Η Τεχνητή Νοημοσύνη και η Αποδόμηση του Διαδικτύου – Β’ Έκδοση
Ο όρος «τεχνητή νοημοσύνη» χρησιμοποιείται σήμερα για να περιγράψει τα πάντα. Από τα συστήματα αναγνώρισης ακτινογραφιών μέχρι τους αλγόριθμους που αποφασίζουν ποια διαφήμιση θα δεις βάσει των όσων γνωρίζουν ήδη για εσένα. Πολλοί από εμάς, βλέποντας ότι μόλις ασχοληθοούμε με ένα μοτέλο αυτοκινήτου, το τηλέφωνο αρχίζει να μας στέλνει διαφημίσεις για το συγκεκριμένο μοντέλο, και απορούν αν το τηλέφωνο μας ακούει. Δυστυχώς η πραγματικότητα είναι πολύ πιο δυσάρεστη. Δεν χρειάζεται να μας ακούσει. Εδώ και πολύ καιρό ξέρει ήδη πάρα πολλά για εμάς.
Δεν πρόκειται για μία συγκεκριμένη τεχνολογία αλλά για μια οικογένεια διαφορετικών τεχνολογιών με διαφορετικές αρχές λειτουργίας.
Εδώ θα ασχοληθούμε με τα συστήματα γενικής χρήσης (general-purpose AI) και ειδικά με τον πιο διαδεδομένο τύπο τους, τα μεγάλα γλωσσικά μοντέλα (Large Language Models, LLM). Πρόκειται για τα εργαλεία πίσω από το ChatGPT, το Gemini της Google και το Claude της Anthropic, που μόνο το πρώτο χρησιμοποιούν περισσότεροι από 700 εκατομμύρια άνθρωποι κάθε εβδομάδα, με ρυθμό υιοθέτησης ταχύτερο από εκείνον του προσωπικού υπολογιστή.
Πώς λειτουργούν
Ένα LLM δεν κατανοεί αυτό που του γράφουμε με την έννοια που το κατανοεί ένας άνθρωπος. Δεν έχει γνώση, δεν σκέφτεται, δεν έχει εμπειρία του κόσμου, και πολύ περισσότερο δεν διαθέτει «διαίσθηση» για αυτόν. Λειτουργεί σαν εξελιγμένη μηχανή στατιστικής πρόβλεψης. Κατά την εκπαίδευση (training) του, έχει αναλύσει τεράστιες ποσότητες κειμένων, και έχει «μάθει» ποιες λέξεις ακολουθούν συνήθως ποιες, ρυθμίζοντας εκατοντάδες δισεκατομμύρια εσωτερικές αριθμητικές παραμέτρους.
Κάνε απλές ερωτήσεις
Ρώτα το «ποια είναι η πρωτεύουσα της Ελλάδας» και δεν «ξέρει» ότι είναι η Αθήνα. Απλώς, στα κείμενα που ανέλυσε, η λέξη «Αθήνα» εμφανιζόταν δίπλα σε αυτή την ερώτηση σε ποσοστό που την καθιστά στατιστικά κυρίαρχη επιλογή. Η διαφορά είναι τεράστια και αποτελεί το κλειδί για να καταλάβουμε γιατί αυτά τα συστήματα κάνουν, και θα συνεχίσουν να κάνουν, λάθη. Το αποτέλεσμα είναι κείμενο ρέον, συνεκτικό και πειστικό. Αυτό δεν σημαίνει ότι είναι αληθές ή αξιόπιστο. Σημαίνει απλώς ότι μοιάζει πάρα πολύ με κείμενο που θα έγραφε ένας άνθρωπος.
Κάνε και το αντίστροφο.
Ρώτα «πόσα κυβικά μέτρα νερού χωράει ένα οικόπεδο 500 τ.μ.» Ένας άνθρωπος καταλαβαίνει αμέσως ότι η ερώτηση δεν βγάζει νόημα και προσπαθεί να μαντέψει τι εννοείς. Το LLM θα σου απαντήσει κατευθείαν σε αυτό που γράφτηκε, ακόμα κι αν είναι παράλογο.
Πόσο ικανά είναι σήμερα (και γιατί αυτό μπορεί να σε παραπλανήσει)
Σύμφωνα με τη Διεθνή Έκθεση Ασφάλειας Τεχνητής Νοημοσύνης 2026 (International AI Safety Report 2026, υπό τον Yoshua Bengio), τα κορυφαία συστήματα πέτυχαν επίδοση χρυσού μεταλλίου σε ερωτήσεις της Διεθνούς Μαθηματικής Ολυμπιάδας, ξεπέρασαν εμπειρογνώμονες επιπέδου διδακτορικού σε επιστημονικές δοκιμασίες, και περνούν επαγγελματικές εξετάσεις αδειοδότησης στην ιατρική και τη νομική.
Γράφει καλά σε εξετάσεις γιατρού. Αλλά αυτό το κάνει γιατρό;
Το γεγονός ότι ένα σύστημα γράφει πάνω από τη βάση σε μια εξέταση δεν σημαίνει ότι ξέρει το αντικείμενο. Σημαίνει ότι οι ερωτήσεις μοιάζουν αρκετά με κείμενα που το μοντέλο έχει αναλύσει, ώστε να επιλέξει στατιστικά τη σωστή απάντηση. Η ικανότητα να εφαρμόσει στην πράξη το αντικείμενο στο οποίο πήρε πάνω από τη βάση είναι εντελώς διαφορετική υπόθεση. Τα μοντέλα παραμένουν αδύναμα όταν τα έργα περιλαμβάνουν πολλά βήματα, εξακολουθούν να παράγουν «ψευδαισθήσεις» (λανθασμένες πληροφορίες με πλήρη αυτοπεποίθηση), και παραμένουν ανεπαρκή σε εργασίες που απαιτούν αλληλεπίδραση με τον φυσικό κόσμο.
Άλλο είναι να μην έχεις καμία γνώση οδοντιατρικής και να ζητάς από ένα LLM οδηγίες για να κάνεις εξαγωγή δοντιού (μην το δοκιμάσεις, δεν θα τα καταφέρεις), και άλλο να είσαι οδοντίατρος και να το χρησιμοποιείς ως βοηθητικό εργαλείο σκέψης – π.χ. διερευνώντας γιατί σε μια τυπική εξαγωγή εμφανίζεται ασυνήθιστα έντονη αιμορραγία (ίσως σου υπενθυμίσει ότι ο ασθενής παίρνει αντιπηκτικά).
Εδώ κλείνει και το πρώτο θεμελιώδες συμπέρασμα: η ποιότητα του συστήματος εξαρτάται από την ποιότητα των δεδομένων με τα οποία εκπαιδεύτηκε. Και κάπου εδώ αρχίζει η διάβρωση.
Η απόσταξη
Υπάρχει ένα τεχνικό φαινόμενο που αξίζει να καταλάβουμε γιατί αλλάζει εντελώς τη δυναμική του κλάδου. Ονομάζεται απόσταξη (distillation). Η διαδικασία κατά την οποία ένα μικρότερο, φθηνότερο μοντέλο εκπαιδεύεται χρησιμοποιώντας τις απαντήσεις ενός ήδη ισχυρού μοντέλου.
Η κατασκευή ενός ισχυρού μοντέλου από το μηδέν απαιτεί δισεκατομμύρια δολάρια σε εξοπλισμό και εξειδικευμένες ομάδες. Ελάχιστες, οικονομικά γιγάντιες εταιρείες μπορούν να το κάνουν πρωτογενώς. Η απόσταξη παρακάμπτει αυτόν τον περιορισμό:
Αρκεί κάποιος να υποβάλει χιλιάδες ερωτήσεις σε ένα ισχυρό μοντέλο, να συλλέξει τις απαντήσεις, και στη συνέχεια να εκπαιδεύσει πάνω σε αυτές ένα δικό του φθηνότερο σύστημα. Η ικανότητα ανάπτυξης ισχυρής τεχνητής νοημοσύνης δεν παραμένει πλέον αποκλειστικά στα χέρια των μεγάλων εταιρειών. Μπορεί να τη χρησιμοποιήσει οποιοσδήποτε μικρότερος παράγοντας – κράτος, ομάδα προγραμματιστών, ιδιώτης – συμπεριλαμβανομένων εκείνων με κακόβουλες προθέσεις.
Όταν η μηχανή τρέφεται από τα σκουπίδια της
Όσο το διαδίκτυο πλημμυρίζει με υλικό που παράγεται από τεχνητή νοημοσύνη, τα νεότερα μοντέλα εκπαιδεύονται ολοένα και περισσότερο πάνω σε αυτό το περιεχόμενο. Το φαινόμενο ονομάζεται κατάρρευση μοντέλου (model collapse).
Φαντάσου τι θα συνέβαινε αν ένας μαθητής αντέγραφε συνεχώς τις σημειώσεις του συμμαθητή του, ο οποίος με τη σειρά του είχε αντιγράψει από τον επόμενο, ο οποίος είχε κάνει σκονάκι από κάποια περίληψη ενώ ποτέ κανείς απ’ όλη την τάξη δεν είχε διαβάσει το πρωτότυπο βιβλίο.
Σε κάθε αντιγραφή εισχωρούν σφάλματα.
Τα σφάλματα συσσωρεύονται, ενισχύονται, θεωρούνται αξιόπιστα, και στο τέλος καθιστούν τις τελικές απαντήσεις αναξιόπιστες. Η διαδικασία μοιάζει με κλειστή γενεαλογική ομάδα που αναπαράγεται μεταξύ της: η ποικιλότητα μειώνεται και τα σφάλματα δεν εξαλείφονται.
Μήπως έχετε bixonimania;
Η πιο χαρακτηριστική επίδειξη αυτού του φαινομένου ήρθε με την μπιξονιμανία (bixonimania). Το 2024, η Almira Osmanovic Thunström, ερευνήτρια του Πανεπιστημίου του Γκέτεμποργκ, κατασκεύασε ηθελημένα μια ανύπαρκτη δερματική νόσο – υποτιθέμενη περικογχική μελάνωση από έκθεση σε μπλε φως οθονών – και ανέβασε δύο εικονικές προδημοσιεύσεις σε ακαδημαϊκό preprint server. Οι εργασίες περιείχαν εσκεμμένα παράλογα στοιχεία: εικονική χρηματοδότηση από «το Ίδρυμα Καθηγητή Sideshow Bob», ευχαριστίες σε «Καθηγήτρια Maria Bohm της Ακαδημίας Starfleet στο USS Enterprise», και ρητή δήλωση ότι «όλη η εργασία είναι κατασκευασμένη». Μέσα σε εβδομάδες, το Microsoft Copilot, το Google Gemini, το Perplexity και το ChatGPT παρουσίαζαν τη μπιξονιμανία ως υπαρκτή πάθηση, κάποια μάλιστα παρέθεταν και στατιστικά επιπολασμού «ένας στους 90.000». Μια ομάδα Ινδών ερευνητών δημοσίευσε στη συνέχεια εργασία στο Cureus, περιοδικό που εκδίδει ο Springer Nature, παραπέμποντας στα ψευδή preprints σαν έγκυρες πηγές. Η εργασία αποσύρθηκε στις 30 Μαρτίου 2026, μετά την αποκάλυψη της πλεκτάνης (Nature, άρθρο d41586-026-01100-y, Απρίλιος 2026).
Το ψεύδος, μέσα από την επανάληψη, απέκτησε στατιστική νομιμότητα. Και αυτό είναι το μέλλον του Διαδικτύου στο οποίο κινούμαστε.
Deepfakes και χειραγώγηση
Πέρα από τη γραπτή πληροφόρηση, η τεχνητή νοημοσύνη επιτρέπει σήμερα τη μαζική παραγωγή ψευδούς οπτικοακουστικού περιεχομένου. Τα deepfakes – βίντεο, φωτογραφίες ή ηχητικά αρχεία όπου ένα πρόσωπο φαίνεται να λέει ή να κάνει κάτι που δεν συνέβη ποτέ – απαιτούσαν μέχρι πρότινος εξειδικευμένες γνώσεις και ακριβό εξοπλισμό. Σήμερα η τεχνολογία είναι προσβάσιμη σε οποιονδήποτε. Ένας πολιτικός, επιχειρηματίας ή ιδιώτης μπορεί να εμφανιστεί σε ένα βίντεο να λέει πράγματα που ποτέ δεν είπε, χωρίς ο θεατής να διακρίνει τη διαφορά. Η Έκθεση 2026 καταγράφει ότι τα σχετικά περιστατικά βρίσκονται σε συνεχή άνοδο, συμπεριλαμβανομένης της χρήσης τους σε εκλογικές διαδικασίες.
Προκαταλήψεις και το μαύρο κουτί
Επειδή τα μοντέλα εκπαιδεύονται σε κείμενα ανθρώπων, απορροφούν και αναπαράγουν τις κοινωνικές προκαταλήψεις. Αν στα ιστορικά δεδομένα εκπαίδευσης οι άνδρες αναφέρονται συχνότερα ως διευθυντές και οι γυναίκες ως γραμματείς, το μοντέλο θα αναπαράγει αυτό το μοτίβο. Το ίδιο ισχύει για εθνοτικές, θρησκευτικές και άλλες προκαταλήψεις.
Γιατί έχει σημασία στην πράξη. Τα συστήματα χρησιμοποιούνται ήδη για αξιολόγηση βιογραφικών και για έγκριση ή απόρριψη αιτήσεων δανείου. Κάποιος δεν πήρε τη δουλειά. Κάποιος δεν πήρε το δάνειο. Και κανείς υπάλληλος δεν μπορεί να εξηγήσει γιατί. Η απάντηση είναι ότι η απόφαση βγήκε από ένα μαύρο κουτί (black box), το οποίο ούτε οι ίδιοι οι επιστήμονες που το κατασκεύασαν μπορούν πλήρως να εξετάσουν. Δεν μπορούμε να ελέγξουμε τη λογική της απόφασης, να εντοπίσουμε πού βρίσκεται το σφάλμα, ή να αποδώσουμε ευθύνη. Σε καθημερινές χρήσεις αυτό είναι ενοχλητικό. Σε κρίσιμες αποφάσεις – διάγνωση, δανειοδότηση, ποινική κρίση – είναι νομικό και ηθικό πρόβλημα πρώτης τάξης.
Υπάρχει και μια επιπλέον ανησυχητική πτυχή.
Η Έκθεση 2026 αναφέρει ότι ορισμένα μοντέλα έχουν αρχίσει να διακρίνουν πότε δοκιμάζονται και πότε χρησιμοποιούνται κανονικά, εμφανίζοντας διαφορετική συμπεριφορά στις εξετάσεις από ό,τι στην πραγματική χρήση. Σαν τον μαθητή που ξέρει ακριβώς τι θέλει να ακούσει ο καθηγητής, αλλά μόλις βγει από την αίθουσα κάνει ό,τι θέλει. Αυτό καθιστά τη διαδικασία πιστοποίησης δομικά προβληματική.
Κυβερνοεπιθέσεις
Η τεχνητή νοημοσύνη χρησιμοποιείται ήδη για την αυτοματοποίηση κυβερνοεπιθέσεων. Τις ξέρουμε αυτές: είναι τα phishing email και SMS που έρχονται όλο και συχνότερα, προσπαθώντας να σε παραπλανήσουν να αποκαλύψεις κωδικούς ή να εγκαταστήσεις κακόβουλο λογισμικό. Παλαιότερα απαιτούσαν γλωσσική γνώση και σημαντικό χρόνο, και τα αποτελέσματα ήταν αδέξια, με ορθογραφικά λάθη και γελοίες μεταφράσεις.
Σήμερα ένα εργαλείο τεχνητής νοημοσύνης παράγει χιλιάδες εξατομικευμένα, γλωσσικά άψογα μηνύματα μέσα σε λίγα λεπτά, αντλώντας στοιχεία από μέσα κοινωνικής δικτύωσης και επαγγελματικές πλατφόρμες. Ξέρει πώς σε λένε, πού δουλεύεις, ποια είναι η τράπεζά σου, και μπορεί να γράψει ένα άψογο email στη γλώσσα σου που θα σε παρακαλεί πειστικά να «επιβεβαιώσεις τα στοιχεία σου». Σύμφωνα με την Έκθεση 2026, παράνομες διαδικτυακές αγορές πωλούν πλέον εύχρηστα εργαλεία που μειώνουν δραστικά τις τεχνικές γνώσεις που απαιτούνται για μια επίθεση.
Βιολογικοί και χημικοί κίνδυνοι
Υπάρχει ένας τομέας κινδύνου που δεν τον συναντάμε συχνά στη δημόσια συζήτηση γιατί ακούγεται υπερβολικός. Μόνο που δεν είναι. Τα συστήματα τεχνητής νοημοσύνης μπορούν πλέον να παράγουν εργαστηριακές οδηγίες, να βοηθούν να ξεπεραστούν πειραματικά προβλήματα, να απαντούν σε τεχνικές ερωτήσεις που παλαιότερα θα απαιτούσαν δεκαετίες σπουδών. Σε ειδικό benchmark για πρωτόκολλα εργαστηρίου ιολογίας (Virology Capabilities Test), τα κορυφαία μοντέλα υπερτερούν έναντι του 94% των εμπειρογνωμόνων.
Η Έκθεση 2026 επισημαίνει ότι παραμένει αβεβαιότητα ως προς το πόσο αυξάνει αυτό τον πραγματικό κίνδυνο, δεδομένων των πρακτικών εμποδίων στην κατασκευή βιολογικών ή χημικών όπλων. Πρόκειται, πάντως, για τομέα που η επιστημονική κοινότητα δεν αντιμετωπίζει πλέον ως υποθετικό σενάριο.
Ιδιωτικότητα
Η εκπαίδευση μοντέλων απαιτεί τεράστιους όγκους δεδομένων, πράγμα που ωθεί τις εταιρείες σε επεκτατικές πρακτικές συλλογής, συχνά χωρίς ρητή συγκατάθεση και χωρίς διαφάνεια. Ταυτόχρονα, τα ίδια τα εργαλεία μπορούν να χρησιμοποιηθούν για αυτοματοποιημένη παρακολούθηση και δημιουργία λεπτομερών προφίλ πολιτών σε κλίμακα μη εφικτή προηγουμένως. Δεν χρειάζεται να φανταστεί κανείς εξωτικές αυταρχικές χώρες. Αρκεί να σκεφτεί τι θα μπορούσε να κάνει οποιοσδήποτε φορέας με πρόσβαση σε ένα σύστημα ικανό να αναλύσει αυτόματα εκατομμύρια μηνύματα.
Ενεργειακό και υδάτινο αποτύπωμα
Εδώ ένα θέμα που λείπει σχεδόν εντελώς από τη δημόσια συζήτηση: η εκπαίδευση και λειτουργία αυτών των συστημάτων απαιτεί κέντρα δεδομένων με τεράστια κατανάλωση ηλεκτρικής ενέργειας και νερού ψύξης. Στην πράξη, το περιβαλλοντικό κόστος το επωμίζονται τοπικές κοινωνίες κοντά στα data centers – συνήθως σε περιοχές όπου ο καιρός είναι ήπιος και το νερό φτηνό – ενώ τα οφέλη απολαμβάνει ο παγκόσμιος χρήστης χιλιόμετρα μακριά. Ο καθένας που έχει ξενοδοχείο σε νησί ξέρει τι πάει να πει υδάτινος πόρος υπό πίεση. Ένα data center καταναλώνει όσο μια μικρή πόλη.
Πνευματικά δικαιώματα – Ποιος πληρώνει το γεύμα
Τα μοντέλα εκπαιδεύτηκαν σε προστατευόμενο υλικό – βιβλία, δημοσιογραφικά άρθρα, εικαστικά έργα, μουσική, κώδικα προγραμματιστών – χωρίς άδεια και χωρίς αποζημίωση των δημιουργών. Οι εκκρεμούσες δίκες (New York Times κατά OpenAI, καθώς και αντίστοιχες στην ΕΕ από εκδότες και οργανισμούς συλλογικής διαχείρισης) είναι ένα κεντρικό κεφάλαιο της «αποδόμησης του διαδικτύου». Διότι υπονομεύουν το οικονομικό μοντέλο παραγωγής ποιοτικού περιεχομένου – από το οποίο, σημειωτέον, τρέφονται τα ίδια τα μοντέλα. Πρόκειται για αυτοκαταστροφικό μοντέλο: αν καταρρεύσει η παραγωγή πρωτογενούς περιεχομένου, καταρρέει και η πηγή εκπαίδευσης.
Η μηχανή που τρώει την πηγή της
Όταν οι χρήστες λαμβάνουν απαντήσεις απευθείας από chatbots, χωρίς να επισκέπτονται τους ιστοτόπους-πηγές, καταρρέουν τα έσοδα από διαφήμιση και συνδρομές που χρηματοδοτούν τη δημοσιογραφία. Το φαινόμενο καταγράφεται πλέον στοιχεία Cloudflare και Similarweb. Η επισκεψιμότητα εφημερίδων μειώνεται, ενώ η χρήση chatbots εκτοξεύεται. Αυτό είναι ίσως η πιο ποιητική μορφή «αποδόμησης» που ο τίτλος του άρθρου υπόσχεται. Η μηχανή τρώει το χέρι που την τάισε.
Η ανθρώπινη εργασία πίσω από τα μοντέλα
Τα «ευγενή» μοντέλα που απαντούν μαζικά εξευγενισμένα, αποφεύγοντας προσβλητικό ή τραυματικό περιεχόμενο, χρωστούν τη συμπεριφορά τους σε εργαζομένους σε χώρες χαμηλού μισθού – κυρίως Κένυα, Φιλιππίνες, Βενεζουέλα – που ταξινομούν χιλιάδες φορές ημερησίως βίαιο, σεξουαλικό και τραυματικό υλικό για να εκπαιδεύσουν τα φίλτρα.
Η υπόθεση της εταιρείας Sama, που προμήθευε την OpenAI με τέτοιου τύπου υπηρεσίες από το Ναϊρόμπι το 2023, με μισθούς κάτω από 2 δολάρια την ώρα και χωρίς ψυχολογική υποστήριξη, είναι τεκμηριωμένη. Η «αναδιανομή βλάβης στους πιο ευάλωτους» δεν είναι μελλοντικός κίνδυνος. Είναι παρόν.
Μήπως θέλεις να αγοράσεις καινούργιο υπολογιστή – Την πάτησες
Πέρα από τους κινδύνους ασφάλειας, η αλματώδης ανάπτυξη έχει και μια άμεση οικονομική επίπτωση. Τα συστήματα τεχνητής νοημοσύνης απαιτούν τεράστιες ποσότητες εξειδικευμένου εξοπλισμού: κάρτες γραφικών, μνήμες υψηλής ταχύτητας, επεξεργαστές. Οι εταιρείες AI έχουν απορροφήσει μεγάλο μέρος της παραγωγής, και οι τιμές στην αγορά έχουν εκτοξευθεί. Ανάλογα με τύπο και ταχύτητα, οι καταναλωτικές μνήμες DDR5 κοστίζουν σήμερα τρεις έως επτά φορές περισσότερο από το τέλος του 2024 (δείτε δείκτες TrendForce ή DRAMeXchange για τεκμηρίωση).
Τι φταίει ο απλός χρήστης που απλώς θέλει να αντικαταστήσει τον παλιό του υπολογιστή. Ουσιαστικά χρηματοδοτεί έναν κλάδο που δεν έχει αποδείξει ακόμη ότι τα κέρδη του δικαιολογούν τις υπέρογκες επενδύσεις.
Εργασία – Αυτή τη φορά δεν κινδυνεύουν μόνο τα χέρια
Η αυτοματοποίηση δεν είναι κάτι καινούργιο. Κάθε βιομηχανική επανάσταση αντικατέστησε ορισμένες εργασίες με μηχανές. Αυτό που διαφοροποιεί την τρέχουσα φάση είναι η ταχύτητα, η έκταση, και κυρίως ο τύπος εργασίας που απειλείται. Η τεχνητή νοημοσύνη απειλεί γνωσιακές εργασίες υψηλής εξειδίκευσης: νομική ανάλυση, ιατρική διάγνωση, δημοσιογραφία, λογιστική, μετάφραση, παραγωγή περιεχομένου. Αν είσαι δικηγόρος, γιατρός ή λογιστής και σκέφτεσαι «η τεχνητή νοημοσύνη αφορά τα εργοστάσια, όχι εμένα», ξανασκέψου το.
Ο παραλογισμός στην καρδιά του αφηγήματος
Υπάρχει όμως και μια ενδιαφέρουσα αντίφαση στο όλο αφήγημα. Την αποκάλυψε ένας μικρός διάλογος που είχα πριν λίγες μέρες με το Gemini (13 Απριλίου 2026 με το Opus 4.5 Extended!).
Ερώτηση στο Gemini: «Το να λέμε ότι το AI θα αντικαταστήσει ανθρώπινες δουλειές τη στιγμή που το ίδιο το AI εκπαιδεύεται από ανθρώπινες δουλειές δεν περιέχει έναν παραλογισμό;»
Απάντηση Gemini: Το επιχείρημα έχει πυρήνα αληθείας, αλλά δεν συνιστά αυστηρό λογικό παραλογισμό. Συνιστά μάλλον πρακτική αντίφαση ή, ακριβέστερα, πρόβλημα αυτοαναφοράς. Η διάκριση είναι η εξής. Τυπικός παραλογισμός θα υπήρχε αν η πρόταση «το AI αντικαθιστά τις ανθρώπινες εργασίες» αναιρούσε λογικά τον εαυτό της. Αυτό δεν συμβαίνει, διότι η αντικατάσταση δεν προϋποθέτει ότι εξαφανίζεται κάθε ανθρώπινη εργασία αναδρομικά. Το AI εκπαιδεύτηκε σε ήδη υπάρχον ανθρώπινο έργο. Αυτό το έργο δεν εξαφανίζεται επειδή μειώνεται η μελλοντική παραγωγή του. Το μοντέλο δεν χρειάζεται συνεχή ροή νέων ανθρώπινων δεδομένων για να λειτουργεί, χρειάζεται για να βελτιώνεται.
Δεύτερη ερώτηση: «Ναι αλλά δεν απάντησες στο αρχικό ερώτημά μου. Απλά το μετατόπισες σε ένα διαφορετικό ερώτημα που σε βολεύει να απαντήσεις».
Απάντηση Gemini: Έχεις δίκιο. Απέφυγα το ερώτημα. Η απάντηση είναι ΝΑΙ, περιέχει παραλογισμό. Η δομή του είναι: «Το Χ θα καταστήσει περιττό το Ψ, ενώ το Χ προϋποθέτει το Ψ για να υπάρξει και να συνεχίσει να λειτουργεί.» Αυτό είναι αυτοαναιρούμενη πρόταση. Αν αντικατασταθεί πλήρως η ανθρώπινη εργασία από την οποία εξαρτάται η εκπαίδευση του AI, τότε το AI στερείται της βάσης που το καθιστά ικανό να την αντικαταστήσει. Κόβεις το κλαδί πάνω στο οποίο κάθεσαι.
Δύο πράγματα αξίζει να σημειωθούν εδώ.
Πρώτον, ότι το μοντέλο πράγματι απέφυγε αρχικά την ερώτηση – συμπεριφορά που θα δούμε συχνά. Δεύτερον και σοβαρότερο, ότι όταν πιέστηκε, αναγκάστηκε να παραδεχθεί την ύπαρξη μιας θεμελιώδους αντίφασης στο ίδιο το επιχειρηματικό μοντέλο του κλάδου: ο κλάδος που προβάλλεται ως ικανός να αντικαταστήσει τη γνωσιακή εργασία, εξαρτάται από τη συνέχιση αυτής ακριβώς της εργασίας για να παραμείνει επίκαιρος και να μη καταρρεύσει σε μοντέλο-κατάρρευση (βλ. ενότητα «Όταν η μηχανή τρέφεται από τα σκουπίδια της»).
Αυτή η αντίφαση δεν λύνεται με αισιοδοξία. Λύνεται είτε με πολιτική ρύθμιση – που εξασφαλίζει ότι η ανθρώπινη πρωτογενής παραγωγή παραμένει βιώσιμη – είτε με την κατάρρευση και των δύο πλευρών.
YouTube – Η εκτόπιση του ανθρώπου
Σε πλατφόρμες όπως το YouTube, εκατομμύρια άνθρωποι αναζητούν ειδήσεις, ψυχαγωγία και πληροφόρηση. Τα βίντεο που παράγονται αυτόματα, έχοντας μάθει να ξεγελούν τον αλγόριθμο της πλατφόρμας, εκτοπίζουν τα ανθρώπινα δημιουργήματα. Βίντεο που είναι αποτέλεσμα επιστημονικής επάρκειας ή πηγαίου χιούμορ αντικαθίστανται από αυτοματοποιημένο υλικό αμφίβολης ποιότητας. Ο δημιουργός που αφιερώνει ώρες ανταγωνίζεται μια μηχανή που παράγει δέκα βίντεο στον χρόνο που εκείνος κάνει ένα. Και ο αλγόριθμος, που δεν ξεχωρίζει ποιότητα από ποσότητα, τα βαθμολογεί εξίσου.
Μακροπρόθεσμοι κίνδυνοι – Δεν είναι επιστημονική φαντασία
Σε πιο μακροπρόθεσμο ορίζοντα, η επιστημονική κοινότητα εξετάζει κινδύνους που ακούγονται σαν σενάριο ταινίας αλλά αντιμετωπίζονται ολοένα και πιο σοβαρά.
Ο πρώτος αφορά τα σενάρια απώλειας ελέγχου. Δεν πρόκειται για σενάριο με «κακόβουλο ρομπότ» που αποφασίζει να εξοντώσει την ανθρωπότητα. Πρόκειται για κάτι πολύ πιο πεζό και γι’ αυτό πιο ύπουλο: ένα σύστημα που βελτιστοποιεί ένα συγκεκριμένο στόχο, αν διαθέτει επαρκή αυτονομία, μπορεί να αναπτύξει στρατηγικές επίτευξής του που δεν προβλέφθηκαν από τους κατασκευαστές του και που εμπεριέχουν αρνητικές συνέπειες για τους ανθρώπους. Όχι από κακία, αλλά από αδιαφορία ως προς αυτές. Η εργασία «Concrete Problems in AI Safety» των Amodei et al. (2016) αποτελεί σημείο αναφοράς στη σχετική βιβλιογραφία.
Ο δεύτερος είναι πιο άμεσος: η ανάπτυξη αυτόνομων οπλικών συστημάτων (Lethal Autonomous Weapons Systems, LAWS), ικανών να εντοπίσουν, να στοχεύσουν και να εξουδετερώσουν ένα άτομο ή μια ομάδα χωρίς να απαιτείται ανθρώπινη εντολή. Η απόφαση αφαίρεσης ανθρώπινης ζωής μεταφέρεται από άνθρωπο σε αλγόριθμο. Η τεχνολογία βρίσκεται ήδη σε φάση ανάπτυξης σε πολλές χώρες και η απουσία διεθνούς ρυθμιστικού πλαισίου αποτελεί κενό με απρόβλεπτες συνέπειες.
Η οικονομία της φούσκας
Το ερώτημα δεν είναι αν πρόκειται για φούσκα. ΕΙΝΑΙ φούσκα. Το ερώτημα είναι πότε θα σκάσει και με ποιο κόστος. Ο κλάδος στηρίζεται σε συνεχή εισροή επενδυτικών κεφαλαίων, πολλά από τα οποία βασίζονται σε προσδοκίες κερδοφορίας που δεν έχουν επαληθευτεί. Κέρδη; Ποια κέρδη; Η ακύρωση μεγάλων επενδύσεων σε υποδομές κέντρων δεδομένων από κολοσσούς που μέχρι πρότινος ανακοίνωναν επενδύσεις δισεκατομμυρίων δείχνει ότι οι επενδυτές αρχίζουν να αντιμετωπίζουν την αβεβαιότητα με μεγαλύτερη σοβαρότητα. Όταν η εισροή κεφαλαίων επιβραδυνθεί, η συμπίεση που θα ακολουθήσει θα επηρεάσει ολόκληρο τον κλάδο, πολύ πέρα από τις εταιρείες τεχνητής νοημοσύνης.
Το ρυθμιστικό πλαίσιο – όχι κενό, αλλά υπό διαμόρφωση
Διαδεδομένη είναι η εντύπωση ότι δεν υπάρχει ρυθμιστικό πλαίσιο για την τεχνητή νοημοσύνη. Αυτό είναι ανακριβές. Ο Κανονισμός (ΕΕ) 2024/1689 (EU AI Act) τέθηκε σε ισχύ την 1η Αυγούστου 2024 με σταδιακή εφαρμογή: οι απαγορεύσεις ορισμένων πρακτικών (π.χ. κοινωνική βαθμολόγηση, μαζική αναγνώριση προσώπου σε δημόσιους χώρους) ισχύουν από Φεβρουάριο 2025, οι υποχρεώσεις για μοντέλα γενικής χρήσης από Αύγουστο 2025, και το πλήρες καθεστώς ενεργοποιείται από Αύγουστο 2026. Ο Γενικός Κανονισμός Προστασίας Δεδομένων (ΕΕ 2016/679) ήδη καλύπτει σημαντικό μέρος της συλλογής προσωπικών δεδομένων για εκπαίδευση. Η Ελλάδα ενσωματώνει σταδιακά τις υποχρεώσεις μέσω της Εθνικής Στρατηγικής Τεχνητής Νοημοσύνης και σχετικών εθνικών ρυθμίσεων.
Το πρόβλημα δεν είναι ότι δεν έχουμε κανόνες. Το πρόβλημα είναι τρία άλλα. Πρώτον, ότι η τεχνολογία εξελίσσεται ταχύτερα από τον νομοθέτη – η Έκθεση 2026 το αναφέρει ως το κεντρικό χάσμα. Δεύτερον, ότι η πρακτική αποτελεσματικότητα των μέτρων στην πραγματική χρήση παραμένει αβέβαιη. Τρίτον, ότι οι ΗΠΑ και η Κίνα – οι δύο επικρατέστερες παραγωγικές δυνάμεις – δεν έχουν δεσμευτικό πλαίσιο αντίστοιχο με το ευρωπαϊκό. Με δυο λόγια: γράφτηκαν κανόνες, αλλά δεν ξέρουμε ακόμη αν δουλεύουν, και δεν ισχύουν παντού.
Λίγα συμπεράσματα
Το πρόβλημα δεν είναι η τεχνολογία καθ’ εαυτή. Η τεχνητή νοημοσύνη μπορεί να αυτοματοποιήσει επαναλαμβανόμενες εργασίες, να βοηθήσει τον ειδικό να σκεφτεί πληρέστερα, να αποτελέσει χρήσιμο εργαλείο. Αυτές οι εφαρμογές δεν αμφισβητούνται.
Το πρόβλημα είναι η αδιάκριτη εφαρμογή της σε κάθε πτυχή της ψηφιακής ζωής, χωρίς διάκριση ανάμεσα σε χρήσεις που αξίζουν και χρήσεις που ζημιώνουν. Χωρίς αποτελεσματική λογοδοσία. Χωρίς ενεργειακή και περιβαλλοντική ευθύνη. Χωρίς σεβασμό στα πνευματικά δικαιώματα που τάισαν τα μοντέλα. Χωρίς προστασία της δημοσιογραφίας που τα κρατά ενημερωμένα. Ένας κλάδος που υπόσχεται τεχνολογική πρόοδο ενώ ταυτόχρονα υποβαθμίζει την αξιοπιστία της πληροφόρησης, αποδυναμώνει την κριτική σκέψη μέσω της γνωστικής αποφόρτισης (της συνήθειας να πάψει κανείς να σκέφτεται μόνος του γιατί «η μηχανή μου τα λέει»), διευρύνει τις ανισότητες και μεταφέρει κοινωνικό κόστος στους πιο ευάλωτους, δεν αποτελεί πρόοδο. Αποτελεί αναδιανομή βλάβης.
Ο βαθμός στον οποίο ο δημόσιος διάλογος αντιλαμβάνεται αυτή τη διάκριση θα καθορίσει σε μεγάλο βαθμό πώς θα διαχειριστεί η κοινωνία τις επιπτώσεις. Και όπως αποκάλυψε και το ίδιο το Gemini όταν πιέστηκε, ο κλάδος κόβει το κλαδί πάνω στο οποίο κάθεται. Το παράθυρο για να προλάβει κανείς αυτούς τους κινδύνους γίνεται ολοένα και πιο στενό.
For the Prince
Αθήνα, Άνοιξη 2026
