Tεχνητή νοημοσύνη: Contradictio in terminis, με άλλα λόγια σχήμα οξύμωρον;

Δεν είναι ακριβώς αυτό. Όμως, με μια αυστηρή εξέταση από τις σκοπιές της βιολογικής εξέλιξης και της θεωρίας των συστημάτων, ο όρος «τεχνητή νοημοσύνη» παραπέμπει σ' ένα διαδεδομένο είδος λογικού σφάλματος στο οποίο μπορεί να οδηγήσει ένας επιπόλαιος, επιφανειακός τρόπος σκέψης. Πρόκειται για το κατηγοριακό σφάλμα (categorical mistake).
Πράγμα που σημαίνει, το να κατατάσσεις ένα γνωστικά προσδιορίσιμο αντικείμενο ή δραστηριότητα σε μια κατηγορία ή ομάδα αντικειμένων ή δραστηριοτήτων που δεν του ταιριάζει, χρησιμοποιώντας επιχειρήματα άκυρα, ατελή ή ατεκμηρίωτα. Εν προκειμένω, ένα επίτευγμα της πληροφορικής τεχνολογίας κατατάσσεται επιπόλαια στην κατηγορία που περιλαμβάνει ικανότητες νοητικής προσπέλασης της πραγματικότητας δημιουργημένες μέσω της φυσικής εξέλιξης των έμβιων ειδών.
Η νοημοσύνη είναι άρρηκτα συνδεδεμένη με το φαινόμενο της ζωής. Είναι παράγωγο της φυσικής εξέλιξης, η οποία άρχισε από τον μονοκύτταρο οργανισμό και έφθασε μέχρι ανεπτυγμένα είδη ζωής με εξαιρετικά πολύπλοκο εγκέφαλο και λοιπό νευρικό σύστημα.
Από τη σκοπιά της θεωρίας των συστημάτων, ένα νευρικό σύστημα ανώτερου ζώου αποτελείται από ένα σύνολο 80 εκατομμυρίων εγκεφαλικών κυττάρων (νευρώνων), χωρίς να συνυπολογίζονται οι περιφερειακοί νευρώνες ή άλλα συνοδευτικά νευρικά κύτταρα. Δηλαδή εμπεριέχει εκατοντάδες χιλιάδων ή και εκατομμύρια φορές περισσότερα λειτουργικά στοιχεία (όπως λέμε, «μονάδες μνήμης» και «επεξεργασίας»), από οποιοδήποτε σύνολο μηχανικών μονάδων επεξεργασίας που ίσως μπορέσουν κάποτε στο μέλλον να λειτουργήσουν ένα σύστημα μηχανικών «υπερυπολογιστών». Επίσης, ένα νευρικό σύστημα ανώτερου ζώου εμπεριέχει σύνολα συνάψεων (δενδριτικών υλικών συνδέσεων και λειτουργικών σχέσεων) μεταξύ των κυττάρων και δημιουργεί δίκτυα αλληλεπιδραστικών - αναδραστικών λειτουργιών, εκατομμύρια φορές πιο πλούσια και πολύπλοκα από τις εσωτερικές λειτουργίες οποιουδήποτε νοητού μηχανικού και αλγοριθμικού συστήματος. Ένα και μόνον εγκεφαλικό κύτταρο με τις δενδριτικές προεκτάσεις του μπορεί να έχει έως και 30.000 συνδέσεις με άλλα κύτταρα.
Κάθε νευρικό σύστημα ανώτερου ζώου είναι λειτουργικό σύνολο στο οποίο ανήκει πλήθος στοιχείων και συνάψεων εντελώς διαφορετικής τάξης μεγέθους από το πλήθος στοιχείων και συνάψεων που ανήκουν σε ένα οποιοδήποτε σύστημα μηχανικών υπολογιστών (hardware + software) . Και ξέρουμε ότι κάθε σύνολο είναι οντότητα πολύ διαφορετική και πολύ πιο πλούσια σε μαθηματικό περιεχόμενο από ένα απλό άθροισμα των στοιχείων που ανήκουν σ΄ αυτό. Μεγάλη διαφορά πλήθους στοιχείων συνεπάγεται πολύ μεγαλύτερη διαφορά μαθηματικού περιεχομένου ανάμεσα στα δύο σύνολα.

Ρεαλισμός και Οράματα: «Οποιος βλέπει οράματα, να πάει στο γιατρό» (Χέλμουτ Σμιτ)
Η «νοημοσύνη» αφενός, και ο,τιδήποτε «τεχνητό» αφετέρου, ανήκουν σε δύο διακριτές κατηγορίες της πραγματικότητας.
Ό,τι είναι τεχνητό δεν μπορεί να είναι νοημοσύνη, ακόμη και άν εκ πρώτης όψεως μοιάζει με νοημοσύνη επειδή επιτελεί μερικές από τις λειτουργίες της. Και κάθε τί που είναι νοημοσύνη με την κυριολεκτική σημασία, δεν είναι τεχνητά κατασκευασμένο.
Αυτό που επιτελεί η λεγόμενη τεχνητή νοημοσύνη δεν είναι νοητική (πόσο μάλλον επιστημονική) απευθείας προσπέλαση της πραγματικότητας, φυσικής, κοινωνικής ή άλλης. Είναι διαχείριση τεράστιων, αλλά ήδη «κατακτημένων» ποσοτήτων πρωτογενούς πληροφορίας, μέσω αλγοριθμικών, όλο και πιο διευρυμένων, μεγάλων γλωσσικών μοντέλων (LLM) και «μοντέλων συλ-λογιστικής» (LRM).²
Τόσο στην σημερινή «παραγωγική (generative) τεχνητή νοημοσύνη», όσο και στην μελλοντολογική εικασία περί «τεχνητής γενικής (general) νοημοσύνης» (AGI ή Human Level AI), πρωτογενής πληροφορία είναι ό,τι αποκομίζουν νοητικά από την αντικειμενική πραγματικότητα νοήμονα ζωντανά όντα, τεχνικά υποβοηθούμενα από μηχανές τις οποίες κατασκευάζουν νοήμονα ζωντανά όντα. Οι δε μηχανές λειτουργούν με εντολές δεδομένες, οι οποίες έχουν αρχή και τέλος (αλγόριθμοι), δηλαδή τις λειτουργούν παράγωγα της λογικής-μαθηματικής ικανότητας νοήμονων ζωντανών όντων.
Επίσης, αυτή η πρωτογενής πληροφορία, πριν την «αναλάβουν» οι αλγόριθμοι των μεγάλων γλωσσικών μοντέλων, είναι ήδη ταξινομημένη επιλεκτικά και αξιολογικά από νοήμονα ζωντανά όντα, με γνώμονα λογικές και αξιολογικές σταθμίσεις τις οποίες παράγει η διυποκειμενική αλληλεπίδραση νοήμονων ζωντανών όντων. 

Ο «Κύκλος Gartner» των αναδυόμενων τεχνολογιών: Η «προώθηση» («σπρώξιμο στις αγορές» - φυσικά με το αζημίωτο), φέρνει υπερενθουσιασμό και εκκωφαντικό ντόρο. Ύστερα έρχεται η απομυθοποίηση, ο μετριασμός των ανορθολογικών προσδοκιών και η όποια παραγωγική χρήση (© Architecture & Governance Magazine)

Και η απόδοση; Εκτός από τα bytes, στην δουλειά μπλέκονται, αλίμονο, ύλη και ενέργεια

Στα μεγάλα γλωσσικά μοντέλα δίνεται αρχικά τεράστια ποσότητα πρωτογενούς πληροφορίας για να «εκπαιδευτούν» με αυτήν, ώστε μετά να μπορούν να «χειρίζονται παραγωγικά» αυτήν αλλά και ευρύτερα σύνολα πρωτογενούς πληροφορίας, με γνώμονα το σύνολο εντολών που έχουν ενσωματώσει στα μοντέλα οι προγραμματιστές τους. Φυσικά, μπορούν να κάνουν αυτές τις δύο λειτουργίες με τρόπους, αποτελεσματικότητα, ενεργειακή-φυσική απόδοση, ολικό κόστος (οικονομικό, περιβαλλοντικό, κοινωνικό)9 και περιορισμούς, οι οποίοι είναι εγγενείς του συνδυασμού τέτοιων μοντέλων με το hardware που τα υποστηρίζει. Επιτελούν ό,τι και όπως είναι εφικτό εκ της φύσεως τους.

Ο δείκτης (ή συντελεστής) ενεργειακής απόδοσης είναι χαρακτηριστικός. Ένας ανθρώπινος εγκέφαλος, για να επιτελέσει συγκεκριμένες λειτουργίες ώστε να παραγάγει μετρήσιμη ποσότητα «λογικών συμπερασμάτων», συνήθως δαπανά κλάσματα του γραμμαρίου γλυκόζης και χρησιμοποιεί την ενέργεια της καύσης της για να λειτουργήσει.

Τα λεγόμενα συστήματα τεχνητής νοημοσύνης, για να επιτελέσουν μικρό κλάσμα της ίδιας λειτουργίας, έστω και σε πολύ μικρότερο χρόνο, δαπανούν τεράστιες ποσότητες ηλεκτρικής ενέργειας. Και μάλιστα το μεγαλύτερο μέρος της το σπαταλούν ως «θερμικό απόβλητο»· διασπείρεται ως μη επαναχρησιμοποιήσιμη θερμότητα στο νερό ψύξης των data centers και στην ατμόσφαιρα. Με άλλα λόγια, ο ανθρώπινος εγκέφαλος (1) δαπανά χιλιάδες φορές μικρότερη ποσότητα πρωτογενούς ενέργειας για να επιτελέσει ισοδύναμο έργο - στην πραγματικότητα πολύ μεγαλύτερο, επειδή λειτουργεί συνθετικά και πολυεπίπεδα. Και το σημαντικότερο (2), ο εγκέφαλος καταναλώνει αυτή την ελάχιστη απαιτούμενη ενέργεια, με βαθμό ενεργειακής απόδοσης πολλές εκατοντάδες φορές μεγαλύτερο από τον βαθμό ενεργειακής απόδοσης που επιτυγχάνει ένα σύστημα γλωσσικού μοντέλου + hardware για να επιτελέσει το δικό του έργο. Δηλαδή, το τεχνητό σύστημα, και πολύ περισσότερη ενέργεια  δαπανά συνολικά, αλλά και σπαταλά αχρησιμοποίητο,  ως «θερμικό απόβλητο», ένα πολύ μεγάλο μέρος της, σε αντίθεση με ένα σύστημα «φυσικής νοημοσύνης». 9.b - 9.c. Πράγμα που συνεπάγεται, άν μας ενδιαφέρουν τα απόλυτα μεγέθη δαπανούμενων ποσοτήτων ενέργειας για την παραγωγή ενός συγκεκριμένου έργου, διαφορά τάξης μεγέθους του εκατομμυρίου: (a.10³)x(b.10³) = ab.10⁶

 

Μα τί ακριβώς κάνουν;

«Δεν σκέπτονται, δημιουργούν στατιστικά πιθανές απαντήσεις με βάση τεράστια σύνολα δεδομένων» πρωτογενούς πληροφορίας. «Αυτά τα συστήματα δεν κατανοούν· συγκρίνουν και κάνουν αντιστοιχίσεις με δεδομένα πρότυπα. Δεν κάνουν λογική επεξεργασία για να βγάλουν λογικά συμπεράσματα· κάνουν προσεγγιστικές παρεμβολές (interpolations) έχοντας ως βάση τα δεδομένα με τα οποία τροφοφοτήθηκαν για να εκπαιδευτούν».4
Με δυο λόγια: Αυτό που αποκαλείται τεχνητή νοημοσύνη, σε πείσμα του ονόματος της, είναι μια κανονική τεχνολογία, όπως οι άλλες. Ανήκει στην κατηγορία «εργαλεία». Είναι εργαλείο, τεχνολογικό μέσο· και αυτό το εργαλείο μπορεί να κάνει μόνον ό,τι του «διδάσκουν» ή του υπαγορεύουν οι χειριστές του όταν προγραμματίζουν τον ψηφιακό του κώδικα. Δεν είναι αυτό το ίδιο παραγωγός γνώσης, επιστήμης, τεχνολογικών εφαρμογών της επιστήμης. Δεν είναι κάτι ξεχωριστό, δυνητικά αυτόνομο από τον κατασκευαστή του, από το βιολογικό είδος άνθρωπος. Ούτε οι (συλ)λογιστικές ικανότητες της έχουν ως όμοιο ή ομόλογο τους τις νοητικές ικανότητες νοήμονων ζωντανών όντων. Εκτός των άλλων, επειδή οι τελευταίες δεν είναι, απλώς, εργαλεία.

Γιώργος Β. Ριτζούλης

 

ΣΗΜΕΙΩΣΕΙΣ

1. Arvind Narayanan, Sayash Kapoor: AI as Normal Technology  (AI Snake Oil, 15.4.2025)

 

2. Parshin Shojaee, Iman Mirzadeh, Keivan Alizadeh, Maxwell Horton, Samy Bengio, Mehrdad Farajtabar: The Illusion of Thinking: Understanding the Strengths and Limitations of Reasoning Models via the Lens of Problem Complexity (Apple - Machine Learning Research, Ιούνιος 2025)

3. Iman Mirzadeh, Keivan Alizadeh, Hooman Shahrokhi, Oncel Tuzel, Samy Bengio, Mehrdad Farajtabar: GSM-Symbolic: Understanding the Limitations of Mathematical Reasoning in Large Language Models (Apple - Machine Learning Research, Οκτώβριος 2024)

 

4. Cornelia C. Walther: Intelligence Illusion - What Apple’s AI Study Reveals About Reasoning (Forbes, 9.6.2025) 

“The core issue isn’t technical prowess - it's conceptual. These systems don't understand; they pattern-match. They don't reason; they interpolate from training data. They don't think; they generate statistically probable responses based on massive datasets. The sophistication of their output masks the absence of genuine comprehension, creating what researchers now recognize as an elaborate illusion of intelligence”.

5. Gabriel Snyder: Yann LeCun, Pioneer of AI, Thinks Today's LLM's Are Nearly Obsolete (Newsweek AI, 4.2.2025)

 

6. Arvind Narayanan, Sayash Kapoor: AGI is not a milestone  (AI Snake Oil, 1.5.2025)

 

7. Justin Hendrix : AI Snake Oil - Separating Hype from Reality  (Tech Policy Press, 29.9. 2024)

 

8. James O'Donnell: Artificial intelligence - We need to start thinking of AI as “normal” - As technologists frame AI as either utopian or dystopian, two researchers offer a third option (MIT Technology Review, 29 Απριλίου 2025)  

9. a. Sophia Chen: Data centres will use twice as much energy by 2030 - driven by AI. These facilities accounted for roughly 1.5 % of global electricity consumption in 2024 (Νature, 10.4.2025)

Data Center Energy Consumption (Sunbird Software, Inc): «Data centers are one of the most energy-intensive building types as they consume up to 50 times the energy per floor space as a typical commercial office building. Globally, data centers are estimated to use between about 90 billion kWh annually, accounting for about 1-3 % of the world’s electricity usage» 

 

b. Masaō Ashtine, David Mytton: We are ignoring the true cost of water-guzzling data centres (The Conversation, 19.10.2021), αναδημοσίευση Water-guzzling data centres - University of Oxford, Dep. of Engineering Science

Data Center Water Cooling (Sunbird Software, Inc): «The average data center has a  Data Center Water Consumption - WUE of 1.8 L per 1 kWh» 

 

c. Patric Hellermann: The Shocking Truth About AI vs Human Energy Efficiency in 3D Modeling
(Foundamental - AEC Technology, design, construction, renovation, blue-collar and robotics, B2B marketplaces, supply chains logistics, 20.11.2024

«New research reveals humans are 875x more energy efficient than AI in creating 3D models for Architecture-Engineering-Construction projects».

 

d. Energiefresser - Wenn die KI eigene Atomkraftwerke braucht (Larissa Schwedes, dpa/ lpi / Die Welt 13.7.2025)

[...] Η Gina Neff του Πανεπιστημίου του Κέιμπριτζ δηλώνει: «Η παραγωγική τεχνητή νοημοσύνη (Generative AI) μπορεί να βοηθήσει στην ανάπτυξη λύσεων για το κλίμα, υπάρχει όμως ο εξής πραγματικός κίνδυνος: Οι εκπομπές από την επέκταση της να υπερβούν τα κλιματικά οφέλη, εάν οι εταιρείες τεχνολογίας εγκαταλείψουν τους στόχους για net-zero εκπομπών και αφοσιωθούν στην αποκόμιση τεράστιων κερδών προερχόμενων από εφαρμογές τεχνητή νοημοσύνη». Οι ερευνητές του Κέιμπριτζ ζητούν μεγαλύτερη διαφάνεια: Απαιτούνται standards παγκόσμιας εφαρμογής για τον καλύτερο εντοπισμό και την ρύθμιση του οικολογικού κόστους εξαιτίας της τεχνητής νοημοσύνης.