Τι αυτοματοποιεί η τεχνητή νοημοσύνη

Παντελής Βλάχας

Σημειώσεις με αφορμή τη «λύση» των εξισώσεων Ναβιέ-Στόουκς (Navier-Stokes)

Η ανακοίνωση της OpenAI, σύμφωνα με την οποία ένα μοντέλο της προχώρησε σε απόδειξη μίας από τις εκδοχές του προβλήματος Ναβιέ-Στόουκς, ενός από τα επτά Προβλήματα της Χιλιετίας του Ινστιτούτου Clay, προκάλεσε μεγάλη αίσθηση και συζητήσεις. Πως συνδέεται αυτή η ανακοίνωση με την κούρσα του ανταγωνισμού μεταξύ των εταιρειών και με τα χρηματοδοτικά τους ανοίγματα; Πόσοι πόροι καταναλώθηκαν; Και ποια είναι η σημασία του αποτελέσματος για την ανάπτυξη της επιστήμης; Αυτό που παράγεται είναι γνώση, και εάν ναι, τι είδους γνώση;

Στις 8 Σεπτεμβρίου 2026 η OpenAI ανακοίνωσε ότι ένα εσωτερικό της μοντέλο, με έως και 10.000 ταυτόχρονους «πράκτορες», μέσα σε 88 ώρες, παρήγαγε απόδειξη για μία από τις εκδοχές του προβλήματος Ναβιέ-Στόουκς (Navier-Stokes), ενός από τα επτά Προβλήματα της Χιλιετίας του Ινστιτούτου Clay. Η συζήτηση που ακολούθησε κινήθηκε κυρίως ανάμεσα σε δύο αντιτιθέμενους άξονες: είτε ότι οι μηχανές άρχισαν πια να κάνουν επιστήμη μόνες τους, είτε ότι το αποτέλεσμα είναι ένα στατιστικό τέχνασμα χωρίς πραγματική γνωσιακή αξία. Και οι δύο αφήνουν έξω τα επιστημολογικά ερωτήματα που μας ενδιαφέρουν περισσότερο. Αυτό που παράγεται είναι γνώση, και εάν ναι, τι είδους γνώση; Τι ακριβώς αυτοματοποιείται; Με ποιο κόστος και για λογαριασμό ποιου;

1. Η οικονομία πίσω από τη λύση

Σύμφωνα με τα ελεγμένα οικονομικά στοιχεία της OpenAI για το 2025, που δημοσιοποιήθηκαν τον Ιούνιο του 2026 και επιβεβαιώθηκαν από τους Financial Times, η εταιρεία είχε έσοδα 13,07 δισεκατομμύρια δολάρια, λειτουργικές ζημιές 20,92 δισεκατομμύρια και καθαρές ζημιές 38,5 δισεκατομμύρια. Παράλληλα έχει αναλάβει δεσμεύσεις περίπου 600 δισεκατομμυρίων δολαρίων για υπολογιστική υποδομή μέχρι το 2030 (Quartz), ενώ οι τέσσερις μεγαλύτεροι όμιλοι του κλάδου προϋπολογίζουν για το 2026 επενδύσεις περίπου 725 δισεκατομμυρίων δολαρίων, έναντι περίπου 410 δισεκατομμυρίων το 2025 (Tom’s Hardware).

Υπερκέρδη καταγράφουν όσοι πουλάνε τα τσιπ και νοικιάζουν τα κέντρα δεδομένων, όμως οι εταιρείες που φτιάχνουν τα ίδια τα μοντέλα δεν έχουν δείξει ακόμα πώς θα γίνουν κερδοφόρες. Οι αποτιμήσεις αυτές στηρίζονται σε κέρδη που αναμένεται να παραχθούν στο μέλλον, σε αυτό που ο Μαρξ ονόμαζε πλασματικό κεφάλαιο, και όσο η απόσταση ανάμεσα σε επενδύσεις και έσοδα μεγαλώνει, το σκάσιμο της φούσκας γίνεται ζήτημα χρόνου. Σε αυτό το φόντο, η OpenAI είχε ήδη καταθέσει εμπιστευτικά αίτηση για είσοδο στο χρηματιστήριο στις 8 Ιουνίου 2026 (Bloomberg), και η ίδια γράφει ότι ξεκίνησε την προσπάθεια αφού άκουσε φήμες ότι δύο Προβλήματα της Χιλιετίας είχαν ήδη λυθεί αλλού. Η λύση ενός τέτοιου προβλήματος είναι, μεταξύ άλλων, επιχείρημα μάρκετινγκ για την καλύτερη πλασματική αποτίμηση μιας εταιρείας που χάνει δισεκατομμύρια κάθε τρίμηνο. Είναι ταυτόχρονα και επιχείρημα για το πού πρέπει να κατευθυνθούν οι πόροι της έρευνας: όσο εδραιώνεται η εικόνα ότι η μηχανή κάνει επιστήμη μόνη της, τόσο ευκολότερα φεύγουν κεφάλαια και δημόσια χρηματοδότηση από τα πανεπιστήμια, τα ερευνητικά κέντρα και τις άλλες επιστήμες προς τις εταιρείες της τεχνητής νοημοσύνης.

2. Η ενέργεια και η απόδοση

Η OpenAI δεν έχει δημοσιεύσει ακριβή στοιχεία για την ενέργεια που καταναλώθηκε στη λύση των εξισώσεων. Οι ερευνητές της μιλούν για κόστος «εκατομμυρίων δολαρίων», περίπου χίλιες φορές μεγαλύτερο από εκείνο προηγούμενων μαθηματικών της αποτελεσμάτων (AFP). Μπορούμε όμως να κάνουμε μια χοντρική εκτίμηση. Κατά το Epoch AI, μια τυπική ερώτηση σε ένα μικρότερο μοντέλο (GPT-4o), με απάντηση μερικών εκατοντάδων λέξεων, καταναλώνει περίπου 0,3 βατώρες, και μια ερώτηση με είσοδο 100.000 tokens περίπου 40 βατώρες. Με αυτά τα νούμερα, τα 130 δισεκατομμύρια tokens εξόδου αντιστοιχούν σε περίπου 80 μεγαβατώρες, και η ανάγνωση του συμφραζομένου στα 2,7 εκατομμύρια μηνύματα που αντάλλαξαν οι πράκτορες σε άλλες 100 περίπου. Μια συντηρητική τάξη μεγέθους είναι λοιπόν τουλάχιστον 100 μεγαβατώρες, και μάλλον αρκετά περισσότερες, αφού το μοντέλο ήταν πολύ μεγαλύτερο από το GPT-4o.

Ο ανθρώπινος εγκέφαλος λειτουργεί με περίπου 20 βατ, δηλαδή περίπου 175 κιλοβατώρες τον χρόνο. Οι 100 μεγαβατώρες αντιστοιχούν σε περίπου 570 χρόνια αδιάκοπης λειτουργίας ενός εγκεφάλου, ή στην ενέργεια που καταναλώνουν οι εγκέφαλοι 14 μαθηματικών σε ολόκληρη, σαραντάχρονη, ερευνητική ζωή. Στις 88 ώρες του εγχειρήματος η μέση ισχύς ήταν πάνω από ένα μεγαβάτ, όση θα χρειάζονταν περίπου 57.000 ανθρώπινοι εγκέφαλοι που δουλεύουν ταυτόχρονα.

3. Τι ακριβώς λύθηκε

Οι εξισώσεις Ναβιέ-Στόουκς περιγράφουν την κίνηση των ρευστών με ιξώδες, όπως το νερό, ο αέρας ή το αίμα, και στην ουσία εκφράζουν τον δεύτερο νόμο του Νεύτωνα για ένα ρευστό. Πάνω τους στηρίζονται η μετεωρολογία, η αεροδυναμική και ένα μεγάλο μέρος της υπολογιστικής επιστήμης. Παρότι τις λύνουμε καθημερινά αριθμητικά σε υπολογιστές, δεν ξέρουμε αν, ξεκινώντας από μια ομαλή αρχική κατάσταση, η λύση μένει πάντα ομαλή ή αν μπορεί να «σκάσει» σε πεπερασμένο χρόνο, με την ταχύτητα του ρευστού να απειρίζεται σε κάποιο σημείο. Αυτό είναι, σε γενικές γραμμές, το Πρόβλημα της Χιλιετίας.

Η επίσημη διατύπωση του Τσαρλς Φέφερμαν για το Ινστιτούτο Clay ζητά απόδειξη μίας από τέσσερις προτάσεις. Οι (A) και (B) αφορούν την ομαλότητα των λύσεων χωρίς εξωτερική δύναμη, και αυτό εννοούν οι περισσότεροι όταν μιλούν για «το πρόβλημα Ναβιέ-Στόουκς». Οι (C) και (D) ζητούν το αντίθετο: να δειχθεί ότι, με την επίδραση μιας εξωτερικής δύναμης, η λύση μπορεί να καταρρεύσει σε πεπερασμένο χρόνο. Η OpenAI ισχυρίζεται ότι απέδειξε τις (C) και (D), που αποτελούν τμήμα του επίσημου προβλήματος. Η απόδειξη έχει τυποποιηθεί στη γλώσσα Lean, αλλά η ίδια η εταιρεία τη χαρακτηρίζει «αυτοαξιολογούμενη», και ο έλεγχος από τη μαθηματική κοινότητα βρίσκεται σε εξέλιξη. Αν ισχύει, πρόκειται για πραγματικό μαθηματικό αποτέλεσμα, και θα ήταν λάθος να υποτιμούμε αυτή την παραγόμενη γνώση.

Τι είδους πρόβλημα είναι όμως αυτό, και τι είδους γνώση παράγεται; Οι (C) και (D) είναι προτάσεις ύπαρξης που αποδεικνύονται με κατασκευή: πρέπει να βρεθεί μια συγκεκριμένη δύναμη και μια συγκεκριμένη λύση που καταρρέει, και να ελεγχθεί ότι ικανοποιούν τις εξισώσεις. Ο στόχος είναι γνωστός από πριν, οι κανόνες του παιχνιδιού (οι εξισώσεις, οι ενεργειακές ανισότητες, οι γνωστές εκτιμήσεις) προϋπάρχουν, και η στρατηγική της ενίσχυσης της ανωμαλίας από κλίμακα σε κλίμακα είχε αναπτυχθεί επί χρόνια από τον Ντιέγκο Κόρδοβα και τον μαθητή του Λουίς Μαρτίνεθ-Θορόα, κάτι που αναγνωρίζει και η αναθεωρημένη έκδοση της ίδιας της εργασίας της OpenAI. Πριν από το Ναβιέ-Στόουκς λύθηκε το αντίστοιχο πρόβλημα για τις εξισώσεις Όιλερ (Euler), και η λύση αυτή δόθηκε ως υλικό στους πράκτορες του Ναβιέ-Στόουκς. Αυτό που έκανε η μηχανή είναι μια τεράστια αναζήτηση και συνδυασμός μέσα σε έναν καλά ορισμένο χώρο, με έναν τυπικό ελεγκτή που της λέει σε κάθε βήμα αν κάτι στέκει ή όχι. Παράγεται νέα γνώση, με την έννοια ότι προκύπτει ένα αποτέλεσμα που κανείς δεν είχε. Είναι όμως γνώση που παράγεται από προϋπάρχουσα γνώση, με κανόνες που προϋπάρχουν, προς έναν προκαθορισμένο στόχο που μπορεί να περιγραφεί. Ο Τόμας Κουν ονόμασε αυτή τη δραστηριότητα «επίλυση γρίφων» μέσα σε ένα δοσμένο επιστημονικό παράδειγμα.

4. Η γνώση που δεν βρίσκει

Από τα μέσα του 19ου αιώνα ήταν γνωστό ότι το περιήλιο του Ερμή μετατοπίζεται λίγο περισσότερο από όσο προβλέπει η νευτώνεια θεωρία. Αν και τα δεδομένα υπήρχαν για μισό αιώνα, η εξήγηση ήρθε μόλις το 1915 με τη γενική θεωρία της σχετικότητας, όχι μέσα από έναν νέο συνδυασμό νευτώνειων εργαλείων, αλλά με την αλλαγή των ίδιων των εννοιών του χώρου, του χρόνου και της βαρύτητας. Ο Ντέμης Χασάμπης της Google DeepMind πρότεινε τον Φεβρουάριο του 2026 ακριβώς αυτό ως κριτήριο: να εκπαιδευτεί ένα μοντέλο σε ό,τι ήταν γνωστό μέχρι το 1911 και να δούμε αν μπορεί να ξαναβρεί τη γενική σχετικότητα. Όπως καταγράφει ο Φίλιπ Μπολ στο Nature (9 Σεπτεμβρίου 2026), αρκετές ομάδες έφτιαξαν φέτος τέτοια «ιστορικά» μοντέλα. Ο Μάικλ Χλα εκπαίδευσε ένα μοντέλο σε κείμενα πριν από το 1900 και, ακόμα και με κατευθυντήριες ερωτήσεις, το μοντέλο έδειχνε μόνο «αναλαμπές διαίσθησης» και κατά κανόνα επαναλάμβανε «λέξεις που ακούγονται εύλογες», χωρίς ισχυρή εσωτερική αναπαράσταση του προβλήματος.

Ο Κίον Βάφα και οι συνεργάτες του εκπαίδευσαν μοντέλα σε ακολουθίες πλανητικών τροχιών. Τα μοντέλα προέβλεπαν τις τροχιές με μεγάλη ακρίβεια, όπως ο Κέπλερ, αλλά όταν χρειάστηκε να εφαρμόσουν αυτή τη «γνώση» σε νέα φυσικά προβλήματα, δεν χρησιμοποιούσαν τη νευτώνεια μηχανική. Είχαν αναπτύξει ειδικές ευρετικές για κάθε συγκεκριμένη περίπτωση, που δεν γενικεύονταν. Η «παντοδύναμη» μηχανή αδυνατεί να κάνει το περίφημο πέρασμα από τον Κέπλερ στον Νεύτωνα, από την περιγραφή μιας κανονικότητας στην έννοια της δύναμης που την παράγει.

Τίποτα από όσα ξέρουμε μέχρι σήμερα δεν δείχνει ότι ένα τέτοιο σύστημα μπορεί να κάνει τη γενίκευση που έκαναν ο Νεύτωνας ή ο Αϊνστάιν, με ένα κλάσμα των δεδομένων και με τα 20 βατ ενός ανθρώπινου εγκεφάλου

Το μοντέλο της OpenAI έχει εκπαιδευτεί σε σχεδόν όλη τη γραπτή ψηφιοποιημένη γνώση της ανθρωπότητας, στηρίζεται σε επενδύσεις δισεκατομμυρίων και χρειάστηκε την ενέργεια δεκάδων χιλιάδων εγκεφάλων για να κινηθεί μέσα σε ένα πλαίσιο που είχαν ήδη χαράξει άνθρωποι. Όπως γράφει ο Περικλής Παυλίδης στον Σελιδοδείκτη, διαμέσου της τεχνητής νοημοσύνης σκέφτεται η ίδια η ανθρωπότητα. Παραφράζοντάς τον: εάν η ανθρωπότητα πάψει να δημιουργεί νέα εννοιολογικά πλαίσια, η μηχανή θα ανακυκλώνει και θα ανασυνδυάζει γνώση μόνο μέσα στα υπάρχοντα πλαίσια. Τίποτα από όσα ξέρουμε μέχρι σήμερα δεν δείχνει ότι ένα τέτοιο σύστημα μπορεί να κάνει τη γενίκευση που έκαναν ο Νεύτωνας ή ο Αϊνστάιν, με ένα κλάσμα των δεδομένων και με τα 20 βατ ενός ανθρώπινου εγκεφάλου. Δεν υποστηρίζουμε ότι κάτι τέτοιο είναι αδύνατο για πάντα. Υποστηρίζουμε ότι οι σημερινές μέθοδοι, που μαθαίνουν από τη συσσωρευμένη ψηφιοποιημένη ανθρώπινη γνώση και ελέγχονται με διαδικασίες που μπορούν να περιγραφούν ρητά, αυτοματοποιούν πολύ αποτελεσματικά την κίνηση μέσα σε ένα δοσμένο εννοιολογικό πλαίσιο και πολύ λιγότερο το άλμα που το αλλάζει, το άλμα που γεννιέται από την αντίφαση ανάμεσα στη θεωρία και στην παρατήρηση. Αυτό το άλμα, που ο Κουν ονόμασε αλλαγή παραδείγματος, απαιτεί να αλλάξουν οι ίδιες οι έννοιες, όπως με την παγκόσμια έλξη του Νεύτωνα ή τον καμπύλο χωρόχρονο του Αϊνστάιν, και αυτές δεν βρίσκονται έτοιμες στα δεδομένα από τα οποία μαθαίνει η μηχανή.

Η τεχνολογία της Τεχνητής Νοημοσύνης συμπυκνώνει στην πιο οξυμένη της μορφή την αντίφαση ανάμεσα στον κοινωνικό χαρακτήρα της παραγωγής και την ατομική ιδιοποίηση

Συμπέρασμα

Τα παραπάνω δείχνουν ότι η τεχνητή νοημοσύνη είναι μια τεράστια αυτοματοποίηση ενός συγκεκριμένου κομματιού της εργασίας και της σκέψης: της αναζήτησης, του συνδυασμού και του ελέγχου μέσα σε ένα πλαίσιο που έχει ήδη διαμορφωθεί από ανθρώπινη εργασία. Η δεξιότητα της ζωντανής εργασίας μεταφέρεται στη νεκρή εργασία της μηχανής, με ενεργειακό κόστος πολλές τάξεις μεγέθους μεγαλύτερο από εκείνο του ανθρώπου που την ανέπτυξε, και ιδιοποιείται από το μεγάλο κεφάλαιο. Ως τεχνολογία, συμπυκνώνει στην πιο οξυμένη της μορφή την αντίφαση ανάμεσα στον κοινωνικό χαρακτήρα της παραγωγής και την ατομική ιδιοποίηση: είσοδος είναι η συλλογική κοινωνική γνώση της ανθρωπότητας, έξοδος η ιδιοποίηση των κερδών, η παρακολούθηση, η καταγραφή, ο πόλεμος, η αυτοματοποίηση. Η τεχνολογία αυτή δεν είναι ουδέτερη, ούτε η πρόοδος μια ευθεία γραμμή προς τα μπρος που αρκεί να αλλάξει χέρια: το κεφάλαιο που κρατά το σφυρί έχει διαμορφώσει και το ίδιο το σφυρί, από την κλίμακα και την ενεργειακή του βουλιμία μέχρι το τι επιλέγεται να αυτοματοποιηθεί και τι όχι. Ο Ιβάν Ίλιτς διέκρινε ήδη το 1973 το συμβιωτικό εργαλείο, που ο άνθρωπος το ελέγχει και με το οποίο διευρύνει την αυτονομία του στη σχέση του με τους άλλους και με το περιβάλλον του, από το βιομηχανικό εργαλείο, που πέρα από μια ορισμένη κλίμακα υποτάσσει αυτόν που το δουλεύει και τον κάνει εξαρτημένο από ειδικούς και υποδομές. Με αυτό το κριτήριο, όπως αναλύει ο Αντώνης Μαυρόπουλος, η τεχνητή νοημοσύνη στη σημερινή της μορφή δεν είναι συμβιωτική με τον άνθρωπο, και με τέτοιο ενεργειακό κόστος δεν είναι ούτε με τη φύση. Το ερώτημα που μένει ανοιχτό είναι πολιτικό: αν, και με ποιον μετασχηματισμό της ίδιας της τεχνολογίας, αυτή η αυτοματοποίηση μπορεί να τεθεί στην υπηρεσία της μείωσης του χρόνου εργασίας και της κοινωνικής παραγωγής γνώσης.

Δημοσιεύτηκε στην εφημερίδα Πριν που κυκλοφόρησε στις 9-10 Οκτωβρίου 2026

Πηγή – Prin

ΔΙΑΦΗΜΙΣΗ

BUY & SELL IN CYPRUSwww.buyme.cy