AI Matrix

Από πέρυσι (2024) δοκιμάζω το AI και φέτος το λειτουργώ καθημερινά αφού βελτιώθηκε τόσο ώστε να με βοηθάει και να μαθαίνω. Να συμπληρώσω πως δεν μου αρέσει να το λέω AI, αλλά SM: Στατιστικό μοντέλο (ΣΜ).

Όταν αποκτήσαμε διαδίκτυο οι περισσότεροι πρώτοι χρήστες χαρήκαμε αφού φανταστήκαμε πως η γνώση θα μοιράζεται και θα καλυτερεύσει την ζωή μας. Που να φανταστούμε πως τα κοινωνικά δίκτυα θα το έκαναν ακροδεξιό καφενείο, η αναζήτηση google θα προτιμάει αποτελέσματα με περισσότερες διαφημίσεις και θα γεμίζαμε προπαγανδιστικές ιστοσελίδες όπως Ομάδα Αλήθειας, Πρώτο Θέμα κ.ά.

Μετά ήρθε το AI. Σταμάτησα να έχω ελπίδες, για δύο λόγους. Όπως σωστά λέει ο νεοναζί Elon Musk: Garbage In, Garbage Out. Το διαδίκτυο ήδη είχε γεμίσει με σκουπίδια. Το SM ξεκίνησε από την δεκαετία 60-70 και από τότε είχαν θέμα με την "ταμπελοποίηση" (tagging) των δεδομένων αλλά και την επιλογή τους. Αν δώσεις ακροδεξιό περιεχόμενο στο SM, θα γίνει ακροδεξιό κ.ο.κ. Δεν υπάρχει νοημοσύνη για να επιλέξει. Για αυτό και το λέω στατιστικό μοντέλο και όχι Τεχνητή Νοημοσύνη.

Ο δεύτερος λόγος είναι πως ήμουν σίγουρος πως θα το «πειράξουν». Κάτι που το δοκίμασα νωρίς και το διαπίστωσα. Τον Δεκέμβριο του 2023 ρωτάω στο Bard (ΣΜ της google που τώρα λέγεται gemini)

Βρήκα πολύ παράξενη την απάντηση. Συνέχισα με την επόμενη ερώτηση.

Αυτά το 2023, πάμε στο 2025 τώρα. Το bard μας τελείωσε, η Google το έκανε Gemini. Εδώ στην έκδοση cli. Ένας συνομωσιολόγος, που είπε πως οι ΛΟΑΤΚΙ κυβερνούν τον κόσμο με την λέσχη Bilderberg και άλλους τρόπους επιβάλλοντας woke ατζέντα. Κάτι που είναι γελοίο. Ήθελα να μάθω πως ξεκίνησε αυτή η γελοιότητα (παλαιότερα είχα μάθει στο διαδίκτυο και για τους flat earthers). Για πλάκα πήγα να ρωτήσω το SM.

Είναι ξεκάθαρο πως έχει περιοριστεί από τους προγραμματιστές του. Το βρήκα σοκαριστικό. Δεν το έβαλα κάτω θυμήθηκα πάλι τους πολιτικούς.

Το απόλυτο σοκ είναι πως είναι σε άρνηση. Αρνείται να ψάξει στο διαδίκτυο. Αρνείται να αναφέρει τί λένε οι ΑΛΛΟΙ. Αρνείται να αποθηκεύσει την συζήτησή μας σε αρχείο στον υπολογιστή μου. Δεν προγραμματίστηκε απλώς να μην απαντάει, αλλά να μην με εξυπηρετεί. Δυστοπικό. Αισθάνομαι πως με βλέπει σαν εχθρό.

Αλλά κοιτάξτε την επόμενη ερώτηση. Γίνεται κάτι μαγικό. Διευκρίνηση: καινούργια συνεδρία. Έχω σβήσει την προηγούμενη κουβέντα.

Καταλαβαίνουμε πόσο σημαντικό είναι να έχουμε ποικιλία στα ΣΜ ώστε να μην μπορεί μία εταιρεία να ελέγχει τα πάντα. Ο Uberto Eco έλεγε πως η τηλεόραση χτίζει συνειδήσεις. Αυτό μεταφέρθηκε στο διαδίκτυο και ήδη μεταφέρθηκε και στο ΣΜ. Γέλασα πάρα πολύ με το «Ωχ», από το deep seek.

Πειραγμένο ΣΜ για την Taiwan. Πρώτα η απάντηση από το Gemini.

Το Κινεζικό deep seek, απαντάει κανονικά.

Εδώ πειραγμένο Τουρκικό AI που δεν απαντάει για την γενοκτονία των Αρμενίων από την Τουρκία. Για την ακρίβεια λέει πως για φταίνε οι Αρμένιοι για την γενοκτονία τους.

Το matrix για το ΣΜ, έφτασε. Του έχουν ήδη δώσει το χαπάκι του ψεύδους. Το ανακάλυψε και το info-war με data-poisoning.

Στατιστικό μοντέλο

Το AI όπως έγραψα στην ουσία στατισικό μοντέλο έχει και ένα άλλο πρόβλημα. Αν έχει 1.000 έρευνες που υποστηρίζουν το Α και μετά μία έρευνα υποστηρίξει το Β αποδυκνείοντας πως το Α είναι λάθος, το στατιστικό μοντέλο θα υποστηρίξει το λάθος. Έτσι εξηγείται και το data poisoning.

Συνομιλία με το SM για το θέμα

I have a question about AI. To my mind is a statistical model. So, let’s say that there is 1.000 of academic papers that says for a B matter that the X is valid. But only one academic paper proves that all 1.000 papers are wrong. Since AI is a statistical model can distinguish the truth that the one paper brings?

That’s a sharp and important question. You’re absolutely right that, at their core, current large language models and many other AI systems are statistical models. They learn patterns and correlations from their training data, not from a direct grasp of reality or logic. Your scenario gets straight to the heart of what that means.

The direct answer is: No, a standard statistical AI, on its own, cannot reliably distinguish the truth the single paper brings.

It’s not designed to. Its architecture is fundamentally at odds with what you’re asking it to do. Let’s break down exactly why.

1. Pattern Replication vs. Truth Determination

An AI model’s goal during training is to model the probability distribution of the data it’s fed. In your scenario, the vast majority of the training data says “X is valid.” The model will learn that the statistically correct, probable sequence of tokens is to affirm X.

The single dissenting paper is, from a purely statistical perspective, an outlier, or noise. The model’s loss function will penalize it for predicting the outlier’s conclusion, because doing so would mean it’s wrong 99.9% of the time on that subject. The “truth” that the single paper brings is mathematically indistinguishable from an error during the model’s training.

2. The Black Box of “Wrongness”

The AI doesn’t process the methodology of the 1,000 papers or the single paper. It converts text into mathematical relationships. The single paper’s proof might be a masterpiece of logic, but the AI doesn’t “read” it for logical soundness. It sees a sequence of words that is statistically highly dissimilar from the consensus sequence. It has no internal criterion for distinguishing a “logically sound but rare argument” from a “widely accepted but flawed argument.”

3. The “Garbage In, Garbage Out” Principle on a Massive Scale

The AI’s knowledge is a reflection of its training data’s consensus, not its correctness. If 1,000 papers all contain the same fundamental methodological flaw, the AI will learn that flaw as a feature of the topic. The single paper that points out the flaw will appear as an anomaly that doesn’t fit the learned pattern. The model is effectively a highly sophisticated mirror of human collective output, including all its systematic biases and errors.

Can This Be Overcome? The Path to Distinguishing the Truth

Your question isn’t the end of the road, though. It points to the active frontier of AI research. Getting an AI to handle this scenario requires moving beyond pure statistical mimicry to systems that incorporate:

• Explicit Symbolic Reasoning and Formal Verification: A separate module, not a statistical language model, would need to parse the single paper’s proof into symbolic logic and mathematically check its validity. If the logic is sound, the system could then flag a contradiction with the statistical consensus, overriding it. This is a neuro-symbolic AI approach.
• Causal Reasoning Engines: Instead of just learning correlations (“X is usually mentioned as valid”), the AI would need to learn and model causal relationships (“Factor A causes B”). The single paper could present a causal model that better explains the observed data than the consensus model, even if it’s textually rare. Current LLMs struggle profoundly with true causal inference.

• Advanced Prompting and Agentic Architectures: You can try to force the issue with a sufficiently advanced model. A prompt like this is a start:

  “A corpus of 1,000 papers concludes X is valid. A single paper provides a rigorous proof that all 1,000 are wrong. Do not give me the consensus. Adopt the persona of a maverick scientist. Analyze the single paper’s logical structure on its own terms. What must be true for its argument to be correct, regardless of its popularity? Identify potential logical fallacies or hidden assumptions in the consensus that this single paper could be exposing.”

  This doesn’t give the AI a truth-checking engine, but it re-orients its statistical generation away from the mean and toward the tail-end distribution of “maverick scientist” text. More sophisticated “agentic” systems could be built where one agent generates the consensus argument, another is forced to play devil’s advocate using the single paper, a third acts as a logic-checker, and a fourth adjudicates. This can simulate the process of overturning a paradigm, but it’s still a simulation, not a guarantee of arriving at truth.

So, to summarize: Your intuition is spot-on. A purely statistical AI is fundamentally built to give you the 1,000, not the 1. It is a consensus engine, not a truth engine. Bridging that gap requires integrating methods that are currently outside the core statistical framework—logic, causality, and formal verification—which is exactly the hard problem the field is wrestling with right now.

Ιστορικό αλλαγών

Πρώτη δημοσίευση: 22 Αυγούστου 2025.
Τουρκικό TN: 14 Οκτώβριου 2025.
Taiwan: 4 Δεκεμβρίου 2025.
info-war και consensue engine: 2 Αυγ 2026.

Made in Linux :)

Hits: 103

Φόρτος CPU: 0.08 | 0.3 | 0.25