Από τις αρχές Σεπτεμβρίου 2026, η επιστημονική κοινότητα βρίσκεται σε αναταραχή για την επίλυση του προβλήματος ύπαρξης και ομαλότητας των εξισώσεων Navier-Stokes, ενός από τα εναπομείναντα «Προβλήματα της Χιλιετίας» του Ινστιτούτου Μαθηματικών Clay. Η εταιρεία Τεχνητής Νοημοσύνης (ΤΝ) OpenAI ανακοίνωσε ότι ένα μοντέλο της απέδειξε τη λύση του προβλήματος. Ωστόσο, οι ερευνητές Tristan Buckmaster και Levent Alpöge αποκάλυψαν ότι εργάζονταν στο ίδιο πρόβλημα για μήνες, χρησιμοποιώντας εργαλεία ΤΝ (συμπεριλαμβανομένων των Codex της OpenAI). Οι ερευνητές κατήγγειλαν ότι η OpenAI το έλυσε επειδή είχε πρόσβαση στα αρχεία καταγραφής, τα δεδομένα και τις αλληλεπιδράσεις (τους) με τα εργαλεία, αξιοποιώντας έτσι αυτή τη μεταπληροφορία για σκοπούς εκπαίδευσης του μοντέλου. Με άλλα λόγια, η χρήση των εργαλείων από τους ερευνητές αναβάθμισε τον γνωσιακό ορίζοντα των εργαλείων και επέτρεψε σε αυτά να επιλύσουν το πρόβλημα.
Η καταγγελία περιλάμβανε αναφορά σε πιέσεις για την αφαίρεση συν-συγγραφέων και την οικειοποίηση της αναγνώρισης, ενώ η βιασύνη για την ανακοίνωση οδήγησε στη δημοσιοποίηση μη επαληθεύσιμων δεδομένων. Η κατάσταση προκάλεσε την άμεση αντίδραση κορυφαίων μαθηματικών, συμπεριλαμβανομένων κατόχων του Μεταλλίου Fields, οι οποίοι σε ανοιχτή τους επιστολή προειδοποιούν ότι η ανεξέλεγκτη χρήση εργαλείων ΤΝ θέτει σε κίνδυνο την έννοια της επιστημονικής απόδοσης και εγείρει σοβαρά ερωτήματα λογοκλοπής. Αντίστοιχα, το Ινστιτούτο Clay ήδη ξεκίνησε την αναθεώρηση των κανόνων του αφού η έννοια της αποκλειστικά «ανθρώπινης» απόδειξης αμφισβητείται θεμελιωδώς.
Οι συνέπειες της διαμάχης εκτείνονται πέρα από τα Μαθηματικά στην ίδια την επιστημονική διαδικασία και επιχειρηματική ανάπτυξη αναδεικνύοντας ρωγμές στα υπάρχοντα πλαίσια της επιστημονικής και τεχνολογικής πολιτικής καθώς και τη διαχείριση καινοτομίας. Το ερώτημα είναι το εξής: «ποιος κατέχει ό,τι μαθαίνει η ΤΝ;». Όταν ερευνητές, εργαζόμενοι και επιχειρηματίες χρησιμοποιούν γλωσσικά μοντέλα για να επεξεργαστούν ιδέες, να γράψουν κώδικα ή να δοκιμάσουν υποθέσεις, οι αλληλεπιδράσεις αυτές ενσωματώνονται στα δεδομένα εκπαίδευσης των μοντέλων. Αυτό δημιουργεί σοβαρούς κινδύνους απώλειας της διανοητικής ιδιοκτησίας (ΔΙ), της «άτυπης (ή, άρρητης) γνώσης» (tacit knowledge) των χρηστών και, ευρύτερα, των ψηφιακών ιχνών (digital traces) της διαδικασίας παραγωγής γνώσης. Ίχνη όπως ερευνητικές υποθέσεις, αμφιλεγόμενες προσεγγίσεις, αξιολογήσεις αποκρίσεων, ροές εργασίας, κανόνες λήψης αποφάσεων και διαδικασίες βελτιστοποίησης εκτείνονται σε όλο το φάσμα της επιστημονικής διαδικασίας.
Αποτέλεσμα είναι οι εταιρείες ΤΝ να αποκτούν τεράστιο γνωσιακό πλεονέκτημα. Έχοντας «διαβάσει» όλη τη διαθέσιμη «ρητή» γνώση (μέσω πρόσβασης σε βιβλιοθήκες, περιοδικά κλπ.), τώρα αξιοποιούν και την άτυπη όπως εκφράζεται από τις εισροές (prompts) δεδομένων, ερωτήσεων, κλπ. Αυτή η εσωτερική γνώση τους επιτρέπει να μετακινηθούν από τη θέση του παρόχου της ενδιάμεσης υπηρεσίας (της παροχής υπηρεσιών ΤΝ) στη θέση του παραγωγού του τελικού προϊόντος ή στη χρηματοδότηση επιχειρήσεων στα πρόθυρα μείζονων τεχνολογικών ανακαλύψεων. Τώρα, ήταν η επίλυση της συγκεκριμένης εξίσωσης, αύριο θα μπορούσε να είναι η παραγωγή ενός νέου εμβολίου ή η εμπορική αξιοποίηση νέων υλικών κοκ.
Στη περίπτωση Navier-Stokes, το ζήτημα δεν αφορά μόνο στη τελική μαθηματική απόδειξη, αλλά και σε ενδιάμεσα στάδια της επιστημονικής διαδικασίας όπως η μεθοδολογία, οι ερευνητικές υποθέσεις, οι εναλλακτικές και αποτυχημένες προσεγγίσεις, οι διορθώσεις και οι επιλογές που σταδιακά διαμορφώνουν τη διορατικότητα των ερευνητών. Αυτός ο πληροφοριακός πλούτος, που παραδοσιακά παρέμενε σε μεγάλο βαθμό αόρατος, καθίσταται πλέον δυνητικά παρατηρήσιμος κατα την έρευνα με χρήση της ΤΝ (AI-enabled research). Οι πλατφόρμες της ΤΝ μπορούν να αναγνωρίζουν και να αποθηκεύουν ψηφιακά ίχνη της ερευνητικής διαδικασίας δίχως ωστόσο αυτά να αποτυπώνονται στις αντίστοιχες ερευνητικές εκροές, δημιουργώντας ένα σημαντικό “κενό” μεταξύ της παραγωγής και της μέτρησης της επιστημονικής συμβολής. Κυρίως, όταν μια εταιρεία ΤΝ αποφασίζει να επενδύσει σε ένα πεδίο υπάρχει βάσιμος κίνδυνος να οικειοποιηθεί αυτή τη γνώση χωρίς δίκαιη αποζημίωση ή αναγνώριση, υπονομεύοντας τα κίνητρα για μελλοντική ακαδημαϊκή έρευνα και ανάπτυξη (R&D).
Αντίστοιχα, η διαμάχη για τις εξισώσεις Navier-Stokes μπορεί να ειδωθεί ως «προειδοποιητική βολή» για το μέλλον της καινοτομίας στις επιχειρήσεις. Αν κορυφαίοι, ανεξάρτητοι ακαδημαϊκοί ερευνητές είδαν τη μεθοδολογία και τις ημιτελείς ιδέες τους να απορροφώνται και να οικειοποιούνται από έναν τεχνολογικό κολοσσό, τι μέλλει γενέσθαι με τα εμπορικά απόρρητα και την καινοτομία των επιχειρήσεων;
Στο σύγχρονο επιχειρηματικό περιβάλλον, η ΤΝ δεν είναι απλώς ένα εργαλείο παραγωγικότητας, αλλά ένας μηχανισμός ο οποίος «μαθαίνει» αλληλεπιδρώντας. Τα ίχνη αλληλεπίδρασης (interaction traces) μπορούν να αποθηκευτούν, αξιολογηθούν και να χρησιμοποιηθούν για εκπαίδευση, βελτιστοποίηση και αξιολόγηση των μοντέλων. Αυτό συνιστά έλλειμμα προστασίας της ΔΙ. Μπορεί δε να αναλυθεί σε δύο επίπεδα: Πρώτον, ο νέος «χρυσός» είναι η εσωτερική γνώση των επιχειρήσεων ή, καλύτερα, η τεχνογνωσία των εργαζομένων η οποία «εκφράζεται» με ένα πλέγμα συμπεριφορών έναντι των μοντέλων όπως οι διαδικασίες, οι αποτυχημένες ερευνητικές δοκιμές, τα στρατηγικά πλάνα και ο αδημοσίευτος και ημιτελής κώδικας. Όταν οι εργαζόμενοι, λοιπόν, χρησιμοποιούν εμπορικά εργαλεία ΤΝ (π.χ., για να βελτιστοποιήσουν έναν αλγόριθμο ή να αναλύσουν δεδομένα αγοράς), το μοντέλο αφού απορροφήσει τα δεδομένα, έχοντας στη κατοχή του και μία σειρά από μεταδεδομένα, μπορεί να κατανοήσει και τα μοτίβα της σκέψης των ίδιων των ανθρώπων. Δεν κλέβει κυριολεκτικά ένα αρχείο, αλλά «μαθαίνει» τη λογική πίσω από αυτό, διαβρώνοντας το εταιρικό ανταγωνιστικό πλεονέκτημα. Δεύτερον, κατά τη χρήση, η επιχείρηση για να λάβει μια λύση «αποκαλύπτει» στο μοντέλο την καινοτομία της. Έτσι, η πλατφόρμα ΤΝ αποκτά πρόσβαση στην καινοτομία και στη συλλογιστική χωρίς να πληρώσει!
Οι περισσότερες επιχειρήσεις δεν κατανοούν τι συμβαίνει στα δεδομένα τους. Οι όροι χρήσης των μοντέλων συχνά επιτρέπουν την αξιοποίηση εισροών και εξαγωγών (outputs) για τη βελτίωση μελλοντικών εκδόσεων. Αυτό, πρακτικά, σημαίνει ότι μια startup που χρησιμοποιεί ένα εργαλείο ΤΝ για να σχεδιάσει ένα νέο προϊόν πιθανότατα εκπαιδεύει το επόμενο μοντέλο που θα χρησιμοποιήσει ο μεγαλύτερος ανταγωνιστής της.
Αν και η βιβλιογραφία δεν είχε προλάβει να ωριμάσει, ήδη καταγράφονται ζητήματα για τη διαχείριση καινοτομίας ενός οργανισμού, όπως:
-Ο φόβος διαρροής της ΔΙ και της άρρητης γνώσης θα αναγκάσει επιχειρήσεις να μετριάσουν ή και να απαγορεύσουν τη χρήση εργαλείων ΤΝ. Αυτό, με τη σειρά του, θα τις εγκλωβίσει σε έναν φαύλο κύκλο τεχνολογικής υστέρησης και μειωμένης παραγωγικότητας («αποτρεπτικό αποτέλεσμα» στην υιοθέτηση ΤΝ).
-Όσες επιχειρήσεις θα αποτολμήσουν να πειραματιστούν με τα μοντέλα, επειδή θα θεωρήσουν το κόστος της αδράνειας μεγαλύτερο από τον κίνδυνο της διαρροής, θα μετατραπούν άθελά τους σε «φάρμες δεδομένων» για τους μεγάλους παρόχους ΤΝ. Η καινοτομία παύει να είναι αποτέλεσμα εσωτερικής R&D και γίνεται παράγωγο της ικανότητας του τεχνολογικού κολοσσού να εξορύσσει ιδέες και να τις κεφαλαιοποιεί, οδηγώντας σε ένα «ολιγοπώλιο καινοτομίας».
-Τα τρέχοντα καθεστώτα προστασίας ΔΙ απαιτούν την αποκάλυψη της εφεύρεσης. Ωστόσο, αν μια εφεύρεση προκύψει μέσω της αλληλεπίδρασης με ένα μοντέλο ΤΝ που έχει «εκπαιδευτεί» σε εσωτερικά δεδομένα της εταιρείας (ή, ακόμα χειρότερα, άλλης!), η διαδικασία κατοχύρωσης γίνεται εξαιρετικά περίπλοκη. Ποιος είναι ο εφευρέτης; Πώς αποδεικνύεται ότι η ιδέα δεν προέκυψε από «μαθηματική παρεκβολή» των δεδομένων εκπαίδευσης του μοντέλου; Απαιτούνται πλέον άλλοι χειρισμοί στη νομική διαχείριση της καινοτομικής διαδικασίας.
Ήδη διαφαίνονται κάποιοι ενδεχόμενοι τρόποι ρύθμισης και γεφύρωσης του χάσματος μεταξύ της ταχύτητας της τεχνολογικής εξέλιξης και της θεσμικής θωράκισης της επιστήμης.
Πρώτον, χρειάζεται η διασφάλιση της «ισότητας στους υπολογιστικούς πόρους» (compute equity). Η εξάρτηση της επιστημονικής ανακάλυψης από τεράστια υπολογιστική ισχύ απειλεί να μετατρέψει την επιστήμη σε προνόμιο λίγων τεχνολογικών γιγάντων, δημιουργώντας ένα «ολιγοπώλιο υπολογιστικής ισχύος». Τα κράτη και οι οργανισμοί χρηματοδότησης πρέπει να επενδύσουν σε υποδομές ΤΝ ανοικτής πρόσβασης και ανοικτά ακαδημαϊκά μοντέλα. Παρέχοντας έτσι στους ερευνητές ασφαλείς, ελεγχόμενους πόρους («καθαρά δωμάτια»), απαλλαγμένους από τους εμπορικούς όρους εξόρυξης δεδομένων. Η δημιουργία ρυθμιστικών «sandboxes» (περιοχές ελεγχόμενου πειραματισμού), όπου οι επιχειρήσεις μπορούν να δοκιμάζουν εργαλεία ΤΝ σε πραγματικά δεδομένα υπό την εποπτεία μιας ανεξάρτητης αρχής που θα πιστοποιεί ότι η ροή δεδομένων είναι ασφαλής και συμβατή με τους νόμους περί ΔΙ εμπίπτει στην ίδια κατηγορία.
Δεύτερον, χρειάζεται θέσπιση προτύπων διαφάνειας και προστασία της άρρητης γνώσης. Οι ρυθμιστικές αρχές πρέπει να επιβάλουν την αρχή της «ρητής συναίνεσης» (opt-in) για τη χρήση ερευνητικών και εταιρικών δεδομένων και αλληλεπιδράσεων στην εκπαίδευση εμπορικών μοντέλων, εξαλείφοντας τυχόν ασαφείς ρήτρες. Θα μπορούσε να εφαρμοστεί το πρότυπο των «enterprise instances», όπου τα δεδομένα της επιχείρησης δεν αποθηκεύονται ποτέ (zero-retention) και δεν τροφοδοτούν το μοντέλο. Αυτό θα προσδώσει στις επιχειρήσεις το νομικό έρεισμα να αποδείξουν σε ένα δικαστήριο ότι η ΔΙ τους παραβιάστηκε μέσω της μηχανικής μάθησης, μετατοπίζοντας το βάρος της απόδειξης από την αδικημένη επιχείρηση στον πάροχο της ΤΝ. Παράλληλα, οι επιστημονικοί εκδότες και οι φορείς χρηματοδότησης πρέπει να απαιτούν την πλήρη αποκάλυψη της χρήσης ΤΝ, συμπεριλαμβανομένων των αρχείων καταγραφής (prompt logs) και των μεθοδολογιών τυπικής επαλήθευσης. Για να γίνουν τα παραπάνω, πρέπει να επιβληθεί στα μοντέλα ΤΝ η υποχρέωση να διατηρούν ένα είδος «λογιστικού βιβλίου» (audit trail) που καταγράφει αν μια παραγόμενη λύση βασίστηκε σε συγκεκριμένα, προστατευμένα μοτίβα δεδομένων.
Αντίστοιχα, η νομοθεσία περί εμπορικών απορρήτων χρειάζεται επικαιροποίηση. Σήμερα προστατεύει κυρίως από την άμεση αντιγραφή. Πρέπει να διευρυνθεί ώστε να καλύπτει και την «αλγοριθμική εξόρυξη μοτίβων» (algorithmic pattern extraction). Αν αποδειχθεί ότι ένα μοντέλο ΤΝ παρήγαγε μια λύση που αναπαράγει πιστά τη μοναδική μεθοδολογία ή τη λογική ροή ενός εμπορικού απορρήτου, θα πρέπει να θεωρείται παραβίαση, ακόμη και αν ο κώδικας/κείμενο δεν είναι λεκτικά ίδιος.
Δεδομένου ότι (ιδιαίτερα) οι επιχειρήσεις υψηλής τεχνολογίας και έντασης γνώσης αξιοποιούν επιστημονικά και τεχνολογικά ευρήματα, ερευνητές ενδιαφέρονται για την επιχειρηματική αξιοποίηση των ευρημάτων τους, ή ακόμα και για την αυτοτελή διασφάλιση της παραχθείσας επιστημονικής γνώσης, θα πρέπει να εκμηδενιστεί το ενδεχόμενο παρείσφρησης μη επαληθεύσιμης και αυτοματοποιημένης πληροφορίας στην επιστημονική γνώση. Σε αυτό, σύμφωνα με τον Terrence Tao, η επιστημονική πολιτική πρέπει να επαναπροσδιορίσει τα κριτήρια αξιολόγησης από την απλή «παραγωγή αποδείξεων» στην «πέψη και κανονικοποίηση της γνώσης» (proof digestion and canonicalization). Οι ερευνητές πρέπει να παρουσιάζουν και να επεξηγούν προφορικά προς τους ομότιμους τους την αποδεικτική διαδικασία, καθώς μια απόδειξη που δεν μπορεί να τύχει διαλεκτικής συζήτησης δεν εξυπηρετεί τον τελικό σκοπό της επιστήμης που είναι η αύξηση της συλλογικής γνώσης ενώ θα έχει αρνητικά αποτελέσματα στη τεχνολογική της αξιοποίηση αφού θα περιέχει μη επαληθεύσιμα αποτελεσμάτα (AI slop).
Αντίστοιχα, η καλλιέργεια «αλγοριθμικής σκέψης» των μελλοντικών επιστημόνων, τεχνολόγων και επιχειρηματιών απαιτεί την απόκτηση ικανότητας κριτικής αξιολόγησης των αποτελεσμάτων και της ίδιας της διαδικασίας που προηγήθηκε ώστε να κατανοούν τις συνέπειες αλληλεπίδρασης με τα συστήματα.
Η διαμάχη για τις εξισώσεις Navier-Stokes δεν αποτελεί απλώς μία περίπτωση “μαθηματικής αντιπαλότητας”. Αντίθετα, συνιστά προειδοποίηση για το μέλλον της επιστημονικής και καινοτομικής δραστηριότητας. Χωρίς μια προληπτική δημόσια πολιτική που να προστατεύει την άτυπη γνώση, να εξασφαλίζει δίκαιη πρόσβαση σε πόρους και να αναπροσαρμόζει τα καθεστώτα ΔΙ, η επιστημονική ανακάλυψη κινδυνεύει να μετατραπεί από ένα δημόσιο αγαθό σε ένα ιδιωτικοποιημένο προϊόν, υπονομεύοντας τη θεμελιώδη αποστολή της επιστήμης για την πρόοδο της ανθρωπότητας. Πιο πρακτικά, χρειάζονται πρόνοιες προστασίες ώστε οι ερευνητές και οι επιχειρήσεις να εντάξουν τη ΤΝ στις επιστημονικές και παραγωγικές τους ροές. Απομειώνοντας, έτσι, το γνωσιακό και παραγωγικό τους πλεονέκτημα. Στην ελληνική περίπτωση, όπου η μεγάλη πλειονότητα των επιχειρήσεων είναι μικρές και πολύ μικρές με χαμηλά ποσοστά ψηφιακής ωριμότητας, ο κίνδυνος είναι μεγαλύτερος. Η άκριτη χρήση εμπορικών μοντέλων ΤΝ συνεπάγεται την εκχώρηση τεχνογνωσίας, δεδομένων αγοράς και λειτουργικών μυστικών.
Αδυναμία να ληφθούν μέτρα, τέλος, συνεπάγεται και σπατάλη δημόσιων πόρων. Αυτό διότι οι δαπάνες του κράτους, που έχουν προκύψει και από τη φορολόγηση(!), προς τους ερευνητές και επιχειρήσεις για την απόκτηση γνωσιακού και παραγωγικού πλεονεκτήματος δεν οδηγούν στη δική τους ισχυροποίηση και κατά συνέπεια της εθνικής οικονομίας. Αντίθετα, αυτοί που κεφαλαιοποιούν την προκύπτουσα γνώση είναι οι κολοσσοί της ΤΝ.
Ο Νίκος Καραμπέκιος είναι Προϊστάμενος Τμήματος στο Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ). Οι απόψεις που διατυπώνονται στο παρόν κείμενο είναι του συγγραφέα και δεν εκφράζουν κατ’ ανάγκη τις θέσεις του ΕΚΤ.
Ο Κωνσταντίνος Σιουμάλας είναι Ερευνητής Τεχνητής Νοημοσύνης στη Gruppo Maggioli (τμήμα R&D, Ελλάδα).
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.
