Οι startups που βρίσκονται στην πρώτη γραμμή της τεχνητής νοημοσύνης σχεδόν υπόσχονται να αλλάξουν τον κόσμο. Όμως αυτή η τεχνολογική «υπόσχεση» συνοδεύεται από ένα παράδοξο: αυτές οι εταιρείες έχουν ελάχιστη παρουσία σε έναν από τους βασικότερους θεσμούς της επιστήμης, τις επιστημονικές δημοσιεύσεις.
Το 5% των κορυφαίων εταιρειών συγκεντρώνει περισσότερο από το 90% των citations (αναφορών) στην επιστημονική βιβλιογραφία.
«Συγκεκριμένα, 317 εταιρείες AI που είναι “μονόκεροι” (αξία πάνω από 1 δισ. δολάρια η κάθε μία) αδιαφορούν τελείως για τη (μη) συμμετοχή τους στην επιστημονική βιβλιογραφία. Συνολικά καλύπτουν μόνο το 0,1% της επιστημονικής βιβλιογραφίας για AI. Το 52,4% αυτών δεν παρήγε μέχρι το 2025 ούτε μία δημοσίευση που να πληροί τα κριτήρια της μελέτης μας», λέει στο WIRED Greece ο καθηγητής Ιατρικής, Επιδημιολογίας, Υγείας του Πληθυσμού και Επιστήμης Βιοϊατρικών Δεδομένων του Πανεπιστημίου Στάνφορντ, Ιωάννης Ιωαννίδης, κύριος συγγραφέας της σχετικής μελέτης, που παρουσιάστηκε πρόσφατα ως preprint στο bioRxiv.
Με άλλα λόγια, η παρουσία αυτών των εταιρειών στην επιστημονική βιβλιογραφία για ΑΙ — περίπου 1 στις 1.000 σχετικές δημοσιεύσεις — είναι δυσανάλογα μικρή σε σχέση με την τεχνολογική και οικονομική τους επιρροή.
Η ανάλυση δεν περιορίστηκε σε πρωτότυπα άρθρα επιστημονικών περιοδικών, αλλά συμπεριέλαβε papers συνεδρίων, reviews και preprints, συνολικά 2.077 δημοσιεύσεις. Η ερευνητική ομάδα έδωσε έμφαση στις περιπτώσεις όπου ερευνητής της εταιρείας ήταν πρώτος ή τελευταίος συγγραφέας, δηλαδή στις εργασίες όπου η εταιρεία είχε ουσιαστική και ηγετική συμβολή.
Η ανάλυση διαπίστωσε ότι η επιστημονική επιρροή των εταιρειών AI δεν είναι απλώς μικρή· είναι ακραία συγκεντρωμένη. Το 5% των κορυφαίων εταιρειών συγκεντρώνει περισσότερο από το 90% των citations (αναφορών), ενώ το 10% ευθύνεται για το 96,8% των αναφορών. Από τις 134 δημοσιεύσεις με τουλάχιστον 200 αναφορές η καθεμία, οι 92 αντιστοιχούν μόλις σε 3 startups.
Σχεδόν το 40% όλων των αναφορών στα συνολικά δεδομένα αντιστοιχεί στην OpenAI. Ακολουθούν η κινεζική εταιρεία computer vision Megvii και η Hugging Face.
Ακόμη όμως και μέσα στις εταιρείες με την ισχυρότερη επιστημονική παρουσία, η παραγωγή δεν είναι ευρεία. Παρά το γεγονός ότι η OpenAI απασχολούσε περίπου 4.500 ανθρώπους, μόλις οκτώ ερευνητές είχαν συγγράψει πέντε ή περισσότερες αξιόλογες δημοσιεύσεις.
Η εικόνα αυτή δείχνει ότι ακόμη και όταν μια μεγάλη AI εταιρεία δημοσιεύει, η επιστημονική της δραστηριότητα μπορεί να προέρχεται από έναν εξαιρετικά μικρό πυρήνα ερευνητών.
Το εύρημα είναι παράδοξο επειδή η επιστημονική δημοσίευση δεν αποτελεί απλώς τρόπο ανακοίνωσης μιας νέας ιδέας, αλλά έναν από τους μηχανισμούς με τους οποίους η επιστήμη αυτοελέγχεται.
Μια δημοσίευση καταθέτει ένα δημόσιο αρχείο για τις μεθόδους, τα δεδομένα και τα αποτελέσματα μιας μελέτης, επιτρέποντας σε άλλους ερευνητές να αμφισβητήσουν, να αναπαράγουν και να επεκτείνουν τη γνώση.
Ο καθηγητής Ιωαννίδης ασχολείται εδώ και χρόνια με τη συμμετοχή των unicorns στην επιστημονική βιβλιογραφία, ιδιαίτερα στη βιοτεχνολογία. Το 2015 είχε εξετάσει δημόσια την απουσία peer-reviewed επιστημονικών στοιχείων από την Theranos, που αργότερα αποκαλύφθηκε ότι χρησιμοποιούσε μη αξιόπιστα δεδομένα. Η συγκεκριμένη μελέτη για την AI αποτέλεσε μια φυσική συνέχεια αυτής της έρευνας.
«Εάν οι εταιρείες αυτές υποστηρίζουν ότι αναπτύσσουν τεχνολογίες με τεράστιες επιστημονικές δυνατότητες που κατ’ επέκταση προκαλούν ανατροπές στη ζωή και στον κόσμο μας, πόση από αυτή την έρευνα είναι πραγματικά διαθέσιμη στην επιστημονική κοινότητα; Η απάντηση είναι: πολύ λίγη, ελάχιστη», αναφέρει.
Ωστόσο διευκρινίζει ότι το αν μια εταιρεία δεν δημοσιεύει πολλά papers δεν σημαίνει απαραίτητα ότι δεν κάνει έρευνα. Μπορεί να σημαίνει ότι η δημοσιοποίηση της έρευνας έχει μεταφερθεί σε άλλα κανάλια. Μια εταιρεία ΑΙ, αντί να περιμένει μήνες ή χρόνια για τη συνηθισμένη διαδικασία κρίσης από ομότιμους συναδέλφους, μπορεί να παρουσιάσει ένα νέο μοντέλο σε blog, να δημοσιεύσει τεχνικά δελτία ή να διαθέσει κώδικα και δεδομένα.
Αυτό ταιριάζει περισσότερο στους ρυθμούς της AI βιομηχανίας, όπου ένα μοντέλο μπορεί να ξεπεραστεί μέσα σε λίγους μήνες ή και εβδομάδες. Η παραδοσιακή επιστημονική διαδικασία είναι πολύ πιο αργή.
Μια εταιρεία μπορεί να αξίζει δεκάδες δισεκατομμύρια δολάρια χωρίς να διαθέτει αντίστοιχο επιστημονικό αποτύπωμα. Η επιστημονική βιβλιογραφία δεν αποτελεί πλέον απαραίτητα τη βασική ‘σφραγίδα’ αξιοπιστίας.
Υπάρχει όμως και ένα ακόμη σημαντικότερο ζήτημα: το οικονομικό κίνητρο.
Σε κλάδους όπως η φαρμακοβιομηχανία, μια ανακάλυψη μπορεί να δημοσιευθεί και ταυτόχρονα να προστατευθεί μέσω πατέντας. Στην AI, η δημοσίευση μιας τεχνικής καινοτομίας μπορεί απλώς να διευκολύνει τους ανταγωνιστές να την αντιγράψουν ή να τη βελτιώσουν. Για μια εταιρεία που επενδύει δισεκατομμύρια στην ανάπτυξη ενός μοντέλου, η επιστημονική δημοσίευση μπορεί να προσφέρει κύρος, αλλά ταυτόχρονα μπορεί να μειώσει το τεχνολογικό της πλεονέκτημα.
Αυτό ίσως εξηγεί γιατί η οικονομική επιτυχία και η επιστημονική παραγωγή των μονόκερων AI φαίνεται να έχουν τόσο μικρή σχέση. Μια εταιρεία μπορεί να αξίζει δεκάδες δισεκατομμύρια δολάρια χωρίς να διαθέτει αντίστοιχο επιστημονικό αποτύπωμα. Η επιστημονική βιβλιογραφία δεν αποτελεί πλέον απαραίτητα τη βασική ‘σφραγίδα’ αξιοπιστίας.
Η απουσία δημοσιεύσεων, πάντως, δεν σημαίνει κατ’ ανάγκη απουσία διαφάνειας. Το πραγματικό ερώτημα είναι τι άλλο προσφέρει μια εταιρεία στη θέση τους και εάν ανεξάρτητοι τρίτοι μπορούν να ελέγξουν τους ισχυρισμούς της εταιρείας και να ‘χτίσουν’ πάνω στη δουλειά της. Ένα επιστημονικό άρθρο χωρίς διαθέσιμα δεδομένα ή κώδικα μπορεί να μην είναι ιδιαίτερα χρήσιμο. Αντίθετα, ένα τεχνικό δελτίο που συνοδεύεται από κώδικα και λεπτομερή δεδομένα μπορεί να επιτρέπει ουσιαστικότερο έλεγχο.
Με αυτή την έννοια, το AI μπορεί να μη γυρίζει την πλάτη στην επιστήμη, αλλά να δημιουργεί ένα διαφορετικό μοντέλο επιστημονικής επικοινωνίας.
Το πρόβλημα είναι ότι ούτε αυτό το μοντέλο είναι διαθέσιμο και ανοιχτό. Ο καθηγητής Ιωαννίδης προσθέτει ότι: «αν και δεν εξετάσαμε αυτές τις εναλλακτικές μορφές επικοινωνίας, είναι αμφίβολο αν κάποιος μπορεί να διερευνήσει την επιστημονική αξιοπιστία μόνο με blogs ή με τεχνικά δελτία. Ούτε έχουμε ενδείξεις ότι οι εταιρείες αυτές είναι τόσο ανοιχτές να μοιραστούν τα δεδομένα και τους κώδικές τους ευρύτατα με άλλους τρόπους».
Οι κινεζικές AI εταιρείες του δείγματος δημοσίευαν σταθερά περισσότερες εργασίες από τις αντίστοιχες αμερικανικές. Αυτό συνδέεται με μια ευρύτερη στρατηγική διαφοροποίηση.
Ενώ αρκετά κορυφαία αμερικανικά frontier labs έχουν κινηθεί προς πιο κλειστά μοντέλα, ορισμένες κινεζικές εταιρείες έχουν επενδύσει περισσότερο σε ανοιχτά μοντέλα, δημοσιοποιώντας περισσότερα στοιχεία της τεχνολογίας τους.
Η περίπτωση της Moonshot AI είναι χαρακτηριστική, καθώς έχει δώσει έμφαση στην ανοιχτή διάθεση μοντέλων και model weights. Η διαφορά δεν είναι μόνο ιδεολογική, αλλά και στρατηγική. Αφορά το πώς μια εταιρεία θέλει να δημιουργήσει ένα οικοσύστημα γύρω από την τεχνολογία της.
Η εν λόγω ανάλυση δεν μετρά την τεχνολογική ικανότητα, την εμπορική επιτυχία ή τον κοινωνικό αντίκτυπο των startups, αλλά τη συμμετοχή τους στην επίσημη επιστημονική επικοινωνία.
Το μεγάλο ερώτημα επομένως, δεν είναι μόνο πόσες δημοσιεύσεις παρουσιάζουν οι AI εταιρείες, αλλά πόση από τη γνώση που απαιτείται για να κατανοήσουμε, να αξιολογήσουμε και να ελέγξουμε τα συστήματά τους παραμένει προσβάσιμη.
Γιατί το AI έχει ήδη ξεπεράσει τα όρια ενός συνηθισμένου τεχνολογικού προϊόντος. Επηρεάζει σχεδόν τα πάντα και όσο αυξάνεται η επιρροή της, τόσο πιο σημαντική γίνεται η ανεξάρτητη αξιολόγηση.
«Στην AI έχουμε αρχίσει να θεωρούμε φυσιολογικό το ότι τα πιο ισχυρά μοντέλα μπορεί να αναπτύσσονται μέσα σε ιδιωτικά εργαστήρια, χωρίς να γνωρίζουμε πλήρως πώς εκπαιδεύτηκαν, με ποια δεδομένα, ποια πειράματα έγιναν και ποιες αδυναμίες εντοπίστηκαν κατά την ανάπτυξή τους. Και εδώ υπάρχει ένας ακόμη κίνδυνος. Η κοινωνική επίπτωση μπορεί να είναι τεράστια και το ζήτημα δεν είναι καθαρά τεχνικό», επισημαίνει ο καθηγητής Ιωαννίδης.
Μια επιστημονική δημοσίευση μπορεί να βοηθήσει να εξεταστεί εάν ένα μοντέλο λειτουργεί όπως υποστηρίζει η εταιρεία και να ανοίξει τη συζήτηση για τις «παρενέργειες» της τεχνολογίας σε κάθε επίπεδο. Όταν όμως τέτοιες συζητήσεις βασίζονται κυρίως σε εταιρικές ανακοινώσεις, τεχνικά δελτία και εσωτερικές αξιολογήσεις, ο εξωτερικός έλεγχος γίνεται δυσκολότερος.
Ωστόσο, οι δημοσιεύσεις δεν είναι το τέλειο μέτρο της καινοτομίας. Μια εταιρεία μπορεί να κάνει εξαιρετική έρευνα χωρίς να τη δημοσιεύσει, ενώ στην AI τα συνέδρια και τα preprints έχουν ιδιαίτερη βαρύτητα.
Οι συγγραφείς διευκρινίζουν ότι η εν λόγω ανάλυση δεν μετρά την τεχνολογική ικανότητα, την εμπορική επιτυχία ή τον κοινωνικό αντίκτυπο των startups, αλλά κάτι πιο συγκεκριμένο, τη συμμετοχή τους στην επίσημη επιστημονική επικοινωνία.
Ίσως, λοιπόν, το πραγματικό παράδοξο της AI να μην είναι ότι οι εταιρείες δεν διενεργούν αρκετή επιστήμη, αλλά ότι η τεχνολογική πρόοδος έχει αρχίσει να αποσυνδέεται από τον παραδοσιακό μηχανισμό με τον οποίο η επιστήμη αποδεικνύει δημόσια ότι μια ιδέα είναι αξιόπιστη.
Αν αυτή η αλλαγή συνεχιστεί, το μεγάλο ερώτημα για την επόμενη φάση της τεχνητής νοημοσύνης δεν θα είναι μόνο ποιος κατασκευάζει τα ισχυρότερα μοντέλα, αλλά ποιος μπορεί να μας πείσει, με στοιχεία που μπορούν να ελεγχθούν από τρίτους, ότι αυτά τα μοντέλα λειτουργούν πράγματι όπως υποστηρίζει.
Γιατί όσο το AI αποκτά μεγαλύτερη δύναμη, η επιστημονική διαφάνεια παύει να είναι απλώς ακαδημαϊκή υπόθεση και γίνεται ζήτημα δημόσιας λογοδοσίας.
Με την εγγραφή σας, συμφωνείτε με τους Όρους Χρήσης μας (συμπεριλαμβανομένης της παραίτησης από ομαδικές αγωγές και των διατάξεων διαιτησίας) και αναγνωρίζετε την Πολιτική Απορρήτου μας.
