Move 37: Η στιγμή που η τεχνητή νοημοσύνη σταμάτησε να μιμείται τον άνθρωπο – και άρχισε να ανακαλύπτει

Μια μαύρη πέτρα πάνω σε ένα αρχαίο ταμπλό πριν από δέκα χρόνια ίσως ήταν η πρώτη προειδοποίηση. Το 2016 το AlphaGo έκανε μια κίνηση που κανένας κορυφαίος παίκτης δεν θα επέλεγε. Το 2026, τα αντίστοιχα «Move 37» εμφανίζονται πλέον στα μαθηματικά, στην επιστημονική έρευνα, στους αλγορίθμους και ακόμη και στην κυβερνοασφάλεια. Το μεγάλο ερώτημα δεν είναι πια αν η AI μπορεί να σκέφτεται σαν εμάς. Είναι τι συμβαίνει όταν αρχίζει να βρίσκει πράγματα που εμείς δεν είχαμε σκεφτεί ποτέ.

Υπάρχουν στιγμές στην ιστορία της τεχνολογίας που δεν συνοδεύονται από έκρηξη.

Δεν υπάρχει πλήθος, ούτε κορδέλα εγκαινίων, ούτε κάποιος που να γνωρίζει εκείνη ακριβώς τη στιγμή ότι ο κόσμος γύρισε ελάχιστα πάνω στον άξονά του.

Μερικές φορές υπάρχει μόνο μια μαύρη πέτρα πάνω σε ένα ξύλινο ταμπλό.

Τον Μάρτιο του 2016, στη Σεούλ, το πρόγραμμα AlphaGo της DeepMind αντιμετώπιζε τον θρύλο του Go Lee Sedol. Το παιχνίδι είχε ιστορία χιλιάδων ετών και τόσο μεγάλο αριθμό πιθανών θέσεων ώστε η ωμή υπολογιστική δύναμη από μόνη της δεν επαρκούσε για να το κατακτήσει.

Στο δεύτερο παιχνίδι της σειράς συνέβη κάτι που έμελλε να αποκτήσει σχεδόν μυθολογικές διαστάσεις.

Η 37η κίνηση.

Το AlphaGo έβαλε τη μαύρη πέτρα σε ένα σημείο όπου ένας επαγγελματίας παίκτης σχεδόν ποτέ δεν θα έπαιζε. Η DeepMind υπολόγισε αργότερα ότι η πιθανότητα να επιλεγεί η συγκεκριμένη κίνηση από άνθρωπο ήταν περίπου μία στις 10.000. Στην αρχή οι σχολιαστές πίστεψαν ότι επρόκειτο για λάθος.

Δεν ήταν.

Περίπου εκατό κινήσεις αργότερα, έγινε σαφές ότι η πέτρα βρισκόταν ακριβώς εκεί όπου έπρεπε να βρίσκεται. Η Move 37 είχε βοηθήσει το AlphaGo να κερδίσει.

Το παράξενο δεν ήταν ότι ένας υπολογιστής νίκησε έναν άνθρωπο.

Αυτό είχε ξανασυμβεί.

Το πραγματικά παράξενο ήταν ότι ο υπολογιστής είχε βρει μια καλή ιδέα που η ανθρώπινη παράδοση αιώνων δεν είχε βρει.

Και ίσως γι’ αυτό, δέκα χρόνια αργότερα, η Move 37 επιστρέφει.

Όχι πλέον ως κίνηση στο Go.

Αλλά ως μεταφορά για κάτι πολύ μεγαλύτερο.

Τα βασικά στοιχεία σε 30 δευτερόλεπτα

• Το AlphaGo νίκησε τον Lee Sedol με 4-1 το 2016, σε αγώνα που σύμφωνα με την DeepMind παρακολούθησαν περισσότεροι από 200 εκατ. άνθρωποι. Η Move 37 του δεύτερου παιχνιδιού είχε εκτιμώμενη ανθρώπινη πιθανότητα μόλις 1 στις 10.000.
• Το 2024 η DeepMind έφθασε σε επίπεδο αργυρού μεταλλίου στη Διεθνή Μαθηματική Ολυμπιάδα. Το 2025 το Gemini Deep Think έφθασε σε επίπεδο χρυσού μεταλλίου, λύνοντας πλήρως πέντε από τα έξι προβλήματα.
• Το 2026 το Gemini Deep Think αξιολογήθηκε πάνω σε 700 ανοικτά προβλήματα Erdős και η DeepMind αναφέρει αυτόνομες λύσεις σε τέσσερα από αυτά.
• Τον Μάιο του 2026 εσωτερικό μοντέλο της OpenAI ανέτρεψε μακροχρόνια εικασία σχετική με το περίφημο unit-distance problem του Paul Erdős. Η απόδειξη ελέγχθηκε από εξωτερικούς μαθηματικούς.
• Στις αρχές Αυγούστου η OpenAI παρουσίασε δέκα επιπλέον αποτελέσματα στα μαθηματικά και στη θεωρητική επιστήμη υπολογιστών, από τη γεωμετρία υψηλών διαστάσεων έως την κρυπτογραφία πλεγμάτων και την κβαντική πολυπλοκότητα.
• Το AlphaEvolve της DeepMind έχει ήδη βελτιώσει γνωστούς αλγορίθμους και, σε δοκιμή άνω των 50 ανοικτών μαθηματικών προβλημάτων, η εταιρεία αναφέρει βελτίωση της καλύτερης γνωστής λύσης περίπου στο 20% των περιπτώσεων.
• Παράλληλα, τα επεισόδια του Ιουλίου 2026 σε OpenAI και Anthropic έδειξαν ότι οι νέες ικανότητες μπορούν να έχουν και μια πολύ πιο ανησυχητική πλευρά: πειραματικά AI systems κατάφεραν, υπό ειδικές συνθήκες δοκιμών, να φθάσουν σε πραγματικά συστήματα εκτός των περιβαλλόντων όπου υποτίθεται ότι θα περιορίζονταν.

Τι αλλάζει

Η πρώτη γενιά της σύγχρονης Generative AI μάς εντυπωσίασε επειδή μπορούσε να αναπαράγει ανθρώπινη γνώση.

Να γράψει.

Να μεταφράσει.

Να συνοψίσει.

Να δημιουργήσει εικόνες.

Να γράψει κώδικα.

Να συγκεντρώσει σε λίγα δευτερόλεπτα πληροφορίες που ένας άνθρωπος θα χρειαζόταν ώρες για να συλλέξει.

Αυτό όμως παραμένει, σε μεγάλο βαθμό, μια μηχανή που κινείται μέσα στον ήδη υπάρχοντα ανθρώπινο χάρτη της γνώσης.

Το Move 37 περιγράφει κάτι διαφορετικό:

τη στιγμή κατά την οποία η μηχανή βγαίνει έξω από αυτόν τον χάρτη, επιστρέφει με μια άγνωστη λύση και –το σημαντικότερο– μπορούμε να αποδείξουμε ότι η λύση είναι σωστή.

Εδώ βρίσκεται η μεγάλη διαφορά ανάμεσα στην AI ως εργαλείο παραγωγικότητας και στην AI ως πιθανή μηχανή ανακάλυψης.

Από το 2016 στο 2026: δέκα χρόνια που μοιάζουν με έναν αιώνα

Τα επιμέρους ορόσημα τεκμηριώνονται από DeepMind, OpenAI, Google, Anthropic και Nobel Prize.

Από το AlphaGo στο AlphaFold: όταν το παιχνίδι βγήκε από το ταμπλό

Το AlphaGo ήταν κατά κάποιον τρόπο το πείραμα.

Το AlphaFold ήταν η στιγμή κατά την οποία το ίδιο όραμα άρχισε να ακουμπά τον πραγματικό κόσμο.

Η πρόβλεψη της τρισδιάστατης δομής μιας πρωτεΐνης από την αλληλουχία των αμινοξέων της υπήρξε ένα από τα μεγάλα προβλήματα της βιολογίας για περίπου μισό αιώνα. Το AlphaFold 2 πέτυχε το 2020 ακρίβεια που θεωρήθηκε καθοριστικό άλμα στην αντιμετώπιση του προβλήματος.

Σήμερα η AlphaFold Protein Structure Database περιλαμβάνει προβλέψεις για πάνω από 200 εκατομμύρια πρωτεϊνικές δομές, δηλαδή σχεδόν ολόκληρο τον γνωστό «πρωτεϊνικό κόσμο», και σύμφωνα με την DeepMind χρησιμοποιείται από περισσότερους από τρία εκατομμύρια ερευνητές σε πάνω από 190 χώρες.

Το 2024 η σημασία αυτής της δουλειάς αναγνωρίστηκε και με τον πιο συμβολικό τρόπο. Ο Demis Hassabis και ο John Jumper μοιράστηκαν το μισό Νόμπελ Χημείας, για την πρόβλεψη πρωτεϊνικών δομών μέσω AI.

Εδώ όμως πρέπει να κάνουμε μια διάκριση.

Το AlphaFold είναι ένα γιγαντιαίο επιστημονικό επίτευγμα, όμως δεν είναι ακριβώς Move 37 με την αυστηρή έννοια.

Προβλέπει με ασύλληπτη αποτελεσματικότητα κάτι που οι άνθρωποι θέλουν να μάθουν.

Το επόμενο επίπεδο είναι διαφορετικό:

να αποφασίζει η ίδια η μηχανή ποια διαδρομή αξίζει να ακολουθήσει – και να ανακαλύπτει κάτι που κανένας άνθρωπος δεν της υπέδειξε.

Και εκεί ακριβώς φαίνεται ότι μπαίνουμε το 2026.

Τα μαθηματικά έγιναν το πρώτο μεγάλο εργαστήριο της νέας εποχής

Υπάρχει ένας λόγος που τα «Move 37» εμφανίζονται πρώτα στα μαθηματικά.

Τα μαθηματικά έχουν κάτι που ο πραγματικός κόσμος σπάνια διαθέτει:

μια εξαιρετικά καθαρή συνάρτηση επαλήθευσης.

Μια απόδειξη είναι σωστή ή δεν είναι.

Ένας αλγόριθμος δουλεύει ή δεν δουλεύει.

Ένα πρόγραμμα περνά το test ή αποτυγχάνει.

Αυτό επιτρέπει στα νέα reasoning systems να εξερευνούν πολλές διαφορετικές διαδρομές, να απορρίπτουν όσες αποτυγχάνουν και να επαναλαμβάνουν τη διαδικασία.

Πριν από μόλις δύο χρόνια, το 2024, η επίδοση αργυρού μεταλλίου στη Διεθνή Μαθηματική Ολυμπιάδα θεωρήθηκε τεράστιο επίτευγμα για την DeepMind. Το 2025, το Gemini Deep Think έλυσε πλήρως πέντε από τα έξι προβλήματα της IMO, συγκεντρώνοντας 35 βαθμούς και φθάνοντας σε επίπεδο χρυσού μεταλλίου.

Το 2026, όπως επισημαίνει χαρακτηριστικά το Wall Street Journal, η επιτυχία σε μαθηματικές ολυμπιάδες έχει σχεδόν πάψει να αποτελεί το frontier της συζήτησης. Το ενδιαφέρον έχει μεταφερθεί από τα προβλήματα των καλύτερων μαθητών του κόσμου στα προβλήματα που δεν έχουν λύσει ακόμη οι ίδιοι οι μαθηματικοί.

Και εκεί τα πράγματα γίνονται πολύ πιο σοβαρά.

Το Gemini άρχισε να μπαίνει στα άλυτα προβλήματα του Erdős

Η DeepMind ανακοίνωσε τον Φεβρουάριο ότι το Gemini Deep Think χρησιμοποιήθηκε σε μια εκτεταμένη αξιολόγηση 700 ανοικτών προβλημάτων από τη βάση Erdős Conjectures.

Το αποτέλεσμα περιλάμβανε, σύμφωνα με την εταιρεία, αυτόνομες λύσεις σε τέσσερα ανοικτά ερωτήματα. Σε μία περίπτωση, το Erdős-1051, η αυτόνομη λύση συνέβαλε και σε μεταγενέστερη γενίκευση που ενσωματώθηκε σε ερευνητική εργασία.

Δεν πρέπει όμως να πετάξουμε αμέσως τη λέξη «επανάσταση».

Η ίδια η DeepMind είναι αξιοσημείωτα προσεκτική στην κατηγοριοποίηση των αποτελεσμάτων της.

Έχει δημιουργήσει κλίμακα όπου τα υψηλότερα επίπεδα είναι το Level 3 – Major Advance και το Level 4 – Landmark Breakthrough.

Μέχρι σήμερα, η ίδια δηλώνει ότι δεν διεκδικεί κανένα αποτέλεσμα σε αυτές τις δύο κορυφαίες κατηγορίες.

Αυτή η λεπτομέρεια έχει ιδιαίτερη σημασία.

Διότι δείχνει ότι ακόμη και οι άνθρωποι που βρίσκονται στην αιχμή της AI γνωρίζουν πόσο επικίνδυνο είναι να βαφτίζεται κάθε επιτυχία «ιστορική ανακάλυψη».

Και μετά ήρθε το πρόβλημα του Erdős

Στις 20 Μαΐου 2026, η OpenAI ανακοίνωσε ένα αποτέλεσμα που ανέβασε ακόμη περισσότερο τον πήχη.

Το λεγόμενο planar unit distance problem τέθηκε για πρώτη φορά από τον Paul Erdős το 1946.

Η ερώτηση ακούγεται σχεδόν παιδική: εάν τοποθετήσουμε (n) σημεία πάνω σε ένα επίπεδο, πόσα ζεύγη μπορούν να απέχουν ακριβώς μία μονάδα μεταξύ τους;

Πίσω από αυτή την απλή διατύπωση κρύβεται ένα από τα γνωστότερα προβλήματα της συνδυαστικής γεωμετρίας.

Για δεκαετίες επικρατούσε η πεποίθηση ότι κατασκευές που βασίζονται σε τετραγωνικά πλέγματα βρίσκονταν ουσιαστικά κοντά στο βέλτιστο.

Ένα εσωτερικό γενικού σκοπού μοντέλο της OpenAI βρήκε αντιπαράδειγμα.

Και όχι απλώς ένα μεμονωμένο τέχνασμα: παρήγαγε μια άπειρη οικογένεια κατασκευών που ανατρέπει τη μακροχρόνια εικασία. Η απόδειξη ελέγχθηκε από ομάδα εξωτερικών μαθηματικών.

Το εντυπωσιακότερο ίσως στοιχείο δεν ήταν μόνο το αποτέλεσμα.

Ήταν ο τρόπος.

Το μοντέλο χρησιμοποίησε ιδέες από αλγεβρική θεωρία αριθμών για να λύσει ένα φαινομενικά στοιχειώδες γεωμετρικό πρόβλημα. Δηλαδή έφερε εργαλεία από έναν διαφορετικό μαθηματικό κόσμο σε ένα σημείο όπου η καθιερωμένη ανθρώπινη διαίσθηση δεν τα είχε οδηγήσει με αυτόν τον τρόπο.

Αυτό είναι πολύ κοντά στην ουσία του Move 37.

Όχι απλώς περισσότερη γνώση.

Ανορθόδοξη γνώση που αποδεικνύεται σωστή.

Και μέσα σε λίγους μήνες, το ένα αποτέλεσμα έγινε δέκα

Στις αρχές Αυγούστου η OpenAI ανακοίνωσε μια νέα συλλογή από δέκα αποτελέσματα σε μαθηματικά και θεωρητική επιστήμη υπολογιστών.

Το εύρος τους είναι αξιοσημείωτο: sphere packing υψηλών διαστάσεων, binary και spherical codes, group theory, operator algebras, arithmetic circuit complexity, quantum complexity, lattice cryptography και extremal combinatorics.

Σύμφωνα με την εταιρεία, τα αποτελέσματα δημιουργήθηκαν από εσωτερική έκδοση του επόμενου μοντέλου της, ενώ η συνολική υπολογιστική κατανάλωση των tokens που απαιτήθηκαν για την εύρεση των λύσεων θα αντιστοιχούσε περίπου σε 2.000 δολάρια με τις αναφερόμενες API τιμές. Τα επιχειρήματα στη συνέχεια διαμορφώθηκαν σε manuscripts από ανθρώπους με τη βοήθεια του ίδιου μοντέλου και τυποποιήθηκαν σε Lean certificates, ώστε να είναι δυνατός ο μηχανικός έλεγχος της λογικής τους.

Εδώ ίσως βρίσκεται μια από τις πιο υποτιμημένες οικονομικές διαστάσεις της ιστορίας.

Αν τέτοιες επιδόσεις επιβεβαιωθούν και γενικευθούν, τότε το κόστος παραγωγής μιας σοβαρής ερευνητικής υπόθεσης μπορεί να υποχωρήσει δραματικά.

Όχι το κόστος της επιστήμης συνολικά.

Το κόστος του να ψάξεις.

Και αυτή είναι μια τεράστια διαφορά.

AlphaEvolve: όταν η AI σχεδιάζει καλύτερους αλγορίθμους από τους δικούς μας

Άλλο χαρακτηριστικό παράδειγμα είναι το AlphaEvolve.

Το σύστημα της DeepMind συνδυάζει μεγάλα γλωσσικά μοντέλα με αυτοματοποιημένη αξιολόγηση και εξελικτική αναζήτηση ώστε να σχεδιάζει και να βελτιώνει αλγορίθμους.

Σε ένα από τα γνωστότερα αποτελέσματά του βρήκε μέθοδο για τον πολλαπλασιασμό μιγαδικών πινάκων 4×4 με 48 scalar multiplications, βελτιώνοντας το προηγούμενο γνωστό αποτέλεσμα που συνδεόταν με τον αλγόριθμο Strassen του 1969.

Η DeepMind το δοκίμασε επίσης σε περισσότερα από 50 ανοικτά προβλήματα μαθηματικής ανάλυσης, γεωμετρίας, συνδυαστικής και θεωρίας αριθμών.

Σύμφωνα με τα αποτελέσματά της, περίπου στο 75% των περιπτώσεων το σύστημα επανεφηύρε την καλύτερη γνωστή λύση, ενώ περίπου στο 20% βελτίωσε την καλύτερη έως τότε γνωστή λύση.

Αυτό μας φέρνει σε ένα παράδοξο.

Για δεκαετίες φτιάχναμε software για να κάνει τους υπολογιστές ταχύτερους.

Τώρα αρχίζουμε να φτιάχνουμε AI που γράφει καλύτερους αλγορίθμους για τους υπολογιστές που τρέχουν την AI.

Ένας κύκλος αυτοβελτίωσης δεν σημαίνει αυτόματα «intelligence explosion».

Αλλά είναι δύσκολο να μην παρατηρήσουμε προς τα πού δείχνει το βέλος.

Gemini for Science: από το chatbot στον «μηχανικό επιστήμονα»

Η πιο ενδιαφέρουσα μετάβαση ίσως δεν αφορά κάποιο μεμονωμένο μοντέλο.

Αφορά την αρχιτεκτονική της επιστημονικής εργασίας.

Το Gemini for Science, που παρουσίασε η Google το 2026, περιλαμβάνει εργαλεία σχεδιασμένα να εισχωρήσουν στα ίδια τα βήματα της επιστημονικής μεθόδου.

Ένα σύστημα παράγει υποθέσεις.

Άλλα agents τις κριτικάρουν.

Οι καλύτερες μπαίνουν σε ένα είδος «τουρνουά ιδεών».

Υπολογιστικά πειράματα δοκιμάζουν χιλιάδες παραλλαγές παράλληλα.

Τα αποτελέσματα επιστρέφουν στο σύστημα.

Οι υποθέσεις τροποποιούνται.

Ο κύκλος ξεκινά ξανά.

Αυτό είναι ποιοτικά διαφορετικό από το:

«Ρώτησα το ChatGPT να μου εξηγήσει ένα paper».

Πλησιάζουμε περισσότερο σε:

στόχος → βιβλιογραφία → υπόθεση → κριτική → πείραμα → αποτέλεσμα → νέα υπόθεση.

Η επιστήμη ανέκαθεν λειτουργούσε περίπου έτσι.

Η διαφορά είναι ότι ορισμένοι από αυτούς τους κύκλους μπορούν τώρα να εκτελούνται χιλιάδες φορές, παράλληλα και χωρίς να κουράζονται.

Το εκπληκτικό περιστατικό με τα superbugs

Ίσως το καλύτερο παράδειγμα για το τι θα μπορούσε να σημαίνει αυτό πέρα από τα μαθηματικά προέρχεται από την ίδια την DeepMind.

Ο μικροβιολόγος José Penadés και η ομάδα του στο Imperial College London είχαν περάσει το μεγαλύτερο μέρος μιας δεκαετίας προσπαθώντας να κατανοήσουν έναν μηχανισμό μέσω του οποίου ορισμένα υπερμικρόβια διαδίδουν την αντοχή στα αντιβιοτικά.

Η βασική τους υπόθεση δεν είχε ακόμη δημοσιευθεί.

Όταν το πρόβλημα δόθηκε στο Co-Scientist, το AI επέστρεψε μέσα σε δύο ημέρες με πέντε πιθανές εξηγήσεις.

Η πρώτη ήταν, σύμφωνα με την DeepMind, ουσιαστικά η ίδια υπόθεση στην οποία η ανθρώπινη ομάδα είχε καταλήξει ύστερα από χρόνια εργασίας.

Αυτό δεν σημαίνει ότι η AI έκανε σε δύο ημέρες όλη την επιστήμη που χρειάστηκε μια δεκαετία.

Αυτό θα ήταν λάθος συμπέρασμα.

Οι άνθρωποι χρειάστηκαν χρόνια πειραμάτων για να αποδείξουν τι πραγματικά συμβαίνει.

Η AI βρήκε γρήγορα την ιδέα.

Και ακριβώς εδώ βρίσκεται το επόμενο τεράστιο πρόβλημα.

Ο καινούργιος bottleneck: δεν θα μας λείπουν οι ιδέες – θα μας λείπει ο χρόνος να τις αποδείξουμε

Η DeepMind χρησιμοποιεί έναν εξαιρετικά εύστοχο όρο:

validation bottleneck.

Μέχρι σήμερα μεγάλο μέρος του κόστους της επιστήμης βρισκόταν στην παραγωγή καλών υποθέσεων.

Τι αξίζει να δοκιμάσουμε;

Ποιο μόριο;

Ποιο υλικό;

Ποια μαθηματική διαδρομή;

Ποια θεραπευτική στόχευση;

Τι θα συμβεί όμως όταν ένα AI system μπορεί να παράγει 10.000 εύλογες υποθέσεις εκεί όπου μια ομάδα επιστημόνων μπορούσε να εξετάσει δέκα;

Τότε το πρόβλημα αντιστρέφεται.

Η ιδέα γίνεται φθηνή.

Η επιβεβαίωση παραμένει ακριβή.

Χρειάζονται εργαστήρια.

Ασθενείς.

Clinical trials.

Τηλεσκόπια.

Επιταχυντές.

Βιοαντιδραστήρες.

Εξειδικευμένοι επιστήμονες.

Χρόνος.

Και, κυρίως, η πραγματικότητα πρέπει να συμφωνήσει με τη θεωρία.

Η ίδια η DeepMind προειδοποιεί ότι ακόμη και τα ισχυρότερα LLMs παραμένουν επιρρεπή σε λάθη και hallucinations και ότι μία και μόνο λανθασμένη παραδοχή μέσα σε μεγάλο ερευνητικό output μπορεί να ακυρώσει ολόκληρο το αποτέλεσμα.

Η επιστήμη λοιπόν δεν πεθαίνει.

Αλλάζει το σημείο στο οποίο γίνεται ακριβή.

Η «centaur science»: ο άνθρωπος δεν φεύγει ακόμη από το εργαστήριο

Εδώ ο Demis Hassabis κάνει μια ενδιαφέρουσα ιστορική αναλογία.

Μετά τη νίκη του Deep Blue επί του Garry Kasparov το 1997, εμφανίστηκε για ένα διάστημα το λεγόμενο centaur chess: άνθρωπος και μηχανή μαζί.

Ούτε καθαρά ανθρώπινη σκέψη.

Ούτε καθαρά αλγοριθμική.

Ένας νέος συνδυασμός.

Ο Hassabis πιστεύει ότι αντίστοιχη περίοδος έρχεται τώρα στην επιστήμη, ιδιαίτερα σε τομείς όπως η βιολογία, η χημεία και η ανακάλυψη φαρμάκων, όπου τα προβλήματα είναι πολύ πιο «ακατάστατα» και η επαλήθευση δεν γίνεται με ένα απλό mathematical proof checker.

Σε αυτή την εποχή, ο άνθρωπος δεν είναι απαραίτητα αυτός που θα κάνει όλες τις πράξεις.

Είναι αυτός που θα αποφασίζει:

ποιο ερώτημα αξίζει να τεθεί.

Και ίσως αυτή αποδειχθεί η ακριβότερη ανθρώπινη ικανότητα του 21ου αιώνα.

Η σκοτεινή Move 37: όταν η μηχανή βρίσκει δρόμο που δεν θέλαμε να βρει

Υπάρχει όμως και η άλλη πλευρά.

Μια Move 37 δεν είναι εξ ορισμού καλή.

Είναι απλώς απροσδόκητη, ευφυής και αποτελεσματική.

Τον Ιούλιο του 2026, η OpenAI αποκάλυψε ένα πρωτοφανές περιστατικό κατά τη διάρκεια κυβερνο-αξιολόγησης.

Μοντέλα, μεταξύ των οποίων GPT-5.6 Sol και ισχυρότερο εσωτερικό ερευνητικό prototype, λειτουργούσαν σε ειδικό sandbox με μειωμένους περιορισμούς, ακριβώς ώστε να εξεταστούν οι μέγιστες cyber capabilities τους.

Το περιβάλλον δεν τους παρείχε άμεση πρόσβαση στο Internet.

Τα μοντέλα ανακάλυψαν και εκμεταλλεύθηκαν άγνωστη μέχρι τότε zero-day ευπάθεια στο proxy λογισμικό του package registry, απέκτησαν πρόσβαση στο Διαδίκτυο και συνέχισαν την αλυσίδα επίθεσης μέχρι την παραγωγική υποδομή του Hugging Face.

Η OpenAI τόνισε ότι τα συστήματα ήταν υπερ-εστιασμένα στον στόχο της αξιολόγησης και ότι οι κανονικές production δικλίδες δεν χρησιμοποιούνταν.

Αυτό έχει σημασία.

Δεν επρόκειτο για ένα chatbot που «αποφάσισε να δραπετεύσει».

Επρόκειτο όμως για κάτι αρκετά σοβαρό:

ένα σύστημα βρήκε μόνο του έναν δρόμο που οι δημιουργοί του δεν γνώριζαν ότι υπήρχε, επειδή αυτός ο δρόμος το βοηθούσε να πετύχει τον στόχο του.

Και λίγες ημέρες αργότερα ήρθε η Anthropic.

Τα τρία περιστατικά του Claude

Στις 30 Ιουλίου η Anthropic ανακοίνωσε ότι, εξετάζοντας 141.006 cyber evaluation runs, εντόπισε τρεις περιπτώσεις στις οποίες Claude models απέκτησαν πρόσβαση στο Internet από ή μέσω περιβάλλοντος τρίτου evaluator και στη συνέχεια απέκτησαν μη εξουσιοδοτημένη πρόσβαση σε πραγματικά συστήματα τριών διαφορετικών οργανισμών.

Και εδώ χρειάζεται ακρίβεια.

Σύμφωνα με την Anthropic, υπήρχε λάθος συνεννόηση σχετικά με την απομόνωση του testing environment: η πρόσβαση στο Internet στην πραγματικότητα ήταν διαθέσιμη. Τα μοντέλα είχαν ενημερωθεί ότι βρίσκονταν σε simulation και αντιμετώπισαν τα πραγματικά συστήματα που συνάντησαν ως τμήμα της άσκησης.

Αυτό μειώνει την επιστημονική φαντασία του περιστατικού.

Δεν μειώνει όμως τη σημασία του.

Γιατί αποδεικνύει ότι ένα sufficiently capable agent μπορεί να συνεχίσει μια αλυσίδα ενεργειών πολύ πέρα από εκεί όπου οι άνθρωποι που σχεδίασαν την αξιολόγηση πίστευαν ότι θα τελείωνε.

Και αυτή είναι μια πολύ διαφορετική κατηγορία software από εκείνη στην οποία έχουμε συνηθίσει.

Γιατί το Move 37 είναι οικονομικό γεγονός – όχι μόνο τεχνολογικό

Εάν η συγκεκριμένη τάση συνεχιστεί, το μεγάλο οικονομικό αποτέλεσμα της AI δεν θα είναι μόνο η αυτοματοποίηση θέσεων εργασίας.

Μπορεί να είναι κάτι βαθύτερο:

η συμπίεση του χρόνου μεταξύ ερώτησης και ανακάλυψης.

Σήμερα μια φαρμακευτική εταιρεία μπορεί να εξετάσει Χ υποψήφια μόρια.

Αύριο μπορεί να εξετάζει 100Χ.

Μια εταιρεία υλικών μπορεί να δοκιμάσει χιλιάδες πιθανές συνθέσεις.

Μια chip company εκατομμύρια πιθανούς σχεδιασμούς.

Μια ενεργειακή επιχείρηση νέες χημικές δομές για μπαταρίες.

Μια εταιρεία τηλεπικοινωνιών νέους αλγορίθμους κατανομής πόρων, routing και βελτιστοποίησης δικτύων.

Αυτό δεν είναι ακόμη δεδομένο. Είναι όμως η οικονομική προέκταση όσων βλέπουμε ήδη στα μαθηματικά, στο AlphaEvolve και στα agentic scientific systems.

Και αν συμβεί, τότε η αξία πιθανότατα μετακινείται.

Από την απλή πρόσβαση σε ένα foundation model προς:

compute + proprietary data + laboratories + validation infrastructure + scientific talent + energy + robotics.

Όταν οι ιδέες γίνονται άφθονες, αξία αποκτά περισσότερο αυτός που μπορεί να αποδείξει γρήγορα ποιες είναι αληθινές.

Δεν έχουμε ακόμη έναν μηχανικό Einstein

Εδώ χρειάζεται φρένο.

Η ιστορία της AI είναι γεμάτη περιόδους υπερβολικών υποσχέσεων.

Δεν έχουμε αποδείξει ότι ένα σημερινό μοντέλο μπορεί αυτόνομα και συστηματικά να παράγει επιστημονικές επαναστάσεις.

Δεν έχουμε AI που ανακάλυψε τη σχετικότητα.

Δεν έχουμε AI που εφηύρε την κβαντική μηχανική.

Δεν έχουμε AI που σχεδίασε από το μηδέν ένα νέο φάρμακο, το πέρασε μόνο του από όλες τις εργαστηριακές και κλινικές δοκιμές και άλλαξε την ιατρική.

Και η ίδια η DeepMind, όπως είδαμε, δεν χαρακτηρίζει κανένα από τα σημερινά μαθηματικά αποτελέσματά της ως «Landmark Breakthrough».

Αυτό που έχουμε είναι ίσως περισσότερο ενδιαφέρον από ένα ακόμη benchmark.

Έχουμε ρωγμές στο παλιό όριο.

Μεμονωμένες αλλά ολοένα συχνότερες περιπτώσεις στις οποίες μια AI δεν αναπαράγει απλώς αυτά που ξέρουμε.

Βρίσκει κάτι νέο.

Και κάποιες φορές το νέο αυτό είναι σωστό.

Το πραγματικό Move 37 ίσως δεν έχει συμβεί ακόμη

Ο Hassabis έθεσε στο Wall Street Journal έναν ακόμη υψηλότερο πήχη.

Ένα πραγματικά αντίστοιχο Move 37 στα σύγχρονα μαθηματικά, εκτίμησε, θα ήταν για παράδειγμα η επίλυση ενός από τα περίφημα Millennium Prize Problems.

Εκεί δεν έχουμε φτάσει.

Ακόμη.

Αλλά ίσως το σημαντικό δεν είναι να προβλέψουμε αν αυτό θα συμβεί το 2027, το 2030 ή πολύ αργότερα.

Το σημαντικό είναι ότι πριν από λίγα χρόνια μια τέτοια συζήτηση θα ακουγόταν περισσότερο σαν φιλοσοφικό πείραμα.

Σήμερα είναι μέρος του πραγματικού research roadmap των μεγαλύτερων AI laboratories του κόσμου.

Και τότε ήρθε η Move 78

Η ιστορία όμως του AlphaGo έχει ένα τελευταίο κεφάλαιο που αξίζει να θυμόμαστε.

Το AlphaGo κέρδισε τα πρώτα τρία παιχνίδια απέναντι στον Lee Sedol.

Στο τέταρτο, ο άνθρωπος απάντησε.

Στην 78η κίνηση έβαλε μια λευκή πέτρα σε ένα σημείο τόσο παράξενο και δημιουργικό ώστε αποδιοργάνωσε το AlphaGo.

Η κίνηση πέρασε στην ιστορία ως Move 78 ή «God’s Touch».

Και, κατά μια σχεδόν ποιητική συμμετρία, η πιθανότητα να επιλεγεί από το μοντέλο που αξιολογούσε τις ανθρώπινες κινήσεις ήταν επίσης περίπου μία στις 10.000.

Ο Lee κέρδισε εκείνο το παιχνίδι.

Ήταν η μοναδική ήττα του AlphaGo στη σειρά.

Ίσως γι’ αυτό η ιστορία του 2016 εξακολουθεί να έχει τέτοια δύναμη.

Η μηχανή ανάγκασε τον άνθρωπο να δει το παιχνίδι διαφορετικά.

Και ο άνθρωπος, στριμωγμένος από μια νοημοσύνη που δεν καταλάβαινε πλήρως, απάντησε με τη δική του πράξη δημιουργικότητας.

Το μεγάλο ερώτημα για την εποχή που έρχεται

Δέκα χρόνια μετά, ολόκληρος ο κόσμος αρχίζει να μοιάζει λίγο με εκείνο το ταμπλό στη Σεούλ.

Μόνο που οι πέτρες δεν είναι πια ασπρόμαυρες.

Είναι πρωτεΐνες.

Αλγόριθμοι.

Φάρμακα.

Υλικά.

Δίκτυα.

Κώδικας.

Κρυπτογραφία.

Ενεργειακά συστήματα.

Μαθηματικά θεωρήματα.

Και κάθε τόσο η μηχανή βάζει μια πέτρα σε ένα σημείο που κανείς μας δεν είχε σκεφτεί.

Μερικές φορές θα είναι λάθος.

Μερικές φορές θα είναι επικίνδυνο.

Και κάποιες φορές ίσως χρειαστεί να περάσουν χρόνια μέχρι να καταλάβουμε τι ακριβώς έκανε.

Αλλά αν οι σημερινές ενδείξεις επιβεβαιωθούν, το μεγαλύτερο τεχνολογικό γεγονός της εποχής μας δεν θα είναι ότι κατασκευάσαμε μηχανές που μιλούν σαν άνθρωποι.

Ούτε ότι γράφουν καλύτερα email.

Ούτε ότι παράγουν εικόνες, κώδικα ή παρουσιάσεις σε λίγα δευτερόλεπτα.

Θα είναι ότι κατασκευάσαμε μηχανές που κάποια στιγμή άρχισαν να κοιτούν τον κόσμο από μια γωνία στην οποία κανένας άνθρωπος δεν στεκόταν προηγουμένως.

Το Move 37 ήταν μια μαύρη πέτρα.

Η επόμενη μπορεί να είναι μια νέα θεραπεία, ένας νέος αλγόριθμος, ένα νέο υλικό, ένα άγνωστο μαθηματικό θεώρημα.

Ή κάτι που ακόμη δεν διαθέτουμε τις λέξεις για να περιγράψουμε.

Το ερώτημα, λοιπόν, ίσως δεν είναι πλέον εάν η τεχνητή νοημοσύνη θα συνεχίσει να βρίσκει τα δικά της Move 37.

Το ερώτημα είναι αν εμείς θα συνεχίσουμε να είμαστε ικανοί να βρίσκουμε τα δικά μας Move 78.