Από τα φωτοβολταϊκά στα ηλεκτρικά αυτοκίνητα, και τώρα στην τεχνητή νοημοσύνη. Η ιστορία επαναλαμβάνεται — και οι αποτιμήσεις των δισεκατομμυρίων ίσως στηρίζονται στην άμμο.
Όταν η εταιρεία Zhipu από το Πεκίνο εισήγαγε το μοντέλο ανοιχτού κώδικα GLM, λίγοι περίμεναν ότι θα τα έβαζε επί ίσοις όροις με τον Claude της Anthropic και το GPT της OpenAI.
Κι όμως! Με μόνο ένα μικρό κλάσμα του κόστους, κατάφερε να συγκριθεί με τεχνολογίες αιχμής, σε τέτοιο βαθμό που άρχισε να δημιουργεί αμφιβολίες για το εάν όντως οι υψηλές αποτιμήσεις των εταιριών τεχνολογίας αντανακλούν ένα γνήσιο ανταγωνιστικό πλεονέκτημα.
Το ερώτημα που ακολούθησε δεν είναι νέο. Βλέπουμε τη γέννηση ενός νέου είδους νοημοσύνης ή την αρχή μιας ιστορίας που την έχουμε ήδη ζήσει δύο φορές;
Της ιστορίας, δηλαδή, των ηλιακών πάνελ και των ηλεκτρικών αυτοκινήτων: δυτικές εφευρέσεις που η Κίνα μετέτρεψε σε φθηνά, άφθονα εμπορεύματα, μέχρι που εκείνοι που τις επινόησαν δεν μπορούσαν πια να βγάλουν τα προς το ζην πουλώντας τις.¹
Για τις αμερικανικές και τις ευρωπαϊκές εταιρείες, το προηγούμενο είναι ενοχλητικό. Οι αποτιμήσεις τους στηρίζονται σε μια υπόθεση σπανιότητας: ότι τα ικανά μοντέλα είναι λίγα, ακριβά και ελεγχόμενα από όποιον τα εκπαίδευσε.
Η Ευρώπη ξέρει τι γίνεται όταν η υπόθεση αυτή καταρρέει — εφηύρε ένα μεγάλο μέρος της βιομηχανίας των φωτοβολταϊκών και μετά είδε τους κατασκευαστές της να εξαφανίζονται. Αν ένα αξιόπιστο μοντέλο κατεβαίνει δωρεάν, το πριμ της κατοχής του εξατμίζεται.
Η οικονομία της σκόπιμης ζημιάς
Η κινεζική στρατηγική δεν είναι άγνωστη και πόσο μάλλον ανακόλουθη. Την έχουμε δει να ξετυλίγεται ήδη δύο φορές, με πολύ μεγάλη επιτυχία.
Στα φωτοβολταϊκά και έπειτα στα ηλεκτρικά οχήματα, η επιστήμη γεννήθηκε σε δυτικά εργαστήρια. Η παραγωγή όμως — και κυρίως η τιμολόγηση — κατακτήθηκε με μια μέθοδο που κανένας ιδιώτης επενδυτής δεν θα διάλεγε ποτέ. Κρατικές τράπεζες χρηματοδότησαν τα εργοστάσια που ήθελαν οι κατά τόπους κομματικές επιτροπές, και τα εργοστάσια αυτά ανταγωνίστηκαν μεταξύ τους πουλώντας κάτω του κόστους.
Στη γλώσσα των οικονομικών αυτό λέγεται στρατηγική αρνητικής καθαρής παρούσας αξίας: ρίχνεις εν γνώσει σου περισσότερα χρήματα από όσα μπορείς λογικά να περιμένεις ότι θα πάρεις πίσω. Γιατί να το κάνει κανείς αυτό; Επειδή όσοι παίρνουν τις αποφάσεις δεν προσπαθούν, τουλάχιστον όχι πρωτίστως, να αποκομίσουν οικονομικό όφελος.
Οι οικονομολόγοι Andrei Shleifer και Robert Vishny το έδειξαν με σαφήνεια. Όταν το τιμόνι μιας εταιρείας το κρατούν πολιτικοί και όχι μέτοχοι, η εταιρεία υπηρετεί πολιτικούς στόχους — απασχόληση, τοπικό γόητρο, στρατηγική κυριαρχία — και όχι χρηματοοικονομικές αποδόσεις.²
Ένα ιδιωτικό εργαστήριο πρέπει να αποδώσει ή να κλείσει. Ένας κρατικός πρωταθλητής αρκεί να υπηρετήσει την εντολή που του δόθηκε. Κι όταν οι δύο συναντηθούν στην ίδια αγορά, την τιμή την ορίζει εκείνος που έχει μεγαλύτερη ανοχή στις ζημιές.
Το αποτέλεσμα είναι προβλέψιμο: αφθονία. Μεγάλη προσφορά, χαμηλές τιμές και σταδιακή διάβρωση του πλεονεκτήματος εκείνου που καινοτόμησε πρώτος.
Είναι όμως η τεχνητή νοημοσύνη το ίδιο πράγμα;
Εδώ η αναλογία θέλει προσοχή. Τα πάνελ και τα αυτοκίνητα βελτιώνονται με άλματα: μια καλύτερη χημεία κυψέλης, μια πυκνότερη μπαταρία. Ανάμεσα στα άλματα, το προϊόν μένει ουσιαστικά ίδιο.
Η μακροπρόθεσμη πορεία τους καθορίζεται από κάτι σαν τον νόμο του Μουρ: την παρατήρηση του Gordon Moore, το 1965, ότι τα τρανζίστορ πάνω σε ένα τσιπ περίπου διπλασιάζονται κάθε δύο χρόνια, οπότε η υπολογιστική ισχύς ανεβαίνει και το κόστος ανά μονάδα πέφτει, σταθερά και προβλέψιμα.³ Ό,τι ταξιδεύει πάνω σε αυτή την καμπύλη καταλήγει φθηνό και άφθονο. Γι’ αυτό ακριβώς τα πάνελ και τα αυτοκίνητα έγιναν κοινά εμπορεύματα.
Ταξιδεύει η τεχνητή νοημοσύνη στην ίδια καμπύλη;
Για να απαντήσουμε, αξίζει να θυμηθούμε πρόχειρα πώς δουλεύουν αυτά τα μοντέλα. Είναι χαλαρά εμπνευσμένα από τον εγκέφαλο: στρώματα από «κόμβους» που ενώνονται με «συνδέσεις», η ισχύς των οποίων ρυθμίζεται ώσπου το δίκτυο να παράγει χρήσιμο αποτέλεσμα.
Υπάρχει όμως μία καθοριστική διαφορά από έναν ζωντανό εγκέφαλο. Το μοντέλο μαθαίνει μία φορά, κατά την εκπαίδευση, και από εκεί και πέρα απλώς εφαρμόζει όσα έμαθε. Ο δικός σας εγκέφαλος μαθαίνει διαρκώς, αναδιατάσσεται αθόρυβα με κάθε κουβέντα. Η σημερινή τεχνητή νοημοσύνη όχι. Για να γίνει εξυπνότερη πρέπει να την ξαναεκπαιδεύσεις: περισσότερα δεδομένα, περισσότερα τσιπ, περισσότερο ρεύμα.
Κι εδώ κρύβεται ένας βαθύτερος περιορισμός. Ένα εκπαιδευμένο μοντέλο είναι, με μια σημαντική έννοια, κλειστό σύστημα: οι δυνατότητές του παγώνουν τη στιγμή που τελειώνει η εκπαίδευση. Μπορεί να μας εκπλήξει με τον τρόπο που ανασυνθέτει όσα ξέρει, μπορεί και να μη δώσει την ίδια απάντηση δύο φορές, δεν μπορεί όμως να ξεπεράσει τα όρια που χαράχτηκαν κατά την εκπαίδευση αν δεν ξαναχτιστεί από την αρχή.
Το θεώρημα μη πληρότητας του Κουρτ Γκέντελ προσφέρει μια χρήσιμη αναλογία.
Ο Γκέντελ έδειξε ότι κάθε πεπερασμένο και συνεπές σύστημα αξιωμάτων, αρκετά πλούσιο ώστε να περιγράφει την αριθμητική, περιέχει αληθείς προτάσεις που δεν μπορεί ποτέ να αποδείξει από μέσα του.⁴ Ένα μοντέλο είναι οριοθετημένο με παρόμοιο τρόπο από όσα χτίστηκαν μέσα του.
Κι αν ο μόνος δρόμος για να διευρυνθούν αυτά τα όρια είναι περισσότερα δεδομένα και περισσότερη υπολογιστική ισχύς, τότε η τεχνητή νοημοσύνη είναι τελικά δεμένη στον νόμο του Μουρ — και στην ίδια μοίρα που βρήκε τα πάνελ και τα αυτοκίνητα.
Υπάρχει μία διέξοδος, εξίσου καθαρή. Αν κάποτε τα μοντέλα γίνουν πραγματικά εξελικτικά — αν μαθαίνουν από κάθε χρήση και ενημερώνονται μόνα τους έξω στον πραγματικό κόσμο, όχι μόνο μέσα σε έναν κύκλο εκπαίδευσης — τότε όλη η ιστορία αλλάζει.
Ένα τέτοιο σύστημα θα ανατοκίζει το πλεονέκτημά του αντί να το παγώνει στην πόρτα του εργοστασίου, και δεν θα γίνεται εύκολα εμπόρευμα. Εκεί, κι όχι στο μέγεθος, βρίσκεται το πραγματικό μέτωπο.
Γιατί μας αφορά
Αν η ανάγνωση αυτή είναι σωστή, δύο συμπεράσματα αξίζουν προσοχή: ένα για όσους χρηματοδοτούν την τεχνολογία και ένα για όσους τη φτιάχνουν.
Το πρώτο είναι ότι το ανταγωνιστικό πλεονέκτημα στην τεχνητή νοημοσύνη πρόκειται να διαβρωθεί. Αν η σημερινή γενιά μοντέλων παραμείνει ουσιαστικά στατική και δεμένη στο κόστος του υπολογισμού, ένας καλά χρηματοδοτούμενος παίκτης που δεν φοβάται τη ζημιά μπορεί να σπρώξει την τιμή της «αρκετά καλής» νοημοσύνης προς το οριακό της κόστος.
Τα περιθώρια κέρδους πάνω στα ίδια τα μοντέλα θα πιεστούν, όπως ακριβώς πιέστηκαν στα ηλιακά πάνελ.
Για τους επενδυτές, και για τις δυτικές εταιρείες που στηρίζουν, το συμπέρασμα είναι ταυτόχρονα άβολο και απελευθερωτικό. Οι διαρκείς αποδόσεις δύσκολα θα προκύψουν από την κατοχή ενός ακόμη εναλλάξιμου μοντέλου.
Θα προκύψουν από ό,τι χτίζεται πάνω του: από τα προϊόντα, τις ροές εργασίας και τα κανάλια διανομής που ο ανταγωνιστής δεν μπορεί να αντιγράψει εύκολα.
Όσο η ίδια η νοημοσύνη γίνεται φθηνή και άφθονη, η αξία μεταναστεύει σε ό,τι παραμένει σπάνιο.
Αυτό, με τη σειρά του, αλλάζει και τους όρους της κούρσας. Το ένστικτο του κλάδου λέει: φτιάξε ολοένα μεγαλύτερα μοντέλα, που καταναλώνουν ολοένα περισσότερη ενέργεια, για οριακά καλύτερες επιδόσεις σε κάποιο τεστ. Όμως το καθαρό μέγεθος είναι ακριβώς η ιδιότητα που η αφθονία κάνει φθηνή.
Το πιο ενδιαφέρον έπαθλο βρίσκεται στα μοντέλα που μαθαίνουν καθώς δουλεύουν. Ένα σύστημα που συνεχίζει να βελτιώνεται μετά την κυκλοφορία του δεν γίνεται εύκολα εμπόρευμα, γιατί κανένας ανταγωνιστής δεν μπορεί απλώς να το κατεβάσει και να υποτιμολογήσει έναν στόχο που ακόμη κινείται.
Μπορεί λοιπόν η τεχνητή νοημοσύνη να γίνει άφθονη; Με τη σημερινή αρχιτεκτονική, πολύ πιθανόν — και η στιγμή του GLM είναι η προειδοποιητική βολή. Ο μόνος τρόπος να μείνει κανείς μπροστά από την αφθονία είναι να αλλάξει τη φύση της μηχανής: να χτίσει νοημοσύνη που μεγαλώνει, αντί για νοημοσύνη που είναι απλώς μεγάλη.
Μέχρι τότε, τα έξυπνα κεφάλαια ίσως κάνουν καλά να ακολουθήσουν τα ηλιακά πάνελ. Όχι μέσα στα εργοστάσια, αλλά σε όλα όσα επιλέγουμε να χτίσουμε πάνω τους.
Ο κ. Ιορδάνης Καλαϊτζόγλου είναι Καθηγητής Χρηματοοικονομικής, Audencia BusinessSchool.
Πηγές
¹ Mikael Gorsky, “A Triumph for City Governments? How China’s Scaling Model Will Change the Global AI Market,” Oninvest, 11 July 2026, https://en.oninvest.com/article/a-triumph-for-city-governments-how-china-s-scaling-model-will-change-the-global-ai-market.
² Andrei Shleifer and Robert W. Vishny, “Politicians and Firms,” Quarterly Journal of Economics 109, no. 4 (1994): 995–1025.
³ Gordon E. Moore, “Cramming More Components onto Integrated Circuits,” Electronics 38, no. 8 (1965).
⁴ Kurt Gödel, “Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme,” Monatshefte für Mathematik und Physik 38 (1931): 173–198.
Ακολουθήστε το Business Daily στο Google news
