ποιοτική εικόνα του τρόπου με τον οποίο αναφέρθηκαν τα έγγραφα από νεότερη εργασία. Είναι λίγο σαν το Rotten Tomatoes για έρευνα.

Αυτό απαιτεί πρόσβαση σε άρθρα πλήρους κειμένου και συνεργασία με εκδότες, έτσι ώστε να μπορούμε να χρησιμοποιήσουμε τη μηχανική εκμάθηση για να εξάγουμε και να αναλύουμε δηλώσεις παραπομπών σε κλίμακα. Επειδή υπήρχαν αρκετά άρθρα Ανοιχτής Πρόσβασης για να ξεκινήσετε, καταφέραμε να δημιουργήσουμε την απόδειξη της ιδέας και ένας προς έναν, δείξαμε στους εκδότες την αυξημένη δυνατότητα ανακάλυψης των άρθρων που έχουν καταχωριστεί στο ευρετήριο στο σύστημά μας και τους παρέχουμε ένα σύστημα δείχνουν καλύτερες μετρήσεις για πιο υπεύθυνη ερευνητική αξιολόγηση. Αυτό που είδαμε ως δηλώσεις ειδικών, το είδαν ως προεπισκοπήσεις των άρθρων τους. Οι εκδότες έχουν πλέον υπογράψει μαζικά και έχουμε ευρετηριάσει πάνω από 1.1 δισεκατομμύρια Έξυπνες Αναφορές από περισσότερα από τα μισά άρθρα που έχουν δημοσιευτεί.

Χρησιμοποιήστε σχεσιακά δεδομένα για να εκπαιδεύσετε μοντέλα AI

Τα στοιχεία και οι σχέσεις που εξάγονται από έγγραφα θα μπορούσαν να χρησιμοποιηθούν για την εκπαίδευση νέων μεγάλων γλωσσικών μοντέλων για έρευνα. Το GPT-3, αν και πολύ ισχυρό, δεν κατασκευάστηκε για να λειτουργεί στην επιστήμη και δεν απαντά σε ερωτήσεις που μπορεί να δείτε στο SAT. Όταν ήταν το GPT-2 (μια παλαιότερη έκδοση του GPT-3). προσαρμόστηκε εκπαιδεύοντάς το σε εκατομμύρια ερευνητικές εργασίες, λειτούργησε καλύτερα από το GPT-2 μόνο σε συγκεκριμένες εργασίες γνώσης. Αυτό υπογραμμίζει ότι τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των μοντέλων είναι εξαιρετικά σημαντικά. 

 Ορισμένες ομάδες έχουν πρόσφατα χρησιμοποίησε το GPT-3 για τη συγγραφή ακαδημαϊκών εργασιών, και παρόλο που αυτό είναι εντυπωσιακό, τα γεγονότα ή τα επιχειρήματα που μπορεί να θέλουν να δείξουν μπορεί να είναι πολύ λανθασμένα. Εάν το μοντέλο δεν μπορεί να απαντήσει σωστά σε απλές ερωτήσεις τύπου SAT, μπορούμε να το εμπιστευτούμε για να γράψει μια πλήρη εργασία; SCIgen, το οποίο προηγείται του GPT-3 σχεδόν 20 χρόνια, έδειξε ότι η δημιουργία χαρτιών που φαίνονται αληθινά είναι σχετικά εύκολη. Το σύστημά τους, αν και πολύ πιο απλό, παρήγαγε έγγραφα που ήταν δεκτοί σε διάφορα συνέδρια. Χρειαζόμαστε ένα μοντέλο που δεν φαίνεται απλώς επιστημονικό, αλλά είναι επιστημονικό, και που απαιτεί ένα σύστημα για την επαλήθευση των ισχυρισμών για μηχανές και ανθρώπους. Η Meta εισήγαγε πρόσφατα ένα σύστημα επαλήθευσης παραπομπών της Wikipedia, κάτι που ορισμένοι εκδότες έχουν φωνητικά ευχόταν να είχαν για επιστημονικές δημοσιεύσεις.

Τωρινή πρόοδος

Και πάλι, ένας βασικός παράγοντας που εμποδίζει την υλοποίηση αυτού του συστήματος είναι η έλλειψη πρόσβασης στα έγγραφα και τους πόρους για τη δημιουργία του. Όπου γίνονται διαθέσιμα έγγραφα ή πληροφορίες για χρήση σε κλίμακα, βλέπουμε εργαλεία και νέα μοντέλα ανθίζουν. Χρησιμοποιήθηκε η ομάδα του Google Patent 100 εκατομμύρια διπλώματα ευρεσιτεχνίας για την εκπαίδευση ενός συστήματος για βοήθεια με την ανάλυση διπλωμάτων ευρεσιτεχνίας, ουσιαστικά ένα GooglePatentBERT. Άλλοι έχουν εισαγάγει μοντέλα όπως BioBERT και SciBERT, και παρά το γεγονός ότι έχουν εκπαιδευτεί μόνο σε περίπου ~ 1% των επιστημονικών κειμένων μόνο σε συγκεκριμένους θεματικούς τομείς, είναι εντυπωσιακοί σε επιστημονικές εργασίες, συμπεριλαμβανομένου του συστήματος ταξινόμησης αναφορών μας στο scite. 

Πιο πρόσφατα, α ScholarBERT έχει κυκλοφορήσει μοντέλο, το οποίο ουσιαστικά χρησιμοποιεί όλη την επιστημονική βιβλιογραφία για την εκπαίδευση του BERT. Ξεπερνούν το ζήτημα της πρόσβασης, αλλά είναι ιδιαίτερα μαμά για το πώς, απλώς τονίζουν ότι η χρήση τους είναι «μη καταναλωτική». Αυτή η περίπτωση χρήσης μπορεί να ανοίξει τις πόρτες άλλοι χρησιμοποιούν άρθρα χωρίς ρητή άδεια από εκδότες και θα μπορούσε να είναι ένα σημαντικό βήμα στη δημιουργία ενός DALL-E της επιστήμης. Παραδόξως, ωστόσο, ο ScholarBERT τα πήγε χειρότερα σε διάφορες εξειδικευμένες εργασίες γνώσης από τα μικρότερα μοντέλα γλωσσών επιστήμης όπως το SciBERT. 

Είναι σημαντικό ότι τα μοντέλα τύπου BERT είναι πολύ μικρότερης κλίμακας από τα μεγάλα μοντέλα γλώσσας όπως το GPT-3 και δεν επιτρέπουν το ίδιο είδος γενικών προτροπών και εκμάθησης εντός του πλαισίου που έχει τροφοδοτήσει μεγάλο μέρος της διαφημιστικής εκστρατείας του GPT-3. Το ερώτημα παραμένει: τι θα γινόταν αν εφαρμόζαμε τα ίδια δεδομένα από το ScholarBERT για να εκπαιδεύσουμε ένα κλιμακούμενο μοντέλο παραγωγής όπως το GPT-3; Τι θα γινόταν αν μπορούσαμε να δείξουμε με κάποιο τρόπο από πού προέρχονται οι απαντήσεις από το μηχάνημα, ίσως συνδέοντάς τις απευθείας με τη βιβλιογραφία (όπως οι Έξυπνες Αναφορές);

Γιατί τώρα;

Ευτυχώς, τα χαρτιά γίνονται πιο ανοιχτά και οι μηχανές γίνονται πιο ισχυρές. Μπορούμε τώρα να αρχίσουμε να χρησιμοποιούμε τα δεδομένα που περιέχονται σε έγγραφα και συνδεδεμένα αποθετήρια για να εκπαιδεύσουμε μηχανές να απαντούν σε ερωτήσεις και να συνθέτουν νέες ιδέες με βάση την έρευνα. Αυτό θα μπορούσε να είναι μετασχηματιστικό για την υγειονομική περίθαλψη, την πολιτική, την τεχνολογία και τα πάντα γύρω μας. Φανταστείτε, αν δεν αναζητούσαμε μόνο τίτλους εγγράφων, αλλά συγκεκριμένα για απαντήσεις, πώς αυτό θα επηρεάσει την έρευνα και τις ροές εργασίας σε όλους τους κλάδους. 

 Η απελευθέρωση της παγκόσμιας επιστημονικής γνώσης από τα δίδυμα εμπόδια προσβασιμότητας και κατανοητότητας θα συμβάλει στη μετάβαση από έναν ιστό που επικεντρώνεται στα κλικ, τις προβολές, τις επισημάνσεις "μου αρέσει" και την προσοχή σε έναν ιστό που εστιάζει στα στοιχεία, τα δεδομένα και την ακρίβεια. Η Pharma έχει σαφώς κίνητρα να το φέρει σε πέρας, εξ ου και ο αυξανόμενος αριθμός νεοφυών επιχειρήσεων που εντοπίζουν πιθανούς στόχους φαρμάκων χρησιμοποιώντας τεχνητή νοημοσύνη — αλλά πιστεύω ότι το κοινό, οι κυβερνήσεις και οποιοσδήποτε χρησιμοποιεί το Google μπορεί να είναι πρόθυμος να εγκαταλείψει τις δωρεάν αναζητήσεις σε μια προσπάθεια εμπιστοσύνης και χρόνου- οικονομία. Ο κόσμος χρειάζεται απεγνωσμένα ένα τέτοιο σύστημα, και το χρειάζεται γρήγορα. 

 

 

Δημοσιεύτηκε στις 18 Αυγούστου 2022