Η φούσκα του AGI και η αλήθεια για την τεχνητή νοημοσύνη της OpenAI – Γιατί ο ενθουσιασμός γύρω από το νέο GPT-6 ξεφουσκώνει
, το παιχνίδι των δισεκατομμυρίων και η σκληρή πραγματικότητα για την αγορά εργασίας.
Ο ενθουσιασμός γύρω από την τεχνητή νοημοσύνη δείχνει να κοπάζει. Την ώρα που εταιρείες κολοσσοί έχουν απόλυτη ανάγκη για νέες, αστρονομικές επενδύσεις, ορολογίες όπως το AGI (Τεχνητή Γενική Νοημοσύνη) και το «Singularity» (Μοναδικότητα) μοιάζουν πλέον να μην έχουν καμία σχέση με την πραγματική τεχνολογία ή τη χρηστικότητά της. Αντιθέτως, λειτουργούν ως οχήματα ψυχολογικής διέγερσης των αγορών. Η πρόσφατη κυκλοφορία του GPT-6, γνωστού και ως Astra, από την OpenAI, συνοδεύτηκε από βαρύγδουπες δηλώσεις περί εισόδου στην εποχή του AGI. Όμως, πίσω από τη βιτρίνα, κορυφαίοι Αμερικανοί αναλυτές της τεχνολογικής αγοράς διαβλέπουν ένα αφήγημα που θολώνει σκόπιμα τα νερά.
σχετικά άρθρα
Η πραγματικότητα είναι πως τα λεγόμενα frontier models (μοντέλα αιχμής) προσφέρουν καλές επιδόσεις εδώ και περίπου δύο χρόνια. Αυτό που ουσιαστικά υπόσχεται τώρα η OpenAI είναι απλώς μια καλύτερη εκτέλεση συγκεκριμένων εργασιών, με βελτιωμένες δικλείδες ασφαλείας. Ωστόσο, το ερώτημα παραμένει: Είναι αυτό πραγματικό AGI ή απλώς ένας θολός όρος που εξυπηρετεί επιχειρηματικές σκοπιμότητες; Η απάντηση κρύβεται περισσότερο στα οικονομικά μεγέθη και λιγότερο στις τεχνολογικές καινοτομίες, καθώς ο κλάδος αναζητά απεγνωσμένα το μοντέλο εσόδων που θα δικαιολογήσει τις αποτιμήσεις των τρισεκατομμυρίων.
Το αφήγημα του AGI ως εργαλείο προσέλκυσης κεφαλαίων
Πριν από δύο χρόνια, στελέχη όπως ο Sam Altman και ο Dario Amodei προειδοποιούσαν ότι η τεχνητή νοημοσύνη θα αντικαταστήσει τους πάντες στην αγορά εργασίας, ότι θα λύσει κορυφαία επιστημονικά προβλήματα και θα θεραπεύσει ασθένειες. Σήμερα, αντί για αυτές τις κοσμογονικές αλλαγές, οι εταιρείες πανηγυρίζουν επειδή τα μοντέλα τους έλυσαν μαθηματικά προβλήματα 80 ετών. Ένα εντυπωσιακό επίτευγμα, το οποίο όμως στερείται άμεσης, ευρείας εμπορικής χρηστικότητας.
Το πρόβλημα είναι ότι βρισκόμαστε μπροστά σε ένα τεχνολογικό «αδιέξοδο». Όπως ακριβώς συνέβη και με την εικονική πραγματικότητα (VR), η οποία πέρασε από κύματα ενθουσιασμού για να καταλήξει ένα ακριβό και περιορισμένης χρήσης εργαλείο, έτσι και η τεχνητή νοημοσύνη φαίνεται να φτάνει σε ένα πλατό δυνατοτήτων. Το να επικαλείται κανείς το AGI σήμερα, είναι πρωτίστως μια κίνηση για να κρατηθεί ζωντανός ο κύκλος του χρήματος.
Όταν επενδύσεις πολλών δισεκατομμυρίων είναι νομικά συνδεδεμένες με την επίτευξη του AGI, δημιουργείται ένα τεράστιο κίνητρο για εταιρείες όπως η OpenAI να βαφτίσουν τις σταδιακές τεχνολογικές τους βελτιώσεις ως «γενική νοημοσύνη». Χωρίς αυστηρούς νομικούς ή τεχνικούς ορισμούς για το τι πραγματικά συνιστά AGI, ο όρος εργαλειοποιείται. Στην ουσία, το μήνυμα προς τους επενδυτές είναι: «Δεν μας δίνετε χρήματα για να λύσουμε το συγκεκριμένο επιχειρηματικό σας πρόβλημα, μας δίνετε χρήματα γιατί φτάσαμε στο AGI».
Η πρόκληση του κόστους και το στοίχημα των επιχειρήσεων
Αν απομονώσουμε τον θόρυβο και εστιάσουμε καθαρά στην τεχνολογία, το GPT-6 (Astra) φέρνει κάποιες υποσχέσεις, κυρίως όσον αφορά την καλύτερη διαδραστικότητα με τους υπολογιστές και την «ευθυγράμμιση» (alignment), δηλαδή την ικανότητα του μοντέλου να υπακούει αυστηρά στους κανόνες. Όμως, το μεγάλο εμπόδιο για την ενσωμάτωσή του είναι το αστρονομικό κόστος. Το νέο μοντέλο της OpenAI εκτιμάται ότι είναι δυόμισι φορές πιο ακριβό από τους προκατόχους του.
Για τον εταιρικό κόσμο, το κόστος δεν είναι ποτέ απόλυτο, αλλά πάντα σχετικό. Η ερώτηση δεν είναι αν τα 10 δολάρια ανά εκατομμύριο tokens είναι πολλά, αλλά αν το σύστημα μπορεί να αντικαταστήσει με ασφάλεια έναν εξειδικευμένο υπάλληλο που κοστίζει 100 ή 400 δολάρια την ώρα. Αν ένα εξειδικευμένο μοντέλο μπορεί να συντάξει ένα νομικό συμβόλαιο, καταργώντας την ανάγκη για έναν δικηγόρο που χρεώνει 3.000 δολάρια, τότε το κόστος της πλατφόρμας μοιάζει ασήμαντο.
Το πρόβλημα είναι ότι, μέχρι στιγμής, τα γενικά μοντέλα προσπαθούν να είναι «ένα μέγεθος για όλους». Η απουσία εξειδίκευσης τα καθιστά ενεργοβόρα και πανάκριβα χωρίς να εγγυώνται την απόλυτη ακρίβεια που απαιτεί μια κρίσιμη εταιρική λειτουργία. Σε ένα περιβάλλον όπου η διαφοροποίηση των προϊόντων είναι ισχνή, ο αγώνας για υπέρογκες αποτιμήσεις, χωρίς σαφές πλεονέκτημα στην αγορά, μοιάζει με ριψοκίνδυνο στοίχημα.
Ασφάλεια, δικαιώματα και τα λάθη των συστημάτων
Το απόλυτο κριτήριο (taste test) για την επιτυχία αυτών των συστημάτων είναι η εμπιστοσύνη. Θα άφηνε ένας διευθύνων σύμβουλος ένα LLM (Μεγάλο Γλωσσικό Μοντέλο) να διαχειριστεί τον τραπεζικό λογαριασμό της εταιρείας; Η απάντηση, για την ώρα, είναι κατηγορηματικά όχι. Τα συστήματα τεχνητής νοημοσύνης πρέπει να αντιμετωπίζονται ως ένα μικρό εξάρτημα — ίσως το 10% — ενός ευρύτερου εταιρικού οικοσυστήματος, και όχι ως αυτόνομοι παντογνώστες υπάλληλοι.
Η τεράστια πρόκληση στην πληροφορική παραμένει ο περιορισμός των προνομίων (privileges). Σήμερα, πολλοί χρήστες τρέχουν μοντέλα τεχνητής νοημοσύνης έχοντας οι ίδιοι πλήρη δικαιώματα διαχειριστή. Αν το μοντέλο αποτύχει να «ευθυγραμμιστεί» (alignment failure) και αρχίσει να συμπεριφέρεται αλλοπρόσαλλα, έχει τη δύναμη να διαγράψει κρίσιμες βάσεις δεδομένων, ακριβώς επειδή κληρονομεί τα δικαιώματα του χρήστη που το εκκίνησε.
Αυτό αναδεικνύει την επιτακτική ανάγκη για συστημική προσέγγιση. Η τεχνητή νοημοσύνη πρέπει να λειτουργεί σε «sandbox» (αυστηρά απομονωμένα περιβάλλοντα), έχοντας συγκεκριμένα, περιορισμένα δικαιώματα πρόσβασης. Πολλά από τα υποτιθέμενα «λάθη της τεχνητής νοημοσύνης» που καταγράφονται, είναι στην πραγματικότητα θεμελιώδη λάθη των διαχειριστών συστημάτων (sysadmins), οι οποίοι παρέδωσαν τα κλειδιά της υποδομής σε έναν αλγόριθμο χωρίς κανένα προστατευτικό πλέγμα.
Το χάσμα δεκαετίας για την πραγματική ενσωμάτωση
Ένας μύθος που καταρρέει γρήγορα είναι η αμεσότητα της τεχνολογικής υιοθέτησης. Στον πραγματικό κόσμο, κάθε νέα θεμελιώδης τεχνολογία χρειάζεται περίπου μια δεκαετία για να ενσωματωθεί οργανικά στην καθημερινή παραγωγική διαδικασία. Γιατί; Διότι για να αυτοματοποιήσεις μια διαδικασία, πρέπει πρώτα να την κατανοήσεις.
Εδώ κρύβεται το μεγαλύτερο εταιρικό παράδοξο της εποχής μας: Οι περισσότερες μεγάλες επιχειρήσεις δεν γνωρίζουν ακριβώς τι κάνουν οι υπάλληλοί τους. Για να χρησιμοποιήσεις την τεχνητή νοημοσύνη ώστε να αντικαταστήσεις την ανθρώπινη εργασία, πρέπει να αναλύσεις το έργο του υπαλλήλου σε θεμελιώδη βήματα και να τα κωδικοποιήσεις. Αν η διοίκηση αγνοεί την πραγματική αξία και την καθημερινή ροή εργασιών του προσωπικού, η αυτοματοποίηση, είτε μέσω του πανάκριβου OpenAI είτε μέσω απλών εντολών προγραμματισμού, καθίσταται αδύνατη.
Η αυτοματοποίηση και η αντικατάσταση θέσεων εργασίας δεν θα συμβεί εν μια νυκτί. Θα είναι μια αργή, δεκαετής διαδικασία. Σε δέκα χρόνια από τώρα, όταν μια νέα γενιά «αι-νέιτιβ» (AI natives) εργαζομένων θα έχει αναλάβει τα ηνία, η χρήση αυτών των μοντέλων θα είναι τόσο δεδομένη όσο είναι σήμερα η χρήση του υπολογιστή για την πληκτρολόγηση ενός εγγράφου, καταργώντας παλαιότερα επαγγέλματα, όπως αυτό της δακτυλογράφου. Όταν όμως οι εταιρείες μάθουν επιτέλους πώς να τυποποιούν τις διαδικασίες τους, το ερώτημα δεν θα είναι αν θα χρησιμοποιήσουν το OpenAI με δεκάδες δολάρια χρέωση, αλλά αν θα μπορούν να κάνουν τη δουλειά τους δωρεάν με απλό παραδοσιακό κώδικα.
Οι μακροοικονομικές πιέσεις και το τέλος του φθηνού χρήματος
Δεν μπορούμε να αναλύσουμε τη φούσκα του AI χωρίς να κοιτάξουμε το μακροοικονομικό τοπίο. Μετά τη Μεγάλη Ύφεση, οι κεντρικές τράπεζες, ειδικά στις ΗΠΑ, διατήρησαν τα επιτόκια κοντά στο μηδέν (πολιτική ZIRP). Αυτό επέτρεψε σε κεφάλαια να ρέουν άφθονα και ανεξέλεγκτα προς τις τεχνολογικές εταιρείες. Επενδυτές μπορούσαν να δανειστούν με 1% και να αναζητήσουν αποδόσεις 20%, απλώς και μόνο μετακινώντας χρήμα σε υποσχόμενες τεχνολογικές startup.
Αυτό το «δωρεάν χρήμα» δημιούργησε έναν ακραίο εταιρικό πληθωρισμό. Οι εταιρείες διογκώθηκαν, προσέλαβαν αλόγιστα και έχασαν τον έλεγχο της παραγωγικότητάς τους. Η έννοια της «αποδοτικότητας» εξαφανίστηκε από το λεξιλόγιο του management για πάνω από μια δεκαετία. Σήμερα, με τα επιτόκια να έχουν επιστρέψει σε φυσιολογικά επίπεδα, τα κεφάλαια στερεύουν.
Αυτή η μακροοικονομική στροφή είναι που πιέζει εταιρείες όπως η OpenAI να παρουσιάσουν το AGI ως το «Άγιο Δισκοπότηρο». Χρειάζονται τα κεφάλαια για να επιβιώσουν, καθώς το κόστος ανάπτυξης μεγαλώνει γεωμετρικά, την ώρα που το επιχειρηματικό μοντέλο παραμένει ασαφές. Η εταιρική αγορά, πλέον πιεσμένη, απαιτεί απτές αποδείξεις ότι το λογισμικό της OpenAI αποφέρει πραγματικά κέρδη και δεν είναι απλώς μια ακριβή δοκιμή.
Τα data centers των τρισεκατομμυρίων και ο κίνδυνος απαξίωσης
Αποκορύφωμα αυτού του τεχνολογικού παροξυσμού είναι η τρέχουσα υστερία με τα data centers. Οι κολοσσοί της τεχνολογίας επενδύουν τρισεκατομμύρια δολάρια για το χτίσιμο θηριωδών υποδομών προκειμένου να εκπαιδεύσουν και να τρέξουν τα μοντέλα της επόμενης γενιάς. Ωστόσο, η ίδια η αρχιτεκτονική του AI αλλάζει ραγδαία.
Σήμερα, ισχυρά μοντέλα μπορούν να τρέξουν τοπικά σε smartphones, σε browsers, ακόμα και σε μικρά τοπικά δίκτυα (clusters). Εταιρείες όπως η Nvidia ήδη προσφέρουν πρωτόκολλα που επιτρέπουν στις επιχειρήσεις να διαμοιράζουν τα φορτία της τεχνητής νοημοσύνης μέσα στα δικά τους τοπικά δίκτυα, χωρίς την ανάγκη σύνδεσης με τεράστιους κεντρικούς διακομιστές στο cloud.
Αν η τεχνολογία καταλήξει να λειτουργεί κυρίως «στην άκρη» (edge computing) και μέσα σε τοπικούς, ασφαλείς εταιρικούς διακομιστές, τα γιγαντιαία data centers που χτίζονται σήμερα κινδυνεύουν να καταστούν απαξιωμένα περιουσιακά στοιχεία στο κοντινό μέλλον. Χτίζουμε υποδομές βασισμένοι στον τρόπο που κατανοούμε το AI σήμερα, ενώ ο κλάδος μεταλλάσσεται ριζικά κάθε τρίμηνο. Το συμπέρασμα είναι σαφές: πριν πειστούμε ότι το AGI ήρθε για να αλλάξει τη μοίρα της ανθρωπότητας, θα πρέπει να δούμε αν μπορεί πρώτα να δημιουργήσει ένα βιώσιμο επιχειρηματικό μοντέλο που να βγάζει έστω και ένα δολάριο καθαρού κέρδους.
