«ΠΟΣΟ ΚΟΝΤΑ ΕΙΜΑΣΤΕ ΣΤΟ AGI;» Το ερώτημα εμφανίζεται παντού πια. Τίτλοι ειδήσεων, πάνελ συνεδρίων, δηλώσεις tech-CEOs, posts στα social media με γραφήματα και δείκτες που ανεβαίνουν και μια ημερομηνία κάπου στο 2030, ή και νωρίτερα. Ακούγεται σαν ερώτημα με μία συγκεκριμένη απάντηση, σαν να υπάρχει μια γραμμή τερματισμού κάπου εκεί, στο άμεσο μέλλον, και το μόνο που μένει είναι να υπολογίσουμε πότε θα τη φτάσουμε.
Ας κάνουμε, όμως, ένα βήμα πίσω. Τι ακριβώς μετράμε;
Δοκίμασε κάτι. Ρώτησε πέντε ανθρώπους που ασχολούνται με το AI τι σημαίνει “AGI” (Artificial General Intelligence). Θα πάρεις, με μεγάλη πιθανότητα, τρεις ή τέσσερις ή ακόμα και πέντε τελείως διαφορετικές απαντήσεις, όλες ντυμένες με τον ίδιο όρο.
Κάποιοι εννοούν ένα σύστημα που μπορεί να κάνει νοητικά οτιδήποτε κάνει ένας μέσος άνθρωπος: να γράψει, να σχεδιάσει, να μάθει ένα νέο αντικείμενο εξίσου εύκολα με ένα άλλο, χωρίς ξεχωριστή εκπαίδευση για κάθε εργασία. Άλλοι εννοούν ένα σύστημα που ξεπερνάει τον άνθρωπο σε ένα ευρύ φάσμα μετρήσιμων tasks, benchmarks και εξετάσεων, ανεξάρτητα από το αν μοιάζει με ανθρώπινη νοημοσύνη ή όχι. Και άλλοι εννοούν κάτι τελείως διαφορετικό: ένα σύστημα με agency, που θέτει δικούς του στόχους και ενεργεί αυτόνομα για να τους πετύχει, κι όχι απλώς απαντάει όταν το ρωτάς κάτι.
Το ίδιο είχε συμβεί με τα αυτόνομα αυτοκίνητα. «Αυτόνομο» μπορούσε να σημαίνει ένα cruise control που κρατάει σταθερή ταχύτητα, ένα σύστημα που κρατάει το αμάξι στη λωρίδα αλλά θέλει τα χέρια σου στο τιμόνι, ή ένα αυτοκίνητο χωρίς τιμόνι που σε πηγαίνει οπουδήποτε, σε οποιαδήποτε συνθήκη. Γι’ αυτό η αυτοκινητοβιομηχανία έφτιαξε επίπεδα αυτονομίας από το 0 έως το 5. Ο όρος «αυτόνομο», χωρίς κάτι μετρήσιμο δίπλα, δεν σημαίνει πια τίποτα συγκεκριμένο. Και αυτό το κατάφερε μετά από αρκετά χρόνια ασυνεννοησίας.
Το AGI δεν έχει αυτά τα επίπεδα. Έχει έναν όρο, και μέσα του χωράνε πολλά διαφορετικά πράγματα. Γι’ αυτό, όταν κάποιος ρωτάει «πόσο κοντά είμαστε στο AGI”, η ειλικρινής απάντηση είναι μια ακόμα ερώτηση: κοντά σε ποιο AGI από όλα αυτά;
Αμφιβάλλεις; Κι όμως, τον Μάρτιο του 2026, ο Jensen Huang της Nvidia δήλωσε δημόσια ότι «έχουμε ήδη πετύχει AGI», μια δήλωση που κανένας άλλος μεγάλος παίκτης δεν επιβεβαίωσε με τον ίδιο τρόπο. Την ίδια περίοδο, ο Demis Hassabis της Google DeepMind μιλούσε για ορίζοντα πέντε έως δέκα ετών. Ο Dario Amodei της Anthropic έχει γράψει ότι συστήματα σαφώς καλύτερα από τον άνθρωπο σε σχεδόν τα πάντα θα μπορούσαν να έρθουν ήδη μέσα στο 2026-2027.
Και ο Yann LeCun, μέχρι πρόσφατα επικεφαλής AI της Meta και βραβευμένος με Turing Award, υποστηρίζει κάτι εντελώς αντίθετο. Ότι το “AGI” δεν υφίσταται καν, ότι ο όρος είναι υποκατάστατο για την «ανθρώπινου επιπέδου νοημοσύνη” και ότι η ίδια η ανθρώπινη νοημοσύνη είναι εξαιρετικά εξειδικευμένη, όχι γενική. Τον όρο τον χαρακτηρίζει «πλήρη ανοησία». Πιστεύει πως αυτό που λείπει δεν είναι ένα βήμα προς κάποιο “AGI”, αλλά οτιδήποτε θα έκανε το AI πρακτικά πιο χρήσιμο. Π.χ. τα “world models”, δηλαδή μια εσωτερική αναπαράσταση του πώς λειτουργεί ο φυσικός κόσμος, κάτι σαν τη διαίσθηση που έχει ένας άνθρωπος για τη βαρύτητα ή την αιτιότητα χωρίς να το έχει διαβάσει κάπου. Και καμία ποσότητα επιπλέον πρόβλεψης κειμένου, λέει, δεν μπορεί να χτίσει κάτι τέτοιο.
Τέσσερις άνθρωποι στην κορυφή του κλάδου. Καμία συμφωνία, ούτε καν κατά προσέγγιση.
Πρώτα, ένα προκαταρκτικό ερώτημα: όλη αυτή η πρόοδος αφορά τα γλωσσικά μοντέλα. Οδηγούν όμως τα γλωσσικά μοντέλα στο AGI, ή απλώς γίνονται όλο και καλύτερα σε αυτό που ήδη κάνουν;
Αυτή τη στιγμή, στην επιστημονική και τεχνολογική κοινότητα δεν είναι ξεκάθαρο ποια τεχνολογία θα φέρει τα καλύτερα αποτελέσματα. Κάποιοι υποστηρίζουν ότι τα LLMs, με τη συνεχή βελτίωσή τους τα επόμενα χρόνια, θα πλησιάσουν αρκετά την ανθρώπινη νοημοσύνη. Άλλοι πιστεύουν ότι η τεχνολογία αυτή έχει εγγενή όρια και ότι πρέπει να δουλέψουμε και σε άλλα μονοπάτια: στα world models όπως πιστεύει ο Yann LeCun, στο sensorimotor AI, που προσπαθεί να μιμηθεί βιολογικούς εγκεφάλους μαθαίνοντας μέσα από αισθητήρια και κίνηση, ή ακόμα και στο παλιό καλό symbolic AI, που φαίνεται να ξαναμπαίνει στο παιχνίδι. Τα επόμενα χρόνια (5 ή 25, κανείς δεν ξέρει) θα δείξουν τι θα επικρατήσει. Είναι πιθανό, πάντως, η πραγματική πορεία προς το AGI, αν υπάρξει, να είναι συνδυασμός όλων αυτών και άλλων που δεν έχουμε ακόμα δει.
Ακόμα κι αν μείνουμε στα LLMs, η εντυπωσιακή εξέλιξη που έχει φέρει το Generative AI τα τελευταία χρόνια δεν σημαίνει ότι είναι εύκολο να προβλεφθεί η συνέχειά της. Η ανοδική τάση των τελευταίων 2 ή 3 ετών δεν εγγυάται ότι θα συνεχιστεί με τον ίδιο ρυθμό, αλλά δεν εγγυάται και το αντίθετο.
Σε πολλά τεχνολογικά πεδία, οι καμπύλες βελτίωσης συχνά ξεκινούν με γρήγορη πρόοδο, όσο τα “εύκολα” οφέλη είναι ακόμα διαθέσιμα, και αργότερα επιβραδύνουν, καθώς κάθε επιπλέον βελτίωση κοστίζει περισσότερο για όλο και μικρότερο όφελος. Αυτό που θα λέγαμε και σε απλά ελληνικά diminishing returns,το συναντάμε σε πολλά πράγματα, από τη γεύση ενός δεύτερου κομματιού σοκολάτας μέχρι το δεύτερο δισεκατομμύριο δολάρια επένδυσης στην εκπαίδευση ενός γλωσσικού μοντέλου. Δεν είναι νόμος της φύσης, αλλά ένα μοτίβο που έχει επαναληφθεί αρκετές φορές. Το τι θα συμβεί εδώ, μένει να αποδειχθεί.
Ταυτόχρονα, τα benchmarks με τα οποία μετράμε, σήμερα, την πρόοδο της τεχνητής νοημοσύνης, δεν μετράνε ξεκάθαρα αυτό που κάποιος θα πίστευε ότι είναι ένας δείκτης νοημοσύνης. Έναν υπολογιστή που λύνει σωστά κάθε πράξη σε ένα κουίζ μαθηματικών δεν θα τον θεωρούσαμε ποτέ ευφυή γι’ αυτό. Πάρε το GPQA Diamond, ένα τεστ του 2023, φτιαγμένο σκόπιμα δύσκολο, με ερωτήσεις επιστήμης επιπέδου διδακτορικού, σχεδιασμένες να είναι “Google-proof”: ακόμα και εξαιρετικά ικανοί μη ειδικοί, με πλήρη πρόσβαση στο διαδίκτυο και πάνω από 30 λεπτά ανά ερώτηση, έφταναν μόλις το 34% επιτυχία, έναντι 65% για ειδικούς με διδακτορικό στο αντίστοιχο πεδίο. Μέσα σε περίπου δύο χρόνια, τα κορυφαία μοντέλα διαφορετικών εταιρειών έφτασαν πάνω από το 90%, με το Gemini 3 Pro να θεωρείται ότι τερμάτισε το σκορ τον Νοέμβριο του 2025. Ένα τεστ που κάποτε έμοιαζε σχεδόν αδύνατο να λυθεί, έγινε, μέσα σε δύο χρόνια, ένα τεστ που δεν ξεχωρίζει πια σχεδόν σε τίποτα, γιατί πολύ απλά, όλα τα κορυφαία LLMs συνωστίζονται κοντά στο ανώτατο σκορ.
Αυτό δεν σημαίνει απαραίτητα ότι τα μοντέλα έγιναν τόσο πολύ πιο “έξυπνα” από τους ανθρώπους. Ένας λόγος είναι ότι ένα μοντέλο μπορεί να έχει “δει”, με κάποιον έμμεσο τρόπο, παρόμοιες ερωτήσεις στα δεδομένα εκπαίδευσής του, σαν μαθητής που μελέτησε τα θέματα της προηγούμενης χρονιάς. Ένας άλλος είναι ότι το να απαντάς σωστά δεν είναι το ίδιο με το να καταλαβαίνεις. Ένα μοντέλο μπορεί να βρίσκει πολύ καλά την πιο πιθανή απάντηση σε μια ερώτηση, άλλωστε μοτίβα συσχετίσεων λέξεων ακολουθεί, χωρίς να καταλαβαίνει πραγματικά την επιστήμη πίσω από αυτήν. Γι’ αυτό ένα υψηλό σκορ δεν αποδεικνύει από μόνο του κατανόηση.
Ο βασικός προβληματισμός αυτή την στιγμή είναι μήπως, όταν δεν έχεις σαφή ορισμό του πού πηγαίνεις, οποιαδήποτε ανοδική γραμμή μπορεί να παρουσιαστεί σαν ένα άλμα πιο κοντά. Αν το AGI ήταν ένα μετρήσιμο σημείο, όπως ένα συγκεκριμένο ύψος ή μια συγκεκριμένη ταχύτητα, θα μπορούσες να ρωτήσεις «με αυτόν τον ρυθμό, πόσο απέχουμε;» και να πάρεις μια απάντηση που να σημαίνει κάτι, ακόμα κι αν είναι αβέβαιη. Επειδή, όμως, ο προορισμός είναι ασαφής και οι γνώσεις μας αυτή την στιγμή ελλιπείς, η ίδια πρόοδος μπορεί να διαβαστεί ταυτόχρονα ως «πολύ κοντά» ή ως «πολύ μακριά» ή πιθανόν κάπως αλλιώς σε ένα τελείως διαφορετικό άξονα ερμηνείας.
Από την άλλη, υπάρχει και μια ακόμα πιθανή εξήγηση, λίγο πιο κυνική, για το hype που γίνεται τον τελευταίο καιρό γύρω από το AGI. Όσο πιο κοντά χρονικά τοποθετεί ένας tech-mogul το AGI, τόσο πιο εύκολα δικαιολογούνται οι τεράστιες επενδύσεις σε μια υποδομή που η βιομηχανία χρειάζεται συνεχώς: υπολογιστική ισχύς, κέντρα δεδομένων, ταλέντο. Μήπως δεν είναι τυχαίο ότι οι πιο “κοντινές” χρονολογίες τείνουν να έρχονται από ανθρώπους που διοικούν εταιρείες με ανάγκη για νέα κεφάλαια, ενώ οι πιο “μακρινές”, συχνά, από επιστήμονες και ερευνητές χωρίς αντίστοιχο οικονομικό διακύβευμα; Δεν μπορούμε να ξέρουμε αν αυτό πραγματικά επηρεάζει συνειδητά τις δηλώσεις τους, αλλά αξίζει να το έχουμε στο μυαλό μας όταν διαβάζουμε τέτοιες δηλώσεις.
Κανείς δεν ενσαρκώνει καλύτερα αυτή την υπόθεση, από τον Elon Musk. Το 2024 προέβλεψε ότι θα έχουμε φτάσει στο AGI μέχρι το 2025. Το 2025 πέρασε χωρίς αυτό να συμβεί και η πρόβλεψη μετατέθηκε για το 2026, που κοντεύει κι αυτό να τελειώσει. Δεν ήταν η πρώτη φορά, μάλιστα. Ήδη από το 2023 είχε πει ότι τα Tesla είχαν «κάτι σαν νου» και ότι η εταιρεία είχε λύσει «κάποιες πτυχές του AGI». Και το 2016 είχε πει ότι η SpaceX θα εκτόξευε ανθρώπους προς τον Άρη το 2024, με άφιξη το 2025. Μια εντυπωσιακή δήλωση, μια αθόρυβη μετάθεση ημερομηνίας, και πάλι από την αρχή.
Ο σκοπός δεν είναι να γελάσουμε με έναν από τους πιο επιτυχημένους techno-titans. Το να προβλέψεις πού θα φτάσει μια τεχνολογία είναι πραγματικά δύσκολο, και ισχύει για όλους. Αλλά και η υπερβολή ότι όλα θα γίνουν αύριο, ή και σήμερα, δεν βοηθάει.
Την επόμενη φορά που θα δεις έναν τίτλο ή ένα γράφημα που υπόσχεται «AGI σε X χρόνια», ίσως αξίζει να έχεις κατά νου 3 ερωτήσεις πρόχειρες για να αξιολογήσεις καλύτερα αυτό που διαβάζεις ή ακούς.
Η πρώτη αφορά το σε ποιον ακριβώς ορισμό του AGI προσπαθεί να απαντήσει αυτή η πρόβλεψη. Αν η απάντηση δεν είναι ξεκάθαρη, η πρόβλεψη μιλάει λιγότερο για το μέλλον και περισσότερο για το πόσο εντυπωσιακό ακούγεται το ίδιο το κείμενο.
Η δεύτερη, αφορά το αν η γραμμή ανάπτυξης που δείχνει να οδηγεί προς τα εκεί, μοιάζει πιθανόν να είναι πραγματικά προβλέψιμη, έστω με μία σχετικά γραμμική εξέλιξη, ή αν βρισκόμαστε ακόμα στο κομμάτι της καμπύλης όπου όλα ανεβαίνουν εύκολα και γρήγορα, χωρίς αυτό να σημαίνει ότι θα συνεχιστεί τα επόμενα χρόνια. Δεν υπάρχει τρόπος να το ξέρεις με σιγουριά εκ των προτέρων, γιατί κανείς δεν το ξέρει, ειλικρινά, ούτε καν όσοι χτίζουν αυτά τα συστήματα AI.
Και η τρίτη; Ποιος επωφελείται αν πιστέψεις ό,τι, μόλις, διάβασες;
Τίποτα από αυτά δεν σημαίνει ότι το AGI δεν θα έρθει. Δεν είμαστε, σίγουρα, εμείς σε θέση να το πούμε: η επιστήμη προχωράει, το πεδίο είναι δύσκολο και κανείς δεν έχει σήμερα τη γνώση να το αποκλείσει ή να το υποσχεθεί. Αυτό που βλέπουμε είναι πολύς καπνός που δεν προέρχεται από κάποια ανεξάρτητη ένδειξη, αλλά κυρίως από όσους έχουν λόγο να τον δημιουργούν. Μπορεί να δείχνει φωτιά. Αξίζει όμως να ελέγξεις μόνος σου αν υπάρχει.
Ούτε σημαίνει ότι δεν πρέπει να προετοιμαζόμαστε. Ο θόρυβος που ξεκίνησε για να μαζευτούν χρήματα μπορεί να φέρει νωρίτερα το θέμα στο προσκήνιο και να δώσει λίγο χρόνο στις κοινωνίες να ρυθμίσουν μια τόσο ισχυρή τεχνολογία. Ή μπορεί να συμβεί ό,τι και με τον βοσκό που φώναζε «λύκος». Σκέψου τις ειδοποιήσεις στο κινητό σου: όταν μια εφαρμογή σε προειδοποιεί κάθε μέρα για κάτι «επείγον», εκπαιδεύεσαι λίγο-λίγο να τις προσπερνάς, και την ημέρα που θα έχει σημασία δεν θα την προσέξεις.
Ποιο από τα δύο, όμως, θα επικρατήσει; Θα φανεί, μάλλον, με τον χρόνο.
Φίλιππος Ζακόπουλος, Managing Partner, Found.ation
Το άρθρο αυτό αποτελεί μέρος μιας σειράς κειμένων του Found.ation για την τεχνητή νοημοσύνη και τον ψηφιακό μετασχηματισμό, αναδεικνύοντας πώς η στρατηγική κατανόηση και εφαρμογή των νέων τεχνολογιών μπορεί να μεταφραστεί σε μετρήσιμη αξία και ανταγωνιστικό πλεονέκτημα για τους εταιρικούς οργανισμούς.
Διαβάστε εδώ όλα τα κείμενα του Found.ation για την τεχνητή νοημοσύνη και τον ψηφιακό μετασχηματισμό.
Κάντε ετήσια συνδρομή στο WIRED Greece ώστε να μη χάνετε κανένα τεύχος.
Ακολουθήστε μας στο κανάλι μας στο You Tube για να μη χάνετε κανένα vidcast.
What’s Next: Kλείστε την early bird θέση σου στο επόμενο μεγάλο event του WIRED Greece.
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.
