Ο Δημήτρης Τσώλης γράφει για τη διαδρομή και τις προκλήσεις της Τεχνητής Νοημοσύνης.
Τα τελευταία χρόνια οι εφαρμογές της Τεχνητής Νοημοσύνης έχουν μπεί για τα καλά στην καθημερινή ζωή των ανθρώπων. Εφαρμογές όπως το ChatGPT πλέον χρησιμοποιούνται από εκατομμύρια ανθρώπους καθημερινά για διαφορετικούς σκοπούς. Είτε κάποιος χρησιμοποιεί αυτά τα εργαλεία για την δουλειά του, είτε για διασκέδαση έχει την αίσθηση ότι “συνομιλεί” με έξυπνη τεχνητή οντότητα. Παράλληλα, μια ολοκληρη οικονομία με κέντρο την Τ.Ν. φιλοδοξεί να δώσει νέα πνοή στην αναιμική οικονομική ανάπτυξη του συστήματος των τελευταιων δεκαετιών. Παλιές και νέες εταιρείες στρέφονται σε ένα μοντέλο επενδύσεων στην ΤΝ, που απλώνεται σε πολλούς κλάδους: από την Υγεία και την Παιδεία μέχρι την ανάπτυξη λογισμικού και, βέβαια, την πολεμική βιομηχανία.
Το πολιτικό ερώτημα που προκύπτει όμως, δεν ειναι αν “σκέφτεται” η μηχανή όπως ο άνθρωπος, αλλα ποιος κατέχει τη μηχανή, τα δεδομένα, την ενέργεια, τα δίκτυα, τους επεξεργαστές και το δικαίωμα να αποφασίζει για ποιο σκοπό θα χρησιμοποιηθεί.
Απο τον αρχαία φαντασία στη σύγχρονη προσέγγιση
Για να απαντήσουμε πολιτικά στο τι είναι η ΤΝ σήμερα, χρειάζεται πρώτα να δούμε από πού έρχεται αυτή η ιδέα. Η φαντασία μιας μηχανής που μιμείται τον άνθρωπο δεν γεννήθηκε με το ChatGPT. Έχει βαθιές ιστορικές, μυθολογικές και φιλοσοφικές ρίζες. Από τους αρχαίους μύθους για αυτόματα όντα μέχρι τον μηχανιστικό ορθολογισμό του Ντεκάρτ, από το όνειρο του Λάιμπνιτς για μια καθολική γλώσσα της λογικής μέχρι τον Τούρινγκ και το ερώτημα αν μια μηχανή μπορεί να μιμηθεί την ανθρώπινη συνομιλία, υπάρχει μια μακρά ιστορία: η προσπάθεια του ανθρώπου να καταλάβει τη σκέψη, να την αναλύσει, να την τυποποιήσει και τελικά να την υπολογίσει.
Σε πολλούς πολιτισμούς υπάρχει η φαντασία μια τεχνητής νοημοσύνης από την αρχαιότητα. Στην Ελληνική μυθολογία,1 ο Τάλως κατασκευασμένος απο τον Ηφαιστο, είναι ένας τεράστιος χάλκινος τεχνητός άνδρας στον οποίο έχουν αναθέσει τη προστασία της Κρήτης από εισβολείς. Στην Κίνα,2 υπάρχει η ιστορία του τεχνίτη Yan Shi στο Liezi: παρουσιάζει στον βασιλιά Mu των Zhou ένα ανθρωπόμορφο κατασκεύασμα που περπατά, τραγουδά, χορεύει και όταν αποσυναρμολογείται αποκαλύπτει τεχνητά εσωτερικά όργανα από ξύλο, δέρμα και άλλα υλικά. Στην ινδική/βουδιστική παράδοση,3 υπάρχουν θρύλοι για μηχανικούς πολεμιστές που φυλούσαν τα λείψανα του Βούδα, ιδίως στο Lokapannatti. Μεταγενέστερα ο Αλ-Τζαζάρι (Ismail al-Jazari 1136-1206), μηχανικός στην αυλή των Αρτουκιδών στη σημερινή νοτιοανατολική Τουρκία, γράφει το "Βιβλίο της Γνώσης των Εφευρετικών Μηχανικών Συσκευών"-1206 ("Kitab fi ma'rifat al-hiyal al-handasiyya")4 που περιέχει περίπου 100 μηχανικές κατασκευές με λεπτομερείς οδηγίες.
Για να περάσουμε από τη μυθολογική φαντασία στη σύγχρονη ΤΝ, χρειάζεται να σταθούμε σε τρεις βασικούς στοχαστές που έθεσαν τα θεμέλια της ιδέας ότι η σκέψη μπορεί να αναλυθεί, να τυποποιηθεί και τελικά να υπολογιστεί.
Ο Ρενέ Ντεκαρτ,5 γνωστός ως Καρτέσιος (1595-1650) μαθηματικός και φιλόσοφος, είναι κεντρική μορφή για την ιδέα ότι η σκέψη μπορεί να γίνει αντικείμενο ανάλυσης με κανόνες. Δεν έλεγε “τεχνητή νοημοσύνη”, φυσικά, αλλά έβαλε μια βάση που αργότερα έγινε πολύ σημαντική για τη λογική, τα μαθηματικά, την υπολογιστική σκέψη και τελικά την Τ.Ν.
Η βασική του ιδέα ήταν ότι η σωστή σκέψη δεν είναι απλώς έμπνευση ή εμπειρία. Μπορεί να οργανωθεί με μέθοδο. Δηλαδή, αν ακολουθήσουμε καθαρά βήματα, μπορούμε να φτάσουμε σε πιο σίγουρη γνώση. Αυτό φαίνεται ιδιαίτερα στο έργο του “Λόγος περί της μεθόδου”. Η μέθοδός του μπορεί να συνοψιστεί σε τέσσερις βασικούς κανόνες:
1. να δέχεσαι ως αληθινό μόνο ό,τι είναι καθαρό και ξεκάθαρο
2. να χωρίζεις κάθε δύσκολο πρόβλημα σε μικρότερα μέρη
3. να προχωράς από τα απλά στα πιο σύνθετα
4. και να ελέγχεις ξανά όλα τα βήματα ώστε να μην παραλείπεις τίποτα.
Αυτό έχει μεγάλη σημασία, γιατί θυμίζει πολύ την ιδέα του αλγορίθμου. Με απλά λόγια, αλγόριθμος είναι μια σειρά από συγκεκριμένα βήματα που ακολουθούμε για να λύσουμε ένα πρόβλημα ή να πετύχουμε έναν σκοπό. Δεν χρειάζεται να σκεφτούμε αμέσως τους υπολογιστές. Ακόμα και μια συνταγή μαγειρικής μοιάζει με αλγόριθμο: πρώτα κάνεις αυτό, μετά κάνεις το άλλο, ύστερα ελέγχεις το αποτέλεσμα. Αν τα βήματα είναι καθαρά και τα ακολουθήσεις σωστά, μπορείς να φτάσεις στο ζητούμενο. Έτσι και στη σκέψη: ένα δύσκολο πρόβλημα δεν λύνεται με ένα μαγικό άλμα, αλλά με ανάλυση σε μικρότερα κομμάτια και μεθοδική πορεία από το απλό στο σύνθετο. Αυτή η λογική, που στον Ντεκάρτ εμφανίζεται ως φιλοσοφική μέθοδος, θα βρεθεί αργότερα στην καρδιά της επιστήμης των υπολογιστών.
Ο Γκότφριντ Βίλχελμ Λάιμπνιτς6 είναι πολύ σημαντικός κρίκος στην ιστορία της ιδέας ότι η σκέψη μπορεί να γίνει υπολογισμός. Αν ο Ντεκάρτ έδωσε έμφαση στη μέθοδο και στη λογική ανάλυση της σκέψης, ο Λάιμπνιτς πήγε ένα βήμα παραπέρα: φαντάστηκε ότι η ίδια η λογική θα μπορούσε να γραφτεί σε μια τυπική γλώσσα, σαν μαθηματικό σύστημα. Η βασική του ιδέα ήταν η characteristica universalis, δηλαδή μια «καθολική χαρακτηριστική» ή «καθολική γλώσσα». Ήθελε να δημιουργήσει μια συμβολική γλώσσα όπου όλες οι έννοιες, οι σχέσεις και τα επιχειρήματα θα μπορούσαν να εκφραστούν με ακρίβεια, χωρίς ασάφεια. Σήμερα αυτό μας θυμίζει τη μαθηματική λογική, τους φορμαλισμούς, τις γλώσσες προγραμματισμού και τα συστήματα συμβολικής τεχνητής νοημοσύνης.
Η δεύτερη μεγάλη του ιδέα ήταν το calculus ratiocinator, δηλαδή ένας «λογισμός της σκέψης». Ο Λάιμπνιτς πίστευε ότι, αν καταφέρουμε να μετατρέψουμε τις έννοιες σε σύμβολα και τους συλλογισμούς σε κανόνες, τότε οι διαφωνίες δεν θα λύνονται μόνο με ρητορική ή φιλοσοφική συζήτηση, αλλά με υπολογισμό.
Η καθοριστική συνεισφορά στην εξέλιξη της επιστήμης των υπολογιστών έρχεται απο τον Άλαν Τούρινγκ7 (1912-1954). Η διάσημη “Μηχανή Τούρινγκ”8 είναι μια υποθετική μηχανή που μπορεί να χειρίζεται σύμβολα με βάση ένα σύνολο κανόνων. Ο Τούρινγκ έδωσε έναν περιληπτικό ορισμό του πειράματος στην έκθεση του, "Ευφυή μηχανήματα". Έγραψε ότι η μηχανή Τούρινγκ, που εδώ ονομάζεται μια Λογική Υπολογιστική Μηχανή, αποτελείται από:
“…απεριόριστη χωρητικότητα μνήμης, σε μορφή μιας άπειρης ταινίας η οποία είναι χωρισμένη σε τετράγωνα, πάνω στο καθένα από τα οποία μπορεί να εκτυπωθεί ένα σύμβολο. Κάθε στιγμή, υπάρχει ένα σύμβολο στη μηχανή και ονομάζεται το σκαναρισμένο σύμβολο. Η μηχανή μπορεί να μεταβάλλει το σκαναρισμένο σύμβολο και η συμπεριφορά της είναι εν μέρει απόφαση αυτού του συμβόλου, αλλά τα σύμβολα σε άλλα σημεία της ταινίας δεν επηρεάζουν την συμπεριφορά της”.
Πάνω σε αυτή την απλή λογική δημιουργηθηκαν και εξελιχθηκαν όλοι οι υπολογιστές.
Υπάρχει μια συμβολική γλώσσα για να περιγράψουμε τα βήματα για τη λύση ενός προβλήματος, όσο περίπλοκο και να είναι. Υπαρχει μια κεντρική μονάδα επεξεργασίας που εκτελεί τις εντολές αυτές και η οποια έχει μνήμη για να μπορεί να διαβάζει και να γραφει τα αποτελέσμα της λύσης.
Η προσπάθεια εξέλιξης της ΤΝ στηρίζεται πάνω στην ιδέα οτι οι μηχανές μπορούν να λύνουν αλγοριθμικά προβλήματα, που έχουν περιγραφεί με σύμβολα (γλώσσες προγραμματισμού). Στόχος είναι η συμβολική Τ.Ν.9 να μπορεί να μιμηθεί την ανθρώπινη νόηση και ευφυΐα. Η έρευνα και η πρόοδος περιορίζεται κυρίως στην απόδειξη θεωρημάτων, παρτίδες σκακιού και λογικά προβλήματα. Αυτή όμως η τεχνολογία αρχίζει και εμφανίζει τα όρια. Όσο πιο περίπλοκο είναι το πρόβλημα, τόσο πιο δύσκολη και εκθετικά πιο σύνθετη γίνεται η περιγραφή των κανόνων και των πιθανών αποφάσεων. Οι προγραμματισμένες μηχανές μπορούν να είναι αποτελεσματικές μόνο για τη λύση των προβλημάτων που έχουν προγραμματιστεί.
Η επανάσταση των μεγάλων δεδομένων και τα νευρωνικά δίκτυα
Η επιστροφή της ΤΝ στο προσκήνιο συνδέθηκε με μια διαφορετική μαθηματική προσέγγιση: τον τεχνητό νευρώνα. Το πρώτο μαθηματικό μοντέλο ενός τεχνητού νευρώνα αναπτύχθηκε το 1943 από δύο Αμερικανούς επιστήμονες, τον Warren McCulloch και τον Walter Pitts.11 Για να το πούμε πολύ απλά, ένας τεχνητός νευρώνας είναι μια μικρή υπολογιστική μονάδα που δέχεται πληροφορίες, τις “ζυγίζει” και βγάζει ένα αποτέλεσμα. Μπορούμε να τον φανταστούμε σαν έναν απλό μηχανισμό απόφασης: παίρνει διάφορα σήματα, δίνει σε κάθε σήμα μεγαλύτερη ή μικρότερη σημασία και, αν το τελικό άθροισμα περάσει ένα ορισμένο όριο, παράγει μια έξοδο. Τα “βάρη” είναι ακριβώς αυτό: η σημασία που δίνει το σύστημα σε κάθε πληροφορία. Αν, για παράδειγμα, ένα σύστημα προσπαθεί να αναγνωρίσει αν μια εικόνα δείχνει γάτα, κάποιοι τεχνητοί νευρώνες μπορεί να “δίνουν βάρος” σε γραμμές, άλλοι σε σχήματα, άλλοι σε χρώματα ή σε πιο σύνθετα μοτίβα. Ένας μόνο τεχνητός νευρώνας δεν μπορεί να κάνει κάτι εντυπωσιακό. Όμως όταν συνδεθούν μεταξύ τους χιλιάδες, εκατομμύρια ή και δισεκατομμύρια τέτοιες απλές μονάδες, δημιουργούνται μεγάλα τεχνητά νευρωνικά δίκτυα. Αυτά τα δίκτυα, μέσα από την εκπαίδευση σε τεράστιες ποσότητες δεδομένων, μπορούν να αναγνωρίζουν μοτίβα, να ταξινομούν εικόνες, να μεταφράζουν κείμενα ή να παράγουν απαντήσεις. Πάνω σε αυτή τη βασική ιδέα στηρίζεται μεγάλο μέρος των σημερινών τεχνολογιών ΤΝ.
Η χρήση μεγάλων νευρωνικών δικτύων στηρίζεται σε μια τελείως διαφορετική λογική από τη συμβολική περιγραφή κανόνων. Η ιδέα έχει ώς εξής: Αντί να περιγράψουμε τη λύση με σύμβολα και κανόνες θα δώσουμε στα νευρωνικά δίκτυα πάρα πολλά παραδείγματα για το πως λύνεται ένα πρόβλημα και έτσι ρυθμίζοντας τα εσωτερικά τους βάρη θα μπορούν να παράγουν τις σωστές λύσεις. Αντί να περιγράψουμε τους κανόνες του σκακιού και το πόσο σημαντικές ειναι οι κινήσεις σε κάθε διαφορετική φάση της παρτίδας, μπορούμε να δώσουμε μαζικά χιλιάδες παραδείγματα παρτίδων, και μέσα από αυτά να “μάθει” να παίζει αποτελεσματικά σκάκι. Στην πραγματικότητα, η μηχανή δεν “μαθαίνει” σκάκι όπως ένας άνθρωπος. Εντοπίζει στατιστικά μοτίβα και υπολογίζει ποιες κινήσεις είναι πιθανότερο να οδηγήσουν σε νίκη.
Η ιδέα του τεχνητού νευρώνα υπάρχει ήδη από τη δεκαετία του 1940. Για δεκαετίες όμως έμενε περιορισμένη, επειδή δεν υπήρχαν ούτε αρκετά δεδομένα ούτε αρκετή υπολογιστική ισχύς. Αυτό αλλάζει με την ανάπτυξη του διαδικτύου, των μεγάλων βάσεων δεδομένων και των ισχυρών επεξεργαστών. Το 2024 η συνολική παγκόσμια ψηφιακή κίνηση μετρήθηκε σε πάνω απο 33 Exabyte (1 Exabyte = 1δισ. Gigabytes) τη μέρα12 με αύξηση 19% το 2025 και ακόμα μεγαλύτερη το 2026. Κάθε λεπτό παράγεται τεράστιος όγκος ψηφιακής δραστηριότητας. Το 2024 γίνονταν περίπου 5,9 εκατ. Google searches κάθε λεπτό, το TikTok είχε 16.000 video uploads ανά λεπτό, ενώ Facebook και Instagram μαζί είχαν 138,9 εκατ. Reels plays ανά λεπτό.13 Όλη αυτή η πληροφορία μαζί με την αποθηκευμένη πληροφορία στο διαδίκτυο αποτελούν ένα πολύ μεγάλο όγκο δεδομένων για την εκπαιδευση της Τ.Ν. Αν και δεν υπάρχουν ακριβή στοιχεία, η εκτίμηση είναι ότι το μεγάλο γλωσσικό μοντέλο GPT-4 έχει εκπαιδευτεί σε περίπου 10 τρισ. λέξεις.14
Τεχνητά νευρωνικά δίκτυα, ανθρώπινος εγκέφαλος και ανθρώπινη εργασία
Από τη στιγμή που τα σύγχρονα συστήματα Τεχνητής Νοημοσύνης μπορούν να γράφουν, να μεταφράζουν, να παράγουν εικόνες, να συνοψίζουν κείμενα ή να απαντούν σε σύνθετες ερωτήσεις, δημιουργείται εύκολα η εντύπωση ότι “σκέφτονται”. Αυτή η εντύπωση δεν είναι ουδέτερη. Τροφοδοτείται συστηματικά από τις ίδιες τις εταιρείες, που θέλουν να παρουσιάσουν την ΤΝ σαν μια σχεδόν αυτόνομη δύναμη, σαν κάτι ανώτερο από τον άνθρωπο και την ανθρώπινη εργασία.
Όμως εδώ χρειάζεται μια βασική διάκριση: τα τεχνητά νευρωνικά δίκτυα δεν λειτουργούν όπως ο ανθρώπινος εγκέφαλος. Δεν έχουν σώμα, εμπειρία, κοινωνική ζωή, ανάγκες, ταξική θέση ή συνείδηση. Είναι μαθηματικά συστήματα που εκπαιδεύονται να αναγνωρίζουν μοτίβα μέσα σε δεδομένα. Σε ένα γλωσσικό μοντέλο, αυτό σημαίνει ότι το σύστημα μαθαίνει σχέσεις ανάμεσα σε λέξεις, φράσεις, ύφος, ερωτήσεις και απαντήσεις. Γι’ αυτό μπορεί να γράφει ένα πειστικό κείμενο, να συνοψίζει, να μεταφράζει ή να παράγει κώδικα. Αλλά η ικανότητα παραγωγής πειστικής μορφής δεν ταυτίζεται με την ανθρώπινη κατανόηση. Η μηχανική πρόβλεψη λέξεων δεν είναι ανθρώπινη νόηση, όσο εντυπωσιακό κι αν είναι το αποτέλεσμα.
Η διαφορά υπάρχει ακόμα και στο πιο στοιχειώδες επίπεδο: στη σύγκριση ανάμεσα στον τεχνητό νευρώνα και τον φυσικό νευρώνα. Ο τεχνητός νευρώνας είναι μια πολύ απλουστευμένη μαθηματική απομίμηση. Παίρνει αριθμητικές τιμές ως είσοδο, τις πολλαπλασιάζει με κάποια «βάρη», προσθέτει μια διόρθωση και βγάζει ένα αποτέλεσμα μέσα από μια μαθηματική συνάρτηση. Αντίθετα, ο φυσικός νευρώνας είναι ζωντανό κύτταρο. Δέχεται χημικά και ηλεκτρικά σήματα από χιλιάδες άλλους νευρώνες, επηρεάζεται από το σώμα, τις ορμόνες, τη μνήμη, το συναίσθημα και τη συνολική εμπειρία του οργανισμού. Ο εγκέφαλος δεν είναι απλώς ένα δίκτυο υπολογισμών. Είναι μέρος ενός ζωντανού ανθρώπου, που αισθάνεται, κινείται, εργάζεται, θυμάται, μαθαίνει, σχετίζεται με άλλους ανθρώπους και παρεμβαίνει στον κόσμο γύρω του. Η ομοιότητα ανάμεσα στο τεχνητό και το φυσικό νευρωνικό δίκτυο βρίσκεται κυρίως στην ιδέα της σύνδεσης πολλών απλών μονάδων μεταξύ τους. Η διαφορά βρίσκεται σχεδόν σε όλα τα υπόλοιπα.
Εδώ ο Μαρξ είναι ιδιαίτερα χρήσιμος. Για τον Μαρξ, ο άνθρωπος δεν είναι απλώς ένας εγκέφαλος που υπολογίζει. Είναι φυσικό και κοινωνικό ον. Ζει μέσα στη φύση, αλλά δεν προσαρμόζεται απλώς παθητικά σε αυτήν. Μέσα από την εργασία του μετασχηματίζει τη φύση και, ταυτόχρονα, μετασχηματίζει και τον ίδιο του τον εαυτό. Η ανθρώπινη σκέψη δεν είναι ξεκομμένη από το σώμα, την ανάγκη, την πράξη και την κοινωνία. Ο άνθρωπος πρώτα φαντάζεται έναν σκοπό και μετά προσπαθεί να τον πραγματοποιήσει υλικά: χτίζει, καλλιεργεί, κατασκευάζει, θεραπεύει, διδάσκει, οργανώνει, δημιουργεί. Η νόηση, λοιπόν, δεν είναι απλή επεξεργασία πληροφορίας. Είναι μέρος της πρακτικής σχέσης του ανθρώπου με τη φύση και με τους άλλους ανθρώπους.15
Αυτό είναι κρίσιμο για να καταλάβουμε την ιδεολογία που συνοδεύει σήμερα την Τεχνητή Νοημοσύνη. Όταν τα αφεντικά και οι εταιρείες λένε ότι η ΤΝ είναι “καλύτερη από τον άνθρωπο”, δεν κάνουν απλώς μια τεχνική σύγκριση. Προσπαθούν να υποτιμήσουν την ανθρώπινη εργασία. Αν η μηχανή εμφανίζεται ως εξυπνότερη, γρηγορότερη, ακούραστη και αντικειμενική, τότε ο εργαζόμενος εμφανίζεται ως αργός, ακριβός, αναλώσιμος και προβληματικός. Με αυτόν τον τρόπο, οι απολύσεις, η εντατικοποίηση, η επιτήρηση και η συμπίεση των μισθών παρουσιάζονται ως φυσική συνέπεια της τεχνολογικής προόδου. Δεν φταίει, υποτίθεται, η καπιταλιστική επιλογή να χρησιμοποιηθεί η ΤΝ για το κέρδος. Φταίει ότι “η μηχανή τα κάνει καλύτερα”. Έτσι η τεχνολογία γίνεται ιδεολογικό όπλο: κρύβει την κοινωνική σχέση εκμετάλλευσης πίσω από την εικόνα μιας ουδέτερης και ανώτερης μηχανής.
Ο Μαρξ είχε δείξει αυτή τη διαστροφή ήδη στην ανάλυσή του για τη μεγάλη βιομηχανία. Η μηχανή, ως τεχνική δυνατότητα, θα μπορούσε να μειώσει τον κόπο και τον εργάσιμο χρόνο. Θα μπορούσε να απελευθερώσει χρόνο για μόρφωση, ξεκούραση, πολιτισμό και κοινωνική συμμετοχή. Όμως στον καπιταλισμό η μηχανή δεν μπαίνει στην παραγωγή με κριτήριο τις ανθρώπινες ανάγκες. Μπαίνει για να αυξήσει την παραγωγικότητα του κεφαλαίου, να μειώσει το κόστος εργασίας, να ελέγξει τον ρυθμό και να αποσπάσει περισσότερη υπεραξία. Ο εργάτης δεν απελευθερώνεται αυτόματα από τη μηχανή. Αντίθετα, κάτω από την κυριαρχία του κεφαλαίου, κινδυνεύει να μετατραπεί σε εξάρτημά της. Αυτό ακριβώς βλέπουμε σήμερα με την ΤΝ: η εταιρεία δεν ενδιαφέρεται πρώτα αν η τεχνολογία κάνει τη δουλειά πιο ανθρώπινη. Ενδιαφέρεται αν μπορεί να μετρήσει καλύτερα τον εργαζόμενο, να του αφαιρέσει αυτονομία, να μετατρέψει τη γνώση του σε δεδομένα και μετά να χρησιμοποιήσει αυτά τα δεδομένα εναντίον του.16
Η ΤΝ, επομένως, δεν αντικαθιστά απλώς “δεξιότητες”. Πολύ συχνά ιδιοποιείται κοινωνική γνώση που έχει παραχθεί από ανθρώπους και την επιστρέφει πάνω τους ως δύναμη ελέγχου. Εκπαιδεύεται σε κείμενα, εικόνες, κώδικα, φωνές, κινήσεις, επαγγελματική εμπειρία και δεδομένα εργασίας. Πίσω από κάθε μοντέλο υπάρχουν προγραμματιστές, μηχανικοί, ερευνητές, εργάτες σε κέντρα δεδομένων, εργαζόμενοι στην παραγωγή των chips, δημιουργοί περιεχομένου, μεταφραστές, συγγραφείς, καλλιτέχνες και χαμηλόμισθοι εργαζομενοι που καθαρίζουν και ταξινομούν δεδομένα. Όλη αυτή η κοινωνική εργασία εμφανίζεται μετά ως ιδιοκτησία μιας εταιρείας. Η ζωντανή ανθρώπινη γνώση αποσπάται, συγκεντρώνεται σε μοντέλα και επιστρέφει ως εξωτερική δύναμη που πιέζει τους ίδιους τους εργαζόμενους.
Γι’ αυτό πρέπει να αποφύγουμε δύο λάθη. Το πρώτο λάθος είναι να πούμε ότι η ΤΝ είναι “τίποτα”. Δεν είναι τίποτα. Είναι ισχυρό εργαλείο, αποτέλεσμα τεράστιας επιστημονικής και τεχνικής ανάπτυξης. Το δεύτερο λάθος είναι να δεχτούμε τον μύθο ότι επειδή είναι ισχυρό εργαλείο, είναι και ανώτερο από τον άνθρωπο. Η ΤΝ μπορεί να παράγει κείμενο, εικόνες, προβλέψεις ή κώδικα με μεγάλη ταχύτητα, αλλά δεν έχει ανάγκες, σκοπούς, συλλογική μνήμη, ταξική εμπειρία ή σχέση με τη φύση. Δεν παράγει όπως παράγει ο άνθρωπος. Δεν εργάζεται όπως εργάζεται ο άνθρωπος. Δεν σκέφτεται όπως σκέφτεται ένας άνθρωπος που ζει μέσα σε κοινωνία, παλεύει για τον μισθό του, μεγαλώνει παιδιά, μαθαίνει από την πράξη, οργανώνεται, θυμάται, φαντάζεται και αλλάζει τον κόσμο.
Άρα το σύνθημα “η ΤΝ είναι καλύτερη από τον άνθρωπο” πρέπει να διαβαστεί ταξικά. Δεν είναι ουδέτερη τεχνική διαπίστωση. Είναι τρόπος να μειωθεί η αξία της ανθρώπινης εργασίας και να αυξηθεί η εξουσία εκείνων που κατέχουν τα μοντέλα, τα data centers, τα chips και τα δεδομένα. Το πρόβλημα δεν είναι η μηχανή καθαυτή. Το πρόβλημα είναι ότι η μηχανή ανήκει στο κεφάλαιο και χρησιμοποιείται για να οργανώσει την εργασία σύμφωνα με το κέρδος. Η ΤΝ δεν καταργεί την ανθρώπινη εργασία. Την προϋποθέτει, την απορροφά και, μέσα στον καπιταλισμό, την επιστρέφει ως δύναμη ελέγχου πάνω στους ίδιους τους εργαζόμενους.
Τεχνητή Νοημοσύνη στα χέρια των καπιταλιστών
Αν θέλουμε, λοιπόν, να καταλάβουμε την ΤΝ πολιτικά, ο Μαρξ είναι πιο χρήσιμος από την επιστημονική φαντασία. Το ερώτημα δεν είναι αν η μηχανή είναι “καλή” ή “κακή” από μόνη της. Το ερώτημα είναι σε ποια κοινωνική σχέση μπαίνει. Στα χέρια μιας κοινωνίας που οργανώνει την παραγωγή με βάση τις ανάγκες των πολλών, η ΤΝ θα μπορούσε να χρησιμοποιηθεί για να μειώσει τον εργάσιμο χρόνο, να βοηθήσει την υγεία και την παιδεία, να στηρίξει την επιστημονική έρευνα, να κάνει πιο ασφαλείς τις μεταφορές και να απαλλάξει τους ανθρώπους από βαριές, μονότονες ή επικίνδυνες εργασίες. Στα χέρια του κεφαλαίου, όμως, η ίδια τεχνολογία χρησιμοποιείται με άλλο σκοπό: αύξηση της παραγωγικότητας για το κέρδος, μείωση του κόστους εργασίας, έλεγχος του ρυθμού, επιτήρηση, ιδιωτικοποίηση της γνώσης και στρατιωτική αξιοποίηση.
Η ΤΝ είναι μια σύγχρονη μορφή αυτής της αντίφασης. Από τη μία, δείχνει πόσο τεράστια είναι η δύναμη της κοινωνικής γνώσης. Κανένα μοντέλο δεν θα υπήρχε χωρίς δεκαετίες δημόσιας επιστημονικής έρευνας, χωρίς πανεπιστήμια, χωρίς εργασία προγραμματιστών, χωρίς δεδομένα που παρήχθησαν από εκατομμύρια ανθρώπους, χωρίς παγκόσμιες αλυσίδες παραγωγής chips και χωρίς ενεργειακές και ψηφιακές υποδομές. Από την άλλη, όλη αυτή η συλλογική δύναμη εμφανίζεται ως ιδιοκτησία λίγων εταιρειών. Κλειδώνεται πίσω από πατέντες, συνδρομές, cloud υποδομές, εμπορικά μυστικά και στρατιωτικά συμβόλαια. Έτσι, η κοινωνική γνώση μετατρέπεται σε ιδιωτικό κεφάλαιο.
Η οικονομία της ΤΝ δεν είναι ενιαία. Περιλαμβάνει διαφορετικούς κρίκους: τη Nvidia, που πουλάει τα “φτυάρια” του νέου ψηφιακού χρυσοθηρικού πυρετού· τις εταιρείες που εκπαιδεύουν μοντέλα και χρειάζονται διαρκώς νέα κεφάλαια· και τους hyperscalers, όπως η Microsoft, η Google, η Amazon και η Meta, που μπορούν να χρηματοδοτούν τεράστια data centers επειδή ήδη ελέγχουν κερδοφόρες πλατφόρμες. Το αποτέλεσμα είναι μια αγορά όπου η υπόσχεση μελλοντικής κερδοφορίας σπρώχνει σήμερα τεράστιες επενδύσεις, ενώ η κοινωνία πληρώνει το κόστος σε ενέργεια, νερό, γη, επιτήρηση και αναδιάρθρωση της εργασίας.
Έτσι, από το τεχνικό ερώτημα “πώς λειτουργεί η ΤΝ” περνάμε στο πολιτικό ερώτημα “ποιος την ελέγχει”. Και από εκεί στο οικονομικό ερώτημα “για ποιον παράγεται αυτή η τεχνολογία”. Γιατί όσο η ΤΝ αναπτύσσεται μέσα στο πλαίσιο του ανταγωνισμού και του κέρδους, τόσο περισσότερο θα χρησιμοποιείται όχι για να απελευθερώσει την ανθρώπινη δημιουργικότητα, αλλά για να την υποτάξει στο κέρδος των αφεντικών.
Επενδύσεις, υπερσυσσώρευση και κρίση κερδοφορίας
Πίσω από τον ενθουσιασμό για την Τεχνητή Νοημοσύνη εμφανίζεται ήδη ο κίνδυνος μιας νέας μορφής οικονομικής κρίσης: όχι επειδή η τεχνολογία είναι άχρηστη, αλλά επειδή η καπιταλιστική επένδυση τρέχει πολύ πιο γρήγορα από την πραγματική κερδοφορία της.
Η CoreWeave, εταιρεία AI cloud, έφτασε το 2025 τα 5,13 δισ. δολάρια έσοδα, αλλά είχε καθαρή ζημιά 1,17 δισ. δολάρια και ταυτόχρονα τεράστια επέκταση σε υποδομές, με ενεργή ισχύ πάνω από 850 MW και συμβολαιοποιημένη ισχύ περίπου 3,1 GW.17 Ακόμη και στις επιχειρήσεις που αγοράζουν εργαλεία ΤΝ, η μετατροπή της τεχνολογίας σε κέρδος δεν είναι αυτόματη: η McKinsey αναφέρει ότι μόνο το 39% των εταιρειών βλέπει επίδραση στην καθαρή κερδοφορία σε επίπεδο επιχείρησης,18 ενώ έκθεση MIT NANDA19 υποστηρίζει ότι, παρά τις επενδύσεις 30–40 δισ. δολαρίων σε GenAI, το 95% των οργανισμών δεν βλέπει μετρήσιμη απόδοση. Δηλαδή, οι καπιταλιστές ρίχνουν τεράστιο κεφάλαιο σε μοντέλα, chips, servers, data centers και ενέργεια, χωρίς να είναι βέβαιο ότι αυτή η μάζα σταθερού κεφαλαίου θα επιστρέψει ως ανάλογο κέρδος.
Αυτό είναι κλασικό έδαφος υπερσυσσώρευσης: πάρα πολύ κεφάλαιο επενδύεται σε υλικές υποδομές πριν αποδειχθεί ότι η αγορά μπορεί να το απορροφήσει κερδοφόρα. Οι τέσσερις μεγάλοι –Amazon, Microsoft, Alphabet και Meta– υπολογίζεται ότι θα ξοδέψουν περίπου 630 δισ. δολάρια το 2026 μόνο σε data centers και AI chips, πάνω από τέσσερις φορές το επίπεδο του 2023,20 ενώ συνολικά οι επενδύσεις AI εκτιμώνται γύρω στα 800 δισ. δολάρια για το 2026.21
Ήδη οι εταιρείες στρέφονται όλο και περισσότερο σε δανεισμό: η Amazon εξασφάλισε δάνειο 17,5 δισ. δολαρίων για την επέκταση των AI υποδομών της, ενώ το Reuters αναφέρει ότι οι συνολικές δαπάνες Big Tech για AI αναμένεται να ξεπεράσουν τα 700 δισ. δολάρια και ότι η χρηματοδότηση μετατοπίζεται από τα ίδια ταμειακά διαθέσιμα προς χρέος και μετοχικές εκδόσεις. Η Oracle είναι ακόμη πιο χαρακτηριστική περίπτωση: για να μπει δυναμικά στην AI cloud αγορά, αναγκάζεται να καίει μετρητά, να εκδίδει χρέος και να σηκώνει νέο κεφάλαιο, με έλλειμμα ελεύθερων ταμειακών ροών 23,7 δισ. δολαρίων στο οικονομικό έτος 2026.
Εδώ συνδέεται η σύγχρονη ΤΝ με την πτωτική τάση του ποσοστού κέρδους: ο κάθε καπιταλιστής, για να κερδίσει τον ανταγωνιστή του, αυξάνει την τεχνική σύνθεση της παραγωγής –περισσότερες μηχανές, chips, servers, ενέργεια, αυτοματοποίηση– αλλά έτσι μεγαλώνει το βάρος του σταθερού κεφαλαίου σε σχέση με τη ζωντανή εργασία, που για τον Μαρξ είναι η πηγή της υπεραξίας. Η ίδια επιλογή που φαίνεται αναγκαία για να σωθεί η κερδοφορία, δηλαδή η φυγή προς ακόμη περισσότερη τεχνολογία και αυτοματοποίηση, μπορεί τελικά να πιέσει τα ποσοστά κέρδους, να φουσκώσει μια επενδυτική φούσκα και να οδηγήσει σε καταστροφή κεφαλαίου: απαξίωση data centers, chips, μετοχών, δανείων και τελικά νέες επιθέσεις στην εργασία για να σωθούν τα κέρδη.
Η στροφή στην πολεμική βιομηχανία
Σε αυτό ακριβώς το σημείο εμφανίζεται η πολεμική βιομηχανία ως διέξοδος για το κεφάλαιο. Το κράτος και ειδικά ο στρατός λειτουργούν ως σταθερός, μαζικός και πολιτικά εγγυημένος πελάτης. Εκεί όπου η εμπορική χρήση της ΤΝ δυσκολεύεται να αποδείξει άμεση κερδοφορία, η πολεμική βιομηχανία προσφέρει συμβόλαια, κρατική χρηματοδότηση, μόνιμη ζήτηση και γεωπολιτική νομιμοποίηση.
Το 2025, το Υπουργείο Άμυνας των ΗΠΑ έδωσε συμβόλαια έως 200 εκατ. δολάρια το καθένα σε OpenAI, Google, Anthropic και xAI για προηγμένες δυνατότητες ΤΝ στην εθνική ασφάλεια.22 Η Palantir είναι ακόμη πιο καθαρό παράδειγμα: το Project Maven, που ξεκίνησε από ανάλυση εικόνων drones, πήρε συμβόλαιο έως 480 εκατ. δολάρια το 2024 και το 2025 το ανώτατο όριο αυξήθηκε σε 1,3 δισ. δολάρια, ενώ ο αμερικανικός στρατός συγκέντρωσε δεκάδες συμβόλαια σε συμφωνία με την Palantir με δυνατότητα αγορών έως 10 δισ. δολάρια σε δέκα χρόνια.23
Έτσι, η πολεμική οικονομία γίνεται μηχανισμός απορρόφησης της υπερσυσσώρευσης: αξιοποιεί υποδομές, μοντέλα, cloud, δεδομένα και τεχνογνωσία που αλλιώς μπορεί να μη βρίσκουν αρκετά κερδοφόρα διέξοδο. Γι’ αυτό ο πόλεμος δεν είναι “παρέκκλιση” από την οικονομία της ΤΝ· είναι ένας από τους δρόμους με τους οποίους το κεφάλαιο προσπαθεί να μετατρέψει την κρίση κερδοφορίας σε κρατικά εγγυημένη αγορά, με το κόστος να το πληρώνουν οι λαοί.24
Εργατική αντίσταση και εργατικός έλεγχος πάνω στην ΤΝ
Απέναντι σε αυτή την πορεία, η απάντηση δεν μπορεί να είναι ούτε τεχνοφοβία ούτε τυφλός θαυμασμός της τεχνολογίας. Η Τεχνητή Νοημοσύνη είναι προϊόν ανθρώπινης εργασίας και κοινωνικής γνώσης. Άρα το ερώτημα δεν είναι αν θα υπάρχει ή όχι, αλλά ποιος την ελέγχει, ποιος αποφασίζει τη χρήση της και ποιος καρπώνεται τα αποτελέσματά της. Σήμερα, οι αποφάσεις παίρνονται από διοικητικά συμβούλια, στρατιωτικά επιτελεία και επενδυτικά funds. Οι εργαζόμενοι εμφανίζονται είτε ως “κόστος” που πρέπει να μειωθεί είτε ως δεδομένα που πρέπει να συλλεχθούν είτε ως χειριστές μιας μηχανής που άλλοι ελέγχουν. Η πρώτη μορφή αντίστασης είναι να σπάσει αυτή η σιωπή: κανένα σύστημα ΤΝ στον χώρο εργασίας χωρίς γνώση, έλεγχο και δικαίωμα άρνησης από τους ίδιους τους εργαζόμενους.
Η εργατική αντίσταση στην ΤΝ έχει ήδη αρχίσει. Δεν είναι θεωρητικό ζήτημα. Στο Χόλιγουντ, οι απεργίες των σεναριογράφων και των ηθοποιών το 2023 έβαλαν στο κέντρο το ζήτημα της αντικατάστασης της ανθρώπινης δημιουργικής εργασίας από γενετική ΤΝ. Η συμφωνία της Writers Guild of America όρισε ότι η ΤΝ δεν μπορεί να γράφει ή να ξαναγράφει λογοτεχνικό υλικό, ούτε το AI-generated υλικό να χρησιμοποιείται για να υπονομεύει τα δικαιώματα και την αναγνώριση των συγγραφέων. Η SAG-AFTRA, από την πλευρά των ηθοποιών και performers, διεκδίκησε προστασίες γύρω από τα “digital replicas”, δηλαδή τη χρήση της φωνής, του σώματος και της εικόνας ενός εργαζόμενου χωρίς συναίνεση και πληρωμή. Ακόμη πιο χαρακτηριστική ήταν η απεργία των εργαζομένων στα video games το 2024-2025, όπου οι ηθοποιοί φωνής και motion capture πάλεψαν ενάντια στη δυνατότητα των εταιρειών να αντιγράφουν φωνές και κινήσεις με ΤΝ χωρίς έλεγχο από τους ίδιους. Το συμπέρασμα είναι σημαντικό: οι εργαζόμενοι δεν είπαν “όχι στην τεχνολογία”, αλλά “όχι στη χρήση της τεχνολογίας για να κλαπεί η εργασία, η φωνή και η εικόνα μας”.25 26 27
Το ίδιο βλέπουμε και στους ίδιους τους εργάτες που βρίσκονται πίσω από την παραγωγή της ΤΝ. Στην Κένυα, πρώην εργαζόμενοι στην επισήμανση και ταξινόμηση βίαιου και τοξικού περιεχομένου για την εκπαίδευση μοντέλων αποκάλυψαν τη σκληρή πραγματικότητα της “αόρατης” εργασίας πίσω από τα AI προϊόντα. Η ΤΝ και οι αλγόριθμοι των social media βασίζονται σε συχνά αόρατη εργασία data workers στον Παγκόσμιο Νότο, με σοβαρές ψυχολογικές επιπτώσεις από την έκθεση σε βίαιο και μισαλλόδοξο περιεχόμενο.28
Εδώ φαίνεται καθαρά ότι η ΤΝ δεν είναι “αυτόματη”. Πίσω από αυτήν υπάρχουν εργάτες που καθαρίζουν δεδομένα, ταξινομούν εικόνες, διορθώνουν λάθη, εκπαιδεύουν συστήματα και πληρώνονται ελάχιστα για να εμφανίζεται το προϊόν ως θαύμα της μηχανής.29
Υπάρχει επίσης αντίσταση μέσα στις ίδιες τις μεγάλες τεχνολογικές εταιρείες, ειδικά όταν η ΤΝ συνδέεται με πολεμικές και κατασταλτικές εφαρμογές. Εργαζόμενοι της Google διαδήλωσαν ενάντια στο Project Nimbus, το συμβόλαιο Google και Amazon με το ισραηλινό κράτος για cloud, AI και άλλες τεχνολογικές υπηρεσίες. Η Google απέλυσε 28 εργαζόμενους μετά από κινητοποιήσεις ενάντια στο συμβόλαιο, ενώ οι ίδιοι οι εργαζόμενοι χαρακτήρισαν τις απολύσεις εκδικητικές.30 Αντίστοιχα, εργαζόμενοι της Microsoft διαμαρτυρήθηκαν για την πώληση AI και cloud υπηρεσιών στον ισραηλινό στρατό, με εργαζόμενους να αποβάλλονται από συνάντηση με τον CEO της εταιρείας. Αυτές οι κινητοποιήσεις δείχνουν ότι ο εργατικός έλεγχος δεν αφορά μόνο τον μισθό ή την ασφάλεια εργασίας. Αφορά και το δικαίωμα των εργαζομένων να αρνούνται να παράγουν τεχνολογία που χρησιμοποιείται για επιτήρηση, κατοχή, βομβαρδισμούς ή καταστολή.31
Ιδιαίτερη σημασία έχουν οι αγώνες στην υλική βάση της ΤΝ: στα εργοστάσια, στα data centers, στις αλυσίδες των chips. Η ΤΝ δεν υπάρχει χωρίς ημιαγωγούς, μνήμες, GPUs, εγκαταστάσεις ψύξης, ηλεκτρικά δίκτυα και τεράστια κατασκευαστικά έργα. Στη Samsung, οι εργαζόμενοι στη Νότια Κορέα προχώρησαν σε απεργιακές κινήσεις το 2024,32 ζητώντας πιο διαφανές σύστημα bonus, άδειες και αναγνώριση του συνδικάτου ως ισότιμου συνομιλητή. Αν οι εργαζόμενοι που χειρίζονται τις αυτοματοποιημένες γραμμές παραγωγής αποχωρούσαν για μεγάλο διάστημα, η παραγωγή chips δεν θα μπορούσε απλά να συνεχιστεί με αντικαταστάτες λόγω της ειδικής γνώσης που απαιτείται. Το 2026, πάνω από 45.000 εργαζόμενοι απείλησαν με τη μεγαλύτερη απεργία στην ιστορία του ομίλου, σε παραγωγή memory chips κρίσιμων για AI data centers, smartphones και laptops.33 Ακόμη και οι απεργίες σε “περιφερειακούς” κρίκους της αλυσίδας, όπως των οδηγών σκυροδέματος στη Νότια Κορέα, απείλησαν έργα επέκτασης εγκαταστάσεων Samsung και SK Hynix.34 Αυτό δείχνει κάτι θεμελιακό: όσο “άυλη” κι αν παρουσιάζεται η ΤΝ, η δύναμή της πατάει πάνω σε πολύ υλική εργασία. Και αυτή η εργασία μπορεί να σταματήσει την παραγωγή.
Από εδώ προκύπτει το αίτημα του εργατικού ελέγχου. Εργατικός έλεγχος στην ΤΝ σημαίνει πρώτα απ’ όλα δικαίωμα ενημέρωσης: οι εργαζόμενοι πρέπει να ξέρουν ποια συστήματα χρησιμοποιούνται, τι δεδομένα συλλέγονται, πώς αξιολογούνται, πώς αλλάζει ο ρυθμός εργασίας και ποιος έχει πρόσβαση στις αποφάσεις των αλγορίθμων. Η Διεθνής Οργάνωση Εργασίας ορίζει την αλγοριθμική διοίκηση (algorithmic management) ως συστήματα που χρησιμοποιούν δεδομένα για να οργανώνουν, αναθέτουν, παρακολουθούν, εποπτεύουν και αξιολογούν την εργασία. Άρα ο εργατικός έλεγχος δεν είναι αφηρημένο σύνθημα. Σημαίνει: κανένα σύστημα αξιολόγησης με ΤΝ χωρίς έλεγχο από σωματείο, καμία απόλυση ή μείωση μισθού από αλγόριθμο, κανένα κρυφό σκοράρισμα παραγωγικότητας, κανένα βιομετρικό ή συμπεριφορικό φακέλωμα, κανένα μοντέλο που εκπαιδεύεται πάνω στη δουλειά των εργαζομένων χωρίς συναίνεση, αποζημίωση και συλλογική διαπραγμάτευση.35
Αλλά ο εργατικός έλεγχος δεν μπορεί να μείνει μόνο στο επίπεδο της ρύθμισης. Είναι μεταβατικό αίτημα, γιατί συγκρούεται με την ίδια την καπιταλιστική ιδιοκτησία της τεχνολογίας. Όσο τα data centers, τα chips, τα μοντέλα, τα δεδομένα και οι πλατφόρμες ανήκουν σε λίγες εταιρείες, η ΤΝ θα χρησιμοποιείται με βάση το κέρδος: για απολύσεις, εντατικοποίηση, επιτήρηση, ιδιωτικοποίηση της γνώσης και πολεμικά συμβόλαια. Εργατικός έλεγχος σημαίνει ότι οι εργαζόμενοι, μέσα από σωματεία, επιτροπές στους χώρους δουλειάς και κοινωνικούς θεσμούς ελέγχου, διεκδικούν λόγο όχι μόνο στο πώς εφαρμόζεται η ΤΝ, αλλά και στο για ποιον σκοπό. Να αποφασίζουν αν ένα σύστημα μειώνει πραγματικά τον κόπο ή απλώς αυξάνει τον ρυθμό. Αν εξοικονομεί χρόνο για την κοινωνία ή παράγει ανεργία. Αν υπηρετεί την υγεία, την παιδεία και τη δημόσια γνώση ή αν καταλήγει σε στρατιωτική στόχευση και εταιρική επιτήρηση.
Σε μια κοινωνία οργανωμένη για τις ανάγκες των πολλών, η τεχνολογική εξέλιξη θα μπορούσε να σημαίνει μείωση του εργάσιμου χρόνου, ασφαλέστερη εργασία, καλύτερη δημόσια υγεία, πρόσβαση στη γνώση, οικολογικό σχεδιασμό της παραγωγής και ελάφρυνση από βαριές ή επικίνδυνες δουλειές. Στον καπιταλισμό, όμως, η ίδια τεχνολογία γίνεται μέσο ανταγωνισμού, ελέγχου και κερδοφορίας. Γι’ αυτό το αίτημα δεν είναι να γυρίσουμε πίσω πριν την ΤΝ. Το αίτημα είναι να περάσει η τεχνολογία από τα χέρια των μετόχων, των στρατών και των μονοπωλίων στον έλεγχο αυτών που την παράγουν. Η ΤΝ, όπως κάθε μεγάλη μηχανική δύναμη της εποχής της, μπορεί να γίνει είτε εργαλείο απελευθέρωσης χρόνου και γνώσης είτε εργαλείο πειθάρχησης και πολέμου. Το ποια από τις δύο κατευθύνσεις θα κυριαρχήσει δεν θα το αποφασίσει η μηχανή. Θα το αποφασίσει η ταξική πάλη γύρω από τη μηχανή.36
Σημειώσεις
1. http://news.stanford.edu/stories/2019/02/ancient-myths-reveal-early-fantasies-artificial-life
2. https://www.theworldofchinese.com/2025/04/history-of-robotic-fantasies-in-ancient-china/
3. https://classics.stanford.edu/publications/gods-and-robots-myths-machines-and-ancient-dreams-technology
4. https://www.muslimheritage.com/uploads/Automation_Robotics_in_Muslim%20Heritage.pdf
5. https://tinyurl.com/b2rrkdec
6. https://tinyurl.com/mwrx8e6j
7. https://tinyurl.com/ybr9chrb
8. https://tinyurl.com/3fky64ak
9. https://shorturl.at/aFIw6
10. https://el.wikipedia.org/wiki/Deep_blue
11. https://www.lecturesbureau.gr/1/neural-networks-and-artificial-intelligence/
12. https://www.applogicnetworks.com/blog/sandvines-2024-global-internet-phenomena-report-global-internet-usage-continues-to-grow
13. https://www.domoinvestors.com/news/news-details/2024/Domo-Releases-12th-Annual-Data-Never-Sleeps-Report/default.aspx
14. https://ourworldindata.org/scaling-up-ai
15. https://www.marxists.org/archive/marx/works/1867-c1/ch07.htm
16. https://www.marxists.org/archive/marx/works/1867-c1/ch15.htm
17. https://investors.coreweave.com/news/news-details/2026/CoreWeave-Reports-Strong-Fourth-Quarter-and-Fiscal-Year-2025-Results/
18. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
19. https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
20. https://www.reuters.com/commentary/breakingviews/how-big-techs-630-bln-ai-splurge-will-fall-short-2026-03-26/
21. https://www.reuters.com/commentary/reuters-open-interest/investors-stay-calm-ai-capex-boom-eclipses-dotcom-mania-2026-05-27/
22. https://www.reuters.com/business/autos-transportation/us-department-defense-awards-contracts-google-xai-2025-07-14/
23. https://www.reuters.com/technology/pentagon-adopt-palantir-ai-as-core-us-military-system-memo-says-2026-03-20/
24. https://www.reuters.com/business/us-army-pools-contracts-into-up-10-billion-palantir-deal-2025-07-31/
25. https://www.wgacontract2023.org/the-campaign/summary-of-the-2023-wga-mba
26. https://apnews.com/article/sagaftra-video-game-ai-disney-activision-2b833f126fca725c8872f1ff8fbf89a9
27. https://www.sagaftra.org/contracts-industry-resources/member-resources/artificial-intelligence
28. https://time.com/collections/time100-ai-2024/7012787/mophat-okinyi/
29. https://www.brookings.edu/articles/reimagining-the-future-of-data-and-ai-labor-in-the-global-south/
30. https://www.reuters.com/technology/google-terminates-28-employees-protest-israeli-cloud-contract-2024-04-18
31. https://apnews.com/article/israel-palestinians-ai-technology-microsoft-gaza-lebanon-90541d4130d4900c719d34ebcd67179d
32. https://www.reuters.com/technology/samsung-elec-union-south-korea-strike-between-july-8-10-union-official-says-2024-07-02/
33. https://www.reuters.com/business/world-at-work/samsung-global-ai-boom-spurred-looming-strike-deep-divisions-2026-05-15/
34. https://www.reuters.com/business/world-at-work/south-korea-concrete-delivery-halt-threatens-samsung-sk-hynix-chip-plant-work-2026-06-12
35. https://www.ilo.org/algorithmic-management-workplace
36. https://socialistworker.co.uk/in-depth/are-bosses-replacing-capitalism-explaining-technofeudalism/