Η Μαρία Παπαδοπούλη μιλά στο Ηealthstories με αφορμή την συμμετοχή της στο ΕmTech Europe.
Το ΕmTech Europe, το πολυαναμενόμενο συνέδριο του ΜΙΤ Technology Review, επιστρέφει για τρίτη χρονιά στο Μέγαρο Μουσικής Αθηνών, στις 19-20 Μαρτίου 2026, με την υπογραφή της Καθημερινής. Στο καθιερωμένο ραντεβού των πιο πρωτοπόρων μυαλών στον κόσμο της τεχνολογίας, από διακεκριμένα πανεπιστημιακά ιδρύματα αλλά και εταιρείες-κολοσσούς, θα ανακαλύψει κανείς τις τελευταίες εξελίξεις σε τεχνολογίες που διαρκώς μετασχηματίζονται και αναδιαμορφώνουν με την σειρά τους, την οικονομία, τις βιομηχανίες αλλά και την καθημερινότητα.
Με αφορμή την συμμετοχή της στο συνέδριο, η Μαρία Παπαδοπούλη μιλά για όσα θα θέλαμε να ξέρουμε για την neuro-AI. Η Μαρία Παπαδοπούλη (Ph.D., Columbia University, 2002) είναι Καθηγήτρια Επιστήμης Υπολογιστών στο Πανεπιστήμιο Κρήτης, Συνεργαζόμενη Ερευνήτρια στο Ινστιτούτο Πληροφορικής του ΙΤΕ, Κύρια Ερευνήτρια στη Μονάδα Έρευνας «Αρχιμήδης» του Ερευνητικού Κέντρου «Αθηνά» και υπότροφος Fulbright. Έχει διατελέσει υπότροφος MSCA στο Brigham and Women’s Hospital της Ιατρικής Σχολής του Harvard (2022–2025), υπότροφος Fulbright στο Computer Science and Artificial Intelligence Laboratory (CSAIL) του MIT (2017), και Επισκέπτρια Καθηγήτρια στη Σχολή Ηλεκτρολόγων Μηχανικών του KTH Royal Institute of Technology στη Στοκχόλμη. Από τον Ιούλιο του 2002 έως τον Ιούνιο του 2006 ήταν Επίκουρη Καθηγήτρια tenure-tr στο University of North Carolina at Chapel Hill (UNC). Το 2021 επιλέχθηκε ως N2Women Star in Networking & Communications. Τα ερευνητικά της ενδιαφέροντα επικεντρώνονται στην κατανόηση της υποκείμενης δυναμικής σύνθετων δικτύων του πραγματικού κόσμου, από το Διαδίκτυο έως τον εγκέφαλο. Το έργο της έχει υποστηριχθεί από πολλές διακρίσεις, όπως τα IBM Faculty Awards και Google Faculty Award, καθώς και από εθνικές, ευρωπαϊκές και διεθνείς ερευνητικές χρηματοδοτήσεις.
Ασχολείστε με το πεδίο του neuro-AI. Θα μας εξηγήσετε με απλά λόγια τι είναι;
Η σχέση αυτή δεν είναι καινούργια. Οι νευροεπιστήμες συνέβαλαν καθοριστικά, ήδη από τις απαρχές της, στη διαμόρφωση της τεχνητής νοημοσύνης. Από τα πρώτα τεχνητά νευρωνικά δίκτυα έως τις σημερινές αρχιτεκτονικές βαθιάς μάθησης, η ιδέα ότι η νοημοσύνη μπορεί να αναδυθεί μέσα από δίκτυα απλών μονάδων με κατάλληλες συνδέσεις και κανόνες μάθησης έχει βαθιές ρίζες στη μελέτη του νευρικού συστήματος. Στην ίδια ιστορική τροχιά, ο Rafael Lorente de Nó περιέγραψε τις λεγόμενες “reverberating chains”, δηλαδή ανατροφοδοτούμενα κυκλώματα με επαναλαμβανόμενη δραστηριότητα, ενώ ο Donald Hebb διατύπωσε την ιδέα των “cell assemblies” και έναν τοπικό κανόνα πλαστικότητας που επηρέασε βαθιά τόσο τις νευροεπιστήμες όσο και την υπολογιστική προσέγγιση της μάθησης.
Το ενδιαφέρον για το neuro-AI ανανεώνεται σήμερα επειδή, παρά τις εντυπωσιακές επιτυχίες της σύγχρονης τεχνητής νοημοσύνης, τα σημερινά συστήματα εξακολουθούν να υστερούν σε ορισμένα σημεία όπου ο βιολογικός εγκέφαλος παραμένει ασύγκριτα αποτελεσματικός. Ο άνθρωπος και τα άλλα ζώα μπορούν να μαθαίνουν από λίγα παραδείγματα, να προσαρμόζονται σε νέα περιβάλλοντα, να ενσωματώνουν σταδιακά νέα γνώση χωρίς να καταρρέει η παλιά, και να το κάνουν με εξαιρετικά χαμηλή ενεργειακή κατανάλωση. Αντίθετα, πολλά συστήματα Τ.Ν. απαιτούν τεράστιους όγκους δεδομένων, μεγάλη υπολογιστική ισχύ και συχνά δυσκολεύονται στη διαρκή ή σταδιακή μάθηση, παρουσιάζοντας το φαινόμενο της καταστροφικής λήθης.
Γι’ αυτό, ένας κεντρικός στόχος του neuro-AI είναι να αντλήσει από τις οργανωτικές αρχές του βιολογικού νευρικού συστήματος -όπως η τοπική μάθηση, η ανατροφοδότηση, η επαναληπτική επεξεργασία, η μνήμη εργασίας, η προσαρμοστικότητα και η ενεργειακή οικονομία- ώστε να αναπτυχθεί μια νέα γενιά υπολογιστικών τεχνολογιών. Τεχνολογιών που δεν θα είναι απλώς ταχύτερες, αλλά πιο εύρωστες, πιο ευέλικτες, πιο αποδοτικές και πιθανόν πιο κοντά σε ανώτερες μορφές νόησης. Με αυτή την έννοια, το neuro-AI δεν είναι μόνο μια τεχνική κατεύθυνση της επιστήμης των υπολογιστών· είναι και μια προσπάθεια να ξανασκεφτούμε τι σημαίνει μάθηση, νοημοσύνη, και προσαρμογή, έχοντας ως σημείο αναφοράς το πιο επιτυχημένο γνωστικό σύστημα που γνωρίζουμε: τον εγκέφαλο.
Πώς μπορεί αυτή η διεπιστημονική προσέγγιση να οδηγήσει σε καλύτερη κατανόηση του ανθρώπινου εγκεφάλου;
Η ραγδαία πρόοδος στους αλγορίθμους μηχανικής μάθησης και ανάλυσης δεδομένων και στα εργαλεία οπτικής απεικόνισης έχει καταλυτική επίδραση στις νευροεπιστήμες και στη βαθύτερη κατανόηση της βιολογικής νοημοσύνης και μάθησης.
Η τεχνητή νοημοσύνη μπορεί σήμερα να λειτουργήσει στις νευροεπιστήμες όχι μόνο ως εργαλείο ανάλυσης δεδομένων, αλλά και ως μέσο παραγωγής νέας γνώσης. Η βασική ιδέα είναι σχετικά απλή: ξεκινάμε από μεγάλα και πλούσια σύνολα συμπεριφορικών δεδομένων και δεδομένων νευρωνικής δραστηριότητας, εκπαιδεύουμε μοντέλα μηχανικής μάθησης που αναπαράγουν ή προβλέπουν πτυχές της συμπεριφοράς των ζώων, και στη συνέχεια εξετάζουμε όχι μόνο αν τα μοντέλα «πετυχαίνουν», αλλά και τι ακριβώς πετυχαίνουν σωστά. Το κρίσιμο ερώτημα δεν είναι απλώς αν ένα μοντέλο προβλέπει καλά, αλλά αν το κάνει με τρόπο που μας λέει κάτι ουσιαστικό για τους βιολογικούς μηχανισμούς. Αφού εκπαιδευτεί ένα μοντέλο, μπορούμε να το «ανακρίνουμε»: να εξετάσουμε ποιές πληροφορίες χρησιμοποιεί, ποιές εσωτερικές αναπαραστάσεις σχηματίζει, και ποιοί υπολογιστικοί μηχανισμοί είναι αναγκαίοι για τη συμπεριφορά που εμφανίζει. Με αυτόν τον τρόπο, τα μοντέλα τεχνητής νοημοσύνης μετατρέπονται σε πεδία πειραματισμού, μέσα από τα οποία μπορούμε να διατυπώσουμε πιο ακριβείς υποθέσεις για το πώς λειτουργούν τα νευρωνικά κυκλώματα.
Το επόμενο βήμα είναι να περάσουμε από την υπολογιστική προσομοίωση στη βιολογική δοκιμή: να σχεδιάσουμε δηλαδή πειράματα που θα ελέγξουν αν οι μηχανισμοί που φαίνονται κρίσιμοι στο μοντέλο έχουν πράγματι αντίστοιχο ρόλο στον εγκέφαλο. Έτσι, η AI βοηθά τη νευροεπιστήμη να γίνει πιο μηχανιστική, πιο ακριβής, πιο αποτελεσματική, και πιο φιλόδοξη στις εξηγήσεις της. Στην ουσία, μας επιτρέπει να περάσουμε από τη συσσώρευση δεδομένων στη διατύπωση ελέγξιμων θεωριών για το πώς παράγονται η συμπεριφορά, η μάθηση και η νόηση.
Πώς η έρευνα στις νευροεπιστήμες και στα νευρωνικά δίκτυα, μπορεί να συμβάλλει στην κατανόηση νευρολογικών νόσων, και ενδεχομένως σε νέες προσεγγίσεις διάγνωσης ή θεραπείας παθήσεων;
Η έρευνα στις νευροεπιστήμες και στα νευρωνικά δίκτυα μπορεί να συμβάλλει ουσιαστικά στην κατανόηση των νευρολογικών παθήσεων, επειδή μας επιτρέπει να αναλύσουμε τη δυναμική των κυκλωμάτων στα οποία αυτοί εντάσσονται. Όσο βαθύτερα κατανοούμε την οργάνωση και τη λειτουργία των νευρωνικών δικτύων σε έναν υγιή εγκέφαλο, τόσο πιο καθαρά μπορούμε να εντοπίσουμε τις αποκλίσεις που εμφανίζονται στη νόσο. Αυτές οι αποκλίσεις δεν αφορούν μόνο τη δραστηριότητα μεμονωμένων κυττάρων, αλλά και τις μεταβολές στη συνδεσιμότητα, στον συγχρονισμό, στη ροή της πληροφορίας και στη σταθερότητα των ίδιων των κυκλωμάτων. Η χαρτογράφηση αυτών των αλλαγών μπορεί να οδηγήσει στη διατύπωση μηχανιστικών υποθέσεων και, μακροπρόθεσμα, στην ανάπτυξη βιοδεικτών, νέων διαγνωστικών εργαλείων και πιο στοχευμένων θεραπευτικών παρεμβάσεων.
Χαρακτηριστικό παράδειγμα αποτελεί η επιληψία. Πρόκειται για μία από τις συχνότερες νευρολογικές παθήσεις, που επηρεάζει περίπου 50 εκατομμύρια ανθρώπους παγκοσμίως, ενώ οι εστιακές κρίσεις αντιστοιχούν σε μεγάλο μέρος των επιληπτικών επεισοδίων. Ιδιαίτερο ενδιαφέρον παρουσιάζει η μετατραυματική επιληψία: μετά από τραυματική εγκεφαλική βλάβη, ο κίνδυνος εμφάνισης επιληψίας παραμένει αυξημένος για χρόνια, ιδίως στις βαρύτερες κακώσεις, γεγονός που υπογραμμίζει ότι ο τραυματισμός μπορεί να πυροδοτήσει μια μακρά διαδικασία παθολογικής αναδιοργάνωσης των νευρωνικών κυκλωμάτων.
Στην επιληψία, το κρίσιμο ερώτημα δεν είναι μόνο πού ξεκινά μια κρίση, αλλά πώς ένα νευρωνικό δίκτυο μεταβαίνει από μια σχετικά σταθερή κατάσταση σε μια παθολογικά υπερσυγχρονισμένη και υπερδιεγέρσιμη κατάσταση. Τα πρότυπα πυροδότησης, ο χρονισμός και ο συγχρονισμός μεταξύ διαφορετικών κυτταρικών τύπων αποκαλύπτουν πώς ο εγκέφαλος επεξεργάζεται πληροφορίες στη φυσιολογική και την παθολογική κατάσταση. Σύγχρονες μελέτες δείχνουν ότι η επιληπτική δραστηριότητα δεν εξηγείται απλώς ως γενική «υπερδραστηριότητα», αλλά συνδέεται με ειδικές μεταβολές σε κυκλώματα και κυτταρικούς τύπους.
Σε αυτό το πλαίσιο, οι στατιστικές μέθοδοι, η μηχανική μάθηση και τα υπολογιστικά νευρωνικά δίκτυα βοηθούν στον εντοπισμό παθολογικών μοτίβων σε EEG ή ενδοκρανιακές καταγραφές, στη διάκριση φυσιολογικής από παθολογική δραστηριότητα, στην αναζήτηση βιοδεικτών και, σε ορισμένες περιπτώσεις, στην πρόγνωση επικείμενων κρίσεων. Κεντρικό ζητούμενο παραμένει η κατανόηση του ρόλου συγκεκριμένων κυτταρικών τύπων και κυκλωμάτων στην έναρξη, τη διάδοση και τη λήξη των κρίσεων.
Παρά τη σημαντική πρόοδο, η προγνωστική αξιοποίηση τέτοιων μοντέλων παραμένει επιστημονικά απαιτητική και δεν έχει ακόμη πλήρως γενικευθεί στην κλινική πράξη, ακριβώς επειδή απαιτεί υψηλή αξιοπιστία, ανθεκτικότητα και εξατομίκευση. Ένας μακροπρόθεσμος ερευνητικός στόχος είναι ο εντοπισμός βιοδεικτών που θα επιτρέπουν έγκαιρη και πιο εξατομικευμένη παρέμβαση.
Παρότι οι δυνατότητες της AI τεράστιες, υπάρχουν και σημαντικές προκλήσεις, από την ποιότητα των δεδομένων μέχρι ζητήματα ηθικής και εμπιστοσύνης. Ποια είναι η γνώμη σας
Παρότι οι δυνατότητες της τεχνητής νοημοσύνης είναι εντυπωσιακές, το πρώτο μεγάλο όριο παραμένει η ίδια η βάση της: τα δεδομένα. Ένα σύστημα AI δεν είναι καλύτερο από την ποιότητα, την αντιπροσωπευτικότητα και την επισημείωση των δεδομένων με τα οποία εκπαιδεύεται. Όταν τα δεδομένα είναι ελλιπή, θορυβώδη, μεροληπτικά ή δεν αντανακλούν τον πραγματικό πληθυσμό και τις πραγματικές συνθήκες χρήσης, τότε το μοντέλο μπορεί να αποδίδει καλά σε ελεγχόμενα benchmarks αλλά να αποτυγχάνει στην πράξη. Επίσης, μπορεί η λεκτική ευχέρεια να μην συνοδεύεται από επιστημονική ακρίβεια. Όταν συστήματα AI με υψηλό βαθμό αυτονομίας αρχίζουν να συμμετέχουν σε σημαντικές αποφάσεις, το πρώτο μεγάλο ηθικό πρόβλημα είναι η μετατόπιση της ευθύνης. Ποιος ευθύνεται όταν μια απόφαση είναι λανθασμένη, άδικη ή επιβλαβής: Η εμπιστοσύνη σε τέτοια συστήματα δεν μπορεί να βασίζεται μόνο στην απόδοσή τους, αλλά απαιτεί λογοδοσία, διαφάνεια, επεξηγησιμότητα και ανθρώπινη εποπτεία. Το πρόβλημα γίνεται οξύτερο όταν οι αποφάσεις είναι αδιαφανείς ή όταν οι άνθρωποι τείνουν να αποδίδουν υπερβολική αυθεντία στο σύστημα, μειώνοντας τη δική τους αίσθηση ευθύνης και κρίσης. Παράλληλα, υπάρχει ο κίνδυνος της μεροληψίας: αν τα δεδομένα εκπαίδευσης ή τα κριτήρια βελτιστοποίησης ενσωματώνουν κοινωνικές ανισότητες, τότε η AI μπορεί να αναπαράγει ή και να ενισχύσει διακρίσεις σε τομείς όπως η υγεία, η εργασία, η ασφάλιση ή η δικαιοσύνη. Επίσης, θα πρέπει να υπάρχει ένα πλαίσιο για το ποιές αποφάσεις επιτρέπεται να ανατίθενται σε «agentic» συστήματα, με ποια όρια, με ποια δυνατότητα ελέγχου, και με ποιον μηχανισμό προσφυγής όταν σφάλλουν.
Ίσως το πιο βαθύ ερώτημα που μας θέτει η τεχνητή νοημοσύνη δεν είναι τεχνικό, αλλά ανθρώπινο. Για πολύ καιρό πιστεύαμε ότι η μοναδικότητά μας στηριζόταν στη σκέψη, στη γλώσσα, στη δημιουργία, στην ικανότητά μας να κρίνουμε και να αποφασίζουμε συνειδητά. Τώρα που μηχανές αρχίζουν να εκτελούν ορισμένες από αυτές τις λειτουργίες με εντυπωσιακή δύναμη, κλονίζεται όχι μόνο η εικόνα που έχουμε για την τεχνολογία, αλλά και η εικόνα που έχουμε για τον εαυτό μας-ίσως ανάλογο με όσα ιστορικά προκάλεσε η δαρβινική «αποκέντρωση» του ανθρώπου. Αυτό μπορεί να μας αναγκάζει να κατεβούμε από το βάθρο της αυτονόητης “ανωτερότητας”. Μπορεί και να γίνει αφορμή για ωριμότητα. Η αξία του ανθρώπου ίσως δεν βρίσκεται απλώς στο ότι είναι ο εξυπνότερος, αλλά στο ότι μπορεί να κατανοεί το νόημα, να αναλαμβάνει ευθύνη, να συμπονά, να θέτει όρια και να επιλέγει πώς θα χρησιμοποιήσει τη δύναμή του. Το κρίσιμο, λοιπόν, δεν είναι μόνο τι θα γίνει η AI, αλλά τι άνθρωποι θέλουμε να παραμείνουμε εμείς. Να επαναστοχαστούμε τις ανθρώπινες αρετές, τις μορφές σχέσης, φροντίδας, κρίσης, και υπευθυνότητας που δεν αποτυπώνονται πλήρως ακόμη σε benchmark tests.
