Μέσα σε έναν κουβά τοποθετούμε τα εξής δύο:
- Τους φρενήρεις ρυθμούς εξέλιξης της τεχνολογίας και της τεχνητής νοημοσύνης (ΤΝ).
- Τον ανταγωνισμό μεταξύ μεγάλων τεχνολογικών εταιρειών και κρατών για οικονομικά και γεωπολιτικά οφέλη.
Το αποτέλεσμα; ένα σκηνικό γεμάτο αβεβαιότητα και προκλήσεις για την ανθρωπότητα.
Η τεχνολογία και η επιστήμη έχουν δώσει τη δυνατότητα για βελτίωση σε πολλές πτυχές της ανθρώπινης ζωής: αυξημένο προσδόκιμο ζωής, καλύτερη υγειονομική περίθαλψη, εύκολη πρόσβαση στην πληροφορία, ταχύτερες μετακινήσεις και εργαλεία που μειώνουν τον καθημερινό κόπο. Ωστόσο, αυτά τα οφέλη δεν κατανέμονται ισότιμα σε όλους τους ανθρώπους. Ο παρακάτω χάρτης, ενδεικτικά, δείχνει το προσδόκιμο ζωής ανά χώρα (μετρήσεις του 2023): οι ανεπτυγμένες οικονομίες ευνοούνται, ενώ οι αναπτυσσόμενες υπολείπονται σημαντικά.
Αυτό το φαινόμενο δεν περιορίζεται στο προσδόκιμο ζωής και την υγεία, αλλά επεκτείνεται σε κάθε πτυχή της ανθρώπινης ζωής, και αυτό επειδή η τεχνολογική πρόοδος από μόνη της δεν εγγυάται την κοινωνική πρόοδο.
Αντίθετα, συχνά οδηγεί σε καταστροφές – όπως συμβαίνει για παράδειγμα με την πολεμική βιομηχανία, τη μαζική παραγωγή τροφίμων ακατάλληλων για σωστή (υγιεινή) διατροφή και τη βιομηχανική εκτροφή ζώων σε τέτοια κλίμακα και με τέτοιες μεθόδους που οξύνουν την κλιματική κρίση.
Η τεχνολογία και η επιστήμη δεν είναι ουδέτερες. Αναπτύσσονται μέσα σε συγκεκριμένα οικονομικά και πολιτικά πλαίσια, τα οποία καθορίζουν τόσο την κατεύθυνσή τους όσο και την πρόσβαση στα οφέλη τους.
Το ίδιο ισχύει και για την τεχνητή νοημοσύνη. Για να μπορέσουμε να αξιοποιήσουμε την ΤΝ στην εργασία και τη ζωή μας προς όφελός μας, μια απαραίτητη προϋπόθεση είναι η κατανόηση των δυνατοτήτων, των περιορισμών και των κινδύνων της.
Η γνώση αυτή θα μας επιτρέψει να αγωνιστούμε ώστε η τεχνολογική πρόοδος που η ανθρωπότητα επιτυγχάνει να υπηρετεί την ίδια την ανθρωπότητα και όχι μία οικονομική ελίτ που κατέχει τα μέσα τεχνολογίας.
Ο καταιγιστικός ρυθμός εξέλιξης στην τεχνητή νοημοσύνη
Καταρχάς να διευκρινίσουμε ότι ο όρος Τεχνητή Νοημοσύνη είναι ένας όρος ομπρέλα που περικλείει πολλές υποκατηγορίες, όπως το machine learning, deep learning, computer vision, natural language processing και πολλά άλλα.
Μέχρι πρόσφατα ήταν περισσότερο ανεπτυγμένες κάποιες συγκεκριμένες υποκατηγορίες, όπως το machine learning (μηχανική μάθηση), που χρησιμοποιεί δεδομένα για την εκπαίδευση αλγορίθμων στην αναγνώριση μοτίβων και προτύπων.
Το 2017 δημοσιεύτηκε το ρηξικέλευθο paper ‘Attention is all you need‘ που εισήγαγε στον κόσμο μας τα μεγάλα γλωσσικά μοντέλα (LLMs – Large Language Models), όπως το chatGPT, φέρνοντας τα πάνω κάτω στην επιστημονική κοινότητα και όχι μόνο. Η ΤΝ έχει φτάσει σε επίπεδα που προσομοιάζουν την ανθρώπινη σκέψη και δημιουργικότητα. Τα LLMs για παράδειγμα μπορούν να δημιουργήσουν μεταξύ άλλων τέχνη, ποίηση, σενάρια, εικόνες, ακόμη και παιχνίδια με πρωτότυπους κανόνες.
Ένα πολύ χρήσιμο άρθρο που περιγράφει δυνατότητες, προκλήσεις και προβληματισμούς γύρω από τα LLM είναι το «Η Τεχνητή Νοημοσύνη και οι προκλήσεις για τους εργαζόμενους και τα κινήματα». Από τη γέννηση της τεχνολογίας υπήρχαν οι προβληματισμοί σχετικά με το αν ποτέ οι μηχανές θα φτάσουν, ή ακόμα και θα ξεπεράσουν τους ανθρώπους σε γνωστικό αλλά και συναισθηματικό επίπεδο. Κάποτε ένα από τα όρια που έμπαιναν ήταν η έλλειψη δημιουργικότητας που χαρακτήριζε τις μηχανές καθώς κυρίως εκτελούσαν μία εργασία την οποία μάθαιναν. Τα LLMs κατήργησαν αυτό το όριο. Ένας άλλος προβληματισμός υπήρχε σχετικά με την αδυναμία συλλογισμού και επιχειρηματολογίας όμως και αυτό ανατρέπεται τα τελευταία χρόνια, με τα πιο εξελιγμένα LLMs να αναπτύσσουν συλλογισμό πολύ κοντά στον ανθρώπινο.
Η παρακάτω εικόνα δείχνει το συλλογισμό που αναπτύσσει από πίσω «φωναχτά» το κινεζικό LLM DeepSeek στην ερώτηση «Τί είναι το DeepSeek r1;». Μοιάζει πραγματικά με μια ανθρώπινη συλλογιστική σκέψη, ξεκινώντας από αυτό που ήδη είναι γνωστό, προσδιορίζοντας το ερώτημα και προς ποια κατεύθυνση να αναζητήσει, κάνοντας παραλληλισμούς και υποθέσεις και συνθέτοντας έτσι την τελική απάντηση.
Όλες αυτές οι συνεχείς εξελίξεις, που συχνά ανατρέπουν σταθερές τις οποίες θεωρούμε ακλόνητες, καθιστούν εξαιρετικά δύσκολες οποιεσδήποτε προβλέψεις για τις δυνατότητες της ΤΝ.
Η τεχνητή νοημοσύνη δεν είναι αμερόληπτη
Μία ιδιαίτερα αξιοσημείωτη πρόοδος τα τελευταία χρόνια είναι αυτή που συμβαίνει στον τομέα του Explainable Artificial Intelligence (XAI), το οποίο ενσωματώνει στην ΤΝ εργαλεία και μεθόδους που ρίχνουν φως στο πώς ένα σύστημα TN παίρνει τις αποφάσεις που παίρνει.
Εν γένει, πολλοί αλγόριθμοι λειτουργούν και παίρνουν αποφάσεις με έναν τρόπο ο οποίος είναι «μαύρο κουτί», ακόμα και για αυτούς/ές που το προγραμματίζουν. Μπορεί τα αποτελέσματά τους σε αρκετά προβλήματα να είναι εκπληκτικά, όμως δεν υπάρχει επεξηγηματικότητα, ερμηνεία και διαφάνεια για το πως λειτούργησε ο αλγόριθμος.
Και μπορεί να αναρωτηθεί κανείς, μας πειράζει αυτό από τη στιγμή που τα αποτελέσματα είναι ικανοποιητικά; Η απάντηση είναι ναι, γιατί στηντεχνητή νοημοσύνη υπάρχει μεροληψία (AI bias). Οόρος αυτός περιγράφει την ενσωμάτωση διακρίσεων και προκαταλήψεων σε συστήματα ΤΝ, η οποία οδηγεί στη λήψη αποφάσεων εκ μέρους των συστημάτων που διαπνέονται από ανάλογες προκαταλήψεις και διακρίσεις.
Εκτός από διάφορα σφάλματα μεθοδολογίας που μπορούν να προκαλέσουν μεροληψία, η βασικότερη ίσως αιτία είναι η μεροληψία που υπάρχει στα ίδια τα δεδομένα τα οποία χρησιμοποιούνται για να εκπαιδεύσουν τους αλγορίθμους. Ας το δούμε με μερικά παραδείγματα.
Ένα παράδειγμα είναι τα αυτόνομα αυτοκίνητα στο σενάριο που βρίσκονται μπροστά σε μια αναπόφευκτη σύγκρουση και πρέπει να λάβουν μια απόφαση που θα καθορίσει τα θύματα. Αν υπάρχουν περισσότερα δεδομένα που συνηγορούν υπέρ του ότι η ζωή ενός νεαρού παιδιού έχει μεγαλύτερη αξία από αυτήν μιας ηλικιωμένης τότε αυτό αναπόφευκτα θα επηρεάσει και την απόφαση του αλγορίθμου. Άλλο παράδειγμα είναι όταν ένα σύστημα AI αναλαμβάνει να αξιολογήσει βιογραφικά για μια θέση εργασίας. Έρευνες έχουν δείξει ότι μπορεί να παρουσιαστεί μεροληψία ως προς την εθνικότητα ή το φύλο των υποψηφίων (ευνοούνται οι λευκοί άντρες). Στην ιατρική, μεροληψία μπορεί να προκύψει κατά τη χρήση του computer vision για διάγνωση δερματικών παθήσεων, εάν τα δεδομένα εκπαίδευσης προέρχονται από περιορισμένη πληθυσμιακή ομάδα με συγκεκριμένο χρώμα δέρματος (δηλαδή έχει παρθεί μη αντιπροσωπευτικό δείγμα του πληθυσμού κατά τη δειγματοληψία), κάτι που μπορεί να οδηγήσει σε λανθασμένες διαγνώσεις για άτομα με διαφορετικό χρώμα.
Το Explainable AI (XAI) ενισχύει τη διαφάνεια και επιτρέπει διορθωτικές ενέργειες, ενώ ταυτόχρονα εντείνει τους προβληματισμούς για το αν η τεχνητή νοημοσύνη δύναται να ξεπεράσει τον άνθρωπο στις γνωστικές διεργασίες.
Αν η επιστήμη και η τεχνολογία λειτουργούσαν στη βάση της συνεργασίας και της ισότητας…
…Αντί για τον ανταγωνισμό και το κέρδος, ο κόσμος θα ήταν πολύ διαφορετικός. Οι τσέπες των δισεκατομμυριούχων CEO (διευθυντικών στελεχών) των μεγάλων εταιρειών και των πολιτικών στελεχών θα αδειάζανε, και οι «απλοί» άνθρωποι -οι εργαζόμενοι/ες, οι άνεργοι/ες, οι μετανάστες/ριες, όσοι/ες ζουν σε συνθήκες φτώχειας- θα απολάμβαναν μια πιο άνετη, δίκαιη και περισσότερο ξέγνοιαστη ζωή. Παράλληλα, το περιβάλλον θα απαλλασσόταν σταδιακά από την κλιματική κρίση, καθώς η τεχνολογία θα αναπτυσσόταν και θα έμπαινε σε εφαρμογή με γνώμονα το συλλογικό όφελος και τον σεβασμό στο περιβάλλον, και όχι το κέρδος.
Ένα πρόσφατο παράδειγμα που καταδεικνύει την ανταγωνιστική φύση του καπιταλιστικού συστήματος στον τομέα (και) της τεχνητής νοημοσύνης είναι η ανάπτυξη του DeepSeek-V3, ενός προηγμένου μοντέλου τεχνητής νοημοσύνης (LLM) από ομάδα Κινέζων ερευνητών/ριών. Το DeepSeek-V3 κατάφερε να ξεπεράσει σε διάφορα κριτήρια αξιολόγησης (benchmarks) αρκετά από τα κυρίαρχα LLMs, τα οποία ανήκουν κυρίως σε αμερικανικές εταιρείες (παρότι υπάρχουν και εταιρείες στον Καναδά, τη Γαλλία, τη Ρωσία, το Ισραήλ και τα Ηνωμένα Αραβικά Εμιράτα) και προκάλεσε ιδιαίτερη αίσθηση, καθώς ανέτρεψε την κυρίαρχη αντίληψη για το πώς πρέπει να αναπτύσσεται η Τεχνητή Νοημοσύνη.
Οικονομικός και Τεχνολογικός Πόλεμος ΗΠΑ-Κίνας
Η ιστορία του DeepSeek-V3 διαμορφώθηκε σε ένα πλαίσιο έντονου τεχνολογικού ανταγωνισμού μεταξύ ΗΠΑ και Κίνας. Κομμάτι αυτού του ανταγωνισμού είναι οι ημιαγωγοί. Οι ημιαγωγοί είναι υλικά που υπό ορισμένες συνθήκες μπορούν να μεταφέρουν ηλεκτρικό ρεύμα μεταξύ αγωγών (π.χ. μέταλλα) και μονωτών (π.χ. γυαλί). Η σημασία τους είναι τεράστια καθώς ολόκληρη η βιομηχανία μικροηλεκτρονικής βασίζεται στους ημιαγωγούς. Είναι το «υλικό» με το οποίο φτιάχνονται τα τσιπ που κινούν σχεδόν κάθε ηλεκτρονική συσκευή γύρω μας. Ήδη από την πρώτη προεδρία του Ντόναλντ Τραμπ, οι ΗΠΑ είχαν επιβάλει περιορισμούς στην εξαγωγή προηγμένων ημιαγωγών προς την Κίνα. Τον Οκτώβριο του 2022, επί προεδρίας Biden, οι περιορισμοί αυστηροποιήθηκαν, απαγορεύοντας την εξαγωγή εξειδικευμένων τσιπ χωρίς ειδική άδεια. Παράλληλα, απαγορεύτηκε σε αμερικανικές εταιρείες να προμηθεύουν κινεζικές επιχειρήσεις, όπως η SMIC, με προηγμένα εργαλεία παραγωγής τσιπ.
Οι ΗΠΑ είχαν ήδη αναγνωρίσει τη στρατηγική σημασία της τεχνητής νοημοσύνης και στόχευαν να εμποδίσουν την Κίνα (και άλλες ανταγωνιστικές χώρες) από το να αποκτήσουν τα απαραίτητα εξαρτήματα για την ανάπτυξη ισχυρών μοντέλων. Η έλλειψη GPU (ισχυροί επεξεργαστές) και προηγμένων ημιαγωγών, που και τα δύο είναι κρίσιμα για την ΤΝ, ήταν ένα ισχυρό εμπόδιο για την κινεζική βιομηχανία. Ωστόσο, τον Δεκέμβριο του 2024, η δημοσίευση του DeepSeek-V3 ανέτρεψε τα δεδομένα, δείχνοντας ότι η Κίνα κατάφερε να παρακάμψει τους περιορισμούς και να πρωτοπορήσει στην ανάπτυξη LLMs.
Η Καινοτομία του DeepSeek-V3
Το DeepSeek προκάλεσε αναταράξεις στον αμερικανικό τεχνολογικό τομέα, καθώς αμφισβήτησε δύο βασικές παραδοχές των Δυτικών εταιρειών. Η μία είναι ότι όσο μεγαλύτερο το μοντέλο τόσο καλύτερο (το μεγαλύτερο αναφέρεται στο πλήθος διαφόρων στοιχείων της αρχιτεκτονικής ενός μοντέλου, π.χ. νευρώνες και στρώματα ενός νευρωνικού δικτύου). Η δεύτερη παραδοχή η οποία βέβαια σχετίζεται και με την πρώτη είναι ότι απαιτείται τεράστια υπολογιστική ισχύς, άρα ενέργεια. Σπάζοντας αυτή τη λογική, το DeepSeek διαφοροποιήθηκε με τέσσερις βασικές καινοτομίες:
1. Χρήση Reinforcement Learning αντί Supervised Learning
Το Reinforcement learning είναι μία μέθοδος όπου η μηχανή μαθαίνει μέσω των αποτελεσμάτων που έχουν οι αποφάσεις που παίρνει. Μια τέτοια διαδικασία μάθησης για τον άνθρωπο είναι ο τρόπος που μαθαίνει να περπατάει. Δοκιμάζει βήματα, στηρίγματα, πέφτει, ξανασηκώνεται, προσπαθεί να ισορροπήσει έως ότου καταφέρνει να περπατήσει.
2. Mixture of Experts (MoE) – Επιλεκτική Ενεργοποίηση Παραμέτρων
Αντί να χρησιμοποιεί ολόκληρο το σύστημα για κάθε κομμάτι του προβλήματος, το DeepSeek ενεργοποιεί μόνο εκείνα τα τμήματα που είναι πιο σχετικά, μειώνοντας έτσι την ενεργειακή κατανάλωση. Π.χ. αν έχω να ψηλαφήσω στο σκοτάδι που είναι το χερούλι μιας πόρτας, θα χρησιμοποιήσω μόνο την αφή και όχι την ακοή, αφήνοντας τα αυτιά μου «ξεκούραστα».
3. Μεταφορά Γνώσης μεταξύ Μοντέλων
Το DeepSeek εφαρμόζει μια διαδικασία όπου τα διάφορα τμήματά του «διδάσκουν» το ένα το άλλο, επιταχύνοντας τη μάθηση για όλο το σύστημα.
4. Multi-Head Latent Attention – Βελτιωμένη Διαχείριση Προσοχής
Το DeepSeek μπορεί να εστιάζει ταυτόχρονα σε πολλαπλά σημεία, αναγνωρίζοντας πιο σύνθετες σχέσεις και μοτίβα σε σχέση με αντίστοιχα μοντέλα.
Αυτές οι καινοτομίες επέτρεψαν στο DeepSeek να εκπαιδευτεί με σημαντικά χαμηλότερο κόστος. Η κινεζική εταιρεία ισχυρίζεται ότι η ανάπτυξή του κόστισε περίπου 5 εκατομμύρια δολάρια, τη στιγμή που η OpenAI έχει ξοδέψει εκατοντάδες εκατομμύρια για τα δικά της μοντέλα.
Αυτό το γεγονός επηρέασε άμεσα την αγορά: η μεγαλύτερη αμερικανική εταιρεία κατασκευής επεξεργαστών, η NVIDIA, είδε τη μετοχή της να χάνει παραπάνω από μισό τρισεκατομμύριο (500 δισεκατομμύρια) δολάρια μέσα σε μία νύχτα μετά την εμφάνιση του DeepSeek.
Η Χαμένη Ευκαιρία της Ανθρώπινης Συνεργασίας
Παρά τη δύναμη του DeepSeek, το μοντέλο αυτό -όπως και όλα τα άλλα- δεν είναι τέλειο και έχει τους δικούς του περιορισμούς.
Αντί όμως η γνώση και ο τεχνολογικός εξοπλισμός που έχουν αναπτυχθεί στα διάφορα σημεία του κόσμου να διαμοιραστεί και να αξιοποιηθεί στο σύνολό της προς όφελος όλων, παραμένουν ιδιοκτησία και πηγή πλούτου ολίγων. Αντί να προωθείται η συλλογική ευημερία, επικρατεί η λογική του κέρδους και του ανταγωνισμού. Ταυτόχρονα, ο γεωπολιτικός και στρατιωτικός πόλεμος για τον έλεγχο των φυσικών πόρων συνεχίζεται.
Ανταγωνισμοί και πόλεμοι για τα ορυκτά που τροφοδοτούν την τεχνητή νοημοσύνη
Όσο παράλογο κι αν ακούγεται ότι ο Ντ. Τραμπ θέλει να αποκτήσει τη Γροιλανδία, πρόκειται για μια στρατηγική κίνηση που στοχεύει, μεταξύ άλλων, στην εκμετάλλευση του τεράστιου ορυκτού πλούτου που κρύβεται κάτω από τους πάγους του νησιού, οι οποίοι λιώνουν σταδιακά λόγω της κλιματικής κρίσης.
Αλλά δεν είναι μόνο η Γροιλανδία στο στόχαστρο. Πριν καν τελειώσει ο πόλεμος μεταξύ Ρωσίας και Ουκρανίας, τα βρετανικά και αμερικανικά οικονομικά συμφέροντα έσπευσαν να προτείνουν συμφωνίες στην Ουκρανία για την εκμετάλλευση των φυσικών της πόρων, με τις ΗΠΑ να είναι κοντά στο να κλείσουν μια συμφέρουσα για αυτές και ταπεινωτική για τον ουκρανικό λαό συμφωνία. Η Ουκρανία κατέχει μόλις το 0,7% του παγκόσμιου ορυκτού πλούτου, αλλά αυτό περιλαμβάνει το 5% των παγκόσμιων αποθεμάτων σπάνιων γαιών. Τα ορυκτά της αποτελούσαν το 6,1% του ΑΕΠ της χώρας το 2022 και το 30% των εξαγωγών της. Μεταξύ αυτών, η Ουκρανία είναι πλούσια σε γραφίτη, λίθιο και βηρύλλιο, υλικά απαραίτητα για την κατασκευή προηγμένων οπλικών συστημάτων, όπως τα μαχητικά αεροσκάφη F-35, αλλά και για την ανάπτυξη τεχνητής νοημοσύνης.
Η Ρωσία πήρε το μερίδιό της καθώς οι σπάνιες γαίες που βρίσκονται στα κατεχόμενα εδάφη από τη Ρωσία εκτιμάται ότι αξίζουν περίπου 12,4 τρισεκατομμύρια δολάρια. Την ίδια στιγμή, η Κίνα, η οποία ελέγχει το μεγαλύτερο ποσοστό παγκόσμιων ορυκτών αποθεμάτων, έχει επιβάλει απαγόρευση εξαγωγής κρίσιμων ορυκτών στις ΗΠΑ, εντείνοντας τον γεωπολιτικό ανταγωνισμό για τον έλεγχο αυτών των πολύτιμων πόρων.
Η Ουκρανία κατέχει το 5% των παγκόσμιων αποθεμάτων σπάνιων γαιών.
Για την ανατροπή και τον κοινωνικό και εργατικό έλεγχο της τεχνολογίας
Η τεχνολογία δεν κρύβει κάτι μαγικό. Από πίσω της υπάρχουν αμέτρητες (αλλά μετρήσιμες!) ώρες εργασίας τόσο για την ανάπτυξή της όσο και για τη χρήση της. Από τη στιγμή όμως που εμπορευματοποιείται, ο έλεγχος της περνάει στα χέρια των λίγων: εταιρειών, εργοστασίων, μεγάλων κεφαλαίων. Και αυτοί την χρησιμοποιούν για να παράγουν όσο μεγαλύτερο κέρδος μπορούν, καταργώντας θέσεις εργασίας, εντατικοποιώντας την εργασία κοκ.
Για όλες και όλους εμάς που ξέρουμε τον κόπο που απαιτείται για να τα βγάλεις πέρα, που μετράμε τον ελεύθερο μας χρόνο με το σταγονόμετρο, τα ευρώ σαν κουκιά, που βιώνουμε την επισφάλεια της εργασίας, το φόβο της ανεργίας, αυτή η κατάσταση δεν μπορεί να είναι τίποτα λιγότερο από παράλογη και εξοργιστική.
Αλλά μπορούμε να την ανατρέψουμε.
Η βασική προϋπόθεση είναι ο έλεγχος της τεχνολογίας να περάσει στα δικά μας χέρια, στα χέρια των ανθρώπων της δουλειάς. Μπορούμε να το κάνουμε, γιατί εμείς είμαστε αυτές και αυτοί που έχουμε την τεχνογνωσία και τις δεξιότητες.
Το μεγάλο κεφάλαιο, οι ιδιοκτήτες του και τα χρυσοπληρωμένα στελέχη των εταιρειών είναι παράσιτα που εμποδίζουν την ανθρώπινη ευημερία. Ο δρόμος είναι δύσκολος και μακρύς, έχει ανάγκη από συλλογικούς αγώνες, οργάνωση και ζύμωση στα σωματεία μας, χτίσιμο ανατρεπτικών πολιτικών οργανώσεων. Στόχος μας είναι να δημιουργήσουμε μία δύναμη από τα κάτω που θα παλεύει για να απαλλαχθούμε από τη βιαιότητα και την αδικία του καπιταλισμού. Με μικρά-μικρά βήματα, μικρές-μικρές αλλά σημαντικές νίκες μέχρι την ολική αναδιαμόρφωση της εργασίας και της ζωής μας, και με την τεχνολογία εργαλείο ευημερίας και ισότητας.
