Τεχνητή Νοημοσύνη: Γιατί η αυτόνομη αυτοβελτίωση των μοντέλων AI αργεί περισσότερο από όσο αναμενόταν

Μία από τις πιο πολυσυζητημένες υποσχέσεις στον χώρο της τεχνολογίας είναι η αποκαλούμενη «αναδρομική αυτοβελτίωση» (recursive self-improvement) της Τεχνητής Νοημοσύνης: η ιδέα ότι τα συστήματα AI θα μπορούν σύντομα να διεξάγουν ανεξάρτητη έρευνα και να εξελίσσουν τον εαυτό τους χωρίς ανθρώπινη παρέμβαση. Παρότι τα σύγχρονα μεγάλα γλωσσικά μοντέλα (LLMs) γράφουν ήδη κώδικα και βελτιστοποιούν επεξεργαστές, μια νέα ακαδημαϊκή έρευνα καταδεικνύει ότι η πλήρης αυτοματοποίηση της επιστημονικής έρευνας απέχει σημαντικά από την πραγματικότητα.

Η μέθοδος της «σκιώδους αξιολόγησης» από το Πρίνστον

Ερευνητική ομάδα με επικεφαλής τους επιστήμονες Πίτερ Κίργκις και Σάγιας Καπούρ από το Πανεπιστήμιο του Πρίνστον εξέτασε κατά πόσο οι αυτόνομοι πράκτορες AI μπορούν να διεξάγουν πρωτότυπη έρευνα ανοιχτού τύπου. Σε αντίθεση με τις συνήθεις δοκιμές που αφορούν στενά τεχνικά προβλήματα με σαφείς απαντήσεις, η επιστημονική πρόοδος απαιτεί κριτική σκέψη, διαίσθηση και ικανότητα επιλογής υποθέσεων.

Για να δοκιμάσουν αυτές τις δεξιότητες, οι ερευνητές εφάρμοσαν μια νέα μέθοδο με την ονομασία «shadow evaluation». Ανέθεσαν στο μοντέλο Claude Opus 4.8 της Anthropic, μέσω του λογισμικού ανοιχτού κώδικα OpenClaw, να επιλύσει ερευνητικά ερωτήματα από δύο αδημοσίευτες μελέτες που είχαν υποβληθεί στο κορυφαίο συνέδριο μηχανικής μάθησης NeurIPS 2026. Με αυτόν τον τρόπο διασφαλίστηκε ότι το μοντέλο δεν είχε απομνημονεύσει τα δεδομένα κατά την εκπαίδευσή του.

Εξαιρετικοί εκτελεστές, ανεπαρκείς επιστήμονες

Στους πράκτορες AI παραχωρήθηκαν έξι ημέρες, προϋπολογισμός 3.000 δολαρίων σε πιστώσεις API της Anthropic, υπολογιστική ισχύς GPU και πλήρης πρόσβαση στο διαδίκτυο. Στόχος ήταν η συγγραφή μιας πλήρους ερευνητικής εργασίας. Στη συνέχεια, οι αρχικοί συγγραφείς των επιστημονικών εργασιών αξιολόγησαν τα κείμενα που παρήγαγε η τεχνητή νοημοσύνη, απορρίπτοντας και τα δύο.

Τα αποτελέσματα έδειξαν ότι τα συστήματα AI ανταποκρίθηκαν άψογα στο τεχνικό σκέλος: εξέτασαν τη βιβλιογραφία, εκτέλεσαν εκατοντάδες πειράματα και συνέταξαν τα αποτελέσματα. Ωστόσο, απέτυχαν πλήρως στην ουσία της έρευνας. Όπως δήλωσε ο Σάγιας Καπούρ, τα μοντέλα δυσκολεύτηκαν να επιδείξουν τη δημιουργικότητα και την κρίση που απαιτούνται, πραγματοποίησαν ανούσια πειράματα και δεν κατάφεραν να αναδιατυπώσουν τη στρατηγική τους όταν οι αρχικές προσεγγίσεις οδηγούσαν σε αδιέξοδο.

Τα όρια της εκπαίδευσης και οι υπερβολικές προσδοκίες

Επιπλέον, οι ψηφιακοί πράκτορες δεν μπόρεσαν να ενσωματώσουν αποτελεσματικά τις διορθώσεις και να διαχειριστούν σωστά τους διαθέσιμους πόρους. Αντί να αναθεωρήσουν τη μεθοδολογία τους όταν αντιμετώπιζαν προβλήματα, απλώς περιόριζαν τους ισχυρισμούς τους προσθέτοντας επιφυλάξεις.

Το χάσμα ανάμεσα στην ικανότητα εκτέλεσης τεχνικών εργασιών (research engineering) και στην πραγματική επιστημονική δημιουργικότητα εξηγεί γιατί τα χρονοδιαγράμματα για την άμεση έλευση της αυτοβελτιούμενης τεχνητής νοημοσύνης ίσως αποδειχθούν υπερβολικά αισιόδοξα. Σύμφωνα με τους ερευνητές, ο περιορισμός αυτός πηγάζει από τον ίδιο τον τρόπο με τον οποίο εκπαιδεύονται σήμερα τα μοντέλα, καθιστώντας την ανθρώπινη καθοδήγηση απολύτως απαραίτητη για το άμεσο μέλλον.