ΑΙ agent που «ζωντανεύουν» τις επιστημονικές δημοσιεύσεις – Μια ακόμα επανάσταση ξεκινά Στις 16 Σεπτεμβρίου δημοσιεύθηκε στο Nature μια εργασία από το Στάνφορντ που αλλάζει τι σημαίνει επιστημονική...

Original Post

Πλήρες Κείμενο:

Τόσο τα εκατομμύρια υφιστάμενες όσο και οι μελλοντικές.

Τι συνέβη; Σήμερα ένα επιστημονικό άρθρο είναι ένα κείμενο: περιγράφει μια μέθοδο, δείχνει αποτελέσματα, και συχνά συνοδεύεται από κώδικα που κάπου είναι αναρτημένος.

Είναι μια γνώση καταγεγραμμένη, αλλά στατική, παθητική.

Η ομάδα του James Zou έφτιαξε ένα σύστημα, το Paper2Agent, που παίρνει ένα άρθρο με τον κώδικά του (όπου μπορεί) και το μετατρέπει αυτόματα σε «ΑΙ Agent». Οι Agents αυτοί μπορούν να απαντούν σε ερωτήσεις σχετικά με την έρευνα, να εφαρμόζουν μεθόδους από τη δημοσίευση σε νέα δεδομένα, ακόμη και να συμμετέχουν σε συνομιλίες με άλλους Agents.

Δοκίμασαν το σύστημα σε εκατό άρθρα βιολογίας: τα εβδομήντα τέσσερα μετατράπηκαν επιτυχώς, και από τα 599 εργαλεία που εξήχθησαν τα 593 πέρασαν τον έλεγχο.

Σε ένα από τα χαρακτηριστικά παραδείγματα, η μετατροπή του AlphaGenome paper σε agent κόστισε μόλις 14 δολάρια.

Ο κώδικας του συστήματος είναι ανοιχτός, διαθέσιμος σε όποιον τον θέλει.

Στη συνέχεια πήραν δύο άσχετα μεταξύ τους άρθρα και έβαλαν τους AI Agents του καθενός να συνεννοηθούν μεταξύ τους.

Ο πρώτος εφάρμοσε τη μέθοδό του στα δεδομένα του δεύτερου και εντόπισε μια συσχέτιση γενετικής παραλλαγής που δεν είχε αναφερθεί ξανά! Το σύστημα είναι πρωτόλειο και έχει δρόμο μπροστά του πριν φτάσει στη γενικευμένη εφαρμογή.

Ο μηχανισμός όμως είναι που μετράει.

Και είναι επαναστατικός.

Μέχρι σήμερα ακόμη και τα μεγάλα μοντέλα τεχνητής νοημοσύνης «διάβαζαν» τη βιβλιογραφία όπως ο άνθρωπος: ως περιγραφή.

Μπορούσαν να σου περιγράψουν τι κάνει μια μέθοδος, αλλά όχι να μπουν σε βάθος ούτε να την τρέξουν.

Τώρα το απόθεμα της δημοσιευμένης γνώσης μπορεί να αξιοποιηθεί, εφόσον εξελιχθεί και μαζικοποιηθεί η μέθοδος, σε πολύ μεγαλύτερο βάθος, με πολύ μεγαλύτερη δημιουργικότητα (από την ίδια την ΑΙ) και με αφάνταστα μεγαλύτερες ταχύτητες.

Μιλάμε για μια άνευ προηγουμένου δυνατότητα deep mining της ήδη δημοσιευμένης γνώσης και ταυτόχρονα για δοκιμή ιδεών σε ρυθμούς που ξεπερνούν κατά τάξεις μεγέθους όχι μόνο την ανθρώπινη δυνατότητα αλλά και ό,τι μπορούσαν ως χθες τα ίδια τα μοντέλα.

Δεν αυξάνεται μόνο η ταχύτητα της έρευνας.

Αυξάνεται εκρηκτικά και ο αριθμός των συνδυασμών μεθόδων, δεδομένων και υποθέσεων που μπορούν να δοκιμαστούν.

Συνδυασμών που ολόκληρη η επιστημονική κοινότητα δεν θα προλάβαινε ποτέ να εξετάσει.

Στο βιβλίο μου «ΑΙ, η εκτόπιση της εργασίας -Καθολικό Βασικό Κεφάλαιο Ελευθερία & Αξιοπρέπεια σε έναν κόσμο χωρίς μισθό», γράφω, εξηγώντας από που θα προέλθει η τεράστια αύξηση του πλούτου που αποτελεί την θετική υπόσχεση της ΑΙ: «Η AI είναι βέβαιο ότι θα επιταχύνει δραματικά τη διαδικασία επιστημονικής ανακάλυψης με την παραγωγή νέων τεχνολογιών σε ολόκληρο το φάσμα των ανθρώπινων δραστηριοτήτων.

Αυτό την διαφοροποιεί καταλυτικά από οποιαδήποτε άλλη τεχνολογία του παρελθόντος.

Αυτή η εκθετική επιτάχυνση δεν είναι θεωρητική.

Είναι ήδη μετρήσιμη στην καρδιά της βιομηχανικής και επιστημονικής παραγωγής.

Το πιο εντυπωσιακό παράδειγμα «ανατροφοδοτούμενης βελτίωσης» έρχεται από τον ίδιο τον σχεδιασμό των μικροτσίπ.

Εταιρείες, όπως η Nvidia, χρησιμοποιούν πλέον εξειδικευμένα μοντέλα AI (όπως το ChipNeMo) για να σχεδιάσουν την επόμενη γενιά επεξεργαστών… Στην πραγματική οικονομία των υλικών η επίδραση είναι εξίσου καταλυτική.

Χαρακτηριστική είναι η πρόσφατη ανακάλυψη ενός νέου υλικού στερεάς κατάστασης για μπαταρίες, που μειώνει τη χρήση λιθίου κατά 70%... Με τις παραδοσιακές μεθόδους …θα απαιτούσε δεκαετίες εργαστηριακών δοκιμών.

Όσον αφορά την ικανότητα της Τεχνητής Νοημοσύνης να παράγει πρωτογενή γνώση, αυτή ήδη έχει ξεκινήσει με τη δημιουργία νέων μαθηματικών. Το FunSearch, της Google DeepMind, κατάφερε να ανακαλύψει νέες λύσεις σε προβλήματα της συνδυαστικής θεωρίας, όπως παραλλαγές του «Cap Set Problem», εντοπίζοντας κατασκευές που διέφευγαν από την ανθρώπινη διαίσθηση για δεκαετίες… Τέλος, είναι ήδη εδώ και ο πολλαπλασιασμός της απόδοσης των ανθρώπων ερευνητών.

Με πολλαπλούς τρόπους που περιλαμβάνουν από … την αύξηση της παραγωγικότητάς τους με χρήση κλασικών εργαλείων generative AI, μέχρι επαναστατικές αλλαγές στα διαθέσιμα εργαλεία που χρησιμοποιούν… Και είμαστε ακόμη στην αρχή της αρχής.» Από τότε που γράφτηκαν αυτές οι γραμμές, έχουμε ήδη σημαντικά απτά παραδείγματα που επιβεβαιώνουν τη διαπίστωση και ενισχύουν την πρόβλεψη για εκθετική αύξηση των επιστημονικών και τεχνολογικών ανακαλύψεων.

Τρία προφανή παραδείγματα: Τα μαθηματικά.

Μέσα στο 2026 τα μοντέλα άρχισαν να λύνουν ανοιχτά προβλήματα του Έρντος, που έμεναν άλυτα επί δεκαετίες. Τον Μάιο, μοντέλο της OpenAI έλυσε το «πρόβλημα της μοναδιαίας απόστασης», εικασία του 1946.

Τον ίδιο μήνα, ομάδα της DeepMind έλυσε αυτόνομα εννέα από 353 ανοιχτά προβλήματα, με κόστος λίγων εκατοντάδων δολαρίων το καθένα. Τον Σεπτέμβριο είχαμε τέλος την επίλυση ενός από τα Millennium Problems, στην οποία αναφέρθηκα αναλυτικά σε προηγούμενη ανάρτησή μου.

Ο καιρός.

Επί εβδομήντα χρόνια η μετεωρολογική πρόγνωση στηρίζονταν σε εξισώσεις ρευστοδυναμικής που έλυναν υπερυπολογιστές.

Τα μοντέλα τεχνητής νοημοσύνης δεν λύνουν τις εξισώσεις.

Ακολουθούν άλλο δρόμο.

Μαθαίνουν από τα ιστορικά δεδομένα. Το GenCast της DeepMind ξεπέρασε το κορυφαίο ευρωπαϊκό σύστημα στο 97% των μεγεθών και χρονικών οριζόντων που ελέγχθηκαν.

Πρόγνωση που απαιτούσε ώρες σε υπερυπολογιστή βγαίνει σε ένα λεπτό σε ένα μηχάνημα.

Στις πολύ δύσκολες προγνώσεις υπάρχει ακόμα υστέρηση, όμως η κατεύθυνση είναι σαφής. Το DNA.

Στις 8 Σεπτεμβρίου η DeepMind δημοσίευσε τον Άτλαντα AlphaGenome: προβλέψεις για τις εννέα δισεκατομμύρια δυνατές μονογραμματικές μεταλλάξεις του ανθρώπινου DNA, δηλαδή για κάθε ένα από τα τρία δισεκατομμύρια γράμματά του και τις τρεις εναλλακτικές που μπορεί να πάρει.

Ο εργαστηριακός έλεγχος εννέα δισεκατομμυρίων παραλλαγών είναι πρακτικά αδύνατος.

Συνεπώς πρόκειται για ένα πείραμα που δεν θα γινόταν ποτέ.

Ερευνητικές ομάδες που χρησιμοποίησαν το νέο Άτλαντα εντόπισαν 22% περισσότερες γενετικές συσχετίσεις, που αλλιώς θα είχαν χαθεί μέσα στον στατιστικό θόρυβο.

Δημιουργική καταστροφή on steroids Ο Σουμπέτερ, ένας από τους κορυφαίους οικονομολόγους του 20ου αιώνα, ονόμασε «δημιουργική καταστροφή» τη διαδικασία με την οποία η καινοτομία δημιουργεί νέες αλυσίδες προσφοράς και σαρώνει επιχειρήσεις, κεφάλαιο και επαγγέλματα που υπηρετούσαν την προηγούμενη τεχνολογία: το αυτοκίνητο εξαφάνισε την άμαξα, το ψυγείο τη βιομηχανία του πάγου κλπ.

Από την καταστροφή προέκυψε περισσότερος πλούτος από εκείνον που καταστράφηκε.

Η κοινωνική και οικονομική οδύνη ήταν όμως πραγματική.

Και απορροφήθηκε γιατί είχε ρυθμό που οι κοινωνίες άντεχαν: η νέα τεχνολογία χρειαζόταν δεκαετίες για να διαχυθεί και χτυπούσε έναν ή λίγους κλάδους τη φορά.

Αυτό που ξεκινάει τώρα είναι διαφορετικό γιατί αλλάζει ο ρυθμός και η έκταση της δημιουργικής καταστροφής.

Όταν επιταχύνεται τόσο δραστικά η ίδια η ανακάλυψη, συμπιέζεται ο χρόνος ανάμεσα στις διαδοχικές τεχνολογίες, και οι θεσμοί, τα επαγγέλματα και οι άνθρωποι δεν προλαβαίνουν να ολοκληρώσουν έναν κύκλο προσαρμογής πριν αρχίσει ο επόμενος.

Και επειδή η τεχνητή νοημοσύνη είναι γενική τεχνολογία, όχι κλαδική, δεν χτυπάει έναν κλάδο τη φορά.

Θα τους χτυπήσει, σε διαφορετικούς ρυθμούς τον καθένα, αλλά πολλούς μαζί ταυτόχρονα σε κάθε χρονική στιγμή και διαρκώς, χωρίς ανάσα, χωρίς να σταματά από την μία φάση στην επόμενη.

Εδώ είναι η παγίδα: οι ανακαλύψεις του 2026 δεν είναι είδηση για την οικονομία του 2026.

Είναι τα προϊόντα, οι αγορές, οι επενδύσεις και τα καταργημένα επαγγέλματα της δεκαετίας του 2030.

Οι σπόροι φυτεύονται τώρα και θεριεύουν αργότερα.

Όταν το φαινόμενο γίνει ορατό στην οικονομία, θα είναι πολύ αργά για να δούμε τι πρέπει να κάνουμε.

Γι' αυτό επείγει να αρχίσει η συζήτηση για την οικονομική πολιτική που απαιτείται για να διαχειριστούμε αυτή τη νέα πραγματικότητα.

Και δεν εννοώ την πολιτική του προηγούμενου αιώνα, επιδόματα ανεργίας και τα συνήθη προγράμματα επανακατάρτισης.

Η επανακατάρτιση προϋποθέτει ότι υπάρχει κάτι για το οποίο μπορείς να καταρτιστείς και που ρομπότ και ψηφιακοί εργαζόμενοι δεν θα το κάνουν φθηνότερα σε πέντε χρόνια.

Το πραγματικό ερώτημα είναι διαφορετικό και είναι ερώτημα ιδιοκτησίας: ποιος θα κατέχει το κεφάλαιο, όταν η ίδια η επιστημονική και εργασιακή γνώση μετατρέπονται σε κεφάλαιο.

Δεν το λέω μόνος μου.

Πρόσφατα οι οικονομολόγοι της DeepMind (Google) δημοσίευσαν κείμενο οικονομικής πολιτικής για την εποχή της τεχνητής γενικής νοημοσύνης (AGI), το οποίο καταλήγει, στο πιο προχωρημένο από τα σενάρια τους, στο καθολικό βασικό κεφάλαιο.

Θέση που βρίσκεται και στον πυρήνα του βιβλίου μου. Η συζήτηση αρχίζει λοιπόν και διεθνώς. Απλώς όχι ακόμα στη δική μας χώρα.

Η επιλογή των posts/links γίνεται με ένα στατιστικό μοντέλο και μπορεί να μην απεικονίζει επακριβώς τη σειρά δημοτικότητάς τους