Μαθήματα στρατηγικής από τους αδελφούς Ράιτ στην εποχή της τεχνητής νοημοσύνης

Στις 9 Οκτωβρίου 1903, δυο μέρες μετά την αποτυχημένη απόπειρα πτήσης μηχανοκίνητου αεροπλάνου από τον Αμερικάνο αστρονόμο, φυσικό και πρωτοπόρο της αεροπορίας, Σάμιουελ Λάνγκλεϊ, κεντρικό άρθρο των New York Times με τίτλο «Ιπτάμενες μηχανές που δεν πετάνε», γράφει: «Μπορεί να υποτεθεί ότι η ιπτάμενη μηχανή που θα πετάξει πραγματικά θα μπορούσε να εξελιχθεί από τις συνδυασμένες και συνεχείς προσπάθειες των μαθηματικών και των μηχανικών σε ένα έως δέκα εκατομμύρια χρόνια».

Την ίδια μέρα, ο Όρβιλ Ράιτ σημειώνει στο ημερολόγιό του: «Ξεκινήσαμε την συναρμολόγηση σήμερα», αναφερόμενος στο Wright Flyer, το αεροπλάνο που με τη βοήθεια του αδερφού του, Ουίλμπερ, κατάφερε εννιά εβδομάδες μετά, στις 17 Δεκεμβρίου 1903, να ανυψώσει και να διανύσει μια απόσταση 260 μέτρων σε 59 δευτερόλεπτα, σηματοδοτώντας την πρώτη επιτυχημένη επανδρωμένη μηχανοκίνητη πτήση στην ιστορία της ανθρωπότητας.

Λίγες μέρες πριν το κοσμοϊστορικό γεγονός, οι New York Times, αναφερόμενοι αυτή τη φορά στη δεύτερη αποτυχημένη προσπάθεια του Σάμιουελ Λάνγκλεϊ στις 8 Δεκεμβρίου 1903, σχολιάζουν: «Ελπίζουμε ότι ο καθηγητής Λάνγκλεϊ δεν θα θέσει σε περαιτέρω κίνδυνο το ουσιαστικό του μεγαλείο ως επιστήμονας, συνεχίζοντας να σπαταλά το χρόνο και τα χρήματά του για περαιτέρω πειράματα με αερόπλοια. Η ζωή είναι μικρή, και είναι ικανός να προσφέρει στην ανθρωπότητα υπηρεσίες ασύγκριτα μεγαλύτερες από αυτές που αναμένεται να προκύψουν από την προσπάθειά του να πετάξει».

Τί πήγε τόσο λάθος με τους New York Times ώστε το άρθρο τους «Ιπτάμενες μηχανές που δεν πετάνε» να έχει μείνει στην ιστορία ως «η πιθανότατα χειρότερη πρόβλεψη όλων των εποχών»; Θα αναθεωρούσε, άραγε, ο αρθρογράφος την τόσο άστοχη πρόβλεψή του αν είχε στη διάθεσή του ένα δανειζόμενο από το μέλλον εργαλείο τεχνητής νοημοσύνης, όπως το μεγάλο γλωσσικό μοντέλο ChatGPT;

Σύμφωνα με πρόσφατη εργασία των καθηγητών του Said Business School της Οξφόρδης, Teppo Felin και Matthias Holweg, η απάντηση στο δεύτερο ερώτημα είναι μάλλον όχι. Παρόλο που στα τέλη του 19ου αιώνα αυξήθηκαν κατακόρυφα οι δοκιμές πτήσης, όλα τα επιστημονικά και εμπειρικά δεδομένα της εποχής καταδείκνυαν με κατηγορηματικό τρόπο ότι οποιαδήποτε πίστη στην ανθρώπινη μηχανοκίνητη πτήση ήταν στο φάσμα της αυταπάτης.

Ακόμα και ο ίδιος ο Ουίλμπερ, όπως παραδέχτηκε σε γράμμα που έστειλε το 1899 στον καθηγητή Λάνγκλεϊ, πίστευε πως είχε «μολυνθεί» από την «ασθένεια» της αυταπάτης: «Εδώ και μερικά χρόνια, με διακατέχει η πεποίθηση ότι η πτήση είναι δυνατή. Η ασθένειά μου έχει ενταθεί και αισθάνομαι ότι σύντομα θα μου κοστίσει πολλά χρήματα, αν όχι τη ζωή μου».

Πράγματι, δεν ήταν λίγοι οι πρωτοπόροι της αεροπορίας που όχι μόνο είχαν αποτύχει αλλά επίσης τραυματισθεί ή πεθάνει κατά τη διάρκεια των προσπαθειών τους, κάτι που οι αδελφοί Ράιτ γνώριζαν πολύ καλά. Τί ήταν, λοιπόν, αυτό που τους παρότρυνε να συνεχίσουν κόντρα στις υπάρχουσες ενδείξεις, στα εμπειρικά δεδομένα, ακόμα και στην κοινή λογική της εποχής τους;

Όπως στην περίπτωση του Κοπέρνικου, έτσι και σε αυτή των αδελφών Ράιτ, η πεποίθηση για το μελλοντικά συναρπαστικό αλλά ταυτόχρονα εφικτό βασίστηκε στην μοναδική ικανότητα του ανθρώπινου εγκεφάλου να παράγει νέα γνώση εν απουσία ή ακόμα ακριβέστερα ενάντια των δεδομένων που έχει διαθέσιμα τη δεδομένη χρονική στιγμή· κάτι που δεν μπορεί να κάνει, τουλάχιστον έως σήμερα, κανένα μεγάλο γλωσσικό μοντέλο τεχνητής νοημοσύνης.

Και αυτό διότι τα μοντέλα αυτά εκπαιδεύονται με γνωστά -σωστά ή λάθος- δεδομένα. Με άλλα λόγια, η προβλεπτική ικανότητα των μοντέλων τεχνητής νοημοσύνης βασίζεται αποκλειστικά και μόνο στην ανάλυση του κόσμου όπως τον γνωρίζουμε ως τώρα, βοηθώντας μας να δίνουμε με εκπληκτική ευκολία και ταχύτητα σχετικά ικανοποιητικές απαντήσεις σε μυριάδες «τί» και «πώς», παραγνωρίζοντας όμως την ικανότητα των ανθρώπων να πειραματίζονται, να παράγουν νέα δεδομένα, και να δοκιμάζουν λύσεις, προσπαθώντας με κριτική σκέψη να κατανοήσουν τα «γιατί» και να αναρωτηθούν εκ νέου για το «τί θα γινόταν αν».

Για τους αδελφούς Ράιτ, η δυνατότητα της μηχανοκίνητης πτήσης ήταν, σύμφωνα με τα λόγια του Αμερικάνου πραγματιστή φιλόσοφου Ουίλιαμ Τζέιμς, μια «ζωντανή [επιστημονική] υπόθεση» που τους παρακίνησε να αναπτύξουν τη δική τους θεωρία, βάσει της οποίας επικεντρώθηκαν στην επίλυση τριών προβλημάτων -ανύψωση, προώθηση, πηδαλιούχηση- που τους επέτρεψε μετά από μελέτη και πειραματισμό να επιβεβαιώσουν την υπόθεσή τους.

Όπως σημειώνουν οι Felin και Holweg, η επιτυχία των αδελφών Ράιτ δεν περιορίζεται μόνο στην επίτευξη της μηχανοκίνητης πτήσης αλλά αποτελεί παράδειγμα του τρόπου με τον οποίο μια συστηματική, βασισμένη στην ανθρώπινη κρίση και πράξη προσέγγιση μπορεί να ξεδιαλύνει τους αιτιώδεις μηχανισμούς που διέπουν πολύπλοκα φαινόμενα, ξεπερνώντας τις ανεπάρκειες σε υφιστάμενα εμπειρικά δεδομένα.

Μεταφερόμενοι στο σήμερα, η μελέτη περίπτωσης των αδελφών Ράιτ μάς βοηθάει, επίσης, να χαρτογραφήσουμε και τη δυνητική καινοτόμο αξία των -κατά τα άλλα εξαιρετικά χρήσιμων- συστημάτων τεχνητής νοημοσύνης.

Σε αντιπαραβολή με τις πρόσφατες δηλώσεις του Ελον Μασκ στους Financial Times ότι «θα έχουμε τεχνητή νοημοσύνη πιο έξυπνη από τους ανθρώπους μέχρι το 2025», οι Felin και Holweg μάς υπενθυμίζουν πως σκοπός των προγνωστικών μοντέλων και εργαλείων τεχνητής νοημοσύνης είναι η ελαχιστοποίηση της έκπληξης, της αβεβαιότητας και του «δημιουργικού θορύβου», το εντελώς αντίθετο δηλαδή με τον σκοπό της στρατηγικής λήψης αποφάσεων, ο οποίος έχει να κάνει με το απρόβλεπτο παρά με το προβλέψιμο.

Μην ξεχνάμε ότι στρατηγικές χαρακτηρίζονται εκείνες οι αποφάσεις με τον μεγαλύτερο αντίκτυπο επειδή φαινομενικά αγνοούν αυτά που για τους περισσότερους μοιάζουν με αντικειμενικά, χειροπιαστά δεδομένα. Σε αυτό το πλαίσιο, η θεωρία των αδελφών Ράιτ δεν απέχει και πολύ από την στρατηγική που ακολούθησε η Airbnb.

Οι ιδρυτές της Airbnb είχαν μια ανεπιβεβαίωτη πίστη στην αξία της χρήσης κενών διαμερισμάτων ως ξενοδοχειακών καταλυμάτων. Ενώ εκ των υστέρων θα μπορούσαμε να βρούμε δεδομένα που να επιβεβαιώνουν αυτή την πεποίθηση, εκείνη την εποχή η επιτυχία του εγχειρήματός τους θεωρούνταν εξαιρετικά απίθανη από πολλούς, συμπεριλαμβανομένων μεγάλων επενδυτών επιχειρηματικών κεφαλαίων.

Όμως οι συστηματικές προσπάθειές της Airbnb για πειραματισμό και επίλυση προβλημάτων οδήγησαν στη δημιουργία σημαντικής οικονομικής αξίας και τελικά σε «αλλαγή παραδείγματος» στον κλάδο.

«Αν η τεχνητή νοημοσύνη -ως γνωστικό εργαλείο- πρόκειται να αποτελέσει πηγή ανταγωνιστικού πλεονεκτήματος, θα πρέπει να αξιοποιηθεί με τρόπους μοναδικούς και προσαρμοσμένους στις ανάγκες κάθε επιχείρησης», συμβουλεύουν οι Felin και Holweg.

«Έτοιμα εργαλεία, εκπαιδευμένα με ευρέως διαθέσιμα δεδομένα και μοντέλα, ενδέχεται να οδηγήσουν στο λεγόμενο «παράδοξο της παραγωγικότητας», όπου οι επενδύσεις στην τεχνητή νοημοσύνη δεν θα αποφέρουν στην πραγματικότητα κανένα κέρδος παραγωγικότητας σε αυτούς που θα αγοράζουν αυτά τα εργαλεία», συνεχίζουν.

«Για να γίνει η τεχνητή νοημοσύνη ένα αποτελεσματικό εργαλείο λήψης αποφάσεων, πρέπει να την προσαρμόσουμε, να την εκπαιδεύσουμε στοχευμένα και να τη ρυθμίσουμε με λεπτομέρεια, ώστε να εξειδικευτεί για τα συγκεκριμένα δεδομένα και τις ανάγκες της κάθε επιχείρησης. Έτσι, θα μπορεί να προσφέρει μοναδικές λύσεις που ανταποκρίνονται στις μοναδικές προκλήσεις του κάθε επιχειρηματικού περιβάλλοντος, συμβάλλοντας σημαντικά στη λήψη στρατηγικών αποφάσεων», καταλήγουν.