Η εποχή όπου η Τεχνητή Νοημοσύνη περιοριζόταν στην παραγωγή κειμένου και εικόνων πλησιάζει στο τέλος της. Καθώς διανύουμε το πρώτο εξάμηνο του 2026, η συζήτηση στην παγκόσμια τεχνολογική σκηνή έχει μετατοπιστεί από τα Μεγάλα Γλωσσικά Μοντέλα (LLMs) σε αυτό που οι ειδικοί αποκαλούν «Φυσική Τεχνητή Νοημοσύνη» (Physical AI). Σε μια πρόσφατη συζήτηση στο Bloomberg Tech, ο Yann LeCun, επικεφαλής επιστήμονας της Meta, και ο JP Vert, κορυφαίο στέλεχος στον τομέα της βιοπληροφορικής και της AI, ανέλυσαν το πώς η τεχνολογία θα πρέπει να υπερβεί τα όρια του ψηφιακού κόσμου για να κατανοήσει πραγματικά την πραγματικότητα.

Η Αποτυχία των LLMs στην Κατανόηση του Κόσμου

Παρά την εντυπωσιακή τους ικανότητα να συνθέτουν δοκίμια ή να γράφουν κώδικα, τα σημερινά LLMs πάσχουν από μια θεμελιώδη έλλειψη: δεν έχουν «κοινή λογική» για τον φυσικό κόσμο. Ο Yann LeCun υποστηρίζει εδώ και καιρό ότι η πρόβλεψη της επόμενης λέξης σε μια ακολουθία κειμένου δεν ισοδυναμεί με νοημοσύνη. «Ένας έφηβος μπορεί να μάθει να οδηγεί σε 20 ώρες, ενώ ένα LLM δεν μπορεί να μάθει να παρκάρει ένα αυτοκίνητο ακόμα και μετά από χιλιάδες χρόνια εκπαίδευσης σε κείμενο», σημειώνει συχνά. Η επόμενη φάση απαιτεί «Μοντέλα Κόσμου» (World Models), συστήματα που μπορούν να προβλέψουν τις συνέπειες των πράξεών τους στο χώρο και τον χρόνο.

Αυτή η μετατόπιση απαιτεί μια νέα αρχιτεκτονική, την οποία ο LeCun ονομάζει JEPA (Joint-Embedding Predictive Architecture). Αντί να προσπαθεί να αναπαραστήσει κάθε pixel ή κάθε γράμμα, η JEPA εστιάζει στις αφηρημένες έννοιες και στις αιτιώδεις σχέσεις. Αυτό είναι το κλειδί για τη δημιουργία ρομπότ που μπορούν να πλοηγηθούν σε μια κουζίνα ή αυτόνομων συστημάτων που μπορούν να εκτελέσουν χειρουργικές επεμβάσεις με ακρίβεια που ξεπερνά την ανθρώπινη.

Υποδομές και η Γεωγραφία της Κατασκευής

Η μετάβαση στη Φυσική AI δεν είναι μόνο ζήτημα λογισμικού, αλλά και υλικού (hardware). Ο JP Vert τόνισε ότι η εκπαίδευση αυτών των μοντέλων απαιτεί διαφορετικού τύπου υπολογιστική ισχύ και, κυρίως, διαφορετικού τύπου δεδομένα. Ενώ τα LLMs εκπαιδεύτηκαν στο διαδίκτυο, η Φυσική AI χρειάζεται δεδομένα από αισθητήρες, βίντεο και αλληλεπιδράσεις σε πραγματικό χρόνο. Αυτό εγείρει το ερώτημα: πού θα κατασκευαστούν οι υποδομές για αυτή τη νέα εποχή;

  • Εξειδικευμένοι Ημιαγωγοί: Η ανάγκη για τσιπ χαμηλής κατανάλωσης ενέργειας που μπορούν να εκτελούν σύνθετες προβλέψεις «στην άκρη» (at the edge) του δικτύου.
  • Αισθητηριακά Δίκτυα: Η ενσωμάτωση προηγμένων αισθητήρων LiDAR και αφής σε καθημερινές συσκευές.
  • Τοπική Παραγωγή: Η ανάγκη για εγγύτητα μεταξύ των κέντρων σχεδιασμού AI και των εργοστασίων παραγωγής hardware, με την Ευρώπη και την Ασία να διεκδικούν κεντρικό ρόλο.
«Η νοημοσύνη χωρίς σώμα είναι μια ψευδαίσθηση. Για να φτάσουμε στην Αληθινή Γενική Τεχνητή Νοημοσύνη (AGI), πρέπει να δώσουμε στην AI τη δυνατότητα να αισθάνεται και να κινείται», αναφέρει ο LeCun.

Η Σύγκλιση AI και Βιολογίας

Ο JP Vert πρόσθεσε μια επιπλέον διάσταση στη συζήτηση: τη χρήση της AI για την κατανόηση των βιολογικών συστημάτων. Η επόμενη φάση δεν αφορά μόνο τα ρομπότ από μέταλλο, αλλά και την αποκωδικοποίηση του «κώδικα της ζωής». Τα μοντέλα που κατανοούν τη φυσική μπορούν επίσης να κατανοήσουν το δίπλωμα των πρωτεϊνών ή την αλληλεπίδραση των φαρμάκων με τα κύτταρα. Αυτή η «Βιολογική AI» αποτελεί ίσως την πιο υποσχόμενη εφαρμογή της επόμενης δεκαετίας, μετατρέποντας την ιατρική από μια επιστήμη δοκιμής και σφάλματος σε μια ακριβή μηχανική πειθαρχία.

Συμπερασματικά, η επόμενη φάση της AI θα χαρακτηρίζεται από τη μείωση της εξάρτησης από τα τεράστια σύνολα δεδομένων κειμένου και την αύξηση της σημασίας της εμπειρικής μάθησης. Η πρόκληση παραμένει τεράστια: πώς θα διδάξουμε σε μια μηχανή την αίσθηση της βαρύτητας, της τριβής και της ανθρώπινης πρόθεσης; Η απάντηση βρίσκεται στην οικοδόμηση νέων υποδομών που συνδέουν το cloud με το έδαφος.