Όταν ήμουν παιδί, ο μπαμπάς μου κι εγώ μιλούσαμε συχνά για μια ιστορία που θέλαμε να γράψουμε μαζί. Λεγόταν «Η Μέρα που Κανείς δεν Πήγε στη Ντίσνεϋλαντ». Η ιδέα ήταν ότι μια μέρα, ο καιρός είναι τόσο τέλειος που όλοι υποθέτουν ότι η Ντίσνεϋλαντ θα είναι γεμάτη, οπότε αποφασίζουν όλοι να μείνουν σπίτι. Αλλά ο μπαμπάς μου, σκεπτόμενος το ίδιο πράγμα, βλέπει πόσο απογοητευμένος φαίνομαι εκείνο το πρωί—και αποφασίζει να ρισκάρει έτσι κι αλλιώς. Ξεκινάμε, και όταν φτάνουμε εκεί, το πάρκο είναι εντελώς άδειο. Κανείς άλλος δεν ήταν αρκετά τολμηρός να εμφανιστεί. Απολαμβάνουμε τα πάντα—τα παιχνίδια, τα σόου, το φαγητό—όλα μόνοι μας.
Λάτρευα την ιδέα του να γράψουμε αυτή την ιστορία. Αλλά, όπως συμβαίνει συχνά, η ζωή μπήκε εμπόδιο. Ήμασταν πολύ απασχολημένοι για να το κάνουμε πραγματικότητα, ο χρόνος πέρασε, μεγάλωσα, και και οι δύο το ξεχάσαμε.
Τριάντα χρόνια αργότερα, ήμουν στο σπίτι των γονιών μου για δείπνο με τα δικά μου παιδιά (οκτώ, πέντε και δύο ετών). Για κάποιο λόγο, η ιδέα μου ήρθε ξανά στο μυαλό. Το είπα στη μεγάλη μου κόρη, και ήθελε να ακούσει όλη την ιστορία. Έτσι στραφήκαμε στο ChatGPT, του δώσαμε ένα πρόχειρο περίγραμμα, και του ζητήσαμε να γράψει την ιστορία στο ύφος του Δρ. Σους (ένας από τους αγαπημένους μας). Μέσα σε δευτερόλεπτα, την είχαμε. Η κόρη μου τη διάβασε δυνατά, και γελάσαμε.
Φυσικά, αυτό που παρήγαγε η τεχνητή νοημοσύνη δεν ήταν τέλειο. Κάποιες γραμμές δεν είχαν και πολύ νόημα, και είχαν παρεισφρήσει μερικοί αμερικανισμοί—όπως «sneakers» και «cinnamon buns». Αλλά εκείνο το βράδυ στον καναπέ, περάσαμε υπέροχα προσαρμόζοντας τα προτροπές, βελτιώνοντας την ιστορία, προσθέτοντας περισσότερες σκηνές, και δουλεύοντας με αυτόν τον παράξενο νέο δημιουργικό συνεργάτη για να κάνουμε κάτι που μου είχε ξεφύγει για δεκαετίες.
Για τα τελευταία 15 χρόνια, μελετώ πώς η τεχνητή νοημοσύνη επηρεάζει την εργασία και την κοινωνία. Αλλά το να γίνω πατέρας τριών μικρών παιδιών έχει κάνει αυτές τις αλλαγές να φαίνονται πολύ πιο προσωπικές: είναι σαφές ότι το μέλλον τους θα είναι εντελώς διαφορετικό από το δικό μου παρελθόν.
Για τη γυναίκα μου, αυτή η συνειδητοποίηση έγινε πραγματικά αισθητή πριν από λίγες εβδομάδες κατά τη διάρκεια μιας διαδρομής προς το σπίτι των γονιών της στο Σάφολκ. Τρία παιδιά κολλημένα σε ένα αυτοκίνητο, να σέρνονται στον δρόμο A12, είναι συνταγή για χάος. Έτσι ήμασταν ενθουσιασμένοι που βρήκαμε ένα σπάνιο podcast που όλοι απολάμβαναν πραγματικά: History's Not Boring, μια σειρά από 15λεπτες συζητήσεις για κάθε λογής θέματα, με αφήγηση από δύο παιδιά.
Καθώς ακούγαμε, αρχίσαμε να μαντεύουμε ποια μπορεί να ήταν αυτά τα έξυπνα παιδιά. Από πού ήταν; Πώς επιλέχθηκαν; Πώς το ισορροπούσαν με το σχολείο; Τελικά, τα έψαξα στο διαδίκτυο. Κάθε εικασία που είχαμε ήταν λάθος. Τα παιδιά δεν υπήρχαν στην πραγματικότητα. Ολόκληρο το podcast φαινόταν να είναι φτιαγμένο από τεχνητή νοημοσύνη. Κανείς μας δεν το είχε συνειδητοποιήσει.
Ήταν μια παράξενη στιγμή, το να ανακαλύψεις ότι άνθρωποι για τους οποίους είχαμε αναπτύξει συμπάθεια δεν ήταν καθόλου πραγματικοί. Ήταν επίσης εντυπωσιακό ότι η τεχνητή νοημοσύνη μπορούσε να δημιουργήσει τόσο υψηλής ποιότητας εκπαιδευτικό περιεχόμενο. Αλλά για τη γυναίκα μου, που φτιάχνει podcast και ντοκιμαντέρ, ήταν επίσης ανησυχητικό: εδώ ήταν κάτι που θα χρειαζόταν εκείνη και μια ταλαντούχα ομάδα μέρες για να παραγάγουν, τώρα να γίνεται χωρίς καμία συμμετοχή ανθρώπων.
Η δουλειά μου πάνω στην τεχνητή νοημοσύνη με έχει πάει σε αίθουσες συμβουλίων, αίθουσες συνεδρίων, σχολικές αίθουσες και κυβερνητικά κτίρια. Αλλά όπου κι αν πάω, μια ερώτηση προκύπτει περισσότερο από οποιαδήποτε άλλη: τι πρέπει να κάνουν τα παιδιά μου;
Αυτή τη στιγμή, είμαστε όλοι λίγο χαμένοι. Οι δάσκαλοι ανησυχούν ότι οι παλιές τους μέθοδοι δεν λειτουργούν πια. Οι γονείς, βλέποντας τα παιδιά τους να χρησιμοποιούν τεχνητή νοημοσύνη για να λύνουν προβλήματα και να απαντούν σε ερωτήσεις, αναρωτιούνται τι πραγματικά ξέρουν. Οι εργοδότες αμφιβάλλουν αν τα παραδοσιακά ακαδημαϊκά επιτεύγματα—που αποκτώνται μέσω εργασιών, εξετάσεων και αξιολογήσεων—μας λένε ακόμα κάτι χρήσιμο για το τι μπορούν να κάνουν οι νέοι.
Αλλά το να αντιδράσουμε σε αυτές τις νέες τεχνολογίες υψώνοντας τοίχους, όπως πολλοί ενστικτωδώς θέλουν—απαγορεύοντας, επιπλήττοντας, τιμωρώντας—απλώς δεν μπορεί να είναι η σωστή απάντηση. Καταρχάς, αυτός είναι ο κόσμος στον οποίο θα ζήσει η επόμενη γενιά: τους αποτυγχάνουμε αν τους προετοιμάσουμε για τον κόσμο στον οποίο μεγαλώσαμε εμείς, αντί για εκείνον στον οποίο θα κατοικήσουν πραγματικά. Πόσο συχνά, για παράδειγμα, έχετε ακούσει ανθρώπους να κατηγορούν τους μαθητές για εξαπάτηση αν χρησιμοποιούν τεχνητή νοημοσύνη για να τους βοηθήσει στη δουλειά τους; Αλλά σε ποιο σημείο τους εξαπατούμε εμείς αποτυγχάνοντας να ξανασκεφτούμε πώς τους εκπαιδεύουμε; Αν η τεχνητή νοημοσύνη κάνει την εκπαίδευση «πολύ εύκολη» για τους νέους, πότε μετατοπίζεται η ευθύνη σε εμάς, τους ενήλικες, να κάνουμε τη μάθησή τους πιο απαιτητική, να τους ωθήσουμε πιο μακριά, να τεντώσουμε τις ικανότητές τους;
Το πιο σημαντικό, αυτή η απορριπτική στάση απέναντι στην τεχνητή νοημοσύνη είναι επίσης χωρίς φαντασία. Μας εμποδίζει να δούμε τις εκπληκτικές δυνατότητες που θα μπορούσε να δημιουργήσει η τεχνητή νοημοσύνη για την επόμενη γενιά. Φυσικά, υπάρχουν κίνδυνοι. Αλλά ταυτόχρονα, αν χρησιμοποιήσουμε αυτή την τεχνολογία με σύνεση, ποιες δύσκολες ιδέες θα μπορούσε τώρα να συλλάβει η επόμενη γενιά—ιδέες που ήταν πέρα από εμάς όταν ήμασταν στην ηλικία τους; Ποια δύσκολα προβλήματα θα μπορούσαν να λύσουν—προβλήματα που κάποτε απαιτούσαν χρόνια εκπαίδευσης και εμπειρίας, αν μπορούσαν να λυθούν καθόλου;
Ξεχάστε τις δεξιότητες απρόσβλητες από το μέλλον
Ένα μεγάλο μέρος της πρόκλησης με την τεχνητή νοημοσύνη είναι ότι η παραδοσιακή μας απάντηση στην τεχνολογική αναστάτωση στον κόσμο της εργασίας—η ιδέα του να κάνουμε τους ανθρώπους «απρόσβλητους από το μέλλον»—δεν λειτουργεί πια. Το 2013, ο τότε πρωθυπουργός Ντέιβιντ Κάμερον ανακοίνωσε ότι η Αγγλία θα γινόταν το πρώτο μέρος στον κόσμο όπου όλα τα παιδιά δημοτικού και γυμνασίου θα μάθαιναν προγραμματισμό. Αυτό, σύμφωνα με τον υπουργό Παιδείας Μάικλ Γκοβ, θα «εξόπλιζε κάθε παιδί με τις υπολογιστικές δεξιότητες που χρειάζεται για να πετύχει στον 21ο αιώνα».
Η ιδέα φαινόταν τολμηρή και έξυπνη: στα χρόνια που ακολούθησαν, ήταν δύσκολο να βρεις μια προηγμένη χώρα που δεν ακολούθησε το παράδειγμά μας.
Γρήγορα στο σήμερα. Σε τι αποδεικνύεται ότι είναι τα καλύτερα τα πιο πρόσφατα συστήματα τεχνητής νοημοσύνης, όπως το ChatGPT και το Claude; Στη συγγραφή κώδικα. Τον Ιανουάριο του 2026, η Anthropic ανέφερε ότι το 90% του κώδικα για το Claude Code—τον βοηθό προγραμματισμού με τεχνητή νοημοσύνη—είχε γραφτεί το ίδιο από τεχνητή νοημοσύνη. Δεξιότητες που προορίζονταν να προστατεύσουν τα παιδιά από την τεχνολογική αναστάτωση για όλη τους τη ζωή ήταν σε μεγάλο βαθμό περιττές πριν καν φύγουν από το σχολείο.
Πρέπει να χρησιμοποιούμε την τεχνητή νοημοσύνη κριτικά, όχι τυφλά, κρατώντας τα βασικά μας αιχμηρά ώστε να μπορούμε να πούμε πότε η τεχνητή νοημοσύνη είναι ιδιοφυΐα—ή ανόητη.
Για τους πολιτικούς και τους υπεύθυνους χάραξης πολιτικής, είναι δελεαστικό να απορρίψουν το έπος του προγραμματισμού ως ένα ατυχές περιστατικό. Αλλά αυτό είναι λάθος. Ο λόγος που έκαναν λάθος ήταν επειδή είχαν πιστέψει στην ιδέα των δεξιοτήτων «απρόσβλητων από το μέλλον»—την πεποίθηση ότι υπάρχει κάποιο πολύτιμο σύνολο δεξιοτήτων που η τεχνητή νοημοσύνη δεν θα μπορεί να κάνει για αρκετό καιρό, και ότι σκεπτόμενοι αρκετά βαθιά το μέλλον, μπορούμε να τις προσδιορίσουμε με ακρίβεια.
Η αλήθεια είναι ότι γνωρίζουμε μόνο δύο πράγματα για το τι μας περιμένει. Ένα είναι ότι θα είναι γεμάτο με τεχνολογίες πολύ πιο ικανές από τις σημερινές. Το άλλο είναι ότι γνωρίζουμε ελάχιστα άλλα. Αλλά αντί να προσπαθούμε να επιλύσουμε αυτή την αβεβαιότητα, πρέπει να την αποδεχτούμε και να κάνουμε μια διαφορετική ερώτηση: πώς προετοιμάζουμε την επόμενη γενιά για να ευδοκιμήσει σε ένα μέλλον για το οποίο στην πραγματικότητα γνωρίζουμε εκπληκτικά λίγα;
Επιστροφή στα βασικά
Το πρώτο βήμα είναι να επιστρέψουμε στα βασικά. Από το 2009, ο αλφαβητισμός και ο αριθμητισμός έχουν μειωθεί μεταξύ των νέων σε όλο τον κόσμο, σύμφωνα με το πρόγραμμα διεθνούς αξιολόγησης μαθητών (Pisa) του ΟΟΣΑ· το ίδιο ισχύει και για τους ενήλικες. Από μόνο του, αυτό είναι ανησυχητικό. Αλλά δεδομένης της αβεβαιότητας που αντιμετωπίζουμε για το μέλλον, αυτές οι τάσεις είναι καταστροφή.
Γιατί τέτοια συμφορά; Καταρχάς, ενώ μπορεί να είναι δύσκολο να πούμε με ακρίβεια ποιες πιο προχωρημένες δεξιότητες θα αποδειχθούν πιο πολύτιμες στο μέλλον—δημιουργικότητα, κρίση, κάτι άλλο—θα βασίζονται με κάποιο τρόπο σε αυτές τις βασικές δεξιότητες. Είναι τα θεμέλια για οτιδήποτε άλλο.
Επιπλέον, τα συστήματα τεχνητής νοημοσύνης απέχουν πολύ από το να είναι άψογα. Κάνουν λάθη, συχνά σε απλά προβλήματα· παραισθάνονται, παρέχοντας σίγουρες και εύλογες απαντήσεις που είναι εντελώς επινοημένες. Είναι, όπως το έθεσε ο επιστήμονας υπολογιστών Τζέφρι Χίντον, «βλάκες ιδιοφυΐες». Αυτό σημαίνει ότι πρέπει να χρησιμοποιούμε την τεχνητή νοημοσύνη κριτικά, όχι τυφλά, κρατώντας τα βασικά μας αιχμηρά ώστε να μπορούμε να πούμε πότε η τεχνητή νοημοσύνη συμπεριφέρεται σαν ιδιοφυΐα—ή σαν ανόητη.
Με αυτούς τους δύο λόγους κατά νου, θα πρέπει να καταβάλλουμε μεγάλη προσπάθεια στη διδασκαλία της ανάγνωσης, της γραφής και των μαθηματικών, ακόμα κι αν η τεχνητή νοημοσύνη φαίνεται να τα κάνει καλύτερα, κάτι που όλο και περισσότερο κάνει. Η επιστροφή στα βασικά είναι αυτό που ένας οικονομολόγος θα αποκαλούσε στρατηγική «χωρίς τύψεις»—δεν θα μετανιώσουμε ποτέ για τη βελτίωση αυτών των βασικών δεξιοτήτων, ανεξάρτητα από το πώς θα εξελιχθεί το μέλλον.
Έχω χρησιμοποιήσει τεχνητή νοημοσύνη για να απαντήσω στη συνήθεια του πεντάχρονου γιου μου να καθυστερεί τον ύπνο κάνοντας τεράστιες ερωτήσεις ακριβώς τη στιγμή που σβήνω τα φώτα.
Και θα πρέπει να προσπαθήσουμε να είμαστε δημιουργικοί. Όταν η οκτάχρονη κόρη μου βαρέθηκε να μαθαίνει την προπαίδεια με τον παραδοσιακό τρόπο—μεγάλες λίστες, απομνημόνευση μέσω επανάληψης—στράφηκα στο ChatGPT για να τη βοηθήσω να σχεδιάσει διάφορα παιχνίδια υπολογιστή που δοκίμαζαν όσα ήξερε. (Μονόκεροι και ουράνια τόξα εμφανίζονταν σε κάθε έκδοση.)
Μετά υπήρξε η φορά που ο πεντάχρονος γιος μου είχε βαρεθεί να διαβάζει τα συνηθισμένα του βιβλία φωνητικής μετά το σχολείο—υπάρχει ένα όριο στο πόσο Μπιφ, Τσιπ και Κίπερ μπορεί να αντέξει κανείς—οπότε αντί αυτού, χρησιμοποιήσαμε τεχνητή νοημοσύνη για να δημιουργήσουμε μαζί μερικές προσαρμοσμένες ιστορίες, προσεκτικά ευθυγραμμισμένες με το αναγνωστικό του επίπεδο και πολύ πιο κοντά στα αγαπημένα του θέματα. (Τη στιγμή που γράφω αυτές τις γραμμές, αυτό σήμαινε το HMS Belfast, εκρηκτικά TNT και τον Μπουκάγιο Σάκα.)
Το να δοκιμάζουμε νέα πράγματα έχει σημασία, και μπορούμε να μάθουμε πολλά από όσα επινοούν άλλοι. Πάρτε για παράδειγμα τον Κρις Μόραν, επικεφαλής εκδοτικής καινοτομίας στον Guardian. Η κόρη του διάβαζε τον Δράκουλα στο σχολείο αλλά δυσκολευόταν να συνδέσει το εκτενές μυθιστόρημα με τον πραγματικό κόσμο. Μαζί, με τη βοήθεια της τεχνητής νοημοσύνης, έφτιαξαν μια εφαρμογή που ονομαζόταν PlotLines, η οποία τοποθετούσε την ιστορία σε έναν διαδραστικό χάρτη του Ordnance Survey της δεκαετίας του 1890, χαρτογραφώντας τις βασικές σκηνές και τα ταξίδια των χαρακτήρων σε όλη την Ευρώπη με τη βοήθεια της τεχνητής νοημοσύνης. (Από τότε το έχουν κάνει και για πολλά άλλα βιβλία.)
Αυτά είναι ακριβώς τα είδη καινοτομιών που θα πρέπει να δοκιμάζουμε και να καλωσορίζουμε σε όλη την εκπαίδευση—όχι να απαγορεύουμε.
Διδάξτε και τα δύο, εξετάστε και τα δύο
Ακόμα και με όλη την αβεβαιότητα που αντιμετωπίζουμε, υπάρχει ακόμα ένα πράγμα που γνωρίζουμε για το μέλλον: θα είναι γεμάτο με τεχνολογίες πολύ πιο ισχυρές από τις σημερινές. Έχοντας αυτό κατά νου, πρέπει να διδάξουμε στην επόμενη γενιά πώς να τις χρησιμοποιεί. Το να το κάνουμε σωστά θα απαιτήσει να αφιερώσουμε σοβαρό χρόνο στη διδασκαλία των ανθρώπων πώς να χρησιμοποιούν την τεχνητή νοημοσύνη.
Η πρόκληση, όμως, είναι πώς να το κάνουμε αυτό χωρίς επίσης να τους κάνουμε να ξεχάσουν σημαντικές βασικές δεξιότητες. Μια αυξανόμενη ανησυχία είναι ότι η τεχνητή νοημοσύνη μας κάνει λιγότερο έξυπνους. Γιατί να διαβάσεις ένα βιβλίο αν η τεχνητή νοημοσύνη μπορεί να το συνοψίσει; Γιατί να τελειώσεις την εργασία μαθηματικών αν η τεχνητή νοημοσύνη θα κάνει τους υπολογισμούς; Κατά τη γνώμη μου, η απάντηση δεν έρχεται από τη Σίλικον Βάλεϊ, αλλά από έναν ξεχασμένο Βρετανό καθηγητή μαθηματικών, τον Γουίλφρεντ Χάλιντεϊ Κόκροφτ, μισό αιώνα πριν.
Τη δεκαετία του 1970, η ποιότητα της διδασκαλίας των μαθηματικών στα σχολεία του Ηνωμένου Βασιλείου φαινόταν να καταρρέει, και τα επίπεδα αριθμητισμού ήταν σύμφωνα με αναφορές χαμηλά. Ο Κόκροφτ, ο οποίος είχε μακροχρόνιο ενδιαφέρον για την εκπαίδευση στα μαθηματικά, κλήθηκε από την κυβέρνηση να το εξετάσει. Το 1982, δημοσιεύθηκε η Έκθεση Κόκροφτ. Ήταν τεράστια, λεπτομερής—και τώρα ως επί το πλείστον ξεχασμένη. Αλλά μπορεί να αποδειχθεί το πιο σημαντικό έγγραφο για τη σκέψη σχετικά με το μέλλον της εκπαίδευσης, λόγω του πώς αντιμετώπισε την ηλεκτρονική αριθμομηχανή.
«Σκέφτηκα, έχω δοκιμάσει τα πάντα, γιατί να μην δώσω μια ευκαιρία στην τεχνητή νοημοσύνη;»: η οικογένεια που χάθηκε και ξαναβρέθηκε με τη βοήθεια του ChatGPT
Διαβάστε περισσότερα
Είναι συναρπαστικό να διαβάζεις την έκθεση του Κόκροφτ και να βλέπεις πόσο παρόμοιες ήταν οι προκλήσεις της αριθμομηχανής τότε με αυτές που αντιμετωπίζουμε με την τεχνητή νοημοσύνη σήμερα—από τον φόβο ότι θα αποδυνάμωνε τις «βασικές δεξιότητες» έως τον εκφοβισμό που ένιωθαν πολλοί απέναντι σε αυτή την παράξενη νέα τεχνολογία. Ο Κόκροφτ ήταν ρεαλιστής: περίμενε ότι «όλοι οι υποψήφιοι θα έχουν πρόσβαση σε αριθμομηχανή μέχρι το 1985». Η πρότασή του ήταν επαναστατική: ήθελε να αναμορφώσει την εκπαίδευση στα μαθηματικά χωρίζοντάς την σε δύο μέρη—ένα μέρος που διδάσκει στους μαθητές πώς να χρησιμοποιούν αριθμομηχανή, και το άλλο μέρος που τους διδάσκει πώς να τα καταφέρνουν χωρίς αυτήν. Καθοριστικά, και οι δύο δεξιότητες θα εξετάζονταν. Η ιδέα υιοθετήθηκε. Σήμερα, η εκμάθηση μαθηματικών και με και χωρίς αριθμομηχανή είναι το παγκόσμιο πρότυπο. Η πρώτη προσέγγιση χτίζει βασικές δεξιότητες, ενώ η δεύτερη τις εφαρμόζει σε πιο απαιτητικά προβλήματα.
Θα πρέπει να υιοθετήσουμε την ίδια ρεαλιστική και επαναστατική προσέγγιση με την τεχνητή νοημοσύνη τώρα, χρησιμοποιώντας αυτή την αποδεδειγμένη αρχή—αυτό που αποκαλώ «διδάξτε και τα δύο, εξετάστε και τα δύο». Κάθε μάθημα, από την ιστορία έως την αγγλική λογοτεχνία, θα πρέπει να χωρίζεται σε δύο μέρη: ένα μέρος που διδάσκει στους μαθητές πώς να χρησιμοποιούν την τεχνητή νοημοσύνη, και το άλλο που τους διδάσκει πώς να πετύχουν χωρίς αυτήν. Και τα δύο θα πρέπει να εξετάζονται. Ένας δάσκαλος δεν μπορεί να παρακολουθήσει αν ένας μαθητής χρησιμοποιεί τεχνητή νοημοσύνη στην ιδιωτικότητα του δωματίου του. Αλλά τίποτα δεν μπορεί να αντικαταστήσει την εμπειρία του να κάθεσαι σε μια εξέταση, να κοιτάς το γραπτό και να νιώθεις εκείνο τον κρύο ιδρώτα όταν συνειδητοποιείς ότι δεν έχεις προετοιμαστεί και για τα δύο μέρη.
Δεν είναι όλες οι οθόνες κακές. Μία από τις ανησυχίες μου είναι ότι αφήνουμε μια θεμιτή ανησυχία για την επίδραση των μέσων κοινωνικής δικτύωσης στη ζωή των παιδιών να μεταφερθεί στον τρόπο που σκεφτόμαστε την τεχνητή νοημοσύνη. Αυτό θα μπορούσε να μετατρέψει λογικούς περιορισμούς στα μέσα κοινωνικής δικτύωσης σε βιαστικές απαγορεύσεις της τεχνητής νοημοσύνης. Αλλά τα μέσα κοινωνικής δικτύωσης και η τεχνητή νοημοσύνη δεν είναι το ίδιο πράγμα. Ενώ τα μέσα κοινωνικής δικτύωσης συχνά μας αποανθρωποποιούν και μας απομακρύνουν από τον πραγματικό κόσμο, η τεχνητή νοημοσύνη—όταν χρησιμοποιείται σωστά—μπορεί να βελτιώσει σημαντικά τη ζωή μας.
Υπάρχει ένας άλλος τρόπος να το σκεφτούμε. Μια συζήτηση βρίσκεται σε εξέλιξη σχετικά με τον «χρυσό κανόνα» του χρόνου οθόνης για τα παιδιά—ούτε πολύ, ούτε λίγο, αλλά ακριβώς σωστά. Ωστόσο, αυτή είναι η λάθος συζήτηση να γίνει. Αυτό που έχει σημασία δεν είναι τόσο πόσος χρόνος ξοδεύεται στις οθόνες, αλλά τι πραγματικά υπάρχει σε αυτές τις οθόνες και τι κάνουμε με την τεχνολογία.
Αυτή η διάκριση έχει σημασία όχι μόνο για το τι διδάσκουμε, αλλά και για το πώς διδάσκουμε. Εξετάστε ένα άλλο παράδειγμα: την προσωπική διδασκαλία. Συχνά λέγεται ότι ένας μέσος μαθητής που λαμβάνει ατομική διδασκαλία θα ξεπεράσει σχεδόν όλους τους συνομηλίκους του σε μια παραδοσιακή τάξη. Το είδα αυτό από πρώτο χέρι κατά τα χρόνια μου ως δάσκαλος στην Οξφόρδη, διδάσκοντας μαθηματικά και οικονομικά.
Το πρόβλημα είναι ότι οι ανθρώπινοι δάσκαλοι είναι πολύ ακριβοί για να παρέχονται σε όλους. Αλλά τώρα, η τεχνητή νοημοσύνη μπορεί επιτέλους να προσφέρει υψηλής ποιότητας προσωπική διδασκαλία. Μπορεί να προσαρμόσει τον τρόπο με τον οποίο διδάσκεται η ύλη στα μοναδικά δυνατά και αδύνατα σημεία κάθε μαθητή, μιμούμενη τις αλληλεπιδράσεις με έναν ανθρώπινο δάσκαλο αλλά με πολύ χαμηλότερο κόστος.
Ειλικρινά, η τεχνητή νοημοσύνη παρέχει ένα επίπεδο εξατομικευμένης διδασκαλίας που εγώ—και πολλοί άλλοι δάσκαλοι που έχω παρατηρήσει όλα αυτά τα χρόνια—δυσκολεύτηκα να επιτύχω. Μέρος αυτού που εντυπωσιάζει είναι το εύρος της τεχνητής νοημοσύνης. Την έχω χρησιμοποιήσει για να απαντήσω στην τακτική του πεντάχρονου γιου μου να καθυστερεί τον ύπνο κάνοντας τεράστιες ερωτήσεις ακριβώς τη στιγμή που σβήνω τα φώτα. Όταν ρώτησε, «Μπαμπά, από πού ήρθε ο πρώτος άνθρωπος;» η τεχνητή νοημοσύνη δημιούργησε μια μικρή ιστορία για την εξέλιξη. Την έχω χρησιμοποιήσει επίσης για να δημιουργήσω βήμα-προς-βήμα οδηγίες για να βοηθήσω μεταπτυχιακούς φοιτητές να λύσουν δύσκολα μαθηματικά προβλήματα στα οικονομικά, όπως το μοντέλο ανάπτυξης του Ράμσεϊ.
«Δεν νομίζω ότι κανείς έχει δώσει ποτέ τόσο αγνή προσοχή σε εμένα και τη σκέψη μου και τις ερωτήσεις μου», ανέφερε ότι είπε ένας φοιτητής στο The New Yorker τον Απρίλιο του 2025. «Με έχει κάνει να ξανασκεφτώ τις αλληλεπιδράσεις μου με τους ανθρώπους». Η τεχνητή νοημοσύνη δεν κουράζεται ποτέ ούτε αποσπάται. Δεν έχει
