Περπάτα από τα αρχαία όνειρα για «μηχανές που σκέφτονται» μέχρι τα σημερινά γλωσσικά μοντέλα. Σε κάθε αίθουσα, τα εκθέματα δεν τα κοιτάς μόνο: τα πειράζεις, τα «χαλάς» και ανακαλύπτεις μόνος σου πώς λειτουργεί η ΤΝ και πού αποτυγχάνει.
Είσοδος
Δωρεάν, χωρίς εγγραφή
Ωράριο
Ανοιχτό πάντα, από κάθε συσκευή
Περιήγηση
Περίπου 45 λεπτά, σε 8 αίθουσες και ένα εργαστήριο
Για ποιον
Για κάθε επισκέπτη από 12 ετών, χωρίς τεχνικές γνώσεις
Οι αίθουσες
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.
Απόδοση με ΤΝ
~340π.Χ.
Ο Αριστοτέλης και η λογική
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.
Απόδοση με ΤΝ
~270π.Χ.
Ο Κτησίβιος και η αυτορρύθμιση
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.
Απόδοση με ΤΝ
~250π.Χ.
Ο Τάλως
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.
Απόδοση με ΤΝ
~100π.Χ.
Ο Μηχανισμός των Αντικυθήρων
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.
Απόδοση με ΤΝ
~60μ.Χ.
Ο Ήρων ο Αλεξανδρεύς
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.
Διαδραστικό έκθεμα
Προγραμμάτισε το καρότσι του Ήρωνα
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.
1950
Το παιχνίδι μίμησης του Turing
Ο Alan Turing προτείνει ένα τεστ: αν σε μια γραπτή συζήτηση δεν μπορείς να καταλάβεις αν μιλάς με άνθρωπο ή μηχανή, τότε η μηχανή «σκέφτεται»;
Ο Alan Turing στα 16 του, περίπου το 1928. Κοινό κτήμα, μέσω Wikimedia Commons.
Απόδοση με ΤΝ
1956
Το εργαστήριο του Dartmouth
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.
Απόδοση με ΤΝ
1958
Το perceptron
Ο Frank Rosenblatt φτιάχνει μια μηχανή που μαθαίνει να αναγνωρίζει απλά σχήματα από παραδείγματα, αντί να της γράψει κάποιος κανόνες.
Απόδοση με ΤΝ
1966
ELIZA, το πρώτο chatbot
Ο Joseph Weizenbaum στο MIT φτιάχνει ένα πρόγραμμα που μιμείται ψυχοθεραπευτή. Δεν καταλαβαίνει τίποτα, αλλά πολλοί χρήστες πίστεψαν ότι τους καταλάβαινε.
Διαδραστικό έκθεμα
Μίλα με την ELIZA
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.
Απόδοση με ΤΝ
1973
Η έκθεση Lighthill
Μια έκθεση για λογαριασμό της βρετανικής κυβέρνησης κρίνει ότι η ΤΝ δεν πέτυχε τους στόχους της. Η χρηματοδότηση μειώνεται και ξεκινά ο πρώτος χειμώνας.
Απόδοση με ΤΝ
1980
Τα έμπειρα συστήματα
Προγράμματα με εκατοντάδες ή χιλιάδες κανόνες «αν… τότε…» μπαίνουν στις επιχειρήσεις. Το XCON της Digital Equipment διαμορφώνει παραγγελίες υπολογιστών και εξοικονομεί σημαντικά ποσά.
Απόδοση με ΤΝ
1987
Ο δεύτερος χειμώνας
Τα έμπειρα συστήματα αποδεικνύονται ακριβά στη συντήρηση και εύθραυστα μπροστά σε κάθε εξαίρεση. Η αγορά των εξειδικευμένων υπολογιστών για ΤΝ καταρρέει.
Απόδοση με ΤΝ
1997
Το Deep Blue νικά τον Κασπάροφ
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».
Απόδοση με ΤΝ
2009
Το ImageNet
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.
Απόδοση με ΤΝ
2018
Το Gender Shades
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.
Απόδοση με ΤΝ
2018
Ένα εργαλείο προσλήψεων που αποσύρθηκε
Δημοσιεύματα αποκαλύπτουν ότι η Amazon εγκατέλειψε πειραματικό σύστημα αξιολόγησης βιογραφικών, επειδή είχε «μάθει» από ιστορικά δεδομένα να υποβαθμίζει υποψήφιες γυναίκες.
Διαδραστικό έκθεμα
Εκπαίδευσε έναν ταξινομητή φρούτων
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.
Απόδοση με ΤΝ
1989
Ένα δίκτυο που διαβάζει
Ο Yann LeCun εκπαιδεύει δίκτυο να αναγνωρίζει χειρόγραφα ψηφία σε ταχυδρομικούς κώδικες. Παρόμοια συστήματα χρησιμοποιήθηκαν αργότερα για την ανάγνωση επιταγών.
Απόδοση με ΤΝ
2012
AlexNet
Ένα βαθύ δίκτυο, εκπαιδευμένο σε κάρτες γραφικών, κερδίζει τον διαγωνισμό αναγνώρισης εικόνων ImageNet με μεγάλη διαφορά. Ξεκινά η εποχή του deep learning.
Απόδοση με ΤΝ
2016
AlphaGo
Το σύστημα της DeepMind νικά τον Lee Sedol, έναν από τους κορυφαίους παίκτες του Go, σε ένα παιχνίδι που θεωρούνταν πολύ δύσκολο για μηχανές.
Απόδοση με ΤΝ
2024
Νόμπελ Φυσικής
Οι John Hopfield και Geoffrey Hinton τιμώνται για θεμελιώδεις ανακαλύψεις που επέτρεψαν τη μηχανική μάθηση με τεχνητά νευρωνικά δίκτυα.
Διαδραστικό έκθεμα
Ένας νευρώνας αποφασίζει: «πάω για ποδήλατο;»
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.
Απόδοση με ΤΝ
2013
Οι λέξεις γίνονται αριθμοί
Με το word2vec, κάθε λέξη αναπαρίσταται ως σημείο σε έναν χώρο. Λέξεις με παρόμοιο νόημα βρίσκονται κοντά.
Απόδοση με ΤΝ
2017
Ο Transformer
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.
Απόδοση με ΤΝ
2018
GPT και BERT
Η OpenAI και η Google δείχνουν ότι ένα μοντέλο εκπαιδευμένο πρώτα σε τεράστιο όγκο κειμένου μπορεί μετά να προσαρμοστεί σε πολλές εργασίες.
Απόδοση με ΤΝ
2020
GPT-3
Με 175 δισεκατομμύρια παραμέτρους, το μοντέλο γράφει κείμενα, μεταφράζει και απαντά, συχνά με λίγα μόνο παραδείγματα.
Απόδοση με ΤΝ
2022
Το ChatGPT
Στις 30 Νοεμβρίου, ένα γλωσσικό μοντέλο σε μορφή συνομιλίας γίνεται διαθέσιμο σε όλους. Η ΤΝ μπαίνει στην καθημερινότητα.
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.
Απόδοση με ΤΝ
2
Κομμάτιασμα σε tokens
Το κείμενο σπάει σε μικρά κομμάτια, τα tokens, που μπορεί να είναι ολόκληρες λέξεις ή μέρη λέξεων. Το μοντέλο βλέπει μόνο αριθμούς, όχι γράμματα.
Απόδοση με ΤΝ
3
Προεκπαίδευση
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.
Απόδοση με ΤΝ
4
Εκπαίδευση σε οδηγίες
Με παραδείγματα ερωτήσεων και καλών απαντήσεων, μαθαίνει να ακολουθεί οδηγίες και να απαντά ως βοηθός.
Απόδοση με ΤΝ
5
Ευθυγράμμιση
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).
Απόδοση με ΤΝ
6
Δοκιμές και ασφάλεια
Πριν κυκλοφορήσει, το μοντέλο ελέγχεται για λάθη, επικίνδυνες απαντήσεις και καταχρήσεις. Οι έλεγχοι συνεχίζονται και μετά.
Απόδοση με ΤΝ
7
Χρήση
Όταν του γράφεις, το μοντέλο δεν ψάχνει σε μια βάση απαντήσεων. Παράγει την απάντηση token προς token, όπως στην αίθουσα 5.
Διαδραστικό έκθεμα
Βρες την «ψευδαίσθηση»
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.
Απόδοση με ΤΝ
2023
Εργασία και δημιουργία
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;
Απόδοση με ΤΝ
2023
Πνευματικά δικαιώματα
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.
Απόδοση με ΤΝ
2024
Ο Ευρωπαϊκός Κανονισμός για την ΤΝ
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.
Διαδραστικό έκθεμα
Εσύ τι θα αποφάσιζες;
Τέσσερα πραγματικά διλήμματα. Διάλεξε και δες τι κερδίζεις και τι ρισκάρεις με την επιλογή σου.
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.
Ε
Εργαστήριο
Από τη θεωρία στην πράξη
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 δωρεάν, διαδικτυακό μουσείο για την τεχνητή νοημοσύνη, στα ελληνικά. Ο σκοπός του είναι να μπορεί ο καθένας, χωρίς τεχνικές γνώσεις, να καταλάβει πώς φτάσαμε στη σημερινή ΤΝ, πώς λειτουργεί και πού αποτυγχάνει, πειραματιζόμενος με διαδραστικά εκθέματα αντί να διαβάζει μόνο.
Η συλλογή
Η περιήγηση ξεκινά από τις αρχαίες ελληνικές ιδέες για αυτόματα και λογική και φτάνει στα σημερινά γλωσσικά μοντέλα, σε οκτώ αίθουσες και ένα εργαστήριο. Τα εκθέματα της αίθουσας 0 δεν παρουσιάζονται ως «αρχαία τεχνητή νοημοσύνη» αλλά ως πρόγονοι των ερωτημάτων που θα συναντήσουμε αργότερα.
Πώς δημιουργήθηκε το περιεχόμενο
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 θυμάται μόνο δύο πράγματα: ποιες αίθουσες έχεις επισκεφθεί και το μέγεθος γραμμάτων που επέλεξες. Τα στοιχεία αυτά μένουν στη συσκευή σου και δεν αποστέλλονται σε εμάς. Μπορείς να τα διαγράψεις 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.