Στο κατάμεστο Πνευματικό Κέντρο Χανίων, την Τετάρτη 16 Ιουλίου 2025, πραγματοποιήθηκε μια από τις πιο ανατρεπτικές και εμπνευσμένες διαλέξεις του φετινού Festum Pi. Ο ομιλητής δεν ήταν άλλος από τον François Pachet, έναν από τους κορυφαίους ερευνητές στο πεδίο της τεχνητής νοημοσύνης και της μουσικής, και έναν από τους πρωτεργάτες της Spotify. Με μια καριέρα δεκαετιών στην αιχμή της καινοτομίας, ο Pachet ανέπτυξε ερωτήματα που ξεπερνούν τη στενή τεχνική σκοπιά και αγγίζουν τη φιλοσοφία, την αισθητική και τον ρόλο της δημιουργικότητας σε έναν κόσμο κορεσμένο από δεδομένα και αλγοριθμικές αποφάσεις.

Από την έλλειψη στην υπερπληθώρα

Ο Pachet ξεκίνησε την ομιλία του θέτοντας ένα ευρύτερο πλαίσιο: αυτό της πολιτιστικής υπερπαραγωγής. Όπως εξήγησε, «ζούμε σε έναν κόσμο όπου η ιδεολογία είναι πως μπορούμε να δημιουργήσουμε ό,τι θέλουμε σε όποια ποσότητα θέλουμε». Από τη σπάνια πρόσβαση σε πολιτιστικά αγαθά –όπως όταν ο ίδιος είχε στη διάθεσή του μόλις 50 βινύλια ως παιδί–, περάσαμε στην υπερπληθώρα του streaming, όπου κάθε έφηβος έχει άμεση πρόσβαση σε 100 εκατομμύρια τραγούδια.

Το φαινόμενο αυτό δεν αφορά μόνο τη μουσική. Καθημερινά, η ανθρωπότητα παράγει εκατοντάδες χιλιάδες νέα κομμάτια –μουσική, podcasts, βίντεο– αριθμός 500 φορές μεγαλύτερος απ’ ό,τι στη δεκαετία του ’60. Η Ευρωπαϊκή Ένωση προώθησε για χρόνια το δόγμα της «πρόσβασης στον πολιτισμό για όλους». Όμως, όπως τόνισε ο Pachet, «δεν υπολογίσαμε τις συνέπειες».

Γιατί συνεχίζουμε να δημιουργούμε;

Ο ίδιος θέτει το ερώτημα: Αφού έχουμε ήδη «τα πάντα» –από τον Σοστακόβιτς και τους Beatles μέχρι τον Τζεσουάλντο– γιατί συνεχίζουμε να συνθέτουμε μουσική; Γιατί δεν έχουμε παραδοθεί στην κατάθλιψη της ανεπάρκειας μπροστά στο ένδοξο παρελθόν;

Για να απαντήσει, παρουσίασε έναν πίνακα του ελβετού ζωγράφου Johann Füssli με τίτλο «Η απελπισία του καλλιτέχνη μπροστά στα αρχαία ερείπια». Η εικόνα εκφράζει τη συντριβή της δημιουργικής προσπάθειας μπροστά στο ήδη επιτευχθέν. Παρ’ όλα αυτά, αντί για κατάθλιψη, ζούμε μια εποχή αδιάκοπης παραγωγής – αλλά με φθίνουσα ποιότητα.

Η πτώση της μουσικής ποιότητας

Η σημερινή mainstream μουσική είναι –σύμφωνα με αναλύσεις μουσικολογικής πολυπλοκότητας– όλο και πιο απλοϊκή. Ο Pachet χρησιμοποίησε χαρακτηριστικό παράδειγμα: τα μουσικά θέματα των ταινιών James Bond. Ενώ τα παλαιότερα κομμάτια, όπως το “Live and Let Die” των Wings, περιείχαν πλήθος αρμονικών εξελίξεων, τα πιο πρόσφατα περιορίζονται σε 3-4 επαναλαμβανόμενες συγχορδίες, χωρίς εξέλιξη ή έκπληξη.

Η τεχνητή νοημοσύνη σε ένα κομβικό σταυροδρόμι

«Η τεχνητή νοημοσύνη εμφανίστηκε σε μια στιγμή πολύ ιδιαίτερη», σημειώνει. «Δεν δημιούργησε αυτή την κατάσταση· ενσωματώνεται σε μια κουλτούρα μαζικής παραγωγής και ταυτόχρονης πτώσης ποιότητας».

Η προσωπική του διαδρομή στον χώρο της AI ξεκίνησε με το πρόγραμμα Continuator πριν 25 χρόνια –ένα σύστημα που συνέχιζε αυτοσχεδιασμούς πιανίστα σε πραγματικό χρόνο. Το 2016, με την ομάδα του στη Sony, δημιούργησε το “Daddy’s Car”, τραγούδι που αναπαράγει το στυλ των Beatles, με βάση 45 κομμάτια τους.

Εκείνο που επισημαίνει είναι ότι η AI δεν «κλέβει» μουσική. Δεν «μαθαίνει» από συγκεκριμένα τραγούδια, αλλά από τα κοινά μοτίβα που τα συνθέτουν: το ύφος. Όσο περισσότερο ομοιογενές υλικό παράγουμε, τόσο ευκολότερα η AI ανιχνεύει τα μοτίβα αυτά και τα επαναχρησιμοποιεί.

Προβλήματα που λύθηκαν – και εκείνα που παραμένουν

Ο Pachet εξηγεί πως υπάρχουν μουσικά προβλήματα που πλέον θεωρούνται «λυμένα»:
– Διαχωρισμός πηγών ήχου (source separation), όπως στον τελευταίο δίσκο των Beatles “Now and Then”, όπου διαχωρίστηκε η φωνή του Lennon από παλιές κασέτες.
– Συνθετικές φωνές (voice synthesis), που πλέον ακούγονται απόλυτα φυσικές.

Αντιθέτως, υπάρχουν προβλήματα μη-ορισμένα (ill-defined problems), όπως η ρυθμική συνέπεια σε AI συστήματα όπως το Suno. Παρόλο που τα παραγόμενα τραγούδια ακούγονται «σωστά», δεν έχουν σταθερό μέτρο ή ρυθμική δομή, κάτι που τα καθιστά αδύνατο να μεταγραφούν μουσικά. Αυτό συμβαίνει επειδή τα περισσότερα συστήματα δεν έχουν «grounding» – δηλαδή σύνδεση με τον πραγματικό κόσμο ή μουσική θεωρία.

Τι σημαίνει «καλό» στη μουσική;

Η καρδιά του προβλήματος, κατά τον Pachet, είναι η έννοια του λάθους. Τα περισσότερα AI συστήματα μαθαίνουν μέσω του μηχανισμού της διόρθωσης σφάλματος. Στην ιατρική διάγνωση, για παράδειγμα, το σύστημα ξέρει τι είναι όγκος και τι όχι. Στη μουσική όμως, «τι σημαίνει λάθος;» Τι είναι ένα «καλό» τραγούδι; Ποιο είναι το κριτήριο;

Η εύκολη απάντηση είναι η δημοφιλία – τι ακούνε οι πολλοί. Όμως, μια συγκλονιστική μελέτη που παρουσίασε, αποδεικνύει ότι η δημοφιλία είναι βαθιά χαοτική:
Σε πείραμα του 2006 με διαφορετικές ομάδες ακροατών και άγνωστα τραγούδια, παρατηρήθηκαν δύο φαινόμενα:

1. Χωρίς κοινωνική επιρροή, τα «hits» παρέμεναν σταθερά – ενδεικτικό της «ενδογενούς ποιότητας».

2. Με κοινωνική επιρροή (όπου οι ακροατές έβλεπαν ποια τραγούδια άκουσαν άλλοι), οι «υπερεπιτυχίες» ποικίλλαν ριζικά – και τροφοδοτούνταν από το φαινόμενο «ο πλούσιος γίνεται πλουσιότερος».

Άρα, η δημοφιλία δεν είναι ασφαλές κριτήριο εκπαίδευσης για AI.

Καλύτερο μοντέλο δεν σημαίνει καλύτερη μουσική

Ο Pachet ανέλυσε με παραδείγματα πώς διαφορετικά μοντέλα –από τους απλούς αλγόριθμους Markov ως τα σημερινά transformers– προσεγγίζουν τη μουσική σύνθεση. Παρά τη μεγαλύτερη υπολογιστική ισχύ, τα σύγχρονα μοντέλα απαιτούν τεράστιες ποσότητες δεδομένων και χάνουν την εστίαση.

Χαρακτηριστικό παράδειγμα ήταν η προσπάθεια να εκπαιδεύσει transformer να συνεχίσει το «Πρελούδιο σε Ντο» του Bach. Επειδή το έργο είναι μικρό, χρειάστηκε να συμπεριλάβει και άλλα έργα του Bach. Το αποτέλεσμα ήταν μεν τεχνικά άρτιο, αλλά στυλιστικά άσχετο.

Αντίθετα, ένα παλαιότερο σύστημα με βασικό μοντέλο Markov (order 3) που εκπαιδεύτηκε αποκλειστικά στο ίδιο πρελούδιο, παρήγαγε αποτέλεσμα εγγύτερο στο ύφος του πρωτοτύπου. Το ερώτημα δεν είναι μόνο η πολυπλοκότητα του μοντέλου, αλλά και το πού και πώς χρησιμοποιείται.

Τελικά, λύθηκε το πρόβλημα;

Ο ίδιος κλείνει με τέσσερις διαπιστώσεις:

1. Γνωρίζουμε πώς να παράγουμε ακολουθίες – μουσική, ήχο, εικόνα – με μεγάλη επιτυχία.

2. Δεν γνωρίζουμε πώς να ορίσουμε το «καλό» στη μουσική.

3. Η δημοφιλία είναι ένα χαοτικό και παραπλανητικό μέτρο, που εξαρτάται περισσότερο από το κοινωνικό πλαίσιο και λιγότερο από την ενδογενή ποιότητα.

4. Η συνεχής αναζήτηση για «καλύτερα μοντέλα» δεν συνεπάγεται απαραίτητα καλύτερη μουσική.

Το μέλλον της δημιουργικότητας

Το πρόβλημα, τελικά, δεν είναι μόνο τεχνικό. Είναι πολιτισμικό. Είναι το ερώτημα αν βλέπουμε τη μουσική –και ευρύτερα την τέχνη– ως προβλήματα προς επίλυση ή ως πεδία ανθρώπινης έκφρασης. Σε μια εποχή που μπορούμε να παράγουμε τα πάντα, τι αξία έχει το «μοναδικό»;

Η διάλεξη του François Pachet δεν απαντά απλώς στο ερώτημα «αν λύθηκε το πρόβλημα της μουσικής σύνθεσης με την AI». Το μετασχηματίζει: από τεχνική πρόκληση σε υπαρξιακή απορία. Και το κοινό των Χανίων φάνηκε να αποχωρεί από την αίθουσα όχι με βεβαιότητες, αλλά με προβληματισμούς. Ίσως αυτή να είναι και η ουσία της σύγχρονης δημιουργικότητας.