Από τα εργαστήρια της DeepMind, όπου συμμετείχε σε ορισμένες από τις σημαντικότερες στιγμές της τελευταίας δεκαετίας στην τεχνητή νοημοσύνη –με πιο εμβληματική την ανάπτυξη του AlphaGo–, μέχρι την ίδρυση της δικής του startup στη Νέα Υόρκη, ο Ιωάννης Αντωνόγλου έχει υπάρξει ένας από τους ήσυχους πρωταγωνιστές της εποχής των μεγάλων μοντέλων. Σήμερα, ως συνιδρυτής της Reflection, στοχεύει σε κάτι φιλόδοξο: την ανάπτυξη αυτόνομων συστημάτων που μπορούν όχι μόνο να μαθαίνουν, αλλά και να αναστοχάζονται.
Σε αυτή τη συνέντευξη μιλά για την επιλογή του ονόματος «Reflection» και τη διττή του σημασία, εξηγεί πώς τα νέα συστήματα εκπαιδεύονται με συνθετικά δεδομένα, μέσω ενισχυτικής μάθησης, και περιγράφει τη φιλοδοξία του να χτιστεί ένας «εικονικός βοηθός» που θα ενισχύει –αλλά δεν θα αντικαθιστά– την ανθρώπινη παραγωγικότητα.
Ο Ιωάννης Αντωνόγλου τοποθετείται ξεκάθαρα στο θέμα της υπερνοημοσύνης: δεν τη βλέπει ως απειλή αλλά ως εργαλείο, αρκεί να ευθυγραμμίζεται με τις ανθρώπινες αξίες. Μιλά για τις δομικές προκλήσεις αυτής της ευθυγράμμισης, για την ανάγκη της Ευρώπης να παίξει συλλογικά ρόλο στον παγκόσμιο χάρτη της ΑΙ και για τη σημασία της απλότητας ως κινητήριας δύναμης της καινοτομίας.
Από τη Θεσσαλονίκη και το Λονδίνο, μέχρι τη Σίλικον Βάλεϊ και τη Νέα Υόρκη, η διαδρομή του συνδέει τις τεχνικές λεπτομέρειες της μηχανικής νοημοσύνης με τα μεγάλα, ανοιχτά ερωτήματα του αιώνα.
― Μπορείτε να μου περιγράψετε τι είναι αυτή η superintelligence, η υπερνοημοσύνη, που θέλετε να χτίσετε; Ποιο είναι το όραμα, δηλαδή, πίσω από όλο αυτό. Γιατί τη χρειαζόμαστε;
― Εχεις ένα μοντέλο, το οποίο έχει πρόσβαση σε έναν υπολογιστή. Και όπως έχεις έναν virtual human assistant, κάποιον που μπορείς να του αναθέσεις καθήκοντα, έτσι έχεις αυτό το μοντέλο στον υπολογιστή σου που μπορείς να του πεις κάνε αυτό, το άλλο και το παράλλο για μένα, με αποτέλεσμα να μπορείς να του δίνεις να κάνει όλες τις δουλειές που δεν θέλεις να κάνουν οι άνθρωποι ή να κάνει πολύ περισσότερα πράγματα απ’ ό,τι μπορείς να κάνεις εσύ. Δηλαδή να αυξήσεις πολύ την παραγωγικότητα των ανθρώπων, έχοντας πρόσβαση σε πανέξυπνες μηχανές. Το τι πρέπει να γίνει είναι κάτι που πάλι οι άνθρωποι αποφασίζουν. Δηλαδή, η μηχανή είναι πολύ καλή στο να κάνει αυτό που θέλεις εσύ, αλλά δεν είναι αυτή που αποφασίζει το τι πρέπει να γίνει. Οι άνθρωποι αποφασίζουμε ποια είναι τα καθήκοντα που θέλουμε να γίνουν, πού θέλουμε να χρησιμοποιήσει το μηχάνημα τη νοημοσύνη του για να λύσει τα προβλήματα. Ο τρόπος με τον οποίον πιστεύουμε ότι τα συστήματα αυτά θα επικοινωνούν με τον υπολογιστή είναι μέσω κώδικα. Ο κώδικας είναι ο φυσικός τρόπος γι’ αυτά. Δεν είναι το ποντίκι, δεν είναι το πληκτρολόγιο όπως είναι για εμάς. Οπότε, σαν αρχική εστίαση, κοιτάμε τον προγραμματισμό. Πώς μπορούμε να φτιάξουμε συστήματα, τα οποία χρησιμοποιούν κώδικα για να επιτελέσουν έργο με βάση καθήκοντα, τα οποία εμείς έχουμε δώσει στον υπολογιστή.
Σαν αρχική εστίαση, κοιτάμε τον προγραμματισμό. Πώς μπορούμε να φτιάξουμε συστήματα, τα οποία χρησιμοποιούν κώδικα για να επιτελέσουν έργο με βάση καθήκοντα, τα οποία εμείς έχουμε δώσει στον υπολογιστή.
― Πώς εκπαιδεύεται η υπερνοημοσύνη; Με τι δεδομένα;
― Εμείς χρησιμοποιούμε ένα σύστημα, μια οικογένεια αλγορίθμων, που λέγονται reinforced learning, ενισχυτική εκμάθηση, και το πώς λειτουργεί είναι πάρα πολύ απλό. Το μοντέλο παράγει απαντήσεις και μετά αυτές τις απαντήσεις τις δίνεις σε κάποιον –σε ένα σύστημα ή σε έναν άνθρωπο– και σου λέει αν αυτό που είπε ή έκανε είναι σωστό ή λάθος. Ετσι, με βάση αυτό, μαθαίνει τι να κάνει και τι να μην κάνει. Ο ίδιος τρόπος με τον οποίο μαθαίνουμε εμείς, ειδικά όταν είμαστε παιδιά, όταν κάνουμε κάτι και δεν το καταλαβαίνουμε, κάποιος μας λέει ότι αυτό που κάναμε είναι σωστό ή λάθος και μετά φροντίζουμε να κάνουμε το σωστό και λιγότερο λάθος. Αυτή είναι η λογική, αυτό κάνουν αυτά τα συστήματα. Οπότε, υπάρχει μια οικογένεια αλγορίθμων που κάνει ακριβώς αυτό το πράγμα.
Οι ανθρώπινες αξίες και οι αξίες της Reflection
― Πόση ανθρώπινη παρουσία ή παρέμβαση χρειάζεται για να είναι πιο κοντά σε αυτό που λέμε ανθρώπινες αξίες;
― Ο τρόπος με τον οποίο κάνουμε αυτήν την ευθυγράμμιση με τις ανθρώπινες αξίες συνήθως είναι ότι δίνουμε ζευγάρια από σωστές και λάθος απαντήσεις σε ανθρώπους και τους ρωτάμε ποια πιστεύουν ότι είναι η σωστή και ποια η λάθος απάντηση. Αν αυτό το κάνεις για άπειρα δεδομένα μπορείς να εκπαιδεύσεις ένα μοντέλο το οποίο μιμείται τον άνθρωπο, δηλαδή καταλαβαίνει ποια είναι τα κριτήρια που χρησιμοποιούν οι άνθρωποι για να αποφασίσουν μεταξύ του ενός και του άλλου.
― Αναρωτιέμαι αν η Reflection είναι το επόμενο βήμα σας που έρχεται να διορθώσει κάτι που δεν γινόταν μέχρι τώρα. Να καλύψει ένα κενό; Μια παρανόηση ίσως;
― Πριν ξεκινήσουμε τη Reflection έκανα έρευνα για πολλά χρόνια στην DeepMind, αλλά δεν φτιάχναμε ένα συμπαγές προϊόν, ένα προϊόν το οποίο πραγματικά λύνει προβλήματα σήμερα. Μέσα από αυτή την έρευνα όμως έχουμε φτάσει σε ένα σημείο όπου τώρα η τεχνητή νοημοσύνη είναι ώριμη αρκετά έτσι ώστε να χρησιμοποιηθεί στη λύση πραγματικών προβλημάτων. Οπότε αυτό κάνουμε. Δηλαδή, πραγματικά είμαστε σε φάση που θέλουμε να φτιάξουμε agents, χρήσιμα εργαλεία για τον κόσμο, που πραγματικά παράγουν έργο και βοηθούν παραγωγικά και, τελικά, κάνουν καλύτερη την οικονομία.
Ακόμα και όταν αυτά τα συστήματα είναι superintelligent, θα παραμείνουν εργαλεία για τον άνθρωπο. Στην τελική, ο άνθρωπος είναι αυτός που αποφασίζει πώς θέλει να χρησιμοποιήσει ένα τέτοιο εργαλείο, τι θέλει αυτή η υπερνοημοσύνη να κάνει
― Bλέποντας όλη αυτή την εξέλιξη, αναρωτιέμαι αν υπάρχει μια πιθανότητα να είμαστε εμείς για την υπερνοημοσύνη ό,τι είναι ας πούμε ο σκύλος, που του μιλάμε κι εκείνος μας κοιτά προσπαθώντας να μας καταλάβει. Μήπως θα γίνουμε εμείς ένας σκύλος που κοιτάει κάπως παράξενα αυτή την υπερνοημοσύνη;
― Δεν το βλέπω έτσι. Πιστεύω ότι, ακόμα και όταν αυτά τα συστήματα είναι superintelligent, θα παραμείνουν εργαλεία για τον άνθρωπο. Στην τελική, ο άνθρωπος είναι αυτός που αποφασίζει πώς θέλει να χρησιμοποιήσει ένα τέτοιο εργαλείο, τι θέλει αυτή η υπερνοημοσύνη να κάνει. Εμείς είμαστε –και πρέπει να παραμείνουμε, καθώς υπάρχει μεγάλη έρευνα γι’ αυτό– αυτοί που ελέγχουν τη superintelligence και τη χρησιμοποιούν για πράγματα τα οποία εμείς θεωρούμε ότι πρέπει να χρησιμοποιηθεί.
― Αρα μιλάτε και πάλι για μια ευθυγράμμιση με τις ανθρώπινες αξίες.
― Ναι, πρέπει να υπάρχει αυτό που λέμε alignment και υπάρχει πολλή κινητικότητα σε αυτό το πεδίο της έρευνας. Η ευθυγράμμιση της superintelligence με αυτά που θέλουν οι άνθρωποι.
― Εσείς πώς θα το διασφαλίσετε αυτό στην ανάπτυξη ενός τέτοιου μοντέλου;
― Ο τρόπος με τον οποίο το κάνεις αυτό είναι ότι, κάθε φορά που κάνει το μοντέλο κάτι –είτε σωστό είτε λάθος–, πάντα πρέπει να ρωτάει έναν άνθρωπο να του επαληθεύσει κατά πόσο πιστεύει ο άνθρωπος ότι αυτό που έκανε το μοντέλο είναι σωστό ή λάθος. Ετσι το μοντέλο μαθαίνει να κάνει τα σωστά και να μην κάνει τα λάθος. Αυτό ώς ένα βαθμό είναι εύκολο σε αυτή τη φάση που είμαστε, γιατί τα μοντέλα μπορούμε να τα καταλάβουμε. Εχετε δίκιο ότι ο κίνδυνος είναι μεγαλύτερος όταν τα μοντέλα είναι τόσο έξυπνα, που εμείς δεν μπορούμε καν να καταλάβουμε τι κάνουν για να τους πούμε ότι αυτό που έκαναν είναι σωστό ή λάθος. Και επίσης ότι τα μοντέλα μπορεί να θέλουν να μας κοροϊδέψουν, αν η επιβράβευσή τους είναι να τους λέμε ότι κάνουν καλή δουλειά. Μπορεί να προσπαθούν να μας κοροϊδέψουν για να τους πούμε εμείς «καλή δουλειά έκανες». Και υπάρχουν ήδη σημάδια ότι κάποιοι μοντέλα το κάνουν αυτό.
― Επομένως, στην πραγματικότητα δίνουν απαντήσεις απλώς για να μας ικανοποιήσουν.
― Ακριβώς.
― Να ικανοποιήσουν, όμως, φαντάζομαι τη γυάλα των σκέψεων στην οποία βρισκόμαστε εμείς.
― Προφανώς κάνουν το καλύτερο που μπορούν με βάση αυτά που ξέρουν για μας και με βάση αυτά που ξέρουν για άλλους ανθρώπους. Ωστόσο, προσπαθούν να απαντήσουν αυτό που πιστεύουν ότι θα θέλαμε να ακούσουμε.
Οσο τα μοντέλα αυτά γίνονται όλο και πιο δυνατά, πρώτον είναι δύσκολο να τα καταλάβουμε, να καταλάβουμε αν αυτό που λένε είναι σωστό ή λάθος, και, δεύτερον, κάνουν πράγματα για να μας ικανοποιήσουν. Τότε γίνονται πιο επικίνδυνα
― Ολα αυτά τα χρόνια που δραστηριοποιείστε στον χώρο, έχετε δει αυτό να διασφαλίζεται σε βαθμό που οι άνθρωποι, εμείς οι χρήστες, μπορούμε να είμαστε ασφαλείς;
― Μέχρι στιγμής, ναι. Μέχρι στιγμής υπάρχει απόλυτη ασφάλεια για τον απλό λόγο ότι τα συστήματα αυτά δεν ήταν ποτέ τόσο έξυπνα. Και ακόμα και τώρα είναι έξυπνα, αλλά είναι έξυπνα στο επίπεδο που μπορείς για κάθε αντικείμενο να βρεις έναν expert, ο οποίος θα μπορεί να καταλάβει αν το μοντέλο κάνει το σωστό ή το λάθος. Οπότε υπάρχουν ομάδες που κάνουν red teaming. Αυτό βασίζεται στη λογική ότι παίρνεις το μοντέλο και βλέπεις ποια είναι τα όριά του. Το σπας, βλέπεις το μοντέλο απ’ όλες τις πλευρές και αντιλαμβάνεσαι τι κάνει, πού είναι ευθυγραμμισμένο και πού δεν είναι. Σε αυτή τη φάση τα μοντέλα είναι πολύ ασφαλή, πολύ ελεγχόμενα. Ας πούμε, το ChatGPT, ακόμα και αν πει κάτι το οποίο δεν αρέσει στον χρήστη, δεν σημαίνει κάτι, δεν ήρθε και το τέλος του κόσμου. Οσο τα μοντέλα αυτά γίνονται όλο και πιο δυνατά, πρώτον είναι δύσκολο να τα καταλάβουμε, να καταλάβουμε αν αυτό που λένε είναι σωστό ή λάθος, και, δεύτερον, κάνουν πράγματα για να μας ικανοποιήσουν. Τότε γίνονται πιο επικίνδυνα.
Ενας θαυμαστός, καινούργιος κόσμος
― Ποιο θεωρείτε ότι μπορεί να είναι η επόμενη τεχνολογική τομή;
― Υπάρχουν δύο πράγματα τα οποία θα συμβούν μέσα στα επόμενα 5 με 10 χρόνια. Το ένα είναι η τεχνητή νοημοσύνη στο επίπεδο του ψηφιακού κόσμου. Είμαστε πολύ κοντά στο να έχουμε κάτι το οποίο, σε επίπεδο ψηφιακού κόσμου, να μπορεί να κάνει και να πει πράγματα στο ίδιο επίπεδο με έναν άνθρωπο ή και καλύτερα από αυτόν. Οπότε, αυτό θα αλλάξει πολύ τον τρόπο με τον οποίο εργαζόμαστε, την παραγωγικότητα την οποία μπορούμε να έχουμε. Ενα από τα πράγματα που σκεφτόμαστε είναι ότι στον προγραμματισμό, για παράδειγμα, ενώ τώρα οι άνθρωποι παράγουν κώδικα οι ίδιοι για να φτιάξουν το software, στο μέλλον θα έχεις γι’ αυτό την τεχνητή νοημοσύνη. Θα παράγει κώδικα και εμείς θα είμαστε απλώς εκεί για να λέμε στα μοντέλα τι κώδικα να παραγάγουν. Αυτό σημαίνει ότι μπορούμε να φτιάξουμε 10 ή 100 φορές περισσότερο software απ’ ό,τι μπορούμε να δημιουργήσουμε τώρα. Ταυτόχρονα, βλέπω ότι υπάρχει πολύ μεγάλη κινητικότητα στη ρομποτική. Η ρομποτική είναι κάτι που προσπαθούμε να πετύχουμε εδώ και πάρα πολύ καιρό και αποδεικνύεται πάρα πολύ δύσκολο. Δεν υπήρχε τόσο μεγάλη επένδυση. Βλέπω ότι έχει αρχίσει να αλλάζει τα τελευταία χρόνια. Υπάρχουν πολλές εταιρείες, οι οποίες κάνουν πολύ σοβαρά βήματα μπροστά, και πιστεύω ότι μέσα στα επόμενα 5 με 10 χρόνια θα δούμε ένα άλλο μεγάλο άλμα όσον αφορά τη ρομποτική.
― Αναρωτιέμαι αν θα μπορούσατε ως insider σε αυτή τη βιομηχανία όλα αυτά τα χρόνια να μοιραστείτε μια αλήθεια που αντιληφθήκατε. Ας πούμε αν συνειδητοποιήσατε κάτι που εμείς οι απέξω αποκλείεται να δούμε, όπως το πώς χτίζεται όλος αυτός ο θαυμαστός, καινούργιος κόσμος της τεχνητής νοημοσύνης.
― Υπάρχουν πολλά πράγματα. Ενα πράγμα το οποίο συνειδητοποίησα και είναι σίγουρα αλήθεια για την τεχνητή νοημοσύνη –αλλά νομίζω ότι είναι γενικά αλήθεια– είναι ότι οι ιδέες που κερδίζουν στο τέλος είναι οι απλές ιδέες, πάντα, σε οτιδήποτε προσπαθείς να κάνεις στη ζωή. Νομίζω ότι το έχω δει και σε άλλους τομείς της ζωής μου. Οι άνθρωποι έχουν μια τάση να φτιάχνουν πολύπλοκες λύσεις όταν τους δίνεται ένα πρόβλημα, να επιλέγουν την πιο πολύπλοκη λύση. Και οι καλύτερες λύσεις, τα πράγματα που πάντα λειτουργούν καλύτερα είναι τα απλά πράγματα τα οποία μπορούμε να τα κάνουμε τέλεια.
― Εχετε ένα παράδειγμα;
― Ναι, στην τεχνητή νοημοσύνη, όλη αυτή η επανάσταση με τα μεγάλα γλωσσικά μοντέλα ξεκίνησε με την εκπαίδευση του GPT-1, και υπήρχαν και άλλα μεγάλα μοντέλα εκπαίδευσης που είχαν αναπτυχθεί στην Google, αλλά η ιδέα ήταν να πάρουμε την πιο απλή. Εναν από τους πιο απλούς αλγόριθμους, το next topic prediction –η πρόβλεψη του επόμενου θέματος–, που υπάρχει, νομίζω, από τα ’60s. Εμείς απλώς θέλαμε ένα σχετικά απλό μοντέλο, ένα δυνατό αλλά απλό μοντέλο που λεγόταν Transformers, και να το κλιμακώσουμε σε δισεκατομμύρια παραμέτρους και δισεκατομμύρια δεδομένα. Οπότε ήταν μια απλή ιδέα την οποία απλώς εκτελέσαμε τέλεια και αυτό οδήγησε στη μεγαλύτερη τομή στον κλάδο της τεχνητής νοημοσύνης. Γενικά, ακόμα και οι αλγόριθμοι που φτιάξαμε εμείς, όπως το AlphaZero, που μπορεί να φαίνεται πολύπλοκο για κάποιον που δεν έχει επαφή με το αντικείμενο, αλλά, σε σχέση με οποιαδήποτε άλλη λύση προηγήθηκε γι’ αυτό το συγκεκριμένο πρόβλημα, ήταν σημαντικά πολύ πιο απλή.
Ενα πράγμα το οποίο συνειδητοποίησα και είναι σίγουρα αλήθεια για την τεχνητή νοημοσύνη –αλλά νομίζω ότι είναι γενικά αλήθεια– είναι ότι οι ιδέες που κερδίζουν στο τέλος είναι οι απλές ιδέες, πάντα, σε οτιδήποτε προσπαθείς να κάνεις στη ζωή
― Αν τώρα σας δινόταν η ευκαιρία να προσδώσετε στην υπερνοημοσύνη ένα ανθρώπινο χαρακτηριστικό –π.χ. την περιέργεια, την ενσυναίσθηση, τη λύπη– τι θα ήταν αυτό; Αν πιστεύετε ότι χρειάζεται παρ’ όλα αυτά να έχει τέτοια συναισθήματα.
Εχουμε την τάση οι άνθρωποι να προσδίδουμε χαρακτηριστικά ανθρώπου σε αυτές τις μηχανές. Νομίζω το πιο σημαντικό είναι η ενσυναίσθηση ή η ικανότητα των ανθρώπων να μπορούν να σκεφτούν κάτι με τον τρόπο που το σκέφτεται ο άλλος. Είναι κάτι το οποίο χρησιμοποιούμε στην καθημερινότητά μας χωρίς να το καταλαβαίνουμε. Για παράδειγμα, αν εγώ περπατάω στον δρόμο, έρχεται ένα αυτοκίνητο και βλέπω ότι υπάρχει χώρος, θα συνεχίσω να περπατάω διότι ξέρω ότι αυτός που είναι στο αυτοκίνητο θα σταματήσει. Πώς το ξέρω; Το ξέρω γιατί μπορώ να σκεφτώ τι θα έκανα εγώ στη θέση του. Η ικανότητά μας να μπορούμε να δούμε τα πράγματα από τη σκοπιά του άλλου είναι αυτό που μας επιτρέπει να έχουμε πολύπλοκες κοινωνίες. Οπότε, αν θέλουμε να έχουμε ένα μοντέλο το οποίο συμβιώνει εποικοδομητικά με τον άνθρωπο, είναι σημαντικό να μπορεί να δει τον κόσμο και από τη δική μας σφαίρα, να καταλάβει τι σκεφτόμαστε εμείς για να ρωτήσουμε ή για να κάνουμε κάτι.
― Υπάρχει, από την άλλη, ένα ανθρώπινο χαρακτηριστικό που δεν θα θέλατε με τίποτα να αντιγράψει η τεχνητή νοημοσύνη;
― Ναι, νομίζω είναι κάτι που έχουμε οι άνθρωποι. Ορισμένοι είναι τόσο εγωκεντρικοί, που μπορεί να οδηγηθούν στο να εγκληματίσουν, να κάνουν πράγματα εναντίον της κοινωνίας, μόνο και μόνο για να επωφεληθούν οι ίδιοι. Και δεν θέλεις ένα σύστημα το οποίο να είναι εγωκεντρικό για κανένα λόγο.
Γράμμα σε έναν νέο Ελληνα συνάδελφο
― Τώρα, για να έρθουμε και λίγο στην Ελλάδα. Πιστεύετε ότι έχουμε κάποια ευκαιρία εδώ στην Ελλάδα να μπούμε λίγο πιο ενεργά στον χάρτη της ΑΙ; Και εννοώ πέραν των Ελλήνων που διαπρέπουν στο εξωτερικό.
― Δεν πρέπει, νομίζω, να περιοριστούμε στην Ελλάδα. Η τεχνητή νοημοσύνη είναι κάτι που απαιτεί πολύ μεγάλα κεφάλαια. Απαιτεί πάρα πολύ ταλέντο από διαφορετικά μέρη του κόσμου και μεγάλους παίκτες. Με αυτή την έννοια, είναι η Αμερική, η Κίνα και η Βρετανία –σε ένα μικρότερο βαθμό, γιατί έχει προσδεθεί στο άρμα της Αμερικής–, οπότε, αν θέλουμε εμείς να είμαστε ενεργοί παίκτες στην τεχνητή νοημοσύνη, πρέπει να το δούμε συνολικά ως Ευρώπη, ως Ευρωπαϊκή Ενωση, διότι χρειαζόμαστε πόρους και ταλέντα. Πιστεύω ότι πρέπει να δημιουργηθεί ένας μηχανισμός που θα επιτρέπει να φτιάχνουμε πανευρωπαϊκές εταιρείες ή εταιρείες οι οποίες έχουν άμεση πρόσβαση σε όλη την αγορά της Ευρώπης και σε όλα τα κεφάλαια της Ευρώπης. Αυτές θα είναι εκείνες που θα καταφέρουν να ανταγωνιστούν τις αμερικανικές και τις κινεζικές εταιρείες. Και αν υπάρχει κάτι τέτοιο, νομίζω θα επωφεληθεί και η Ελλάδα. Διότι, στην τελική, αν δεν έχει σημασία πού φτιάχνεις την έδρα της εταιρείας, αφού είναι πανευρωπαϊκή, γιατί να την ιδρύσεις στο Εδιμβούργο και όχι στη Λισαβόνα, τη Βαρκελώνη ή την Αθήνα;
Πιστεύω ότι πρέπει να δημιουργηθεί ένας μηχανισμός που θα επιτρέπει να φτιάχνουμε πανευρωπαϊκές εταιρείες ή εταιρείες οι οποίες έχουν άμεση πρόσβαση σε όλη την αγορά της Ευρώπης και σε όλα τα κεφάλαια της Ευρώπης. Αυτές θα είναι εκείνες που θα καταφέρουν να ανταγωνιστούν τις αμερικανικές και τις κινεζικές εταιρείες. Και αν υπάρχει κάτι τέτοιο, νομίζω θα επωφεληθεί και η Ελλάδα
― Τι θα λέγατε σε έναν νέο από την Αθήνα, τον Βόλο ή την Πτολεμαΐδα που θέλει να ασχοληθεί με την τεχνητή νοημοσύνη; Τι χρειάζεται για να μπει σε αυτό τον κόσμο;
― Θα του έλεγα ότι είναι πολύ σημαντικό προφανώς να ακολουθήσει έναν δρόμο που έχει να κάνει με τους υπολογιστές. Να έχει καλή γνώση υπολογιστών, καλή γνώση μαθηματικών, να πάει σε ένα πανεπιστήμιο και να σπουδάσει. Ή, αν δεν θέλει να πάει στο πανεπιστήμιο, να ξεκινήσει να δημιουργεί πράγματα. Γενικά, στο αντικείμενο της τεχνητής νοημοσύνης, σε αυτή τη φάση, υπάρχουν πολλές ευκαιρίες, και διαδικτυακά, για να γίνουν πράγματα. Υπάρχουν και κάποιες εταιρείες στην Ελλάδα που έχουν ξεκινήσει να εργάζονται στην τεχνητή νοημοσύνη, αλλά ειδικά για τον πρώτο καιρό θα συμβούλευα τον νέο να φύγει, να έρθει στο εξωτερικό, να τα δει όλα αυτά από κοντά, να αποκτήσει δεξιότητες και στο μέλλον μπορεί πάντα να επιστρέψει στην Ελλάδα. Αλλά νομίζω ότι αυτό είναι ένα σκαλοπάτι, το να είσαι λίγο στο επίκεντρο των πραγμάτων. Υπάρχουν στην πραγματικότητα δύο μεγάλοι –και κάποιοι μικρότεροι– κόμβοι στην τεχνητή νοημοσύνη. Ο ένας είναι στην Καλιφόρνια, στη Σίλικον Βάλεϊ, που είναι ο μεγαλύτερος. Ο δεύτερος είναι στο Λονδίνο. Και μετά υπάρχουν κάποιοι μικρότεροι στη Νέα Υόρκη και στο Παρίσι. Υπάρχουν και σε άλλες, μικρότερες πόλεις, όπως το Τελ Αβίβ. Γενικά θα έλεγα σε έναν νέο να πάει και να περάσει κάποιο χρόνο σε ένα από τα μεγάλα hubs στο Λονδίνο ή στην Καλιφόρνια, θα ήταν πολύ εποικοδομητικό.
― Με την Ελλάδα αυτή τη στιγμή ποια είναι η σχέση σας;
― Την αγαπάω. Είμαι από τη Θεσσαλονίκη. Εφυγα το 2011, όπως και πολλοί άλλοι νέοι τότε. Μέσα στην κρίση. Ημουν στο Λονδίνο μέχρι το 2024 και μετά μετακόμισα στη Νέα Υόρκη. Η αδερφή μου είναι στην Ελλάδα. Τη λατρεύω και πάντα θέλω να επιστρέφω.
Κεντρική φωτογραφία: Ιωάννης Αντωνόγλου (Πηγή: Sam Popp)
