Η ιστορία της τεχνολογικής προόδου φαίνεται να κάνει έναν μεγάλο κύκλο. Εκατό χρόνια μετά την εποχή κατά την οποία οι μεγαλύτερες αμερικανικές επιχειρήσεις συγκέντρωναν κορυφαίους επιστήμονες σε ιδιωτικά ερευνητικά κέντρα, η τεχνητή νοημοσύνη επαναφέρει το ίδιο μοντέλο στο προσκήνιο. Η διαφορά είναι ότι σήμερα το κέντρο βάρους δεν βρίσκεται στα τηλεφωνικά δίκτυα ή στον ηλεκτρισμό, αλλά στα data centers, στα προηγμένα chips και στα γιγαντιαία σύνολα δεδομένων που απαιτούνται για την εκπαίδευση των ισχυρότερων μοντέλων AI.
Το 1925, η AT&T συγκέντρωσε τα σημαντικότερα επιστημονικά και τεχνικά στελέχη της στις εγκαταστάσεις της στη West Street της Νέας Υόρκης. Από εκεί γεννήθηκαν τα Bell Telephone Laboratories, ένας θεσμός που συνδέθηκε με 11 βραβεία Νόμπελ, την εφεύρεση του τρανζίστορ το 1947 και τη διατύπωση της Θεωρίας της Πληροφορίας από τον Κλοντ Σάνον έναν χρόνο αργότερα.
Σήμερα, έναν αντίστοιχο ρόλο φιλοδοξούν να διαδραματίσουν τα εργαστήρια της Google DeepMind, της Anthropic, της OpenAI, της Microsoft Research και της Meta Superintelligence Labs. Η πρωτοποριακή έρευνα μετακινείται ξανά από τα πανεπιστήμια προς τις μεγάλες εταιρείες, καθώς μόνο οι ισχυρότεροι τεχνολογικοί όμιλοι διαθέτουν τα κεφάλαια, τις υποδομές και τα δεδομένα που απαιτούνται για την ανάπτυξη μοντέλων αιχμής.
Από τα πανεπιστήμια στους τεχνολογικούς κολοσσούς
Η αλλαγή είναι εντυπωσιακή. Το 1996 είχαν παρουσιαστεί μόλις τέσσερα σημαντικά μοντέλα τεχνητής νοημοσύνης και μόνο ένα από αυτά είχε αναπτυχθεί στο εσωτερικό μιας επιχείρησης: ο αλγόριθμος AdaBoost.M2, με τη συμμετοχή της AT&T.
Για δεκαετίες, αυτή ήταν η συνήθης εικόνα. Από τα μέσα της δεκαετίας του 1950 έως τις αρχές του 21ου αιώνα, μόλις το ένα τέταρτο των μοντέλων τεχνητής νοημοσύνης αναπτύχθηκε με ουσιαστική συμμετοχή επιχειρήσεων. Σήμερα, το ποσοστό έχει εκτιναχθεί περίπου στο 80%.
Η εξέλιξη αυτή σηματοδοτεί επιστροφή σε ένα παλαιότερο παραγωγικό μοντέλο. Στη δεκαετία του 1950, οι αμερικανικές επιχειρήσεις πραγματοποιούσαν σχεδόν το 30% της συνολικής βασικής έρευνας. Στη συνέχεια, η μαζική κρατική χρηματοδότηση ενίσχυσε τα πανεπιστήμια και τα μετέτρεψε σε βασικούς φορείς επιστημονικής γνώσης.
Το μερίδιο των εταιρειών στη βασική έρευνα υποχώρησε σταδιακά, φτάνοντας περίπου στο 14% το 2004. Πλέον έχει επιστρέψει κοντά στο 32%, κυρίως λόγω της ανάπτυξης των ημιαγωγών, των ηλεκτρονικών συστημάτων, της τεχνολογίας δεδομένων και της τεχνητής νοημοσύνης.
Το κόστος της AI αλλάζει τους κανόνες
Η σημερινή επιστροφή των εταιρικών εργαστηρίων δεν είναι τυχαία. Η δημιουργία προηγμένων μοντέλων τεχνητής νοημοσύνης απαιτεί υπολογιστική ισχύ και δεδομένα που αυξάνονται με εξαιρετικά γρήγορο ρυθμό. Οι ανάγκες εκπαίδευσης των κορυφαίων συστημάτων διπλασιάζονται μέσα σε λίγους μήνες, ανεβάζοντας το κόστος σε επίπεδα που δύσκολα μπορούν να υποστηρίξουν πανεπιστήμια ή ανεξάρτητα ερευνητικά ιδρύματα.
Οι μεγαλύτερες τεχνολογικές εταιρείες διαθέτουν τεράστια data centers, πρόσβαση σε εξελιγμένους επεξεργαστές, εξειδικευμένο ανθρώπινο δυναμικό και ισχυρές ταμειακές ροές. Αυτά τα πλεονεκτήματα τους επιτρέπουν να αναλαμβάνουν ερευνητικά προγράμματα που μπορεί να απαιτούν δισεκατομμύρια δολάρια, χωρίς άμεση εγγύηση εμπορικής απόδοσης.
Η κατάσταση θυμίζει τις αρχές του 20ού αιώνα, όταν τα αμερικανικά πανεπιστήμια δεν βρίσκονταν ακόμη στην πρώτη γραμμή της διεθνούς επιστημονικής έρευνας. Τότε, οι μεγάλες επιχειρήσεις δημιούργησαν δικά τους εργαστήρια για να καλύψουν το κενό και να διατηρήσουν την τεχνολογική υπεροχή τους.
Μονοπώλια, οικονομίες κλίμακας και έρευνα
Τα πρώτα εταιρικά εργαστήρια αναπτύχθηκαν μέσα σε μια περίοδο μεγάλων συγχωνεύσεων και συγκέντρωσης της αγοράς. Οι καθετοποιημένοι όμιλοι διέθεταν τεράστια οικονομική ισχύ, περιορισμένο ανταγωνισμό και τη δυνατότητα να χρηματοδοτούν μακροχρόνια έρευνα.
Η General Electric, για παράδειγμα, έλεγχε στις αρχές του 20ού αιώνα περίπου το 90% των πωλήσεων λαμπτήρων στις Ηνωμένες Πολιτείες. Την ίδια στιγμή, όμως, έπρεπε να αντιμετωπίσει τη λήξη των αρχικών διπλωμάτων ευρεσιτεχνίας του Τόμας Έντισον, γεγονός που αύξανε την ανάγκη για νέες τεχνολογικές ανακαλύψεις.
Η χρηματοδότηση της επιστημονικής έρευνας από επιχειρήσεις με ισχυρή ή μονοπωλιακή θέση δεν έγινε ποτέ πλήρως αποδεκτή από τις αντιμονοπωλιακές αρχές. Οι ρυθμιστές ανησυχούσαν ότι η συγκέντρωση δύναμης περιόριζε τον ανταγωνισμό, ενώ οι επενδυτές ζητούσαν όλο και περισσότερο τα ερευνητικά προγράμματα να συνδέονται με σαφή και άμεσα εμπορικά αποτελέσματα.
Η διάσπαση της AT&T από τις αμερικανικές αρχές προκάλεσε σοβαρό πλήγμα στα Bell Labs. Σταδιακά, πολλά εταιρικά ερευνητικά κέντρα έχασαν τη δύναμή τους ή περιορίστηκαν, με σημαντική εξαίρεση τον κλάδο της υγείας και των φαρμάκων, όπου η βασική έρευνα παρέμεινε άμεσα συνδεδεμένη με τη δημιουργία νέων προϊόντων.
Το μοντέλο των startups και των venture capitals
Μετά την υποχώρηση των μεγάλων εταιρικών εργαστηρίων, δημιουργήθηκε ένα διαφορετικό μοντέλο καινοτομίας. Τα venture capitals χρηματοδοτούσαν μικρές startups που αναλάμβαναν να μετατρέψουν επιστημονικές ανακαλύψεις σε προϊόντα πρώιμου σταδίου, ενώ οι μεγάλοι όμιλοι επικεντρώνονταν κυρίως στην ανάπτυξη, την κλιμάκωση και την εμπορική αξιοποίηση.
Το σύστημα αυτό λειτούργησε αποτελεσματικά για δεκαετίες, ιδιαίτερα στους κλάδους του λογισμικού και του διαδικτύου, όπου το αρχικό κόστος ανάπτυξης μπορούσε να παραμείνει σχετικά χαμηλό. Η τεχνητή νοημοσύνη, όμως, ανατρέπει αυτή την ισορροπία, καθώς η εκπαίδευση των πιο εξελιγμένων μοντέλων απαιτεί υποδομές που μόνο ελάχιστες εταιρείες μπορούν να χρηματοδοτήσουν.
Καθοριστικό σημείο υπήρξε η δημοσίευση της επιστημονικής εργασίας «Attention Is All You Need» από ερευνητές της Google το 2017. Η αρχιτεκτονική των transformers που παρουσιάστηκε σε εκείνη την εργασία άνοιξε τον δρόμο για τα μεγάλα γλωσσικά μοντέλα και επέτρεψε, πέντε χρόνια αργότερα, την εμφάνιση του ChatGPT.
Η επιτυχία αυτή απέδειξε ότι οι σημερινοί τεχνολογικοί κολοσσοί μπορούν να επανεφεύρουν το εταιρικό εργαστήριο και να μετατρέψουν τη βασική έρευνα σε τεχνολογίες που αλλάζουν ολόκληρες αγορές.
Οι νέοι «Bell Labs» της τεχνητής νοημοσύνης
Η Alphabet, η Microsoft, η Meta και η Amazon διαθέτουν σήμερα ένα συνεχώς αυξανόμενο μερίδιο των εσόδων και της χρηματιστηριακής αξίας του αμερικανικού επιχειρηματικού τομέα. Η οικονομική τους ισχύς τούς επιτρέπει να προσλαμβάνουν κορυφαίους επιστήμονες, να κατασκευάζουν τεράστιες υποδομές και να αναλαμβάνουν μακροχρόνια ερευνητικά στοιχήματα.
Η συγκέντρωση αυτή δημιουργεί ένα νέο δίλημμα για τις κυβερνήσεις. Από τη μία πλευρά, οι ολιγοπωλιακές συνθήκες μπορεί να περιορίσουν τον ανταγωνισμό, να δυσκολέψουν την είσοδο νέων παικτών και να αυξήσουν την εξάρτηση ολόκληρων οικονομιών από λίγες επιχειρήσεις. Από την άλλη, οι ίδιες εταιρείες παράγουν επιστημονικές ανακαλύψεις και τεχνολογικές υποδομές που δύσκολα θα μπορούσαν να χρηματοδοτηθούν από μικρότερους οργανισμούς.
Έτσι επανέρχεται η παλιά λογική της ανοχής μεγαλύτερης συγκέντρωσης στην αγορά με αντάλλαγμα ταχύτερη επιστημονική και τεχνολογική πρόοδο.
Η συζήτηση γίνεται ακόμη πιο σύνθετη καθώς ορισμένα κορυφαία πανεπιστήμια χάνουν μέρος του κύρους και της χρηματοδότησής τους, οι κυβερνήσεις στηρίζουν περισσότερο τους εθνικούς τεχνολογικούς «πρωταθλητές» και οι στρατιωτικές δυνάμεις επενδύουν ξανά σε προηγμένη έρευνα.
Η εποχή της τεχνητής νοημοσύνης μπορεί, επομένως, να οδηγήσει σε μια νέα άνθηση των εταιρικών εργαστηρίων, αντίστοιχη με εκείνη που δημιούργησε τα Bell Labs. Το αν το αποτέλεσμα θα είναι μια περίοδος πρωτοφανούς καινοτομίας ή μια νέα εποχή υπερβολικής συγκέντρωσης οικονομικής και τεχνολογικής ισχύος θα αποτελέσει ένα από τα βασικά ερωτήματα των επόμενων ετών.
Διαβάστε ακόμη
Παραδίδεται την Παρασκευή 24/7 ο αυτοκινητόδρομος που συνδέει την Κεντρική Ελλάδα με την Εγνατία
Η ΕΚΤ αποκαλύπτει τα νέα χαρτονομίσματα του ευρώ – Δείτε τις προτάσεις και ψηφίστε (pics+vid)
Για όλες τις υπόλοιπες ειδήσεις της επικαιρότητας μπορείτε να επισκεφτείτε το Πρώτο Θέμα