Η ανάπτυξη και αποτελεσματικότητα της Τεχνητής Νοημοσύνης

Η παραγωγική επανάσταση των LLMs αποτελεί ψεύδος. Τα τελευταία έτη, προωθείται η αφήγηση ότι η Τεχνητή Νοημοσύνη θα μας κάνει ταχύτερους, θα βελτιώσει την ποιότητα ζωής μας, και ακόμα ότι θα επιφέρει επιστημονικές ανακαλύψεις. Υποτίθεται ότι η τεχνολογία των LLMs θα συνεχίσει να αναπτύσσεται έως ότου δημιουργήσει μια ανθρώπινη ουτοπία.

Αλλά η αλήθεια είναι ότι η ανάπτυξή της ανακόπηκε πριν από περίπου δύο έτη, όπως έγραψαν ο Alexander Bick (στέλεχος της Federal Reserve Bank of St. Louis), ο Adam Blandin (καθηγητής στο Vanderbilt University) και ο David J. Deming (καθηγητής στη Harvard Kennedy School), σε ειδική μελέτη τους η οποία δημοσιεύθηκε, το 2024, από το Εθνικό Γραφείο Οικονομικής Έρευνας των ΗΠΑ. Στην προαναφερθείσα μελέτη, καταδεικνύεται ότι τα LLMs “έπιασαν ταβάνι” το 2024.

Οι Νόμοι Κλιμάκωσης Chinchilla καλλιέργησαν την πεποίθηση ότι η AGI (Artificial General Intelligence), δηλαδή μια πιο εξελιγμένη μορφή Τεχνητής Νοημοσύνης (που μιμείται την ανθρώπινη συλλογιστική), είναι αναπόφευκτη. Όμως, το 2025, διαπιστώθηκε ότι οι προαναφερθέντες νόμοι έπαυσαν να ισχύουν. Διαπιστώθηκε ότι μεγαλύτερη υπολογιστική ισχύς δεν παράγει κατ’ ανάγκην καλύτερα μοντέλα, όπως κατέδειξαν ο Dave Vellante (συνιδρυτής και κύριος αναλυτής τής SiliconANGLE Media) και ο Erik Bradley (ειδικός στην έρευνα αγοράς και στην επιχειρησιακή έρευνα), σε ειδική μελέτη τους η οποία δημοσιεύθηκε, το 2025, από το Εθνικό Γραφείο Οικονομικής Έρευνας των ΗΠΑ. Αυτό που βλέπουμε, πλέον, είναι μεγαλύτεροι προϋπολογισμοί μάρκετινγκ που υποδύονται ότι αποτελούν καλύτερη τεχνολογία.

Η εξάρτηση από τα προαναφερθέντα συστήματα

Το πρώτο μεγάλο εμπορικό ψεύδος των εργαλείων LLMs είναι ότι μας κάνουν περισσότερο παραγωγικούς. Κάθε τεχνολογική εταιρεία που πωλεί LLMs έχει, κατά βάση, την ίδια αφήγηση: χρησιμοποιώντας την τεχνολογία μας, θα συντάσσετε κώδικες ταχύτερα, θα γράφετε καλύτερα, και θα τελειώνετε μέσα σε κάποιες ώρες εργασίες που θα απαιτούσαν ημέρες. Μια νέα παραγωγική επανάσταση βρίσκεται μπροστά μας! Μόνο που αυτή η αφήγηση δεν αληθεύει.

Το 2025, μια μελέτη του ερευνητικού οργανισμού METR (Model Evaluation & Threat Research) διαπίστωσε ότι ιδιαιτέρως έμπειροι προγραμματιστές χρειάστηκαν δεκαεννέα τοις εκατό (19%) περισσότερο χρόνο για να ολοκληρώσουν εργασίες προγραμματισμού όταν χρησιμοποιούσαν εργαλεία Τεχνητής Νοημοσύνης.

Παρότι η Τεχνητή Νοημοσύνη είναι εξαιρετικώς αποτελεσματική στη γρήγορη δημιουργία κώδικα, ο χρόνος που αφιέρωσαν αυτοί οι έμπειροι μηχανικοί λογισμικού στη διατύπωση prompts, καθώς και στον εντοπισμό και στη διόρθωση σφαλμάτων που δημιουργήθηκαν από την ΤΝ, τελικώς ξεπέρασε τον χρόνο που εξοικονομήθηκε χάρη στην Τεχνητή Νοημοσύνη.

Η εξοικονόμηση χρόνου πληκτρολόγησης και η αίσθηση στιγμιαίου αποτελέσματος αντισταθμίσθηκαν πλήρως και ξεπεράστηκαν από τις ανάγκες ελέγχου και επαλήθευσης αποτελεσμάτων και διόρθωσης σφαλμάτων των εργαλείων ΤΝ, καθώς και από τη διατύπωση prompts (το prompt είναι ουσιαστικά η οδηγία ή η ερώτηση που δίνεις σε ένα εργαλείο Τεχνητής Νοημοσύνης για να σου δώσει ένα αποτέλεσμα). Η αίσθηση στιγμιαίου αποτελέσματος δεν ισοδυναμεί με πραγματική πρόοδο. Η αφήγηση περί μιας παραγωγικής επανάστασης μέσω της ΤΝ είναι κυρίως μια καμπάνια μάρκετινγκ.

Επιπλέον, η υπερβολική εξάρτηση από εργαλεία ΤΝ υπονομεύει, μακροπρόθεσμα, την ικανότητα σκέψης και την κριτική ικανότητα του ανθρώπου. Πρόσφατη μελέτη τού MIT Media Lab, υπό τη διεύθυνση της Δρ Nataliya Kosmyna, ερεύνησε μεθοδικώς τον τρόπο με τον οποίο η συστηματική χρήση εργαλείων ΤΝ, όπως το ChatGPT, αναδιοργανώνει τον ανθρώπινο εγκέφαλο και συσσωρεύει γνωσιακό χρέος. Η πραγματοποίηση εργασιών μέσω συστημάτων LLMs μειώνει τη σύνδεση του εγκεφάλου με την εργασία που πραγματοποιεί.

Τάση συγχώνευσης κεφαλαίου και ΤΝ

Στο πλαίσιο του σύγχρονου καπιταλισμού και της τρέχουσας κρίσης του, η ΤΝ οδηγείται σε συγχώνευση με το κεφάλαιο ως ένας νέος τρόπος άσκησης κερδοσκοπίας και κοινωνικού ελέγχου. Εξού και ήδη έχουν τεθεί στον παγκόσμιο δημόσιο διάλογο ζητήματα που αφορούν στο ποιος διαχειρίζεται την ανάπτυξη της Τεχνητής Νοημοσύνης και ποιον εξυπηρετεί η ανάπτυξη της ΤΝ.

Επί έτη, οι εταιρείες τεχνολογίας ακολουθούσαν τους λεγόμενους Νόμους Κλιμάκωσης Chinchilla για Μεγάλα Γλωσσικά Μοντέλα. Η κεντρική ιδέα είναι πολύ απλή: καθώς διπλασιάζεται η υπολογιστική ισχύς, προκύπτει ένα μοντέλο που είναι περίπου διπλάσιας ικανότητας. Εξού και αναπτύχθηκαν όλο και περισσότερα data centers γεμάτα με όλο και περισσότερες GPUs. Από το 2020 έως και το 2023, επικρατούσε η τάση ότι ο διπλασιασμός της υπολογιστικής ισχύος περίπου διπλασιάζει την αποδοτικότητα. Όμως, το 2024, αυτή η τάση ανακόπηκε. Τώρα, πλέον, έχει διαπιστωθεί ότι ο διπλασιασμός της υπολογιστικής ισχύος αποδίδει μια βελτίωση των αποτελεσμάτων κατά περίπου 5% έως 8%, αλλά πληρώνεις τα διπλάσια χρήματα για μια ιδιαιτέρως μειωμένη απόδοση.

Τέλος, αξίζει να επισημανθεί και το γεγονός ότι τα LLMs εκπαιδεύονται διαβάζοντας τεράστιες ποσότητες κειμένων που συγκεντρώνουν από το internet, και όσο ποιο υψηλής ποιότητας είναι τα δεδομένα με τα οποία τροφοδοτούνται τόσο καλύτερα γίνονται. Έτσι, λ.χ., πραγματοποιήθηκε η βελτίωση των μοντέλων ChatGPT. Το 2024, η εταιρεία EPOCH AI δημοσίευσε μια μελέτη σύμφωνα με την οποία οι αξιόπιστες, υψηλής ποιότητας πηγές δεδομένων (π.χ., ψηφιοποιημένα επιστημονικά βιβλία και άρθρα, λήμματα Wikipedia, κ.λπ.) για την εκπαίδευση των LLMs εξαντλούνται. Εξού και οι τεχνολογικές εταιρείες άρχισαν να εκπαιδεύουν τα LLMs με κείμενα γραμμένα από άλλα LLMs, οδηγώντας σε ποιοτικώς μειωμένα αποτελέσματα, στο πλαίσιο του φαινομένου που ονομάζεται “κατάρρευση μοντέλου”.