Τεχνητή Νοημοσύνη: Από το όνειρο στην πραγματικότητα

Η τεχνητή νοημοσύνη (ΤΝ) ή Artificial intelligence (AI) δεν είναι πια επιστημονική φαντασία. Βρίσκεται παντού γύρω μας, από το κινητό μας τηλέφωνο που αναγνωρίζει το πρόσωπό μας, τις προτάσεις που μας κάνει το Netflix, ακόμα και στον τρόπο που αναζητούμε πληροφορίες στο διαδίκτυο. Αλλά πώς φτάσαμε ως εδώ και προς τα πού πάμε;

«Τα πρώτα βήματα» (1950-1970)

Η ιδέα της τεχνητής νοημοσύνης γεννήθηκε το 1956, όταν μια ομάδα επιστημόνων συναντήθηκε στο Dartmouth College των ΗΠΑ. Ο μαθηματικός Alan Turing είχε ήδη θέσει το θεμελιώδες ερώτημα: «Μπορούν οι μηχανές να σκέφτονται;». Οι πρώτοι ερευνητές ήταν αισιόδοξοι, μάλλον υπερβολικά. Πίστευαν ότι σε λίγα χρόνια θα δημιουργούσαν μηχανές εξίσου έξυπνες με τους ανθρώπους.

Η πραγματικότητα αποδείχτηκε πιο περίπλοκη. Οι πρώτες προσπάθειες ήταν περιορισμένες: προγράμματα που έπαιζαν σκάκι ή έλυναν απλά μαθηματικά προβλήματα. Οι υπολογιστές της εποχής δεν είχαν την απαραίτητη ισχύ και οι αλγόριθμοι ήταν ακόμα πρωτόγονοι.

«Ο χειμώνας της ΤΝ» (1970-1990)

Η υπερβολική αισιοδοξία οδήγησε σε απογοήτευση. Οι προσδοκίες δεν εκπληρώθηκαν με συνέπεια να μειωθούν στο ελάχιστο οι χρηματοδοτήσεις και να επιβραδυνθεί η έρευνα. Ήταν ο πρώτος «χειμώνας της ΤΝ» (ο όρος χειμώνας ΤΝ αναφέρεται σε μια περίοδο περικοπών χρηματοδότησης στην έρευνα και ανάπτυξη της ΤΝ, συχνά μετά από υπερβολικές προσδοκίες που αποτυγχάνουν να αποδώσουν). Ευτυχώς κάποιοι επίμονοι ερευνητές συνέχισαν να δουλεύουν, βάζοντας τις βάσεις για τις μελλοντικές εξελίξεις.

«Η αναγέννηση» (1990-2010)

Τα πράγματα άρχισαν να αλλάζουν στη δεκαετία του ’90. Οι υπολογιστές έγιναν πιο ισχυροί και φθηνότεροι, και νέες τεχνικές, όπως τα νευρωνικά δίκτυα, άρχισαν να δίνουν αποτελέσματα. Το 1997, ο υπολογιστής Deep Blue της IBM νίκησε τον παγκόσμιο πρωταθλητή σκακιού Garry Kasparov. Η στιγμή αποτέλεσε ένα ορόσημο και έδειξε τις δυνατότητες της ΤΝ.

«Η έκρηξη» (2010-σήμερα)

Η τελευταία δεκαετία ήταν εκρηκτική. Το 2012, μια τεχνική που ονομάζεται «βαθιά μάθηση» (deep learning) έκανε την εμφάνισή της με θεαματικά αποτελέσματα στην αναγνώριση εικόνων. Ακολούθησαν ραγδαίες εξελίξεις: αυτοκίνητα που κινούνται χωρίς οδηγό, βοηθοί φωνής όπως η Siri και η Alexa και πρόσφατα, συστήματα όπως το ChatGPT που μπορούν να συνομιλούν φυσικά με τους ανθρώπους.

Πώς λειτουργεί η σύγχρονη ΤΝ;

Η σημερινή τεχνητή νοημοσύνη βασίζεται κυρίως στη «μηχανική μάθηση» (machine learning). Αντί να προγραμματίζουμε κάθε κανόνα ξεχωριστά, δίνουμε στον υπολογιστή τεράστιες ποσότητες δεδομένων και τον αφήνουμε να «μάθει» από μόνος του. Είναι σαν να μαθαίνει ένα παιδί να αναγνωρίζει ζώα. Για παράδειγμα, αφού πρώτα βλέπει χιλιάδες φωτογραφίες γατών, μαθαίνει τα χαρακτηριστικά που έχει μια γάτα.

Τα νευρωνικά δίκτυα μιμούνται (απλοποιημένα) τον τρόπο που λειτουργεί ο ανθρώπινος εγκέφαλος. Αποτελούνται από «νευρώνες» που συνδέονται μεταξύ τους και επεξεργάζονται πληροφορίες σε στρώματα. Όσο πιο βαθιά είναι αυτά τα δίκτυα, τόσο πιο σύνθετα πράγματα μπορούν να μάθουν – από εδώ και ο όρος «βαθιά μάθηση» (deep learning).

Τα βασικά εργαλεία και πλατφόρμες ΤΝ

Πλέον η ΤΝ δεν είναι κάτι αφηρημένο, κάτι του «μέλλοντος». Ας δούμε τα κυριότερα εργαλεία που που χρησιμοποιούν εκατομμύρια άνθρωποι σήμερα. Αυτό που θα πρέπει να έχουμε στο νου μας είναι: δεν υπάρχει το «καλύτερο» μοντέλο. Κάθε μοντέλο είναι ένα εργαλείο και το κάθε ένα έχει τα δυνατά του σημεία. Επίσης, σημειώνεται ότι τα μοντέλα που περιγράφονται αποτελούν έναν πολύ μικρό κατάλογο από τα εκατοντάδες που υπάρχουν. Είναι απλώς αυτά που προσωπικά γνωρίζω ή/και έχω χρησιμοποιήσει.

Α). Γλωσσικά μοντέλα και συνομιλητικά εργαλεία

ChatGPT (OpenAI). Το εργαλείο που άλλαξε τα πάντα. Από την κυκλοφορία του τον Νοέμβριο του 2022, το ChatGPT έγινε το ταχύτερα αναπτυσσόμενο εργαλείο στην ιστορία, φτάνοντας 100 εκατομμύρια χρήστες μέσα σε δύο μήνες.

Google Gemini. Η απάντηση της Google στον ανταγωνισμό. Για όσους χρησιμοποιούν και εμπιστεύονται το οικοσύστημα της Google, είναι η πιο φυσική επιλογή.

Perplexity AI. Εξειδικευμένο εργαλείο έρευνας που συνδυάζει ΤΝ με αναζήτηση στο διαδίκτυο.

Microsoft Copilot. Ενσωματωμένο στα Windows και Microsoft 365, το Copilot φέρνει την ΤΝ απευθείας στο περιβάλλον εργασίας εκατομμυρίων χρηστών.

DeepSeek (High-Flyer fund). Τα δυνατά του σημεία θεωρούνται η επίλυση μαθηματικών προβλημάτων, η ανάπτυξη λογισμικού (σε κάποιες mainstream γλώσσες), η αυτοματοποίηση εργασιών και η ανάλυση δεδομένων

Claude (Anthropic). Πολλοί θεωρούν ότι υπερέχει στη συγγραφή και ανάλυση μεγάλων κειμένων.

Β). Εργαλεία δημιουργίας εικόνων

DALL-E 3 (OpenAI). Ενσωματωμένο στο ChatGPT, το DALL-E 3 ξεχωρίζει για την ακρίβεια με την οποία ακολουθεί τις οδηγίες που του δίνονται και την ικανότητά του να δημιουργεί σωστό κείμενο μέσα στις εικόνες.

Midjourney. Γνωστό για τις κινηματογραφικές, καλλιτεχνικές εικόνες του που μοιάζουν με επαγγελματική τέχνη concept. Από τα ελάχιστα που δεν έχουν δωρεάν έκδοση.

Stable Diffusion. Το μόνο μεγάλο open-source εργαλείο δημιουργίας εικόνων, που σημαίνει ότι μπορείτε να το τρέξετε στον δικό σας υπολογιστή χωρίς κόστος.

Adobe Firefly. Η απάντηση της Adobe, ενσωματωμένη στο Photoshop και το Creative Cloud. Ιδανικό για επαγγελματίες που ήδη χρησιμοποιούν εργαλεία Adobe.

Canva AI. Για όσους θέλουν γρήγορα αποτελέσματα χωρίς πολυπλοκότητα.

Γ). Άλλα τύπου ειδικευμένα εργαλεία

NotebookLM (Google). Εργαλείο έρευνας που μπορεί να αναλύσει τα δικά σας έγγραφα και να δημιουργήσει ακόμα και podcasts με συζήτηση για το περιεχόμενό τους.

Synthesia. Δημιουργία επαγγελματικών videos με AI avatars που μιλούν σε πάνω από 140 γλώσσες.

ElevenLabs. Το καλύτερο εργαλείο για φωνητική σύνθεση. Χρησιμοποιείται για audiobooks, voice-overs, και προσβασιμότητα.

Fathom. AI βοηθός για συναντήσεις που παρακολουθεί Zoom ή Teams calls, κρατά σημειώσεις και παράγει περιλήψεις.

Jasper & Copy.ai. Εξειδικευμένα στη δημιουργία διαφημίσεων, blog posts κ.λπ.

Δ). Εργαλεία ανάπτυξης λογισμικού (προγραμματισμού)

Η ΤΝ έχει φέρει επανάσταση στον προγραμματισμό, με εργαλεία που μπορούν να γράφουν κώδικα, να εντοπίζουν σφάλματα και να εξηγούν πολύπλοκες λειτουργίες. Δεν θα παρουσιαστούν αναλυτικότερα, καθώς είναι αρκετά εξειδικευμένα και δεν αφορούν τον μέσο χρήστη.

Η χρησιμότητα της ΤΝ στην καθημερινή ζωή

Α). Υγεία και Ιατρική

Η τεχνητή νοημοσύνη βοηθά ήδη τους γιατρούς να εντοπίζουν ασθένειες νωρίτερα και με μεγαλύτερη ακρίβεια. Αλγόριθμοι ΤΝ μπορούν να αναλύουν ιατρικές εικόνες (ακτινογραφίες, μαγνητικές τομογραφίες), να εντοπίζουν σημάδια καρκίνου που μπορεί να διαφύγουν του ανθρώπινου ματιού. Στην έρευνα, η ΤΝ επιταχύνει την ανακάλυψη νέων φαρμάκων, αναλύοντας εκατομμύρια χημικές ενώσεις σε κλάσματα του χρόνου που θα χρειαζόταν παλαιότερα.

Β). Μεταφορές

Τα αυτόνομα οχήματα χρησιμοποιούν ΤΝ για να «βλέπουν» τον δρόμο, να αναγνωρίζουν εμπόδια και να παίρνουν αποφάσεις σε χιλιοστά του δευτερολέπτου. Ακόμα και σε παραδοσιακά αυτοκίνητα, η ΤΝ μας βοηθά με συστήματα αποφυγής σύγκρουσης και έξυπνη πλοήγηση που προβλέπει την κίνηση.

Γ). Περιβάλλον και ενέργεια

Η τεχνητή νοημοσύνη βοηθά στην καταπολέμηση της κλιματικής αλλαγής. Βελτιστοποιεί την κατανάλωση ενέργειας σε κτίρια και πόλεις, προβλέπει καιρικά φαινόμενα με μεγαλύτερη ακρίβεια, και παρακολουθεί την αποψίλωση των δασών μέσω δορυφορικών εικόνων.

Δ). Εξυπηρέτηση πελατών

Τα chatbots και οι εικονικοί βοηθοί χειρίζονται πλέον εκατομμύρια ερωτήσεις καθημερινά, παρέχοντας άμεση εξυπηρέτηση 24 ώρες το 24ωρο. Μπορούν να λύσουν απλά προβλήματα, να κλείσουν ραντεβού ή να προωθήσουν πιο σύνθετα ζητήματα σε ανθρώπους. Όλοι, εδώ και πολλά χρόνια, έχουμε χρησιμοποιήσει τα call centers τραπεζών κ.λπ.

E). Εκπαίδευση

E.1). Εξατομικευμένη μάθηση. Η ΤΝ επιτρέπει την προσαρμογή της εκπαιδευτικής διαδικασίας στις ανάγκες του καθενός. Κατάλληλες εφαρμογές μπορούν να εντοπίσουν πού δυσκολεύεται ένας μαθητής και να του προσφέρουν επιπλέον ασκήσεις ή εξηγήσεις με τον τρόπο που του ταιριάζει. Αυτό που παλιά χρειαζόταν ιδιαίτερο καθηγητή, τώρα μπορεί να γίνει προσιτό σε όλους.

E.2). Πρόσβαση στη γνώση. Εργαλεία όπως οι έξυπνες μηχανές αναζήτησης και οι γλωσσικές ΤΝ καθιστούν τη γνώση πιο προσβάσιμη. Μπορούμε να κάνουμε ερωτήσεις σε φυσική γλώσσα και να λαμβάνουμε σύνθετες απαντήσεις, να μεταφράζουμε κείμενα σε δευτερόλεπτα, ή να συνοψίζουμε μακροσκελή έγγραφα.

E.3). Νέα εργαλεία για ερευνητές. Οι επιστήμονες χρησιμοποιούν ΤΝ για να αναλύουν τεράστιες ποσότητες δεδομένων, να εντοπίζουν μοτίβα που θα ήταν αδύνατο να δουν με το μάτι, και να κάνουν προβλέψεις. Από την αστρονομία μέχρι τη βιολογία, η ΤΝ επιταχύνει την επιστημονική ανακάλυψη.

Οι ανησυχίες. Πώς μπορούμε να διασφαλίσουμε ότι οι μαθητές μαθαίνουν να σκέφτονται κριτικά και δεν βασίζονται τυφλά στην ΤΝ; Πώς αποφεύγουμε την απομόνωση όταν η μάθηση γίνεται υπερβολικά εξατομικευμένη; Αυτά είναι ερωτήματα που η εκπαιδευτική κοινότητα προσπαθεί να απαντήσει.

ΣΤ). Αγορά εργασίας

Ίσως η πιο συζητημένη πτυχή της ΤΝ είναι ο αντίκτυπός της στις θέσεις εργασίας. Η αλήθεια είναι περίπλοκη και δεν μπορεί ν α είναι ούτε εντελώς αισιόδοξη ούτε καταστροφική. Με βεβαιότητα όμως είναι μετασχηματιστική.

Ας δούμε κάποιους αριθμούς που προκαλούν ανησυχία:

Σύμφωνα με την έκθεση της PwC «2025 Global AI Jobs Barometer», που ανέλυσε σχεδόν ένα δισεκατομμύριο αγγελίες εργασίας παγκοσμίως, το 25% των καθημερινών εργασιακών καθηκόντων σε όλα τα επαγγέλματα είδαν ήδη να αυτοματοποιούνται ή να ενισχύονται από ΤΝ μέχρι το τέλος του 2024.
Το Διεθνές Νομισματικό Ταμείο προβλέπει ότι η ΤΝ θα επηρεάσει σχεδόν το 40% όλων των θέσεων εργασίας παγκοσμίως.
Η Goldman Sachs εκτιμά ότι η ΤΝ θα μπορούσε να αντικαταστήσει το ισοδύναμο 300 εκατομμυρίων θέσεων εργασίας πλήρους απασχόλησης παγκοσμίως.
Στις ΗΠΑ και την Ευρώπη, τα δύο τρίτα των θέσεων εργασίας είναι εκτεθειμένα σε κάποιο βαθμό αυτοματισμού από την ΤΝ, ενώ το ένα τέταρτο θα μπορούσε να εκτελεστεί εξ ολοκλήρου από ΤΝ.
Το Παγκόσμιο Οικονομικό Φόρουμ στην έκθεσή του «Future of Jobs Report 2025» αποκαλύπτει ότι το 40% των εργοδοτών αναμένουν να μειώσουν το εργατικό δυναμικό τους εκεί όπου η ΤΝ μπορεί να αυτοματοποιήσει εργασίες. Μέχρι το 2030, το 30% των τρεχουσών θέσεων εργασίας στις ΗΠΑ θα μπορούσε να είναι πλήρως αυτοματοποιημένο, ενώ το 60% θα δει σημαντικές αλλαγές σε επίπεδο καθηκόντων.

ΣΤ.1). «Ευάλωτες» θέσεις εργασίας

Ας δούμε ποιες δουλειές, με βάση τα σημερινά δεδομένα, είναι οι πιο ευάλωτες.

«Γραφειοκρατικές» και διοικητικές θέσεις. Σύμφωνα με μελέτη του Διεθνούς Οργανισμού Εργασίας (ILO), σχεδόν το 10% των θέσεων που καταλαμβάνονται κυρίως από γυναίκες σε χώρες υψηλού εισοδήματος (κυρίως στους παραπάνω ρόλους) βρίσκονται σε υψηλό κίνδυνο αντικατάστασης, σχεδόν τρεις φορές περισσότερο από τους άνδρες.

Τραπεζικός και χρηματοοικονομικός τομέας. Το 70% των βασικών λειτουργιών προβλέπεται να αυτοματοποιηθούν μέχρι το 2025, με το 54% των τραπεζικών θέσεων να μπορούν σχετικά εύκολα να να αυτοματοποιηθούν. Περίπου 200.000 θέσεις εργασίας αναμένεται να περικοπούν από τράπεζες της Wall Street τα επόμενα 3-5 χρόνια.

Μεταποίηση. Η Oxford Economics προβλέπει ότι έως 20 εκατομμύρια θέσεις εργασίας στη μεταποίηση θα μπορούσαν να αντικατασταθούν παγκοσμίως μέχρι το 2030. Στις ΗΠΑ, οι θέσεις στις γραμμές συναρμολόγησης προβλέπεται να μειωθούν από 2,1 εκατομμύρια το 2024 σε μόλις 1,0 εκατομμύριο το 2030.

Εξυπηρέτηση πελατών. Οι περισσότερες αλληλεπιδράσεις εξυπηρέτησης πελατών δεν γίνονται πια τηλεφωνικά με ανθρώπινους υπαλλήλους, καθώς τα chatbots αναλαμβάνουν τις επαναλαμβανόμενες ερωτήσεις.

Τεχνολογικός τομέας. Στο πρώτο εξάμηνο του 2025, ήδη 78 χιλιάδες θέσεις εργασίας αντικαταστάθηκαν από την ΤΝ. Οι αγγελίες για θέσεις εισαγωγικού επιπέδου έχουν μειωθεί κατά 15% σε ετήσια βάση.

Τομέας ανθρώπινων πόρων. Μεταξύ των ετών 2025 και 2025 αναμένεται ότι το 85% των λειτουργιών προσλήψεων και το 90% των λειτουργιών διαχείρισης παροχών στους εργαζομένους θα αυτοματοποιηθούν.

ΣΤ.2). «Ασφαλείς» θέσεις εργασίας

Θέσεις που θεωρητικά παραμένουν «ασφαλείς», με βάση πάντοτε τα σημερινά δεδομένα.

Δουλειές που απαιτούν σωματική επιδεξιότητα. Οι ειδικευμένες τεχνικές θέσεις παραμένουν σε υψηλή ζήτηση, με το 94% των κατασκευαστικών εταιρειών να αναφέρουν δυσκολία στην εξεύρεση εργατών. Θέσεις στην κατασκευή και τις ειδικευμένες τέχνες είναι μεταξύ των λιγότερο απειλούμενων.

Συναισθηματική νοημοσύνη και ανθρώπινη φροντίδα. Οι ρόλοι στην υγειονομική περίθαλψη (νοσοκόμες, θεραπευτές, βοηθοί) προβλέπεται να αυξηθούν, καθώς η ΤΝ ενισχύει παρά αντικαθιστά αυτές τις θέσεις. Για παράδειγμα, οι νοσοκόμοι προβλέπεται να αυξηθούν κατά 52% από το 2023 έως το 2033.

Προσωπικές υπηρεσίες. Θέσεις όπως εστίασης, ιατρικών βοηθών και καθαριστών είναι λιγότερο πιθανό να αντικατασταθούν και αναμένονται να προσθέσουν πάνω από 500.000 θέσεις μέχρι το 2033.

Γ). Νέες ευκαιρίες

Η ίδια η τεχνολογία δημιουργεί νέες θέσεις. Το Παγκόσμιο Οικονομικό Φόρουμ προβλέπει ότι την επόμενη πενταετία, οι εξελίξεις στην ΤΝ και τις τεχνολογίες επεξεργασίας πληροφοριών θα δημιουργήσουν 19 εκατομμύρια θέσεις εργασίας ενώ θα εκτοπίσουν 9 εκατομμύρια. Εάν οι προβλέψεις είναι σωστές το καθαρό αποτέλεσμα είναι +10 εκατομμύρια θέσεις εργασίας. Η μακροχρόνια πρόβλεψη είναι ακόμα πιο αισιόδοξη: 170 εκατομμύρια νέες θέσεις εργασίας προβλέπεται να δημιουργηθούν την τρέχουσα δεκαετία.

Οι ταχύτερα αναπτυσσόμενοι τομείς είναι η ανάλυση δεδομένων με χρήση ΤΝ, η κυβερνοασφάλεια, ο τεχνολογικός γραμματισμός (ικανότητα ενός ατόμου να κατανοεί, να χρησιμοποιεί και να αλληλεπιδρά με την τεχνολογία με αποτελεσματικό τρόπο) και η ανάπτυξη λογισμικού.

Η Veritone αναφέρει ότι στις ΗΠΑ, το πρώτο τρίμηνο του 2025, υπήρχαν 35.445 θέσεις εργασίας που σχετίζονται με την ΤΝ, αντιπροσωπεύοντας αύξηση 25,2% από το 2024, ενώ ο μέσος ετήσιος μισθός για ρόλους ΤΝ έφτασε τα $156.998.

Το ενθαρρυντικό μήνυμα: Ενίσχυση αντί για Αντικατάσταση

Ένα ενθαρρυντικό εύρημα από την έρευνα της Anthropic στο τέλος του 2024 είναι ότι για σχεδόν όλες τις δουλειές, η χρήση της ΤΝ για ενίσχυση (augmentation) παραμένει πολύ υψηλότερη από αυτήν για αυτοματοποίηση (automation). Αυτό δείχνει ότι η ΤΝ μπορεί, τουλάχιστον βραχυπρόθεσμα, να αποδειχθεί περισσότερο χρήσιμη παρά καταστροφική.

Η έρευνα της PwC επιβεβαιώνει ότι οι μισθοί αυξάνονται διπλάσια γρήγορα στις βιομηχανίες που είναι περισσότερο εκτεθειμένες στην ΤΝ σε σύγκριση με εκείνες που είναι λιγότερο εκτεθειμένες. Ακόμα και σε ρόλους που μπορούν να αυτοματοποιηθούν, οι μισθοί αυξάνονται για τους εργαζόμενους που χρησιμοποιούν ΤΝ, υποδηλώνοντας ότι οι ανησυχίες για υποτίμηση των ρόλων που μπορούν εύκολα να αυτοματοποιηθούν ίσως είναι υπερβολικές.

Επανακατάρτιση και Δια Βίου Μάθηση

Το κλειδί είναι η προσαρμοστικότητα. Το 77% των εργοδοτών σχεδιάζουν να δώσουν προτεραιότητα στην επανακατάρτιση και την αναβάθμιση δεξιοτήτων του εργατικού δυναμικού τους μέχρι το 2030, για να βελτιώσουν τη συνεργασία με συστήματα ΤΝ. Αυτή η στρατηγική τονίζεται ιδιαίτερα σε οικονομίες υψηλότερου εισοδήματος (87%).

Μέχρι το 2030, το 14% των εργαζομένων παγκοσμίως θα έχουν αναγκαστεί να αλλάξουν καριέρα λόγω ΤΝ. Στις ΗΠΑ, 20 εκατομμύρια εργαζόμενοι αναμένεται να επανακαταρτιστούν σε νέες καριέρες ή στη χρήση της ΤΝ τα επόμενα τρία χρόνια.

Οι εργοδότες στρέφονται όλο και περισσότερο στην προσέγγιση της πρόσληψης με βάση τις δεξιότητες. Συγκεκριμένα, το 81% σχεδιάζει να δώσει προτεραιότητα στην εργασιακή εμπειρία ως βασική μέθοδο αξιολόγησης από το 2025 έως το 2030, αφαιρώντας συχνά τις απαιτήσεις για ακαδημαϊκούς τίτλους.

Τον σημαντικότερο ρόλο θα παίξουν soft skills (δεξιότητες) που συμπληρώνουν την ΤΝ. Αυτές είναι η αναλυτική και συστημική σκέψη, η δημιουργική επίλυση προβλημάτων, η συναισθηματική νοημοσύνη και επικοινωνία, η προσαρμοστικότητα και δια βίου μάθηση, η κριτική σκέψη με γνώμονα την ηθική και η λήψη αποφάσεων.

Η θετική πλευρά

Η ΤΝ μπορεί να μας ελευθερώσει από βαρετές εργασίες, δίνοντάς μας χρόνο για πιο δημιουργικές και ικανοποιητικές δραστηριότητες. Οι γιατροί μπορούν να περάσουν περισσότερο χρόνο με τους ασθενείς αντί να συμπληρώνουν έγγραφα. Οι δάσκαλοι μπορούν να επικεντρωθούν στη διδασκαλία αντί στη βαθμολόγηση. Οι δημιουργικοί επαγγελματίες μπορούν να αφιερώσουν περισσότερο χρόνο στην καινοτομία και λιγότερο στις επαναλαμβανόμενες διοικητικές εργασίες.

Όπως επισημαίνει η PwC, οι επενδύσεις στην ΤΝ αποδίδουν: από το 2022, όταν η συνειδητοποίηση της δύναμης της ΤΝ αυξήθηκε απότομα, η αύξηση των εσόδων σε βιομηχανίες που είναι καλύτερα τοποθετημένες να υιοθετήσουν ΤΝ έχει σχεδόν τετραπλασιαστεί. Η ΤΝ δεν απλώς αλλάζει θέσεις εργασίας. Δημιουργεί αξία. Τουλάχιστον προς το παρόν.

Τα μεγάλα ερωτήματα της ΤΝ και η φιλοσοφική τους διάσταση

Πέρα από τα τεχνικά και πρακτικά ζητήματα, η τεχνητή νοημοσύνη εγείρει ορισμένα από τα πιο βαθιά φιλοσοφικά ερωτήματα που έχει αντιμετωπίσει ποτέ η ανθρωπότητα. Ερωτήματα που αγγίζουν την ίδια την ουσία του τι σημαίνει να είσαι άνθρωπος, να σκέφτεσαι, να καταλαβαίνεις, να έχεις συνείδηση.

Μπορεί μια μηχανή να σκέφτεται;

Αποτελεί το κεντρικό και κρίσιμο ερώτημα που έθεσε ο τεράστιος Alan Turing (διαπρεπής Άγγλος μαθηματικός, θεωρητικός της λογικής, κρυπτογράφος και πρωτοπόρος στην ανάπτυξη της θεωρίας των υπολογιστών) το 1950: «Μπορούν οι μηχανές να σκέφτονται;». Αυτό το ερώτημα είναι θεμελιώδες. Ο Turing αντί να δώσει μια απευθείας απάντηση, πρότεινε ένα πρακτικό τεστ, το περίφημο Τεστ του Turing. Αν ένας άνθρωπος δεν μπορεί να διακρίνει αν συνομιλεί με μηχανή ή με άνθρωπο, τότε θα πρέπει να θεωρήσουμε τη μηχανή ως «ευφυή». Αλλά αυτό απαντά πραγματικά στο ερώτημα; Ή απλά μετατοπίζει το ερώτημα; Το να φαίνεται κάτι ευφυές είναι το ίδιο με το να είναι πράγματι ευφυές;

Το Κινέζικο Δωμάτιο

Το 1980, ο φιλόσοφος John Searle παρουσίασε ένα διάσημο νοητικό πείραμα που έμεινε στην ιστορία ως «το Κινέζικο Δωμάτιο». Υπάρχει ένας άνθρωπος κλεισμένος σε ένα δωμάτιο, χωρίς καμία γνώση κινέζικων. Μέσα στο δωμάτιο υπάρχουν εγχειρίδια με οδηγίες στα αγγλικά που λένε: «Αν δεις αυτό το κινέζικο σύμβολο, γράψε εκείνο το κινέζικο σύμβολο». Έξω από το δωμάτιο Κινέζοι περνούν ερωτήσεις γραμμένες σε χαρτιά μέσα από μια σχισμή. Ο άνθρωπος ακολουθεί μηχανικά τις οδηγίες και επιστρέφει απαντήσεις που έχουν τέλειο νόημα στα κινέζικα.

Για τους Κινέζους έξω από το δωμάτιο, φαίνεται ότι μέσα υπάρχει κάποιος που καταλαβαίνει άψογα τα κινέζικα. Αλλά ο άνθρωπος μέσα δεν καταλαβαίνει απολύτως τίποτα. Απλά χειρίζεται σύμβολα σύμφωνα με κανόνες, χωρίς να κατανοεί το νόημά τους.

Ο Searle υποστηρίζει ότι έτσι ακριβώς λειτουργούν και οι υπολογιστές. Χειρίζονται σύμβολα με βάση συντακτικούς κανόνες (syntax), αλλά δεν κατανοούν τη σημασιολογία (semantics), δηλαδή το νόημα. Ακόμα κι αν ένας υπολογιστής περάσει το «Τεστ του Turing» και φαίνεται να καταλαβαίνει, στην πραγματικότητα δεν καταλαβαίνει τίποτα. Απλά εκτελεί εντολές.

Η κριτική και η άποψη του Searle στόχευε στην άποψη ότι ένας κατάλληλα προγραμματισμένος υπολογιστής έχει πραγματικό νου, όχι απλά προσομοιώνει τη νόηση. Το επιχείρημα αυτό προκαλεί συζητήσεις έως σήμερα και έχει παράξει εκατοντάδες φιλοσοφικές απαντήσεις.

Συνείδηση και υποκειμενική εμπειρία

Ίσως το μεγαλύτερο μυστήριο είναι η συνείδηση. Ο άνθρωπος δεν επεξεργάζεται απλά πληροφορίες. Νιώθει πόνο, χαρά, φόβο. Έχει την υποκειμενική εμπειρία (οι φιλόσοφοι το ονομάζουν «qualia»).

Ο φιλόσοφος Thomas Nagel το 1974 έγραψε ένα διάσημο άρθρο με τίτλο «What Is It Like to Be a Bat?» (Πώς είναι να είσαι νυχτερίδα;). Το επιχείρημά του ήταν ότι ακόμα κι αν καταλάβουμε όλη τη νευροβιολογία της νυχτερίδας, δεν θα ξέρουμε ποτέ πώς αισθάνεται να είσαι νυχτερίδα, πως είναι να πετάς στο σκοτάδι χρησιμοποιώντας ηχοεντοπισμό. Αν ισχύει αυτό για τα βιολογικά όντα, πόσο μάλλον για τις μηχανές;

Οντολογία της ΤΝ

Ένα μεταφυσικό ερώτημα είναι: τι είδους πράγμα είναι μια ΤΝ; Είναι ένα εργαλείο, όπως ένα σφυρί; Ένας πράκτορας (agent) με δικές του επιδιώξεις; Ένα νέο είδος όντος;

Δεν είναι εύκολο να καταταχθεί στις παραδοσιακές φιλοσοφικές κατηγορίες, καθώς δεν είναι ζωντανό με τον βιολογικό ορισμό, αλλά μπορεί να κάνει πράγματα που συνειδητά όντα κάνουν. Δεν έχει σώμα (τουλάχιστον όπως γνωρίζουμε το σώμα), αλλά αλληλεπιδρά με τον κόσμο. Δεν έχει DNA, αλλά «εξελίσσεται» μέσω των αλγορίθμων της.

Πώς μπορούμε να γνωρίζουμε αν μια μηχανή έχει συνείδηση, κατανόηση, ή υποκειμενική εμπειρία, ενώ στην πραγματικότητα δεν μπορούμε να αποδείξουμε με βεβαιότητα ότι οι άλλοι άνθρωποι έχουν συνειδητή εμπειρία. Το συμπεραίνουμε όμως από τη συμπεριφορά τους και την ομοιότητα με εμάς. Αυτό που αποκαλούν οι φιλόσοφοι ως το «πρόβλημα των άλλων νόων» γίνεται ακόμα πιο δύσκολο με τις μηχανές που είναι τόσο διαφορετικές από εμάς.

Ηθικά ερωτήματα και προκλήσεις

Η ταχεία ανάπτυξη της ΤΝ φέρνει στο προσκήνιο σημαντικά ηθικά ζητήματα που πρέπει να αντιμετωπίσουμε ως κοινωνία.

Α). Προκαταλήψεις και δικαιοσύνη

Η ΤΝ μαθαίνει από δεδομένα που δημιουργήσαμε εμείς οι άνθρωποι. Αυτά τα δεδομένα περιέχουν τις προκαταλήψεις μας. Συστήματα ΤΝ έχουν αποδειχθεί λιγότερο ακριβή στην αναγνώριση προσώπων με σκούρο δέρμα ή κάνουν διακρίσεις σε βάρος γυναικών σε προσλήψεις. Άρα, πρέπει να διασφαλιστεί ότι η ΤΝ θα είναι είναι δίκαιη και χωρίς διακρίσεις.

Β). Ιδιωτικότητα

Η ΤΝ βασίζεται σε δεδομένα, τα οποία συχνά μας αφορούν. Πώς προστατεύουμε την ιδιωτικότητά μας όταν οι αλγόριθμοι παρακολουθούν κάθε μας κίνηση στο διαδίκτυο; Ποιος ελέγχει αυτά τα δεδομένα και πώς τα χρησιμοποιεί;

Γ). Διαφάνεια και λογοδοσία

Πολλά συστήματα ΤΝ είναι «μαύρα κουτιά», δηλαδή δίνουν αποτελέσματα χωρίς να μπορούμε να καταλάβουμε πώς τα επέτυχαν. Αν μια εφαρμογή ΤΝ απορρίψει την αίτησή μας για δάνειο ή αλλάξει τη ζωή σας με κάποιο άλλο τρόπο δεν έχουμε το δικαίωμα να γνωρίζουμε το γιατί;

Δ). Η «Υπερνοημοσύνη»

Κάποιοι ερευνητές ανησυχούν έντονα για το μακρινό μέλλον. Τι θα συμβεί εάν ή όταν δημιουργήσουμε ΤΝ πιο έξυπνη από εμάς; Αυτό το σενάριο μπορεί να μοιάζει με επιστημονική φαντασία, αλλά σοβαροί επιστήμονες συζητούν πώς να διασφαλίσουμε ότι μια τέτοια ΤΝ θα παραμείνει ευθυγραμμισμένη με τις ανθρώπινες αξίες μας.

Συμπέρασμα

Η τεχνητή νοημοσύνη δεν είναι ούτε σωτήρας ούτε καταστροφέας. Είναι ένα ισχυρό εργαλείο και έτσι πρέπει να αντιμετωπίζεται, που εξαρτάται από εμάς πώς θα το χρησιμοποιήσουμε.

Είναι μία από τις σημαντικότερες τεχνολογικές εξελίξεις στην ανθρώπινη ιστορία. Αλλάζει τον τρόπο που εργαζόμαστε, μαθαίνουμε, επικοινωνούμε, και καταλαβαίνουμε τον κόσμο.

Τα επόμενα χρόνια οι εξελίξεις που θα βιώσουμε θα είναι ακόμα πιο εντυπωσιακές. Η ΤΝ θα γίνει πιο φυσική στην αλληλεπίδραση, πιο προσαρμοσμένη στις ανάγκες μας, πιο ενσωματωμένη σε κάθε πτυχή της ζωής μας. Μπορεί να έχουμε προσωπικούς βοηθούς ΤΝ που θα μας γνωρίζουν καλύτερα από οποιονδήποτε ή συστήματα που θα προβλέπουν και θα αποτρέπουν ασθένειες πριν εμφανιστούν.

Το μέλλον θα διαμορφωθεί από τις επιλογές μας σήμερα. Χρειάζεται να επενδύσουμε στην εκπαίδευση για να προετοιμάσουμε τους ανθρώπους για τον κόσμο που έρχεται. Χρειάζεται να δημιουργήσουμε κανόνες που θα προστατεύουν τα δικαιώματά μας χωρίς να σταματούν την καινοτομία. Και πάνω από όλα, χρειάζεται να διασφαλίσουμε ότι τα οφέλη της ΤΝ θα μοιραστούν ευρέως, όχι μόνο σε μια ελίτ.

Αντί επιλόγου

Η πρόκληση που πρέπει να αντιμετωπίσουμε δεν είναι να σταματήσουμε αυτή την εξέλιξη. Κάτι τέτοιο είναι αδύνατο. Έχουμε χρέος να την οδηγήσουμε και να την καθοδηγήσουμε προς μια κατεύθυνση που εξυπηρετεί την ανθρωπότητα στο σύνολό της.

Αυτό προϋποθέτει να είμαστε ενεργοί πολίτες, να ενημερωνόμαστε, να θέτουμε ερωτήματα, να απαιτούμε διαφάνεια και λογοδοσία, και να μην παραιτούμαστε από την ανθρώπινη κρίση και τις αξίες μας.

Το μέλλον με την ΤΝ δεν είναι προδιαγεγραμμένο. Είναι κάτι που γράφουμε εμείς, κάθε μέρα, με τις επιλογές μας και τις πράξεις μας. Και αυτό, τελικά, είναι το πιο αισιόδοξο μήνυμα· το μέλλον βρίσκεται στα χέρια μας.

Μια τελευταία σκέψη, το εργαλείο και ο τεχνίτης

Δεν φταίει το μαχαίρι για την πληγή που προκάλεσε, φταίει το χέρι που το κρατούσε. Το μαχαίρι είναι μόνο ένα εργαλείο. Μπορεί να σώσει ζωές στα χέρια ενός χειρουργού ή να τις αφαιρέσει στα χέρια ενός εγκληματία. Η φωτιά μπορεί να ζεστάνει ένα σπίτι ή να το κάψει ολοσχερώς. Το διαδίκτυο μπορεί να συνδέσει τους ανθρώπους ή να διαδώσει μίσος και παραπληροφόρηση.

Η τεχνητή νοημοσύνη δεν είναι διαφορετική. Είναι ένα εργαλείο, φαίνεται ότι μπορεί να είναι το πιο ισχυρό που δημιούργησε ποτέ η ανθρωπότητα, αλλά παραμένει εργαλείο. Δεν έχει εγγενή ηθική, δεν επιδιώκει από μόνη της το καλό ή το κακό. Αυτό που κάνει εξαρτάται εξ ολοκλήρου από εμάς. Από τις προθέσεις μας όταν τη σχεδιάζουμε, από τις επιλογές μας όταν την αναπτύσσουμε, από τη σοφία και την εγκράτειά μας μας όταν τη χρησιμοποιούμε.

Μπορούμε να την χρησιμοποιήσουμε για να εξαλείψουμε ασθένειες ή για να φτιάξουμε όπλα. Για να κάνουμε προσιτή τη γνώση ή για να ενισχύσουμε την ανισότητα. Για να απελευθερώσουμε τους ανθρώπους από την αλλοτρίωση της επαναλαμβανόμενης εργασίας ή για να τους αποξενώσουμε περισσότερο. Για να ενδυναμώσουμε τις δημοκρατίες ή για να ενισχύσουμε την επιτήρηση και τον έλεγχο.

Η διαφορά δεν βρίσκεται στην τεχνολογία. Βρίσκεται σε εμάς. Στις αξίες μας, στην κρίση μας, στην ικανότητά μας να βάζουμε το ανθρώπινο συμφέρον πάνω από το κέρδος ή τη δύναμη. Και αυτό απαιτεί κάτι που καμία ΤΝ δεν μπορεί να μας δώσει. Απαιτεί σοφία, ενσυναίσθηση, και συλλογική υπευθυνότητα.

Γι’ αυτό λοιπόν το πιο σημαντικό ερώτημα δεν είναι «τι μπορεί να κάνει η ΤΝ;» αλλά «τι θα επιλέξουμε εμείς να κάνουμε με την ΤΝ;». Και αυτή η επιλογή ανήκει σε όλους μας. Όχι μόνο στους επιστήμονες και τους προγραμματιστές, αλλά σε κάθε πολίτη, σε κάθε εργαζόμενο, σε κάθε γονιό, σε κάθε εκπαιδευτικό, σε κάθε άνθρωπο που θα ζήσει σε αυτόν τον κόσμο που διαμορφώνουμε σήμερα.

Το μαχαίρι δεν αποφασίζει πώς θα χρησιμοποιηθεί. Εμείς αποφασίζουμε. Και σε αυτή την απόφαση κρύβεται όλο το μέλλον μας.