Η παγκόσμια κούρσα για την τεχνητή νοημοσύνη επιταχύνεται, με τις Ηνωμένες Πολιτείες να διατηρούν την πρωτοκαθεδρία στην ανάπτυξη προηγμένων μοντέλων, ενώ η Κίνα κλείνει εντυπωσιακά το χάσμα στην απόδοσή τους. Παράλληλα, η αισιοδοξία για τις δυνατότητες της τεχνητής νοημοσύνης αυξάνεται σε πολλές χώρες, ακόμη κι αν παραμένουν σημαντικά εμπόδια — από τις προκλήσεις της αιτιολόγησης και της ακρίβειας, έως τη διαφάνεια και την εμπιστοσύνη.
Η φετινή έκθεση AI Index 2025 του Stanford HAI αποτυπώνει τη ραγδαία πρόοδο της τεχνητής νοημοσύνης σε επιδόσεις, επενδύσεις, υιοθέτηση και τεχνολογική αποτελεσματικότητα, καταγράφοντας ταυτόχρονα τις ανισότητες στην πρόσβαση, τις ρυθμιστικές πρωτοβουλίες που εντείνονται, αλλά και την αυξανόμενη σημασία της τεχνητής νοημοσύνης σε επιστημονικά και κοινωνικά πεδία. Σε έναν κόσμο όπου η τεχνητή νοημοσύνη μεταβαίνει πλέον από τα εργαστήρια στην καθημερινότητα, η ανάγκη για υπεύθυνη ανάπτυξη με επίκεντρο τον άνθρωπο καθίσταται πιο επιτακτική από ποτέ.
«Η τεχνητή νοημοσύνη είναι μια τεχνολογία που αλλάζει την ανθρώπινη ιστορία — δεν περιορίζεται σε έναν συγκεκριμένο τομέα, αλλά μεταμορφώνει κάθε βιομηχανία που αγγίζει», δήλωσε ο Russell Wald, Εκτελεστικός Διευθυντής του Stanford HAI και μέλος της Επιτροπής Καθοδήγησης του AI Index. «Το περασμένο έτος είδαμε την υιοθέτηση της τεχνητής νοημοσύνης να επιταχύνεται με πρωτοφανή ρυθμό και η εμβέλεια και ο αντίκτυπός της θα συνεχίσουν να διευρύνονται. Το AI Index εξοπλίζει τους υπεύθυνους χάραξης πολιτικής, τους ερευνητές και το ευρύ κοινό με τα δεδομένα που χρειάζονται για να λαμβάνουν τεκμηριωμένες αποφάσεις — και να διασφαλίσουν ότι η τεχνητή νοημοσύνη αναπτύσσεται με επίκεντρο τις ανθρώπινες αξίες».
Η έκθεση AI Index 2025 αναδεικνύει βασικές εξελίξεις του περασμένου έτους, όπως σημαντικές προόδους στην απόδοση των μοντέλων, ρεκόρ στις ιδιωτικές επενδύσεις, νέες κανονιστικές πρωτοβουλίες και αυξανόμενη υιοθέτηση στην πραγματική οικονομία. Παράλληλα, τονίζει τις διαχρονικές προκλήσεις στην αιτιολόγηση, την ασφάλεια και την ισότιμη πρόσβαση — τομείς που παραμένουν κρίσιμοι όσο τα συστήματα τεχνητής νοημοσύνης γίνονται πιο προηγμένα και ευρέως διαδεδομένα.
Σύμφωνα με τα βασικά συμπεράσματα, η απόδοση της τεχνητής νοημοσύνης σε απαιτητικά benchmarks συνεχίζει να βελτιώνεται. Το 2023, οι ερευνητές εισήγαγαν νέα benchmarks -MMMU, GPQA και SWE-bench- για να δοκιμάσουν τα όρια των προηγμένων συστημάτων τεχνητής νοημοσύνης. Μόλις έναν χρόνο αργότερα, η απόδοση αυξήθηκε κατακόρυφα: τα σκορ αυξήθηκαν κατά 18,8, 48,9 και 67,3 ποσοστιαίες μονάδες αντίστοιχα στα MMMU, GPQA και SWE-bench. Πέρα από τα benchmarks, τα συστήματα τεχνητής νοημοσύνης σημείωσαν μεγάλες προόδους στη δημιουργία υψηλής ποιότητας βίντεο, και σε ορισμένες περιπτώσεις, μοντέλα με πράκτορες (agentic AI) ξεπέρασαν ακόμη και την ανθρώπινη απόδοση.
Η τεχνητή νοημοσύνη ενσωματώνεται όλο και περισσότερο στην καθημερινή ζωή. Από την υγειονομική περίθαλψη έως τις μεταφορές, η τεχνητή νοημοσύνη μεταβαίνει ραγδαία από τα εργαστήρια στην καθημερινότητα. Έως τον Αύγουστο του 2024, ο FDA είχε εγκρίνει 950 ιατρικές συσκευές με τεχνητή νοημοσύνη — από μόλις έξι το 2015 και 221 το 2023. Στους δρόμους, τα αυτοοδηγούμενα οχήματα δεν είναι πλέον πειραματικά: η Waymo, ένας από τους μεγαλύτερους φορείς λειτουργίας στις ΗΠΑ, προσφέρει πλέον πάνω από 150.000 αυτόνομες διαδρομές κάθε εβδομάδα.
Οι επιχειρήσεις επενδύουν στην τεχνητή νοημοσύνη, οδηγώντας σε ρεκόρ επενδύσεων και υιοθέτησης, καθώς η έρευνα συνεχίζει να δείχνει ισχυρό αντίκτυπο στην παραγωγικότητα. Το 2024, οι ιδιωτικές επενδύσεις στην τεχνητή νοημοσύνη στις ΗΠΑ αυξήθηκαν στα 109,1 δισεκατομμύρια δολάρια — σχεδόν 12 φορές περισσότερο από τα 9,3 δισ. της Κίνας και 24 φορές περισσότερο από τα 4,5 δισ. του Ηνωμένου Βασιλείου. Η generative τεχνητή νοημοσύνη παρουσίασε ιδιαίτερα έντονη δυναμική, προσελκύοντας 33,9 δισεκατομμύρια δολάρια παγκοσμίως σε ιδιωτικές επενδύσεις — αύξηση 18,7% σε σύγκριση με το 2023. Η επιχειρηματική υιοθέτηση της τεχνητής νοημοσύνης επίσης επιταχύνεται: το 78% των οργανισμών δήλωσε ότι χρησιμοποιεί τεχνητή νοημοσύνη το 2024, από 55% το προηγούμενο έτος. Παράλληλα, ένα αυξανόμενο σύνολο ερευνών επιβεβαιώνει ότι η τεχνητή νοημοσύνη ενισχύει την παραγωγικότητα και στις περισσότερες περιπτώσεις βοηθά στη μείωση των κενών δεξιοτήτων στο εργατικό δυναμικό.
Οι Ηνωμένες Πολιτείες διατηρούν την πρωτοκαθεδρία στην παραγωγή κορυφαίων μοντέλων τεχνητής νοημοσύνης — όμως η Κίνα κλείνει το χάσμα απόδοσης. Το 2024, αμερικανικά ιδρύματα ανέπτυξαν 40 αξιόλογα μοντέλα τεχνητής νοημοσύνης, ξεπερνώντας σημαντικά τα 15 της Κίνας και τα τρία της Ευρώπης. Παρότι οι ΗΠΑ διατηρούν την πρωτοκαθεδρία σε αριθμό, τα κινεζικά μοντέλα έχουν μειώσει ραγδαία τη διαφορά στην ποιότητα: τα χάσματα απόδοσης σε βασικά benchmarks όπως τα MMLU και HumanEval μειώθηκαν από διψήφιες μονάδες το 2023 σε σχεδόν ισότιμα επίπεδα το 2024. Παράλληλα, η Κίνα εξακολουθεί να προηγείται στις δημοσιεύσεις και τις πατέντες για την τεχνητή νοημοσύνη. Την ίδια στιγμή, η ανάπτυξη μοντέλων αποκτά παγκόσμιο χαρακτήρα, με αξιοσημείωτες κυκλοφορίες από περιοχές όπως η Μέση Ανατολή, η Λατινική Αμερική και η Νοτιοανατολική Ασία.
Το οικοσύστημα της υπεύθυνης τεχνητής νοημοσύνης εξελίσσεται με ανομοιογένεια. Τα περιστατικά που σχετίζονται με την τεχνητή νοημοσύνη αυξάνονται κατακόρυφα, ωστόσο οι τυποποιημένες αξιολογήσεις υπεύθυνης τεχνητής νοημοσύνης παραμένουν σπάνιες μεταξύ των μεγάλων εταιρειών ανάπτυξης βιομηχανικών μοντέλων. Παρ’ όλα αυτά, νέα benchmarks όπως τα HELM Safety, AIR-Bench και FACTS προσφέρουν εργαλεία για την αξιολόγηση της ακρίβειας και της ασφάλειας. Στον επιχειρηματικό κόσμο, παραμένει ένα χάσμα μεταξύ της αναγνώρισης των κινδύνων από την τεχνητή νοημοσύνη και της ουσιαστικής δράσης. Αντιθέτως, οι κυβερνήσεις δείχνουν αυξανόμενη προθυμία για παρέμβαση: το 2024, η παγκόσμια συνεργασία για τη διακυβέρνηση της τεχνητής νοημοσύνης εντάθηκε, με οργανισμούς όπως ο ΟΟΣΑ, η Ευρωπαϊκή Ένωση, ο ΟΗΕ και η Αφρικανική Ένωση να εκδίδουν πλαίσια με επίκεντρο τη διαφάνεια, την αξιοπιστία και άλλες θεμελιώδεις αρχές υπεύθυνης τεχνητής νοημοσύνης.
Η παγκόσμια αισιοδοξία για την τεχνητή νοημοσύνη αυξάνεται — αλλά εντοπίζονται βαθιές περιφερειακές διαφοροποιήσεις. Σε χώρες όπως η Κίνα (83%), η Ινδονησία (80%) και η Ταϊλάνδη (77%), η πλειοψηφία θεωρεί ότι τα προϊόντα και οι υπηρεσίες τεχνητής νοημοσύνης είναι περισσότερο ωφέλιμα παρά επιζήμια. Αντιθέτως, η αισιοδοξία παραμένει πολύ χαμηλότερη σε χώρες όπως ο Καναδάς (40%), οι Ηνωμένες Πολιτείες (39%) και η Ολλανδία (36%). Ωστόσο, οι τάσεις μεταβάλλονται: από το 2022, η αισιοδοξία έχει αυξηθεί σημαντικά σε αρκετές χώρες που προηγουμένως ήταν επιφυλακτικές — συμπεριλαμβανομένων της Γερμανίας (+10%), της Γαλλίας (+10%), του Καναδά (+8%), του Ηνωμένου Βασιλείου (+8%) και των Ηνωμένων Πολιτειών (+4%).
Η τεχνητή νοημοσύνη γίνεται πιο αποδοτική, πιο προσιτή και πιο προσβάσιμη. Καθώς τα μικρότερα μοντέλα γίνονται όλο και πιο ικανά, το κόστος εκτέλεσης ενός συστήματος με επίπεδο απόδοσης παρόμοιο με του GPT-3.5 μειώθηκε πάνω από 280 φορές μεταξύ Νοεμβρίου 2022 και Οκτωβρίου 2024. Σε επίπεδο hardware, το κόστος μειώθηκε κατά 30% ετησίως, ενώ η ενεργειακή αποδοτικότητα βελτιώθηκε κατά 40% κάθε χρόνο. Τα μοντέλα open-weight πλησιάζουν πλέον σε απόδοση τα «κλειστά» μοντέλα, μειώνοντας τη διαφορά απόδοσης από 8% σε μόλις 1,7% σε ορισμένα benchmarks μέσα σε έναν μόνο χρόνο. Συνολικά, αυτές οι τάσεις μειώνουν ραγδαία τα εμπόδια πρόσβασης στην προηγμένη τεχνητή νοημοσύνη.
Οι κυβερνήσεις εντείνουν τις ενέργειές τους στον τομέα της τεχνητής νοημοσύνης — με ρυθμιστικές παρεμβάσεις και επενδύσεις. Το 2024, οι ομοσπονδιακές υπηρεσίες των ΗΠΑ εισήγαγαν 59 ρυθμιστικές παρεμβάσεις που σχετίζονται με την τεχνητή νοημοσύνη —υπερδιπλάσιες σε σχέση με το 2023— και εκδόθηκαν από διπλάσιο αριθμό φορέων. Σε παγκόσμιο επίπεδο, οι νομοθετικές αναφορές στην τεχνητή νοημοσύνη αυξήθηκαν κατά 21,3% σε 75 χώρες, συνεχίζοντας μια εννιαπλάσια αύξηση από το 2016. Παράλληλα με αυτή την αυξημένη προσοχή, οι κυβερνήσεις προχωρούν και σε σημαντικές επενδύσεις: ο Καναδάς δεσμεύτηκε για επένδυση 2,4 δισ. δολαρίων, η Κίνα ξεκίνησε ένα επενδυτικό ταμείο ημιαγωγών 47,5 δισ. δολαρίων, η Γαλλία δεσμεύτηκε με 109 δισ. ευρώ, η Ινδία με 1,25 δισ. δολάρια και το Project Transcendence της Σαουδικής Αραβίας αντιστοιχεί σε μια επένδυση ύψους 100 δισ. δολαρίων.
Η εκπαίδευση στην τεχνητή νοημοσύνη και την επιστήμη των υπολογιστών αναπτύσσεται — όμως παραμένουν κενά στην πρόσβαση και την ετοιμότητα. Τα δύο τρίτα των χωρών προσφέρουν ή σχεδιάζουν να προσφέρουν εκπαίδευση στην επιστήμη των υπολογιστών στο σχολείο -διπλάσιες σε σχέση με το 2019- με την Αφρική και τη Λατινική Αμερική να σημειώνουν τη μεγαλύτερη πρόοδο. Ωστόσο, η πρόσβαση παραμένει περιορισμένη σε πολλές αφρικανικές χώρες λόγω βασικών ελλείψεων σε υποδομές, όπως η ηλεκτροδότηση. Στις Ηνωμένες Πολιτείες, το 81% των καθηγητών επιστήμης υπολογιστών δηλώνει ότι η τεχνητή νοημοσύνη θα έπρεπε να ενταχθεί στη βασική εκπαιδευτική ύλη, αλλά λιγότεροι από τους μισούς δηλώνουν ότι είναι σε θέση να τη διδάξουν αποτελεσματικά.
Η βιομηχανία προηγείται στον αγώνα για την τεχνητή νοημοσύνη – αλλά τα σύνορα στενεύουν. Σχεδόν το 90% των αξιοσημείωτων μοντέλων τεχνητής νοημοσύνης που κυκλοφόρησαν το 2024 προήλθε από τη βιομηχανία, από 60% το 2023, ενώ η ακαδημαϊκή κοινότητα παραμένει η κύρια πηγή της έρευνας. Η κλίμακα των μοντέλων συνεχίζει να αυξάνεται ραγδαία – η υπολογιστική ισχύς για την εκπαίδευση διπλασιάζεται κάθε πέντε μήνες, τα σύνολα δεδομένων κάθε οκτώ μήνες και η κατανάλωση ενέργειας κάθε χρόνο. Ωστόσο, τα χάσματα απόδοσης συρρικνώνονται: η διαφορά στο σκορ μεταξύ του πρώτου και του δέκατου καλύτερου μοντέλου μειώθηκε από 11,9% σε 5,4% μέσα σε έναν χρόνο, ενώ τα δύο κορυφαία μοντέλα απέχουν πλέον μόλις 0,7%. Τα σύνορα γίνονται όλο και πιο ανταγωνιστικά — και όλο και πιο συνωστισμένα.
Η τεχνητή νοημοσύνη αποσπά κορυφαίες διακρίσεις για τον αντίκτυπό της στην επιστήμη. Η αυξανόμενη σημασία της τεχνητής νοημοσύνης αντανακλάται και σε μεγάλα επιστημονικά βραβεία: δύο βραβεία Νόμπελ αναγνώρισαν εργασία που οδήγησε στην ανάπτυξη της βαθιάς μάθησης (deep learning) στον τομέα της φυσικής, και στην εφαρμογή της για την πρόβλεψη της πτύχωσης πρωτεϊνών στον τομέα της χημείας, ενώ το βραβείο Turing τίμησε θεμελιώδεις συνεισφορές στη μάθηση μέσω ενίσχυσης (reinforcement learning).
Η αιτιολόγηση παραμένει πρόκληση. Συστήματα που βασίζονται στη μάθηση και παράγουν και επαληθεύουν υποθέσεις μέσω συμβολικών μεθόδων αποδίδουν καλά —αν και όχι σε επίπεδο που να ξεπερνά το ανθρώπινο— σε προβλήματα όπως εκείνα της Διεθνούς Ολυμπιάδας Μαθηματικών. Τα μεγάλα γλωσσικά μοντέλα (LLMs), ωστόσο, εξακολουθούν να υστερούν σε benchmarks πολύπλοκης αιτιολόγησης όπως το MMMU και δυσκολεύονται να επιλύσουν αξιόπιστα εργασίες που απαιτούν λογική σκέψη, όπως η αριθμητική και ο προγραμματισμός ενεργειών, ακόμη και όταν υπάρχουν επαληθεύσιμες σωστές λύσεις. Αυτό περιορίζει τη χρήση τους σε καταστάσεις όπου η ακρίβεια είναι κρίσιμη και οι απαιτήσεις υψηλού ρίσκου.
