Από τα μαθηματικά και τη μετεωρολογία μέχρι τη γενετική, η τεχνητή νοημοσύνη επιταχύνει την ίδια τη διαδικασία της ανακάλυψης. Μαζί της, όμως, επιταχύνεται και η «δημιουργική καταστροφή». Οι ανακαλύψεις του σήμερα θα διαμορφώσουν την οικονομία του αύριο με συνέπειες που μόλις αρχίζουμε να διακρίνουμε. Και ο χρόνος που έχουμε για να προετοιμαστούμε ίσως είναι πολύ λιγότερος απ’ όσο νομίζουμε.
Μια ακόμα επανάσταση ξεκινά. Στις 16 Σεπτεμβρίου δημοσιεύθηκε στο Nature μια εργασία από το Στάνφορντ που αλλάζει το τι σημαίνει επιστημονική δημοσίευση και πώς χρησιμοποιείται. Τόσο τα εκατομμύρια των υφιστάμενων όσο και οι μελλοντικές. Τι συνέβη;
Σήμερα, το επιστημονικό άρθρο είναι ένα κείμενο: περιγράφει μια μέθοδο, δείχνει αποτελέσματα και συχνά συνοδεύεται από κώδικα, που κάπου είναι αναρτημένος. Είναι μια γνώση καταγεγραμμένη, αλλά στατική, παθητική. Η ομάδα του James Zou έφτιαξε ένα σύστημα, το Paper2Agent, που παίρνει ένα άρθρο μαζί με τον συνοδευτικό του κώδικα (όπου αυτός είναι διαθέσιμος) και το μετατρέπει αυτόματα σε ΑΙ agent.
Οι agents αυτοί μπορούν να απαντούν σε ερωτήσεις σχετικά με την έρευνα, να εφαρμόζουν μεθόδους από τη δημοσίευση σε νέα δεδομένα, ακόμη και να συμμετέχουν σε συνομιλίες με άλλους agents. Το σύστημα δοκιμάστηκε σε 100 άρθρα βιολογίας: τα 74 μετατράπηκαν επιτυχώς και από τα 599 εργαλεία που εξήχθησαν τα 593 πέρασαν τον έλεγχο. Ανάμεσα στα πολλά χαρακτηριστικά παραδείγματα, η μετατροπή του AlphaGenome paper σε agent κόστισε μόλις 14 δολάρια. Ο κώδικας του συστήματος είναι ανοιχτός, διαθέσιμος σε όποιον τον θελήσει.
Στη συνέχεια, επέλεξαν δύο άρθρα χωρίς καμία μεταξύ τους συνάφεια και έβαλαν τους αντίστοιχους AI agents να επικοινωνήσουν και να συντονιστούν μεταξύ τους. Ο πρώτος εφάρμοσε τη μέθοδό του στα δεδομένα του δεύτερου και εντόπισε μια συσχέτιση γενετικής παραλλαγής που δεν είχε αναφερθεί ξανά!
Το σύστημα είναι πρωτόλειο και έχει δρόμο μπροστά του μέχρι να φτάσει σε στάδιο γενικευμένης εφαρμογής. Ο μηχανισμός όμως είναι που μετράει. Και είναι επαναστατικός.
Μέχρι σήμερα, ακόμη και τα μεγάλα μοντέλα τεχνητής νοημοσύνης «διάβαζαν» τη βιβλιογραφία όπως ο άνθρωπος: ως περιγραφή. Μπορούσαν να σου περιγράψουν τι κάνει μία μέθοδος, αλλά όχι να εμβαθύνουν, ούτε να την τρέξουν. Τώρα, εφόσον εξελιχθεί και μαζικοποιηθεί το σύστημα αυτό, το απόθεμα της δημοσιευμένης γνώσης μπορεί να αξιοποιηθεί σε πολύ μεγαλύτερο βάθος, με πολύ μεγαλύτερη δημιουργικότητα (από την ίδια την ΑΙ) και με αφάνταστα μεγαλύτερες ταχύτητες.
Μιλάμε για μια άνευ προηγουμένου δυνατότητα deep mining της ήδη δημοσιευμένης γνώσης και ταυτόχρονα για δοκιμή ιδεών σε ρυθμούς που ξεπερνούν σε τάξη μεγέθους όχι μόνο την ανθρώπινη δυνατότητα, αλλά και ό,τι μπορούσαν ως χθες τα ίδια τα μοντέλα. Σε αυτή την περίπτωση δεν αυξάνεται μόνο η ταχύτητα της έρευνας. Αυξάνεται εκρηκτικά και ο αριθμός των συνδυασμών μεθόδων, δεδομένων και υποθέσεων που μπορούν να δοκιμαστούν. Συνδυασμών που ολόκληρη η επιστημονική κοινότητα δεν θα προλάβαινε ποτέ να εξετάσει.
Στο βιβλίο μου «ΑΙ, Η Εκτόπιση της Εργασίας – Καθολικό Βασικό Κεφάλαιο, Ελευθερία και Αξιοπρέπεια σε Έναν Κόσμο Χωρίς Μισθό», εξηγώντας από πού θα προέλθει η τεράστια αύξηση του πλούτου που αποτελεί την θετική υπόσχεση της ΑΙ, γράφω:
«Η AI είναι βέβαιο ότι θα επιταχύνει δραματικά τη διαδικασία επιστημονικής ανακάλυψης με την παραγωγή νέων τεχνολογιών σε ολόκληρο το φάσμα των ανθρώπινων δραστηριοτήτων. Αυτό τη διαφοροποιεί καταλυτικά από οποιαδήποτε άλλη τεχνολογία του παρελθόντος.
Αυτή η εκθετική επιτάχυνση δεν είναι θεωρητική. Είναι ήδη μετρήσιμη στην καρδιά της βιομηχανικής και επιστημονικής παραγωγής. Το πιο εντυπωσιακό παράδειγμα “ανατροφοδοτούμενης βελτίωσης” έρχεται από τον ίδιο τον σχεδιασμό των μικροτσίπ. Εταιρείες, όπως η Nvidia, χρησιμοποιούν πλέον εξειδικευμένα μοντέλα AI (όπως το ChipNeMo) για να σχεδιάσουν την επόμενη γενιά επεξεργαστών […]
Στην πραγματική οικονομία των υλικών η επίδραση είναι εξίσου καταλυτική. Χαρακτηριστική είναι η πρόσφατη ανακάλυψη ενός νέου υλικού στερεάς κατάστασης για μπαταρίες που μειώνει τη χρήση λιθίου κατά 70%[…] Με τις παραδοσιακές μεθόδους […] θα απαιτούνταν δεκαετίες εργαστηριακών δοκιμών.
Όσον αφορά την ικανότητα της τεχνητής νοημοσύνης να παράγει πρωτογενή γνώση, αυτή ήδη έχει ξεκινήσει με τη δημιουργία νέων μαθηματικών. Το FunSearch, της Google DeepMind, κατάφερε να ανακαλύψει νέες λύσεις σε προβλήματα της συνδυαστικής θεωρίας, όπως παραλλαγές του «Cap Set Problem», εντοπίζοντας κατασκευές που διέφευγαν από την ανθρώπινη διαίσθηση για δεκαετίες[…]
Τέλος, είναι ήδη εδώ και ο πολλαπλασιασμός της απόδοσης των ανθρώπων ερευνητών. Με πολλαπλούς τρόπους, που περιλαμβάνουν από την αύξηση της παραγωγικότητάς τους με χρήση κλασικών εργαλείων generative AI μέχρι επαναστατικές αλλαγές στα διαθέσιμα εργαλεία που χρησιμοποιούν[…]
Και είμαστε ακόμη στην αρχή της αρχής».
Από τότε που γράφτηκαν αυτές οι γραμμές, έχουμε ήδη σημαντικά απτά παραδείγματα που επιβεβαιώνουν τη διαπίστωση και ενισχύουν την πρόβλεψη για εκθετική αύξηση των επιστημονικών και τεχνολογικών ανακαλύψεων. Τρία προφανή παραδείγματα:
Τα μαθηματικά. Μέσα στο 2026, τα μοντέλα άρχισαν να λύνουν ανοιχτά προβλήματα του Έρντος, που έμεναν άλυτα επί δεκαετίες. Τον Μάιο, μοντέλο της OpenAI έλυσε το «πρόβλημα της μοναδιαίας απόστασης» – εικασία του 1946. Τον ίδιο μήνα, ομάδα της DeepMind έλυσε αυτόνομα 9 από 353 ανοιχτά προβλήματα, με κόστος λίγων εκατοντάδων δολαρίων το καθένα. Τον Σεπτέμβριο είχαμε, τέλος, την επίλυση ενός από τα Millennium Problems, στην οποία αναφέρθηκα αναλυτικά σε προηγούμενη ανάρτησή μου.
Ο καιρός. Επί 70 χρόνια, η μετεωρολογική πρόγνωση στηριζόταν σε εξισώσεις ρευστοδυναμικής που έλυναν υπερυπολογιστές. Τα μοντέλα τεχνητής νοημοσύνης δεν λύνουν τις εξισώσεις. Ακολουθούν άλλο δρόμο. Μαθαίνουν από τα ιστορικά δεδομένα. Το GenCast της DeepMind ξεπέρασε το κορυφαίο ευρωπαϊκό σύστημα στο 97% των μεγεθών και χρονικών οριζόντων που ελέγχθηκαν. Πρόγνωση που απαιτούσε ώρες σε υπερυπολογιστή τώρα παράγεται μέσα σε ένα λεπτό από έναν απλό υπολογιστή. Στις σύνθετες μετεωρολογικές συνθήκες υπάρχει ακόμα υστέρηση, όμως η κατεύθυνση είναι σαφής.
Το DNA. Στις 8 Σεπτεμβρίου, η DeepMind δημοσίευσε τον Άτλαντα AlphaGenome: προβλέψεις για τις εννέα δισεκατομμύρια δυνατές μονογραμματικές μεταλλάξεις του ανθρώπινου DNA, δηλαδή για καθένα από τα τρία δισεκατομμύρια γράμματά του και τις τρεις εναλλακτικές που μπορεί να πάρει. Ο εργαστηριακός έλεγχος εννέα δισεκατομμυρίων παραλλαγών είναι πρακτικά αδύνατος. Συνεπώς πρόκειται για ένα πείραμα που δεν θα γινόταν ποτέ. Ερευνητικές ομάδες που χρησιμοποίησαν το νέο Άτλαντα εντόπισαν 22% περισσότερες γενετικές συσχετίσεις, που αλλιώς θα είχαν χαθεί μέσα στον στατιστικό θόρυβο.
Δημιουργική Καταστροφή on Steroids
Ο Joseph Schumpeter, ένας από τους κορυφαίους οικονομολόγους του 20ού αιώνα, ονόμασε «δημιουργική καταστροφή» τη διαδικασία με την οποία η καινοτομία δημιουργεί νέες αλυσίδες προσφοράς και σαρώνει επιχειρήσεις, κεφάλαια και επαγγέλματα που υπηρετούσαν την προηγούμενη τεχνολογία – όπως το αυτοκίνητο που εξαφάνισε την άμαξα ή το ηλεκτρικό ψυγείο που αντικατέστησε τη βιομηχανία του πάγου. Από την καταστροφή αυτή, όμως, προέκυψε τελικά περισσότερος πλούτος από εκείνον που χάθηκε. Η κοινωνική και οικονομική οδύνη ήταν όμως πραγματική. Απορροφήθηκε, ωστόσο, γιατί είχε έναν ρυθμό που οι κοινωνίες μπορούσαν να αντέξουν. Η νέα τεχνολογία χρειαζόταν δεκαετίες για να διαχυθεί, επηρεάζοντας έναν ή λίγους κλάδους τη φορά.
Αυτό που ξεκινάει τώρα είναι διαφορετικό, γιατί αλλάζει ο ρυθμός και η έκταση της δημιουργικής καταστροφής. Όταν επιταχύνεται τόσο δραστικά η ίδια η ανακάλυψη, συμπιέζεται ο χρόνος ανάμεσα στις διαδοχικές τεχνολογίες, με αποτέλεσμα οι θεσμοί, τα επαγγέλματα και οι άνθρωποι να μην προλαβαίνουν να ολοκληρώσουν έναν κύκλο προσαρμογής προτού αρχίσει ο επόμενος. Και επειδή η τεχνητή νοημοσύνη είναι γενική τεχνολογία, όχι κλαδική, δεν χτυπάει έναν κλάδο τη φορά. Θα τους επηρεάσει όλους –με διαφορετικό ρυθμό τον καθένα– αλλά πολλούς ταυτόχρονα. Διαρκώς, χωρίς ανάσα, χωρίς καμία παύση ανάμεσα στις φάσεις της εξέλιξής της.
Εδώ βρίσκεται η παγίδα: οι ανακαλύψεις του 2026 δεν είναι είδηση για την οικονομία του 2026. Είναι τα προϊόντα, οι αγορές, οι επενδύσεις και τα καταργημένα επαγγέλματα της δεκαετίας του 2030. Οι σπόροι φυτεύονται τώρα και θεριεύουν αργότερα. Όταν το φαινόμενο γίνει ορατό στην οικονομία, θα είναι πολύ αργά για να δούμε τι πρέπει να κάνουμε.
Γι’ αυτό επείγει να αρχίσει η συζήτηση για την οικονομική πολιτική που απαιτείται για τη διαχείριση αυτής της νέας πραγματικότητας. Και δεν εννοώ την πολιτική του προηγούμενου αιώνα – όπως τα επιδόματα ανεργίας και τα συνήθη προγράμματα επανακατάρτισης. Η επανακατάρτιση προϋποθέτει ότι υπάρχει κάτι για το οποίο μπορείς να καταρτιστείς, κάτι που δεν θα κάνουν φθηνότερα έπειτα από πέντε χρόνια τα ρομπότ και οι ψηφιακοί εργαζόμενοι. Το πραγματικό ερώτημα είναι διαφορετικό και είναι ερώτημα ιδιοκτησίας: ποιος θα κατέχει το κεφάλαιο, όταν η ίδια η επιστημονική και εργασιακή γνώση μετατρέπονται σε κεφάλαιο.
Δεν το λέω μόνος μου. Πρόσφατα, οι οικονομολόγοι της DeepMind (Google) δημοσίευσαν κείμενο οικονομικής πολιτικής για την εποχή της τεχνητής γενικής νοημοσύνης (AGI), το οποίο καταλήγει, στο πιο προχωρημένο από τα σενάρια τους, στο καθολικό βασικό κεφάλαιο. Θέση που βρίσκεται και στον πυρήνα του βιβλίου μου.
Η συζήτηση έχει αρχίσει διεθνώς. Απλώς όχι ακόμα στη δική μας χώρα.
Διαβάστε επίσης στην αθηΝΕΑ:
Γιατί οι Ίδιες οι Εταιρείες AI Ζητούν να Πατήσουμε Φρένο;
