Η εκρηκτική αύξηση ισχύος/πυκνότητας των AI επιταχυντών μεταφέρει τα παραδοσιακά, "αερόψυκτα" data centers στα όριά τους. Σε λιγότερο από μια δεκαετία, τα κορυφαία GPU της Nvidia ανέβηκαν από 300W (V100) σε 700W (H100) και έως 1.200W στη γενιά Blackwell, ενώ το τυπικό φορτίο ανά rack για AI ανεβαίνει από ~8kW σε ~100kW, καθιστώντας την υγρή ψύξη αναγκαία για τα σύγχρονα «εργοστάσια AI». 

Η πρώτη, και πιο ώριμη, λύση είναι η άμεση ψύξη με νερό πάνω στο chip (single-phase direct-to-chip). Ψυχρό υγρό κυκλοφορεί σε «cold plates» επάνω σε GPUs/CPUs, απομακρύνοντας τη θερμότητα σε κλειστό κύκλωμα προς εναλλάκτες. Το μειονέκτημα είναι ότι μικρότερα θερμά εξαρτήματα (μνήμες, τροφοδοσίες) παραμένουν στην αερόψυξη, άρα η συνολική διάταξη μένει υβριδική.

Η δεύτερη προσέγγιση, two-phase direct-to-chip, αντικαθιστά το νερό με διηλεκτρικό υγρό που βράζει μέσα στο cold plate. Καθώς η φάση αλλάζει σε ατμό, η θερμοκρασία του ρευστού παραμένει σχεδόν σταθερή, επιτρέποντας υψηλότερες θερμοκρασίες λειτουργίας στο «facility water», μικρότερους ρυθμούς ροής και σημαντική μείωση ενέργειας—συχνά χωρίς ανάγκη για chiller σε εύκρατα κλίματα.

Η τρίτη διαδρομή είναι η εμβάπτιση single-phase (immersion), όπου ολόκληρος ο server βυθίζεται σε διηλεκτρικό υγρό (συνήθως «oil-like»). Το όφελος είναι ομοιόμορφη ψύξη και απουσία ανεμιστήρων/κραδασμών, με πραγματικές μετρήσεις να δείχνουν ως και ~51% χαμηλότερη κατανάλωση έναντι κλασικών σχεδιάσεων. Σε ακραίες πυκνότητες, όμως, συχνά απαιτείται προσθήκη cold plates, αυξάνοντας την πολυπλοκότητα των κυκλωμάτων.

Τέταρτη και πιο «φιλόδοξη» είναι η εμβάπτιση two-phase (boiling). Διηλεκτρικό υγρό βράζει πάνω στα καυτά εξαρτήματα και υγροποιείται σε εναλλάκτη στο καπάκι/πλάτη της δεξαμενής. Χάρη στη λανθάνουσα θερμότητα, η ωφέλιμη ικανότητα ψύξης μπορεί να είναι 10–100× έναντι single-phase, ενώ μελέτες κόστους δείχνουν ότι σε τοποθεσίες όπως το Ashburn (VA) η 10ετής TCO μπορεί να είναι χαμηλότερη από εναλλακτικές, λόγω μειωμένης πολυπλοκότητας μηχανολογικών υποδομών. Παραμένουν, ωστόσο, ζητήματα συντήρησης και διαφυγής/εξαέρωσης ρευστών που απαιτούν προσεκτικό σχεδιασμό.

Πέρα από τη θερμική φυσική, το νερό είναι κρίσιμη παράμετρος βιωσιμότητας: το άμεσο (on-site) και έμμεσο (από την παραγωγή ρεύματος) υδατικό αποτύπωμα των AI υποδομών γίνεται αντικείμενο στενής παρακολούθησης. Στρατηγικές όπως λειτουργία σε υψηλότερες θερμοκρασίες νερού, κλειστοί βρόχοι και ανάκτηση θερμότητας μειώνουν δραστικά την κατανάλωση.

Οι απαιτήσεις τυποποίησης ωριμάζουν επίσης. Η ASHRAE εμπλουτίζει τις «Thermal Guidelines» και το corpus τεχνικών οδηγιών για υγρή ψύξη ώστε να καλυφθούν νέες ισχείς-στόχοι και να καθοδηγηθούν conversions/greenfield έργα με ελεγχόμενους κινδύνους.

Στο πεδίο των hyperscalers βλέπουμε διαφορετικές αρχιτεκτονικές: από κλασικά direct-to-chip μέχρι ιδιοταγείς in-row εναλλάκτες και co-designed cold plates για Blackwell racks, με στόχο εύκολα retrofits και μικρότερη εξάρτηση από μεγάλες υδραυλικές αναβαθμίσεις. Παράλληλα, το οικοσύστημα GPU πιέζει για υγρόψυκτες διαμορφώσεις με βελτιωμένη υδατική απόδοση.

Τι σημαίνουν όλα αυτά για την αγορά

Βραχυπρόθεσμα, οι φορείς εκμετάλλευσης που θέλουν ταχύτερα κέρδη/μικρότερο ρίσκο τείνουν προς single-phase direct-to-chip, ειδικά σε μεικτά (AI+γενικής χρήσης) data halls. Μεσοπρόθεσμα, η αύξηση πυκνοτήτων/φορτίων θα ωθεί σε two-phase (direct-to-chip ή immersion) σε νέα κτίρια ή ειδικές «AI πτέρυγες», όπου η απόσβεση προκύπτει από μικρότερη PUE, λιγότερο μηχανολογικό αποτύπωμα και καλύτερη ενεργειακή/υδατική αποδοτικότητα. 

-----

Σημείωση: Χρησιμοποιείται ο όρος "Υγρή Ψύξη" και όχι "Υδρόψυξη", γιατί στον χώρο των data centers και ειδικά στην ευρύτερη τεχνολογική κοινότητα, ο όρος "υγρή ψύξη" (liquid cooling) χρησιμοποιείται συχνά για να συμπεριλάβει και άλλες μορφές ψύξης με υγρά πέρα από απλή υδρόψυξη (π.χ. διηλεκτρικά υγρά, immersion cooling κ.λπ.).

Η IBM και η Anthropic ανακοίνωσαν στρατηγική συνεργασία για την ανάπτυξη και υιοθέτηση τεχνητής νοημοσύνης (AI) κατάλληλης για επιχειρησιακά περιβάλλοντα. Στο πλαίσιο της συμφωνίας, το μεγάλο γλωσσικό μοντέλο Claude θα ενσωματωθεί στα βασικά εργαλεία ανάπτυξης λογισμικού της IBM, με στόχο τη βελτίωση της παραγωγικότητας και την ενίσχυση της ασφάλειας και της διακυβέρνησης σε όλα τα στάδια του κύκλου ζωής λογισμικού.

Το Claude θα αποτελέσει βασικό στοιχείο του νέου, «AI-first» περιβάλλοντος ανάπτυξης (IDE) της IBM, το οποίο έχει σχεδιαστεί για τον εκσυγχρονισμό και την αυτοματοποίηση επιχειρησιακών εφαρμογών. Η λύση υποστηρίζει πολλαπλές γλώσσες προγραμματισμού και επιτρέπει στους προγραμματιστές να δημιουργούν, να δοκιμάζουν και να συντηρούν λογισμικό με αυξημένη αποδοτικότητα. Σύμφωνα με την IBM, περισσότεροι από 6.000 εργαζόμενοί της έχουν ήδη δοκιμάσει το IDE, καταγράφοντας αύξηση παραγωγικότητας κατά 45%, χωρίς υποβάθμιση της ποιότητας ή των προτύπων ασφαλείας.

Η εταιρεία επιδιώκει να προσφέρει στις επιχειρήσεις εργαλεία AI που ενσωματώνονται απρόσκοπτα στις υφιστάμενες υποδομές τους, διατηρώντας υψηλά επίπεδα ελέγχου και διαφάνειας. «Η IBM γνωρίζει τι απαιτείται για την υλοποίηση λύσεων σε μεγάλη κλίμακα και κρίσιμα περιβάλλοντα», δήλωσε ο Dinesh Nirmal, Senior Vice President Software της εταιρείας. «Η συνεργασία αυτή ενισχύει το χαρτοφυλάκιό μας με τεχνητή νοημοσύνη που προσαρμόζεται στις ανάγκες των επιχειρήσεων, χωρίς να δημιουργεί νέους κινδύνους».

Από την πλευρά της Anthropic, ο Chief Product Officer Mike Krieger τόνισε ότι οι επιχειρήσεις «αναζητούν λύσεις AI στις οποίες μπορούν να εμπιστευτούν τον κώδικα, τα δεδομένα και τις καθημερινές λειτουργίες τους». Υπογράμμισε επίσης πως η συνεργασία με την IBM θα επεκτείνει τη διαθεσιμότητα του Claude σε περισσότερα επιχειρησιακά περιβάλλοντα, με κοινή προσήλωση στην ασφάλεια και την αξιοπιστία.

Το νέο IDE της IBM ενσωματώνει λειτουργίες όπως αυτοματοποιημένο εκσυγχρονισμό εφαρμογών, ευφυή δημιουργία και αξιολόγηση κώδικα, ολιστική ενορχήστρωση του κύκλου ανάπτυξης και προσέγγιση “security-first” με έμφαση σε σαρώσεις ευπαθειών και υποστήριξη κβαντικά ασφαλούς κρυπτογράφησης.

Παράλληλα, οι δύο εταιρείες παρουσίασαν τον οδηγό “Architecting Secure Enterprise AI Agents with MCP”, που καθορίζει ένα νέο πλαίσιο (ADLC – Agent Development Lifecycle) για τον σχεδιασμό και τη διαχείριση επιχειρηματικών πρακτόρων τεχνητής νοημοσύνης. Ο οδηγός περιγράφει βέλτιστες πρακτικές, πρότυπες αρχιτεκτονικές και ανοικτά πρότυπα μέσω της κοινότητας Model Context Protocol (MCP), επιτρέποντας ασφαλή και τυποποιημένη ανάπτυξη AI agents σε ρυθμιζόμενους κλάδους.

Η IBM εξετάζει ήδη την επέκταση της ενσωμάτωσης του Claude σε πρόσθετα προϊόντα της, ενισχύοντας τη στρατηγική της για ενοποιημένες λύσεις AI. Η συνεργασία με την Anthropic σηματοδοτεί ένα σημαντικό βήμα προς την κατεύθυνση της αξιόπιστης και διαφανούς επιχειρησιακής τεχνητής νοημοσύνης, που στοχεύει όχι μόνο στην αποδοτικότητα αλλά και στη μακροπρόθεσμη αξία για τους πελάτες και την κοινωνία.

Η Meta ανακοίνωσε ότι από τις 16 Δεκεμβρίου 2025 θα αρχίσει να αξιοποιεί δεδομένα από τις αλληλεπιδράσεις των χρηστών με τα προϊόντα τεχνητής νοημοσύνης της —όπως συνομιλίες κειμένου και φωνής— ώστε να προσωποποιεί προτάσεις περιεχομένου και στοχευμένες διαφημίσεις στο Facebook και το Instagram. Η αλλαγή θα κοινοποιηθεί στους χρήστες από τις 7 Οκτωβρίου και δεν θα υπάρχει δυνατότητα εξαίρεσης (opt-out), πέρα από το να μην χρησιμοποιεί κανείς τα AI χαρακτηριστικά. Πηγή της είδησης είναι το TechCrunch.

Σημαντικό είναι ότι η πολιτική δεν αφορά τις end-to-end κρυπτογραφημένες (E2EE) συνομιλίες στο WhatsApp και στο Messenger. Η Meta διευκρινίζει ότι εκεί οι συνομιλίες παραμένουν ιδιωτικές και δεν χρησιμοποιούνται για διαφημιστική στόχευση. Αντίθετα, η αξιοποίηση δεδομένων αφορά το οικοσύστημα των «AI προϊόντων» της Meta, δηλαδή κάθε υπηρεσία ή συσκευή που συνδέεται με το Meta AI μέσω του ίδιου λογαριασμού.

Σύμφωνα με τη Meta, τα νέα σήματα θα προστίθενται στα ήδη υπάρχοντα (likes, follows) ώστε να ενισχυθεί η προσωποποίηση. Ενδεικτικά, αν ένας χρήστης συνομιλεί με το Meta AI για ορειβασία, είναι πιθανό να δει στη συνέχεια προτεινόμενο περιεχόμενο ή διαφήμιση σχετική με εξοπλισμό πεζοπορίας. Από τις «ευαίσθητες» κατηγορίες (θρησκευτικές/πολιτικές πεποιθήσεις, υγεία, σεξουαλικός προσανατολισμός, φυλή/εθνικότητα, φιλοσοφικές πεποιθήσεις, συνδικαλιστική ιδιότητα) εξαιρείται η στοχευμένη διαφήμιση· σε όλες τις υπόλοιπες (χόμπι, lifestyle, καταναλωτικά ενδιαφέροντα) τα δεδομένα χρησιμοποιούνται κανονικά.

Το μέτρο θα εφαρμοστεί διεθνώς, με εξαίρεση προς το παρόν την Ε.Ε., το Ηνωμένο Βασίλειο και τη Νότια Κορέα λόγω κανονισμών. Η Meta αφήνει ανοιχτό το ενδεχόμενο μελλοντικής διάθεσης σε αυτές τις περιοχές «μετά τις συνήθεις ρυθμιστικές ενημερώσεις».

Ερωτήματα παραμένουν για το εύρος των δεδομένων που θα αξιοποιούνται. Αν και το ρεπορτάζ αναφέρει ότι προϊόντα όπως τα Ray-Ban Meta γυαλιά, το εργαλείο εικόνων Imagine και το feed Vibes υπάγονται στη νέα πολιτική, δεν είναι απολύτως σαφές αν οι ίδιες οι εικόνες ή τα βίντεο θα τροφοδοτούν απευθείας τη διαφήμιση ή αν η αξιοποίηση θα περιοριστεί στην «ανάλυση περιεχομένου» μέσω AI. Το βέβαιο είναι ότι οποιαδήποτε χρήση των AI προϊόντων υπό τον ίδιο λογαριασμό συνεισφέρει στο προφίλ διαφημιστικής στόχευσης.

Η Meta υποστηρίζει ότι προς το παρόν δεν θα προβάλλει διαφημίσεις μέσα στις ίδιες τις AI υπηρεσίες. Ωστόσο, η ένταξη των AI δεδομένων στο οικοσύστημα στόχευσης αναδεικνύεται σε νέο πυλώνα για το διαφημιστικό της μοντέλο, που παραμένει η κύρια πηγή εσόδων της.

Για τους χρήστες στην Ε.Ε. —και επομένως στην Ελλάδα— δεν υπάρχει άμεση αλλαγή, αφού η εφαρμογή εξαιρείται. Ωστόσο, το ενδεχόμενο επέκτασης παραμένει ανοιχτό. Προς το παρόν, το μόνο βέβαιο «opt-out» διεθνώς είναι η αποφυγή χρήσης των AI λειτουργιών της Meta.

Η φετινή κατάταξη του IEEE Spectrum ανοίγει με ένα ερώτημα που ξεπερνά τον «πίνακα πρωταθλητών»: μήπως η τεχνητή νοημοσύνη κάνει την ίδια την έννοια της «δημοτικότητας γλωσσών» άνευ αντικειμένου; Η συντακτική ομάδα σημειώνει ότι ο τρόπος που γράφεται πια λογισμικό αλλάζει τόσο ριζικά, ώστε «τα πράγματα μπορεί να γίνουν πολύ παράξενα». Δεν είναι μόνο ότι η Python κρατά την κορυφή· είναι ότι το υπόστρωμα των μετρήσεων μετακινείται. Το κρίσιμο σημείο είναι η «ιδιωτικοποίηση» των σημάτων ενδιαφέροντος. Εκεί που μετρούσαμε Google αναζητήσεις, ερωτήσεις στο Stack Exchange, GitHub δραστηριότητα, σήμερα οι προγραμματιστές ρωτούν κατ’ ιδίαν ένα μεγάλο γλωσσικό μοντέλο (LLM) και παίρνουν έτοιμο κώδικα από βοηθούς τύπου Cursor ή ChatGPT. Αποτέλεσμα: το 2025 οι εβδομαδιαίες ερωτήσεις στο Stack Exchange έπεσαν στο 22% του επιπέδου του 2024 — ένα υπαρξιακό πρόβλημα για κάθε κατάταξη που στηρίζεται σε δημόσια σήματα. 

Μέσα σε αυτή τη μετατόπιση εμφανίζεται και το «vibe coding» (προγραμματισμός με οδηγό την περιγραφή/πρόθεση): αντί να γράφεις εντολές, περιγράφεις τι θέλεις και ο πράκτορας ΑΙ παράγει τον κώδικα. Ο όρος, που δημοσιοποιήθηκε από τον Andrej Karpathy νωρίτερα φέτος, συνδέεται ήδη με πρακτικές παραγωγής web, κάτι που το IEEE επικαλείται για να εξηγήσει και την πτώση του JavaScript στη φετινή λίστα.  Αν η ΑΙ παίρνει σταδιακά πάνω της τη συντακτική «αγγαρεία», ο ρόλος του ανθρώπου μετατοπίζεται από το «πώς γράφεται μια for» στο «πώς σχεδιάζεται το σύστημα». Η γλώσσα γίνεται τεχνική λεπτομέρεια, όπως σήμερα σπάνια σκεφτόμαστε το instruction set του CPU. Το IEEE εκτιμά ότι η αξία μεταφέρεται στην αρχιτεκτονική, την επιλογή αλγορίθμων και την ενορχήστρωση σύνθετων συστημάτων — δεξιότητες πιο κοντά στην επιστήμη υπολογιστών παρά στη μνήμη συντακτικών κανόνων.

Εδώ βρίσκεται και η πιο ανησυχητική διάσταση: η «παγίωση» των σημερινών πρωταγωνιστών. Νέες γλώσσες παραδοσιακά γεννιούνται από μικρές κοινότητες, βιβλία, talks και δείγματα κώδικα. Όμως τα LLM χρειάζονται μάζα δεδομένων για να αποδίδουν· σε λιγότερο διαδεδομένες γλώσσες δίνουν χειρότερα αποτελέσματα, άρα ανατροφοδοτούν την κυριαρχία των ήδη μεγάλων. Το IEEE φοβάται ότι έτσι θα δυσκολέψει η ανάδυση νέων γλωσσών — μια «κατάψυξη» της οικολογίας. Πρόσφατες ακαδημαϊκές εργασίες επισημαίνουν επίσης προκαταλήψεις επιλογής γλωσσών/βιβλιοθηκών από τα LLM, με προφανείς συνέπειες για ποιότητα και ασφάλεια.

Τα στοιχεία συμπληρώνονται από τη συμπεριφορά των ίδιων των developers: σύμφωνα με τη φετινή έρευνα της Stack Overflow, το 84% ήδη χρησιμοποιεί ή σχεδιάζει να χρησιμοποιήσει εργαλεία ΑΙ στην ανάπτυξη, αλλά οι καθαρά «θετικές» κρίσεις για την ακρίβεια παραμένουν μειοψηφία — περισσότεροι δηλώνουν δυσπιστία (46%) απ’ όσους εμπιστοσύνη (33%). Η ΑΙ μπαίνει παντού, αλλά η εμπιστοσύνη δεν ακολουθεί αντίστοιχα. Τι σημαίνουν όλα αυτά για μετρήσεις και στρατηγική; Πρώτον, οι κλασικοί δείκτες ζήτησης/ενδιαφέροντος «θολώνουν», άρα τα rankings χρειάζονται νέα εργαλεία — το IEEE παραδέχεται ότι θα ψάξει διαφορετικές μετρικές μέσα στους επόμενους 12 μήνες. Δεύτερον, σε ένα πιθανό μέλλον «από prompt σε ενδιάμεση αναπαράσταση» χωρίς αναγνώσιμο source code, η διαφάνεια και η διαδικασία ποιοτικού ελέγχου θα γίνουν πιο κρίσιμες από την ίδια τη γλώσσα. Τρίτον, η εκπαίδευση και το επαγγελματικό προφίλ μετατοπίζονται: λιγότερη έμφαση στη συντακτική ευχέρεια, περισσότερη σε θεμέλια, testing, αξιοπιστία και ασφάλεια.

Η ουσία, όπως τη διαβάζουμε στο φετινό IEEE Spectrum, δεν είναι ότι «τελείωσαν» οι γλώσσες· είναι ότι ο διαχωρισμός ανάμεσα σε γλώσσες, εργαλεία και διαδικασίες χάνει βάρος όταν ο ενδιάμεσος «γράφων» είναι η ΑΙ. Από εδώ και πέρα η σημαντική πρόκληση δεν θα είναι «ποια γλώσσα να μάθω», αλλά πώς σχεδιάζω, ελέγχω και κυβερνώ συστήματα όπου μεγάλα κομμάτια κώδικα γράφονται ή ξαναγράφονται αυτόματα. Αυτό, και όχι οι μικρομετακινήσεις στον πίνακα κατάταξης, είναι το μήνυμα της χρονιάς.

Ο τίτλος παραπέμπει στο "πρόβλημα των τριών σωμάτων" στη φυσική και την επιστημονική φαντασία, που περιγράφει το χαοτικό και δύσκολα προβλέψιμο σύστημα τριών αλληλεπιδρώντων σωμάτων. Αντιστοίχως, η τεχνητή νοημοσύνη αντιμετωπίζει τρεις ταυτόχρονες "φούσκες" — οικονομική, υποδομών και προσδοκιών — που δημιουργούν ένα ασταθές και περίπλοκο τοπίο στη βιομηχανία. Η δημόσια συζήτηση γύρω από την τεχνητή νοημοσύνη έχει κατακλυστεί από τον όρο «φούσκα». Δημοσιογράφοι, επενδυτές και επιστήμονες αναρωτιούνται αν οι σημερινές εξελίξεις θυμίζουν περισσότερο την "μανία της τουλίπας" του 17ου αιώνα ή το dot-com boom των τελών της δεκαετίας του ’90. Ως "φούσκα" μπορούμε να ορίσουμε τη συλλογική υπερεκτίμηση της αξίας ή της προοπτικής ενός φαινομένου, η οποία τροφοδοτείται από προσδοκίες ταχύτερες και μεγαλύτερες από τις πραγματικές του δυνατότητες. Το να μιλάμε όμως για μία ενιαία «φούσκα AI», είναι υπεραπλούστευση. Στην πραγματικότητα, συνυπάρχουν τρεις διαφορετικές δυναμικές, καθεμία με το δικό της βάρος και τις δικές της επιπτώσεις.

Η πρώτη είναι η οικονομική φούσκα, που αφορά τις αποτιμήσεις εταιρειών και την εκτίναξη των τιμών μετοχών πέρα από τα θεμελιώδη μεγέθη. Η δεύτερη είναι η φούσκα των υποδομών, καθώς κυβερνήσεις και επιχειρήσεις χτίζουν μαζικά data centers, δίκτυα και ενεργειακές εγκαταστάσεις που ξεπερνούν την τρέχουσα ζήτηση. Η τρίτη και πιο δυσδιάκριτη είναι η φούσκα των προσδοκιών: η πίστη ότι η AI θα μετασχηματίσει τα πάντα άμεσα, τη στιγμή που οι περισσότερες πιλοτικές εφαρμογές δεν αποδίδουν απτά αποτελέσματα. Αυτή η τριπλή δομή δεν πρέπει να ιδωθεί μόνο ως απειλή. Η υπερβολή σε κάθε μία από τις τρεις κατηγορίες συνυπάρχει με ουσιαστικές επενδύσεις και στρατηγικές ευκαιρίες. Η πρόκληση για τους επαγγελματίες και τις επιχειρήσεις είναι να ξεχωρίσουν το πρόσκαιρο θόρυβο από τα θεμέλια που θα αντέξουν στο χρόνο. Στις επόμενες ενότητες εξετάζουμε αναλυτικά καθεμία από αυτές τις τρεις φούσκες, τα ιστορικά προηγούμενα που μας προειδοποιούν, αλλά και τα στοιχεία που δείχνουν ότι πίσω από τον ενθουσιασμό υπάρχει ένας στέρεος πυρήνας τεχνολογικής αξίας.

Η οικονομική φούσκα δεν είναι απλώς θέμα υψηλών αποτιμήσεων. Η Nvidia, για παράδειγμα, είδε την κεφαλαιοποίησή της να υπερβαίνει τα 2,5 τρισ. δολάρια το 2025, με τον δείκτη P/E να κινείται πάνω από το 50. Αυτό σημαίνει ότι οι επενδυτές είναι διατεθειμένοι να πληρώσουν πενήντα φορές τα ετήσια κέρδη για μια μετοχή, προσδοκώντας ότι η κερδοφορία θα εκτοξευθεί στο μέλλον. Η Microsoft και η Alphabet κινούνται σε ηπιότερα επίπεδα, αλλά πάλι σημαντικά υψηλότερα από τον ιστορικό μέσο όρο της S&P 500. Αυτή η απόκλιση δείχνει ότι η αξία βασίζεται όχι σε σημερινά μεγέθη αλλά σε μια υπόθεση διαρκούς κυριαρχίας της AI στις αγορές. Το φαινόμενο θυμίζει τη dot-com εποχή, όπου εταιρείες χωρίς πραγματικά έσοδα αποτιμούνταν δισεκατομμύρια, με τη διαφορά ότι σήμερα οι πρωταγωνιστές έχουν όντως ισχυρά οικονομικά θεμέλια. Το ερώτημα είναι αν αυτά αρκούν για να δικαιολογήσουν τον σημερινό ενθουσιασμό ή αν πλησιάζουμε σε αναπόφευκτη διόρθωση.

Η φούσκα υποδομών είναι η πιο υλική και χειροπιαστή. Τα data centers πολλαπλασιάζονται, με την παγκόσμια κατανάλωση ενέργειας τους να υπολογίζεται ότι θα ξεπεράσει τα 1.000 TWh ετησίως μέχρι το 2030, δηλαδή περίπου το 4% της συνολικής παγκόσμιας ζήτησης. Οι επενδύσεις της Ευρώπης μέσω του EuroHPC και του InvestAI, άνω των €200 δισ., δεν είναι απλώς οικονομικό στοίχημα αλλά και πολιτική επιλογή για «ψηφιακή κυριαρχία». Το παράδειγμα του dot-com είναι αποκαλυπτικό: πολλές τηλεπικοινωνιακές εταιρείες χρεοκόπησαν, αλλά τα υπερβολικά καλώδια οπτικών ινών και οι εγκαταστάσεις που άφησαν πίσω τους αποτέλεσαν τη ραχοκοκαλιά του σύγχρονου Διαδικτύου. Αν επαναληφθεί η ιστορία, το βραχυπρόθεσμο ξεφούσκωμα μπορεί να οδηγήσει σε φθηνότερους υπολογιστικούς πόρους και να στηρίξει την επόμενη φάση καινοτομίας.

Η φούσκα προσδοκιών είναι η πιο αόρατη αλλά ίσως και η πιο επικίνδυνη. Το στατιστικό στοιχείο του MIT ότι το 95% των πιλοτικών έργων AI αποτυγχάνει να παράξει ουσιαστική αξία δείχνει το βάθος του προβλήματος. Δεν πρόκειται μόνο για τεχνικές αδυναμίες. Συχνά λείπει η στρατηγική ενσωμάτωση: οι εταιρείες υιοθετούν AI για το θεαθήναι, χωρίς να έχουν επεξεργαστεί πώς θα τοποθετηθεί μέσα στις ροές εργασίας τους ή πώς θα βελτιώσει μετρήσιμα το αποτέλεσμα. Ο κίνδυνος είναι να χαθεί η εμπιστοσύνη, να θεωρηθεί η τεχνητή νοημοσύνη άλλη μια «μόδα» τεχνολογίας, όπως τα NFTs ή το metaverse. Ωστόσο, το 5% των έργων που πετυχαίνει λειτουργεί σαν φάρος: είναι οι περιπτώσεις όπου η τεχνολογία ξεκινά από πραγματικά επιχειρησιακά προβλήματα, χτίζεται πάνω σε ποιοτικά δεδομένα και εφαρμόζεται μεθοδικά. Αυτά τα παραδείγματα έχουν τη δυναμική να αποδείξουν ότι η AI δεν είναι πυροτέχνημα, αλλά δύναμη γενικής χρήσης που θα αλλάξει θεμελιωδώς βιομηχανίες.

Για τις επιχειρήσεις που θέλουν να ανελιχθούν μέσα στο νέο τοπίο που η ΤΝ αποτελεί την νέα πραγματικότητα, η αποχή δεν αποτελεί επιλογή. Η στρατηγική επιβίωσης απαιτεί μεθοδική σκέψη και πειθαρχία σε τρείς διαστάσεις. Η πρώτη διάσταση έχει να κάνει με την ενασχόληση με το πρόβλημα και όχι με το εργαλείο. Η συχνή παγίδα είναι να υιοθετείται μια νέα τεχνολογία επειδή βρίσκεται στο επίκεντρο της συζήτησης, χωρίς να έχει καθοριστεί αν λύνει κάποια πραγματική ανάγκη. Μια εταιρεία που εντάσσει την AI για να μειώσει τον χρόνο επεξεργασίας εγγράφων ή να βελτιώσει την εξυπηρέτηση πελατών έχει μεγαλύτερη πιθανότητα να αποκομίσει μετρήσιμη αξία από μία που «πειραματίζεται» χωρίς σαφή στόχο. Η δεύτερη διάσταση αφορά τον χρονικό ορίζοντα εφαρμογής. Καμία επιχείρηση δεν μπορεί να στηριχθεί μόνο σε μακροπρόθεσμες ελπίδες ούτε μόνο σε άμεσες αποδόσεις. Χρειάζεται ένα χαρτοφυλάκιο έργων που θα συνδυάζει βραχυπρόθεσμες εφαρμογές με άμεσο αντίκτυπο, όπως για παράδειγμα την αυτοματοποίηση διαδικασιών, με μεσοπρόθεσμα έργα που βελτιώνουν τη λειτουργία σε βάθος χρόνου, καθώς και με πιο ριζοσπαστικά πειράματα που ίσως αποδώσουν εκθετικά στο μέλλον. Αυτός ο συνδυασμός διασφαλίζει ανθεκτικότητα απέναντι σε αποτυχίες και παράλληλα επιτρέπει τη συνεχή ανανέωση της καινοτομίας. Τέλος, η επιτυχής αφομοίωση της νέας τεχνολογίας δεν προκύπτει από μεμονωμένες ενέργειες, αλλά από την οργανική ενσωμάτωση της AI στις υπάρχουσες διαδικασίες και συστήματα. Η τεχνητή νοημοσύνη πολλαπλασιάζει την αξία της όταν «κουμπώνει» με την αρχιτεκτονική μιας επιχείρησης, όταν τα δεδομένα της τροφοδοτούνται χωρίς τριβές και όταν τα αποτελέσματα ενσωματώνονται απρόσκοπτα σε καθημερινές λειτουργίες. Μια AI που λειτουργεί στο περιθώριο, ως «side project», δύσκολα δικαιολογεί το κόστος της. Αντίθετα, μια AI που ενσωματώνεται σε κάθε κρίσιμο κύκλωμα —από τις αλυσίδες εφοδιασμού μέχρι τη λήψη αποφάσεων— μπορεί να δημιουργήσει συνέργειες και να αποδώσει πολλαπλάσια οφέλη.

Οι εταιρείες που θα κινηθούν με αυτόν τον τρόπο θα είναι καλύτερα προετοιμασμένες όχι μόνο να αντέξουν το πιθανό "ξεφούσκωμα", αλλά και να βγουν ενισχυμένες όταν το τοπίο σταθεροποιηθεί. Η τεχνητή νοημοσύνη δεν είναι ένα αδιάφορο trend, αλλά αποτελεί ένα εργαλείο που ήρθε για να μείνει, όπως το η αριθμομηχανή. Στο προσεχές μέλλον ίσως να μην την συναντάμε στη μορφή που είναι σήμερα ή τη μορφή που πιστεύουμε ότι θα αποκτήσει (πες με Skynet) αλλά με με μια μορφή που θα προκύψει από τις συλλογικές ανάγκες και τις ρυθμιστικές παρεμβάσεις που θα γίνουν από κρατικές οντότητες και οργανισμούς. Παράδειγμα τέτοιας παρέμβασης είναι ο κανονισμός AI Act της ΕΕ (σε ισχύ από τον Αύγουστο του 2024) που εισάγει risk-based προσέγγιση με αυστηρούς κανόνες για εφαρμογές υψηλού ρίσκου. Βέβαια, παντού πρέπει να υπάρχει ένα μέτρο. Ακόμα και αν οι προθέσεις είναι καλές, (ασφάλεια και διαφάνεια), υπάρχει πάντα ο φόβος ότι η υπερβολική ρύθμιση θα επιβραδύνει την καινοτομία, ιδίως στις μικρότερες εταιρείες που είναι περισσότερο ευάλωτες σε ρυθμιστικές ενέργειες. Η Bosch, για παράδειγμα, έχει προειδοποιήσει ότι η Ευρώπη κινδυνεύει να “ρυθμίσει τον εαυτό της σε ακινησία” αν δεν υπάρξει ευελιξία.

Οι φούσκες της τεχνητής νοημοσύνης, όπως συχνά συμβαίνει με κάθε μεγάλη τεχνολογική επανάσταση, δεν είναι ούτε αποκλειστικά καταστροφικές ούτε απαραίτητα «φαινόμενα» προς αποφυγή. Ιστορικά, κρίσεις όπως το dot-com crash άφησαν πίσω τους υποδομές, τεχνογνωσία και συγκεντρωμένη αξία που οικοδόμησαν το σύγχρονο τεχνολογικό τοπίο. Το ίδιο αναμένεται να συμβεί και με την τεχνητή νοημοσύνη, επιτρέποντας σε όσους επενδύσουν με στρατηγική και αντοχή να ηγηθούν της επόμενης περιόδου ανάπτυξης. Την ίδια στιγμή, η πρόκληση πλέον επαφύεται στην ικανότητα να συνδυάσουμε καινοτομία, υπευθυνότητα και συμμόρφωση με το ρυθμιστικό πλαίσιο. Οι νέοι κανόνες, όπως ο Ευρωπαϊκός AI Act, παίζουν καίριο ρόλο στην προστασία, αλλά απαιτούν ευελιξία ώστε να μην καταστήσουν την καινοτομία δέσμια γραφειοκρατίας. Όπως και να έχει, η τεχνητή νοημοσύνη είναι τεχνολογία γενικής χρήσης, που ήδη αλλάζει βιομηχανίες και καθημερινότητα και είναι εδώ για να μείνει. Το στοίχημα είναι ποιοι θα χτίσουν σταθερά θεμέλια για να την αξιοποιήσουν μετά το αρχικό ξεφούσκωμα.

Η American Association for Cancer Research (AACR) παρουσίασε στο 10th International Congress on Peer Review and Scientific Publications που έγινε στο  Σικάγο των ΗΠΑ, ευρήματα που δείχνουν εκτεταμένη χρήση μεγάλων γλωσσικών μοντέλων (LLMs) σε επιστημονικές δημοσιεύσεις. Από ανάλυση πολλών εργασιών διαπιστώθηκε ότι έως 23% των abstracts και σχεδόν 5% των peer-review reports περιείχαν αποσπάσματα τα οποία έχουν παραχθεί από AI, ενώ λιγότεροι των 25% των συγγραφέων δήλωσαν τη χρήση τους, παρότι υπήρχε ρητή υποχρέωση δήλωσης της χρήσης της.

Η AACR χρησιμοποίησε το εργαλείο Pangram, με ακρίβεια 99,85% και χαμηλά ποσοστά false positives. Το σύστημα αυτό, μπορεί να ανιχνεύει διαφορετικά LLMs (ChatGPT, Claude, LLaMa, DeepSeek), αλλά δεν μπορεί να εντοπίσει αν το κείμενο έχει αναθεωρηθεί από ανθρώπινο παράγοντα. Παρά την απαγόρευση χρήσης LLMs από peer reviewers ήδη από το 2023, το ποσοστό χρήσης διπλασιάστηκε το 2024, γεγονός που δείχνει το εύρος της διείσδυσης της χρήσης της ΤΝ στην επιστημονική κοινότητα αλλά και για την αξιοπιστία της διαδικασίας αξιολόγησης.

Διεθνές πλαίσιο πολιτικών disclosure

Ο εκδοτικός όμιλος Springer Nature απαιτεί από το 2023 οι συγγραφείς να δηλώνουν ρητά αν χρησιμοποίησαν AI σε συγγραφή ή ανάλυση, με λεπτομέρειες για το εργαλείο και πώς χρησιμοποιήθηκε. Η Elsevier επίσης ζητά disclosure, διευκρινίζοντας ότι η ευθύνη για την ακρίβεια του περιεχομένου παραμένει στον συγγραφέα, ενώ η Nature έχει ήδη δημοσιεύσει οδηγίες χρήσης LLMs για authors και reviewers. Ωστόσο, η AACR προχωρά πιο δυναμικά, εφαρμόζοντας καθολικό screening όλων των submissions και peer reviews, αντί να βασίζεται αποκλειστικά στην ειλικρίνεια των συγγραφέων.

Για να φανεί αν η AACR κινείται μόνη της ή ακολουθεί μια ευρύτερη τάση, αξίζει να συγκρίνουμε τις πολιτικές disclosure που εφαρμόζουν και άλλοι 
μεγάλοι εκδότες επιστημονικών περιοδικών:

Πιθανές συνέπειες για το σύστημα δημοσίευσης

Η εντατικοποίηση των ελέγχων μπορεί να οδηγήσει σε αύξηση των απορρίψεων ή σε αύξηση των retractions εφόσον αποκαλυφθεί εκτεταμένη μη δηλωμένη χρήση ΤΝ σε δημοσιευμένα άρθρα. Παράλληλα, ενδέχεται να αλλάξουν οι πρακτικές peer reviewing, με περισσότερη έμφαση σε cross-checking και στην ανθρώπινη επιμέλεια. Ένα τέτοιο κλίμα θα μπορούσε να οδηγήσει σε μεγαλύτερη καθυστέρηση στη διαδικασία δημοσίευσης αλλά και σε ενίσχυση της αξιοπιστίας.

Προτάσεις της AACR

Η AACR δεν περιορίζεται σε απαγορεύσεις. Στο συνέδριο παρουσίασε ένα περίγραμμα βέλτιστων πρακτικών, που περιλαμβάνει:

• Ενισχυμένη δήλωση: υποχρεωτική αναφορά όχι μόνο του αν, αλλά και του πώς χρησιμοποιήθηκε AI (π.χ. για γλωσσική επιμέλεια, για συνοπτική περίληψη ή για παραγωγή μεθοδολογικών αποσπασμάτων).

• Επιμόρφωση reviewers: εκπαιδευτικά σεμινάρια για να κατανοούν τα όρια και τις παγίδες της χρήσης LLMs.

• Συνδυασμό ανιχνευτών: χρήση πολλαπλών συστημάτων AI detection ώστε να περιοριστούν τα λάθη και να διασφαλιστεί η αμεροληψία.

Η χρήση AI στη συγγραφή επιστημονικών άρθρων είναι πλέον πραγματικότητα, αλλά η μη δήλωσή της δημιουργεί ζητήματα εμπιστοσύνης. Η AACR με τα νέα μέτρα δεν στοχεύει απλώς στον έλεγχο, αλλά στη διαμόρφωση ενός πλαισίου όπου η τεχνητή νοημοσύνη μπορεί να αξιοποιηθεί υπεύθυνα, χωρίς να αλλοιώνει την αξιοπιστία της επιστημονικής επικοινωνίας. Το ερώτημα που μένει είναι αν οι υπόλοιποι μεγάλοι εκδότες θα ακολουθήσουν με ανάλογη αυστηρότητα ή θα αρκεστούν στις υφιστάμενες πολιτικές disclosure.

Η OpenAI παρουσίασε ένα νέο, οικονομικό συνδρομητικό πακέτο για την Ινδία με την ονομασία ChatGPT Go, στην τιμή των 4,60€ (₹399) τον μήνα, που τοποθετείται κάτω από το Plus και ανοίγει την πρόσβαση σε δημοφιλή χαρακτηριστικά με σημαντικά αυξημένα όρια. Σύμφωνα με τον Nick Turley, το Go προσφέρει 10× υψηλότερα όρια μηνυμάτων, 10× περισσότερες δημιουργίες εικόνων, 10× περισσότερα uploads αρχείων και 2× μεγαλύτερη μνήμη σε σχέση με τη δωρεάν βαθμίδα. Η διάθεση ξεκινά αποκλειστικά από την Ινδία, με πληρωμές σε ρουπίες και υποστήριξη UPI για ευκολότερο checkout, προτού επεκταθεί σε άλλες χώρες βάσει ανατροφοδότησης.

Η κίνηση αυτή ευθυγραμμίζεται με τη στρατηγική τιμολόγησης για την ινδική αγορά: το Go γεφυρώνει το κενό ανάμεσα στη δωρεάν έκδοση και το Plus (περίπου 23€ τον μήνα, ₹1.999), προσφέροντας «αρκετά περισσότερα» χωρίς το πλήρες κόστος των ανώτερων βαθμίδων. Μέσα ενημέρωσης αναφέρουν ότι η OpenAI ενεργοποίησε την εμφάνιση τιμών σε INR για όλες τις συνδρομές στη χώρα, ενώ η πληρωμή μέσω UPI διευκολύνει σημαντικά την αναβάθμιση. Οι σχετικές αναρτήσεις στα κοινωνικά δίκτυα επιβεβαιώνουν ότι η Ινδία είναι η πρώτη χώρα όπου δοκιμάζεται η βαθμίδα Go, με προοπτική διεθνούς επέκτασης.

Τι προσφέρει πρακτικά το Go: για χρήστες που «ξεμένουν» γρήγορα από όρια στη δωρεάν έκδοση, το 10× σε μηνύματα/εικόνες/αρχεία και η διπλάσια μνήμη μπορούν να καλύψουν ανάγκες φοιτητών, ελεύθερων επαγγελματιών και μικρών επιχειρήσεων, χωρίς να απαιτείται το κόστος του Plus ή του Pro. Ταυτόχρονα, η OpenAI χρησιμοποιεί την Ινδία σαν πειραματόζωο, δοκιμάζοντας στη προκειμένη περίπτωση νέες οικονομικές βαθμίδες, ώστε να μετρήσει την ανταπόκριση και να προσαρμόσει την προσφορά πριν από ευρύτερο rollout.

---
Το ChatGPT Go στα 4,60€ (₹399) φέρνει προηγμένα χαρακτηριστικά σε σαφώς χαμηλότερο κόστος για την Ινδία, δοκιμάζοντας ένα νέο σημείο τιμής με 10× όρια και τοπικές πληρωμές. Αν το εγχείρημα πετύχει, ελπίζουμε να δούμε αντίστοιχες βαθμίδες και σε άλλες αγορές σύντομα και γιατί όχι και στην Ελλάδα.

Η DeepSeek ανέβαλε την κυκλοφορία του επόμενου μεγάλου μοντέλου τεχνητής νοημοσύνης, καθώς οι εσωτερικές δοκιμές με επιταχυντές και επεξεργαστές της Huawei, απέδωσαν αποτελέσματα κατώτερα του αναμενομένου σε ταχύτητα εκπαίδευσης και σε απόδοση στο inference, σε σχέση με προηγούμενες υλοποιήσεις που αξιοποιούσαν αμερικανικό hardware υψηλής απόδοσης. Η καθυστέρηση συνδέεται επίσης ευθέως με τους περιορισμούς εξαγωγών προηγμένων GPU προς την Κίνα, οι οποίοι ωθούν την εταιρεία στη χρήση ηπιότερων, εγχώριων εναλλακτικών, με λιγότερο ώριμο οικοσύστημα λογισμικού και χαμηλότερη ενεργειακή αποδοτικότητα και υπολογιστική ισχύ.

Σε τεχνικό επίπεδο, ο συνδυασμός μειωμένου εύρους ζώνης μνήμης (memory bandwidth), μειωμένης αποτελεσματικής ταυτόχρονης εκτέλεσης εργασιών και λιγότερο βελτιστοποιημένων βιβλιοθηκών για την εκπαίδευση μεγάλων μοντέλων περιορίζει την κλιμάκωση σε κλίμακες εκατοντάδων δισ. παραμέτρων και αυξάνει τον χρόνο σύγκλισης. Αυτό μεταφράζεται σε υψηλότερο πραγματικό κόστος εκπαίδευσης (λόγω παρατεταμένων κύκλων) και, κυρίως, σε χαμηλότερο περιθώριο (headroom) για τη λανθάνουσα καθυστέρηση του inference και το μήκος συμφραζομένων (context length), με άμεσες επιπτώσεις στην εμπειρία λογικής/αιτιολόγησης που η DeepSeek έχει προτάξει ως ανταγωνιστικό πλεονέκτημα.

Στρατηγικά, η εταιρεία φαίνεται να σταθμίζει τρεις οδούς: περαιτέρω βελτιστοποίηση λογισμικού στα διαθέσιμα κινεζικά τσιπ (compilers, kernels, προγραμματισμός sparsity/MoE)· υβριδικές αρχιτεκτονικές εκπαίδευσης με μικτά clusters και επιθετικό pruning/quantization· ή αναθεώρηση του χρονοδιαγράμματος έως ότου διασφαλιστούν επαρκείς παρτίδες προηγμένων επιταχυντών. Κάθε επιλογή συνεπάγεται συμβιβασμούς μεταξύ κόστους, απόδοσης και διακινδύνευσης κανονιστικής συμμόρφωσης.

—

Η αναβολή υπογραμμίζει ότι το πλεονέκτημα κόστους/απόδοσης της DeepSeek εξαρτάται όχι μόνο από την αλγοριθμική καινοτομία αλλά και από την πρόσβαση σε ώριμη υπολογιστική υποδομή. Αν οι βελτιστοποιήσεις στο εγχώριο hardware γεφυρώσουν το κενό, το σχέδιο μπορεί να επανέλθει ταχύτερα· διαφορετικά, η ποιότητα και ο ρυθμός κυκλοφορίας νέων μοντέλων θα παραμείνουν ευάλωτα στη γεωπολιτική και στην υστέρηση του οικοσυστήματος των τσιπ.