Το τέλος μιας υπόσχεσης
Για σχεδόν μια δεκαετία η κυρίαρχη ιδέα στην Τεχνητή Νοημοσύνη ήταν ότι «αρκεί να μεγαλώνουμε τα μοντέλα». Περισσότερα δεδομένα, περισσότερη υπολογιστική ισχύς, περισσότερες παράμετροι θεωρήθηκαν ο γρήγορος δρόμος προς τη γενική τεχνητή νοημοσύνη. Σήμερα όμως, ακόμη και σε κορυφαία συνέδρια, πληθαίνουν οι φωνές που επισημαίνουν ότι η αύξηση της κλίμακας φτάνει στα όριά της τόσο επιστημονικά όσο και κοινωνικά.(patmcguinness.substack.com)
Μεγάλα γλωσσικά μοντέλα συνεχίζουν να εντυπωσιάζουν σε τυποποιημένα τεστ, αλλά δυσκολεύονται σε βασικές πτυχές νοημοσύνης. Παράγουν λανθασμένες απαντήσεις με απόλυτη βεβαιότητα, αποτυγχάνουν σε αιτιώδη συλλογισμό και δεν αποκτούν πραγματική κατανόηση του κόσμου, αλλά στατιστική μίμηση μοτίβων. Η αύξηση του μεγέθους βελτιώνει τους αριθμούς σε ορισμένα benchmarks, όχι όμως με τρόπο που να δικαιολογεί το κόστος σε ενέργεια, υποδομές και ανθρώπινους πόρους.(ResearchGate)
Ενεργειακό και περιβαλλοντικό αδιέξοδο
Η λογική της κλίμακας ακουμπά ήδη τον «τοίχο» της φυσικής πραγματικότητας. Οι ανάγκες σε υπολογιστική ισχύ, ψύξη και ηλεκτρική ενέργεια αυξάνονται εκθετικά, με τεράστια κέντρα δεδομένων που καταναλώνουν ενέργεια επιπέδου μικρής πόλης. Μελέτες δείχνουν ότι το κόστος εκπαίδευσης μοντέλων έχει αυξηθεί εκατοντάδες χιλιάδες φορές μέσα σε λίγα χρόνια, με τις εταιρείες να επενδύουν σε γιγαντιαία clusters που δύσκολα είναι βιώσιμα μακροπρόθεσμα.(ResearchGate)
Το αποτέλεσμα είναι μια Τεχνητή Νοημοσύνη που χτίζεται πάνω σε ενεργειακά εντατικές υποδομές, συχνά βασισμένες σε ορυκτά καύσιμα, μεταφέροντας το περιβαλλοντικό κόστος σε κοινωνίες που δεν επωφελούνται αντίστοιχα. Η «πληροφορική νεφοσκεπής» μοιάζει όλο και περισσότερο με βαριά βιομηχανία υψηλής κατανάλωσης, αλλά χωρίς τους αντίστοιχους περιβαλλοντικούς περιορισμούς.(AI Now Institute)
Ανισότητες αντί για δημόσιο όφελος
Η υπόσχεση ότι η Τεχνητή Νοημοσύνη θα «δημοκρατικοποιήσει» τη γνώση συγκρούεται με το μοντέλο ανάπτυξης που απαιτεί δισεκατομμύρια σε υποδομές. Μόνο ελάχιστες πολυεθνικές έχουν τη δυνατότητα να χρηματοδοτήσουν την επόμενη γενιά γιγάντιων μοντέλων. Το αποτέλεσμα είναι συγκέντρωση ισχύος, δεδομένων και υπολογιστικών πόρων σε λίγα κέντρα, με τον υπόλοιπο κόσμο να μετατρέπεται σε παθητικό χρήστη υπηρεσιών, όχι σε συνδιαμορφωτή της τεχνολογίας.(AI Now Institute)
Παράλληλα, οι ίδιες μελέτες που προβάλλονται για να στηρίξουν το αφήγημα της «επανάστασης της παραγωγικότητας» δείχνουν ότι οι επιχειρήσεις συχνά δεν βλέπουν ουσιαστική απόδοση επένδυσης. Το κόστος ενσωμάτωσης, τα σφάλματα, οι ψευδαισθήσεις και η ανάγκη ανθρώπινου ελέγχου μειώνουν το καθαρό όφελος, όταν η προσοχή δίνεται μόνο σε «έξυπνα» chatbots και όχι σε στοχευμένες, μικρότερες λύσεις.(arsturn.com)
Άλλες κατευθύνσεις: αποδοτικότητα, επιστήμη, άνθρωπος
Αντί για «περισσότερο από τα ίδια», χρειαζόμαστε μια στροφή σε προσεγγίσεις που μεγιστοποιούν την αξία ανά μονάδα ενέργειας, δεδομένων και ανθρώπινης προσοχής. Αυτό σημαίνει μικρότερα, εξειδικευμένα μοντέλα που εκπαιδεύονται σε ποιοτικά, τεκμηριωμένα και συχνά ανοιχτά δεδομένα. Σημαίνει υβριδικές αρχιτεκτονικές που συνδυάζουν νευρωνικά δίκτυα με συμβολική λογική, αιτιώδη μοντελοποίηση και ρητές γνώσεις, αντί για τυφλή παλινδρόμηση σε κείμενα.(ResearchGate)
Σημαίνει επίσης αρχιτεκτονικές εμπνευσμένες από τη βιολογία, όπως δίκτυα με δυναμική προσαρμογή, σπανιότητα ενεργοποίησης, συνεχή μάθηση και ικανότητα μάθησης από λίγα παραδείγματα. Τέτοιες προσεγγίσεις υπόσχονται όχι μόνο καλύτερη ενεργειακή αποδοτικότητα, αλλά και πιο σταθερή συμπεριφορά σε πραγματικές συνθήκες, όπου τα δεδομένα είναι ακατάστατα, μεροληπτικά και με συνεχείς αλλαγές.(ResearchGate)
Προς ένα οικοσύστημα Τεχνητής Νοημοσύνης για το κοινωνικό σύνολο
Τέλος, χρειάζεται ανασχεδιασμός του ίδιου του οικοσυστήματος. Δημόσια και ακαδημαϊκά κέντρα υπολογισμού, ανοιχτά μοντέλα που μπορούν να ελεγχθούν και να βελτιωθούν συλλογικά, ρυθμιστικά πλαίσια που θέτουν ως κριτήριο όχι μόνο την τεχνική επίδοση αλλά και την κοινωνική ωφέλεια. Αντί για έναν αγώνα δρόμου προς την «υπερνοημοσύνη», μπορούμε να επιδιώξουμε μια Τεχνητή Νοημοσύνη λιγότερο ενεργοβόρα, πιο προσανατολισμένη στις ανάγκες των ανθρώπων, στη γνώση και στη δημοκρατία.
Σε αυτό το πλαίσιο, η φράση «scale is all you need» μοιάζει όχι μόνο επιστημονικά ελλιπής, αλλά και πολιτικά προβληματική. Το ζητούμενο δεν είναι απλώς μεγαλύτερα μοντέλα, αλλά πιο δίκαια, αποδοτικά και ανθρώπινα συστήματα, σχεδιασμένα προς όφελος του κοινωνικού συνόλου και όχι ως επιταχυντές των ανισοτήτων.(AI Now Institute)
—