Πώς οι γίγαντες της τεχνητής νοημοσύνης ξαναγράφουν την ιστορία των εφευρέσεων

• Περίπου το 80% των μοντέλων τεχνητής νοημοσύνης αναπτύσσεται πλέον με συμμετοχή επιχειρήσεων, έναντι μόλις 25% κατά μέσο όρο από το 1956 έως τη δεκαετία του 2000.
• Το τεράστιο κόστος για υπολογιστική ισχύ, δεδομένα και εξειδικευμένο προσωπικό δίνει σαφές πλεονέκτημα στους τεχνολογικούς ομίλους έναντι των πανεπιστημίων.
• Η επιστροφή των εταιρικών εργαστηρίων μπορεί να οδηγήσει σε μεγάλες ανακαλύψεις, ενισχύει όμως παράλληλα τη συγκέντρωση οικονομικής και επιστημονικής ισχύος.

Έναν αιώνα μετά τη δημιουργία των Bell Telephone Laboratories, η τεχνητή νοημοσύνη φαίνεται να αναβιώνει το μοντέλο των μεγάλων εταιρικών εργαστηρίων που σημάδεψαν την επιστημονική και τεχνολογική πρόοδο του 20ού αιώνα.

Το 1925, η AT&T συγκέντρωσε κορυφαίους επιστήμονες και μηχανικούς στη West Street της Νέας Υόρκης. Τα Bell Labs συνδέθηκαν στη συνέχεια με 11 βραβεία Νόμπελ, την εφεύρεση του τρανζίστορ το 1947 και τη Θεωρία της Πληροφορίας του Claude Shannon το 1948 — ανακαλύψεις που έθεσαν τις βάσεις για τη σύγχρονη ψηφιακή οικονομία.

Σήμερα, έναν αντίστοιχο ρόλο διεκδικούν εργαστήρια όπως τα Google DeepMind, OpenAI, Anthropic, Microsoft Research και Meta Superintelligence Labs.

Η πρωτοποριακή έρευνα μεταφέρεται ξανά στο εσωτερικό των μεγαλύτερων επιχειρήσεων, καθώς η ανάπτυξη προηγμένων συστημάτων AI απαιτεί επενδύσεις που ελάχιστα πανεπιστήμια μπορούν να χρηματοδοτήσουν.

Από τα πανεπιστήμια στους τεχνολογικούς ομίλους

Η μετατόπιση είναι εντυπωσιακή. Από το 1956 έως τη δεκαετία του 2000, μόλις το 25% των μοντέλων τεχνητής νοημοσύνης αναπτυσσόταν με συμμετοχή κάποιας επιχείρησης. Σήμερα, το ποσοστό έχει φτάσει περίπου στο 80%.

Το 1996, για παράδειγμα, είχαν δημοσιευτεί μόλις τέσσερα σημαντικά μοντέλα AI. Μόνο ένα από αυτά, ο αλγόριθμος AdaBoost.M2, είχε αναπτυχθεί στο εσωτερικό εταιρείας — και συγκεκριμένα στην AT&T.

Τριάντα χρόνια αργότερα, η ισορροπία έχει αντιστραφεί σχεδόν ολοκληρωτικά.

Η τάση γίνεται ακόμη πιο έντονη όταν η μέτρηση περιορίζεται στα ισχυρότερα συστήματα. Πάνω από το 90% των αξιοσημείωτων μοντέλων αιχμής προέρχεται πλέον από τη βιομηχανία.

Τα πανεπιστήμια εξακολουθούν να διαδραματίζουν σημαντικό ρόλο στις δημοσιεύσεις, στην αξιολόγηση των μοντέλων και στη βασική θεωρητική έρευνα, αλλά δεν διαθέτουν αντίστοιχη πρόσβαση σε υπολογιστικές υποδομές.

Γιατί η AI αλλάζει το μοντέλο της έρευνας

Η εκπαίδευση ενός προηγμένου μοντέλου τεχνητής νοημοσύνης προϋποθέτει:

• Τεράστιες συστοιχίες επεξεργαστών
• Data centers μεγάλης κλίμακας
• Μεγάλους όγκους δεδομένων
• Εξειδικευμένο ανθρώπινο δυναμικό
• Επενδύσεις δισεκατομμυρίων

Η υπολογιστική ισχύς και το μέγεθος των δεδομένων που απαιτούνται για τα κορυφαία μοντέλα αυξάνονται με τόσο γρήγορο ρυθμό, ώστε μόνο εταιρείες με πρόσβαση σε τεράστια κεφάλαια μπορούν να παραμένουν στην πρώτη γραμμή.

Το οικονομικό αυτό εμπόδιο δίνει στους μεγαλύτερους τεχνολογικούς ομίλους ένα πλεονέκτημα που δύσκολα μπορεί να καλυφθεί από δημόσια ερευνητικά ιδρύματα.

Η μετατόπιση αποτυπώνεται και στις επαγγελματικές επιλογές των νέων επιστημόνων. Το ποσοστό των κατόχων διδακτορικού που σχεδίαζαν να ακολουθήσουν ακαδημαϊκή σταδιοδρομία μειώθηκε στο 40%, από 56% το 2004.

Στην επιστήμη των υπολογιστών, το αντίστοιχο ποσοστό περιορίστηκε από 53% σε 28%.

Οι υψηλότερες αμοιβές, η πρόσβαση σε προηγμένα συστήματα και η δυνατότητα εργασίας σε μοντέλα με παγκόσμια εμβέλεια προσελκύουν κορυφαίους ερευνητές στα εργαστήρια της Silicon Valley.

Η επιστροφή της βασικής έρευνας στις επιχειρήσεις

Η σημερινή εξέλιξη θυμίζει τις ΗΠΑ της δεκαετίας του 1950, όταν οι επιχειρήσεις πραγματοποιούσαν περίπου το 30% της συνολικής βασικής έρευνας στη χώρα.

Η αναλογία αυτή μειώθηκε σταθερά κατά τις επόμενες δεκαετίες, καθώς η ομοσπονδιακή χρηματοδότηση ενίσχυσε τα πανεπιστήμια και τα μετέτρεψε σε κυρίαρχα κέντρα επιστημονικής παραγωγής.

Το μερίδιο των επιχειρήσεων έφτασε στο χαμηλό του 14% το 2004, αλλά σήμερα έχει ανακάμψει περίπου στο 32%, με βασικούς μοχλούς τους ημιαγωγούς, τα ηλεκτρονικά και τις βιομηχανίες δεδομένων.

Η βασική έρευνα επιστρέφει, επομένως, στο εσωτερικό των μεγάλων εταιρειών.

Τα πρώτα εταιρικά εργαστήρια εμφανίστηκαν επειδή οι μεγάλες επιχειρήσεις χρειάζονταν επιστημονικές λύσεις που τα πανεπιστήμια της εποχής δεν μπορούσαν να προσφέρουν εγκαίρως.

Η AT&T, για παράδειγμα, δημιούργησε ειδική ερευνητική ομάδα για να βελτιώσει τις ασταθείς λυχνίες κενού που απαιτούνταν για την τηλεφωνική σύνδεση Νέας Υόρκης–Σαν Φρανσίσκο.

Αντίστοιχα, η General Electric ίδρυσε ερευνητικό εργαστήριο για να αντιμετωπίσει τεχνικά προβλήματα στην παραγωγή λαμπτήρων. Ακολούθησαν εταιρείες όπως η Kodak και η DuPont.

Πώς υποχώρησε η πρώτη γενιά εταιρικών εργαστηρίων

Το παλιό μοντέλο βασιζόταν σε μεγάλες, καθετοποιημένες επιχειρήσεις με ισχυρές ή ακόμη και μονοπωλιακές θέσεις.

Τα υψηλά και σχετικά σταθερά κέρδη τους επέτρεπαν να χρηματοδοτούν μακροχρόνια ερευνητικά προγράμματα, χωρίς να απαιτούν άμεση εμπορική απόδοση.

Η σχέση μεταξύ μονοπωλίων και επιστημονικής έρευνας προκάλεσε, όμως, αντιδράσεις από τις αντιμονοπωλιακές αρχές. Την ίδια στιγμή, οι επενδυτές άρχισαν να απαιτούν στενότερη σύνδεση ανάμεσα στις ερευνητικές δαπάνες και στα προϊόντα που μπορούσαν να δημιουργήσουν γρήγορα έσοδα.

Η διάσπαση της AT&T στις ΗΠΑ αποτέλεσε σοβαρό πλήγμα για τα Bell Labs, τα οποία εξακολουθούν να λειτουργούν υπό τη Nokia, αλλά σε σαφώς μικρότερη κλίμακα.

Η λήξη του Ψυχρού Πολέμου περιόρισε επίσης το οικοσύστημα εταιρικής έρευνας που χρηματοδοτούνταν άμεσα ή έμμεσα από το αμερικανικό Πεντάγωνο.

Το μοντέλο που επικράτησε στη συνέχεια μοίρασε τους ρόλους:

• Τα πανεπιστήμια αναλάμβαναν τη βασική έρευνα.
• Οι startups μετέτρεπαν τις ανακαλύψεις σε νέα προϊόντα με κεφάλαια από venture capital.
• Οι μεγάλες επιχειρήσεις επικεντρώνονταν κυρίως στην ανάπτυξη και την εμπορική αξιοποίηση.

Η εργασία της Google που άλλαξε την AI

Το σημείο καμπής για τη σημερινή επανάσταση ήταν η δημοσίευση της ερευνητικής εργασίας «Attention Is All You Need» από επιστήμονες της Google το 2017.

Η εργασία εισήγαγε την αρχιτεκτονική Transformer, η οποία βασίζεται στους μηχανισμούς προσοχής και επιτρέπει την αποτελεσματικότερη επεξεργασία μεγάλων ακολουθιών δεδομένων.

Η αρχιτεκτονική Transformer αποτέλεσε τη βάση για την ανάπτυξη των μεγάλων γλωσσικών μοντέλων και, τελικά, για την κυκλοφορία του ChatGPT πέντε χρόνια αργότερα.

Το παράδειγμα δείχνει πώς ένα μεγάλο εταιρικό εργαστήριο μπορεί να παράγει έρευνα με επιπτώσεις που ξεπερνούν κατά πολύ τα άμεσα προϊόντα της μητρικής εταιρείας.

Google, Microsoft, Meta και Amazon απασχολούν πλέον κορυφαίους μαθηματικούς και επιστήμονες δίπλα σε μηχανικούς προϊόντων, επιχειρώντας να συνδυάσουν τη βασική έρευνα με τη δυνατότητα ταχείας ανάπτυξης εφαρμογών σε παγκόσμια κλίμακα.

Το μεγάλο δίλημμα: Καινοτομία ή νέα ολιγοπώλια

Η επιστροφή των εταιρικών εργαστηρίων συνοδεύεται από ένα κρίσιμο ερώτημα:

Πόση συγκέντρωση οικονομικής ισχύος είναι διατεθειμένες να ανεχθούν οι κυβερνήσεις με αντάλλαγμα την ταχύτερη επιστημονική πρόοδο;

Οι Alphabet, Microsoft, Meta και Amazon διαθέτουν σήμερα ισχυρά ανταγωνιστικά πλεονεκτήματα σε:

• Υπολογιστικές υποδομές
• Cloud
• Δεδομένα
• Διανομή ψηφιακών υπηρεσιών
• Πρόσβαση σε κεφάλαια και επιστημονικό προσωπικό

Παράλληλα, το μερίδιο του συνολικού κύκλου εργασιών που ελέγχει το κορυφαίο 0,1% των αμερικανικών επιχειρήσεων έχει ανέλθει περίπου στο 66%.

Η συγκέντρωση μπορεί να χρηματοδοτήσει πειράματα υψηλού ρίσκου και μακροχρόνια ερευνητικά προγράμματα.

Μπορεί όμως και να περιορίσει τον ανταγωνισμό, να αυξήσει την εξάρτηση κρατών και μικρότερων εταιρειών από λίγους τεχνολογικούς παρόχους και να μεταφέρει κρίσιμες επιστημονικές αποφάσεις σε ιδιωτικές διοικήσεις.

Η νέα γεωπολιτική της επιστημονικής έρευνας

Η συζήτηση δεν αφορά μόνο την επιχειρηματική καινοτομία.

Η τεχνητή νοημοσύνη εξελίσσεται σε τεχνολογία στρατηγικής σημασίας για την άμυνα, την κυβερνοασφάλεια, την ενέργεια, την υγεία και τη βιομηχανική ανταγωνιστικότητα.

Καθώς οι κυβερνήσεις στηρίζουν εθνικούς τεχνολογικούς πρωταθλητές και επενδύουν σε εγχώρια υπολογιστική ισχύ, διαμορφώνεται μία νέα σχέση ανάμεσα στο κράτος και τις μεγάλες επιχειρήσεις.

Η συνεργασία ενδέχεται να επεκταθεί πέρα από τις κρατικές προμήθειες, στον κοινό καθορισμό μακροχρόνιων ερευνητικών στόχων — κατά το πρότυπο της συνεργασίας του δημόσιου και ιδιωτικού τομέα κατά τον Ψυχρό Πόλεμο.

Τα νέα Bell Labs δεν στεγάζονται πλέον σε ένα μόνο κτίριο. Βρίσκονται στα data centers, στα ερευνητικά τμήματα και στις υπολογιστικές πλατφόρμες των ισχυρότερων εταιρειών τεχνολογίας.

Το εάν αυτή η νέα εποχή θα οδηγήσει σε ένα κύμα ριζικών εφευρέσεων ή σε ακόμη μεγαλύτερη συγκέντρωση ισχύος θα εξαρτηθεί από το πώς οι κυβερνήσεις θα ισορροπήσουν την επιστημονική πρόοδο, τον ανταγωνισμό και το δημόσιο συμφέρον.

ΔΙΑΒΑΣΤΕ ΠΕΡΙΣΣΟΤΕΡΕΣ ΕΙΔΗΣΕΙΣ:

• Το κινεζικό AI κερδίζει τη Δύση: Γιατί κολοσσοί εγκαταλείπουν τα αμερικανικά μοντέλα
• Η McLaren φέρνει την AI στη Formula 1 με τη βοήθεια του Google Gemini
• Η AI εισβάλλει στα hedge funds: Οι αναλυτές δίνουν τη θέση τους στους αλγόριθμους