Τεχνητή νοημοσύνη και φόβοι της ακαδημίας

Στην αρχή του Σεπτεμβρίου, κατά τη διάρκεια της παρουσίασης του νέου μοντέλου GPT-6 Astra, η εταιρεία OpenAI ανακοίνωσε τη δημιουργία της λεγόμενης γενικής τεχνητής νοημοσύνης. Αυτό θα πρέπει να είναι ένα επίπεδο ανάπτυξης αυτής της τεχνολογίας, που θα πλησιάζει τα γλωσσικά μοντέλα στις νοητικές δυνατότητες του ίδιου του ανθρώπου.

Αν και αυτή η δήλωση συναντήθηκε και με σκεπτικισμό από τους ειδικούς στον τομέα της ΤΝ, τα επόμενα γεγονότα ενίσχυσαν το συναίσθημα γύρω από τις πιθανές δυνατότητες της τεχνητής νοημοσύνης. Πρώτα, η OpenAI ανακοίνωσε ότι το γλωσσικό τους μοντέλο έλυσε ένα από τα «μυριόχρονα προβλήματα» (δηλαδή, θεμελιώδη μαθηματικά ζητήματα για την επιστήμη). Μετά, στα κοινωνικά μέσα, κυκλοφόρησε μια νέα πληροφορία: μαθηματικοί, που ήταν κοντά στη λύση αυτού του ίδιου προβλήματος και χρησιμοποίησαν και αυτοί μοντέλα GPT, εξέφρασαν ανησυχία ότι η ανακοίνωση του OpenAI έγινε χάρη στη δουλειά τους.

Ας προσθέσουμε ότι εδώ και κάποιο καιρό, όλο και πιο συχνά εμφανίζονται στα μέσα ενημέρωσης δηλώσεις πρώην εργαζομένων της εταιρείας ότι τα μοντέλα που δημιουργεί η OpenAI είναι επικίνδυνα και στο μέλλον, ως πλήρως αυτόνομα και χωρίς έλεγχο από τον άνθρωπο συστήματα, θα μπορούσαν να απειλήσουν την ανθρωπότητα.

Έχει ήδη γραφτεί πραγματικά πολύ για τους κινδύνους που σχετίζονται με την ανάπτυξη της τεχνητής νοημοσύνης. Η πρόοδος σε αυτόν τον τομέα συνδέεται με σοβαρό περιβαλλοντικό αποτύπωμα, καθώς τα κέντρα δεδομένων, απαραίτητα για την εκπαίδευση των γλωσσικών μοντέλων, απαιτούν τεράστιες ποσότητες ενέργειας και νερού. Απαντήσεις παραμένουν τα ερωτήματα σχετικά με την ιδιωτικότητα, αφού οι χρήστες ανεβάζουν στα γλωσσικά μοντέλα ό,τι επιθυμούν – από οικογενειακές φωτογραφίες μέχρι αποτελέσματα ιατρικών εξετάσεων – και όλα αυτά γίνονται μέρος μιας τεράστιας λάβας δεδομένων, από την οποία επωφελούνται οι Big Tech εταιρείες.

Τελικά, τίθενται συχνά λιγότερα ή περισσότερο σοβαρά ερωτήματα σχετικά με την ασφάλεια και το μέλλον – πώς να εφαρμόσουμε συστήματα ελέγχου, αν αυτή η τόσο ισχυρή τεχνολογία αναπτύσσεται από ιδιωτικές εταιρείες που δεν υπόκεινται σε κανέναν έλεγχο;

Ως κοινωνιολόγος, δεν μπορώ να αξιολογήσω αυτούς τους κινδύνους. Δεν έχω ιδέα αν σε 10 χρόνια θα ξυπνήσουμε σε έναν κόσμο σαν από το Τερμινάτορα. Δεν έχω την αρμοδιότητα να κρίνω αν οι προειδοποιήσεις ότι η ανεξέλεγκτη ανάπτυξη της AI θα οδηγήσει σε κατάληψη της εξουσίας στον κόσμο από τα γλωσσικά μοντέλα είναι ριζωμένες σε πραγματικές διαδικασίες ή απλώς εκφράζουν μια τεχνοφοβία χαρακτηριστική για εποχές επαναστατικών επιστημονικών και τεχνολογικών αλλαγών. Μπορώ όμως να ρωτήσω για το χαρακτήρα αυτών των φόβων, καθώς μας λένε κάτι πολύ ενδιαφέρον για τα κοινωνικά συναισθήματα που προκαλεί η τεχνολογική εξέλιξη.

AI και ακαδημία

Είναι ένα τόσο ενδιαφέρον θέμα, που μόλις λίγες εβδομάδες πριν είχαμε μια δική μας, πολωνική αντιπαράθεση γύρω από την AI – συγκεκριμένα, την υπόθεση του (ανεπιτυχούς) αναφοράς Πολωνών αυτοπροσωπογραφία και της καθηγήτριας Μπάρμπαρα Μρόζ-Γκοργκόν. Εντυπωσιακή είναι η κλίμακα των αντιδράσεων και η θερμοκρασία των συναισθημάτων που την συνόδευσαν. Εκτός από την συνηθισμένη διαδικτυακή λιντσάρισμα (γράφω «συνήθως», διότι στην εποχή των πολωμένων κοινωνικών μέσων τέτοιες αντιδράσεις δεν είναι κάτι καινούργιο), πολλές κριτικές φωνές κατά της πρώην εκπροσώπου της κυβέρνησης για την προώθηση της πολωνικής ταυτότητας προήλθαν από ακαδημαϊκούς κύκλους. Ο εκπρόσωπος της Συνέλευσης των Πρύτανεων των Ακαδημαϊκών Σχολών της Πολωνίας (οργάνωση που εκπροσωπεί τους επικεφαλής των πολωνικών πανεπιστημίων) ζήτησε από την καθηγήτρια Μρόζ-Γκοργκόν συγγνώμη και θεώρησε ακατάλληλο τα λόγια της, ότι «ο δεύτερος καθηγητής στον κόσμο που χρησιμοποιεί τεχνητή νοημοσύνη. Στα κοινωνικά φόρουμ διάβασα πολλές κριτικές φωνές από εκπροσώπους της ακαδημαϊκής κοινότητας, που μιλούσαν ακόμη και για την εξευτέλιση της πολωνικής επιστήμης.

Από πού προέρχεται αυτή η έντονη κριτική; Για να απαντήσουμε σε αυτό το ερώτημα, πρέπει να κατανοήσουμε τι πραγματικά είναι η τεχνητή νοημοσύνη από την άποψη της επιστήμης ως πεδίου παραγωγής γνώσης – και από την άποψη των επιστημόνων ως ανθρώπων που ειδικεύονται στην παραγωγή αυτής της γνώσης.

AI και ακαδημία

Οι ενθουσιώδεις θα απαντούσαν ότι είναι ένα εργαλείο που διευκολύνει τη δουλειά. Εδώ πρέπει να ομολογήσω ότι χρησιμοποιώ μοντέλα γλώσσας – κυρίως για την ανασκόπηση της βιβλιογραφίας, μια διαδικασία κουραστική αλλά αναγκαία αν θέλει κανείς να δημοσιεύσει σε αξιόλογα, αγγλόφωνα επιστημονικά περιοδικά. Τα γλωσσικά μοντέλα επιταχύνουν σημαντικά αυτή τη διαδικασία, οι πληρωμένες εκδόσεις τους σχεδόν δεν παραισθάνονται πλέον και μπορούν να επιλέξουν επιστημονικά άρθρα σχετικά με το ενδιαφέρον μου θέμα, και εγώ δεν χρειάζεται να διαβάσω δεκάδες κείμενα για να βρω μερικά που ταιριάζουν ακριβώς σε αυτό που με απασχολεί. Η τεχνητή νοημοσύνη μου επιτρέπει επίσης να μεταφράσω στα αγγλικά ό,τι έγραψα, κάτι που αποτελεί σημαντικό πλεονέκτημα για κάποιον που ως εκπρόσωπος μιας ημιπεριφερειακής επιστήμης πρέπει να ανταγωνίζεται με αγγλόφωνους επιστήμονες από κέντρα.

Υπάρχουν και άλλες, λιγότερο αμφιλεγόμενες εφαρμογές της AI στην επιστήμη, όπως η αυτοματοποίηση της συλλογής δεδομένων (π.χ. από ιστοσελίδες, όταν κάποιος ασχολείται με αναλύσεις λόγου) ή η προκαταρκτική ή βαθύτερη ανάλυση αυτών (π.χ. μέσω δημιουργίας προκαταρκτικών κλειδιών κατηγοριοποίησης και κωδικοποίησης ποιοτικών δεδομένων). Όλοι αυτοί που υποβάλλουν προτάσεις χρηματοδότησης χρησιμοποιούν επίσης AI – η τεχνητή νοημοσύνη λειτουργεί άψογα ως βοηθός, που προτείνει πώς να γράψει κανείς μια αίτηση, ώστε να αυξήσει τις πιθανότητες επιτυχίας.

Οι επικριτές της AI τονίζουν ότι η κατάχρηση των γλωσσικών μοντέλων οδηγεί σε σημαντική πληθωριστική αύξηση της επιστημονικής παραγωγής. Σύμφωνα με μια ανάλυση, οι ερευνητές που χρησιμοποιούν εργαλεία AI δημοσιεύουν κατά μέσο όρο τρεις φορές περισσότερα επιστημονικά κείμενα και μπορούν να αναμένουν σχεδόν τέσσερις φορές περισσότερες αναφορές. Μια άλλη δείχνει σημαντική αύξηση στον αριθμό των υποβολών προτάσεων χρηματοδότησης στο διακεκριμένο πρόγραμμα Marie Sklodowska-Curie Actions την περίοδο 2022–2025. Όλα αυτά σημαίνουν ότι, αν και στους επιστήμονες είναι πιο εύκολο να γράψουν ένα κείμενο ή μια αίτηση χρηματοδότησης, ο αυξανόμενος ανταγωνισμός καθιστά όλο και πιο δύσκολο να δημοσιευθεί το κείμενο και να λάβει χρηματοδότηση.

Τα καλύτερα επιστημονικά περιοδικά και οι πιο διακεκριμένες χρηματοδοτικές υπηρεσίες πλημμυρίζουν με καλά γραμμένες προτάσεις. Αυτή η αυξημένη προσφορά επιστημονικής γνώσης δεν συνοδεύεται από αυξημένη ζήτηση. Τα καλύτερα περιοδικά δημοσιεύουν τον ίδιο αριθμό άρθρων, και οι οργανώσεις διαθέτουν τους ίδιους προϋπολογισμούς, με αποτέλεσμα ο δείκτης επιτυχίας (η αναλογία αποδεκτών άρθρων ή προτάσεων προς απορριφθέντα) να μειώνεται σταθερά.

Η αξιολόγηση και η αξιοπιστία

Επιπλέον, η διαδικασία αξιολόγησης, η βασική δραστηριότητα στην έκδοση ερευνών, επηρεάζεται. Τα καλά ερευνητικά έργα πρέπει να περάσουν από έλεγχο και να ελεγχθούν από άλλους ειδικούς στον τομέα, ώστε να παρουσιαστούν σε ευρύτερο ακροατήριο σε ένα επιστημονικό άρθρο. Το double-blind peer review, δηλαδή η ανώνυμη αξιολόγηση από άλλους επιστήμονες, είναι το πρότυπο σε περισσότερους τομείς της επιστήμης. Ωστόσο, η πληθώρα δημοσιεύσεων οδηγεί στο να γίνεται όλο και πιο δύσκολο για τους επιστήμονες να βρουν χρόνο να διαβάσουν προσεκτικά ένα επιστημονικό άρθρο, να το αξιολογήσουν με αξιοπιστία και να γράψουν την κριτική τους (βήμα προς βήμα, να αιτιολογήσουν την αξιολόγησή τους).

Υπάρχουν αποδείξεις ότι τα γλωσσικά μοντέλα συχνά χρησιμοποιούνται όχι μόνο για τη συγγραφή επιστημονικών κειμένων, αλλά και για την αξιολόγησή τους. Έτσι, έχουμε μια κατάσταση όπου η τεχνητή νοημοσύνη γράφει άρθρα για τους επιστήμονες και στη συνέχεια τους βοηθά στην αξιολόγησή τους.

Η αξιοπιστία στην επιστήμη

Όλα αυτά τα αρνητικά φαινόμενα σίγουρα απασχόλησαν αυτούς που συμμετείχαν στην σχεδόν ομοφωνική κριτική προς την καθηγήτρια Μρόζ-Γκοργκόν. Δεν θέλω να αμφισβητήσω τις καλές τους προθέσεις. Η AI πραγματικά μπορεί να αποτελεί μεγάλο κίνδυνο για την επιστήμη, και τα εργαλεία της πρέπει να χρησιμοποιούνται με μεγάλη προσοχή. Η ίδια η κριτική που δέχθηκε η συν-συγγραφέας της αναφοράς είναι σε μεγάλο βαθμό δικαιολογημένη. Ωστόσο, η ριζοσπαστικότητα αυτής της αντίδρασης είναι περίεργη και ίσως κρύβει έναν ενσυνείδητο φόβο – όχι τόσο για τις άμεσες συνέπειες της τεχνολογικής ανάπτυξης για μια συγκεκριμένη δραστηριότητα, όσο για την απώλεια του κοινωνικού της status.

Η δική μου υπόθεση είναι η εξής: τα συναισθήματα που σχετίζονται με την υπόθεση της αναφοράς της πρώην εκπροσώπου της κυβέρνησης για την προώθηση της Πολωνίας στον κόσμο είναι μια έκφραση φόβου για μια ριζική αλλαγή των κανόνων του ακαδημαϊκού παιχνιδιού, βασισμένης στην ατομική φήμη.

Από την άποψη ενός εξωτερικού παρατηρητή, οι επιστήμονες κάνουν αυτό που κάνουν, ώστε να ζούμε όλοι καλύτερα. Η επιστημονική γνώση εξυπηρετεί τα συμφέροντα όλων των ανθρώπων (π.χ., να ζούμε περισσότερο, πιο υγιεινά και πιο άνετα). Στην κλασική προσέγγιση του κοινωνιολόγου Ρόμπερτ Κ. Μέρτον, στοιχεία του ακαδημαϊκού ήθους είναι, μεταξύ άλλων, ο κοινοτισμός και η ανιδιοτέλεια, δηλαδή η πεποίθηση ότι η γνώση είναι κοινή κληρονομιά όλης της ανθρωπότητας και η ερευνητική δραστηριότητα πρέπει να κινείται από την επιδίωξη της αλήθειας, και όχι από την εκπλήρωση ιδιοτελών συμφερόντων. Αυτό, όμως, αποτελεί μια ιδεατή εικόνα, όπως έδειξαν και πολλοί κριτικοί του Μέρτον.

Δεν αρνούμαι φυσικά ότι οι επιστήμονες διεξάγουν έρευνες για το καλό της ανθρωπότητας. Μάλλον, θέλω να τονίσω ότι μια πολύ σημαντική κινητήρια δύναμη γι’ αυτούς είναι και η ατομική φήμη. Αυτή ίσως είναι το πιο πολύτιμο «νόμισμα» στον κόσμο της επιστήμης. Όπως έλεγε ένας πιο ρεαλιστής κοινωνιολόγος, ο Πιερ Μπουρντιέ, στην επιστήμη, όπως και σε άλλους τομείς της κοινωνικής δραστηριότητας, η εξουσία εξαρτάται από την φήμη. Η εξουσία στην επιστήμη βασίζεται, μεταξύ άλλων, στον αριθμό των δημοσιεύσεων σε διακεκριμένα περιοδικά, σε έργα που χρηματοδοτούνται από φημισμένες οργανώσεις και στον αριθμό των αναφορών.

Αυτή η συγκεντρωμένη φήμη μπορεί αργότερα να ανταλλαχθεί με άλλους πόρους (π.χ., ένας επιστήμονας με υψηλή φήμη μπορεί να κερδίζει περισσότερα) ή να χρησιμοποιηθεί ως κεφάλαιο για την επίτευξη επιτυχίας και σε άλλους τομείς (π.χ., ένας επιστήμονας με υψηλή φήμη μπορεί να γίνει γνωστός στα μέσα ενημέρωσης ή να εμπλακεί στην πολιτική). Ταυτόχρονα, η συσσώρευση αυτής της «νομισματικής αξίας», δηλαδή της φήμης, μπορεί να είναι εξαιρετικά δύσκολη και να απαιτεί πολλές θυσίες, και προσωπικές. Από την άλλη, οι αναγνωρισμένοι επιστήμονες, δηλαδή αυτοί που έχουν ήδη αποκτήσει μεγάλη φήμη, έχουν αργότερα ευκολότερα και ταχύτερα επιτεύγματα στη ζωή τους.

Για την τόσο σημαντική αυτή φήμη, είναι εξαιρετικά σημαντικό να αποδίδεται μια συγκεκριμένη επιστημονική επιτυχία σε συγκεκριμένο άτομο. Η φήμη μπορεί πάντα να παίζει ρόλο στον χώρο της επιστήμης. Η φήμη είναι δική του, διαφορετικά ως «νομισμα» δεν έχει νόημα. Γι’ αυτό, οι επιστήμονες δίνουν μεγάλη σημασία στην αποτύπωση της επιτυχίας σε συγκεκριμένο όνομα – η ιστορία γνωρίζει πολλές διαμάχες για την πρωτοτυπία μιας δημοσίευσης, μιας ανακάλυψης ή ενός διπλώματος ευρεσιτεχνίας. Ένα άλλο καλό παράδειγμα αυτού του μηχανισμού είναι οι συζητήσεις σχετικά με τη σειρά των συγγραφέων σε επιστημονικές δημοσιεύσεις – ο πρώτος συγγραφέας έχει πάντα τη μεγαλύτερη φήμη, ο δεύτερος λιγότερη, και ούτω καθεξής. Ήμουν μάρτυρας τουλάχιστον σε μερικές έντονες συζητήσεις σχετικά με το ποιο όνομα πρέπει να έχει προτεραιότητα.

Ένα καλό παράδειγμα είναι και η ήδη αναφερθείσα διαμάχη για την πρωτοτυπία στην επίλυση του μυριόχρονου προβλήματος. Μπορεί κανείς να ρωτήσει – ποιος ενδιαφέρεται πραγματικά, ποιος έκανε το πρώτο αυτό το άλμα, αφού τελικά μετράει η αύξηση της γνώσης; Στην επιστήμη, δυστυχώς, δεν είναι μόνο αυτό. Οι επιστήμονες, σε μεγάλο βαθμό, κινητοποιούνται από την επιθυμία να κάνουν κάτι σημαντικό, που θα καταγραφεί στην ιστορία. Μπορούμε να το κρίνουμε διαφορετικά, αλλά συχνά έτσι είναι.

Αλλαγή του παιχνιδιού για τη φήμη

Και στην ουσία, έτσι ήταν, διότι η ενσωμάτωση των μοντέλων γλώσσας στη μάθηση σε μεγάλη κλίμακα επαναπροσδιορίζει τους κανόνες του ακαδημαϊκού παιχνιδιού. Η AI επιτρέπει πολύ ταχύτερη συγκέντρωση φήμης μέσω άρθρων, επιχορηγήσεων και αναφορών. Όπως ανέφερα πιο πάνω, ήδη παρατηρείται απότομη αύξηση στον αριθμό των κειμένων που αποστέλλονται σε κορυφαία επιστημονικά περιοδικά. Ο επιστημονικός εκδοτικός τομέας έχει προσαρμοστεί καλά σε αυτές τις συνθήκες – όλο και πιο δημοφιλή γίνονται τα λεγόμενα «συνεργατικά περιοδικά», που δημοσιεύουν δεκαπέντε και περισσότερα κείμενα ημερησίως, έχουν γρήγορες διαδικασίες αξιολόγησης και εγγυώνται υψηλή αναφορά. Έτσι, εκδοτικοί οίκοι όπως το MDPI ή το Frontiers αποτελούν φυσικό οικοσύστημα για την επιστήμη που υποστηρίζεται από την AI.

Η αποτελεσματικότητα της υποστήριξης της επιστημονικής εργασίας με την τεχνητή νοημοσύνη καθιστά, λοιπόν, πιο εύκολη την πορεία προς την κατάσταση του αναγνωρισμένου επιστήμονα (αποφεύγοντας εδώ την ποιότητα αυτής της γνώσης, αυτό είναι ένα θέμα για μια εντελώς διαφορετική συζήτηση). Στο παραδοσιακό μοντέλο, τουλάχιστον στις περισσότερες περιπτώσεις, η συγκέντρωση φήμης ήταν πιο αργή. Στην εποχή της AI, όμως, όλα επιταχύνονται. Ο επιστήμονας μπορεί σχετικά γρήγορα να αποκτήσει σχετικά μεγάλα αποθέματα φήμης και να τα χρησιμοποιήσει σε διάφορα πεδία, ανταγωνιζόμενος τους εκπροσώπους της ακαδημαϊκής κοινότητας που «έχτισαν» τη φήμη τους με παλιούς κανόνες.

Όπως εύκολα μπορεί να φανταστεί κανείς, μια τέτοια κατάσταση οδηγεί αναπόφευκτα σε σύγκρουση μεταξύ αυτών που ξέρουν πώς να χειρίζονται τα γλωσσικά μοντέλα και χτίζουν τη θέση τους στον κόσμο της επιστήμης «γρήγορα», και αυτών που το πλήρωσαν με πολλές θυσίες και χρόνο. Πιστεύω ότι κάτι τέτοιο συνέβη και στην περίπτωση της αντίδρασης του ελληνικού ακαδημαϊκού περιβάλλοντος στην υπόθεση της καθηγήτριας Μρόζ-Γκοργκόν.

Φυσικά, η ίδια η αναφορά Πολωνών αυτοπροσωπογραφία αποτελεί ένα εξαιρετικό παράδειγμα του πώς δεν πρέπει να χρησιμοποιείται η AI. Ταυτόχρονα, όμως, αποτελεί και μια προεπισκόπηση του πώς θα μπορούσε να διαμορφωθεί το ακαδημαϊκό παιχνίδι για τη φήμη στο μέλλον και πώς αυτοί που σήμερα αποτελούν την ακαδημαϊκή ελίτ μπορεί να μην είναι σε θέση να προσαρμοστούν στους νέους κανόνες. Η καθηγήτρια Μρόζ-Γκοργκόν, από αυτή την άποψη, αποτελεί μια έκφραση αυτού που αναπόφευκτα έρχεται – ενός μέλλοντος που φαίνεται όχι μόνο ως μια σοβαρή αλλαγή, αλλά και ως κάτι που ανατρέπει τις μέχρι τώρα ιεραρχίες.

AI και αίσθημα αποξένωσης

Η AI επιπλέον καθιστά πολύ προβληματική την απάντηση στην ερώτηση «ποιος είναι ο συγγραφέας της έρευνας/πατέντας/ανακάλυψης/άρθρου», πλήττοντας έτσι τον βασικό – όπως προανέφερα – διάσταση του ακαδημαϊκού κύρους, δηλαδή την ιδιοκτησία. Στο παραδοσιακό μοντέλο, η κατάσταση ήταν αρκετά σαφής – εύκολα μπορούσε κανείς να αποδώσει τις ανακαλύψεις σε συγκεκριμένο άτομο. Και αν, όπως έδειξε και ο ιδιοφυής Ludwik Fleck σχεδόν εκατό χρόνια πριν, οι ομάδες και τα συλλογικά έργα είναι οι πραγματικοί δημιουργοί των επιστημονικών ανακαλύψεων, σύμφωνα με τους κανόνες του ακαδημαϊκού πεδίου, η δήλωση «είμαι ο δημιουργός αυτής της ανακάλυψης» αποτελεί βασική κίνηση για την απόκτηση φήμης.

Ας πάρουμε και πάλι το παράδειγμα της επίλυσης του μυριόχρονου προβλήματος. Δύο μαθηματικοί, που υποστήριξαν ότι η OpenAI μπορεί να «έκλεψε» την επανάστασή τους, στη δική τους εργασία βασίστηκαν σε γλωσσικά μοντέλα. Αυτά ανήκαν στην OpenAI, οπότε ίσως οι επιστήμονες συνέβαλαν και αυτοί στη δική τους ήττα.

Ποιος είναι ο δημιουργός της επανάστασης; Οι μαθηματικοί αυτοί, που πιθανώς δεν θα μπορούσαν να το κάνουν μόνοι τους, γι’ αυτό χρησιμοποίησαν την AI; Ή οι ιδιοκτήτες της OpenAI, που ίσως χρησιμοποίησαν προτροπές που ετοίμασαν οι ίδιοι οι μαθηματικοί, για να βελτιώσουν τα μοντέλα τους; Ή μήπως η ίδια η τεχνητή νοημοσύνη; Αλλά, βέβαια, η AI βασίζεται σε δεδομένα που έχουν προηγουμένως δημιουργήσει άνθρωποι, σε όλη την επιστημονική παραγωγή, και οι προτροπές διαμορφώνονται επίσης από ανθρώπους.

Η AI βασίζεται φυσικά στη γνώση που έχει εισαχθεί στο γλωσσικό μοντέλο από τον άνθρωπο, γι’ αυτό και τελικά κάποιος ζωντανός είναι ο δημιουργός των ιδεών που μας υποδεικνύει το LLM. Υπάρχει όμως εδώ ένα πρόβλημα που σχετίζεται με την πληθώρα αναφορών που παράγει η AI και την ταχύτητα απορρόφησής τους. Στην παραδοσιακή ακαδημαϊκή εργασία, η απορρόφηση και η χρήση των ιδεών άλλων απαιτεί χρόνο και, με κάποιο τρόπο, μεταμορφώνει αυτόν που χρησιμοποιεί τις ιδέες. Για να παραθέσω ένα κείμενο, πρέπει πρώτα να το διαβάσω, να το κατανοήσω και να εμπνευστώ από αυτό, και να το χρησιμοποιήσω δημιουργικά, με αποτέλεσμα ολόκληρη η διαδικασία να μεταμορφώνει τον τρόπο σκέψης μου. Αν χρησιμοποιούμε την τεχνητή νοημοσύνη, αυτή η διαδικασία επιταχύνεται σημαντικά, και ο μηχανισμός απορρόφησης (απορροφώ τις ιδέες των άλλων για να πω κάτι δικό μου) ουσιαστικά δεν λαμβάνει χώρα. Δεν υπάρχει χρόνος ώστε οι ιδέες των άλλων να γίνουν δικές μου.

Αυτό, κατά τη γνώμη μου, δημιουργεί αίσθημα αποξένωσης από το προϊόν της πνευματικής εργασίας μας. Αν γράφω ένα άρθρο και η AI κάνει διορθώσεις ή προτείνει επεκτάσεις που εγώ δεν θα είχα σκεφτεί, ποιος τελικά είναι ο συγγραφέας αυτού του άρθρου; Αν η AI αρχίζει να παίζει με ιδέες και θεωρίες που δεν γνώριζα και τις απορρόφησα μόνο από περιλήψεις, χρησιμοποιώ αυτές συνειδητά (δηλαδή σύμφωνα με τις δικές μου, αυθεντικές προθέσεις) ή απλώς ακολουθώ σαν να είμαι σε σίφουνα, σε αυτό το μυαλό μου, κάποιον άλλον; Όπως προανέφερα, οι ιδέες που κυκλοφορούν στα LLM πιθανόν έχουν τους δικούς τους δημιουργούς. Παρ’ όλα αυτά, η εμπειρία χρήσης της AI στην ακαδημαϊκή εργασία μπορεί να οδηγήσει σε μια άβολη αίσθηση για τους επιστήμονες, ότι δεν έχουν υποκειμενικότητα.