του Léonard Brice

[Μετάφραση: ΤΠΤ – “4” από το Inprecor numéro 739 – décembre 2025]

Μπορεί η «AI» να γίνει οικοσοσιαλιστική;

Η τεχνητή νοημοσύνη (ΤΝ), όπως αναπτύσσεται σήμερα, είναι το προϊόν ενός ταξικού πολέμου καθώς και μιας διαμάχης στο εσωτερικό της αστικής τάξης. Ωστόσο, βασίζεται σε πραγματικές επιστημονικές εξελίξεις, οι οποίες θα μπορούσαν σίγουρα να χρησιμοποιηθούν με διαφορετικό τρόπο. Η σχέση μεταξύ τεχνολογίας και κεφαλαίου είναι αρκετάπολύπλοκη και μεταβαλλόμενη, και για να χαράξουμε σωστές πολιτικές προοπτικές πρέπει να την αναλύσουμε σε βάθος.

Στον χώρο εργασίας μου, την τριτοβάθμια εκπαίδευση και την έρευνα, η ιδέα ότι θα πρέπει να προσαρμοστούμε στις εξελίξεις της τεχνητής νοημοσύνης (ΤΝ)¹ έχει γίνει κοινοτοπία. Σε κάθε εξεταστική περίοδο, οι καφετέριες γεμίζουν με παράπονα για τους φοιτητές, που δίνουν τις ασκήσεις τους στο ChatGPT και αντιγράφουν τις απαντήσεις χωρίς καν να τις κατανοούν. Η ΤΝ έτσι “βραχυκυκλώνει” τη μάθηση. Όχι μόνο επειδή οι φοιτητές δεν θα μάθαιναν ποτέ να κάνουν αυτό που κάνει η μηχανή για λογαριασμό τους, αλλά κυρίως επειδή λένε οι ίδιοι -με αρκετή διαύγεια- ότι το να μάθουν να κάνουν αυτό που πλέον κάνει μόνη της (ή σχεδόν μόνη της) η μηχανή ίσως και να μην έχει και μεγάλη αξία στην αγορά εργασίας του αύριο.

Η ΤΝ θα μεταμορφώσει βαθιά την κοινωνία, ή -πιο σωστά- θα χρησιμοποιηθεί για να την μεταμορφώσει. Γιατί η τεχνική, αν και δεν είναι ποτέ ουδέτερη, δεν διαθέτει ούτε δική της βούληση. Η ΤΝ αποτελείται από ένα σύνολο από τεχνικές και, από επιστημονική άποψη, μπορούμε να θαυμάσουμε την πρόοδό τους. Ωστόσο, οι διάφορες ChatGPT, MidJourney, Sora και τα παρόμοιά τους είναι προϊόντα,που έχουν αναπτυχθεί από καπιταλιστές με μοναδικό κίνητρο το κέρδος. Είναι άραγε δυνατόν, από τις επιστημονικές γνώσεις που επέτρεψαν την ανάπτυξη αυτών των προϊόντων, να αντλήσουμε κάτι πραγματικά χρήσιμο; Το σίγουρο είναι ότι δεν είναι μόνο οι εκπαιδευτικοί που θα πρέπει να προσαρμοστούν: θα πρέπει και η αριστερά να προβλέψει τι μπορούν να κάνουν οι καπιταλιστές με αυτά τα εργαλεία και να θέσει το ερώτημα τι θα μπορούσε να κάνει και η εργατική τάξη με αυτά.

Μερικά σημεία αναφοράς

Ο όρος «τεχνητή νοημοσύνη» είναι παλιός και ασαφής. Εμφανίστηκε τη δεκαετία του 1950 και από τότε αναφέρεται σε σχεδόν κάθε υπολογιστικό σύστημα που κάνει επιλογές με σχετικά αυτόνομο τρόπο. Στην πραγματικότητα, οι πρόσφατες εξελίξεις, που έκαναν δημοσιογραφική θραύση, είναι αυτές που αφορούν ένα πολύ ειδικό σύνολο τεχνικών, τη λεγόμενη βαθιά μάθηση (ή deep learning), η οποία βασίζεται στα τεχνητά νευρωνικά δίκτυα.

Από τη δεκαετία του 1950, η έρευνα στον τομέα της ΤΝ αναπτύχθηκε ακολουθώντας δύο ανταγωνιστικές προσεγγίσεις: τη «συμβολική» και τη «συνδετική» ΤΝ.:

Η πρώτη, που κατά πολύ κυριαρχούσε ιστορικά, χειρίζεται συγκεκριμένες έννοιες, οι οποίες διέπονται από σαφείς κανόνες. Για παράδειγμα, ένας αυτόματος μεταφραστής, θα προγραμματιστεί με τη βοήθεια ενός τεράστιου λεξικού -αλλά μόλις χρειαστεί λίγη ανάλυση πλαισίου για να μεταφραστεί μια λέξη, τα αποτελέσματα είναι πολύ κακά. Και είναι με αυτή τη λογική, μέχρι πρόσφατα, που σχεδιάζονταν τα περισσότερα αντικείμενα και προγράμματα της καθημερινότητάς μας: χρησιμοποιώντας πολύ μεγάλα κομμάτια κώδικα, γεμάτα με διάφορα «αν» και «όσο» [βρόχοι με διάφορα if και while].
Η συνδετική προσέγγιση, από την άλλη πλευρά, έχει ως στόχο να μιμηθεί τη φυσική λειτουργία ενός εγκεφάλου: μια πολύ μεγάλη ποσότητα «νευρώνων», που προσπαθούμε να τα συνδέσουμε μεταξύ τους με τον σωστό τρόπο, έτσι ώστε το δίκτυο νευρώνων που κατασκευάζεται με αυτόν τον τρόπο να εκπληρώνει τις επιθυμητές λειτουργίες. Ένα δίκτυο νευρώνων κατασκευάζεται αρχικά με (περισσότερο ή λιγότερο) τυχαίο τρόπο και, στη συνέχεια, βελτιώνεται «με δοκιμές και λάθη», εκπαιδευόμενο σε ένα μεγάλο αριθμό καταστάσεων και δεδομένων που θέλουμε να επεξεργαστεί σωστά. Ένα παράδειγμα αλγορίθμου εκπαίδευσης²: παίρνουμε ένα νευρωνικό δίκτυο, δημιουργούμε τυχαία πολλές ελαφρώς τροποποιημένες εκδόσεις του, τις δοκιμάζουμε στην ίδια δουλειά, επιλέγουμε την έκδοση που έχει την καλύτερη απόδοση και ξαναρχίζουμε.

Μέχρι τη δεκαετία του 2000, η «συνδετική» προσέγγιση είχε οδηγήσει σε επανειλημμένες απογοητεύσεις. Η σημερινή της έκρηξη ξεκίνησε στις αρχές της δεκαετίας του 2010, όταν νέες τεχνικές μάθησης επέτρεψαν την αξιοποίηση των τεράστιων ποσοτήτων δεδομένων που είχαν εν τω μεταξύ καταστεί διαθέσιμες χάρη στην ανάπτυξη του διαδικτύου: ήταν η έλευση του deep learning. Αυτό επέτρεψε την ταχεία ανάπτυξη της ΤΝ για την επίλυση παλαιότερων προβλημάτων, όπως η αναγνώριση εικόνων³, αλλά και για την εκτέλεση εργασιών που μπορούν να χαρακτηριστούν δημιουργικές, όπως η δημιουργία μιας εικόνας -και μιλάμε για γενετική ή δημιουργική ΤΝ [Generative artificial intelligence] και, όταν πρόκειται για κείμενο ειδικά, για μεγάλο μοντέλο γλώσσας (large language model ή LLM).

Η GPT είναι ο πιο διάσημος εκπρόσωπος αυτών των LLM, και γενικότερα των “δημιουργικών ΤΝ”. Βασικά, λειτουργεί όπως η αυτόματη διόρθωση στο τηλέφωνό σας: με βάση μια σειρά από λέξεις, επιλέγει τη λέξη που είναι πιο πιθανό να ακολουθήσει, χρησιμοποιώντας την εκπαίδευση που έχει πάρει. Και κάθε φορά ξανα-αρχίζει, μέχρι να δημιουργήσει ένα ολόκληρο κείμενο. Εξ ου και η αναπόφευκτη τάση της να επινοεί (αυτό ονομάζεται «παραίσθηση») ορισμένες πληροφορίες: αυτό που η ΤΝ θεωρεί αληθινό είναι ουσιαστικά αυτό που κρίνει, με βάση τα δεδομένα της εκπαίδευσής της, ως «εύλογο»⁴).

Το deep learning βασίζεται λοιπόν σε τρία πράγματα:

Πρώτον, σε μια εκπαίδευση, που είναι αναγκαστικά μακρόχρονη και εντατική (και ενεργοβόρα).
Έπειτα, σε ένα τεράστιο σύστημα: η GPT-5 είναι χτισμένη πάνω σε ένα δίκτυο εκατοντάδων χιλιάδων τεχνητών νευρώνων, το οποίο απαιτεί 1.000 έως 2.000 GB (έναν καλό σκληρό δίσκο) απλώς για να αποθηκευτεί. Στον δικό σας υπολογιστή, για να απαντηθεί ένα αίτημα, θα χρειάζονταν αρκετές ώρες… και κυρίως μια μνήμη RAM εκατό φορές μεγαλύτερη. Αυτός είναι ο λόγος για τον οποίο όλες αυτές οι ΤΝ λειτουργούν σε μεγάλους διακομιστές στους οποίους απευθύνονται τα αιτήματά μας μέσω του διαδικτύου. Οι ΤΝ που είναι ενσωματωμένες σε συγκεκριμένα αντικείμενα, χωρίς μεταξύ τους σύνδεση, είναι πολύ πιο στοιχειώδεις και αυτό πιθανότατα θα εξακολουθήσει να είναι έτσι για πολύ καιρό.
Τέλος, σε δεδομένα που πρέπει να είναι διαθέσιμα (και ιδιοποιημένα) σε τεράστιες ποσότητες. Αυτό εξηγεί γιατί η σημερινή έκρηξη που βλέπουμε αφορά συστήματα που επεξεργάζονται και παράγουν τύπους δεδομένων διαθέσιμους σε μεγάλες ποσότητες χάρη στο διαδικτύου: κείμενα, εικόνες, βίντεο.

Οι διαστάσεις αυτές συνεπάγονται δύο τεχνικούς περιορισμούς: πρώτον, το deep learning αναπτύσσει μόνο πολύ συγκεντροποιημένα συστήματα ΤΝ, τα οποία βασίζονται σε τεράστιες υποδομές που μόνο πολύ μεγάλες οντότητες μπορούν να τις κατασκευάσουν και να τις λειτουργήσουν. Δεύτερον, δίνει πολύ κακά αποτελέσματα όταν τα δεδομένα είναι ελλιπή, κάτι που ισχύει ιδιαίτερα για όλες τις μορφές χειρωνακτικής εργασίας. Μια ενέργεια τόσο απλή όσο το να πιάσει κανείς ένα ποτήρι, με πίεση που να είναι ταυτόχρονα αρκετά ισχυρή ώστε να μην γλιστρήσει, αλλά και αρκετά ασθενής ώστε να μην σπάσει, δεν μπορεί να μαθευτεί με τα δεδομένα που είναι διαθέσιμα στο διαδίκτυο: τα ρομπότ πρέπει να εκπαιδευτούν κάνοντας τα ίδια επαναλαμβανόμενες προσπάθειες (όπως ένας άνθρωπος κατά τη διάρκεια της ζωής του), κάτι που είναι πολύ πιο χρονοβόρο και δαπανηρό.

Μπορούν άραγε να ξεπεραστούν αυτοί οι δύο περιορισμοί; Όσον αφορά τον πρώτο, όπως είναι αναμενόμενο, το κεφάλαιο αδιαφορεί -και μάλιστα του είναι ιδιαίτερα ικανοποιητικός. Όσον αφορά τον δεύτερο, πρόκειται στην πραγματικότητα για ένα κρίσιμο ερώτημα, τόσο για τους καπιταλιστές όσο και για εμάς: θα παραμείνουν άραγε οι εξελίξεις στην ΤΝ περιορισμένες στις γνωστικές λειτουργίες ή θα πέσει και αυτό το εμπόδιο, επιτρέποντας μια νέα έκρηξη στο χώρο της ρομποτικής; Τα στοιχήματα είναι ανοιχτά και τα πονταρίσματα υψηλά.

Η αγορά της ΤΝ: οι βαρόνοι της Silicon Valley και ο κινεζικός Λεβιάθαν

Ο πρώτος περιορισμός έχει ως άμεσο αποτέλεσμα ότι η “δημιουργική ΤΝ”, ως οικονομικός τομέας, είναι εξαιρετικά συγκεντροποιημένος: το 63% των εσόδων του συγκεντρώνεται σε 8 εταιρείες, και το ποσοστό αυτό αυξάνεται με ταχείς ρυθμούς, καθώς ο ανταγωνισμός συνθλίβει τους μικρούς παίκτες⁵.

Δεν αποτελεί έκπληξη το γεγονός ότι η αγορά αποτελεί πεδίο σύγκρουσης μεταξύ των Ηνωμένων Πολιτειών και της Κίνας. Α priori, οι πρώτες κυριαρχούν: το 63% είναι επίσης το ποσοστό των εσόδων που μαζεύουν οι αμερικανικές εταιρείες. Ωστόσο, τα στοιχεία αυτά είναι κάπως παραπλανητικά, γιατί η Κίνα ακολουθεί μια διαφορετική στρατηγική, με μακροπρόθεσμο ορίζοντα: οι κινεζικές εταιρείες δημοσιεύουν γενικά τα μοντέλα τους και τα σύνολα δεδομένων τους σε ελεύθερη πρόσβαση, πράγμα που επιβραδύνει τα άμεσα έσοδά τους, αλλά δημιουργεί ένα πιο οικοσύστημα πιο ευνοϊκό για να συνεχίσουν την ανάπτυξη νέων τεχνολογιών.

Εξάλλου, οι Ηνωμένες Πολιτείες έχουν επικεντρωθεί στις μορφές ΤΝ που είναι πιο κερδοφόρες εδώ και τώρα (ιδίως στην αυτόματη δημιουργία κώδικα), ενώ η Κίνα στοιχηματίζει στις μορφές ΤΝ που βρίσκονται σε πιο εμβρυακό στάδιο, κυρίως στη ρομποτική. Ήδη κατέχει ηγετική θέση στην κατασκευή υλικών εξαρτημάτων που είναι κρίσιμα για τα ρομπότ, για έναν απλό λόγο: τα περισσότερα από αυτά έχουν αναπτυχθεί για τη βιομηχανία ηλεκτρικών οχημάτων⁶. Η έκβαση αυτής της αντιπαράθεσης θα εξαρτηθεί, έτσι, σε μεγάλο βαθμό από το εξής ερώτημα που παραμένει ανοιχτό: θα μπορέσουν να γίνουν άραγε κερδοφόρες οι εφαρμογές της ΤΝ στη ρομποτική ή πρόκειται απλώς για μια χρηματοοικονομική φούσκα;

Το ερώτημα αυτό, σε μικρότερο βαθμό, τίθεται και για το σύνολο της αγοράς της ΤΝ, το οποίο επίσης αποτελεί ένα στοίχημα⁷. Προς το παρόν, η προτεραιότητα των επιχειρήσεων του κλάδου δεν είναι να δημιουργήσουν μερίσματα, αλλά να πείσουν τους επενδυτές ότι θα τα δημιουργήσουν στο μέλλον, προκειμένου να διατηρήσουν ή να αυξήσουν την χρηματιστηριακή τους αξία. Και αυτό ταυτόχρονα διαφωτίζει και τον τύπο των προϊόντων που αναπτύσσονται σήμερα.

Ποιος ονειρεύεται έναν τεχνητό άνθρωπο;

Οι επενδύσεις στην ΤΝ κινούνται επομένως με κριτήρια που μεγαλύτερη σχέση έχουν με διάφορα “πιστεύω”: οι καπιταλιστές ευνοούν τις μορφές ΤΝ που παρουσιάζουν χαρακτηριστικά που τους κάνουν να πιστέψουν, σωστά ή λαθεμένα, ότι θα μπορέσουν να γίνουν κερδοφόρες. Και αυτά τα χαρακτηριστικά έχουν ελάχιστη σχέση με τις πραγματικές μας ανάγκες. Εγώ εντοπίζω κυρίως δύο.

Το πρώτο είναι σχετικά ορθολογικό, από την άποψη του κεφαλαίου: είναι η ικανότητα του προϊόντος να δημιουργήσει μια ανάγκη και να την ωθήσει έως ότου αυτή καταστεί απαραίτητη. Σε αυτό το παιχνιδάκι, τα LLM εξέχουν: τον Δεκέμβριο του 2024, μόλις δύο χρόνια μετά την κυκλοφορία της, 300 εκατομμύρια άνθρωποι χρησιμοποιούσαν ήδη την ChatGPT τουλάχιστον μία φορά την εβδομάδα. Αυτός είναι ένας αριθμός που το Facebook χρειάστηκε οκτώ χρόνια για να τον πετύχει⁸.

Το άλλο χαρακτηριστικό ανάγεται περισσότερο στον φετιχισμό: πρόκειται για την ικανότητα ενός προϊόντος να αγγίξει αυτή την ανθρώπινη περιέργεια, την τόσο διαδεδομένη σε όλες τις χώρες και τις εποχές, για διάφορα δημιουργήματα που μιμούνται τις συμπεριφορές και τις ικανότητες του είδους μας. Και να γοητέψει με αυτήν πλατιά τους καταναλωτές αλλά και τους ίδιους τους επενδυτές.

Από τα “αυτόματα” του θεού Ήφαιστου μέχρι τη μαριονέτα Πινόκιο, οι αρχαίες μυθολογίες και τα λαϊκά παραμύθια είναι γεμάτα με ιστορίες όπου κάποιος ευφυής εφευρέτης κατασκευάζει ένα πλάσμα που κινείται και σκέφτεται σαν άνθρωπος. Από τα πρώτα βήματα της πληροφορικής, ο τελικός ορίζοντας της ανάπτυξης των μηχανών ορίζεται από την ικανότητά τους να μιμούνται τον άνθρωπο -περισσότερο από τη χρησιμότητά τους. Το 1950, ο Άλαν Τούρινγκ προέβλεπε ότι οι μηχανές θα είναι κάποτε ικανές να περάσουν αυτό που σήμερα ονομάζουμε «δοκιμασία Τούρινγκ», δηλαδή να μιμούνται (μέσω γραπτών μηνυμάτων) έναν ανθρώπινο συνομιλητή τόσο πιστά, ώστε ο παρατηρητής να μην μπορεί να διακρίνει αν πρόκειται για μηχανή ή άνθρωπο⁹. Σήμερα, η ίδια η έκφραση «τεχνητή νοημοσύνη», αντί για άλλους πιο ακριβείς όρους, και οι έντονες συζητήσεις σχετικά με τη φύση αυτής της «νοημοσύνης»¹⁰, δείχνουν ότι ακριβώς αυτή η γοητεία εντείνεται ακόμα περισσότερο.

Δεν είναι λοιπόν περίεργο ότι είναι ακριβώς τα LLM, με την εντελώς άχρηστη αλλά απολύτως αποπροσανατολιστική ικανότητά τους να μας μιμούνται, που είναι το κορυφαίο προϊόν της κούρσας ανταγωνισμού για την ΤΝ. Με τον ίδιο ακριβώς τρόπο, και στη ρομποτική, ιδιαίτερα στην κινεζική στρατηγική, είναι τα ανθρωποειδή που μονοπωλούν πλέον την προσοχή… παρόλο που η δίποδη κίνηση παρουσιάζει τεράστιες τεχνικές δυσκολίες και δεν υπάρχει κανένας λόγος να πιστέψουμε ότι αποτελεί τη βέλτιστη λύση για τις εργασίες που θέλουμε να αναθέσουμε σε αυτές τις μηχανές. Σε σύγκριση, οι πρόοδοι που έχουν επιτευχθεί, κατά την ίδια περίοδο, από τις ΤΝ στην αναγνώριση ιατρικών απεικονίσεων ή στην πρόβλεψη της δομής των πρωτεϊνών, που είναι πολύ πιο χρήσιμες, έχουν περάσει σχεδόν απαρατήρητες.

Φυσικά, αυτά είναι τα κριτήρια που καθοδηγούν τις επενδύσεις βραχυπρόθεσμα και εξηγούν και γιατί, μεταξύ των πολλαπλών δυνατοτήτων που υπάρχουν, ορισμένες εξερευνώνται πριν από άλλες. Αλλά οι καπιταλιστές δεν θα αρκούνται για πάντα σε υποσχέσεις και όνειρα. Εάν ένα συνεχώς αυξανόμενο τμήμα του κεφαλαίου επενδύεται στην κατασκευή κέντρων δεδομένων και διακομιστών, αργά ή γρήγορα αυτό θα πρέπει να οδηγήσει σε μείωση των δαπανών για μισθούς. Και αυτός είναι ακριβώς ο στόχος που έχουν στο μυαλό τους.

Τι σημαίνει η ΤΝ για την εργασία

Δεν έχουμε την παράδοση να απορρίπτουμε συνολικά την αυτοματοποίηση. Αυτή μπορεί να είναι ένα εργαλείο χειραφέτησης, αν επιτρέπει στην ανθρωπότητα να εργάζεται λιγότερο. Αλλά οι καπιταλιστές έχουν την δυσάρεστη τάση να τη χρησιμοποιούν όχι για να ανακουφίσουν τους εργαζόμενους, αλλά για να πετάξουν ένα μέρος τους στο δρόμο -ή για να αυξήσουν την παραγωγή. Η απάντηση στην αυτοματοποίηση είναι, επομένως, παραδοσιακά, η συλλογική μείωση του χρόνου εργασίας.

Στην περίπτωση της ΤΝ, η άποψή μου είναι ότι η απάντηση αυτή εξακολουθεί να είναι πάντα σωστή, ωστόσο ανεπαρκής. Ως κύμα αυτοματοποίησης, έχει μια μοναδική ιδιαιτερότητα: αφορά κυρίως τα διανοητικά επαγγέλματα. Τον Ιούλιο, μια μελέτη της Microsoft¹¹ πρότεινε μια λίστα με τα επαγγέλματα που είναι πιο εκτεθειμένα. Στην πρώτη δεκάδα βρίσκονται θέσεις εργασίας για τις οποίες η μείωση του χρόνου εργασίας αποτελεί πράγματι διακύβευμα: διερμηνείς και μεταφραστές, συνοδοί ταξιδιωτών, αρμόδιοι για την εξυπηρέτηση πελατών, τηλεφωνητές, υπάλληλοι εκδοτηρίων εισιτηρίων και ταξιδιωτικών γραφείων…, αλλά και ραδιοφωνικοί και τηλεοπτικοί παρουσιαστές (στη δέκατη θέση), συγγραφείς (στην πέμπτη) και ιστορικοί (στη δεύτερη!).

«Πάμε προς τη λάθος κατεύθυνση. Εγώ θέλω η ΤΝ να πλένει ταρούχα και ταπιάτα μου, ώστε να μπορώ εγώ να δημιουργώ τέχνη και να γράφω. Όχι η τεχνητή νοημοσύνη να δημιουργεί τέχνη, για να μπορώ εγώ να πλένω τα ρούχα και τα πιάτα μου», γράφει η συγγραφέας επιστημονικής φαντασίας Joanna Maciejewska. Η αγωνία αυτή είναι σήμερα ευρέως διαδεδομένη στους καλλιτεχνικούς κύκλους. Και δικαίως, διότι αν σήμερα η ΤΝ μπορεί να παράγει εικόνες, μουσική, βίντεο και αύριο ίσως και μυθιστορήματα, αυτό οφείλεται στο γεγονός ότι έχει εκπαιδευτεί με έργα που έχουν δημιουργηθεί από καλλιτέχνες από σάρκα και οστά -μια εργασία που την έχει οικειοποιηθεί δωρεάν, στα όρια της λογοκλοπής. Στους καλλιτεχνικούς κύκλους, όπως είναι αναμενόμενο, η προοπτική μείωσης του χρόνου εργασίας που επιτρέπει αυτή η αυτοματοποίηση δεν είναι και πολύ καθησυχαστική, και δικαίως: η ΤΝ κάνει πολύ περισσότερα από το να αυξάνει την παραγωγικότητα. Χρησιμοποιείται για να στερεί τους καλλιτέχνες από τον καρπό της εργασίας τους, εμποδίζοντάς τους να ζήσουν από αυτήν και οδηγώντας κατευθείαν σε μια κοινωνία όπου μόνο οι πλούσιοι θα μπορούν να αφιερώσουν χρόνο στην τέχνη. Είναι μια δυναμική που μπορεί να επεκταθεί σε κάθε πνευματική δραστηριότητα που θα ήθελε κανείς να κάνει.

Στη δεκαετία του 1970, ο οικονομολόγος και ακτιβιστής Ernest Mandel ανέδειξε ένα χαρακτηριστικό του «ύστερου καπιταλισμού»: την προλεταριοποίηση των διανοητικών επαγγελμάτων. Τα τελευταία παραδοσιακά ήταν προνόμιο μιας κοινωνικής ελίτ, μικροαστικής ή αστικής, η οποία ιδιοποιείτο, χάρη στα κοινωνικά φίλτρα της τριτοβάθμιας εκπαίδευσης, μια γνώση μετατρέποντάς την σε προνόμιο. Αλλά, η εξέλιξη του καπιταλισμού μετά το 1945 δημιούργησε δύο αντιτιθέμενες τάσεις: τη συγκέντρωση του κεφαλαίου, η οποία μείωνε αυτή την κοινωνική ελίτ και διεύρυνε το προλεταριάτο, και την αυτοματοποίηση, η οποία μείωνε τις ανάγκες σε χειρωνακτικό εργατικό δυναμικό και αύξαινε τις ανάγκες σε διανοητικό εργατικό δυναμικό. Αποτέλεσμα: πολλά διανοητικά επαγγέλματα εντάχθηκαν στο προλεταριάτο. Ο Μάντελ χρησιμοποιεί αυτή τη δυναμική για να εξηγήσει την αυξανόμενη αλλοτρίωση αυτών των επαγγελμάτων (πιο ελεγχόμενα, πιο τυποποιημένα και πιο υποταγμένα στις επιταγές του κέρδους), αλλά καταλήγει επίσης στο συμπέρασμα ότι η εργατική τάξη κερδίζει, με αυτό το νέο στρώμα, ένα πιθανό πλεονέκτημα.

Η έλευση της ΤΝ θα μπορούσε να αποτελέσει μια απότομη στροφή. Αν η συγκέντρωση του κεφαλαίου δεν πρόκειται να σταματήσει σύντομα, η αυτοματοποίηση, από την άλλη πλευρά, επιτίθεται πλέον στη διανοητική εργασία. Ορισμένοι εργαζόμενοι θα βγουν κερδισμένοι: εκείνοι που θα καταφέρουν να γίνουν «διαχειριστές της ΤΝ» και, ως εκ τούτου, να απο-προλεταριοποιηθούν. Και μετά θα υπάρχουν όλοι οι άλλοι: εκείνοι που θα κάνουν τις επίπονες εργασίες που η ΤΝ δεν μπορεί να κάνει, όπως το να διαβάζουν και να ελέγχουν τα αποτελέσματα της ΤΝ, και που θα εργάζονται σε ένα ακόμη πιο αλλοτριωμένο περιβάλλον. Και κυρίως, εκείνοι που θα χάσουν τη δουλειά τους και θα πρέπει να καταφύγουν σε θέσεις εργασίας χαμηλότερης εκπαίδευσης από τη δική τους. Η άσκηση ενός διανοητικού επαγγέλματος θα μπορούσε τότε να ξαναγίνει προνόμιο, περιορισμένο σε μια στενότερη κοινωνική ελίτ. Και, κατά συνέπεια, το ίδιο θα ίσχυε και για τις σπουδές.

Επιστροφή στην εκπαίδευση

Εδώ είναι που το ζήτημα της εκπαίδευσης γίνεται κεντρικό. Αυτή θα πρέπει να προσαρμοστεί, αλλά όχι μόνο στις μεθόδους -με ή χωρίς ΤΝ, μια αποτελεσματική εκπαίδευση είναι πάνω απ’ όλα μια εκπαίδευση που δεν στοιβάζει τους φοιτητές σε γεμάτα αμφιθέατρα, ανάμεσα σε δύο κακοπληρωμένες δουλειές. Το πραγματικό ζήτημα είναι τι μαθαίνει κανείς εκεί και ποιος έχει δικαίωμα να το κάνει.

Η άρχουσα τάξη συμφώνησε στον εκδημοκρατισμό της εκπαίδευσης, ο οποίος της κοστίζει ένα σημαντικό μέρος των κερδών της, μόνο και μόνο επειδή χρειαζόταν εξειδικευμένους εργαζόμενους -και αυτός ο εκδημοκρατισμός συνοδεύτηκε και από επιθέσεις για να περιοριστεί η εκπαίδευση στην απόκτηση των δεξιοτήτων που είναι απαραίτητες για την παραγωγή, συμπιέζοντας ό,τι θα μπορούσε να χρησιμεύσει στην χειραφέτηση. Εάν μειωθεί η ανάγκη για εξειδικευμένους εργαζόμενους, μπορούμε να περιμένουμε τα ιδρύματα της τριτοβάθμιας εκπαίδευσης, και πιθανώς μέρος της δευτεροβάθμιας εκπαίδευσης, να πιεστούν να κλείσουν τις πόρτες τους στους νέους των λαϊκών τάξεων και τη μείωση της χρηματοδότησής τους να επιταχυνθεί. Όποιος στήνει το αυτί του μπορεί ήδη να ακούσει μια μικρή μελωδία να λέει πως ορισμένα περιεχόμενα δεν έχει πλέον νόημα να διδάσκονται, τώρα που η ΤΝ τα κατέχει καλύτερα από τους φοιτητές¹²…

Οι αγώνες για την εκπαίδευση θα μπορούσαν λοιπόν να αποκτήσουν μια νέα διάσταση. Εάν η αστική τάξη επιβάλει μια ισορροπία δυνάμεων που θα της επέτρεπε να προσαρμόσει την εκπαίδευση στις ανάγκες της, τότε μπορεί να χρησιμοποιήσει την ΤΝ ως ένα νέο εργαλείο αλλοτρίωσης του προλεταριάτου στον χώρο εργασίας. Αλλά εάν προσκρούσει σε μια αντίσταση που καταφέρει να υπερασπιστεί το δικαίωμα σε μια ανοιχτή, δωρεάν και χειραφετητική εκπαίδευση, που προάγει τη γνώση ως καθολικό δικαίωμα και που καταπολεμά τον ίδιο τον διαχωρισμό μεταξύ διανοητικής και χειρωνακτικής εργασίας, τότε αυτό θα θέσει την κοινωνική μας τάξη σε πολύ καλύτερη θέση για να έχει λόγο σε ό,τι θα γίνει με αυτές τις τεχνολογίες.

Είναι δυνατή μια οικοσοσιαλιστική ΤΝ;

Η προοπτική της μείωσης του χρόνου εργασίας που καθίσταται δυνατή χάρη στην αυτοματοποίηση εξακολουθεί να είναι επίκαιρη. Σε πολλούς τομείς, μορφές ΤΝ μπορούν πραγματικά να χρησιμοποιηθούν για αυτόν τον σκοπό. Αλλά αυτό προϋποθέτει να επιβληθεί ένας συσχετισμός δυνάμεων τέτοιος ώστε οι χρήσεις της ΤΝ να μην υπαγορεύονται αποκλειστικά από το κέρδος.

Το ίδιο ισχύει και για την οικολογική πλευρά, που θα απαιτούσε ένα ξεχωριστό άρθρο. Η ΤΝ, έτσι όπως αναπτύσσεται σήμερα, είναι εξαιρετικά δαπανηρή σε ενέργεια, σε νερό και σε ορυκτά. Ωστόσο, από την πλευρά της έρευνας, εξετάζονται πολλές οικολογικές εφαρμογές που δεν είναι καθόλου γελοίες. Μεταξύ άλλων, νέες μέθοδοι συμπίεσης δεδομένων (για παράδειγμα, την αποθήκευση εικόνων με μικρά νευρωνικά δίκτυα που να μπορούν να ανακατασκευάσουν τις εικόνες εκ των υστέρων), κάτι που θεωρητικά θα επέτρεπε μια σημαντική μείωση των ροών που ανταλλάσσονται μέσω του διαδικτύου (και επομένως και της ενέργειας που καταβροχθίζουν οι διακομιστές). Ή, για να πάρουμε ένα άλλο παράδειγμα πιο γνωστό στο ευρύ κοινό, τα αυτόνομα οχήματα μπορούν επίσης να έχουν οικολογικό ενδιαφέρον, εάν χρησιμοποιούνται συμπληρωματικά με τα μέσα μαζικής μεταφοράς, για “υπολειπόμενες” λειτουργίες που τα τελευταία αδυνατούν να εκπληρώσουν -όπως τελευταία χιλιόμετρα σε αγροτικές περιοχές, η μεταφορά βαρέων φορτίων, χρήστες με αναπηρία… Είναι σαφές ότι το πρόβλημα δεν είναι τόσο η τεχνολογία, όσο το προϊόν που αποκομίζουν οι καπιταλιστές: κανένας κατασκευαστής αυτοκινήτων δεν θα επιλέξει από μόνος του να κατασκευάσει αυτόνομα οχήματα με σκοπό να τελειώσουμε με τα ιδιωτικά αυτοκίνητα. Και, αν υπάρξουν νέες τεχνικές που να επιτρέπουν ροές δεδομένων με λιγότερη ενέργεια, τότε αυτές θα χρησιμοποιηθούν για την ανταλλαγή περισσότερων δεδομένων.

Απέναντι στην έκρηξη της ΤΝ, ποιες είναι άραγε οι στρατηγικές προοπτικές για τις επαναστατικές οργανώσεις; Μια προφανής προτεραιότητα είναι να καταγγείλουμε, εδώ και τώρα, τη φύση των προϊόντων που πουλούν οι άρχοντες της τεχνολογίας: Η ChatGPT, για παράδειγμα, έχει σχεδιαστεί σαν δόλωμα για να καταστήσει τους καταναλωτές εξαρτημένους από αυτήν και προορίζεται να μετατραπεί σε κάτι πολύ πιο κερδοφόρο μόλις επιτευχθεί αυτός ο στόχος -είτε με την εισαγωγή χρεώσεων, είτε με την απορρόφηση των δεδομένων μας, είτε διοχετεύοντας τις καταναλωτικές μας συνήθειες προς όφελος του κάθε πλειοδότη. Και υπάρχουν, μάλιστα, ακόμη πιο εφιαλτικές μορφές ΤΝ, τις οποίες πρέπει να καταπολεμήσουμε επειγόντως. Βλέπω τρεις, που μου φαίνονται απολύτως κρίσιμες: είναι η οικειοποίηση της τέχνης, για την οποία έχω ήδη μιλήσει, είναι η αντικατάσταση πραγματικών ανθρώπων από μορφές ΤΝ σε χώρους που αφορούν φροντίδα και συνοδεία ανθρώπων και είναι, προφανώς, και οι αστυνομικές και στρατιωτικές εφαρμογές. Πρέπει να απαιτήσουμε την απαγόρευση της ΤΝ σε αυτούς τους τρεις τομείς.

Ωστόσο, η απόρριψη κάθε μορφής ΤΝ θα ήταν απλώς ένας τρόπος να κρατήσουμε τα χέρια μας καθαρά και να αποφύγουμε τα περίπλοκα ζητήματα. Το κοινωνικό μας στρατόπεδο πρέπει να επιβάλει και αυτό τη δική του οπτική για τις πραγματικές κοινωνικές ανάγκες στις οποίες θα μπορούσαν να ανταποκριθούν ορισμένες μορφές ΤΝ. Έχω ήδη αναφερθεί στην αυτοματοποίηση επίπονων εργασιών, καθώς και σε ενδεχόμενες οικολογικές χρήσεις. Υπάρχουν όμως επίσης και διάφορες εφαρμογές στο χώρο της ιατρικής και της βοήθειας σε άτομα με αναπηρία (π.χ. η αναγνώριση εικόνων για άτομα με προβλήματα όρασης), που είναι αναμφίβολα οι πιο ελπιδοφόρες σήμερα.

Η διατύπωση τέτοιων προοπτικών απαιτεί να ξεπεραστεί ο μυστικισμός των γκουρού της Silicon Valley που ονειρεύονται τεχνητούς ανθρώπους και ανθρωποειδή. Τα διάφορα LLM και άλλες “δημιουργικές ΤΝ”, παρόλο που σήμερα είναι οι αστέρες της επικαιρότητας, δεν είναι απαραίτητα τα πιο χρήσιμα προϊόντα που μπορεί να σχεδιάσει το νέο αυτό τεχνολογικό κύμα και, μάλιστα, τέτοια πρέπει αναμφίβολα να αναζητηθούν σε πολύ πιο εξειδικευμένες και διακριτικές εφαρμογές.

Κατά τάλλα ασφαλώς και θα πρέπει να επικεντρωθούμε στην ενίσχυση των αγώνων για τη μείωση του χρόνου εργασίας, για τον έλεγχο των εργαλείων της εργασίας από τους ίδιους τους εργαζόμενους, για την υπεράσπιση των δημόσιων υπηρεσιών (ιδιαίτερα της εκπαίδευσης) και για μια οικονομία όπου να είναι οι πραγματικές ανάγκες, δημοκρατικά καθορισμένες, που να υπαγορεύουν τι να παράγεται και πώς.

Léonard Brice

19 Νοεμβρίου 2025

Inprecor numéro 739 – décembre 2025

Μετάφραση: ΤΠΤ – “4” από το πρωτότυπο γαλλικό: Léonard Brice “Une IA écosocialiste est-elle possible ?”, 18/12/2025, Inprecor numéro 739 – décembre 2025

[Ο Léonard Brice είναι μέλος της Gauche anticapitaliste / SAP – Antikapitalisten, βελγικού τμήματος της 4ης Διεθνούς. Εργάζεται ως ερευνητής θεωρητικής πληροφορικής στο αυστριακό Ινστιτούτο Ερευνών και ειδικεύεται στις τυπικές μεθόδους ελέγχου προγραμμάτων.]

Σημειώσεις

1Στην ελληνική χρήση, συχνά χρησιμοποιείται και το αρκτικόλεκτο στα αγγλικά, δηλαδή “AI”. Εμείς εδώ κρατήσαμε το ελληνικό, δηλαδή “ΤΝ” [Σημ. του μεταφραστή].

2Ασφαλώς, στην πραγματικότητα, οι αλγόριθμοι εκπαίδευσης που χρησιμοποιούνται στην πράξη είναι πολύ πιο τεχνικοί απ’ό,τι λέει η απεικόνισή μας.

3Αν θέλαμε να αναφέρουμε μια «καμπή», αυτή θα ήταν η εμφάνιση του μοντέλου AlexNet το 2012, το οποίο αντιπροσωπεύει ένα σημαντικό άλμα προς τα εμπρός στην αναγνώριση εικόνων από υπολογιστή. Τα πρώτα μεγάλα μοντέλα γλώσσας, μεταξύ των οποίων και η GPT, εμφανίστηκαν το 2017-2018.

4 Ένα πρόσφατο άρθρο, γραμμένο από ερευνητές της OpenAI (της εταιρείας που κατέχει την ChatGPT), αποδεικνύει ότι το φαινόμενο της ψευδαίσθησης είναι αναπόφευκτο: Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, «Why Language Models Hallucinate».

5 « The Big Picture 2025: Generative AI », S&P Global Market Intelligence, 7 Φεβρουαρίου 2025.

6 « China gains dexterous upper hand in humanoid robot tussle with US », Gloria Li, Nian Liu και Wenjie Ding, 9 Απριλίου 2025, Financial Times.

7Βλ. σχετικά και Michael Roberts « The AI Bubble and the US economy », 14 Οκτωβρίου 2025, The Next Recession, [“Η φούσκα της ΤΝ και η οικονομία των ΗΠΑ”] που δημοσιεύεται και στα γαλλικά “La bulle de l’IA et l’économie étatsunienne” στο ίδιο τεύχος, 739, του Inprecor.

8Nicolas Lellouche, « ChatGPT : combien de personnes l’utilisent vraiment ? », 5 Δεκεμβρίου 2024, numerama.

9Το τεστ που πρότεινε αρχικά ο Turing διαφέρει ελαφρώς από αυτή την εκδοχή, η οποία πάντως αποτελεί σήμερα το σημείο αναφοράς. Αξίζει να σημειωθεί ότι μέχρι σήμερα καμία τεχνητή νοημοσύνη δεν έχει περάσει αυτή τη δοκιμασία.

10Στον γαλλόφωνο κόσμο, η συζήτηση αυτή κυριαρχήθηκε από τον πολύ δυσάρεστο φιλόσοφο Raphaël Enthoven, ο οποίος ισχυρίζεται σε όσους ακόμα τον ακούνε ότι «η μηχανή δεν θα μπορέσει ποτέ να σκεφτεί». Για αυτό, βασίζεται κυρίως σε μια εμπειρία του με την οποία πήρε μεγαλύτερο βαθμό από την ChatGPT σε ένα διαγώνισμα φιλοσοφίας στο απολυτήριο του λυκείου. Θα μπορέσει άραγε ποτέ η μηχανή να φιλοσοφήσει, να προτείνει καινοτόμες έννοιες και να εμβαθύνει στα μεγάλα ερωτήματα της ανθρωπότητας; Το ερώτημα παραμένει ανοιχτό. Αλλά παραμένει εξίσου ανοιχτό και για τον Raphaël Enthoven.

11 « Working with AI: Measuring the Applicability of Generative AI to Occupations », Kiran Tomlinson, Sonia Jaffe, Will Wang, Scott Counts και Siddharth Suri, 17 Οκτωβρίου 2025.

12 Βλέπε για παράδειγμα «Eliminate the Required First-Year Writing Course», Melissa Nicolas, 14 Νοεμβρίου 2023, Inside Higher Ed.

https://tpt4.org/?p=10754