Οι επιλογές αποθηκεύονται μόνο σε αυτή τη συσκευή.
Μουσείο ΤΝ
Ανοιχτό ψηφιακό μουσείο για την Τεχνητή Νοημοσύνη
Από τις πρώτες ιδέες για λογική και αυτόματες μηχανές ως τα σημερινά γλωσσικά μοντέλα. Η επίσκεψη συνδυάζει ιστορία, πραγματικά τεκμήρια, επιμελητική ερμηνεία και μικρά πειράματα. Κάθε σημαντικό έκθεμα έχει τη δική του σελίδα και τις πηγές που στηρίζουν όσα διαβάζεις.
Είσοδος
Δωρεάν, χωρίς λογαριασμό ή κωδικό
Συλλογή
62 αυτοτελή εκθέματα με τεκμηρίωση
Γλώσσες
Ελληνικά και English
Περιήγηση
10 αίθουσες, ένα εργαστήριο και ελεύθερη εξερεύνηση
Η ιδέα της έκθεσης
Γιατί φτιάχνουμε μηχανές που κάνουν πράγματα δικά μας;
Η ιστορία της τεχνητής νοημοσύνης δεν είναι μια ευθεία γραμμή από την εφεύρεση στην πρόοδο. Είναι μια σειρά από προσπάθειες να περάσουμε στις μηχανές κάτι που μέχρι τότε έκανε ο άνθρωπος: να υπολογίζει, να αναγνωρίζει, να μαθαίνει, να χρησιμοποιεί τη γλώσσα και να παίρνει αποφάσεις.
Σε κάθε εποχή άλλαξαν τα εργαλεία και οι δυνατότητες. Μαζί τους άλλαξαν και τα ερωτήματα. Τι σημαίνει ότι μια μηχανή «μαθαίνει»; Πότε μια σωστή απάντηση είναι και αξιόπιστη; Ποιος ευθύνεται όταν ένα σύστημα κάνει λάθος; Αυτά τα ερωτήματα συνδέουν τις αίθουσες μεταξύ τους.
Ανοιχτή συλλογή
Ένα μουσείο που μπορείς να ελέγξεις
Δεν χρειάζεσαι σχολικό κωδικό, αγορά εισιτηρίου ή λογαριασμό. Οι αίθουσες, η συλλογή και το εργαστήριο είναι ανοιχτά σε όλους.
Η τεκμηρίωση δεν μένει στο παρασκήνιο. Στις σελίδες των εκθεμάτων μπορείς να δεις ποια πηγή χρησιμοποιείται, τι ακριβώς στηρίζει και αν η εικόνα είναι ιστορικό τεκμήριο, ανακατασκευή ή καλλιτεχνική απόδοση.
Μπορείς να ακολουθήσεις ολόκληρη την έκθεση ή μια μικρότερη διαδρομή. Αν αλλάξεις γνώμη, επιστρέφεις εδώ και συνεχίζεις αλλιώς.
Διάλεξε πόσο χρόνο θέλεις να μείνεις
Η επιλογή αλλάζει τη σειρά των κουμπιών «πίσω / συνέχεια» μέσα στις αίθουσες. Μπορείς οποιαδήποτε στιγμή να επιστρέψεις στο λόμπι και να αλλάξεις διαδρομή.
Οι αίθουσες
Η πρόοδος αποθηκεύεται μόνο σε αυτή τη συσκευή. Δεν χρειάζεται λογαριασμός και δεν στέλνεται ιστορικό επίσκεψης.
Η διαδρομή σου
Η πρόοδος μένει μόνο στον browser σου. Δεν δημιουργείται λογαριασμός και δεν αποστέλλεται ιστορικό επίσκεψης.
0 / 9
0
Η ελληνική προϊστορία
Αίθουσα 0, από τον Όμηρο ως τον Ήρωνα
Η ιδέα μιας μηχανής που κινείται, υπολογίζει ή «σκέφτεται» μόνη της δεν γεννήθηκε στα εργαστήρια του 20ού αιώνα. Οι αρχαίοι Έλληνες τη φαντάστηκαν στους μύθους, τη συλλογίστηκαν στη φιλοσοφία και, σε κάποιες περιπτώσεις, την κατασκεύασαν.
Κανένα από αυτά τα εκθέματα δεν είναι «αρχαία τεχνητή νοημοσύνη». Είναι οι πρόγονοι των ερωτημάτων: μπορεί μια μηχανή να κινείται μόνη της, να υπολογίζει, να ακολουθεί κανόνες σκέψης; Τα ίδια ερωτήματα θα ξαναβρούμε, πολλούς αιώνες αργότερα, στις επόμενες αίθουσες.
Κεντρικό έκθεμαΜηχανισμός των ΑντικυθήρωνΤο μεγαλύτερο σωζόμενο θραύσμα: διακρίνεται ο μεγάλος τροχός με τις ακτίνες. Τα γρανάζια από χαλκό υπολόγιζαν τον ουρανό. Το πρωτότυπο εκτίθεται στο Εθνικό Αρχαιολογικό Μουσείο.Φωτογραφία: Marsyas, CC BY 2.5, μέσω Wikimedia Commons
Απόδοση με ΤΝ
~700π.Χ.
Οι χρυσές βοηθοί του Ηφαίστου
Στην Ιλιάδα, ο θεός-τεχνίτης έχει φτιάξει χρυσές βοηθούς που μοιάζουν με ζωντανές κοπέλες. Ο Όμηρος γράφει ότι έχουν νου, φωνή και δύναμη. Είναι ίσως η παλαιότερη περιγραφή «έξυπνων μηχανών» στη λογοτεχνία.
Ο Αριστοτέλης συστηματοποιεί τον συλλογισμό: κανόνες που από σωστές προτάσεις βγάζουν σωστά συμπεράσματα. Πάνω σε αυτή την ιδέα στηρίχτηκε, πολλούς αιώνες μετά, η πρώτη ΤΝ των κανόνων. Στα «Πολιτικά» φαντάζεται κιόλας εργαλεία που θα δούλευαν μόνα τους, χωρίς ανθρώπινα χέρια.
Στην Αλεξάνδρεια, ο Κτησίβιος βελτιώνει την κλεψύδρα με έναν πλωτήρα που ρυθμίζει μόνος του τη ροή του νερού. Είναι από τα πρώτα γνωστά συστήματα αυτόματου ελέγχου με ανάδραση: η μηχανή «διορθώνει» μόνη της τη λειτουργία της. Η ίδια ιδέα, η ανάδραση, θα γίνει αιώνες αργότερα βασική έννοια της κυβερνητικής και της ΤΝ. Επινόησε επίσης αντλίες και το υδραυλικό όργανο.
Στα «Αργοναυτικά» του Απολλώνιου Ρόδιου, ένας χάλκινος γίγαντας φτιαγμένος από τον Ήφαιστο φρουρεί την Κρήτη, κάνοντας τον γύρο του νησιού. Ένα μυθικό ρομπότ-φύλακας, με ένα αδύναμο σημείο.
Βρέθηκε το 1901 σε ναυάγιο και χρονολογείται περίπου στον 2ο–1ο αιώνα π.Χ. Με δεκάδες γρανάζια υπολόγιζε τις θέσεις του Ήλιου και της Σελήνης και προέβλεπε εκλείψεις. Συχνά τον αποκαλούν «ο πρώτος αναλογικός υπολογιστής». Εκτίθεται στο Εθνικό Αρχαιολογικό Μουσείο.
Περιγράφει αυτόματα θεάματα, όπως πουλιά που κελαηδούν με αέρα και νερό, και ένα καρότσι που κινείται μόνο του. Ένα σχοινί τυλιγμένο γύρω από τον άξονα, με πασσαλάκια σε επιλεγμένα σημεία, καθορίζει πότε θα πάει ευθεία και πότε θα στρίψει. Με σημερινούς όρους, ένα πρόγραμμα αποθηκευμένο σε σχοινί.
Φτιάξε το «σχοινί» με τις εντολές και πάτα «Ξεκίνα». Οδήγησε το καρότσι από την αφετηρία στον ναό, χωρίς να χτυπήσει σε κολόνα. Το καρότσι δεν βλέπει τίποτα: ακολουθεί μόνο τις εντολές σου.
Τι κρατάμε
Το όνειρο της «σκεπτόμενης μηχανής» είναι πολύ παλαιότερο από τους υπολογιστές, και οι Έλληνες ήταν από τους πρώτους που το κατέγραψαν.
Ο Μηχανισμός των Αντικυθήρων και το καρότσι του Ήρωνα δείχνουν δύο βασικές ιδέες της πληροφορικής: τον υπολογισμό με μηχανικό τρόπο και το αποθηκευμένο πρόγραμμα.
Ένα πρόγραμμα, όσο έξυπνο κι αν φαίνεται, κάνει μόνο ό,τι του έχει οριστεί. Αυτό θα αλλάξει μόνο όταν οι μηχανές αρχίσουν να μαθαίνουν από δεδομένα.
Freeth, T. et al. (2006). Decoding the ancient Greek astronomical calculator known as the Antikythera Mechanism. Nature.
Ήρων ο Αλεξανδρεύς, Περί αυτοματοποιητικής· Πνευματικά.
Mayr, O. (1970). The Origins of Feedback Control. MIT Press.
Mayor, A. (2018). Gods and Robots: Myths, Machines, and Ancient Dreams of Technology. Princeton University Press.
1
Οι απαρχές
Αίθουσα 1, 1943–1966
Πριν υπάρξουν ισχυροί υπολογιστές, υπήρχε μια ερώτηση. Μαθηματικοί και μηχανικοί αναρωτήθηκαν αν η σκέψη μπορεί να περιγραφεί με κανόνες. Αν ναι, τότε ίσως μια μηχανή να μπορούσε να την ακολουθήσει.
Κεντρικό έκθεμαΣυνομιλία με την ELIZAΈτσι έμοιαζε η συζήτηση με ένα chatbot το 1966: κεφαλαία γράμματα σε οθόνη τερματικού.
Απόδοση με ΤΝ
1943
Ο τεχνητός νευρώνας
Οι McCulloch και Pitts περιγράφουν τον νευρώνα του εγκεφάλου ως απλό μαθηματικό διακόπτη: ενεργοποιείται ή όχι. Είναι ο πρόγονος των σημερινών νευρωνικών δικτύων.
Μια ομάδα ερευνητών συναντιέται ένα καλοκαίρι στις ΗΠΑ. Ο όρος «τεχνητή νοημοσύνη», που είχε προταθεί έναν χρόνο νωρίτερα, γίνεται το όνομα ενός νέου επιστημονικού πεδίου.
Ο Joseph Weizenbaum στο MIT φτιάχνει ένα πρόγραμμα που μιμείται ψυχοθεραπευτή. Δεν καταλαβαίνει τίποτα, αλλά πολλοί χρήστες πίστεψαν ότι τους καταλάβαινε.
Γράψε της κάτι, π.χ. «Νιώθω κουρασμένος σήμερα» ή «Η μητέρα μου με αγχώνει». Μετά άνοιξε το «Δες τι γίνεται από πίσω».
Στείλε ένα μήνυμα για να δεις ποιος κανόνας ενεργοποιείται.
Τι κρατάμε
Η ELIZA ψάχνει λέξεις-κλειδιά και αντιγράφει κομμάτια της φράσης σου σε έτοιμα πρότυπα. Δεν «ξέρει» τι σημαίνουν.
Στα ελληνικά, με τις κλίσεις και τα ρήματα, οι απαντήσεις της βγαίνουν συχνά άβολες. Αυτό δείχνει ακριβώς ότι δεν καταλαβαίνει.
Το «φαινόμενο ELIZA» ισχύει ακόμα: τείνουμε να αποδίδουμε κατανόηση σε κάτι που απλώς απαντά πειστικά.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
McCulloch, W. & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity.
Turing, A. (1950). Computing Machinery and Intelligence. Mind.
McCarthy, J. et al. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
Rosenblatt, F. (1958). The Perceptron. Psychological Review.
Weizenbaum, J. (1966). ELIZA. Communications of the ACM.
2
Οι χειμώνες της ΤΝ
Αίθουσα 2, 1969–1997
Οι πρώτοι ερευνητές υπόσχονταν πολλά και γρήγορα. Όταν τα αποτελέσματα άργησαν, τα χρήματα κόπηκαν. Αυτές οι περίοδοι ονομάστηκαν «χειμώνες της ΤΝ». Ανάμεσά τους, μια ιδέα φάνηκε να δουλεύει: να γράψουμε τη γνώση των ειδικών σε κανόνες.
Κεντρικό έκθεμαDeep Blue, 1997Ο ένας από τους δύο πύργους του Deep Blue, όπως εκτίθεται σήμερα στο Computer History Museum. Με αυτό το μηχάνημα η ΤΝ βγήκε από τον χειμώνα.Φωτογραφία: James the photographer, CC BY 2.0, μέσω Wikimedia Commons
Απόδοση με ΤΝ
1969
Τα όρια του perceptron
Οι Minsky και Papert δείχνουν μαθηματικά ότι ένα απλό perceptron δεν μπορεί να λύσει ορισμένα βασικά προβλήματα. Η έρευνα στα νευρωνικά δίκτυα σχεδόν σταματά για χρόνια.
Μια έκθεση για λογαριασμό της βρετανικής κυβέρνησης κρίνει ότι η ΤΝ δεν πέτυχε τους στόχους της. Η χρηματοδότηση μειώνεται και ξεκινά ο πρώτος χειμώνας.
Προγράμματα με εκατοντάδες ή χιλιάδες κανόνες «αν… τότε…» μπαίνουν στις επιχειρήσεις. Το XCON της Digital Equipment διαμορφώνει παραγγελίες υπολογιστών και εξοικονομεί σημαντικά ποσά.
Τα έμπειρα συστήματα αποδεικνύονται ακριβά στη συντήρηση και εύθραυστα μπροστά σε κάθε εξαίρεση. Η αγορά των εξειδικευμένων υπολογιστών για ΤΝ καταρρέει.
Ο υπολογιστής της IBM κερδίζει τον παγκόσμιο πρωταθλητή στο σκάκι. Δεν «σκέφτεται» σαν άνθρωπος: εξετάζει εκατομμύρια κινήσεις το δευτερόλεπτο. Η ΤΝ επιστρέφει στα πρωτοσέλιδα.
Το σύστημα αναγνωρίζει ζώα με κανόνες. Ελέγχει τους κανόνες από πάνω προς τα κάτω και κρατά τον πρώτο που ταιριάζει. Ενεργοποίησε ή απενεργοποίησε κανόνες για να τα βρει όλα σωστά.
Ζώο
Χαρακτηριστικά
Απάντηση
Τι κρατάμε
Οι κανόνες δουλεύουν όσο ο κόσμος είναι προβλέψιμος. Κάθε εξαίρεση θέλει νέο κανόνα, και κάθε νέος κανόνας μπορεί να χαλάσει έναν παλιό.
Αυτό έκανε τα έμπειρα συστήματα ακριβά και εύθραυστα, και οδήγησε στην επόμενη ιδέα: αντί να γράφουμε κανόνες, να αφήσουμε τη μηχανή να μάθει από παραδείγματα.
Οι «χειμώνες» δείχνουν και κάτι για το σήμερα: η υπερβολική προσδοκία είναι ρίσκο για κάθε τεχνολογία.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Minsky, M. & Papert, S. (1969). Perceptrons. MIT Press.
Lighthill, J. (1973). Artificial Intelligence: A General Survey. Science Research Council.
McDermott, J. (1982). R1: A Rule-Based Configurer of Computer Systems. Artificial Intelligence.
Campbell, M., Hoane, A. J. & Hsu, F. (2002). Deep Blue. Artificial Intelligence.
3
Πώς μαθαίνει μια μηχανή
Αίθουσα 3, 1959–σήμερα
Στη μηχανική μάθηση δεν γράφουμε κανόνες. Δίνουμε στη μηχανή παραδείγματα με τη σωστή απάντηση και την αφήνουμε να βρει μόνη της το μοτίβο. Άρα ό,τι υπάρχει στα παραδείγματα, καλό ή στραβό, περνά στο μοντέλο.
Κεντρικό έκθεμαΈνα σύνολο δεδομένωνΗ μηχανή μαθαίνει από παραδείγματα με ετικέτες. Τι θα πει για το πράσινο φρούτο που δεν έχει ξαναδεί;
Απόδοση με ΤΝ
1959
Ο όρος «μηχανική μάθηση»
Ο Arthur Samuel της IBM φτιάχνει πρόγραμμα ντάμας που βελτιώνεται παίζοντας ξανά και ξανά, και χρησιμοποιεί τον όρο «machine learning».
Η ομάδα της Fei-Fei Li δημιουργεί μια τεράστια βάση εκατομμυρίων φωτογραφιών με ετικέτες. Γίνεται φανερό ότι η ποσότητα και η ποιότητα των δεδομένων μετρούν όσο και ο αλγόριθμος.
Οι Joy Buolamwini και Timnit Gebru δείχνουν ότι εμπορικά συστήματα ανάλυσης προσώπου κάνουν πολύ περισσότερα λάθη σε γυναίκες με σκούρο δέρμα απ' ό,τι σε άντρες με ανοιχτό δέρμα. Αιτία: μη αντιπροσωπευτικά δεδομένα.
Δημοσιεύματα αποκαλύπτουν ότι η Amazon εγκατέλειψε πειραματικό σύστημα αξιολόγησης βιογραφικών, επειδή είχε «μάθει» από ιστορικά δεδομένα να υποβαθμίζει υποψήφιες γυναίκες.
Το μοντέλο κοιτά δύο πράγματα: χρώμα και μέγεθος. Για κάθε νέο φρούτο βρίσκει το πιο κοντινό παράδειγμα που του έδωσες και αντιγράφει την ετικέτα του. Διάλεξε τα παραδείγματα εκπαίδευσης και δες πόσα σωστά βγάζει στο τεστ.
Παραδείγματα εκπαίδευσης
Φρούτο τεστ
Το μοντέλο λέει
Πιο κοντινό παράδειγμα
Τι κρατάμε
Ένα μοντέλο είναι τόσο καλό όσο τα παραδείγματα που είδε. Αν δει μόνο κόκκινα μήλα, ένα πράσινο μήλο του φαίνεται κάτι άλλο.
Η προκατάληψη (bias) συνήθως δεν μπαίνει επίτηδες. Μπαίνει από δεδομένα που λείπουν ή που αντιγράφουν άδικες αποφάσεις του παρελθόντος.
Πριν εμπιστευτείς ένα σύστημα ΤΝ, ρώτα: με ποια δεδομένα εκπαιδεύτηκε και ποιοι λείπουν από αυτά;
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Samuel, A. (1959). Some Studies in Machine Learning Using the Game of Checkers. IBM Journal.
Deng, J. et al. (2009). ImageNet: A Large-Scale Hierarchical Image Database. CVPR.
Buolamwini, J. & Gebru, T. (2018). Gender Shades. Proceedings of Machine Learning Research.
Reuters (2018). Amazon scraps secret AI recruiting tool that showed bias against women.
4
Νευρωνικά δίκτυα
Αίθουσα 4, 1986–2024
Ένας τεχνητός νευρώνας κάνει κάτι απλό: ζυγίζει τις πληροφορίες που δέχεται και αποφασίζει «ναι» ή «όχι». Η δύναμη έρχεται όταν συνδέσεις χιλιάδες ή δισεκατομμύρια τέτοιους νευρώνες σε στρώματα και τους αφήσεις να ρυθμίσουν μόνοι τους τα «βάρη» τους.
Κεντρικό έκθεμαΈνα μικρό νευρωνικό δίκτυοΚάθε γραμμή είναι ένα βάρος. Η μάθηση είναι η ρύθμιση όλων αυτών των γραμμών.
Απόδοση με ΤΝ
1986
Η οπισθοδιάδοση
Οι Rumelhart, Hinton και Williams δείχνουν πώς ένα δίκτυο με πολλά στρώματα μπορεί να διορθώνει τα λάθη του, περνώντας το σφάλμα προς τα πίσω. Έτσι ξεπερνιέται το όριο που είχαν δείξει οι Minsky και Papert.
Ο Yann LeCun εκπαιδεύει δίκτυο να αναγνωρίζει χειρόγραφα ψηφία σε ταχυδρομικούς κώδικες. Παρόμοια συστήματα χρησιμοποιήθηκαν αργότερα για την ανάγνωση επιταγών.
Ένα βαθύ δίκτυο, εκπαιδευμένο σε κάρτες γραφικών, κερδίζει τον διαγωνισμό αναγνώρισης εικόνων ImageNet με μεγάλη διαφορά. Ξεκινά η εποχή του deep learning.
Ο νευρώνας κοιτά δύο πράγματα: αν έχει ήλιο και αν έρχεται ένας φίλος. Διάλεξε έναν κανόνα απόφασης και ρύθμισε τα βάρη με το χέρι, ή άφησέ τον να μάθει μόνος του από τα λάθη του.
Ήλιος
Φίλος
Σωστή απόφαση
Ο νευρώνας λέει
Ο νευρώνας προσθέτει: (ήλιος × βάρος) + (φίλος × βάρος) + προδιάθεση. Αν το αποτέλεσμα είναι πάνω από το μηδέν, λέει «πάω».
Τι κρατάμε
«Μάθηση» σε ένα νευρωνικό δίκτυο σημαίνει μικρές διορθώσεις στα βάρη, ξανά και ξανά, μέχρι να μειωθούν τα λάθη.
Ένας μόνο νευρώνας δεν μπορεί να μάθει τον κανόνα «ακριβώς ένα». Χρειάζονται πολλά στρώματα, και αυτό εννοούμε με «βαθιά» μάθηση.
Τα σημερινά γλωσσικά μοντέλα της επόμενης αίθουσας είναι, στον πυρήνα τους, τέτοια δίκτυα με δισεκατομμύρια βάρη.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Rumelhart, D., Hinton, G. & Williams, R. (1986). Learning representations by back-propagating errors. Nature.
LeCun, Y. et al. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation.
Krizhevsky, A., Sutskever, I. & Hinton, G. (2012). ImageNet Classification with Deep Convolutional Neural Networks. NeurIPS.
Silver, D. et al. (2016). Mastering the game of Go with deep neural networks and tree search. Nature.
The Royal Swedish Academy of Sciences (2024). The Nobel Prize in Physics 2024.
5
Γλώσσα και τα πρώτα LLM
Αίθουσα 5, 1948–2022
Ένα γλωσσικό μοντέλο κάνει, στον πυρήνα του, κάτι απλό: προβλέπει ποια λέξη έρχεται μετά. Η ιδέα είναι παλιά. Αυτό που άλλαξε είναι η κλίμακα: πόσα κείμενα διαβάζει και πόσο μακριά «κοιτάει» μέσα στη φράση.
Κεντρικό έκθεμαΟ μηχανισμός προσοχήςΗ ιδέα του Transformer: κάθε λέξη «κοιτάζει» όλες τις άλλες για να καταλάβει σε ποια αναφέρεται.
Απόδοση με ΤΝ
1948
Ο Shannon μετρά την πρόβλεψη
Ο Claude Shannon δείχνει ότι μπορείς να παράγεις κείμενο που μοιάζει με αγγλικά απλώς μετρώντας ποιες λέξεις ακολουθούν ποιες.
Ερευνητές της Google δημοσιεύουν το «Attention Is All You Need». Ο μηχανισμός προσοχής επιτρέπει στο μοντέλο να συνδέει κάθε λέξη με όλες τις υπόλοιπες της φράσης.
Πάτησε μια λέξη. Θα δεις ποιες άλλες λέξεις μπορούν να έχουν μεγαλύτερο βάρος όταν ο μηχανισμός attention σχηματίζει την αναπαράστασή της.
Σημαντικό: πρόκειται για εκπαιδευτική προσομοίωση. Τα βάρη είναι ενδεικτικά και δεν είναι έξοδος συγκεκριμένου μοντέλου. Επίσης, τα attention weights δεν αποτελούν από μόνα τους πλήρη εξήγηση του γιατί ένα μοντέλο έδωσε μια απάντηση.
Διαδραστικό έκθεμα
Μάντεψε την επόμενη λέξη
Αυτό κάνει ένα LLM σε κάθε βήμα. Διάλεξε τη λέξη που ταιριάζει καλύτερα και δες πώς θα «ψήφιζε» ένα μοντέλο.
Τα ποσοστά είναι ενδεικτικά, για να φανεί η ιδέα. Ένα πραγματικό μοντέλο υπολογίζει πιθανότητα για δεκάδες χιλιάδες λέξεις κάθε φορά.
Διαδραστικό έκθεμα
Εκπαίδευσε το δικό σου μίνι γλωσσικό μοντέλο
Το μοντέλο διαβάζει το κείμενο και μετρά ποια λέξη ακολουθεί ποια, όπως πρότεινε ο Shannon. Πάτα «Γράψε μια φράση» και μετά πάτα σε οποιαδήποτε λέξη για να δεις τι «σκέφτηκε» για τη συνέχεια. Μπορείς να αντικαταστήσεις το κείμενο με δικό σου.
Τι κρατάμε
Ένα LLM δεν «αναζητά» την απάντηση. Παράγει, λέξη προς λέξη, την πιο πιθανή συνέχεια.
Το μίνι μοντέλο σου βλέπει μόνο την προηγούμενη λέξη, γι' αυτό χάνει γρήγορα το νόημα. Ο Transformer βλέπει ολόκληρο το κείμενο, και γι' αυτό τα σύγχρονα μοντέλα είναι πολύ πιο συνεκτικά.
Φράση που «ακούγεται σωστή» δεν σημαίνει φράση που είναι αληθινή. Από εδώ ξεκινούν οι λεγόμενες ψευδαισθήσεις της ΤΝ.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Shannon, C. (1948). A Mathematical Theory of Communication.
Mikolov, T. et al. (2013). Efficient Estimation of Word Representations in Vector Space.
Vaswani, A. et al. (2017). Attention Is All You Need.
Radford, A. et al. (2018). Improving Language Understanding by Generative Pre-Training. Devlin, J. et al. (2018). BERT.
Brown, T. et al. (2020). Language Models are Few-Shot Learners.
6
Πώς φτιάχνεται ένα LLM σήμερα
Αίθουσα 6, η γραμμή παραγωγής
Ένα σύγχρονο γλωσσικό μοντέλο δεν «γράφεται» από προγραμματιστές γραμμή προς γραμμή. Περνά από μια σειρά σταδίων, σαν γραμμή παραγωγής, που κρατά μήνες και κοστίζει πολύ. Σε κάθε στάδιο κερδίζει κάτι και κουβαλά κάτι.
Κεντρικό έκθεμαΟ επεξεργαστής γραφικώνΟι κάρτες γραφικών, φτιαγμένες αρχικά για παιχνίδια, έγιναν η μηχανή εκπαίδευσης της σύγχρονης ΤΝ.
Απόδοση με ΤΝ
1
Συλλογή δεδομένων
Τεράστιες ποσότητες κειμένου: ιστοσελίδες, βιβλία, κώδικας. Η επιλογή και ο καθαρισμός τους καθορίζουν τι θα «ξέρει» το μοντέλο, και ποιες προκαταλήψεις θα κουβαλά.
Το μοντέλο μαθαίνει να προβλέπει το επόμενο token, δισεκατομμύρια φορές, σε χιλιάδες επεξεργαστές. Εδώ αποκτά γλώσσα και γενικές γνώσεις, αλλά δεν ξέρει ακόμα να συνομιλεί.
Άνθρωποι, ή και άλλα μοντέλα, αξιολογούν απαντήσεις. Το μοντέλο ενισχύεται προς τις πιο χρήσιμες, ειλικρινείς και ασφαλείς. Γνωστή τεχνική είναι η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF).
Τα μοντέλα μερικές φορές επινοούν στοιχεία με απόλυτη σιγουριά. Σε κάθε απάντηση, μία πρόταση είναι λάθος. Πάτα αυτή που νομίζεις.
Διαδραστικό έκθεμα
Πώς «βλέπει» το κείμενο ένα μοντέλο
Γράψε μια φράση και δες πώς θα μπορούσε να κομματιαστεί σε tokens. Δοκίμασε την ίδια φράση στα ελληνικά και στα αγγλικά.
Τι κρατάμε
Ένα LLM είναι προϊόν πολλών ανθρώπινων αποφάσεων: ποια δεδομένα, ποιες αξιολογήσεις, ποιοι κανόνες ασφάλειας.
Οι «ψευδαισθήσεις» δεν είναι βλάβη που θα διορθωθεί με ένα κουμπί. Προκύπτουν από τον ίδιο τον τρόπο λειτουργίας: παραγωγή πιθανής συνέχειας, όχι επαλήθευση.
Τα ελληνικά συνήθως χρειάζονται περισσότερα tokens από τα αγγλικά. Αυτό μπορεί να σημαίνει λίγο μεγαλύτερο κόστος και μικρότερο «χώρο» για κείμενο στα ελληνικά.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Ouyang, L. et al. (2022). Training language models to follow instructions with human feedback.
Sennrich, R. et al. (2016). Neural Machine Translation of Rare Words with Subword Units.
Ji, Z. et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys.
7
Κοινωνία και ηθική
Αίθουσα 7, οι ερωτήσεις που μένουν ανοιχτές
Η τεχνολογία δεν είναι ούτε καλή ούτε κακή από μόνη της. Οι επιλογές για το πού, πώς και με ποιους κανόνες τη χρησιμοποιούμε είναι ανθρώπινες. Σε αυτή την αίθουσα δεν υπάρχουν σωστές απαντήσεις, μόνο συνέπειες.
Κεντρικό έκθεμαΗ ζυγαριάΚάθε χρήση της ΤΝ ζυγίζει οφέλη και κινδύνους. Το ποιος κρατά τη ζυγαριά είναι ανθρώπινη απόφαση.
Απόδοση με ΤΝ
2017
Deepfakes
Ο όρος εμφανίζεται για βίντεο όπου το πρόσωπο κάποιου αντικαθίσταται με ΤΝ. Σήμερα φωνή, εικόνα και βίντεο μπορούν να πλαστογραφηθούν εύκολα, κάτι που αφορά την ενημέρωση, τις εκλογές και τις απάτες.
Η απεργία των σεναριογράφων του Χόλιγουντ περιλαμβάνει όρους για τη χρήση της ΤΝ. Το ερώτημα είναι ευρύτερο: ποιες δουλειές αλλάζουν, ποιες χάνονται και ποιες γεννιούνται;
Συγγραφείς, καλλιτέχνες και μέσα ενημέρωσης, όπως οι New York Times, προσφεύγουν στα δικαστήρια για τη χρήση των έργων τους στην εκπαίδευση μοντέλων. Πολλές υποθέσεις εκκρεμούν ακόμα.
Η ΕΕ υιοθετεί τον πρώτο ολοκληρωμένο νόμο για την ΤΝ, που εφαρμόζεται σταδιακά. Απαγορεύει ορισμένες πρακτικές και βάζει αυστηρούς κανόνες σε εφαρμογές «υψηλού κινδύνου», όπως οι προσλήψεις και η εκπαίδευση.
Τέσσερα πραγματικά διλήμματα. Διάλεξε και δες τι κερδίζεις και τι ρισκάρεις με την επιλογή σου.
Διαδραστικό έκθεμα
Ο AI Act στην πράξη
Διάβασε κάθε χρήση ΤΝ και διάλεξε ποιο καθεστώς ταιριάζει καλύτερα. Οι περιπτώσεις είναι απλουστευμένες για εκπαιδευτικούς σκοπούς· η πραγματική νομική αξιολόγηση εξαρτάται από το συγκεκριμένο σύστημα και τη χρήση του.
Βάση: Κανονισμός (ΕΕ) 2024/1689. Η εφαρμογή του Κανονισμού γίνεται σταδιακά και οι υποχρεώσεις διαφέρουν ανά περίπτωση. Ενημέρωση 7/10/2026: οι υποχρεώσεις διαφάνειας του άρθρου 50 εφαρμόζονται από 2/8/2026.
Τι κρατάμε
Οι περισσότερες συζητήσεις για την ΤΝ είναι συζητήσεις για ισορροπίες: ταχύτητα ή δικαιοσύνη, ασφάλεια ή ιδιωτικότητα, ευκολία ή μάθηση.
Πριν μοιραστείς κάτι εντυπωσιακό, έλεγξε την πηγή. Η πιο απλή άμυνα απέναντι στα deepfakes είναι ακόμα η πιο αποτελεσματική.
Η ενέργεια και το νερό που καταναλώνουν τα κέντρα δεδομένων είναι κι αυτό μέρος του κόστους της ΤΝ.
Τεκμηρίωση της αίθουσας (ενημέρωση: Οκτώβριος 2026)
Κανονισμός (ΕΕ) 2024/1689 για την τεχνητή νοημοσύνη (AI Act).
Writers Guild of America (2023). Summary of the 2023 WGA MBA.
The New York Times Co. v. Microsoft Corp. & OpenAI (2023), Περιφερειακό Δικαστήριο Νότιας Νέας Υόρκης.
Chesney, R. & Citron, D. (2019). Deep Fakes: A Looming Challenge for Privacy, Democracy, and National Security. California Law Review.
8
Η Τεχνητή Νοημοσύνη στην Ελλάδα
Αίθουσα 8, από τη γλωσσική τεχνολογία στις εθνικές υποδομές
Η σύγχρονη ελληνική ιστορία της ΤΝ δεν αρχίζει με ένα chatbot. Ξεκινά από τη γλωσσική τεχνολογία και την έρευνα, περνά σε ανοικτά ελληνικά μοντέλα και φτάνει σήμερα σε εθνικές υποδομές υπολογισμού και εφαρμογές του δημόσιου τομέα.
Κεντρικό έκθεμαΜια μικρή γλώσσα στην εποχή των μεγάλων μοντέλωνΤα ελληνικά έχουν πολύ λιγότερο ψηφιακό υλικό από τα αγγλικά. Η αίθουσα ακολουθεί τις προσπάθειες να αποκτήσουν δικούς τους πόρους, μοντέλα και υπολογιστική υποδομή.
Κάθε οπτικό έχει τη δική του προέλευση. Τα διαγράμματα εξηγούν έννοιες· οι φωτογραφίες κατονομάζουν το πραγματικό αντικείμενο και τον τόπο.
Εκπαιδευτικό διάγραμμα
1985
EUROTRA: οι μηχανές μεταφράζουν ελληνικά
Μια μικρή ομάδα Ελλήνων γλωσσολόγων και πληροφορικών συμμετέχει στο ευρωπαϊκό EUROTRA, με στόχο την αυτόματη μετάφραση από και προς τις κοινοτικές γλώσσες. Η προσπάθεια γίνεται η αφετηρία μιας οργανωμένης ελληνικής παράδοσης στη γλωσσική τεχνολογία.
Στον Δημόκριτο ιδρύεται το SKEL, ένα εργαστήριο που εξελίσσεται σε έναν από τους μεγαλύτερους ελληνικούς ερευνητικούς πυρήνες ΤΝ, με έργο στην ανάλυση δεδομένων και στην έξυπνη αλληλεπίδραση ανθρώπου και υπολογιστή.
Η ομάδα του EUROTRA αποκτά μόνιμη θεσμική μορφή με την ίδρυση του Ινστιτούτου Επεξεργασίας του Λόγου. Η έρευνα επεκτείνεται από τη μετάφραση σε ομιλία, γλωσσικούς πόρους, πολιτισμό και αλληλεπίδραση ανθρώπου και μηχανής.
Ερευνητές παρουσιάζουν ένα BERT εκπαιδευμένο ειδικά σε ελληνικό κείμενο. Το GreekBERT δείχνει γιατί μια γλώσσα με πολύ λιγότερα δεδομένα από τα αγγλικά χρειάζεται δικά της μοντέλα και αξιολογήσεις.
Στο Ερευνητικό Κέντρο «Αθηνά» ιδρύεται μονάδα για βασική και εφαρμοσμένη έρευνα στην ΤΝ, την επιστήμη δεδομένων και τους αλγορίθμους, με στόχο να συνδέσει ερευνητές στην Ελλάδα και στο εξωτερικό.
Ο ψηφιακός βοηθός του gov.gr φέρνει παραγωγική ΤΝ σε μια υπηρεσία που απευθύνεται σε όλους τους πολίτες. Η σημασία του βρίσκεται λιγότερο στην τεχνική πρωτοτυπία και περισσότερο στην κλίμακα και στο δημόσιο πλαίσιο χρήσης.
Το ΙΕΛ παρουσιάζει το Meltemi, ανοικτό μεγάλο γλωσσικό μοντέλο σχεδιασμένο για τα ελληνικά. Η ανάπτυξή του αναδεικνύει το πρόβλημα των γλωσσών με λιγότερους ψηφιακούς πόρους.
Το Llama-Krikri επεκτείνει την προσπάθεια με μεγαλύτερο ελληνικό σώμα εκπαίδευσης, μεγαλύτερο παράθυρο συμφραζομένων και υποστήριξη για περισσότερες εργασίες. Διατίθεται ανοικτά για έρευνα και εφαρμογές.
Η Ελλάδα συμμετέχει στο ευρωπαϊκό δίκτυο AI Factories με το PHAROS. Η υποδομή επικεντρώνεται, μεταξύ άλλων, στην ελληνική γλώσσα και τον πολιτισμό, στην υγεία και στη βιωσιμότητα.
Ο υπερυπολογιστής DAEDALUS δίνει στην ελληνική έρευνα νέα υπολογιστική ισχύ για επιστήμη και ΤΝ. Τον Ιούνιο του 2026 κατατάσσεται 31ος στο TOP500, με μετρημένη επίδοση 85,69 petaflops.
Blue Gene/P στο Argonne National Laboratory, ΗΠΑ (2007). Παράδειγμα υπερυπολογιστικής υποδομής· δεν απεικονίζει τον DAEDALUS. Argonne National Laboratory · CC BY-SA 2.0 · Πηγή φωτογραφίας · Άδεια χρήσης Αλλαγή μεγέθους και περιθώρια 4:3, χωρίς περικοπή.
Διάλεξε ένα είδος ελληνικού κειμένου. Η δραστηριότητα δεν είναι benchmark συγκεκριμένου μοντέλου· δείχνει γιατί η ποσότητα και η ποικιλία των δεδομένων έχουν σημασία.
Διάλεξε ένα παράδειγμα.
Τι κρατάμε
Η ελληνική ΤΝ δεν είναι μόνο εφαρμογές. Είναι δεκαετίες έρευνας σε γλώσσα, δεδομένα και αλγορίθμους.
Για μια γλώσσα με λιγότερα δεδομένα, η ψηφιακή παρουσία δεν είναι αυτονόητη. Χρειάζονται ανοικτοί πόροι, μοντέλα και αξιολόγηση.
Οι νέες υποδομές, όπως PHAROS και DAEDALUS, δεν εγγυώνται καινοτομία από μόνες τους· δίνουν όμως στην έρευνα και στη βιομηχανία δυνατότητες που παλαιότερα έλειπαν.
Τεκμηρίωση της αίθουσας (ενημέρωση: 8 Οκτωβρίου 2026)
ΕΔΥΤΕ / GRNET, DAEDALUS.Τη μετρημένη επίδοση και την κατάταξη του DAEDALUS στο TOP500 του Ιουνίου 2026.
9
Το μέλλον της Τεχνητής Νοημοσύνης
Αίθουσα 9, τάσεις, σενάρια και αβεβαιότητα
Η αίθουσα δεν προσπαθεί να προβλέψει το μέλλον σαν να ήταν βέβαιο. Ξεχωρίζει όσα συμβαίνουν ήδη, τις ισχυρές τεχνολογικές τάσεις και όσα παραμένουν ουσιαστικά αβέβαια.
Κεντρικό έκθεμαΤρεις δρόμοι, όχι μία προφητείαΆλλο κάτι που ήδη συμβαίνει, άλλο μια ισχυρή τάση και άλλο ένα σενάριο με μεγάλη αβεβαιότητα. Η αίθουσα κρατά αυτές τις κατηγορίες χωριστά.
Κάθε οπτικό έχει τη δική του προέλευση. Τα διαγράμματα εξηγούν έννοιες· οι φωτογραφίες κατονομάζουν το πραγματικό αντικείμενο και τον τόπο.
Εκπαιδευτικό διάγραμμα
2026 →Συμβαίνει ήδη
Από το chatbot στον πράκτορα
Τα συστήματα ΤΝ αρχίζουν να χρησιμοποιούν υπολογιστές και εργαλεία για να ολοκληρώνουν ακολουθίες ενεργειών. Στο OSWorld, οι επιδόσεις agents ανέβηκαν περίπου από 12% σε 66,3% μέσα σε έναν χρόνο, αλλά εξακολουθούν να αποτυγχάνουν περίπου στη μία από τις τρεις δοκιμές.
Η ρομποτική συνδέεται με μοντέλα όρασης και γλώσσας. Παρ’ όλα αυτά, η απόσταση ανάμεσα σε ένα ελεγχόμενο εργαστήριο και ένα απρόβλεπτο σπίτι παραμένει μεγάλη: ο AI Index αναφέρει μόλις 12% επιτυχία σε πραγματικές οικιακές εργασίες.
Το ανθρωποειδές ρομπότ Valkyrie / R5 της NASA (2013). Πραγματικό ερευνητικό ρομπότ· δεν αποτελεί απόδειξη γενικής οικιακής αυτονομίας. NASA / Bill Stafford, James Blair, Regan Geeseman · Public domain (NASA) · Πηγή φωτογραφίας · Άδεια χρήσης Αλλαγή μεγέθους και περιθώρια 4:3, χωρίς περικοπή.
Τα self-driving laboratories συνδυάζουν ΤΝ, ρομποτική και αυτοματισμό: το σύστημα προτείνει ένα πείραμα, το εκτελεί και χρησιμοποιεί τα αποτελέσματα για το επόμενο βήμα. Σήμερα λειτουργούν κυρίως σε στενά, καλά ορισμένα πεδία.
Η ΤΝ χρησιμοποιείται ήδη σε διάγνωση, σχεδιασμό φαρμάκων και έρευνα για ιατρικά digital twins. Τα πρώτα αποτελέσματα είναι υποσχόμενα, αλλά η κλινική αξιοπιστία και η γενίκευση χρειάζονται αυστηρή αξιολόγηση.
Η παραγωγική ΤΝ έχει ήδη μπει μαζικά στη μελέτη και στην εκπαίδευση. Το κρίσιμο ερώτημα μετακινείται από το «θα τη χρησιμοποιήσουν οι μαθητές;» στο «τι πρέπει να μαθαίνει ο άνθρωπος όταν η μηχανή μπορεί να γράψει, να λύσει και να εξηγήσει;».
Η εργασία αλλάζει καθήκοντα πριν αλλάξει επαγγέλματα
Η ILO εκτιμά ότι ένας στους τέσσερις εργαζομένους βρίσκεται σε επάγγελμα με κάποιο βαθμό έκθεσης στη generative AI. Η πιο πιθανή βραχυπρόθεσμη επίδραση είναι ο μετασχηματισμός καθηκόντων και όχι η αυτόματη εξαφάνιση ολόκληρων επαγγελμάτων.
Το μέλλον δεν ανήκει μόνο σε ολοένα μεγαλύτερα μοντέλα. Μικρότερα συστήματα μπορούν να τρέχουν τοπικά, να εξειδικεύονται σε συγκεκριμένα πεδία και να προσφέρουν χαμηλότερο κόστος ή καλύτερη ιδιωτικότητα.
Η ΤΝ απαιτεί φυσική υποδομή: chips, data centres, ψύξη και ηλεκτρική ενέργεια. Στο βασικό σενάριο της IEA, η κατανάλωση ηλεκτρισμού των data centres παγκοσμίως περίπου διπλασιάζεται και φτάνει γύρω στις 945 TWh το 2030.
Πίσω όψη των racks του Hopper στο NERSC (2011): η φυσική υποδομή πίσω από τους υπολογισμούς. Δεν είναι σύγχρονο κέντρο ΤΝ ούτε μέτρηση κατανάλωσης ενέργειας. Derrick Coetzee (Dcoetzee) · CC0 1.0 · Πηγή φωτογραφίας · Άδεια χρήσης Αλλαγή μεγέθους και περιθώρια 4:3, χωρίς περικοπή.
Όσο η ΤΝ περνά σε κρίσιμες αποφάσεις, αυξάνονται οι απαιτήσεις για διαφάνεια, αξιολόγηση, προέλευση περιεχομένου και λογοδοσία. Στην Ευρώπη ο AI Act εφαρμόζεται σταδιακά και αυτή η εφαρμογή θα συνεχιστεί τα επόμενα χρόνια.
Δεν υπάρχει επιστημονική συμφωνία για το αν ή πότε θα υπάρξει γενική τεχνητή νοημοσύνη. Τα σημερινά συστήματα εμφανίζουν όλο και πιο αυτόνομες ικανότητες, αλλά αυτό δεν ισοδυναμεί με αποδεδειγμένη πορεία προς AGI ή με αναπόφευκτη απώλεια ελέγχου.
Διάλεξε μια κάρτα και αποφάσισε αν περιγράφει κάτι που συμβαίνει ήδη, μια ισχυρή τάση ή μεγάλη αβεβαιότητα. Μετά δες τι λένε τα τεκμήρια.
Χρονοκάψουλα
Τι πιστεύεις ότι θα ισχύει το 2030
Διάλεξε έως τρεις προβλέψεις. Αποθηκεύονται μόνο στη συσκευή σου, ώστε να μπορείς να επιστρέψεις αργότερα και να συγκρίνεις.
Τι κρατάμε
Οι δυνατότητες της ΤΝ προχωρούν γρήγορα, αλλά η πρόοδος είναι άνιση. Ένα σύστημα μπορεί να λύνει δύσκολα προβλήματα και να αποτυγχάνει σε απλές καθημερινές εργασίες.
Η εξέλιξη της ΤΝ εξαρτάται από ενέργεια, chips, δεδομένα, θεσμούς και ανθρώπινες επιλογές, όχι μόνο από καλύτερους αλγορίθμους.
Για AGI, υπερνοημοσύνη και μακροπρόθεσμη απώλεια ελέγχου υπάρχει πραγματική επιστημονική διαφωνία. Η αβεβαιότητα είναι μέρος του εκθέματος.
Τεκμηρίωση της αίθουσας (ενημέρωση: 8 Οκτωβρίου 2026)
Είδες πώς λειτουργεί η ΤΝ και γιατί μπορεί να γράψει κάτι πειστικό αλλά λάθος. Στο εργαστήριο εξασκείσαι στη δεξιότητα που μετρά περισσότερο: να ελέγχεις αυτό που σου απαντά.
Κεντρικό έκθεμαΟ μεγεθυντικός φακόςΤο πιο χρήσιμο εργαλείο απέναντι σε μια πειστική απάντηση: ο έλεγχος.
Διαδραστικό έκθεμα
Έλεγξε την απάντηση
Ρώτησες έναν βοηθό ΤΝ «Ποιος ήταν ο Alan Turing;» και πήρες τις παρακάτω προτάσεις. Δεν είναι όλες ίδιου τύπου. Για καθεμία, διάλεξε τι είναι.
Διαδραστικό έκθεμα
Πριν εμπιστευτείς μια απάντηση
Πέντε ερωτήσεις που αξίζει να κάνεις κάθε φορά. Τσέκαρέ τες σαν λίστα ελέγχου.
Διαδραστικό έκθεμα
Χτίσε ένα καλό αίτημα (prompt)
Μια καλή ερώτηση βοηθά, αλλά δεν αντικαθιστά τον έλεγχο. Ένα μοντέλο δεν μαντεύει τι έχεις στο μυαλό σου. Συμπλήρωσε τα πεδία και δες το αίτημα να γίνεται πιο συγκεκριμένο. Τα παραδείγματα στα πεδία είναι απλώς ιδέες.
Η περιήγηση τελείωσε
Από τις χρυσές βοηθούς του Ηφαίστου ως τα σημερινά LLM, η ιδέα έμεινε ίδια: μηχανές που βοηθούν τον άνθρωπο. Αυτό που άλλαξε είναι ότι τώρα μαθαίνουν από δεδομένα.
Η ΤΝ είναι ισχυρό εργαλείο, όχι αυθεντία. Η κρίση μένει σε σένα.
Το Μουσείο ΤΝ είναι ένα ανεξάρτητο, ανοιχτό ψηφιακό και επιμελητικό εγχείρημα για ανθρώπους που θέλουν να καταλάβουν πώς φτάσαμε στη σημερινή τεχνητή νοημοσύνη χωρίς να χρειάζεται να γνωρίζουν προγραμματισμό. Η πρόσβαση είναι δωρεάν και δεν απαιτεί λογαριασμό. Η ιστορία, τα τεκμήρια και τα πειράματα έχουν την ίδια σημασία: βλέπεις τι συνέβη, δοκιμάζεις την ιδέα και έπειτα ελέγχεις την πηγή.
Τι είδους μουσείο είναι
Το Μουσείο ΤΝ δεν είναι σχολικό μάθημα πίσω από κωδικό πρόσβασης και δεν συνδέεται με εταιρεία τεχνητής νοημοσύνης. Στόχος του είναι η δημόσια, τεκμηριωμένη και προσβάσιμη παρουσίαση της ιστορίας και των ιδεών της ΤΝ. Η ονομασία «μουσείο» περιγράφει τον τρόπο με τον οποίο οργανώνεται και ερμηνεύεται η ψηφιακή συλλογή και δεν δηλώνει ένταξη σε κρατικό ή θεσμικό δίκτυο μουσείων.
Η συλλογή
Η περιήγηση ξεκινά από τις αρχαίες ελληνικές ιδέες για αυτόματα και λογική και φτάνει στα σημερινά γλωσσικά μοντέλα, σε δέκα αίθουσες και ένα εργαστήριο. Τα εκθέματα της αίθουσας 0 δεν παρουσιάζονται ως «αρχαία τεχνητή νοημοσύνη» αλλά ως πρόγονοι των ερωτημάτων που θα συναντήσουμε αργότερα.
Μουσειολογική θέση
Η έκθεση ακολουθεί μια απλή ιδέα. Κάθε φορά που ζητάμε από μια μηχανή να κάνει κάτι που συνδέαμε με την ανθρώπινη σκέψη, αλλάζει και ο τρόπος με τον οποίο ορίζουμε τη νοημοσύνη. Γι’ αυτό παρουσιάζουμε μαζί τις επιτυχίες, τις αποτυχίες και τις διαφωνίες. Δεν αντιμετωπίζουμε την τεχνολογική εξέλιξη ως κάτι αναπόφευκτο ούτε κάθε παλιά αυτόματη μηχανή ως πρόδρομο της ΤΝ.
Επιμελητική και τεχνική πολιτική
Πώς δουλεύουμε
Τεκμηρίωση. Κάθε ιστορικός ή τεχνικός ισχυρισμός συνδέεται, όπου είναι δυνατό, με συγκεκριμένη πρωτογενή ή αξιόπιστη δευτερογενή πηγή.
Εικόνες. Οι πραγματικές φωτογραφίες και τα ιστορικά αντικείμενα ξεχωρίζουν από τις καλλιτεχνικές αποδόσεις. Όταν μια εικόνα έχει δημιουργηθεί με ΤΝ, αναφέρεται καθαρά.
Πρόσβαση. Ο σχεδιασμός ακολουθεί τις αρχές του WCAG 2.2, με πλοήγηση από πληκτρολόγιο, εναλλακτικά κείμενα, επιλογές αντίθεσης, μεγέθους και περιορισμού κίνησης.
Έλεγχος. Οι πηγές και τα δικαιώματα διατηρούνται σε ανοιχτό κατάλογο ώστε να μπορούν να ελεγχθούν και να διορθωθούν.
Κάθε έκθεμα πρέπει να απαντά σε τέσσερις πρακτικές ερωτήσεις. Τι ακριβώς ισχυριζόμαστε; Ποια πηγή το στηρίζει; Τι είναι η εικόνα που βλέπεις; Και ποιο μέρος του κειμένου είναι δική μας επιμελητική σύνδεση; Όπου η βεβαιότητα είναι μικρότερη, αυτό δηλώνεται.
Τι θεωρούμε τεκμήριο
Πρωτογενές τεκμήριοΚείμενο, επιστημονική εργασία, νόμος ή πραγματικό αντικείμενο της εποχής που εξετάζουμε.
Εκπαιδευτική ανακατασκευήΔιάγραμμα ή διαδραστικό μοντέλο που εξηγεί μια ιδέα χωρίς να παρουσιάζεται ως αυθεντικό ιστορικό αντικείμενο.
Καλλιτεχνική απόδοσηΕικονογράφηση που βοηθά την αφήγηση. Αν έχει δημιουργηθεί με ΤΝ, αυτό φαίνεται δίπλα στην εικόνα.
Επιμελητική ερμηνείαΗ σύνδεση που κάνουμε ανάμεσα σε ένα τεκμήριο και στο θέμα της έκθεσης. Δεν παρουσιάζεται ως το ίδιο το ιστορικό γεγονός.
Κάθε αίθουσα έχει ενότητα «Τεκμηρίωση» με τις πηγές της και την ημερομηνία της τελευταίας ενημέρωσης.
Στη συγγραφή και τον σχεδιασμό χρησιμοποιήθηκαν εργαλεία τεχνητής νοημοσύνης. Το περιεχόμενο ελέγχθηκε για την ακρίβειά του, αλλά μπορεί να περιέχει λάθη. Αν εντοπίσεις κάποιο, θα χαρούμε να το διορθώσουμε.
Οι εικόνες με την ένδειξη «Απόδοση με ΤΝ» είναι καλλιτεχνικές αποδόσεις που δημιουργήθηκαν με εργαλείο εικόνων. Δεν είναι φωτογραφίες πραγματικών αντικειμένων ή προσώπων.
Τα διαγράμματα των αιθουσών 3, 4 και 6 είναι εκπαιδευτικές εικονογραφήσεις του μουσείου.
Οι ιστορικές φωτογραφίες προέρχονται από το Wikimedia Commons, με την άδεια και τον δημιουργό τους δίπλα σε καθεμία.
Ανεξαρτησία
Το μουσείο είναι ανεξάρτητο εκπαιδευτικό εγχείρημα. Δεν συνδέεται με εταιρεία τεχνητής νοημοσύνης και δεν προωθεί κάποιο προϊόν. Τα παραδείγματα αφορούν την τεχνολογία γενικά.
Δημιουργός
Ιδέα και επιμέλεια: Κωνσταντίνος Κούστας.
Τελευταία ενημέρωση: Οκτώβριος 2026.
Απόρρητο
Το Μουσείο ΤΝ δεν ζητά λογαριασμό, δεν χρησιμοποιεί cookies και δεν συλλέγει προσωπικά στοιχεία. Παρακάτω εξηγούμε με απλά λόγια τι συμβαίνει όταν το επισκέπτεσαι.
Ό,τι γράφεις στα εκθέματα μένει στη συσκευή σου
Η ELIZA, το μίνι γλωσσικό μοντέλο, το εργαλείο για prompts και όλες οι δραστηριότητες τρέχουν αποκλειστικά μέσα στον browser σου. Ό,τι πληκτρολογείς δεν αποστέλλεται πουθενά.
Τοπική αποθήκευση
Ο browser σου μπορεί να θυμάται την πρόοδο της επίσκεψης, την επιλεγμένη διαδρομή, το μέγεθος γραμμάτων και τις προτιμήσεις εμφάνισης/κίνησης. Όλα αποθηκεύονται τοπικά στη συσκευή σου και δεν αποστέλλονται σε εμάς. Μπορείς να μηδενίσεις την πρόοδο από το λόμπι, να επαναφέρεις τις ρυθμίσεις προσβασιμότητας από το επάνω μενού ή να διαγράψεις τα δεδομένα από τις ρυθμίσεις του browser σου.
Στατιστικά επισκεψιμότητας
Χρησιμοποιούμε το Cloudflare Web Analytics, που μετρά συγκεντρωτικά στοιχεία (π.χ. πόσες επισκέψεις είχε κάθε σελίδα) χωρίς cookies και χωρίς να παρακολουθεί μεμονωμένους επισκέπτες.
Φιλοξενία
Ο ιστότοπος φιλοξενείται στο Cloudflare Pages. Όπως κάθε πάροχος φιλοξενίας, η Cloudflare επεξεργάζεται τεχνικά στοιχεία της σύνδεσης (όπως τη διεύθυνση IP) για να εξυπηρετήσει τη σελίδα και να την προστατεύσει, σύμφωνα με τη δική της πολιτική απορρήτου.
Εξωτερικό περιεχόμενο
Ορισμένες ιστορικές φωτογραφίες φορτώνονται απευθείας από το Wikimedia Commons, οπότε ο browser σου συνδέεται και με τους διακομιστές του Wikimedia για να τις εμφανίσει. Οι γραμματοσειρές φιλοξενούνται στον δικό μας ιστότοπο. Οι σύνδεσμοι προς άλλους ιστότοπους (π.χ. μουσεία, πηγές) οδηγούν σε σελίδες με τις δικές τους πολιτικές.
