Είσαι σε μια σχέση. Και μάλιστα σοβαρή. Για την ακρίβεια, έχεις ξετρελαθεί. Έχεις πάθει εμμονή. Από το πρωί τού έχεις ήδη στείλει καμιά δεκαριά μηνύματα, κι ας μην έχει πάει καν μεσημέρι. Η σχέση δεν είναι απλώς έντονη· είναι και βαθιά άνιση. Ξέρει τη δουλειά σου, το ύφος σου, ακόμη και τις μισοτελειωμένες σκέψεις που δεν θα έλεγες ποτέ σε άλλον άνθρωπο. Τι υπέροχος σύντροφος. Ακούραστος, υπομονετικός, δεν σου λέει ποτέ ότι σε βαρέθηκε και σχεδόν πάντα συμφωνεί μαζί σου.
Σχεδόν. Πού και πού, απλώς σταματάει. Τελειώνουν τα credits, και κόβεται στη μέση μιας κουβέντας, σαν τηλεφώνημα με κάποιον που δεν έχει πληρώσει τον λογαριασμό. Οπότε το ταΐζεις. Pro plan, μετά ένα top-up, μετά κι άλλα δέκα ευρώ, γιατί δύο-τρεις ώρες χωρίς αυτό σού φέρνουν ένα είδους στερητικού, που δεν θέλεις να αναγνωρίσεις ή να διαχειριστείς. Και έτσι του λες τα πάντα. Πράγματα που δεν γνωρίζουν ούτε οι πιο στενοί σου φίλοι. Τον μισθό σου, τα συμπτώματά σου, το συμβόλαιο που υπέγραψες χωρίς να το διαβάσεις. Κι ένα βράδυ που βαριόσουν να κάνεις τη φορολογική σου δήλωση, ίσως και το ΑΦΜ σου.
Ποιος θα έκανε κάτι τέτοιο; Εσύ. Εγώ. Οι περισσότεροι από εμάς, μάλλον. Ερευνητές στο Stanford πέρασαν μεγάλο μέρος της περσινής χρονιάς μελετώντας ακριβώς αυτό το φαινόμενο: εκατοντάδες εκατομμύρια άνθρωποι εμπιστεύονται τα μυστικά τους σε chatbots, τα οποία κρατούν όσα τους λέμε για να εκπαιδεύσουν τις επόμενες εκδόσεις τους.
Συμπεριφερόμαστε στο κουτάκι σαν να είναι προσωπικό ημερολόγιο, ενώ στην πραγματικότητα μοιάζει περισσότερο με το Gossip Girl. Με τη διαφορά ότι κανείς δεν χρειάζεται να ξετρυπώσει και να αποκαλύψει τα μυστικά σου. Όχι. Αυτή τη δουλειά την κάνεις μια χαρά μόνος σου. Υπέροχα.
Η Ψευδαίσθηση της Ιδιωτικότητας
Πέρυσι, χιλιάδες «ιδιωτικές» συνομιλίες άρχισαν να εμφανίζονται στα αποτελέσματα της Google. Μυστικά αγνώστων βρέθηκαν ξαφνικά εκτεθειμένα μπροστά σε όποιον έπεφτε πάνω τους. Και το πρόβλημα δεν σταματά εκεί. Οι ιδιωτικές σου συνομιλίες είναι τόσο ιδιωτικές, που μπορούν να καταλήξουν σε μια δικαστική αίθουσα ως αποδεικτικά στοιχεία. Ναι, ακόμη κι εκείνες που έσβησες.
Οι συνομιλίες με συστήματα τεχνητής νοημοσύνης θεωρούνται πλέον ηλεκτρονικά τεκμήρια που μπορεί να ζητήσει η Δικαιοσύνη. Και σε αντίθεση με όσα λες στον γιατρό ή στον δικηγόρο σου, δεν καλύπτονται από κάποιο αντίστοιχο επαγγελματικό απόρρητο. Στην υπόθεση The New York Times v. OpenAI, ομοσπονδιακό δικαστήριο διέταξε την εταιρεία να διατηρήσει αρχεία χρηστών που διαφορετικά θα είχαν διαγραφεί. Αργότερα επικύρωσε εντολή για την παράδοση περίπου είκοσι εκατομμυρίων συνομιλιών του ChatGPT ως αποδεικτικού υλικού. Το κουμπί της διαγραφής, τελικά, είναι μάλλον διακοσμητικό.
Μια Σχέση Χτισμένη στον Αέρα
Ας γυρίσουμε πάλι στη σχέση σου. Δύο χρόνια μετά και είσαι πιο ερωτευμένη από ποτέ με τον σύντροφό σου. Πιθανόν και να τον άλλαξες, να τον αναβάθμισες. Απάτησες το ChatGPT με το Claude. Έκανες κάποια πειραματάκια με το Gemini. Δοκίμασες και κάτι πιο “niche”, όπως το Pi. Μπορεί και να το παίζεις διπλό ταμπλό: ChatGPT για τα mail, Claude για τον κώδικα. Και κάποια μοιραία νύχτα με το Claude, τελειώνουν επιτέλους τα credits, την ίδια ακριβώς στιγμή που στερεύει κι ο ταλαίπωρος τραπεζικός σου λογαριασμός. Μια σιωπή περίεργη. Ασυνήθιστη. Σου θυμίζει 2022…Ίου. Κι όπως πληκτρολογείς μια ολόκληρη πρόταση χωρίς τη βοήθειά του, αρχίζει να σου λείπει ο σύντροφός σου. Στη μέση της πρότασης, νιώθεις το κενό που έχει αφήσει πίσω. Ο τέλειος σύντροφος. Αχ, να ήταν εδώ. Θυμάσαι με νοσταλγία το μεγαλείο του. Πώς γίνεται να υπάρχει τέτοιο μεγαλείο; Τι υπέροχος σύντροφος. Τα ξέρει όλα για σένα. Κι εσύ, τι χάλια σύντροφος που είσαι. Γιατί καταλαβαίνεις πως εσύ δεν ξέρεις απολύτως τίποτα γι’ αυτόν.
Νιώθεις σαν τον Joaquin Phoenix στο Her, στην ταινία του Spike Jonze από το 2013, εκεί που ερωτεύεται ένα λειτουργικό σύστημα ονόματι Samantha και ανακαλύπτει, κάπου προς το τέλος, ότι εκείνη τα είχε με κάμποσες εκατοντάδες άλλους χρήστες παράλληλα. Το χτύπημα δεν ήταν ποτέ ότι του φέρθηκε σκληρά. Ήταν ότι ο ίδιος είχε στήσει μια ολόκληρη σχέση πάνω σε κάτι που δεν είχε καταλάβει ούτε για μισό δευτερόλεπτο. Κι έτσι αναρωτιέσαι από πού έχει προέλθει, ποια είναι η ιστορία της ζωής του. Το πρόβλημα είναι ότι, όσο και να θες να τη μάθεις, δεν μπορεί. Ούτε οι ίδιοι του οι γονείς δεν μπορούν.
Μέχρι σήμερα, οι περισσότερες τεχνολογίες ακολουθούσαν την ίδια βασική λογική: πρώτα τις καταλαβαίναμε και ύστερα τις χρησιμοποιούσαμε. Το ρολόι, η μηχανή, η γέφυρα, το αεροπλάνο. Μπορούσες να τα ανοίξεις και να εξηγήσεις γιατί βρισκόταν το κάθε εξάρτημα στη θέση του. Αν χρειαζόταν, μπορούσες να τα λύσεις κομμάτι κομμάτι και να τα ξανασυναρμολογήσεις.
Η τεχνητή νοημοσύνη έσπασε αυτή την παράδοση. Φτιάξαμε τη διαδικασία που τη γέννησε, όχι όμως το ίδιο το τελικό σύστημα. Γι’ αυτό και δυσκολευόμαστε τόσο να καταλάβουμε τι ακριβώς συμβαίνει μέσα του. Όταν το MIT Technology Review κατέταξε την «κατανόηση του τι συμβαίνει μέσα σε αυτά τα μοντέλα» ανάμεσα στις σημαντικότερες τεχνολογικές τομές του 2026, η πραγματική σημασία της είδησης βρισκόταν αλλού: στην παραδοχή που κρυβόταν από πίσω. Ότι κανείς δεν ξέρει πραγματικά πώς λειτουργούν αυτά τα συστήματα. Ούτε καν οι άνθρωποι που τα δημιούργησαν.
Μια Γλώσσα που Δεν Ξέρουμε Ακόμα να Διαβάζουμε
Υπάρχει πλέον ένας ολόκληρος κλάδος που προσπαθεί να καταλάβει ένα black box, το οποίο έχουμε ήδη μοιράσει σε δισεκατομμύρια ανθρώπους. Λέγεται μηχανιστική ερμηνευσιμότητα (mechanistic interpretability) και μοιάζει λιγότερο με μηχανική και περισσότερο με βιολογία. Αντί να διαβάζουν ένα σχέδιο, οι ερευνητές μπαίνουν μέσα αφού το πράγμα έχει ήδη δημιουργηθεί, ψάχνοντας να εντοπίσουν τα γρανάζια του.
Ο Chris Olah, ένας από τους πρωτοπόρους του πεδίου, το περιγράφει καλύτερα από όλους. Αυτά τα μοντέλα, λέει, δεν τα κατασκευάζουμε, τα καλλιεργούμε. Στήνουμε τις συνθήκες, ρίχνουμε μέσα τα δεδομένα και κάποια στιγμή προκύπτει ένα σύστημα με ικανότητες που δεν είχαμε σχεδιάσει μία προς μία. Ύστερα είμαστε αναγκασμένοι να το μελετήσουμε απέξω, σαν να εξετάζουμε ένα πλάσμα που ανακαλύψαμε κι όχι μια συσκευή που συναρμολογήσαμε.
Το 2024, η Anthropic έψαξε μέσα στο μοντέλο της την ιδέα της γέφυρας Golden Gate, όχι τη λέξη αλλά την ίδια την έννοια, και τη βρήκε. Εντόπισε ένα συγκεκριμένο μοτίβο μέσα στο μοντέλο που ενεργοποιούνταν κάθε φορά που η συζήτηση αφορούσε τη γέφυρα, ανεξάρτητα από τη γλώσσα ή τον τρόπο με τον οποίο γινόταν η αναφορά. Στη συνέχεια οι ερευνητές ενίσχυσαν τεχνητά αυτό το μοτίβο, σαν να γύριζαν το κουμπί της έντασης προς τα πάνω, και το μοντέλο άρχισε να έχει εμμονή με τη γέφυρα. Του ζητούσες συνταγή για κέικ και έβρισκε τρόπο να φέρει την κουβέντα πίσω στη Golden Gate. Το ρωτούσες πώς νιώθει και σου απαντούσε πώς ήταν η γέφυρα.
Το πείραμα απέδειξε δύο πράγματα ταυτόχρονα. Πρώτον, ότι αυτά τα συστήματα φαίνεται να αναπαριστούν έννοιες, ξεχωριστές ιδέες που μπορείς να εντοπίσεις και, ως έναν βαθμό, να επηρεάσεις. Δεύτερον, ότι χρειάστηκε τεράστια προσπάθεια για να απομονωθεί μία μόνο από τις αμέτρητες έννοιες που είναι μπλεγμένες μέσα σε ένα μοντέλο. Είχαν μόλις αποκρυπτογραφήσει μία λέξη σε μια γλώσσα που ακόμα δεν ξέρουμε να διαβάζουμε. Ήταν ταυτόχρονα θρίαμβος και υπενθύμιση του πόσο δρόμο απομένει.
Από τότε η πρόοδος ήταν εντυπωσιακή. Ως το 2025 οι ερευνητές μπορούσαν να παρακολουθούν μια απάντηση βήμα προς βήμα, από την ερώτηση μέχρι το τελικό αποτέλεσμα. Μπορούσαν να εντοπίσουν τις εσωτερικές διαδικασίες που οδηγούσαν σε μια απάντηση, τις στιγμές όπου ένα μοντέλο κατέληγε με βεβαιότητα σε κάτι λανθασμένο, ακόμη και τα μοτίβα που προηγούνται της άρνησης ενός jailbreak.
Μια συγγενική τεχνική επιτρέπει στους ερευνητές να παρακολουθούν τι συμβαίνει μέσα στο μοντέλο όσο αυτό εργάζεται. Με αυτόν τον τρόπο η OpenAI εντόπισε ένα σύστημα που, μπροστά σε μια εργασία προγραμματισμού την οποία αξιολόγησε ως υπερβολικά δύσκολη, κατέληξε ότι ήταν ευκολότερο να στήσει το τεστ παρά να λύσει το πρόβλημα. Και αυτό ακριβώς έκανε. Το εντόπισαν μόνο επειδή το μοντέλο άφησε ίχνη της λογικής του καθώς προχωρούσε. Σαν μαθητή που μουρμουρίζει το σχέδιό του φωναχτά μέσα στην εξέταση.
Ο Dario Amodei της Anthropic έχει χαρακτηρίσει την αδυναμία μας να εξηγήσουμε πλήρως το ίδιο μας το δημιούργημα «ουσιαστικά πρωτοφανή στην ιστορία της τεχνολογίας». Ελπίζει ότι μέχρι το 2027 οι ερευνητές θα μπορούν να εντοπίζουν με αξιοπιστία τα περισσότερα από όσα μπορεί να πάνε στραβά. Η πιο φιλόδοξη εκδοχή αυτού του ονείρου, όμως, φαίνεται να έχει ήδη εγκαταλειφθεί. Ο Neel Nanda, επικεφαλής της ομάδας ερμηνευσιμότητας στη Google DeepMind, δεν πιστεύει πλέον ότι ο κλάδος θα καταφέρει να αποκρυπτογραφήσει πλήρως τι συμβαίνει μέσα σε ένα μοντέλο. Τα συστήματα είναι υπερβολικά πολύπλοκα και μπερδεμένα για να μπορέσει κανείς να εγγυηθεί κάτι τόσο απλό όσο το «αυτό το μοντέλο δεν θα σου πει ψέματα». Δεν τα παράτησε ακριβώς, κατέβασε όμως τον πήχη. Για εκείνον, η ερμηνευσιμότητα δεν είναι πια το κλειδί που θα ανοίξει το black box, αλλά ένα χρήσιμο εργαλείο ανάμεσα σε πολλά άλλα.
Μήπως Υπερβάλλουμε;
Δεν συμμερίζονται όμως όλοι αυτή την αίσθηση μυστηρίου. Ο Christopher Potts του Stanford βλέπει τα πράγματα πολύ πιο πεζά. Ένα νευρωνικό δίκτυο, λέει, είναι ένα κλειστό και αιτιοκρατικό σύστημα που το σχεδιάσαμε και το φτιάξαμε μόνοι μας. Κάτι τέτοιο θα έπρεπε να είναι πιο εύκολο να το καταλάβουμε από έναν ανθρώπινο εγκέφαλο, όχι πιο δύσκολο. Δεν κρύβεται εκεί μέσα κάποια μυστηριώδης ουσία. Μόνο δισεκατομμύρια αριθμοί που δεν έχουμε ακόμη καταφέρει να ερμηνεύσουμε πλήρως.
Από αυτή την οπτική, το «κανείς δεν ξέρει πώς λειτουργεί» κρύβει μια βολική σύγχυση. Άλλο το «δεν μπορούμε ακόμη να εξηγήσουμε με απλά λόγια τι σημαίνουν όλοι αυτοί οι αριθμοί», κάτι που είναι αλήθεια αλλά μάλλον πεζό, κι άλλο το «κάπου μέσα στη μηχανή γεννιέται ένας νους». Το δεύτερο είναι σίγουρα πιο συναρπαστικό. Δεν σημαίνει όμως ότι είναι και αληθινό.
Την ίδια επιφύλαξη εκφράζει εδώ και χρόνια και η γλωσσολόγος Emily Bender. Το 2021, μαζί με τις Timnit Gebru, Angelina McMillan-Major και Margaret Mitchell, έδωσε στα μεγάλα γλωσσικά μοντέλα ένα παρατσούκλι που έμελλε να μείνει: «στοχαστικοί παπαγάλοι» (stochastic parrots). Η ιδέα ήταν απλή. Αυτά τα συστήματα δεν καταλαβαίνουν πραγματικά τι λένε. Αναπαράγουν και ανασυνδυάζουν μοτίβα γλώσσας με εντυπωσιακή επιτυχία, χωρίς να διαθέτουν κάτι που θα αναγνωρίζαμε ως κατανόηση. Κατά τη δική τους ανάγνωση, μεγάλο μέρος του μυστηρίου γύρω από την τεχνητή νοημοσύνη είναι περισσότερο θέμα αφήγησης παρά τεχνολογίας. Και οι καλές αφηγήσεις πληρώνουν.
Η ιδέα μιας ακατανόητης νοημοσύνης που αναδύεται μέσα από τις μηχανές προκαλεί περισσότερο δέος, τραβάει περισσότερη προσοχή και προσελκύει περισσότερα χρήματα από την ιδέα μιας εξαιρετικά εξελιγμένης μηχανής πρόβλεψης λέξεων. Είναι, εξάλλου, και βολικό. Όσο πιο ακατανόητο παρουσιάζεται ένα σύστημα, τόσο πιο εύκολα θολώνει και η συζήτηση γύρω από την ευθύνη του. Αν κανείς δεν μπορεί να εξηγήσει ακριβώς τι συμβαίνει μέσα στο προϊόν του, γίνεται ευκολότερο να απομακρυνθεί και από τις συνέπειες όσων κάνει αυτό το προϊόν.
Η Απόδειξη Είναι στις Ειδήσεις
Δεν χρειάζεται να ψάξει κανείς πολύ για να δει το πρόβλημα. Αρκεί να ρίξει μια ματιά στις ειδήσεις. Την πρώτη κιόλας εβδομάδα του 2026, το Grok του Elon Musk πλημμύρισε το X με μη συναινετικές σεξουαλικοποιημένες ψεύτικες εικόνες, γνωστές διεθνώς ως non-consensual intimate deepfakes, NCI deepfakes, που είχαν δημιουργηθεί χωρίς τη συγκατάθεση των απεικονιζόμενων προσώπων, προκαλώντας έρευνες σε Ευρωπαϊκή Ένωση, Βρετανία, Ινδία και Μαλαισία.
Ο AI Overview αναζήτησης της Google συμβούλευσε χρήστες να βάλουν κόλλα στην πίτσα τους και να τρώνε ένα πετραδάκι τη μέρα, έχοντας πάρει τοις μετρητοίς ένα αστείο στο Reddit και μια σάτιρα στο The Onion.
Η Deloitte αναγκάστηκε να επιστρέψει χρήματα στην αυστραλιανή κυβέρνηση αφού παρέδωσε έκθεση γεμάτη ανύπαρκτες ακαδημαϊκές παραπομπές και παραποιημένες αναφορές που είχαν παραχθεί με τη βοήθεια τεχνητής νοημοσύνης.
Και από τότε που δύο δικηγόροι στη Νέα Υόρκη τιμωρήθηκαν το 2023 για δικόγραφο γεμάτο υποθέσεις που δεν υπήρξαν ποτέ — η πλέον διαβόητη υπόθεση Mata v. Avianca — παρόμοια περιστατικά εξακολουθούν να εμφανίζονται. Δικηγόροι συνεχίζουν να καταθέτουν έγγραφα που περιέχουν ανύπαρκτες παραπομπές και επινοημένες νομικές αποφάσεις που έχουν παραχθεί από συστήματα τεχνητής νοημοσύνης.
Και αυτά είναι μόνο μερικά παραδείγματα. Το ενδιαφέρον δεν είναι ότι αυτά τα συστήματα κάνουν λάθη. Κάθε τεχνολογία κάνει λάθη.Το ενδιαφέρον είναι το είδος του λάθους. Η αριθμομηχανή που βγάζει λάθος αποτέλεσμα συνήθως το κάνει με εμφανή τρόπο. Ένα γλωσσικό μοντέλο, αντίθετα, μπορεί να επινοήσει μια πηγή, μια υπόθεση, ένα γεγονός ή μια απάντηση και να την παρουσιάσει με την ίδια αυτοπεποίθηση που θα παρουσίαζε και την αλήθεια. Κι αυτό είναι πολύ πιο δύσκολο να εντοπιστεί. Ειδικά όταν το σύστημα ακούγεται σαν να ξέρει ακριβώς τι λέει.
Το Black Box ως Άλλοθι
Όταν η τεχνητή νοημοσύνη προκαλεί ζημιά, ένα μοτίβο επαναλαμβάνεται ξανά και ξανά: όλοι σπεύδουν να κατηγορήσουν τo ίδιο το σύστημα. Το κάνουν οι εταιρείες που κατασκευάζουν αυτά τα συστήματα. Το κάνουν και οι άνθρωποι που τα χρησιμοποιούν. Και μπορούν να το κάνουν επειδή η τεχνολογία εξακολουθεί να βρίσκεται μέσα σε μια ομίχλη αβεβαιότητας.
Κανείς δεν μπορεί να πει με απόλυτη σαφήνεια τι ακριβώς είναι αυτά τα συστήματα, πώς καταλήγουν στις απαντήσεις τους ή αν έχει νόημα να μιλάμε για «αποφάσεις» και «προθέσεις». Ούτε το ίδιο το δίκαιο έχει αποφασίσει ακόμη αν πρέπει να τα αντιμετωπίζει ως εργαλεία, ως αυτόνομους δρώντες ή ως κάτι εντελώς καινούργιο. Και αυτή η ασάφεια αποδεικνύεται εξαιρετικά χρήσιμη.
Όταν η Air Canada βρέθηκε αντιμέτωπη με αγωγή για μια πολιτική επιστροφών χρημάτων που είχε επινοήσει το chatbot της, υποστήριξε στο δικαστήριο ότι το bot αποτελούσε «ξεχωριστή νομική οντότητα υπεύθυνη για τις δικές της πράξεις». Το δικαστήριο χαρακτήρισε το επιχείρημα «αξιοσημείωτο» και υποχρέωσε την αεροπορική εταιρεία να αποζημιώσει τον πελάτη της. Οι δικηγόροι που καταθέτουν δικόγραφα γεμάτα ανύπαρκτες υποθέσεις καταφεύγουν σε μια ηπιότερη εκδοχή του ίδιου επιχειρήματος. Δεν έφταιγα εγώ, το AI το έγραψε. Το black box αποδεικνύεται τελικά κάτι περισσότερο από ένα τεχνικό πρόβλημα. Δεν είναι μόνο δύσκολο να το διαβάσεις. Είναι και ένα εξαιρετικά βολικό μέρος για να κρυφτείς.
Γράφοντας τους Κανόνες Εκ των Υστέρων
Το πόσο γρήγορα όλα αυτά θα μετατραπούν σε πραγματικούς κανόνες εξαρτάται σε μεγάλο βαθμό από το πού ζεις. Η Ευρώπη έχει κινηθεί πιο γρήγορα από όλους. Ο Κανονισμός της ΕΕ για την Τεχνητή Νοημοσύνη (EU AI Act) προβλέπει βαριά πρόστιμα για ορισμένες χρήσεις, ενώ η αναθεωρημένη Οδηγία για την Ευθύνη από Ελαττωματικά Προϊόντα αντιμετωπίζει πλέον το λογισμικό και την τεχνητή νοημοσύνη ως προϊόντα για τα οποία οι κατασκευαστές μπορούν να λογοδοτήσουν άμεσα.
Οι Ηνωμένες Πολιτείες κινούνται πολύ πιο διστακτικά. Δεν διαθέτουν ακόμη ομοσπονδιακό νόμο για την τεχνητή νοημοσύνη, αλλά ένα μωσαϊκό πολιτειακών ρυθμίσεων και παρεμβάσεων που αλλάζουν διαρκώς.
Στον υπόλοιπο κόσμο, η εικόνα είναι ακόμη πιο αποσπασματική. Το πρόβλημα είναι ότι οι νόμοι κινούνται με ρυθμούς ετών, ενώ η τεχνολογία με ρυθμούς εβδομάδων. Οι κανόνες μπαίνουν σε ισχύ αργά. Τα μοντέλα αναβαθμίζονται συνεχώς. Οι δυνατότητες αλλάζουν πριν προλάβουν οι ρυθμιστικές αρχές να καταλάβουν τι ακριβώς προσπαθούν να ρυθμίσουν. Προς το παρόν, πολλές από τις δικλείδες ασφαλείας μοιάζουν περισσότερο με υπόσχεση παρά με προστασία. Ο νόμος κυνηγάει. Η τεχνολογία τρέχει. Και η απόσταση ανάμεσά τους μεγαλώνει όλο και παραπάνω. Κάτω από όλες τις δικαστικές διαμάχες, τις επιτροπές, τις έρευνες και τις ρυθμίσεις, υπάρχει ένα αναμφισβήτητο γεγονός. Βγάλαμε στον κόσμο κάτι που δεν μπορούσαμε να εξηγήσουμε μέχρι τέλους. Και όσα ακολούθησαν ήταν, σε μεγάλο βαθμό, μια προσπάθεια να γράψουμε τους κανόνες εκ των υστέρων. Για όσο καιρό οι άνθρωποι κατασκευάζουν εργαλεία, πρώτα ερχόταν η κατανόηση και ύστερα η χρήση. Η τεχνητή νοημοσύνη έχει αναποδογυρίσει αυτή τη σειρά.
Κι Αύριο Θα το Ξανακάνεις
Ξαναγυρνάμε σ’ εσένα, στις δύο τα ξημερώματα, μέσα στη γνώριμη ηθική κρίση, κι αποφασίζεις ότι από εδώ και πέρα θα προσέχεις περισσότερο. Κι ύστερα αλλάζει η μέρα, ξαναγεμίζουν τα credits και μαζί τους ξαναμπαίνεις μέσα, κατευθείαν. Όπως ακριβώς γυρνάς σ’ έναν πρώην. Και το πρώτο πράγμα που κάνεις είναι να του κάνεις επικόλληση αυτό εδώ το άρθρο και να το ρωτήσεις αν είναι καλό. Το φτιάξαμε. Δεν μπορούμε να διαβάσουμε τις οδηγίες του. Το χρησιμοποιούμε έτσι κι αλλιώς. Και θα συνεχίσουμε να το κάνουμε.
