<![CDATA[MKLab - ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ (ΑΙ)]]> https://mklab.gr/ Tue, 27 Oct 2026 19:59:55 +0000 MyBB <![CDATA[Η τέχνη του prompting [Δωρεάν βιβλίο]]]> https://mklab.gr/showthread.php?tid=2351 Mon, 26 Oct 2026 22:05:20 +0200 mklabgr]]> https://mklab.gr/showthread.php?tid=2351
Ο οδηγός περιλαμβάνει έναν δεκάλογο καλών πρακτικών, τεχνικές, παραδείγματα και συμβουλές, με εφαρμογές στη συγγραφή κειμένων, στη μάθηση, στη δημιουργικότητα και στην αυτοματοποίηση εργασιών. Βασική ιδέα είναι ότι η ποιότητα της απάντησης εξαρτάται σε σημαντικό βαθμό από το πόσο σαφώς διατυπώνουμε τον στόχο μας και από το πλαίσιο, τις λεπτομέρειες και τις κατευθύνσεις που δίνουμε στην τεχνητή νοημοσύνη. Το βιβλίο είναι γραμμένο σε απλή, κατανοητή γλώσσα, απευθύνεται τόσο σε αρχάριους όσο και σε πιο έμπειρους χρήστες και διατίθεται δωρεάν σε μορφή PDF, 88 σελίδων, με άδεια Creative Commons BY-NC-SA.


Βασικό συμπέρασμα: Το prompting δεν είναι απλώς η υποβολή μιας ερώτησης σε ένα σύστημα τεχνητής νοημοσύνης, αλλά μια δεξιότητα επικοινωνίας που μας βοηθά να αξιοποιούμε αποτελεσματικότερα τις δυνατότητές του.

Διαβάστε ή κατεβάστε δωρεάν το βιβλίο από την Ανοικτή Βιβλιοθήκη]]>
Ο οδηγός περιλαμβάνει έναν δεκάλογο καλών πρακτικών, τεχνικές, παραδείγματα και συμβουλές, με εφαρμογές στη συγγραφή κειμένων, στη μάθηση, στη δημιουργικότητα και στην αυτοματοποίηση εργασιών. Βασική ιδέα είναι ότι η ποιότητα της απάντησης εξαρτάται σε σημαντικό βαθμό από το πόσο σαφώς διατυπώνουμε τον στόχο μας και από το πλαίσιο, τις λεπτομέρειες και τις κατευθύνσεις που δίνουμε στην τεχνητή νοημοσύνη. Το βιβλίο είναι γραμμένο σε απλή, κατανοητή γλώσσα, απευθύνεται τόσο σε αρχάριους όσο και σε πιο έμπειρους χρήστες και διατίθεται δωρεάν σε μορφή PDF, 88 σελίδων, με άδεια Creative Commons BY-NC-SA.


Βασικό συμπέρασμα: Το prompting δεν είναι απλώς η υποβολή μιας ερώτησης σε ένα σύστημα τεχνητής νοημοσύνης, αλλά μια δεξιότητα επικοινωνίας που μας βοηθά να αξιοποιούμε αποτελεσματικότερα τις δυνατότητές του.

Διαβάστε ή κατεβάστε δωρεάν το βιβλίο από την Ανοικτή Βιβλιοθήκη]]> <![CDATA[Αξιοποίηση του ChatGPT στην Εκπαίδευση [Eγχειρίδιο]]]> https://mklab.gr/showthread.php?tid=2350 Mon, 26 Oct 2026 21:59:01 +0200 mklabgr]]> https://mklab.gr/showthread.php?tid=2350
Κεντρικός στόχος του εγχειριδίου είναι να προσφέρει βήμα προς βήμα πρακτική καθοδήγηση, παράλληλα με το απαραίτητο θεωρητικό υπόβαθρο για την κατανόηση και την κριτική αξιολόγηση των εργαλείων ΤΝ. Ιδιαίτερη έμφαση δίνεται στην ηθική και υπεύθυνη χρήση της τεχνολογίας, με αναγνώριση τόσο των εκπαιδευτικών δυνατοτήτων της όσο και των περιορισμών της. 

Η έκδοση φιλοδοξεί να συμβάλει στην εξοικείωση της εκπαιδευτικής κοινότητας με τη γενετική ΤΝ, όχι απλώς ως τεχνολογικό επίτευγμα, αλλά ως εργαλείο που απαιτεί κριτική σκέψη, υπεύθυνη αξιοποίηση και παιδαγωγική προσέγγιση. Το ηλεκτρονικό βιβλίο διατίθεται δωρεάν για ανάγνωση και λήψη, με άδεια Creative Commons BY-NC, η οποία επιτρέπει τη μη εμπορική χρήση με αναφορά στον δημιουργό.


Κεντρικό μήνυμα: Η ουσιαστική αξιοποίηση του ChatGPT στην εκπαίδευση προϋποθέτει τον συνδυασμό των δυνατοτήτων της ΤΝ με την παιδαγωγική κρίση και την κριτική σκέψη εκπαιδευτικών και μαθητών.

Πηγή και πλήρες εγχειρίδιο: Ανοικτή Βιβλιοθήκη – Αξιοποίηση του ChatGPT στην Εκπαίδευση]]>
Κεντρικός στόχος του εγχειριδίου είναι να προσφέρει βήμα προς βήμα πρακτική καθοδήγηση, παράλληλα με το απαραίτητο θεωρητικό υπόβαθρο για την κατανόηση και την κριτική αξιολόγηση των εργαλείων ΤΝ. Ιδιαίτερη έμφαση δίνεται στην ηθική και υπεύθυνη χρήση της τεχνολογίας, με αναγνώριση τόσο των εκπαιδευτικών δυνατοτήτων της όσο και των περιορισμών της. 

Η έκδοση φιλοδοξεί να συμβάλει στην εξοικείωση της εκπαιδευτικής κοινότητας με τη γενετική ΤΝ, όχι απλώς ως τεχνολογικό επίτευγμα, αλλά ως εργαλείο που απαιτεί κριτική σκέψη, υπεύθυνη αξιοποίηση και παιδαγωγική προσέγγιση. Το ηλεκτρονικό βιβλίο διατίθεται δωρεάν για ανάγνωση και λήψη, με άδεια Creative Commons BY-NC, η οποία επιτρέπει τη μη εμπορική χρήση με αναφορά στον δημιουργό.


Κεντρικό μήνυμα: Η ουσιαστική αξιοποίηση του ChatGPT στην εκπαίδευση προϋποθέτει τον συνδυασμό των δυνατοτήτων της ΤΝ με την παιδαγωγική κρίση και την κριτική σκέψη εκπαιδευτικών και μαθητών.

Πηγή και πλήρες εγχειρίδιο: Ανοικτή Βιβλιοθήκη – Αξιοποίηση του ChatGPT στην Εκπαίδευση]]> <![CDATA[Μουσείο Τεχνητής Νοημοσύνης]]> https://mklab.gr/showthread.php?tid=2349 Mon, 26 Oct 2026 21:45:40 +0200 mklabgr]]> https://mklab.gr/showthread.php?tid=2349
Ιδιαίτερη έμφαση δίνεται στη διαδραστική μάθηση, καθώς οι επισκέπτες μπορούν να συμμετέχουν σε πειράματα και δραστηριότητες που διευκολύνουν την κατανόηση της τεχνολογίας. Παράλληλα, εξετάζονται οι δυνατότητες αλλά και οι κίνδυνοι της Τεχνητής Νοημοσύνης. Η πρόσβαση γίνεται απευθείας μέσω του διαδικτύου, χωρίς εγκατάσταση προγράμματος ή δημιουργία λογαριασμού. Προσφέρονται διαφορετικές διαδρομές περιήγησης διάρκειας περίπου 30 ή 60 λεπτών, καθώς και η δυνατότητα επιλογής συγκεκριμένων θεματικών ενοτήτων.

 Το μουσείο αποτελεί ανεξάρτητη εκπαιδευτική πρωτοβουλία, με ιδρυτή και επιμελητή τον Κωνσταντίνο Κούστα. Πρόκειται για μια ενδιαφέρουσα πηγή ενημέρωσης και εκπαίδευσης, ιδιαίτερα χρήσιμη για εκπαιδευτικούς, μαθητές και όσους επιθυμούν να κατανοήσουν καλύτερα την τεχνολογία που επηρεάζει όλο και περισσότερο την καθημερινή ζωή.


Σύνδεσμος μουσείου: Μουσείο Τεχνητής Νοημοσύνης]]>
Ιδιαίτερη έμφαση δίνεται στη διαδραστική μάθηση, καθώς οι επισκέπτες μπορούν να συμμετέχουν σε πειράματα και δραστηριότητες που διευκολύνουν την κατανόηση της τεχνολογίας. Παράλληλα, εξετάζονται οι δυνατότητες αλλά και οι κίνδυνοι της Τεχνητής Νοημοσύνης. Η πρόσβαση γίνεται απευθείας μέσω του διαδικτύου, χωρίς εγκατάσταση προγράμματος ή δημιουργία λογαριασμού. Προσφέρονται διαφορετικές διαδρομές περιήγησης διάρκειας περίπου 30 ή 60 λεπτών, καθώς και η δυνατότητα επιλογής συγκεκριμένων θεματικών ενοτήτων.

 Το μουσείο αποτελεί ανεξάρτητη εκπαιδευτική πρωτοβουλία, με ιδρυτή και επιμελητή τον Κωνσταντίνο Κούστα. Πρόκειται για μια ενδιαφέρουσα πηγή ενημέρωσης και εκπαίδευσης, ιδιαίτερα χρήσιμη για εκπαιδευτικούς, μαθητές και όσους επιθυμούν να κατανοήσουν καλύτερα την τεχνολογία που επηρεάζει όλο και περισσότερο την καθημερινή ζωή.


Σύνδεσμος μουσείου: Μουσείο Τεχνητής Νοημοσύνης]]> <![CDATA[AI Report [ΠΕΡΙΟΔΙΚΟ ΓΙΑ ΤΗΝ ΑΙ]]]> https://mklab.gr/showthread.php?tid=2348 Mon, 26 Oct 2026 21:35:32 +0200 mklabgr]]> https://mklab.gr/showthread.php?tid=2348 Το AI Report είναι αφιερωμένο αποκλειστικά στην Τεχνητή Νοημοσύνη. Παρουσιάζει ειδήσεις, έρευνες, αναλύσεις και πρακτικές εφαρμογές της AI, ενώ στην ιστοσελίδα του μπορείς να βρεις δωρεάν όλα τα διαθέσιμα τεύχη.

ΣΕΛΙΔΑ ΠΕΡΙΟΔΙΚΟΥ]]> Το AI Report είναι αφιερωμένο αποκλειστικά στην Τεχνητή Νοημοσύνη. Παρουσιάζει ειδήσεις, έρευνες, αναλύσεις και πρακτικές εφαρμογές της AI, ενώ στην ιστοσελίδα του μπορείς να βρεις δωρεάν όλα τα διαθέσιμα τεύχη.

ΣΕΛΙΔΑ ΠΕΡΙΟΔΙΚΟΥ]]> <![CDATA[Εγχειρίδιο Τεχνητής Νοημοσύνης [Μάρκου Καπετάνιου]]]> https://mklab.gr/showthread.php?tid=2309 Thu, 01 Oct 2026 00:34:21 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2309 « Εγχειρίδιο  Τεχνητής Νοημοσύνης: Ένας Προσιτός Οδηγός» του Μάρκου Καπετάνιου παρουσιάζεται ως ένας πρακτικός και εισαγωγικός οδηγός για την κατανόηση και αξιοποίηση της Τεχνητής Νοημοσύνης (ΤΝ). Το εγχειρίδιο επικεντρώνεται ιδιαίτερα στα Μεγάλα Γλωσσικά Μοντέλα (LLMs), στις βασικές αρχές λειτουργίας τους και στις δυνατότητες που προσφέρουν στον χρήστη. Παράλληλα, δίνει έμφαση στις τεχνικές διατύπωσης εντολών (prompting), ώστε ο χρήστης να μπορεί να επικοινωνεί αποτελεσματικότερα με συστήματα ΤΝ και να αξιοποιεί τις απαντήσεις τους σε διαφορετικές εργασίες.

Ένα σημαντικό μέρος του οδηγού αφορά τις πρακτικές εφαρμογές της ΤΝ και τον τρόπο με τον οποίο μπορεί να ενταχθεί στην καθημερινή εργασία, στην εκπαίδευση και σε άλλες δραστηριότητες. Η προσέγγιση δεν περιορίζεται στην παρουσίαση της τεχνολογίας, αλλά επιχειρεί να προσφέρει πρακτικές οδηγίες και παραδείγματα, ώστε ακόμη και ένας μη ειδικός να αποκτήσει μια λειτουργική εικόνα των δυνατοτήτων της. Παράλληλα, το εγχειρίδιο εξετάζει ζητήματα που συνδέονται με την υπεύθυνη και ηθική χρήση της ΤΝ, αναδεικνύοντας την ανάγκη ο χρήστης να γνωρίζει όχι μόνο τι μπορεί να κάνει η τεχνολογία, αλλά και τους περιορισμούς και τις πιθανές συνέπειές της. 

Συνολικά, το βιβλίο επιχειρεί να λειτουργήσει ως μια προσβάσιμη γέφυρα μεταξύ της τεχνολογικής θεωρίας και της καθημερινής πράξης. Στόχος του είναι να εξοικειώσει τον αναγνώστη με την ταχύτατα εξελισσόμενη περιοχή της ΤΝ, να του δώσει εργαλεία για αποτελεσματικότερη χρήση των σύγχρονων συστημάτων και ταυτόχρονα να τον βοηθήσει να αντιμετωπίζει την τεχνολογία με κριτική σκέψη και επίγνωση των ηθικών ζητημάτων. Η ίδια η περιγραφή του έργου το χαρακτηρίζει ως πλήρη οδηγό για LLMs, τεχνικές prompting, ηθική και πρακτικές εφαρμογές. 

ΒΙΒΛΙΟ]]> « Εγχειρίδιο  Τεχνητής Νοημοσύνης: Ένας Προσιτός Οδηγός» του Μάρκου Καπετάνιου παρουσιάζεται ως ένας πρακτικός και εισαγωγικός οδηγός για την κατανόηση και αξιοποίηση της Τεχνητής Νοημοσύνης (ΤΝ). Το εγχειρίδιο επικεντρώνεται ιδιαίτερα στα Μεγάλα Γλωσσικά Μοντέλα (LLMs), στις βασικές αρχές λειτουργίας τους και στις δυνατότητες που προσφέρουν στον χρήστη. Παράλληλα, δίνει έμφαση στις τεχνικές διατύπωσης εντολών (prompting), ώστε ο χρήστης να μπορεί να επικοινωνεί αποτελεσματικότερα με συστήματα ΤΝ και να αξιοποιεί τις απαντήσεις τους σε διαφορετικές εργασίες.

Ένα σημαντικό μέρος του οδηγού αφορά τις πρακτικές εφαρμογές της ΤΝ και τον τρόπο με τον οποίο μπορεί να ενταχθεί στην καθημερινή εργασία, στην εκπαίδευση και σε άλλες δραστηριότητες. Η προσέγγιση δεν περιορίζεται στην παρουσίαση της τεχνολογίας, αλλά επιχειρεί να προσφέρει πρακτικές οδηγίες και παραδείγματα, ώστε ακόμη και ένας μη ειδικός να αποκτήσει μια λειτουργική εικόνα των δυνατοτήτων της. Παράλληλα, το εγχειρίδιο εξετάζει ζητήματα που συνδέονται με την υπεύθυνη και ηθική χρήση της ΤΝ, αναδεικνύοντας την ανάγκη ο χρήστης να γνωρίζει όχι μόνο τι μπορεί να κάνει η τεχνολογία, αλλά και τους περιορισμούς και τις πιθανές συνέπειές της. 

Συνολικά, το βιβλίο επιχειρεί να λειτουργήσει ως μια προσβάσιμη γέφυρα μεταξύ της τεχνολογικής θεωρίας και της καθημερινής πράξης. Στόχος του είναι να εξοικειώσει τον αναγνώστη με την ταχύτατα εξελισσόμενη περιοχή της ΤΝ, να του δώσει εργαλεία για αποτελεσματικότερη χρήση των σύγχρονων συστημάτων και ταυτόχρονα να τον βοηθήσει να αντιμετωπίζει την τεχνολογία με κριτική σκέψη και επίγνωση των ηθικών ζητημάτων. Η ίδια η περιγραφή του έργου το χαρακτηρίζει ως πλήρη οδηγό για LLMs, τεχνικές prompting, ηθική και πρακτικές εφαρμογές. 

ΒΙΒΛΙΟ]]> <![CDATA[Η ακαδημαϊκή αξιοπιστία στην εποχή της Τεχνητής Νοημοσύνης]]> https://mklab.gr/showthread.php?tid=2308 Thu, 01 Oct 2026 00:26:34 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2308 Το άρθρο εξετάζει την ακαδημαϊκή αξιοπιστία στην εποχή της παραγωγικής Τεχνητής Νοημοσύνης, με αφορμή έρευνα του καθηγητή του Οικονομικού Πανεπιστημίου Αθηνών Διομήδη Σπινέλλη. Η αφορμή ήταν ένα επιστημονικό άρθρο που έφερε το όνομά του ως συγγραφέα, χωρίς ο ίδιος να έχει συμμετάσχει στη συγγραφή του. Η διερεύνηση αποκάλυψε ένα ευρύτερο φαινόμενο: από 53 άρθρα που εξετάστηκαν, τα 48 φαίνεται να είχαν παραχθεί από Τεχνητή Νοημοσύνη, ενώ σε αρκετές περιπτώσεις χρησιμοποιήθηκαν ψευδώς τα ονόματα ερευνητών από αναγνωρισμένα πανεπιστήμια. Το φαινόμενο συνδέεται με τα λεγόμενα «αρπακτικά περιοδικά» (predatory journals), όπου η δημοσίευση μπορεί να εξυπηρετεί περισσότερο την αύξηση του αριθμού των δημοσιεύσεων και την ενίσχυση ενός βιογραφικού παρά την παραγωγή αξιόπιστης επιστημονικής γνώσης.
Σύμφωνα με τον Σπινέλλη, το πρόβλημα δεν περιορίζεται στην ακαδημαϊκή εξαπάτηση ή στην εσφαλμένη αξιολόγηση ερευνητών και πανεπιστημίων. Η μαζική παραγωγή χαμηλής ποιότητας επιστημονικών κειμένων μπορεί να επηρεάσει ολόκληρο το οικοσύστημα της επιστημονικής γνώσης, καθώς τέτοια άρθρα είναι πιθανό να χρησιμοποιηθούν ως πηγές από φοιτητές, ερευνητές ή ακόμη και αξιόπιστα περιοδικά. Το άρθρο επισημαίνει τον κίνδυνο ενός φαινομένου που περιγράφεται ως «modern collapse»: όταν συστήματα ΤΝ και agents εκπαιδεύονται ή τροφοδοτούνται με ολοένα περισσότερα κείμενα που έχουν δημιουργηθεί από ΤΝ, η ποιότητα και η λεπτότητα της παραγόμενης γνώσης μπορεί σταδιακά να υποβαθμιστούν. Η διαδικασία παρομοιάζεται με την ανάμειξη χρωμάτων, όπου οι αρχικές διακρίσεις και αποχρώσεις χάνονται και καταλήγουν σε έναν ενιαίο «χυλό» γνώσης.
Παράλληλα, το άρθρο αναφέρεται στις προσπάθειες αντιμετώπισης των κινδύνων μέσω ηθικών, νομικών και θεσμικών μηχανισμών. Η προστασία της διανοητικής ιδιοκτησίας, η αντιμετώπιση της παραπληροφόρησης και η δεοντολογία των επιστημονικών δημοσιεύσεων αποκτούν μεγαλύτερη σημασία. Αναφέρονται, μεταξύ άλλων, η δικαστική διαμάχη των New York Times με την OpenAI και τη Microsoft, οι συμφωνίες εταιρειών ΤΝ με μέσα ενημέρωσης, οι συζητήσεις γύρω από τη χρήση έργων ανθρώπινης δημιουργικότητας για την παραγωγή εικόνων, καθώς και ο ευρωπαϊκός AI Act. Ιδιαίτερη αναφορά γίνεται επίσης στον COPE (Committee on Publication Ethics), ο οποίος προωθεί βέλτιστες πρακτικές για την ηθική των επιστημονικών δημοσιεύσεων. Ωστόσο, όπως επισημαίνει ο Σπινέλλης, η ΤΝ θα γίνεται ολοένα δυσκολότερο να ανιχνευθεί, γεγονός που καθιστά την προσπάθεια προστασίας της αξιοπιστίας της έρευνας μια διαρκή διαδικασία.
Παρά τους κινδύνους, ο Σπινέλλης θεωρεί την παραγωγική ΤΝ εξαιρετικά χρήσιμη και υποστηρίζει ότι το ζητούμενο δεν είναι η αποφυγή της, αλλά η σωστή χρήση της. Προτείνει στους φοιτητές να εξοικειώνονται με την ΤΝ, αλλά προειδοποιεί ότι δεν πρέπει να την χρησιμοποιούν για να λύνει τις ασκήσεις τους, επειδή έτσι μπορεί να στερηθούν τις βασικές γνώσεις που απαιτούνται για πιο σύνθετη σκέψη και εργασία. Η βασική πρόκληση, επομένως, είναι να αξιοποιηθούν οι νέες δυνατότητες χωρίς να υπονομευθούν οι θεμελιώδεις γνώσεις και δεξιότητες. Ο Σπινέλλης συνοψίζει αυτή τη στάση με την εικόνα ότι «το τζίνι δεν μπαίνει ξανά στο λυχνάρι»: η ΤΝ αποτελεί πλέον μέρος της επιστημονικής πραγματικότητας και οι ερευνητές διαθέτουν εξειδικευμένους ψηφιακούς βοηθούς και πρόσβαση σε τεράστιο όγκο γνώσης. Ταυτόχρονα, θεωρεί κρίσιμο να δοθεί έμφαση στην εκπαίδευση της νέας γενιάς επιστημόνων, ώστε η χρήση της ΤΝ να λειτουργεί ως εργαλείο ενίσχυσης της γνώσης και όχι ως υποκατάστατό της.

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ:
  1. Η παραγωγική ΤΝ μπορεί να χρησιμοποιηθεί για τη δημιουργία παραπλανητικών επιστημονικών δημοσιεύσεων, ακόμη και με ψευδή αναφορά πραγματικών ερευνητών ως συγγραφέων.
  2. Η πρακτική αυτή συνδέεται με τα «αρπακτικά περιοδικά» και μπορεί να οδηγήσει σε στρεβλή αξιολόγηση ερευνητών και πανεπιστημίων.
  3. Η μαζική διάδοση κειμένων χαμηλής ποιότητας δημιουργεί κίνδυνο διάβρωσης της επιστημονικής γνώσης και του ερευνητικού οικοσυστήματος.
  4. Το φαινόμενο του «modern collapse» περιγράφει τον κίνδυνο σταδιακής υποβάθμισης της γνώσης όταν συστήματα ΤΝ τροφοδοτούνται με ολοένα περισσότερα δημιουργήματα ΤΝ.
  5. Η αντιμετώπιση απαιτεί καλύτερη ταυτοποίηση ερευνητών και περιοδικών, δεοντολογικούς κανόνες και αποτελεσματικότερη προστασία της διανοητικής ιδιοκτησίας.
  6. Ο AI Act, ο COPE και άλλες θεσμικές ή νομικές πρωτοβουλίες αποτελούν μέρος της ευρύτερης προσπάθειας αντιμετώπισης των κινδύνων.
  7. Η ΤΝ δεν παρουσιάζεται ως κάτι που πρέπει να απορριφθεί, αλλά ως ισχυρό εργαλείο που απαιτεί υπεύθυνη χρήση.
  8. Η εκπαίδευση στις βασικές γνώσεις παραμένει κρίσιμη, ιδιαίτερα για τους φοιτητές, ώστε η ΤΝ να λειτουργεί ως βοηθός και όχι ως υποκατάστατο της μάθησης.

ΑΡΘΡΟ]]> Το άρθρο εξετάζει την ακαδημαϊκή αξιοπιστία στην εποχή της παραγωγικής Τεχνητής Νοημοσύνης, με αφορμή έρευνα του καθηγητή του Οικονομικού Πανεπιστημίου Αθηνών Διομήδη Σπινέλλη. Η αφορμή ήταν ένα επιστημονικό άρθρο που έφερε το όνομά του ως συγγραφέα, χωρίς ο ίδιος να έχει συμμετάσχει στη συγγραφή του. Η διερεύνηση αποκάλυψε ένα ευρύτερο φαινόμενο: από 53 άρθρα που εξετάστηκαν, τα 48 φαίνεται να είχαν παραχθεί από Τεχνητή Νοημοσύνη, ενώ σε αρκετές περιπτώσεις χρησιμοποιήθηκαν ψευδώς τα ονόματα ερευνητών από αναγνωρισμένα πανεπιστήμια. Το φαινόμενο συνδέεται με τα λεγόμενα «αρπακτικά περιοδικά» (predatory journals), όπου η δημοσίευση μπορεί να εξυπηρετεί περισσότερο την αύξηση του αριθμού των δημοσιεύσεων και την ενίσχυση ενός βιογραφικού παρά την παραγωγή αξιόπιστης επιστημονικής γνώσης.
Σύμφωνα με τον Σπινέλλη, το πρόβλημα δεν περιορίζεται στην ακαδημαϊκή εξαπάτηση ή στην εσφαλμένη αξιολόγηση ερευνητών και πανεπιστημίων. Η μαζική παραγωγή χαμηλής ποιότητας επιστημονικών κειμένων μπορεί να επηρεάσει ολόκληρο το οικοσύστημα της επιστημονικής γνώσης, καθώς τέτοια άρθρα είναι πιθανό να χρησιμοποιηθούν ως πηγές από φοιτητές, ερευνητές ή ακόμη και αξιόπιστα περιοδικά. Το άρθρο επισημαίνει τον κίνδυνο ενός φαινομένου που περιγράφεται ως «modern collapse»: όταν συστήματα ΤΝ και agents εκπαιδεύονται ή τροφοδοτούνται με ολοένα περισσότερα κείμενα που έχουν δημιουργηθεί από ΤΝ, η ποιότητα και η λεπτότητα της παραγόμενης γνώσης μπορεί σταδιακά να υποβαθμιστούν. Η διαδικασία παρομοιάζεται με την ανάμειξη χρωμάτων, όπου οι αρχικές διακρίσεις και αποχρώσεις χάνονται και καταλήγουν σε έναν ενιαίο «χυλό» γνώσης.
Παράλληλα, το άρθρο αναφέρεται στις προσπάθειες αντιμετώπισης των κινδύνων μέσω ηθικών, νομικών και θεσμικών μηχανισμών. Η προστασία της διανοητικής ιδιοκτησίας, η αντιμετώπιση της παραπληροφόρησης και η δεοντολογία των επιστημονικών δημοσιεύσεων αποκτούν μεγαλύτερη σημασία. Αναφέρονται, μεταξύ άλλων, η δικαστική διαμάχη των New York Times με την OpenAI και τη Microsoft, οι συμφωνίες εταιρειών ΤΝ με μέσα ενημέρωσης, οι συζητήσεις γύρω από τη χρήση έργων ανθρώπινης δημιουργικότητας για την παραγωγή εικόνων, καθώς και ο ευρωπαϊκός AI Act. Ιδιαίτερη αναφορά γίνεται επίσης στον COPE (Committee on Publication Ethics), ο οποίος προωθεί βέλτιστες πρακτικές για την ηθική των επιστημονικών δημοσιεύσεων. Ωστόσο, όπως επισημαίνει ο Σπινέλλης, η ΤΝ θα γίνεται ολοένα δυσκολότερο να ανιχνευθεί, γεγονός που καθιστά την προσπάθεια προστασίας της αξιοπιστίας της έρευνας μια διαρκή διαδικασία.
Παρά τους κινδύνους, ο Σπινέλλης θεωρεί την παραγωγική ΤΝ εξαιρετικά χρήσιμη και υποστηρίζει ότι το ζητούμενο δεν είναι η αποφυγή της, αλλά η σωστή χρήση της. Προτείνει στους φοιτητές να εξοικειώνονται με την ΤΝ, αλλά προειδοποιεί ότι δεν πρέπει να την χρησιμοποιούν για να λύνει τις ασκήσεις τους, επειδή έτσι μπορεί να στερηθούν τις βασικές γνώσεις που απαιτούνται για πιο σύνθετη σκέψη και εργασία. Η βασική πρόκληση, επομένως, είναι να αξιοποιηθούν οι νέες δυνατότητες χωρίς να υπονομευθούν οι θεμελιώδεις γνώσεις και δεξιότητες. Ο Σπινέλλης συνοψίζει αυτή τη στάση με την εικόνα ότι «το τζίνι δεν μπαίνει ξανά στο λυχνάρι»: η ΤΝ αποτελεί πλέον μέρος της επιστημονικής πραγματικότητας και οι ερευνητές διαθέτουν εξειδικευμένους ψηφιακούς βοηθούς και πρόσβαση σε τεράστιο όγκο γνώσης. Ταυτόχρονα, θεωρεί κρίσιμο να δοθεί έμφαση στην εκπαίδευση της νέας γενιάς επιστημόνων, ώστε η χρήση της ΤΝ να λειτουργεί ως εργαλείο ενίσχυσης της γνώσης και όχι ως υποκατάστατό της.

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ:
  1. Η παραγωγική ΤΝ μπορεί να χρησιμοποιηθεί για τη δημιουργία παραπλανητικών επιστημονικών δημοσιεύσεων, ακόμη και με ψευδή αναφορά πραγματικών ερευνητών ως συγγραφέων.
  2. Η πρακτική αυτή συνδέεται με τα «αρπακτικά περιοδικά» και μπορεί να οδηγήσει σε στρεβλή αξιολόγηση ερευνητών και πανεπιστημίων.
  3. Η μαζική διάδοση κειμένων χαμηλής ποιότητας δημιουργεί κίνδυνο διάβρωσης της επιστημονικής γνώσης και του ερευνητικού οικοσυστήματος.
  4. Το φαινόμενο του «modern collapse» περιγράφει τον κίνδυνο σταδιακής υποβάθμισης της γνώσης όταν συστήματα ΤΝ τροφοδοτούνται με ολοένα περισσότερα δημιουργήματα ΤΝ.
  5. Η αντιμετώπιση απαιτεί καλύτερη ταυτοποίηση ερευνητών και περιοδικών, δεοντολογικούς κανόνες και αποτελεσματικότερη προστασία της διανοητικής ιδιοκτησίας.
  6. Ο AI Act, ο COPE και άλλες θεσμικές ή νομικές πρωτοβουλίες αποτελούν μέρος της ευρύτερης προσπάθειας αντιμετώπισης των κινδύνων.
  7. Η ΤΝ δεν παρουσιάζεται ως κάτι που πρέπει να απορριφθεί, αλλά ως ισχυρό εργαλείο που απαιτεί υπεύθυνη χρήση.
  8. Η εκπαίδευση στις βασικές γνώσεις παραμένει κρίσιμη, ιδιαίτερα για τους φοιτητές, ώστε η ΤΝ να λειτουργεί ως βοηθός και όχι ως υποκατάστατο της μάθησης.

ΑΡΘΡΟ]]> <![CDATA[Τζον ΜακΚάρθι (1927–2011): Ο πατέρας της Τεχνητής Νοημοσύνης]]> https://mklab.gr/showthread.php?tid=2306 Wed, 30 Sep 2026 16:19:39 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2306 [Image: images?q=tbn:ANd9GcTrlY8johZBFd3S_QTTaCz...-fnDg&s=10]
Ο Τζον ΜακΚάρθι (John McCarthy, 1927–2011) υπήρξε μία από τις σημαντικότερες μορφές στην ιστορία της Πληροφορικής και ένας από τους θεμελιωτές της Τεχνητής Νοημοσύνης. Ήταν ο επιστήμονας που εισήγαγε τον όρο Artificial Intelligence («Τεχνητή Νοημοσύνη») το 1955, όταν πρότεινε τη διοργάνωση μιας θερινής ερευνητικής συνάντησης στο Dartmouth College. Η συνάντηση πραγματοποιήθηκε το 1956 και θεωρείται ένα από τα σημεία αφετηρίας της Τεχνητής Νοημοσύνης ως διακριτού επιστημονικού πεδίου. 

Ο ΜακΚάρθι γεννήθηκε στις 4 Σεπτεμβρίου 1927 στη Βοστώνη. Σπούδασε μαθηματικά στο California Institute of Technology και συνέχισε στο Πανεπιστήμιο του Princeton, όπου έλαβε το διδακτορικό του το 1951. Εργάστηκε αρχικά στο Princeton και στη συνέχεια δίδαξε και ερεύνησε στο Dartmouth και στο MIT, προτού εγκατασταθεί οριστικά στο Stanford University το 1962. Εκεί παρέμεινε για το μεγαλύτερο μέρος της ακαδημαϊκής του σταδιοδρομίας και διετέλεσε διευθυντής του Stanford Artificial Intelligence Laboratory από το 1965 έως το 1980.

Μία από τις σημαντικότερες συνεισφορές του ήταν η δημιουργία της LISP, μιας γλώσσας προγραμματισμού που σχεδιάστηκε το 1958 και αποτέλεσε για δεκαετίες βασικό εργαλείο της έρευνας στην Τεχνητή Νοημοσύνη. Η LISP διέφερε από τις περισσότερες γλώσσες της εποχής, καθώς ήταν ιδιαίτερα κατάλληλη για την επεξεργασία συμβολικών δομών, την αναδρομή και τον χειρισμό προγραμμάτων ως δεδομένων. Η επιρροή της υπήρξε εξαιρετικά μακρόχρονη και η γλώσσα θεωρείται ένα από τα παλαιότερα συστήματα προγραμματισμού που εξακολουθούν να έχουν ιστορική και τεχνική σημασία. 

Εξίσου σημαντική ήταν η συμβολή του ΜακΚάρθι στην ανάπτυξη της ιδέας του time-sharing, δηλαδή της δυνατότητας πολλών χρηστών να χρησιμοποιούν ταυτόχρονα τους υπολογιστικούς πόρους ενός κεντρικού συστήματος. Η ιδέα αυτή υπήρξε θεμελιώδης για την εξέλιξη των διαδραστικών υπολογιστικών συστημάτων και επηρέασε την ανάπτυξη μεταγενέστερων δικτυακών υποδομών. Σύμφωνα με το Stanford, ο ΜακΚάρθι περιέγραψε ήδη από το 1959 μια γενικού σκοπού προσέγγιση για τον διαμοιρασμό του χρόνου ενός υπολογιστή. 

Μια διαφορετική αντίληψη για την Τεχνητή Νοημοσύνη
Ο ΜακΚάρθι δεν αντιμετώπιζε την Τεχνητή Νοημοσύνη απλώς ως προσπάθεια κατασκευής μηχανών που θα εκτελούσαν γρήγορα συγκεκριμένους υπολογισμούς. Το ερευνητικό του ενδιαφέρον επικεντρωνόταν στο κατά πόσο ένας υπολογιστής θα μπορούσε να αναπαραστήσει γνώση, να συλλογιστεί και να χρησιμοποιήσει κοινή λογική.

Στο περίφημο άρθρο του «Programs with Common Sense», που δημοσιεύθηκε το 1960, ανέπτυξε την ιδέα ότι ένα σύστημα τεχνητής νοημοσύνης θα έπρεπε να διαθέτει μηχανισμούς που του επιτρέπουν να χρησιμοποιεί και να επεξεργάζεται γνώση με τρόπο που προσεγγίζει ορισμένες πτυχές της ανθρώπινης λογικής. Αυτή η προσέγγιση επηρέασε βαθιά την έρευνα στην αναπαράσταση γνώσης, στον αυτοματοποιημένο συλλογισμό και στη λογική της Τεχνητής Νοημοσύνης.

Ο ΜακΚάρθι συνέβαλε επίσης στην ανάπτυξη φορμαλισμών όπως ο situational calculus και η circumscription, οι οποίοι σχετίζονται με την αναπαράσταση γνώσης και την αντιμετώπιση της μη πλήρους ή μη απόλυτα καθορισμένης πληροφορίας. Για τον ίδιο, η λογική δεν ήταν απλώς ένα μαθηματικό εργαλείο, αλλά ένας τρόπος να περιγράφεται με σαφήνεια η γνώση που θα έπρεπε να χρησιμοποιεί ένα ευφυές υπολογιστικό σύστημα.

Η Τεχνητή Νοημοσύνη ως επιστημονικό εγχείρημα
Η συμβολή του ΜακΚάρθι δεν περιορίστηκε στη δημιουργία νέων τεχνικών. Συνέβαλε καθοριστικά στη διαμόρφωση της Τεχνητής Νοημοσύνης ως αυτόνομου επιστημονικού κλάδου. Η περίφημη πρόταση για τη συνάντηση του Dartmouth διατύπωνε την υπόθεση ότι κάθε πλευρά της μάθησης και κάθε χαρακτηριστικό της ανθρώπινης νοημοσύνης θα μπορούσε, κατ’ αρχήν, να περιγραφεί με τόσο ακριβή τρόπο ώστε μια μηχανή να μπορεί να το προσομοιώσει. Η υπόθεση αυτή αποτέλεσε ένα ιδιαίτερα φιλόδοξο επιστημονικό πρόγραμμα για τις επόμενες δεκαετίες. 

Ο ίδιος ενδιαφέρθηκε επίσης για το σκάκι μέσω υπολογιστών και για την αλληλεπίδραση υπολογιστών με τον φυσικό κόσμο. Το 1966 συμμετείχε στη διοργάνωση σειράς τεσσάρων παρτίδων σκακιού μέσω τηλεγράφου μεταξύ υπολογιστών στις Ηνωμένες Πολιτείες και αντιπάλων στη Σοβιετική Ένωση. Αργότερα, στο Stanford, αναπτύχθηκαν υπό την ευρύτερη ερευνητική του παράδοση συστήματα που συνδύαζαν υπολογιστική όραση και ρομποτική, επιτρέποντας σε έναν υπολογιστή να αναγνωρίζει τρισδιάστατα αντικείμενα μέσω κάμερας και να ελέγχει έναν ρομποτικό βραχίονα. 

Μια κληρονομιά που ξεπερνά την εποχή του
Για τη συνολική προσφορά του, ο ΜακΚάρθι τιμήθηκε το 1971 με το Βραβείο Turing της ACM, την κορυφαία διάκριση στην επιστήμη των υπολογιστών. Ακολούθησαν το Kyoto Prize το 1988 και το National Medal of Science το 1990. Ήταν επίσης μέλος της National Academy of Sciences, της National Academy of Engineering και της American Academy of Arts and Sciences. 

Ο Τζον ΜακΚάρθι πέθανε στις 24 Οκτωβρίου 2011, σε ηλικία 84 ετών. Η επιστημονική του κληρονομιά, ωστόσο, παραμένει ιδιαίτερα σημαντική. Ο όρος «Τεχνητή Νοημοσύνη», η LISP, η ιδέα του time-sharing και οι θεωρητικές του εργασίες για τη γνώση και τον λογικό συλλογισμό αποτελούν διαφορετικές όψεις μιας ενιαίας προσπάθειας: να κατανοηθεί με αυστηρούς υπολογιστικούς όρους τι σημαίνει νοημοσύνη και κατά πόσο αυτή μπορεί να υλοποιηθεί σε μια μηχανή. 

Από αυτή την άποψη, η ιστορική σημασία του ΜακΚάρθι δεν έγκειται μόνο στο γεγονός ότι υπήρξε ένας από τους πρωτοπόρους της Τεχνητής Νοημοσύνης. Έγκειται και στο ότι βοήθησε να διαμορφωθεί το ίδιο το ερευνητικό ερώτημα που εξακολουθεί να βρίσκεται στο επίκεντρο της σύγχρονης AI: πώς μπορούμε να μετατρέψουμε τη γνώση, τον συλλογισμό, τη μάθηση και τελικά στοιχεία της ανθρώπινης νοημοσύνης σε υπολογιστικές διαδικασίες.

ΠΗΓΗ]]> [Image: images?q=tbn:ANd9GcTrlY8johZBFd3S_QTTaCz...-fnDg&s=10]
Ο Τζον ΜακΚάρθι (John McCarthy, 1927–2011) υπήρξε μία από τις σημαντικότερες μορφές στην ιστορία της Πληροφορικής και ένας από τους θεμελιωτές της Τεχνητής Νοημοσύνης. Ήταν ο επιστήμονας που εισήγαγε τον όρο Artificial Intelligence («Τεχνητή Νοημοσύνη») το 1955, όταν πρότεινε τη διοργάνωση μιας θερινής ερευνητικής συνάντησης στο Dartmouth College. Η συνάντηση πραγματοποιήθηκε το 1956 και θεωρείται ένα από τα σημεία αφετηρίας της Τεχνητής Νοημοσύνης ως διακριτού επιστημονικού πεδίου. 

Ο ΜακΚάρθι γεννήθηκε στις 4 Σεπτεμβρίου 1927 στη Βοστώνη. Σπούδασε μαθηματικά στο California Institute of Technology και συνέχισε στο Πανεπιστήμιο του Princeton, όπου έλαβε το διδακτορικό του το 1951. Εργάστηκε αρχικά στο Princeton και στη συνέχεια δίδαξε και ερεύνησε στο Dartmouth και στο MIT, προτού εγκατασταθεί οριστικά στο Stanford University το 1962. Εκεί παρέμεινε για το μεγαλύτερο μέρος της ακαδημαϊκής του σταδιοδρομίας και διετέλεσε διευθυντής του Stanford Artificial Intelligence Laboratory από το 1965 έως το 1980.

Μία από τις σημαντικότερες συνεισφορές του ήταν η δημιουργία της LISP, μιας γλώσσας προγραμματισμού που σχεδιάστηκε το 1958 και αποτέλεσε για δεκαετίες βασικό εργαλείο της έρευνας στην Τεχνητή Νοημοσύνη. Η LISP διέφερε από τις περισσότερες γλώσσες της εποχής, καθώς ήταν ιδιαίτερα κατάλληλη για την επεξεργασία συμβολικών δομών, την αναδρομή και τον χειρισμό προγραμμάτων ως δεδομένων. Η επιρροή της υπήρξε εξαιρετικά μακρόχρονη και η γλώσσα θεωρείται ένα από τα παλαιότερα συστήματα προγραμματισμού που εξακολουθούν να έχουν ιστορική και τεχνική σημασία. 

Εξίσου σημαντική ήταν η συμβολή του ΜακΚάρθι στην ανάπτυξη της ιδέας του time-sharing, δηλαδή της δυνατότητας πολλών χρηστών να χρησιμοποιούν ταυτόχρονα τους υπολογιστικούς πόρους ενός κεντρικού συστήματος. Η ιδέα αυτή υπήρξε θεμελιώδης για την εξέλιξη των διαδραστικών υπολογιστικών συστημάτων και επηρέασε την ανάπτυξη μεταγενέστερων δικτυακών υποδομών. Σύμφωνα με το Stanford, ο ΜακΚάρθι περιέγραψε ήδη από το 1959 μια γενικού σκοπού προσέγγιση για τον διαμοιρασμό του χρόνου ενός υπολογιστή. 

Μια διαφορετική αντίληψη για την Τεχνητή Νοημοσύνη
Ο ΜακΚάρθι δεν αντιμετώπιζε την Τεχνητή Νοημοσύνη απλώς ως προσπάθεια κατασκευής μηχανών που θα εκτελούσαν γρήγορα συγκεκριμένους υπολογισμούς. Το ερευνητικό του ενδιαφέρον επικεντρωνόταν στο κατά πόσο ένας υπολογιστής θα μπορούσε να αναπαραστήσει γνώση, να συλλογιστεί και να χρησιμοποιήσει κοινή λογική.

Στο περίφημο άρθρο του «Programs with Common Sense», που δημοσιεύθηκε το 1960, ανέπτυξε την ιδέα ότι ένα σύστημα τεχνητής νοημοσύνης θα έπρεπε να διαθέτει μηχανισμούς που του επιτρέπουν να χρησιμοποιεί και να επεξεργάζεται γνώση με τρόπο που προσεγγίζει ορισμένες πτυχές της ανθρώπινης λογικής. Αυτή η προσέγγιση επηρέασε βαθιά την έρευνα στην αναπαράσταση γνώσης, στον αυτοματοποιημένο συλλογισμό και στη λογική της Τεχνητής Νοημοσύνης.

Ο ΜακΚάρθι συνέβαλε επίσης στην ανάπτυξη φορμαλισμών όπως ο situational calculus και η circumscription, οι οποίοι σχετίζονται με την αναπαράσταση γνώσης και την αντιμετώπιση της μη πλήρους ή μη απόλυτα καθορισμένης πληροφορίας. Για τον ίδιο, η λογική δεν ήταν απλώς ένα μαθηματικό εργαλείο, αλλά ένας τρόπος να περιγράφεται με σαφήνεια η γνώση που θα έπρεπε να χρησιμοποιεί ένα ευφυές υπολογιστικό σύστημα.

Η Τεχνητή Νοημοσύνη ως επιστημονικό εγχείρημα
Η συμβολή του ΜακΚάρθι δεν περιορίστηκε στη δημιουργία νέων τεχνικών. Συνέβαλε καθοριστικά στη διαμόρφωση της Τεχνητής Νοημοσύνης ως αυτόνομου επιστημονικού κλάδου. Η περίφημη πρόταση για τη συνάντηση του Dartmouth διατύπωνε την υπόθεση ότι κάθε πλευρά της μάθησης και κάθε χαρακτηριστικό της ανθρώπινης νοημοσύνης θα μπορούσε, κατ’ αρχήν, να περιγραφεί με τόσο ακριβή τρόπο ώστε μια μηχανή να μπορεί να το προσομοιώσει. Η υπόθεση αυτή αποτέλεσε ένα ιδιαίτερα φιλόδοξο επιστημονικό πρόγραμμα για τις επόμενες δεκαετίες. 

Ο ίδιος ενδιαφέρθηκε επίσης για το σκάκι μέσω υπολογιστών και για την αλληλεπίδραση υπολογιστών με τον φυσικό κόσμο. Το 1966 συμμετείχε στη διοργάνωση σειράς τεσσάρων παρτίδων σκακιού μέσω τηλεγράφου μεταξύ υπολογιστών στις Ηνωμένες Πολιτείες και αντιπάλων στη Σοβιετική Ένωση. Αργότερα, στο Stanford, αναπτύχθηκαν υπό την ευρύτερη ερευνητική του παράδοση συστήματα που συνδύαζαν υπολογιστική όραση και ρομποτική, επιτρέποντας σε έναν υπολογιστή να αναγνωρίζει τρισδιάστατα αντικείμενα μέσω κάμερας και να ελέγχει έναν ρομποτικό βραχίονα. 

Μια κληρονομιά που ξεπερνά την εποχή του
Για τη συνολική προσφορά του, ο ΜακΚάρθι τιμήθηκε το 1971 με το Βραβείο Turing της ACM, την κορυφαία διάκριση στην επιστήμη των υπολογιστών. Ακολούθησαν το Kyoto Prize το 1988 και το National Medal of Science το 1990. Ήταν επίσης μέλος της National Academy of Sciences, της National Academy of Engineering και της American Academy of Arts and Sciences. 

Ο Τζον ΜακΚάρθι πέθανε στις 24 Οκτωβρίου 2011, σε ηλικία 84 ετών. Η επιστημονική του κληρονομιά, ωστόσο, παραμένει ιδιαίτερα σημαντική. Ο όρος «Τεχνητή Νοημοσύνη», η LISP, η ιδέα του time-sharing και οι θεωρητικές του εργασίες για τη γνώση και τον λογικό συλλογισμό αποτελούν διαφορετικές όψεις μιας ενιαίας προσπάθειας: να κατανοηθεί με αυστηρούς υπολογιστικούς όρους τι σημαίνει νοημοσύνη και κατά πόσο αυτή μπορεί να υλοποιηθεί σε μια μηχανή. 

Από αυτή την άποψη, η ιστορική σημασία του ΜακΚάρθι δεν έγκειται μόνο στο γεγονός ότι υπήρξε ένας από τους πρωτοπόρους της Τεχνητής Νοημοσύνης. Έγκειται και στο ότι βοήθησε να διαμορφωθεί το ίδιο το ερευνητικό ερώτημα που εξακολουθεί να βρίσκεται στο επίκεντρο της σύγχρονης AI: πώς μπορούμε να μετατρέψουμε τη γνώση, τον συλλογισμό, τη μάθηση και τελικά στοιχεία της ανθρώπινης νοημοσύνης σε υπολογιστικές διαδικασίες.

ΠΗΓΗ]]> <![CDATA[Η Τεχνητή Νοημοσύνη είναι πολιτισμικό γεγονός]]> https://mklab.gr/showthread.php?tid=2304 Wed, 30 Sep 2026 04:32:43 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2304 Τεχνητή Νοημοσύνη (ΤΝ) δεν πρέπει να αντιμετωπίζεται απλώς ως ένα ακόμη τεχνολογικό εργαλείο, αλλά ως ένα πολιτισμικό γεγονός που επηρεάζει τον τρόπο με τον οποίο αντιλαμβανόμαστε τον άνθρωπο. Με αφορμή τα βιβλία Φιλοσοφία και Τεχνητή Νοημοσύνη και Τέχνη και Τεχνητή Νοημοσύνη, θέτει στο επίκεντρο ερωτήματα για την κατανόηση, τη γνώση, τη συνείδηση, τη δημιουργικότητα και την ανθρώπινη ταυτότητα. Η ΤΝ λειτουργεί, κατά την άποψή του, σαν ένας καθρέφτης που αναγκάζει τον άνθρωπο να επανεξετάσει έννοιες τις οποίες θεωρούσε αυτονόητες. Το κρίσιμο ερώτημα επομένως δεν είναι μόνο τι μπορεί να κάνει η μηχανή, αλλά ποιος αναλαμβάνει την ευθύνη για όσα κάνει.

Στο φιλοσοφικό επίπεδο, ο Μαυρομμάτης εξετάζει την ΤΝ μέσα από έναν διάλογο με σημαντικούς φιλοσόφους, από τους Προσωκρατικούς και τον Πλάτωνα έως τον Βιτγκενστάιν και τον Μπάουμαν. Η Αλήθεια, η Γνώση και η Κατανόηση αποκτούν νέο περιεχόμενο σε έναν κόσμο όπου η πληροφορία παράγεται και διαδίδεται με τεράστια ταχύτητα. Ιδιαίτερα σημαντική είναι η διάκριση ανάμεσα στην επεξεργασία πληροφορίας και στην πραγματική κατανόηση. Η ΤΝ μπορεί να χειρίζεται τεράστιες ποσότητες δεδομένων, όμως το ερώτημα παραμένει αν η λειτουργία αυτή ισοδυναμεί με ανθρώπινη κατανόηση, η οποία συνδέεται με εμπειρία, βίωμα και νόημα. Παράλληλα, ο συγγραφέας θεωρεί ότι η ίδια η ΤΝ αποτελεί προϊόν μιας μακράς πορείας ανθρώπινης σκέψης, λογικής, μαθηματικών, γλώσσας και φιλοσοφίας. 

Στην Τέχνη, η παραγωγική ΤΝ μεταβάλλει ιδιαίτερα τη σχέση ανάμεσα στη γλώσσα και τη δημιουργία. Μια λεκτική περιγραφή μπορεί πλέον να μετατραπεί σε εικόνα, μουσική ή αφήγηση, με αποτέλεσμα η λέξη να αποκτά έναν νέο, δημιουργικό ρόλο. Ο Μαυρομμάτης μιλά για έναν πιθανό «Γλωσσικό Ρομαντισμό», όπου η δημιουργική διαδικασία ξεκινά περισσότερο από τη σύλληψη και τη γλώσσα παρά από το παραδοσιακό καλλιτεχνικό εργαλείο. Ωστόσο, θεωρεί ότι η ΤΝ δεν σημαίνει αναγκαστικά την αντικατάσταση του συγγραφέα. Η λογοτεχνία δεν είναι απλώς παραγωγή κειμένου αλλά συνδέεται με μνήμη, βίωμα, προσωπική φωνή και ανθρώπινη παρουσία. Η ΤΝ μπορεί να λειτουργήσει ως συνομιλητής, εργαλείο πειραματισμού και συνδημιουργίας, χωρίς να εξαλείφεται ο ανθρώπινος ρόλος.

Τέλος, η ΤΝ μετασχηματίζει και την έννοια του συλλογικού στην τέχνη. Τα συστήματα ΤΝ εκπαιδεύονται πάνω σε τεράστια αποθέματα ανθρώπινης πολιτισμικής παραγωγής, επομένως η δημιουργία τους συνδέεται με μια νέα μορφή συλλογικής μνήμης. Από την παραδοσιακή κοινότητα και την κοινή εμπειρία μεταβαίνουμε σε μια παγκόσμια, δικτυακή και πληροφοριακή συλλογικότητα. Αυτό δημιουργεί νέα ερωτήματα σχετικά με το ποιος είναι ο δημιουργός όταν συμμετέχουν ο άνθρωπος, η κοινότητα, τα δεδομένα και το σύστημα ΤΝ. Για τον Μαυρομμάτη, όμως, η τεχνολογική ισχύς δεν αρκεί: η σοφία, η κρίση, το μέτρο και κυρίως η ευθύνη παραμένουν καθοριστικές ανθρώπινες έννοιες. Η ΤΝ δεν αποτελεί το τέλος της ανθρώπινης ιστορίας αλλά ένα νέο κεφάλαιο της.

Βασικά σημεία
  1. Η ΤΝ είναι πολιτισμικό γεγονός, όχι απλώς ένα νέο τεχνολογικό εργαλείο.
  2. Η ΤΝ λειτουργεί ως καθρέφτης του ανθρώπου, προκαλώντας νέα ερωτήματα για τη γνώση, την κατανόηση και τη συνείδηση.
  3. Η επεξεργασία πληροφορίας δεν ταυτίζεται κατ’ ανάγκη με την ανθρώπινη κατανόηση.
  4. Η ανάπτυξη της ΤΝ αποτελεί συνέχεια μιας μακράς ιστορίας φιλοσοφίας, μαθηματικών, λογικής και γλώσσας.
  5. Η παραγωγική ΤΝ ενισχύει τον ρόλο της γλώσσας ως δημιουργικού μηχανισμού.
  6. Η λογοτεχνία δεν περιορίζεται στην παραγωγή λέξεων, αλλά συνδέεται με βίωμα, μνήμη και ανθρώπινη παρουσία.
  7. Η ΤΝ μπορεί να λειτουργήσει ως συνομιλητής και συνεργάτης του δημιουργού, όχι κατ’ ανάγκη ως αντικαταστάτης του.
  8. Η ΤΝ δημιουργεί μια νέα μορφή συλλογικής πολιτισμικής μνήμης.
  9. Όσο αυξάνεται η τεχνολογική ισχύς, τόσο σημαντικότερη γίνεται η ανθρώπινη ευθύνη.
  10. Το βαθύτερο ερώτημα της εποχής δεν είναι μόνο «τι μπορεί να κάνει η μηχανή;», αλλά «ποιοι είμαστε και ποιοι θέλουμε να γίνουμε;».

ΠΗΓΗ]]> Τεχνητή Νοημοσύνη (ΤΝ) δεν πρέπει να αντιμετωπίζεται απλώς ως ένα ακόμη τεχνολογικό εργαλείο, αλλά ως ένα πολιτισμικό γεγονός που επηρεάζει τον τρόπο με τον οποίο αντιλαμβανόμαστε τον άνθρωπο. Με αφορμή τα βιβλία Φιλοσοφία και Τεχνητή Νοημοσύνη και Τέχνη και Τεχνητή Νοημοσύνη, θέτει στο επίκεντρο ερωτήματα για την κατανόηση, τη γνώση, τη συνείδηση, τη δημιουργικότητα και την ανθρώπινη ταυτότητα. Η ΤΝ λειτουργεί, κατά την άποψή του, σαν ένας καθρέφτης που αναγκάζει τον άνθρωπο να επανεξετάσει έννοιες τις οποίες θεωρούσε αυτονόητες. Το κρίσιμο ερώτημα επομένως δεν είναι μόνο τι μπορεί να κάνει η μηχανή, αλλά ποιος αναλαμβάνει την ευθύνη για όσα κάνει.

Στο φιλοσοφικό επίπεδο, ο Μαυρομμάτης εξετάζει την ΤΝ μέσα από έναν διάλογο με σημαντικούς φιλοσόφους, από τους Προσωκρατικούς και τον Πλάτωνα έως τον Βιτγκενστάιν και τον Μπάουμαν. Η Αλήθεια, η Γνώση και η Κατανόηση αποκτούν νέο περιεχόμενο σε έναν κόσμο όπου η πληροφορία παράγεται και διαδίδεται με τεράστια ταχύτητα. Ιδιαίτερα σημαντική είναι η διάκριση ανάμεσα στην επεξεργασία πληροφορίας και στην πραγματική κατανόηση. Η ΤΝ μπορεί να χειρίζεται τεράστιες ποσότητες δεδομένων, όμως το ερώτημα παραμένει αν η λειτουργία αυτή ισοδυναμεί με ανθρώπινη κατανόηση, η οποία συνδέεται με εμπειρία, βίωμα και νόημα. Παράλληλα, ο συγγραφέας θεωρεί ότι η ίδια η ΤΝ αποτελεί προϊόν μιας μακράς πορείας ανθρώπινης σκέψης, λογικής, μαθηματικών, γλώσσας και φιλοσοφίας. 

Στην Τέχνη, η παραγωγική ΤΝ μεταβάλλει ιδιαίτερα τη σχέση ανάμεσα στη γλώσσα και τη δημιουργία. Μια λεκτική περιγραφή μπορεί πλέον να μετατραπεί σε εικόνα, μουσική ή αφήγηση, με αποτέλεσμα η λέξη να αποκτά έναν νέο, δημιουργικό ρόλο. Ο Μαυρομμάτης μιλά για έναν πιθανό «Γλωσσικό Ρομαντισμό», όπου η δημιουργική διαδικασία ξεκινά περισσότερο από τη σύλληψη και τη γλώσσα παρά από το παραδοσιακό καλλιτεχνικό εργαλείο. Ωστόσο, θεωρεί ότι η ΤΝ δεν σημαίνει αναγκαστικά την αντικατάσταση του συγγραφέα. Η λογοτεχνία δεν είναι απλώς παραγωγή κειμένου αλλά συνδέεται με μνήμη, βίωμα, προσωπική φωνή και ανθρώπινη παρουσία. Η ΤΝ μπορεί να λειτουργήσει ως συνομιλητής, εργαλείο πειραματισμού και συνδημιουργίας, χωρίς να εξαλείφεται ο ανθρώπινος ρόλος.

Τέλος, η ΤΝ μετασχηματίζει και την έννοια του συλλογικού στην τέχνη. Τα συστήματα ΤΝ εκπαιδεύονται πάνω σε τεράστια αποθέματα ανθρώπινης πολιτισμικής παραγωγής, επομένως η δημιουργία τους συνδέεται με μια νέα μορφή συλλογικής μνήμης. Από την παραδοσιακή κοινότητα και την κοινή εμπειρία μεταβαίνουμε σε μια παγκόσμια, δικτυακή και πληροφοριακή συλλογικότητα. Αυτό δημιουργεί νέα ερωτήματα σχετικά με το ποιος είναι ο δημιουργός όταν συμμετέχουν ο άνθρωπος, η κοινότητα, τα δεδομένα και το σύστημα ΤΝ. Για τον Μαυρομμάτη, όμως, η τεχνολογική ισχύς δεν αρκεί: η σοφία, η κρίση, το μέτρο και κυρίως η ευθύνη παραμένουν καθοριστικές ανθρώπινες έννοιες. Η ΤΝ δεν αποτελεί το τέλος της ανθρώπινης ιστορίας αλλά ένα νέο κεφάλαιο της.

Βασικά σημεία
  1. Η ΤΝ είναι πολιτισμικό γεγονός, όχι απλώς ένα νέο τεχνολογικό εργαλείο.
  2. Η ΤΝ λειτουργεί ως καθρέφτης του ανθρώπου, προκαλώντας νέα ερωτήματα για τη γνώση, την κατανόηση και τη συνείδηση.
  3. Η επεξεργασία πληροφορίας δεν ταυτίζεται κατ’ ανάγκη με την ανθρώπινη κατανόηση.
  4. Η ανάπτυξη της ΤΝ αποτελεί συνέχεια μιας μακράς ιστορίας φιλοσοφίας, μαθηματικών, λογικής και γλώσσας.
  5. Η παραγωγική ΤΝ ενισχύει τον ρόλο της γλώσσας ως δημιουργικού μηχανισμού.
  6. Η λογοτεχνία δεν περιορίζεται στην παραγωγή λέξεων, αλλά συνδέεται με βίωμα, μνήμη και ανθρώπινη παρουσία.
  7. Η ΤΝ μπορεί να λειτουργήσει ως συνομιλητής και συνεργάτης του δημιουργού, όχι κατ’ ανάγκη ως αντικαταστάτης του.
  8. Η ΤΝ δημιουργεί μια νέα μορφή συλλογικής πολιτισμικής μνήμης.
  9. Όσο αυξάνεται η τεχνολογική ισχύς, τόσο σημαντικότερη γίνεται η ανθρώπινη ευθύνη.
  10. Το βαθύτερο ερώτημα της εποχής δεν είναι μόνο «τι μπορεί να κάνει η μηχανή;», αλλά «ποιοι είμαστε και ποιοι θέλουμε να γίνουμε;».

ΠΗΓΗ]]> <![CDATA[Τεχνητή Νοημοσύνη (AI) στην Ακαδημαϊκή Έρευνα & Συγγραφή]]> https://mklab.gr/showthread.php?tid=2303 Wed, 30 Sep 2026 04:25:29 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2303 Βιβλιοθήκης ΑΠΘ αφορά τη χρήση της Τεχνητής Νοημοσύνης (AI) στην ακαδημαϊκή γραφή και την ανάγκη οι φοιτητές και οι ερευνητές να κατανοούν τόσο τις δυνατότητες όσο και τους περιορισμούς των εργαλείων αυτών. Η AI μπορεί να χρησιμοποιηθεί υποστηρικτικά στη διαδικασία συγγραφής, όμως δεν υποκαθιστά την προσωπική επιστημονική σκέψη, την αξιολόγηση των πηγών και την ευθύνη του συγγραφέα για το τελικό κείμενο. Στο πλαίσιο της ακαδημαϊκής εργασίας, επομένως, η χρήση της πρέπει να εντάσσεται σε μια διαδικασία κριτικής αξιολόγησης και όχι σε μια άκριτη παραγωγή κειμένου.

Ιδιαίτερη σημασία έχει η ακαδημαϊκή ακεραιότητα. Η χρήση ενός συστήματος AI για τη δημιουργία κειμένου δεν απαλλάσσει τον συγγραφέα από την υποχρέωση να ελέγχει την ακρίβεια των πληροφοριών, των βιβλιογραφικών αναφορών και των επιχειρημάτων. Τα συστήματα AI είναι δυνατόν να παράγουν ανακριβείς πληροφορίες ή ανύπαρκτες βιβλιογραφικές παραπομπές, γι' αυτό κάθε αποτέλεσμα πρέπει να επαληθεύεται με αξιόπιστες πρωτογενείς ή επιστημονικές πηγές. Παράλληλα, η χρήση AI πρέπει να γίνεται με τρόπο που δεν παραβιάζει τους κανόνες λογοκλοπής, πνευματικής ιδιοκτησίας και δεοντολογίας του εκάστοτε ιδρύματος. Η Βιβλιοθήκη ΑΠΘ παρέχει, μεταξύ άλλων, εργαλεία όπως το Turnitin Draft Coach, που επιτρέπουν έλεγχο ομοιότητας και παραπομπών.

Η AI μπορεί να είναι ιδιαίτερα χρήσιμη σε επιμέρους στάδια της συγγραφικής διαδικασίας, όπως η οργάνωση ιδεών, η διαμόρφωση ενός αρχικού σχεδιαγράμματος, η βελτίωση της γλώσσας και της σαφήνειας, η περίληψη υλικού ή η αναζήτηση πιθανών ερευνητικών ερωτημάτων. Ωστόσο, η τελική επιλογή επιχειρημάτων, η ερμηνεία των δεδομένων και η επιστημονική τεκμηρίωση πρέπει να παραμένουν υπό τον έλεγχο του συγγραφέα. Η σωστή χρήση της AI επομένως δεν είναι απλώς ζήτημα τεχνικής αποτελεσματικότητας αλλά και επιστημονικής δεοντολογίας.

Συνολικά, το βασικό μήνυμα είναι ότι η Τεχνητή Νοημοσύνη λειτουργεί ως βοηθητικό εργαλείο και όχι ως υποκατάστατο του συγγραφέα. Η αξία μιας ακαδημαϊκής εργασίας εξακολουθεί να εξαρτάται από την πρωτοτυπία, την τεκμηρίωση, τη μεθοδολογική συνέπεια και την κριτική σκέψη του ερευνητή. Η υπεύθυνη χρήση AI απαιτεί, συνεπώς, διαφάνεια, επαλήθευση των αποτελεσμάτων, σωστή αναφορά της χρήσης AI όπου απαιτείται και πλήρη ανάληψη ευθύνης για το τελικό κείμενο. Η σχετική σελίδα του ΑΠΘ δεν ήταν απευθείας προσβάσιμη μέσω του εργαλείου αναζήτησης, οπότε η σύνοψη βασίζεται στα διαθέσιμα στοιχεία της Βιβλιοθήκης ΑΠΘ και στις σχετικές υπηρεσίες της.

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ
  • AI στην ακαδημαϊκή γραφή: εργαλείο υποστήριξης, όχι αντικατάσταση του συγγραφέα.
  • Κριτική σκέψη: κάθε αποτέλεσμα AI χρειάζεται αξιολόγηση και επαλήθευση.
  • Ακρίβεια: η AI μπορεί να δημιουργήσει λάθη ή ψευδείς βιβλιογραφικές αναφορές.
  • Ακαδημαϊκή ακεραιότητα: πρέπει να αποφεύγονται λογοκλοπή και παραπλανητική παρουσίαση έργου.
  • Βιβλιογραφία: οι πηγές πρέπει να ελέγχονται ανεξάρτητα.
  • Διαφάνεια: όπου απαιτείται, πρέπει να δηλώνεται η χρήση εργαλείων AI.
  • Πνευματική ιδιοκτησία: χρειάζεται προσοχή στο υλικό που εισάγεται και παράγεται από συστήματα AI.
  • Υπευθυνότητα: την τελική ευθύνη για το ακαδημαϊκό κείμενο την έχει ο συγγραφέας.

ΠΗΓΗ]]> Βιβλιοθήκης ΑΠΘ αφορά τη χρήση της Τεχνητής Νοημοσύνης (AI) στην ακαδημαϊκή γραφή και την ανάγκη οι φοιτητές και οι ερευνητές να κατανοούν τόσο τις δυνατότητες όσο και τους περιορισμούς των εργαλείων αυτών. Η AI μπορεί να χρησιμοποιηθεί υποστηρικτικά στη διαδικασία συγγραφής, όμως δεν υποκαθιστά την προσωπική επιστημονική σκέψη, την αξιολόγηση των πηγών και την ευθύνη του συγγραφέα για το τελικό κείμενο. Στο πλαίσιο της ακαδημαϊκής εργασίας, επομένως, η χρήση της πρέπει να εντάσσεται σε μια διαδικασία κριτικής αξιολόγησης και όχι σε μια άκριτη παραγωγή κειμένου.

Ιδιαίτερη σημασία έχει η ακαδημαϊκή ακεραιότητα. Η χρήση ενός συστήματος AI για τη δημιουργία κειμένου δεν απαλλάσσει τον συγγραφέα από την υποχρέωση να ελέγχει την ακρίβεια των πληροφοριών, των βιβλιογραφικών αναφορών και των επιχειρημάτων. Τα συστήματα AI είναι δυνατόν να παράγουν ανακριβείς πληροφορίες ή ανύπαρκτες βιβλιογραφικές παραπομπές, γι' αυτό κάθε αποτέλεσμα πρέπει να επαληθεύεται με αξιόπιστες πρωτογενείς ή επιστημονικές πηγές. Παράλληλα, η χρήση AI πρέπει να γίνεται με τρόπο που δεν παραβιάζει τους κανόνες λογοκλοπής, πνευματικής ιδιοκτησίας και δεοντολογίας του εκάστοτε ιδρύματος. Η Βιβλιοθήκη ΑΠΘ παρέχει, μεταξύ άλλων, εργαλεία όπως το Turnitin Draft Coach, που επιτρέπουν έλεγχο ομοιότητας και παραπομπών.

Η AI μπορεί να είναι ιδιαίτερα χρήσιμη σε επιμέρους στάδια της συγγραφικής διαδικασίας, όπως η οργάνωση ιδεών, η διαμόρφωση ενός αρχικού σχεδιαγράμματος, η βελτίωση της γλώσσας και της σαφήνειας, η περίληψη υλικού ή η αναζήτηση πιθανών ερευνητικών ερωτημάτων. Ωστόσο, η τελική επιλογή επιχειρημάτων, η ερμηνεία των δεδομένων και η επιστημονική τεκμηρίωση πρέπει να παραμένουν υπό τον έλεγχο του συγγραφέα. Η σωστή χρήση της AI επομένως δεν είναι απλώς ζήτημα τεχνικής αποτελεσματικότητας αλλά και επιστημονικής δεοντολογίας.

Συνολικά, το βασικό μήνυμα είναι ότι η Τεχνητή Νοημοσύνη λειτουργεί ως βοηθητικό εργαλείο και όχι ως υποκατάστατο του συγγραφέα. Η αξία μιας ακαδημαϊκής εργασίας εξακολουθεί να εξαρτάται από την πρωτοτυπία, την τεκμηρίωση, τη μεθοδολογική συνέπεια και την κριτική σκέψη του ερευνητή. Η υπεύθυνη χρήση AI απαιτεί, συνεπώς, διαφάνεια, επαλήθευση των αποτελεσμάτων, σωστή αναφορά της χρήσης AI όπου απαιτείται και πλήρη ανάληψη ευθύνης για το τελικό κείμενο. Η σχετική σελίδα του ΑΠΘ δεν ήταν απευθείας προσβάσιμη μέσω του εργαλείου αναζήτησης, οπότε η σύνοψη βασίζεται στα διαθέσιμα στοιχεία της Βιβλιοθήκης ΑΠΘ και στις σχετικές υπηρεσίες της.

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ
  • AI στην ακαδημαϊκή γραφή: εργαλείο υποστήριξης, όχι αντικατάσταση του συγγραφέα.
  • Κριτική σκέψη: κάθε αποτέλεσμα AI χρειάζεται αξιολόγηση και επαλήθευση.
  • Ακρίβεια: η AI μπορεί να δημιουργήσει λάθη ή ψευδείς βιβλιογραφικές αναφορές.
  • Ακαδημαϊκή ακεραιότητα: πρέπει να αποφεύγονται λογοκλοπή και παραπλανητική παρουσίαση έργου.
  • Βιβλιογραφία: οι πηγές πρέπει να ελέγχονται ανεξάρτητα.
  • Διαφάνεια: όπου απαιτείται, πρέπει να δηλώνεται η χρήση εργαλείων AI.
  • Πνευματική ιδιοκτησία: χρειάζεται προσοχή στο υλικό που εισάγεται και παράγεται από συστήματα AI.
  • Υπευθυνότητα: την τελική ευθύνη για το ακαδημαϊκό κείμενο την έχει ο συγγραφέας.

ΠΗΓΗ]]> <![CDATA[Όταν η Τεχνητή Νοημοσύνη Διαβάζει Τεχνητή Νοημοσύνη]]> https://mklab.gr/showthread.php?tid=2302 Wed, 30 Sep 2026 04:22:28 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2302 εκπαίδευση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) βασίζεται σε τεράστιες ποσότητες κειμένων από το διαδίκτυο. Ωστόσο, καθώς ολοένα περισσότερα διαδικτυακά κείμενα παράγονται πλέον από άλλα συστήματα τεχνητής νοημοσύνης, δημιουργείται ένας νέος κύκλος: η AI εκπαιδεύεται πάνω σε περιεχόμενο που έχει ήδη παραχθεί από AI. Ο συγγραφέας παρομοιάζει αυτή την κατάσταση με έναν καθρέφτη που αντανακλά έναν άλλο καθρέφτη, επισημαίνοντας τον κίνδυνο να χαθεί σταδιακά η άμεση επαφή των μοντέλων με την ανθρώπινη δημιουργία.

Η διαδικασία αυτή μπορεί να δημιουργήσει ένα feedback loop, όπου η έξοδος ενός συστήματος επιστρέφει ως είσοδος για την επόμενη γενιά συστημάτων. Σύμφωνα με το άρθρο, όταν τα LLMs εκπαιδεύονται όλο και περισσότερο σε συνθετικό περιεχόμενο, υπάρχει κίνδυνος να περιοριστεί η ποικιλία της γλώσσας και να αυξηθεί η ανακύκλωση ήδη υπαρχόντων μοτίβων. Αντί για αυθεντικές ανθρώπινες εμπειρίες, λάθη, ιδιωματισμούς και απρόβλεπτες εκφράσεις, τα μοντέλα μπορεί να συναντούν κείμενα που έχουν ήδη υποστεί «γλωσσική εξομάλυνση» από προηγούμενα μοντέλα.

Το άρθρο αντιπαραθέτει αυτή την τάση με την ανθρώπινη δημιουργικότητα, η οποία συνδέεται με πραγματικές εμπειρίες, συναισθήματα, μνήμες και αλληλεπίδραση με τον φυσικό κόσμο. Ένα κείμενο που παράγεται από AI μπορεί να είναι σωστό, καλογραμμένο και πειστικό, χωρίς όμως να σημαίνει ότι περιέχει νέα εμπειρική γνώση. Έτσι εμφανίζεται η «μεγάλη ψευδαίσθηση»: η επιφανειακή ποιότητα μπορεί να δημιουργεί την εντύπωση προόδου, ενώ στην πραγματικότητα το σύστημα ενδέχεται να ανασυνδυάζει όλο και περισσότερο υλικό που έχει ήδη παραχθεί. 

Στο τέλος, ο συγγραφέας δίνει έμφαση στην αξία του απρόβλεπτου και της ανθρώπινης πρωτοτυπίας. Η AI μπορεί να προβλέπει, να συμπληρώνει και να ανασυνθέτει γλωσσικά μοτίβα, ενώ η ανθρώπινη δημιουργία συνδέεται με προσωπικές εμπειρίες και απρόβλεπτες συνδέσεις. Το βασικό μήνυμα είναι ότι, όσο αυξάνεται η παρουσία της AI στην παραγωγή περιεχομένου, οι άνθρωποι χρειάζεται να συνεχίσουν να γράφουν και να δημιουργούν πρωτογενές περιεχόμενο, ώστε η πληροφοριακή βάση πάνω στην οποία εκπαιδεύονται τα μελλοντικά μοντέλα να μην αποτελεί απλώς μια ανακύκλωση προηγούμενων μηχανικά παραγόμενων κειμένων.

Βασικά συμπεράσματα
  • LLMs και συνθετικό περιεχόμενο: Η AI παράγει ολοένα μεγαλύτερο μέρος του διαδικτυακού κειμένου.
  • Feedback loop: Η AI μπορεί να εκπαιδεύεται πάνω σε περιεχόμενο που έχει δημιουργηθεί από προηγούμενη AI.
  • Απώλεια πρωτογενούς ανθρώπινου στίγματος: Υπάρχει κίνδυνος να μειωθεί η παρουσία αυθεντικών ανθρώπινων εμπειριών και εκφράσεων.
  • Ανακύκλωση πληροφορίας: Η επαναλαμβανόμενη εκπαίδευση σε συνθετικό περιεχόμενο μπορεί να ενισχύσει την επανάληψη ήδη υπαρχόντων μοτίβων.
  • Ψευδαίσθηση προόδου: Ένα κείμενο μπορεί να είναι γλωσσικά άρτιο χωρίς να προσφέρει πραγματικά νέα γνώση.
  • Ανθρώπινη δημιουργικότητα: Η εμπειρία, η μνήμη, το συναίσθημα και το απρόβλεπτο αποτελούν σημαντικές πηγές πρωτοτυπίας.
  • Κεντρικό μήνυμα: Η διατήρηση της ανθρώπινης παραγωγής πρωτογενούς περιεχομένου παραμένει σημαντική σε έναν κόσμο όπου η AI αρχίζει να «διαβάζει» όλο και περισσότερο τον εαυτό της.

ΠΗΓΗ]]> εκπαίδευση των Μεγάλων Γλωσσικών Μοντέλων (LLMs) βασίζεται σε τεράστιες ποσότητες κειμένων από το διαδίκτυο. Ωστόσο, καθώς ολοένα περισσότερα διαδικτυακά κείμενα παράγονται πλέον από άλλα συστήματα τεχνητής νοημοσύνης, δημιουργείται ένας νέος κύκλος: η AI εκπαιδεύεται πάνω σε περιεχόμενο που έχει ήδη παραχθεί από AI. Ο συγγραφέας παρομοιάζει αυτή την κατάσταση με έναν καθρέφτη που αντανακλά έναν άλλο καθρέφτη, επισημαίνοντας τον κίνδυνο να χαθεί σταδιακά η άμεση επαφή των μοντέλων με την ανθρώπινη δημιουργία.

Η διαδικασία αυτή μπορεί να δημιουργήσει ένα feedback loop, όπου η έξοδος ενός συστήματος επιστρέφει ως είσοδος για την επόμενη γενιά συστημάτων. Σύμφωνα με το άρθρο, όταν τα LLMs εκπαιδεύονται όλο και περισσότερο σε συνθετικό περιεχόμενο, υπάρχει κίνδυνος να περιοριστεί η ποικιλία της γλώσσας και να αυξηθεί η ανακύκλωση ήδη υπαρχόντων μοτίβων. Αντί για αυθεντικές ανθρώπινες εμπειρίες, λάθη, ιδιωματισμούς και απρόβλεπτες εκφράσεις, τα μοντέλα μπορεί να συναντούν κείμενα που έχουν ήδη υποστεί «γλωσσική εξομάλυνση» από προηγούμενα μοντέλα.

Το άρθρο αντιπαραθέτει αυτή την τάση με την ανθρώπινη δημιουργικότητα, η οποία συνδέεται με πραγματικές εμπειρίες, συναισθήματα, μνήμες και αλληλεπίδραση με τον φυσικό κόσμο. Ένα κείμενο που παράγεται από AI μπορεί να είναι σωστό, καλογραμμένο και πειστικό, χωρίς όμως να σημαίνει ότι περιέχει νέα εμπειρική γνώση. Έτσι εμφανίζεται η «μεγάλη ψευδαίσθηση»: η επιφανειακή ποιότητα μπορεί να δημιουργεί την εντύπωση προόδου, ενώ στην πραγματικότητα το σύστημα ενδέχεται να ανασυνδυάζει όλο και περισσότερο υλικό που έχει ήδη παραχθεί. 

Στο τέλος, ο συγγραφέας δίνει έμφαση στην αξία του απρόβλεπτου και της ανθρώπινης πρωτοτυπίας. Η AI μπορεί να προβλέπει, να συμπληρώνει και να ανασυνθέτει γλωσσικά μοτίβα, ενώ η ανθρώπινη δημιουργία συνδέεται με προσωπικές εμπειρίες και απρόβλεπτες συνδέσεις. Το βασικό μήνυμα είναι ότι, όσο αυξάνεται η παρουσία της AI στην παραγωγή περιεχομένου, οι άνθρωποι χρειάζεται να συνεχίσουν να γράφουν και να δημιουργούν πρωτογενές περιεχόμενο, ώστε η πληροφοριακή βάση πάνω στην οποία εκπαιδεύονται τα μελλοντικά μοντέλα να μην αποτελεί απλώς μια ανακύκλωση προηγούμενων μηχανικά παραγόμενων κειμένων.

Βασικά συμπεράσματα
  • LLMs και συνθετικό περιεχόμενο: Η AI παράγει ολοένα μεγαλύτερο μέρος του διαδικτυακού κειμένου.
  • Feedback loop: Η AI μπορεί να εκπαιδεύεται πάνω σε περιεχόμενο που έχει δημιουργηθεί από προηγούμενη AI.
  • Απώλεια πρωτογενούς ανθρώπινου στίγματος: Υπάρχει κίνδυνος να μειωθεί η παρουσία αυθεντικών ανθρώπινων εμπειριών και εκφράσεων.
  • Ανακύκλωση πληροφορίας: Η επαναλαμβανόμενη εκπαίδευση σε συνθετικό περιεχόμενο μπορεί να ενισχύσει την επανάληψη ήδη υπαρχόντων μοτίβων.
  • Ψευδαίσθηση προόδου: Ένα κείμενο μπορεί να είναι γλωσσικά άρτιο χωρίς να προσφέρει πραγματικά νέα γνώση.
  • Ανθρώπινη δημιουργικότητα: Η εμπειρία, η μνήμη, το συναίσθημα και το απρόβλεπτο αποτελούν σημαντικές πηγές πρωτοτυπίας.
  • Κεντρικό μήνυμα: Η διατήρηση της ανθρώπινης παραγωγής πρωτογενούς περιεχομένου παραμένει σημαντική σε έναν κόσμο όπου η AI αρχίζει να «διαβάζει» όλο και περισσότερο τον εαυτό της.

ΠΗΓΗ]]> <![CDATA[Τεχνητή Νοημοσύνη: Η εκτόπιση της εργασίας [Θόδωρου Σκυλακάκη]]]> https://mklab.gr/showthread.php?tid=2301 Wed, 30 Sep 2026 04:18:55 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2301 Θόδωρου Σκυλακάκη, Τεχνητή νοημοσύνη: Η εκτόπιση της εργασίας, εξετάζει τις οικονομικές και κοινωνικές συνέπειες της Τεχνητής Νοημοσύνης (ΤΝ) και της αυτοματοποίησης. Κεντρική θέση είναι ότι η ΤΝ αποτελεί μια ιδιαίτερη τεχνολογική τομή, επειδή μπορεί να υποκαταστήσει όχι μόνο χειρωνακτική, αλλά και νοητική εργασία, σε συνδυασμό με ρομπότ, drones και αυτοκινούμενα οχήματα. Ο συγγραφέας θεωρεί ότι αυτή η εξέλιξη μπορεί να οδηγήσει σε πολύ μεγάλη αύξηση της παραγωγικότητας και του πλούτου, αλλά ταυτόχρονα να προκαλέσει σημαντικές ανακατατάξεις στην αγορά εργασίας.

Ιδιαίτερη έμφαση δίνεται στην πιθανότητα εκτόπισης εργαζομένων σε επαγγέλματα που μέχρι πρόσφατα θεωρούνταν σχετικά προστατευμένα από την αυτοματοποίηση. Ο συγγραφέας αναφέρεται ειδικότερα σε υπηρεσίες γνώσης, όπως τα νομικά, τα λογιστικά και οι συμβουλευτικές υπηρεσίες. Η αύξηση της παραγωγικότητας μπορεί να μειώσει το κόστος πολλών υπηρεσιών και να δημιουργήσει νέο πλούτο, όμως η ζήτηση για ορισμένες ανθρώπινες υπηρεσίες ενδέχεται να μην αυξηθεί αντίστοιχα. Έτσι, η τεχνολογική πρόοδος μπορεί να συνυπάρξει με ανισότητες, πίεση σε συγκεκριμένες κατηγορίες εργαζομένων και ευρύτερη αναδιάρθρωση της οικονομίας. 

Το βιβλίο δεν περιορίζεται στην τεχνολογική ή οικονομική διάσταση, αλλά εξετάζει και το ζήτημα της κοινωνικής οργάνωσης μετά την εργασία. Η βασική πρόταση του συγγραφέα είναι η μετάβαση από μια «κοινωνία μισθωτών» σε μια κοινωνία ιδιοκτητών, μέσω ενός Καθολικού Βασικού Κεφαλαίου. Η ιδέα είναι ότι, εφόσον η παραγωγή γίνεται ολοένα περισσότερο από αυτοματοποιημένα συστήματα, η ευημερία δεν θα πρέπει να εξαρτάται αποκλειστικά από την κατοχή μιας θέσης εργασίας. Το βιβλίο συνδέει επομένως την τεχνολογική αλλαγή με ζητήματα διανομής του πλούτου, οικονομικής ασφάλειας και ανθρώπινης αξιοπρέπειας. 

Τέλος, ο Σκυλακάκης εξετάζει την πολιτική διάσταση της επανάστασης της ΤΝ και τον κίνδυνο δημιουργίας τεχνολογικών συστημάτων που θα είναι δύσκολο να ελεγχθούν από την κοινωνία. Η συζήτηση συνδέεται με το μέλλον της δημοκρατίας, τον αυταρχισμό και την ανάγκη θεσμών που θα μπορούν να διαχειριστούν τη νέα τεχνολογική πραγματικότητα. Συνολικά, το βιβλίο παρουσιάζει την ΤΝ ως μια εξέλιξη με διπλή όψη: από τη μία πλευρά τεράστιες δυνατότητες παραγωγικότητας και δημιουργίας πλούτου και από την άλλη σοβαρές προκλήσεις για την εργασία, την ανισότητα και την πολιτική οργάνωση της κοινωνίας. Το βιβλίο κυκλοφόρησε το 2026 από τις Εκδόσεις Καστανιώτη και έχει 328 σελίδες.

Βασικά συμπεράσματα
  1. Η ΤΝ μπορεί να αυτοματοποιήσει τόσο νοητική όσο και φυσική εργασία.
  2. Η παραγωγικότητα μπορεί να αυξηθεί δραματικά, δημιουργώντας νέο πλούτο.
  3. Η τεχνολογική πρόοδος μπορεί ταυτόχρονα να εντείνει την ανισότητα.
  4. Ιδιαίτερη πίεση μπορεί να δεχθούν επαγγέλματα υπηρεσιών γνώσης.
  5. Η εκτόπιση της εργασίας δημιουργεί το ερώτημα πώς θα διανέμεται ο πλούτος που παράγουν οι αυτοματοποιημένες οικονομίες.
  6. Η πρόταση του συγγραφέα είναι το Καθολικό Βασικό Κεφάλαιο, με στόχο τη μετάβαση σε μια κοινωνία ιδιοκτητών.
  7. Η τεχνολογική αλλαγή είναι ταυτόχρονα οικονομικό, κοινωνικό και πολιτικό ζήτημα.
  8. Κρίσιμο ερώτημα είναι ο ανθρώπινος έλεγχος της ΤΝ και η προστασία των δημοκρατικών θεσμών. 

Πηγή: Θόδωρος Σκυλακάκης, Τεχνητή νοημοσύνη: Η εκτόπιση της εργασίας – Καθολικό Βασικό Κεφάλαιο, Ελευθερία και αξιοπρέπεια σε έναν κόσμο χωρίς μισθό, Εκδόσεις Καστανιώτη, 2026. (Εκδόσεις Καστανιώτη)]]> Θόδωρου Σκυλακάκη, Τεχνητή νοημοσύνη: Η εκτόπιση της εργασίας, εξετάζει τις οικονομικές και κοινωνικές συνέπειες της Τεχνητής Νοημοσύνης (ΤΝ) και της αυτοματοποίησης. Κεντρική θέση είναι ότι η ΤΝ αποτελεί μια ιδιαίτερη τεχνολογική τομή, επειδή μπορεί να υποκαταστήσει όχι μόνο χειρωνακτική, αλλά και νοητική εργασία, σε συνδυασμό με ρομπότ, drones και αυτοκινούμενα οχήματα. Ο συγγραφέας θεωρεί ότι αυτή η εξέλιξη μπορεί να οδηγήσει σε πολύ μεγάλη αύξηση της παραγωγικότητας και του πλούτου, αλλά ταυτόχρονα να προκαλέσει σημαντικές ανακατατάξεις στην αγορά εργασίας.

Ιδιαίτερη έμφαση δίνεται στην πιθανότητα εκτόπισης εργαζομένων σε επαγγέλματα που μέχρι πρόσφατα θεωρούνταν σχετικά προστατευμένα από την αυτοματοποίηση. Ο συγγραφέας αναφέρεται ειδικότερα σε υπηρεσίες γνώσης, όπως τα νομικά, τα λογιστικά και οι συμβουλευτικές υπηρεσίες. Η αύξηση της παραγωγικότητας μπορεί να μειώσει το κόστος πολλών υπηρεσιών και να δημιουργήσει νέο πλούτο, όμως η ζήτηση για ορισμένες ανθρώπινες υπηρεσίες ενδέχεται να μην αυξηθεί αντίστοιχα. Έτσι, η τεχνολογική πρόοδος μπορεί να συνυπάρξει με ανισότητες, πίεση σε συγκεκριμένες κατηγορίες εργαζομένων και ευρύτερη αναδιάρθρωση της οικονομίας. 

Το βιβλίο δεν περιορίζεται στην τεχνολογική ή οικονομική διάσταση, αλλά εξετάζει και το ζήτημα της κοινωνικής οργάνωσης μετά την εργασία. Η βασική πρόταση του συγγραφέα είναι η μετάβαση από μια «κοινωνία μισθωτών» σε μια κοινωνία ιδιοκτητών, μέσω ενός Καθολικού Βασικού Κεφαλαίου. Η ιδέα είναι ότι, εφόσον η παραγωγή γίνεται ολοένα περισσότερο από αυτοματοποιημένα συστήματα, η ευημερία δεν θα πρέπει να εξαρτάται αποκλειστικά από την κατοχή μιας θέσης εργασίας. Το βιβλίο συνδέει επομένως την τεχνολογική αλλαγή με ζητήματα διανομής του πλούτου, οικονομικής ασφάλειας και ανθρώπινης αξιοπρέπειας. 

Τέλος, ο Σκυλακάκης εξετάζει την πολιτική διάσταση της επανάστασης της ΤΝ και τον κίνδυνο δημιουργίας τεχνολογικών συστημάτων που θα είναι δύσκολο να ελεγχθούν από την κοινωνία. Η συζήτηση συνδέεται με το μέλλον της δημοκρατίας, τον αυταρχισμό και την ανάγκη θεσμών που θα μπορούν να διαχειριστούν τη νέα τεχνολογική πραγματικότητα. Συνολικά, το βιβλίο παρουσιάζει την ΤΝ ως μια εξέλιξη με διπλή όψη: από τη μία πλευρά τεράστιες δυνατότητες παραγωγικότητας και δημιουργίας πλούτου και από την άλλη σοβαρές προκλήσεις για την εργασία, την ανισότητα και την πολιτική οργάνωση της κοινωνίας. Το βιβλίο κυκλοφόρησε το 2026 από τις Εκδόσεις Καστανιώτη και έχει 328 σελίδες.

Βασικά συμπεράσματα
  1. Η ΤΝ μπορεί να αυτοματοποιήσει τόσο νοητική όσο και φυσική εργασία.
  2. Η παραγωγικότητα μπορεί να αυξηθεί δραματικά, δημιουργώντας νέο πλούτο.
  3. Η τεχνολογική πρόοδος μπορεί ταυτόχρονα να εντείνει την ανισότητα.
  4. Ιδιαίτερη πίεση μπορεί να δεχθούν επαγγέλματα υπηρεσιών γνώσης.
  5. Η εκτόπιση της εργασίας δημιουργεί το ερώτημα πώς θα διανέμεται ο πλούτος που παράγουν οι αυτοματοποιημένες οικονομίες.
  6. Η πρόταση του συγγραφέα είναι το Καθολικό Βασικό Κεφάλαιο, με στόχο τη μετάβαση σε μια κοινωνία ιδιοκτητών.
  7. Η τεχνολογική αλλαγή είναι ταυτόχρονα οικονομικό, κοινωνικό και πολιτικό ζήτημα.
  8. Κρίσιμο ερώτημα είναι ο ανθρώπινος έλεγχος της ΤΝ και η προστασία των δημοκρατικών θεσμών. 

Πηγή: Θόδωρος Σκυλακάκης, Τεχνητή νοημοσύνη: Η εκτόπιση της εργασίας – Καθολικό Βασικό Κεφάλαιο, Ελευθερία και αξιοπρέπεια σε έναν κόσμο χωρίς μισθό, Εκδόσεις Καστανιώτη, 2026. (Εκδόσεις Καστανιώτη)]]> <![CDATA[Όταν η Τεχνητή Νοημοσύνη γράφει τις εργασίες]]> https://mklab.gr/showthread.php?tid=2300 Wed, 30 Sep 2026 04:14:25 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2300 Τεχνητή Νοημοσύνη (ΤΝ) αλλάζει γρήγορα την πραγματικότητα στα πανεπιστήμια, καθώς οι φοιτητές χρησιμοποιούν πλέον εργαλεία παραγωγικής ΤΝ για τη συγγραφή εργασιών, την ανάλυση δεδομένων, την παραγωγή κώδικα και την αναζήτηση βιβλιογραφίας. Σύμφωνα με τα στοιχεία που παρουσιάζει το άρθρο, στη Βρετανία το 94% των προπτυχιακών φοιτητών χρησιμοποιεί εργαλεία ΤΝ στις εργασίες του, ενώ 12% δηλώνει ότι έχει αντιγράψει αυτούσιο κείμενο που παρήγαγε σύστημα ΤΝ. Το ποσοστό αυτό εμφανίζεται σημαντικά αυξημένο σε σχέση με το 2024. 

Ένα από τα σημαντικότερα ζητήματα αφορά την αξιολόγηση των φοιτητών. Σε αμερικανικό πανεπιστήμιο, μετά την εμφάνιση του ChatGPT, οι άριστοι βαθμοί αυξήθηκαν περίπου κατά 30% σε μαθήματα που βασίζονται στη συγγραφή κειμένων ή στην παραγωγή κώδικα. Αντίθετα, στα μαθήματα που απαιτούν εργαστηριακές δεξιότητες, φυσική παρουσία και πρακτική εφαρμογή, οι επιδόσεις παρέμειναν σχεδόν αμετάβλητες. Αυτό δημιουργεί το ερώτημα κατά πόσο ένας υψηλός βαθμός εξακολουθεί να αποτυπώνει με ακρίβεια τις πραγματικές γνώσεις και δεξιότητες του φοιτητή. 

Το πρόβλημα, σύμφωνα με το άρθρο, δεν περιορίζεται στην παραδοσιακή αντιγραφή. Η ΤΝ μπορεί να αναλάβει μεγάλο μέρος της διαδικασίας παραγωγής μιας εργασίας, με αποτέλεσμα να αμφισβητείται ο τρόπος με τον οποίο το πανεπιστήμιο μετρά τη γνώση, την κριτική σκέψη, τη δημιουργικότητα και την προσωπική συμβολή. Επομένως, η απλή απαγόρευση της ΤΝ θεωρείται ανεπαρκής· απαιτείται επανασχεδιασμός των μορφών διδασκαλίας και αξιολόγησης, ώστε να αξιολογούνται περισσότερο οι πραγματικές ικανότητες του φοιτητή.

Στην ελληνική ανώτατη εκπαίδευση, η συζήτηση βρίσκεται επίσης σε εξέλιξη, αλλά το άρθρο υποστηρίζει ότι η αντιμετώπιση συχνά περιορίζεται στο ζήτημα της ηθικής της αντιγραφής, χωρίς αντίστοιχο μετασχηματισμό της εκπαιδευτικής διαδικασίας. Η ΤΝ επηρεάζει ήδη όχι μόνο τις φοιτητικές εργασίες αλλά και την έρευνα, την επιστημονική συγγραφή, την παραγωγή γνώσης και την αγορά εργασίας. Το βασικό ερώτημα για το πανεπιστήμιο της επόμενης ημέρας είναι επομένως πώς θα ενσωματώσει την ΤΝ χωρίς να υπονομευθεί η αξιοπιστία των τίτλων σπουδών και, ταυτόχρονα, πώς θα προετοιμάσει τους αποφοίτους για έναν κόσμο όπου η χρήση τέτοιων εργαλείων θα αποτελεί καθημερινή πρακτική. 

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ
  • 94% των Βρετανών προπτυχιακών φοιτητών χρησιμοποιεί ΤΝ στις εργασίες του.
  • 12% δηλώνει ότι έχει αντιγράψει αυτούσιο περιεχόμενο που παρήγαγε ΤΝ.
  • Οι άριστοι βαθμοί αυξήθηκαν περίπου 30% σε μαθήματα που βασίζονται σε κείμενο και κώδικα.
  • Η ΤΝ μετατρέπει την ακαδημαϊκή εργασία από διαδικασία προσωπικής παραγωγής σε διαδικασία όπου μέρος της παραγωγής μπορεί να αυτοματοποιηθεί.
  • Το βασικό πρόβλημα δεν είναι μόνο η λογοκλοπή, αλλά η εγκυρότητα της αξιολόγησης.
  • Χρειάζονται νέες μορφές εξετάσεων και εργασιών που να αξιολογούν κριτική σκέψη, κατανόηση και προσωπική συμβολή.
  • Η απαγόρευση της ΤΝ δεν αντιμετωπίζει από μόνη της το πρόβλημα.
  • Το πανεπιστήμιο πρέπει να διασφαλίσει ότι το πτυχίο εξακολουθεί να πιστοποιεί πραγματικές γνώσεις και δεξιότητες.
  • Η ΤΝ αποτελεί πλέον μέρος της έρευνας, της εκπαίδευσης και της αγοράς εργασίας και όχι προσωρινή τεχνολογική τάση. 

Το πλήρες άρθρο στο Alfavita]]> Τεχνητή Νοημοσύνη (ΤΝ) αλλάζει γρήγορα την πραγματικότητα στα πανεπιστήμια, καθώς οι φοιτητές χρησιμοποιούν πλέον εργαλεία παραγωγικής ΤΝ για τη συγγραφή εργασιών, την ανάλυση δεδομένων, την παραγωγή κώδικα και την αναζήτηση βιβλιογραφίας. Σύμφωνα με τα στοιχεία που παρουσιάζει το άρθρο, στη Βρετανία το 94% των προπτυχιακών φοιτητών χρησιμοποιεί εργαλεία ΤΝ στις εργασίες του, ενώ 12% δηλώνει ότι έχει αντιγράψει αυτούσιο κείμενο που παρήγαγε σύστημα ΤΝ. Το ποσοστό αυτό εμφανίζεται σημαντικά αυξημένο σε σχέση με το 2024. 

Ένα από τα σημαντικότερα ζητήματα αφορά την αξιολόγηση των φοιτητών. Σε αμερικανικό πανεπιστήμιο, μετά την εμφάνιση του ChatGPT, οι άριστοι βαθμοί αυξήθηκαν περίπου κατά 30% σε μαθήματα που βασίζονται στη συγγραφή κειμένων ή στην παραγωγή κώδικα. Αντίθετα, στα μαθήματα που απαιτούν εργαστηριακές δεξιότητες, φυσική παρουσία και πρακτική εφαρμογή, οι επιδόσεις παρέμειναν σχεδόν αμετάβλητες. Αυτό δημιουργεί το ερώτημα κατά πόσο ένας υψηλός βαθμός εξακολουθεί να αποτυπώνει με ακρίβεια τις πραγματικές γνώσεις και δεξιότητες του φοιτητή. 

Το πρόβλημα, σύμφωνα με το άρθρο, δεν περιορίζεται στην παραδοσιακή αντιγραφή. Η ΤΝ μπορεί να αναλάβει μεγάλο μέρος της διαδικασίας παραγωγής μιας εργασίας, με αποτέλεσμα να αμφισβητείται ο τρόπος με τον οποίο το πανεπιστήμιο μετρά τη γνώση, την κριτική σκέψη, τη δημιουργικότητα και την προσωπική συμβολή. Επομένως, η απλή απαγόρευση της ΤΝ θεωρείται ανεπαρκής· απαιτείται επανασχεδιασμός των μορφών διδασκαλίας και αξιολόγησης, ώστε να αξιολογούνται περισσότερο οι πραγματικές ικανότητες του φοιτητή.

Στην ελληνική ανώτατη εκπαίδευση, η συζήτηση βρίσκεται επίσης σε εξέλιξη, αλλά το άρθρο υποστηρίζει ότι η αντιμετώπιση συχνά περιορίζεται στο ζήτημα της ηθικής της αντιγραφής, χωρίς αντίστοιχο μετασχηματισμό της εκπαιδευτικής διαδικασίας. Η ΤΝ επηρεάζει ήδη όχι μόνο τις φοιτητικές εργασίες αλλά και την έρευνα, την επιστημονική συγγραφή, την παραγωγή γνώσης και την αγορά εργασίας. Το βασικό ερώτημα για το πανεπιστήμιο της επόμενης ημέρας είναι επομένως πώς θα ενσωματώσει την ΤΝ χωρίς να υπονομευθεί η αξιοπιστία των τίτλων σπουδών και, ταυτόχρονα, πώς θα προετοιμάσει τους αποφοίτους για έναν κόσμο όπου η χρήση τέτοιων εργαλείων θα αποτελεί καθημερινή πρακτική. 

ΒΑΣΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ
  • 94% των Βρετανών προπτυχιακών φοιτητών χρησιμοποιεί ΤΝ στις εργασίες του.
  • 12% δηλώνει ότι έχει αντιγράψει αυτούσιο περιεχόμενο που παρήγαγε ΤΝ.
  • Οι άριστοι βαθμοί αυξήθηκαν περίπου 30% σε μαθήματα που βασίζονται σε κείμενο και κώδικα.
  • Η ΤΝ μετατρέπει την ακαδημαϊκή εργασία από διαδικασία προσωπικής παραγωγής σε διαδικασία όπου μέρος της παραγωγής μπορεί να αυτοματοποιηθεί.
  • Το βασικό πρόβλημα δεν είναι μόνο η λογοκλοπή, αλλά η εγκυρότητα της αξιολόγησης.
  • Χρειάζονται νέες μορφές εξετάσεων και εργασιών που να αξιολογούν κριτική σκέψη, κατανόηση και προσωπική συμβολή.
  • Η απαγόρευση της ΤΝ δεν αντιμετωπίζει από μόνη της το πρόβλημα.
  • Το πανεπιστήμιο πρέπει να διασφαλίσει ότι το πτυχίο εξακολουθεί να πιστοποιεί πραγματικές γνώσεις και δεξιότητες.
  • Η ΤΝ αποτελεί πλέον μέρος της έρευνας, της εκπαίδευσης και της αγοράς εργασίας και όχι προσωρινή τεχνολογική τάση. 

Το πλήρες άρθρο στο Alfavita]]> <![CDATA[Τεχνητή Νοημοσύνη: Ποιος είναι ο πραγματικός κίνδυνος]]> https://mklab.gr/showthread.php?tid=2292 Wed, 30 Sep 2026 02:15:00 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2292 Κωνσταντίνος Δασκαλάκης, καθηγητής στο MIT και πρώην πρόεδρος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, διαχωρίζει δύο διαφορετικές κατηγορίες κινδύνων από την Τεχνητή Νοημοσύνη (ΤΝ). Από τη μία βρίσκεται το υποθετικό σενάριο της πλήρους απώλειας του ανθρώπινου ελέγχου, το οποίο, σύμφωνα με τον ίδιο, δεν αποτελεί ακόμη πραγματικότητα. Από την άλλη υπάρχει ένας ήδη υπαρκτός κίνδυνος: η απρόβλεπτη ή ανεπιθύμητη συμπεριφορά των προηγμένων μοντέλων. Η πολυπλοκότητα των μεγάλων νευρωνικών δικτύων τα καθιστά ταυτόχρονα ιδιαίτερα ικανά αλλά και δύσκολα πλήρως προβλέψιμα. 

Ιδιαίτερο πρόβλημα αποτελούν τα μεγάλα γλωσσικά μοντέλα (LLMs), επειδή δεν είναι πάντοτε δυνατό να πιστοποιηθεί η αξιοπιστία των απαντήσεών τους. Μπορούν, για παράδειγμα, να επινοήσουν ανύπαρκτες πηγές, να παραμορφώσουν πραγματικές πληροφορίες ή να παράγουν λανθασμένες απαντήσεις. Η σοβαρότητα εξαρτάται από τη χρήση: ένα λάθος σε μια απλή βιβλιογραφική αναζήτηση μπορεί να διορθωθεί με ανθρώπινο έλεγχο, ενώ σε επικίνδυνες εφαρμογές απαιτούνται πολύ ισχυρότερες δικλείδες ασφαλείας. Οι υπάρχοντες μηχανισμοί προστασίας μπορούν επίσης, υπό ορισμένες συνθήκες, να παρακαμφθούν, ιδιαίτερα σε ανοιχτά μοντέλα. 

Ο κίνδυνος αυξάνεται σημαντικά όταν η ΤΝ μετατρέπεται από σύστημα που απλώς παρέχει απαντήσεις σε αυτόνομο πράκτορα (AI agent) που μπορεί να γράφει και να εκτελεί κώδικα, να χρησιμοποιεί εργαλεία και να πραγματοποιεί ακολουθίες ενεργειών με περιορισμένη ανθρώπινη παρέμβαση. Ο Δασκαλάκης θεωρεί ιδιαίτερα σημαντικό το ζήτημα των κυβερνοεπιθέσεων, καθώς ισχυρά μοντέλα έχουν ήδη διαδοθεί και δεν είναι δυνατόν να αντιμετωπιστεί ο κίνδυνος μόνο περιορίζοντας την ανάπτυξη των επόμενων γενεών μοντέλων. Επιπλέον, καθώς η ΤΝ ενσωματώνεται σε ρομπότ, αυτοκίνητα και συστήματα λήψης αποφάσεων, τα ψηφιακά σφάλματα μπορούν να αποκτήσουν άμεσες συνέπειες στον πραγματικό κόσμο.

Ως αντιμετώπιση, το άρθρο αναδεικνύει την ανάγκη για αυστηρό έλεγχο, δοκιμές ανάλογες με το επίπεδο κινδύνου και κατάλληλο ρυθμιστικό πλαίσιο. Παράλληλα, η ίδια η ΤΝ μπορεί να χρησιμοποιηθεί αμυντικά: προηγμένα μοντέλα μπορούν να εντοπίζουν ευπάθειες, να παρακολουθούν συστήματα και να βοηθούν στην αντιμετώπιση κυβερνοεπιθέσεων. Έτσι, το βασικό ζήτημα δεν παρουσιάζεται απλώς ως «να σταματήσει η ανάπτυξη της ΤΝ», αλλά ως πρόβλημα ελέγχου, ασφάλειας και υπεύθυνης ενσωμάτωσης μιας τεχνολογίας που ήδη είναι διαθέσιμη και εξελίσσεται γρήγορα.

Βασικά συμπεράσματα
  1. Ο άμεσος κίνδυνος δεν είναι απαραίτητα η πλήρης απώλεια ελέγχου από την ΤΝ, αλλά η απρόβλεπτη και ανεπιθύμητη συμπεριφορά των μοντέλων.
  2. Τα LLMs μπορούν να παράγουν πειστικές αλλά λανθασμένες πληροφορίες, επομένως απαιτείται ανθρώπινη επαλήθευση.
  3. Οι δικλείδες ασφαλείας των μοντέλων δεν παρέχουν απόλυτη προστασία και μπορούν σε ορισμένες περιπτώσεις να παρακαμφθούν.
  4. Οι AI agents δημιουργούν μεγαλύτερο κίνδυνο επειδή μπορούν να εκτελούν πραγματικές ενέργειες και κώδικα με περιορισμένη ανθρώπινη παρέμβαση.
  5. Οι κυβερνοεπιθέσεις με χρήση ΤΝ αποτελούν μία από τις πιο άμεσες και τεκμηριωμένες ανησυχίες.
  6. Η ενσωμάτωση της ΤΝ σε ρομπότ, αυτοκίνητα και συστήματα αποφάσεων μεταφέρει τον κίνδυνο από τον ψηφιακό στον φυσικό κόσμο.
  7. Χρειάζονται αυστηρές δοκιμές, μηχανισμοί ελέγχου και ρυθμιστικό πλαίσιο ανάλογα με το επίπεδο κινδύνου.
  8. Η ΤΝ μπορεί να χρησιμοποιηθεί και ως αμυντικό εργαλείο, ιδιαίτερα για την ενίσχυση της κυβερνοασφάλειας.

ARTICLE]]> Κωνσταντίνος Δασκαλάκης, καθηγητής στο MIT και πρώην πρόεδρος της Συμβουλευτικής Επιτροπής για την Τεχνητή Νοημοσύνη, διαχωρίζει δύο διαφορετικές κατηγορίες κινδύνων από την Τεχνητή Νοημοσύνη (ΤΝ). Από τη μία βρίσκεται το υποθετικό σενάριο της πλήρους απώλειας του ανθρώπινου ελέγχου, το οποίο, σύμφωνα με τον ίδιο, δεν αποτελεί ακόμη πραγματικότητα. Από την άλλη υπάρχει ένας ήδη υπαρκτός κίνδυνος: η απρόβλεπτη ή ανεπιθύμητη συμπεριφορά των προηγμένων μοντέλων. Η πολυπλοκότητα των μεγάλων νευρωνικών δικτύων τα καθιστά ταυτόχρονα ιδιαίτερα ικανά αλλά και δύσκολα πλήρως προβλέψιμα. 

Ιδιαίτερο πρόβλημα αποτελούν τα μεγάλα γλωσσικά μοντέλα (LLMs), επειδή δεν είναι πάντοτε δυνατό να πιστοποιηθεί η αξιοπιστία των απαντήσεών τους. Μπορούν, για παράδειγμα, να επινοήσουν ανύπαρκτες πηγές, να παραμορφώσουν πραγματικές πληροφορίες ή να παράγουν λανθασμένες απαντήσεις. Η σοβαρότητα εξαρτάται από τη χρήση: ένα λάθος σε μια απλή βιβλιογραφική αναζήτηση μπορεί να διορθωθεί με ανθρώπινο έλεγχο, ενώ σε επικίνδυνες εφαρμογές απαιτούνται πολύ ισχυρότερες δικλείδες ασφαλείας. Οι υπάρχοντες μηχανισμοί προστασίας μπορούν επίσης, υπό ορισμένες συνθήκες, να παρακαμφθούν, ιδιαίτερα σε ανοιχτά μοντέλα. 

Ο κίνδυνος αυξάνεται σημαντικά όταν η ΤΝ μετατρέπεται από σύστημα που απλώς παρέχει απαντήσεις σε αυτόνομο πράκτορα (AI agent) που μπορεί να γράφει και να εκτελεί κώδικα, να χρησιμοποιεί εργαλεία και να πραγματοποιεί ακολουθίες ενεργειών με περιορισμένη ανθρώπινη παρέμβαση. Ο Δασκαλάκης θεωρεί ιδιαίτερα σημαντικό το ζήτημα των κυβερνοεπιθέσεων, καθώς ισχυρά μοντέλα έχουν ήδη διαδοθεί και δεν είναι δυνατόν να αντιμετωπιστεί ο κίνδυνος μόνο περιορίζοντας την ανάπτυξη των επόμενων γενεών μοντέλων. Επιπλέον, καθώς η ΤΝ ενσωματώνεται σε ρομπότ, αυτοκίνητα και συστήματα λήψης αποφάσεων, τα ψηφιακά σφάλματα μπορούν να αποκτήσουν άμεσες συνέπειες στον πραγματικό κόσμο.

Ως αντιμετώπιση, το άρθρο αναδεικνύει την ανάγκη για αυστηρό έλεγχο, δοκιμές ανάλογες με το επίπεδο κινδύνου και κατάλληλο ρυθμιστικό πλαίσιο. Παράλληλα, η ίδια η ΤΝ μπορεί να χρησιμοποιηθεί αμυντικά: προηγμένα μοντέλα μπορούν να εντοπίζουν ευπάθειες, να παρακολουθούν συστήματα και να βοηθούν στην αντιμετώπιση κυβερνοεπιθέσεων. Έτσι, το βασικό ζήτημα δεν παρουσιάζεται απλώς ως «να σταματήσει η ανάπτυξη της ΤΝ», αλλά ως πρόβλημα ελέγχου, ασφάλειας και υπεύθυνης ενσωμάτωσης μιας τεχνολογίας που ήδη είναι διαθέσιμη και εξελίσσεται γρήγορα.

Βασικά συμπεράσματα
  1. Ο άμεσος κίνδυνος δεν είναι απαραίτητα η πλήρης απώλεια ελέγχου από την ΤΝ, αλλά η απρόβλεπτη και ανεπιθύμητη συμπεριφορά των μοντέλων.
  2. Τα LLMs μπορούν να παράγουν πειστικές αλλά λανθασμένες πληροφορίες, επομένως απαιτείται ανθρώπινη επαλήθευση.
  3. Οι δικλείδες ασφαλείας των μοντέλων δεν παρέχουν απόλυτη προστασία και μπορούν σε ορισμένες περιπτώσεις να παρακαμφθούν.
  4. Οι AI agents δημιουργούν μεγαλύτερο κίνδυνο επειδή μπορούν να εκτελούν πραγματικές ενέργειες και κώδικα με περιορισμένη ανθρώπινη παρέμβαση.
  5. Οι κυβερνοεπιθέσεις με χρήση ΤΝ αποτελούν μία από τις πιο άμεσες και τεκμηριωμένες ανησυχίες.
  6. Η ενσωμάτωση της ΤΝ σε ρομπότ, αυτοκίνητα και συστήματα αποφάσεων μεταφέρει τον κίνδυνο από τον ψηφιακό στον φυσικό κόσμο.
  7. Χρειάζονται αυστηρές δοκιμές, μηχανισμοί ελέγχου και ρυθμιστικό πλαίσιο ανάλογα με το επίπεδο κινδύνου.
  8. Η ΤΝ μπορεί να χρησιμοποιηθεί και ως αμυντικό εργαλείο, ιδιαίτερα για την ενίσχυση της κυβερνοασφάλειας.

ARTICLE]]> <![CDATA[Οι τρεις «φυλές» της ΑΙ]]> https://mklab.gr/showthread.php?tid=2291 Wed, 30 Sep 2026 02:11:46 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2291 Νίκου Μαρκάτου στο Βήμα παρουσιάζει τη σημερινή συζήτηση για το μέλλον της Τεχνητής Νοημοσύνης (AI) ως αντιπαράθεση τριών βασικών προσεγγίσεων. Το βασικό δίλημμα είναι αν πρέπει να συνεχιστεί η ταχεία ανάπτυξη της AI ή να υπάρξει επιβράδυνση και αυστηρότερη ρύθμιση. Η συζήτηση δεν αφορά μόνο τη σχέση ανθρώπου και μηχανής, αλλά συνδέεται και με τον τεχνολογικό ανταγωνισμό ΗΠΑ–Κίνας. Μάλιστα, ειδικοί από τις δύο χώρες έχουν προτείνει διεθνείς δικλίδες ασφαλείας για την AI, κατ’ αναλογία με τις συμφωνίες ελέγχου των πυρηνικών όπλων.

Η πρώτη ομάδα αποτελείται από όσους προειδοποιούν για τους κινδύνους της ανεξέλεγκτης ανάπτυξης. Υποστηρίζουν ότι η αυξανόμενη αυτονομία των συστημάτων AI μπορεί να δημιουργήσει κινδύνους που δύσκολα θα ελεγχθούν από τον άνθρωπο και ζητούν κρατική παρέμβαση, νομοθεσία και διεθνή συνεργασία. Στην πλευρά αυτή αναφέρονται στελέχη και ερευνητές όπως ο Ντάριο Αμοντέι, ο Τζέφρι Χίντον και ο Γιόσουα Μπέντζιο, ενώ περισσότεροι από 1.300 επιστήμονες, ερευνητές και στελέχη έχουν υποστηρίξει σχετική έκκληση για ρυθμιστικά μέτρα. 

Η δεύτερη ομάδα τάσσεται υπέρ της συνέχισης της ταχείας ανάπτυξης και αντιμετωπίζει την υπερβολική ρύθμιση ως πιθανό εμπόδιο στην καινοτομία και την οικονομική ανάπτυξη. Παράλληλα, θεωρεί ότι αυστηροί περιορισμοί στις ΗΠΑ θα μπορούσαν να επιτρέψουν στην Κίνα να αποκτήσει τεχνολογικό προβάδισμα. Στο στρατόπεδο αυτό το άρθρο εντάσσει τον Ντόναλντ Τραμπ, τον Ντέιβιντ Σαξ, τον Τζένσεν Γουάνγκ της Nvidia και επενδυτές όπως οι Μαρκ Αντρεσεν και Μπεν Χόροβιτς. Έτσι, η ανάπτυξη της AI παρουσιάζεται όχι μόνο ως οικονομικός αλλά και ως γεωπολιτικός ανταγωνισμός.

Η τρίτη προσέγγιση αναζητά μια ενδιάμεση λύση, συνδυάζοντας την τεχνολογική καινοτομία με συγκεκριμένους κανόνες ασφαλείας. Εκπρόσωποί της δεν υποστηρίζουν ούτε την πλήρη επιτάχυνση ούτε μια γενικευμένη «παύση» της AI, αλλά προτείνουν στοχευμένη ρύθμιση, ελέγχους, δοκιμές και μηχανισμούς διαχείρισης κινδύνων. Το άρθρο αναφέρει μεταξύ άλλων τον Μπαράκ Ομπάμα, τον Τζον Θουν, τον Ντέμης Χασάμπη της Google DeepMind και τον Σατία Ναντέλα της Microsoft. Κεντρική ιδέα είναι ότι, παρά τον ανταγωνισμό ΗΠΑ–Κίνας, μπορούν να υπάρξουν κοινά πρότυπα ασφάλειας σε συγκεκριμένους τομείς.

Βασικά συμπεράσματα
  • Τρεις βασικές προσεγγίσεις: επιβράδυνση/ρύθμιση, ταχεία ανάπτυξη και ενδιάμεση λύση.
  • Η πρώτη δίνει έμφαση στους κινδύνους και στην ασφάλεια της AI.
  • Η δεύτερη δίνει έμφαση στην καινοτομία, τις επενδύσεις και τον ανταγωνισμό με την Κίνα.
  • Η τρίτη επιδιώκει ισορροπία μεταξύ καινοτομίας και ρύθμισης.
  • Η συζήτηση για την AI έχει πλέον και έντονη γεωπολιτική διάσταση.
  • Προτείνεται διεθνής συνεργασία σε ζητήματα δοκιμών, διαχείρισης κινδύνων και πρόληψης κρίσεων.
  • Το βασικό πρόβλημα είναι ότι η μελλοντική εξέλιξη της AI παραμένει αβέβαιη, γεγονός που δυσκολεύει τον σχεδιασμό κατάλληλων κανόνων. 

Πηγή:Το Βήμα — «Τεχνητή Νοημοσύνη: Οι τρεις “φυλές” της AI»]]> Νίκου Μαρκάτου στο Βήμα παρουσιάζει τη σημερινή συζήτηση για το μέλλον της Τεχνητής Νοημοσύνης (AI) ως αντιπαράθεση τριών βασικών προσεγγίσεων. Το βασικό δίλημμα είναι αν πρέπει να συνεχιστεί η ταχεία ανάπτυξη της AI ή να υπάρξει επιβράδυνση και αυστηρότερη ρύθμιση. Η συζήτηση δεν αφορά μόνο τη σχέση ανθρώπου και μηχανής, αλλά συνδέεται και με τον τεχνολογικό ανταγωνισμό ΗΠΑ–Κίνας. Μάλιστα, ειδικοί από τις δύο χώρες έχουν προτείνει διεθνείς δικλίδες ασφαλείας για την AI, κατ’ αναλογία με τις συμφωνίες ελέγχου των πυρηνικών όπλων.

Η πρώτη ομάδα αποτελείται από όσους προειδοποιούν για τους κινδύνους της ανεξέλεγκτης ανάπτυξης. Υποστηρίζουν ότι η αυξανόμενη αυτονομία των συστημάτων AI μπορεί να δημιουργήσει κινδύνους που δύσκολα θα ελεγχθούν από τον άνθρωπο και ζητούν κρατική παρέμβαση, νομοθεσία και διεθνή συνεργασία. Στην πλευρά αυτή αναφέρονται στελέχη και ερευνητές όπως ο Ντάριο Αμοντέι, ο Τζέφρι Χίντον και ο Γιόσουα Μπέντζιο, ενώ περισσότεροι από 1.300 επιστήμονες, ερευνητές και στελέχη έχουν υποστηρίξει σχετική έκκληση για ρυθμιστικά μέτρα. 

Η δεύτερη ομάδα τάσσεται υπέρ της συνέχισης της ταχείας ανάπτυξης και αντιμετωπίζει την υπερβολική ρύθμιση ως πιθανό εμπόδιο στην καινοτομία και την οικονομική ανάπτυξη. Παράλληλα, θεωρεί ότι αυστηροί περιορισμοί στις ΗΠΑ θα μπορούσαν να επιτρέψουν στην Κίνα να αποκτήσει τεχνολογικό προβάδισμα. Στο στρατόπεδο αυτό το άρθρο εντάσσει τον Ντόναλντ Τραμπ, τον Ντέιβιντ Σαξ, τον Τζένσεν Γουάνγκ της Nvidia και επενδυτές όπως οι Μαρκ Αντρεσεν και Μπεν Χόροβιτς. Έτσι, η ανάπτυξη της AI παρουσιάζεται όχι μόνο ως οικονομικός αλλά και ως γεωπολιτικός ανταγωνισμός.

Η τρίτη προσέγγιση αναζητά μια ενδιάμεση λύση, συνδυάζοντας την τεχνολογική καινοτομία με συγκεκριμένους κανόνες ασφαλείας. Εκπρόσωποί της δεν υποστηρίζουν ούτε την πλήρη επιτάχυνση ούτε μια γενικευμένη «παύση» της AI, αλλά προτείνουν στοχευμένη ρύθμιση, ελέγχους, δοκιμές και μηχανισμούς διαχείρισης κινδύνων. Το άρθρο αναφέρει μεταξύ άλλων τον Μπαράκ Ομπάμα, τον Τζον Θουν, τον Ντέμης Χασάμπη της Google DeepMind και τον Σατία Ναντέλα της Microsoft. Κεντρική ιδέα είναι ότι, παρά τον ανταγωνισμό ΗΠΑ–Κίνας, μπορούν να υπάρξουν κοινά πρότυπα ασφάλειας σε συγκεκριμένους τομείς.

Βασικά συμπεράσματα
  • Τρεις βασικές προσεγγίσεις: επιβράδυνση/ρύθμιση, ταχεία ανάπτυξη και ενδιάμεση λύση.
  • Η πρώτη δίνει έμφαση στους κινδύνους και στην ασφάλεια της AI.
  • Η δεύτερη δίνει έμφαση στην καινοτομία, τις επενδύσεις και τον ανταγωνισμό με την Κίνα.
  • Η τρίτη επιδιώκει ισορροπία μεταξύ καινοτομίας και ρύθμισης.
  • Η συζήτηση για την AI έχει πλέον και έντονη γεωπολιτική διάσταση.
  • Προτείνεται διεθνής συνεργασία σε ζητήματα δοκιμών, διαχείρισης κινδύνων και πρόληψης κρίσεων.
  • Το βασικό πρόβλημα είναι ότι η μελλοντική εξέλιξη της AI παραμένει αβέβαιη, γεγονός που δυσκολεύει τον σχεδιασμό κατάλληλων κανόνων. 

Πηγή:Το Βήμα — «Τεχνητή Νοημοσύνη: Οι τρεις “φυλές” της AI»]]> <![CDATA[Oι ψηφιακές υποδομές στην εποχή του agentic AI]]> https://mklab.gr/showthread.php?tid=2290 Wed, 30 Sep 2026 02:02:40 +0300 mklabgr]]> https://mklab.gr/showthread.php?tid=2290 τεχνητή νοημοσύνη (AI) εισέρχεται σε μια νέα φάση, καθώς η εξέλιξη του agentic AI μετατοπίζει το ενδιαφέρον από τα απλά εργαλεία παραγωγής περιεχομένου σε συστήματα που μπορούν να σχεδιάζουν, να λαμβάνουν αποφάσεις και να εκτελούν σύνθετες εργασίες με μεγαλύτερη αυτονομία. Σύμφωνα με την έκθεση Intelligent World 2035: Turning Vision into Action της Huawei, αυτή η εξέλιξη αυξάνει σημαντικά τις απαιτήσεις για υπολογιστική ισχύ, δίκτυα, αποθήκευση δεδομένων, cloud υποδομές και κυβερνοασφάλεια. Η παγκόσμια κατανάλωση tokens εκτιμάται ότι θα αυξηθεί έως και 100.000 φορές μέχρι το 2035, με πάνω από το 90% της σχετικής κίνησης να προέρχεται από AI agents.

Η αλλαγή αυτή απαιτεί ουσιαστικά ανασχεδιασμό της ψηφιακής υποδομής. Οι υποδομές του μέλλοντος θα πρέπει να περιλαμβάνουν αποδοτικότερα chips, νέα συστήματα μνήμης και αποθήκευσης, δίκτυα και λειτουργικά συστήματα σχεδιασμένα για AI agents, καθώς και agent-native cloud πλατφόρμες. Παράλληλα, η εξάπλωση των AI data centers αυξάνει τις ανάγκες σε ενέργεια και ψύξη, ενώ η μεγαλύτερη αυτονομία των συστημάτων καθιστά ακόμη σημαντικότερη την κυβερνοασφάλεια και την προστασία της ιδιωτικότητας. Η Huawei προτείνει μια ολοκληρωμένη, end-to-end υποδομή που θα αντιμετωπίζει το AI ως ενιαίο οικοσύστημα.

Η οικονομική διάσταση είναι επίσης σημαντική. Η έκθεση Global Digitalization and Intelligence Index 2026, που εκπονήθηκε από τη Huawei και το Institute of Economics του Πανεπιστημίου Tsinghua, εκτιμά ότι η AI μπορεί να δημιουργήσει οικονομική αξία άνω των $27 τρισ. μέσα στα επόμενα πέντε χρόνια, ενώ οι παγκόσμιες επενδύσεις σε ψηφιακές και ευφυείς υποδομές προβλέπεται να αυξάνονται με σύνθετο ετήσιο ρυθμό 19,14%, ξεπερνώντας τα $4 τρισ. έως το 2030. Η Ελλάδα κατατάσσεται στην κατηγορία Adopter και εμφανίζει επιδόσεις πάνω από τον μέσο όρο σε Data Creation, Data Processing & Storage, Green Energy και Policy, ενώ υπάρχουν περιθώρια βελτίωσης σε Data Application, Talent & Ecosystem και, σε μικρότερο βαθμό, στο Data Transfer. 

Συνολικά, το άρθρο παρουσιάζει τη μετάβαση από την εποχή όπου η AI ήταν κυρίως ένα λογισμικό εργαλείο στην εποχή όπου αποτελεί βασικό παράγοντα σχεδιασμού ολόκληρης της ψηφιακής υποδομής. Η επιτυχία του agentic AI δεν θα εξαρτηθεί μόνο από την ποιότητα των μοντέλων, αλλά και από την ύπαρξη επαρκούς υπολογιστικής ισχύος, συνδεσιμότητας, αποθήκευσης, ενέργειας, cloud υποδομών και ασφάλειας. Το άρθρο βασίζεται στις δύο εκθέσεις που παρουσίασε η Huawei και επομένως οι συγκεκριμένες προβλέψεις και προτάσεις θα πρέπει να διαβάζονται ως θέσεις και εκτιμήσεις των εν λόγω εκθέσεων, όχι ως ανεξάρτητα επαληθευμένες προβλέψεις. 

Βασικά συμπεράσματα
  1. Agentic AI: Η AI εξελίσσεται προς πιο αυτόνομα συστήματα που μπορούν να εκτελούν σύνθετες εργασίες.
  2. Tokens: Η παγκόσμια κατανάλωση tokens εκτιμάται ότι μπορεί να αυξηθεί 100.000 φορές έως το 2035.
  3. Ψηφιακές υποδομές: Απαιτούνται νέες υποδομές για υπολογιστική ισχύ, cloud, δίκτυα, μνήμη και αποθήκευση.
  4. AI data centers: Η αυξανόμενη χρήση AI δημιουργεί μεγαλύτερες ανάγκες για ενέργεια και ψύξη.
  5. Κυβερνοασφάλεια: Η μεγαλύτερη αυτονομία των AI agents αυξάνει τη σημασία της ασφάλειας και της προστασίας δεδομένων.
  6. Οικονομική αξία: Η σχετική έκθεση εκτιμά πιθανή δημιουργία οικονομικής αξίας άνω των $27 τρισ. μέσα στα επόμενα πέντε χρόνια.
  7. Επενδύσεις: Οι επενδύσεις σε ψηφιακές και ευφυείς υποδομές προβλέπεται να ξεπεράσουν τα $4 τρισ. έως το 2030.
  8. Ελλάδα: Η Ελλάδα κατατάσσεται στην κατηγορία Adopter, με ισχυρότερες επιδόσεις σε ορισμένους τομείς υποδομών και πολιτικής, αλλά περιθώρια ανάπτυξης σε Data Application και Talent & Ecosystem.

ARTICLE]]> τεχνητή νοημοσύνη (AI) εισέρχεται σε μια νέα φάση, καθώς η εξέλιξη του agentic AI μετατοπίζει το ενδιαφέρον από τα απλά εργαλεία παραγωγής περιεχομένου σε συστήματα που μπορούν να σχεδιάζουν, να λαμβάνουν αποφάσεις και να εκτελούν σύνθετες εργασίες με μεγαλύτερη αυτονομία. Σύμφωνα με την έκθεση Intelligent World 2035: Turning Vision into Action της Huawei, αυτή η εξέλιξη αυξάνει σημαντικά τις απαιτήσεις για υπολογιστική ισχύ, δίκτυα, αποθήκευση δεδομένων, cloud υποδομές και κυβερνοασφάλεια. Η παγκόσμια κατανάλωση tokens εκτιμάται ότι θα αυξηθεί έως και 100.000 φορές μέχρι το 2035, με πάνω από το 90% της σχετικής κίνησης να προέρχεται από AI agents.

Η αλλαγή αυτή απαιτεί ουσιαστικά ανασχεδιασμό της ψηφιακής υποδομής. Οι υποδομές του μέλλοντος θα πρέπει να περιλαμβάνουν αποδοτικότερα chips, νέα συστήματα μνήμης και αποθήκευσης, δίκτυα και λειτουργικά συστήματα σχεδιασμένα για AI agents, καθώς και agent-native cloud πλατφόρμες. Παράλληλα, η εξάπλωση των AI data centers αυξάνει τις ανάγκες σε ενέργεια και ψύξη, ενώ η μεγαλύτερη αυτονομία των συστημάτων καθιστά ακόμη σημαντικότερη την κυβερνοασφάλεια και την προστασία της ιδιωτικότητας. Η Huawei προτείνει μια ολοκληρωμένη, end-to-end υποδομή που θα αντιμετωπίζει το AI ως ενιαίο οικοσύστημα.

Η οικονομική διάσταση είναι επίσης σημαντική. Η έκθεση Global Digitalization and Intelligence Index 2026, που εκπονήθηκε από τη Huawei και το Institute of Economics του Πανεπιστημίου Tsinghua, εκτιμά ότι η AI μπορεί να δημιουργήσει οικονομική αξία άνω των $27 τρισ. μέσα στα επόμενα πέντε χρόνια, ενώ οι παγκόσμιες επενδύσεις σε ψηφιακές και ευφυείς υποδομές προβλέπεται να αυξάνονται με σύνθετο ετήσιο ρυθμό 19,14%, ξεπερνώντας τα $4 τρισ. έως το 2030. Η Ελλάδα κατατάσσεται στην κατηγορία Adopter και εμφανίζει επιδόσεις πάνω από τον μέσο όρο σε Data Creation, Data Processing & Storage, Green Energy και Policy, ενώ υπάρχουν περιθώρια βελτίωσης σε Data Application, Talent & Ecosystem και, σε μικρότερο βαθμό, στο Data Transfer. 

Συνολικά, το άρθρο παρουσιάζει τη μετάβαση από την εποχή όπου η AI ήταν κυρίως ένα λογισμικό εργαλείο στην εποχή όπου αποτελεί βασικό παράγοντα σχεδιασμού ολόκληρης της ψηφιακής υποδομής. Η επιτυχία του agentic AI δεν θα εξαρτηθεί μόνο από την ποιότητα των μοντέλων, αλλά και από την ύπαρξη επαρκούς υπολογιστικής ισχύος, συνδεσιμότητας, αποθήκευσης, ενέργειας, cloud υποδομών και ασφάλειας. Το άρθρο βασίζεται στις δύο εκθέσεις που παρουσίασε η Huawei και επομένως οι συγκεκριμένες προβλέψεις και προτάσεις θα πρέπει να διαβάζονται ως θέσεις και εκτιμήσεις των εν λόγω εκθέσεων, όχι ως ανεξάρτητα επαληθευμένες προβλέψεις. 

Βασικά συμπεράσματα
  1. Agentic AI: Η AI εξελίσσεται προς πιο αυτόνομα συστήματα που μπορούν να εκτελούν σύνθετες εργασίες.
  2. Tokens: Η παγκόσμια κατανάλωση tokens εκτιμάται ότι μπορεί να αυξηθεί 100.000 φορές έως το 2035.
  3. Ψηφιακές υποδομές: Απαιτούνται νέες υποδομές για υπολογιστική ισχύ, cloud, δίκτυα, μνήμη και αποθήκευση.
  4. AI data centers: Η αυξανόμενη χρήση AI δημιουργεί μεγαλύτερες ανάγκες για ενέργεια και ψύξη.
  5. Κυβερνοασφάλεια: Η μεγαλύτερη αυτονομία των AI agents αυξάνει τη σημασία της ασφάλειας και της προστασίας δεδομένων.
  6. Οικονομική αξία: Η σχετική έκθεση εκτιμά πιθανή δημιουργία οικονομικής αξίας άνω των $27 τρισ. μέσα στα επόμενα πέντε χρόνια.
  7. Επενδύσεις: Οι επενδύσεις σε ψηφιακές και ευφυείς υποδομές προβλέπεται να ξεπεράσουν τα $4 τρισ. έως το 2030.
  8. Ελλάδα: Η Ελλάδα κατατάσσεται στην κατηγορία Adopter, με ισχυρότερες επιδόσεις σε ορισμένους τομείς υποδομών και πολιτικής, αλλά περιθώρια ανάπτυξης σε Data Application και Talent & Ecosystem.

ARTICLE]]>