Η τεχνητή νοημοσύνη εξελίσσεται, ενώ οι επενδυτές γίνονται επιφυλακτικοί

Νέα μοντέλα τεχνητής νοημοσύνης παρουσιάστηκαν αυτή την εβδομάδα, ενώ οι επενδυτές έδειξαν σημάδια αυξανόμενης επιφυλακτικότητας για τις δαπάνες στην AI, σύμφωνα με τη Christina Stathopoulos και τη Michelle Smith στο επεισόδιο της σειράς This Week in AI της 6ης Νοεμβρίου 2026.

Στην εκπομπή εξετάστηκαν επίσης έρευνες για το πώς «μαθαίνουν» τα μοντέλα, αλλά και οι λιγότερο ορατές επιπτώσεις της υιοθέτησης της τεχνητής νοημοσύνης. Από τις διαφοροποιήσεις στην τιμολόγηση ανά γλώσσα έως τον περιβαλλοντικό αντίκτυπο των data centers, η συζήτηση έθεσε το ερώτημα ποιοι ωφελούνται από την πρόοδο της AI και ποιοι πληρώνουν το κόστος.

Τρεις ανακοινώσεις μοντέλων έδειξαν πόσο γρήγορα διευρύνονται οι δυνατότητες της τεχνητής νοημοσύνης. Η Google παρουσίασε το Gemini 4 Carbon, σχεδιασμένο για κυβερνοασφάλεια και σύνθετες, πολυβήματες εργασίες. Η γαλλική Mistral δημοσίευσε τα βάρη του Large 4 μοντέλου της, με ένα τρισεκατομμύριο παραμέτρους, γνωστού και ως «Le Chonk», δίνοντας στους προγραμματιστές μεγαλύτερο έλεγχο στην ανάπτυξη και την προσαρμογή του, εφόσον διαθέτουν το απαραίτητο υλικό. Παράλληλα, η Google DeepMind παρουσίασε το Genie 4, ένα world model που προσομοιώνει περιβάλλοντα, φυσικές αλληλεπιδράσεις και ακολουθίες γεγονότων. Σε αντίθεση με τα γλωσσικά μοντέλα, που προβλέπουν κείμενο, τα world models επιχειρούν να προβλέψουν τι συμβαίνει όταν αντικείμενα και άνθρωποι αλληλεπιδρούν. Με το Genie 4, οι ερευνητές θα μπορούσαν να εκπαιδεύουν συστήματα AI σε προσομοιωμένους κόσμους, μια προσέγγιση ιδιαίτερα χρήσιμη στη ρομποτική, όπου οι ομάδες θα δοκίμαζαν συστήματα ελέγχου πριν τα εφαρμόσουν σε φυσικά μηχανήματα.

Την ίδια ώρα, το επενδυτικό ενδιαφέρον για την AI φάνηκε να εξασθενεί, παρότι η ανάπτυξη των μοντέλων επιταχύνεται. Η Anthropic κινήθηκε πιο κοντά σε δημόσια εγγραφή, καταθέτοντας δημόσια τα έγγραφα για το IPO, χωρίς όμως να έχει ανακοινώσει ημερομηνία ή τιμή μετοχής. Η OpenAI φέρεται να εξασφάλισε περίπου 11 δισ. δολάρια για τον τελευταίο γύρο χρηματοδότησής της, πολύ κάτω από τον αρχικό στόχο των 30 δισ. δολαρίων. Οι εξελίξεις αυτές συνέπεσαν με έντονες απώλειες σε αρκετές μεγάλες τεχνολογικές μετοχές, ενώ ο τεχνολογικά βαρύς Nasdaq έκλεισε τον Οκτώβριο με τη χειρότερη μηνιαία πτώση του από τον Μάρτιο του 2025.

Το μέγεθος των δαπανών για την AI προσελκύει πλέον μεγαλύτερο έλεγχο, ειδικά καθώς οι επενδυτές περιμένουν αποδόσεις. Οι εταιρείες που επενδύουν στην τεχνητή νοημοσύνη καλούνται να κοιτούν πέρα από την απόδοση των μοντέλων. Η οικονομία της εκπαίδευσης και της λειτουργίας ολοένα ακριβότερων συστημάτων μπορεί να επηρεάσει τις τιμές, τη διαθεσιμότητα και το ποιοι πάροχοι θα παραμείνουν ανταγωνιστικοί.

Οι ερευνητές επανεξετάζουν τον τρόπο με τον οποίο τα μοντέλα AI μαθαίνουν. Η εταιρεία interpretability Goodfire πρότεινε ένα σχέδιο μοντελοποιημένο στο Human Genome Project, δεσμεύοντας 10 εκατ. δολάρια για να αρχίσει η χαρτογράφηση του πώς λειτουργούν εσωτερικά τα μεγάλα γλωσσικά μοντέλα. Μελετώντας ποια μοτίβα ενεργοποιούνται σε απαντήσεις σε prompts και πώς οι αλλαγές σε αυτά επηρεάζουν τη συμπεριφορά, οι ερευνητές ελπίζουν να κατανοήσουν καλύτερα γιατί τα μοντέλα παράγουν συγκεκριμένα αποτελέσματα.

Η Google Research πρότεινε επίσης ένα πλαίσιο εμπνευσμένο από τη γνωστική λειτουργία του ανθρώπου, που περιλαμβάνει μια φάση «sleep». Κατά τη διάρκεια αυτής της offline περιόδου, τα μοντέλα θα ενοποιούν νέα δεδομένα και θα δημιουργούν παραδείγματα εξάσκησης μέσω μιας διαδικασίας που οι ερευνητές αποκαλούν «dreaming». Στόχος είναι να περιοριστεί το catastrophic forgetting, δηλαδή η απώλεια ήδη αποκτημένων ικανοτήτων όταν μαθαίνονται νέα στοιχεία, ενώ παράλληλα να διατηρείται η γνώση πέρα από μεμονωμένες συνομιλίες. Η προσέγγιση παραμένει πειραματική, αλλά δείχνει έναν πιθανό τρόπο ώστε τα μοντέλα να συνεχίζουν να μαθαίνουν χωρίς να χάνουν τις υπάρχουσες δεξιότητές τους.

Το επεισόδιο ανέδειξε επίσης το Clover, ένα diffusion language model 35 δισ. παραμέτρων που κυκλοφόρησε από την κινεζική DiffuSpace. Τα πιο γνωστά γλωσσικά μοντέλα χρησιμοποιούν την αυτοπαλινδρομική προσέγγιση, παράγοντας κείμενο διαδοχικά, ένα token τη φορά. Τα diffusion language models, αντίθετα, δουλεύουν σε πολλά τμήματα της απάντησης ταυτόχρονα και τα βελτιώνουν σε διαδοχικά περάσματα. Η DiffuSpace αναφέρει ανταγωνιστικές επιδόσεις και ταχύτερη παραγωγή σε ορισμένες εργασίες σε σύγκριση με αυτοπαλινδρομικά μοντέλα αντίστοιχου μεγέθους. Μαζί με τις έρευνες της Goodfire και της Google, αυτή η δουλειά δείχνει ότι οι βελτιώσεις στην AI μπορεί όλο και περισσότερο να προκύπτουν από την επανεξέταση του τρόπου με τον οποίο τα μοντέλα μαθαίνουν και παράγουν αποτελέσματα, και όχι μόνο από το να γίνονται μεγαλύτερα.

Το «tokenizer tax» έδειξε πώς η τιμολόγηση της AI μπορεί να λειτουργεί σε βάρος όσων μιλούν λιγότερο διαδεδομένες γλώσσες. Οι ερευνητές διαπίστωσαν ότι ορισμένες γλώσσες απαιτούν σημαντικά περισσότερα tokens από τα αγγλικά για να εκφράσουν το ίδιο μήνυμα. Σε ένα παράδειγμα, η μετάφραση στα Malayalam είχε λίγο λιγότερους χαρακτήρες από την αντίστοιχη αγγλική πρόταση, αλλά χρειαζόταν διπλάσια tokens: 26 αντί για 13. Επειδή οι πάροχοι AI χρεώνουν συνήθως ανά token, αυτές οι διαφορές μπορούν να μεταφράζονται σε υψηλότερο κόστος για τους χρήστες, ιδιαίτερα σε κοινότητες όπου οι υπηρεσίες AI ίσως είναι ήδη λιγότερο προσιτές. Οι προγραμματιστές που χτίζουν πολυγλωσσικές εφαρμογές χρειάζεται να συνυπολογίζουν την αποδοτικότητα της tokenization μαζί με την ποιότητα του μοντέλου.

Στη Φινλανδία, οι αρχές ερευνούν την αποψίλωση περισσότερων από 400.000 δέντρων από τη Google για σχεδιαζόμενα data centers. Η έρευνα επικεντρώνεται στο αν η εταιρεία ολοκλήρωσε τις απαιτούμενες περιβαλλοντικές αξιολογήσεις πριν από την αποψίλωση των περιοχών. Η υπόθεση δείχνει γιατί οι περιβαλλοντικοί έλεγχοι πρέπει να γίνονται πριν καθαριστεί η γη ή ξεκινήσει η κατασκευή. Αφού συμβεί αυτό, η ρυθμιστική παρέμβαση δεν μπορεί αμέσως να αποκαταστήσει το οικοσύστημα που επηρεάστηκε.

Τέλος, αρκετές εταιρείες AI είπαν ότι σκοπεύουν να σεβαστούν ένα κοινό σήμα εξαίρεσης για ιστοσελίδες, το οποίο θα επιτρέπει στους εκδότες να δηλώνουν ότι το περιεχόμενό τους δεν πρέπει να χρησιμοποιείται για εκπαίδευση μοντέλων. Η πρόταση θα μπορούσε να δώσει στους ιδιοκτήτες ιστοσελίδων μεγαλύτερο έλεγχο στη μελλοντική συλλογή δεδομένων, αν και η συμμετοχή θα είναι προαιρετική. Δεν μπορεί να αναιρέσει τη χρήση υλικού που έχει ήδη συλλεχθεί για εκπαίδευση, ενώ το πρότυπο θα αποδώσει μόνο αν οι εταιρείες AI ακολουθήσουν τις οδηγίες που δίνουν οι εκδότες.

Τα όσα συνέβησαν αυτή την εβδομάδα δείχνουν γιατί η αξιολόγηση της προόδου στην AI απαιτεί περισσότερα από την παρακολούθηση νέων μοντέλων και βαθμολογιών. Χρειάζεται να κατανοούμε πώς μαθαίνουν τα συστήματα, αν η οικονομία τους είναι βιώσιμη και πώς το κόστος τους επηρεάζει ανθρώπους και κοινότητες. Καθώς περισσότερες επιχειρήσεις και χρήστες υιοθετούν την τεχνητή νοημοσύνη, αυτές οι παράμετροι θα είναι όλο και πιο δύσκολο να αγνοηθούν.

Πηγή: oreilly.com.