Η νέα κούρσα της Τεχνητής Νοημοσύνης: γιατί οι κολοσσοί επενδύουν εκατοντάδες δισεκατομμύρια;

Από τα μοντέλα στα εργοστάσια υπολογισμού

Η διεθνής κούρσα της Τεχνητής Νοημοσύνης έχει περάσει σε νέα φάση. Δεν πρόκειται πια μόνο για το ποιος έχει το καλύτερο γλωσσικό μοντέλο, το πιο εντυπωσιακό chatbot ή το πιο ισχυρό εργαλείο παραγωγής εικόνας και βίντεο. Το πραγματικό πεδίο ανταγωνισμού είναι η υπολογιστική υποδομή: κέντρα δεδομένων, επεξεργαστές, ηλεκτρική ενέργεια, δίκτυα, μνήμη, αποθήκευση, λογισμικό υποδομής, συστήματα εκπαίδευσης και συστήματα εξυπηρέτησης εκατομμυρίων χρηστών σε πραγματικό χρόνο.

Γι’ αυτό βλέπουμε λίγους πολύ μεγάλους ομίλους, κυρίως στις ΗΠΑ και στην Κίνα, να επενδύουν ποσά που θυμίζουν βιομηχανική επανάσταση. Microsoft, Alphabet, Amazon, Meta, OpenAI σε συμμαχία με Oracle και SoftBank, Alibaba, ByteDance, Tencent και Baidu δεν κινούνται σαν απλές εταιρείες λογισμικού. Κινούνται σαν όμιλοι που προσπαθούν να ελέγξουν τη νέα γενική υποδομή της οικονομίας. Η ΤΝ αντιμετωπίζεται ως το νέο λειτουργικό σύστημα της παραγωγής, της έρευνας, της εκπαίδευσης, της άμυνας, της διοίκησης και της επικοινωνίας.

Το παράδοξο είναι εμφανές: οι επενδύσεις αυξάνονται πολύ ταχύτερα από τα άμεσα κέρδη που παράγει σήμερα η γενετική ΤΝ. Οι μεγάλες πλατφόρμες έχουν κέρδη από cloud, διαφήμιση, ηλεκτρονικό εμπόριο ή λογισμικό, αλλά η νέα υποδομή ΤΝ δεν έχει ακόμη αποδείξει ότι αποδίδει ανάλογα με τα κεφάλαια που δεσμεύει. Οι καθαροί παίκτες ΤΝ, όπως η OpenAI και άλλες εταιρείες μοντέλων, καίνε τεράστια ποσά για εκπαίδευση, υπολογιστική ισχύ και ταλέντο. Το ερώτημα, λοιπόν, δεν είναι αν η ΤΝ είναι σημαντική. Είναι ποιος θα πληρώσει την υποδομή, ποιος θα την ελέγχει και ποιος θα καρπωθεί την αξία όταν η τεχνολογία ωριμάσει.

Οι τέσσερις σχολές που συγκλίνουν

Η πρώτη τάση είναι η καθαρή κλιμάκωση. Η λογική της είναι απλή: περισσότερα δεδομένα, μεγαλύτερα μοντέλα, περισσότερη υπολογιστική ισχύς. Οι νόμοι κλιμάκωσης έδειξαν ότι, για μεγάλο εύρος μεγεθών, η απόδοση των γλωσσικών μοντέλων βελτιώνεται προβλέψιμα όταν αυξάνονται το μέγεθος, τα δεδομένα και η υπολογιστική ισχύς. Αυτή η σχολή δικαιολογεί τις τεράστιες επενδύσεις σε GPU, data centers και ενεργειακή ισχύ. Είναι η σχολή που ταιριάζει περισσότερο στις ΗΠΑ, όπου το επιχειρηματικό κεφάλαιο, οι hyperscalers και τα venture funds μπορούν να σηκώσουν γιγαντιαίους κύκλους επένδυσης.

Η δεύτερη τάση είναι τα μοντέλα συλλογισμού. Εδώ η πρόοδος δεν έρχεται μόνο από μεγαλύτερη εκπαίδευση, αλλά από περισσότερο υπολογισμό τη στιγμή της απάντησης. Το μοντέλο δεν απαντά αμέσως, αλλά «δουλεύει» περισσότερο πάνω στο πρόβλημα, εξετάζει εναλλακτικές διαδρομές, διορθώνει λάθη και παράγει καλύτερες λύσεις σε μαθηματικά, κώδικα, επιστημονικά προβλήματα και σύνθετες εργασίες. Η OpenAI, η Google DeepMind και η DeepSeek έδειξαν διαφορετικές εκδοχές αυτής της κατεύθυνσης. Η DeepSeek είχε ιδιαίτερη σημασία γιατί έδειξε ότι η συλλογιστική ικανότητα μπορεί να ενισχυθεί με πιο αποδοτικές μεθόδους και ανοικτή διάθεση μοντέλων, αμφισβητώντας την ιδέα ότι μόνο οι πιο πλούσιες εταιρείες μπορούν να συμμετέχουν.

Η τρίτη τάση είναι τα μοντέλα κόσμου. Εδώ η υπόθεση είναι ότι η γλώσσα από μόνη της δεν αρκεί. Ένα σύστημα που θέλει να κατανοεί τον κόσμο πρέπει να μαθαίνει από εικόνα, βίντεο, κίνηση, φυσικά φαινόμενα, τρισδιάστατους χώρους και αλληλεπίδραση με το περιβάλλον. Η Meta με τις αρχιτεκτονικές JEPA, τα εργαστήρια ρομποτικής και οι εταιρείες παραγωγής βίντεο κινούνται προς αυτή την κατεύθυνση. Αν τα γλωσσικά μοντέλα είναι μηχανές χειρισμού συμβόλων, τα μοντέλα κόσμου φιλοδοξούν να γίνουν μηχανές κατανόησης καταστάσεων.

Η τέταρτη τάση είναι η νευροσυμβολική ΤΝ. Εδώ αναγνωρίζεται ότι τα νευρωνικά δίκτυα είναι ισχυρά στην αναγνώριση προτύπων, αλλά αδύναμα στην αυστηρή λογική, στην επαλήθευση και στη μαθηματική ακρίβεια. Γι’ αυτό συνδυάζονται με συμβολικούς λύτες, μηχανές απόδειξης, knowledge graphs και αυστηρά συστήματα κανόνων. Το AlphaGeometry και το AlphaProof της DeepMind είναι χαρακτηριστικά παραδείγματα. Το μοντέλο προτείνει, αλλά ο συμβολικός μηχανισμός ελέγχει.

Γιατί επενδύουν πριν κερδίσουν

Οι μεγάλες εταιρείες δεν επενδύουν επειδή έχουν ήδη βρει πλήρως ώριμο μοντέλο κερδοφορίας. Επενδύουν επειδή θεωρούν ότι το κόστος της απουσίας θα είναι μεγαλύτερο από το κόστος της υπερβολικής παρουσίας. Αν η ΤΝ γίνει η βασική διεπαφή για αναζήτηση, εργασία, προγραμματισμό, εκπαίδευση, κατανάλωση και διοίκηση, τότε όποιος ελέγχει την υποδομή θα ελέγχει την πρόσβαση στη γνώση, στα δεδομένα και στις αγορές.

Η Microsoft θέλει να μετατρέψει το cloud και το λογισμικό γραφείου σε στρώμα ΤΝ. Η Alphabet θέλει να προστατεύσει την αναζήτηση, τη διαφήμιση, το YouTube, το Android και το Google Cloud. Η Amazon θέλει να κάνει το AWS τη βασική υποδομή εκπαίδευσης και εξυπηρέτησης μοντέλων. Η Meta θέλει να ενσωματώσει την ΤΝ στα κοινωνικά δίκτυα, στη διαφήμιση, στα εργαλεία δημιουργών και στην επόμενη υπολογιστική πλατφόρμα. Η OpenAI, μαζί με Oracle και SoftBank, προσπαθεί να εξασφαλίσει υπολογιστική ισχύ ώστε να μην εξαρτάται πλήρως από τρίτους. Η Alibaba, η ByteDance, η Tencent και η Baidu κινούνται μέσα σε ένα κινεζικό περιβάλλον όπου η ΤΝ είναι ταυτόχρονα επιχειρηματικό εργαλείο, κρατική προτεραιότητα και ζήτημα τεχνολογικής αυτάρκειας.

Υπάρχει όμως και πιο βαθύς λόγος. Η ΤΝ είναι αγορά με χαρακτηριστικά φυσικού μονοπωλίου. Όσο μεγαλύτερη είναι η υποδομή, τόσο καλύτερα μπορείς να εκπαιδεύσεις, να εξυπηρετήσεις και να μειώσεις το κόστος ανά χρήστη. Όσο περισσότερους χρήστες έχεις, τόσο περισσότερα δεδομένα, ανατροφοδότηση και έσοδα μπορείς να αποκτήσεις. Όσο περισσότερα έσοδα έχεις, τόσο περισσότερη υπολογιστική ισχύ αγοράζεις. Έτσι δημιουργείται ένας κύκλος συσσώρευσης ισχύος.

Το διακύβευμα για την Ευρώπη και την Ελλάδα

Για την Ευρώπη, το ερώτημα δεν είναι να αντιγράψει απλώς τις ΗΠΑ ή την Κίνα. Δεν διαθέτει την ίδια συγκέντρωση κεφαλαίων, ούτε την ίδια ανοχή σε ολιγοπωλιακές υποδομές. Μπορεί όμως να παίξει σε διαφορετικό πεδίο: ανοικτά πρότυπα, ανοικτά μοντέλα, ενεργειακά αποδοτική ΤΝ, δημόσιες υποδομές, τοπικά μοντέλα, αξιόπιστη διακυβέρνηση δεδομένων, διαλειτουργικότητα και δημοκρατικός έλεγχος.

Η απάντηση δεν μπορεί να είναι η παθητική αγορά υπηρεσιών token από κλειστές πλατφόρμες. Για δημόσια διοίκηση, εκπαίδευση, υγεία, γλώσσα, πολιτισμό και κρίσιμες υποδομές χρειάζονται ανοικτές στοίβες, ελεγχόμενη υποδομή, δημόσια αποθετήρια, model cards, datasheets, RAG με τεκμηριωμένες πηγές και ανθρώπινη τελική ευθύνη. Η Ελλάδα δεν θα κερδίσει την κούρσα αν προσπαθήσει να χτίσει το μεγαλύτερο μοντέλο. Μπορεί όμως να κερδίσει αν χτίσει την πιο χρήσιμη, διαφανή και αποδοτική δημόσια υποδομή ΤΝ για την ελληνική γλώσσα, τη δημόσια διοίκηση, την έρευνα και τις μικρομεσαίες επιχειρήσεις.

Η τεχνολογική πρόοδος δεν πρέπει να οδηγήσει σε νέα ψηφιακή εξάρτηση. Αν η ΤΝ γίνει υποδομή ισχύος, τότε η δημοκρατική απάντηση είναι σαφής: δημόσιο χρήμα να παράγει δημόσια γνώση, δημόσιο κώδικα και δημόσια υπολογιστική ικανότητα. Οι κλειστές υπερπλατφόρμες θα συνεχίσουν να επενδύουν εκατοντάδες δισεκατομμύρια γιατί κυνηγούν τον έλεγχο της επόμενης εποχής. Οι δημοκρατικές κοινωνίες πρέπει να επενδύσουν με άλλο κριτήριο: όχι τη συγκέντρωση ισχύος, αλλά την κοινωνική χρησιμότητα, τη διαφάνεια, την ανοικτότητα και τη δυνατότητα των πολιτών να καταλαβαίνουν και να ελέγχουν την τεχνολογία που επηρεάζει τη ζωή τους.

Πηγές άρθρου:

1. OpenAI, The Stargate Project: Η ανακοίνωση του Stargate δείχνει το μέγεθος της νέας υπολογιστικής κούρσας, με πρόθεση επένδυσης 500 δισ. δολαρίων σε υποδομές ΤΝ στις ΗΠΑ: https://openai.com/index/announcing-the-stargate-project/,
2. Alphabet, 2025 Q4 Earnings Call: Η Alphabet αναφέρει προγραμματισμένες κεφαλαιουχικές δαπάνες 175 έως 185 δισ. δολαρίων για το 2026, ένδειξη του μεγέθους της επένδυσης σε cloud και ΤΝ: https://abc.xyz/investor/events/event-details/2026/2025-Q4-Earnings-Call-2026-Dr_C033hS6/default.aspx,
3. Meta, Q1 2026 Earnings Call Transcript: Η Meta αναθεώρησε προς τα πάνω τις κεφαλαιουχικές δαπάνες της για το 2026, σε εύρος 125 έως 145 δισ. δολαρίων, λόγω αυξημένου κόστους και υποδομών ΤΝ: https://s21.q4cdn.com/399680738/files/doc_financials/2026/q1/META-Q1-2026-Earnings-Call-Transcript.pdf,
4. Alibaba Group, AI and Cloud Infrastructure Investment: Η Alibaba ανακοίνωσε επένδυση τουλάχιστον 380 δισ. γουάν, περίπου 53 δισ. δολάρια, σε cloud και ΤΝ για τρία χρόνια, δείχνοντας την κινεζική διάσταση της κούρσας: https://www.alibabagroup.com/document-1830678592242057216,
5. Reuters, OpenAI Spending and Cash Burn: Τα στοιχεία για τις υψηλές δαπάνες της OpenAI δείχνουν ότι η κούρσα της ΤΝ δεν έχει ακόμη μετατραπεί σε σταθερή κερδοφορία για τους καθαρούς παίκτες μοντέλων: https://www.reuters.com/business/openai-burned-37-billion-first-quarter-2026-information-reports-2026-06-16/,
6. Sequoia Capital, AI’s $600B Question: Κλασική ανάλυση για το χάσμα ανάμεσα στις τεράστιες επενδύσεις υποδομής και στα πραγματικά έσοδα της αγοράς γενετικής ΤΝ: https://www.sequoiacap.com/article/ais-600b-question/,
7. DeepSeek-R1, Nature and arXiv: Το DeepSeek-R1 τεκμηριώνει τη σημασία της ενισχυτικής μάθησης για συλλογισμό και την πιθανότητα πιο αποδοτικών ανοικτών προσεγγίσεων: https://arxiv.org/abs/2501.12948,
8. Kaplan et al., Scaling Laws for Neural Language Models: Το ιστορικό paper που τεκμηρίωσε τους νόμους κλιμάκωσης των γλωσσικών μοντέλων και εξηγεί γιατί η υπολογιστική ισχύς έγινε κεντρικό πεδίο ανταγωνισμού: https://arxiv.org/abs/2001.08361,
9. Google DeepMind, AlphaGeometry and AlphaProof: Τα συστήματα AlphaGeometry και AlphaProof δείχνουν την αξία του συνδυασμού νευρωνικών μοντέλων, συμβολικών μηχανισμών και τυπικής λογικής για αξιόπιστο συλλογισμό: https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/,
10. Meta AI, V-JEPA: Η αρχιτεκτονική V-JEPA δείχνει την κατεύθυνση των μοντέλων κόσμου που μαθαίνουν από βίντεο και φυσικές δομές, πέρα από τη γλωσσική πρόβλεψη: https://ai.meta.com/blog/v-jepa-yann-lecun-ai-model-video-joint-embedding-predictive-architecture/,
11. Nobel Prize, Physics 2024: Η βράβευση των Hopfield και Hinton αναδεικνύει τη βαθιά σχέση φυσικής, στατιστικής μηχανικής και νευρωνικών δικτύων: https://www.nobelprize.org/prizes/physics/2024/press-release/,
12. MIT NANDA, The GenAI Divide: Η έκθεση τεκμηριώνει ότι μεγάλο μέρος των εταιρικών πειραμάτων γενετικής ΤΝ δεν έχει ακόμη μετρήσιμο οικονομικό αποτέλεσμα, ενισχύοντας το ερώτημα για την απόδοση των επενδύσεων: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf.