Από το Segway μέχρι την AI, η ιστορία δείχνει πόσο εύκολα ακόμη και οι πιο επιτυχημένοι επιχειρηματίες και τεχνολόγοι μπορούν να κάνουν λάθος όταν επιχειρούν να προβλέψουν το αύριο.
Από την Spencer A. Klavan | Financial Times
Απόδοση – δημοσιογραφική επιμέλεια: Αργώ | Greece2Day
Στις αρχές της νέας χιλιετίας, μερικά από τα μεγαλύτερα ονόματα της αμερικανικής τεχνολογίας περίμεναν με ενθουσιασμό ένα προϊόν που, όπως πίστευαν, επρόκειτο να αλλάξει τον κόσμο. Κυκλοφορούσε τότε με μυστηριώδεις κωδικές ονομασίες, όπως "Ginger" και "IT". Οι άνθρωποι που είχαν ενημερωθεί για το σχέδιο δεν ήταν τυχαίοι. Ο Steve Jobs θεωρούσε ότι θα μπορούσε να αποδειχθεί τόσο σημαντικό όσο ο προσωπικός υπολογιστής. Ο γνωστός venture capitalist John Doerr πίστευε ότι ίσως γινόταν ακόμη σημαντικότερο από το Internet. Ο Jeff Bezos μιλούσε για μία από τις πλέον πολυαναμενόμενες παρουσιάσεις προϊόντων της εποχής.
Και τι ήταν τελικά αυτή η τεχνολογία που θα άλλαζε τον κόσμο; Το Segway.
Το δίτροχο ηλεκτρικό όχημα παρουσιάστηκε τον Δεκέμβριο του 2001. Δεν αντικατέστησε το αυτοκίνητο. Δεν επανασχεδίασε τις πόλεις. Και τελικά η παραγωγή του σταμάτησε το 2020. Αυτό δεν σημαίνει ότι το Segway ήταν άχρηστο. Τεχνολογίες που χρησιμοποιήθηκαν στην κατασκευή του, όπως τα γυροσκοπικά συστήματα, βρήκαν άλλες εφαρμογές, μεταξύ άλλων σε λύσεις προσωπικής μετακίνησης. Και τα ηλεκτρικά πατίνια πράγματι απέκτησαν αργότερα σημαντική παρουσία στις πόλεις.
Το πραγματικό μάθημα, όμως, βρίσκεται αλλού: Κανείς δεν γνωρίζει το μέλλον.
Βλέπουμε το παρελθόν - όχι το μέλλον
Η ιδέα δεν είναι καινούργια. Ο Εκκλησιαστής θέτει ουσιαστικά το ίδιο ερώτημα: ποιος μπορεί να αποκαλύψει στον άνθρωπο τι πρόκειται να συμβεί μετά από αυτόν; Ακόμη πιο ενδιαφέρουσα είναι μια παρατήρηση του κλασικιστή Armand D’Angour σχετικά με τον Ησίοδο και την αρχαία ελληνική αντίληψη του χρόνου. Η γλωσσική παράδοση υποδηλώνει ότι οι Έλληνες της εποχής του Ησιόδου αντιλαμβάνονταν κατά κάποιον τρόπο το παρελθόν ως κάτι που βρίσκεται μπροστά μας και το μέλλον πίσω μας. Η εικόνα έχει τη δική της λογική.
Το παρελθόν μπορούμε να το δούμε. Έχει ήδη συμβεί. Το μέλλον βρίσκεται πίσω από την πλάτη μας ακριβώς επειδή δεν μπορούμε ακόμη να το αντικρίσουμε.
Η ψευδαίσθηση της μαθηματικής ακρίβειας
Σήμερα, όμως, έχουμε συνηθίσει σε κάτι διαφορετικό. Η επιστήμη μάς έχει προσφέρει εκπληκτική δυνατότητα πρόβλεψης του φυσικού κόσμου. Αυτό εύκολα δημιουργεί την εντύπωση ότι μπορούμε να κάνουμε το ίδιο και με την οικονομία, την κοινωνία, την τεχνολογία ή την ανθρώπινη συμπεριφορά. Και εδώ αρχίζει το πρόβλημα. Η χρήση αριθμών δίνει συχνά στις προβλέψεις μια επίφαση επιστημονικής ακρίβειας, ακόμη και όταν η ίδια η πραγματικότητα δεν επιτρέπει τόσο ακριβείς υπολογισμούς. Χαρακτηριστικό παράδειγμα αποτελεί σήμερα η Τεχνητή Νοημοσύνη.
Τον Μάρτιο του 2025, ο διευθύνων σύμβουλος της Anthropic, Dario Amodei, εκτιμούσε ότι μέσα σε λίγους μήνες η AI θα μπορούσε να γράφει περίπου το 90% του κώδικα, ενώ περίπου έναν χρόνο αργότερα ίσως έγραφε ουσιαστικά σχεδόν όλο τον κώδικα. Λίγο αργότερα προειδοποίησε επίσης ότι η Τεχνητή Νοημοσύνη θα μπορούσε να εξαλείψει περίπου τις μισές θέσεις εργασίας εισαγωγικού επιπέδου για εργαζομένους γραφείου και να οδηγήσει την ανεργία ακόμη και στο 10%-20% μέσα στα επόμενα χρόνια. Περισσότερο από έναν χρόνο αργότερα, η AI πράγματι γράφει σημαντικές ποσότητες κώδικα.
Όμως το ίδιο το "90%" αποδεικνύει πόσο δύσκολο είναι να μετατρέψουμε μια σύνθετη πραγματικότητα σε έναν εντυπωσιακό αριθμό.
Ποιος ακριβώς γράφει τον κώδικα;
Το ερώτημα φαίνεται απλό: Πόσος κώδικας γράφεται σήμερα από ανθρώπους και πόσος από Τεχνητή Νοημοσύνη; Στην πράξη, όμως, είναι εξαιρετικά δύσκολο να απαντηθεί. Ένας προγραμματιστής μπορεί να ζητήσει από ένα Large Language Model να δημιουργήσει κώδικα, στη συνέχεια να τον τροποποιήσει, να διορθώσει τα λάθη, να ζητήσει νέα έκδοση και τελικά να ενσωματώσει μόνο ένα μέρος της αρχικής απάντησης. Ποιος "έγραψε" τον τελικό κώδικα; Ο άνθρωπος ή η μηχανή;
Η προσπάθεια να αποδοθεί ένα ακριβές ποσοστό συμμετοχής στον καθένα μπορεί να δημιουργεί την εντύπωση επιστημονικής ακρίβειας χωρίς αυτή να υπάρχει πραγματικά.
Τι μας είχε προειδοποιήσει ο Αριστοτέλης
Το πρόβλημα είναι ακόμη βαθύτερο. Δεν μπορούν όλα τα ζητήματα να αναχθούν σε αριθμούς. Ο Αριστοτέλης είχε επισημάνει στα Ηθικά Νικομάχεια ότι δεν πρέπει να απαιτούμε μεγαλύτερη ακρίβεια από εκείνη που επιτρέπει η ίδια η φύση του αντικειμένου που εξετάζουμε. Η πολιτική, η ηθική και η ανθρώπινη δράση χαρακτηρίζονται από μεταβλητότητα. Δεν λειτουργούν όπως ένα μαθηματικό θεώρημα. Το να ζητάμε μαθηματική βεβαιότητα για μια κοινωνική ή ηθική επιλογή είναι σαν να προσπαθούμε να αποφασίσουμε με ψηφοφορία ποιο είναι το εμβαδόν ενός γεωμετρικού σχήματος.
Στη μία περίπτωση υπάρχει μαθηματικά προσδιορίσιμη απάντηση. Στην άλλη υπάρχουν άνθρωποι.
Οι μεγάλες προβλέψεις που δεν επαληθεύτηκαν
Η ιστορία είναι γεμάτη από προβλέψεις που διατυπώθηκαν με μεγάλη αυτοπεποίθηση αλλά δεν εξελίχθηκαν όπως αναμενόταν. Ο Klavan αναφέρεται, μεταξύ άλλων, σε παλαιότερες προβλέψεις του Al Gore σχετικά με τις πιθανές συνέπειες της κλιματικής αλλαγής στη Φλόριντα, υποστηρίζοντας ότι συγκεκριμένες εκτιμήσεις αποδείχθηκαν υπερβολικά βέβαιες σε σχέση με όσα τελικά συνέβησαν. Το ουσιαστικότερο σημείο, όμως, δεν αφορά μια συγκεκριμένη πρόβλεψη. Αφορά τον τρόπο με τον οποίο αντιμετωπίζουμε γενικότερα τις προβλέψεις.
Όσο περισσότερα δεδομένα διαθέτουμε, τόσο μεγαλύτερος είναι ο πειρασμός να πιστέψουμε ότι η αβεβαιότητα έχει εξαφανιστεί. Δεν έχει εξαφανιστεί.
Η AI δεν είναι Segway
Αυτό δεν σημαίνει ότι η Τεχνητή Νοημοσύνη είναι μια ακόμη υπερτιμημένη τεχνολογική μόδα. Κάθε άλλο. Η AI έχει ήδη μεταμορφώσει κλάδους της οικονομίας και είναι πιθανό οι επιπτώσεις της - θετικές και αρνητικές - να είναι βαθιές. Όταν οι ίδιοι οι άνθρωποι που βρίσκονται στην πρώτη γραμμή της ανάπτυξής της προειδοποιούν για νέες δυνατότητες αλλά και νέους κινδύνους, οι προειδοποιήσεις τους αξίζουν σοβαρή εξέταση. Άλλο όμως να τις εξετάζουμε σοβαρά και άλλο να τις αντιμετωπίζουμε ως προφητείες.
Οι επικεφαλής των μεγαλύτερων εταιρειών AI γνωρίζουν πολύ περισσότερα από τον μέσο πολίτη για την τεχνολογία που αναπτύσσουν. Δεν γνωρίζουν, όμως, το μέλλον.
Το πρόβλημα της πρόβλεψης στην εποχή της AI
Ίσως αυτό να είναι και το σημαντικότερο μάθημα της σημερινής συζήτησης για την Τεχνητή Νοημοσύνη. Η τεχνολογική γνώση δεν ισοδυναμεί με ικανότητα πρόβλεψης της κοινωνίας. Ένας μηχανικός μπορεί να γνωρίζει με εντυπωσιακή ακρίβεια πώς λειτουργεί ένα μοντέλο AI. Αυτό δεν σημαίνει ότι μπορεί να γνωρίζει με την ίδια ακρίβεια πώς θα αντιδράσουν εκατομμύρια επιχειρήσεις, εργαζόμενοι, καταναλωτές, κυβερνήσεις και θεσμοί όταν η τεχνολογία αυτή εξαπλωθεί. Οι κοινωνίες διαθέτουν μηχανισμούς προσαρμογής.
Δημιουργούνται νέα επαγγέλματα. Αλλάζουν οι τιμές. Μεταβάλλονται οι επιχειρηματικές πρακτικές. Εμφανίζονται νέοι κανονισμοί. Οι εργαζόμενοι αποκτούν διαφορετικές δεξιότητες. Και οι ίδιες οι τεχνολογίες εξελίσσονται προς κατευθύνσεις που οι δημιουργοί τους συχνά δεν είχαν προβλέψει.
Γι' αυτό και η συζήτηση για την AI δεν μπορεί να περιοριστεί σε μοντέλα, ποσοστά και προβλέψεις. Χρειάζεται δημόσια συζήτηση, ηθική κρίση και ψύχραιμη αξιολόγηση των δεδομένων που έχουμε σήμερα. Γιατί η τεχνολογία μπορεί να μας βοηθήσει να υπολογίσουμε πολύ περισσότερα από όσα μπορούσαμε στο παρελθόν. Δεν μας έχει δώσει, όμως, τη δυνατότητα να δούμε το μέλλον.
Και ίσως η αναγνώριση αυτής της αβεβαιότητας να αποτελεί τελικά όχι αδυναμία, αλλά μια από τις σημαντικότερες προϋποθέσεις για να πάρουμε καλύτερες αποφάσεις.
Add comment
Comments