Στην σημερινή συνέντευξη συζητήσαμε με τον ερευνητή του πανεπιστημίου του Εδιμβούργου Ευριπίδη Γκανιά. Ο κύριος Γκανιάς ασχολείται ερευνητικά με το πως μπορούμε να μοντελοποιήσουμε τους βιολογικούς μηχανισμούς των εντόμων που τους επιτρέπουν να αναπτύσσουν πολύπλοκες συμπεριφορές. Σκοπός του είναι να αξιοποιήσει αυτή τη γνώση για τη δημιουργία τεχνητών συστημάτων. Η συζήτηση μας ήταν ιδιαίτερα ευχάριστη και ενδιαφέρουσα και μας επέτρεψε να αναλογιστούμε λίγο παραπάνω το πώς η διεύρυνση των γνώσεων μας σχετικά με το τρόπο που λειτουργεί η φύση γύρω μας, μπορεί να μας βοηθήσει να λύσουμε σύγχρονα τεχνικά προβλήματα με ιδιαίτερα πρωτότυπους τρόπους που δεν είχαμε φανταστεί στο παρελθόν.
– Ευριπίδη, ξεκινώντας τη συζήτηση μας, θα ήθελα πρώτα να μας πεις δυο λόγια για την μέχρι τώρα ακαδημαϊκή και επαγγελματική σου πορεία για να σε γνωρίσουμε καλύτερα.
Το πρώτο μου πτυχίο (BSc) ήταν από το τμήμα Πληροφορικής του ΑΠΘ. Το 2013, έκανα τη διπλωματική μου με τον κύριο Γρηγόρη Τσουμάκα, πάνω στα Deep Belief Networks για Multilabel δεδομένα. Έκανα μεταπτυχιακό(MSc) εδώ στο Πανεπιστήμιο του Εδιμβούργου, πάνω στην Τεχνητή Νοημοσύνη και το Machine Learning. Στο πλαίσιο της μεταπτυχιακής διπλωματικής μου εργασίας χρησιμοποίησα semi-supervised learning για να μοντελοποιήσω το πως τα καβούρια ελίσσονται από τους γλάρους όταν τους κυνηγάνε.
Μετά το MSc, και σε συνεργασία με τον κύριο Mike Mangan, στο πανεπιστήμιο του Lincoln και του Sheffield, μελετούσαμε το πώς το φως του ήλιου διαθλάται στην ατμόσφαιρα, και πώς τα έντομα το βλέπουν αυτό για να προσδιορίσουν πού βρίσκεται ο ήλιος και να χρησιμοποιήσουν αυτή την πληροφορία σαν πυξίδα για να πλοηγηθούν.
Έπειτα συνέχισα τις σπουδές μου ως διδακτορικός φοιτητής ξανά στο πανεπιστήμιο του Εδιμβούργου, υπό την επίβλεψη της καθηγήτριας Barbara Webb. Το θέμα του διδακτορικού μου αφορούσε τη μοντελοποίηση reinforcement-learning αλγορίθμων βασισμένων στον εγκέφαλο των εντόμων.
Το project που δουλεύω τώρα, είναι βασισμένο πάνω στην έρευνα που είχα κάνει πριν το διδακτορικό, με την πυξίδα των εντόμων. Στο πλαίσιο ενός ευρωπαϊκού προγράμματος και σε συνεργασία με άλλα τρία πανεπιστήμια στην Ευρώπη, δουλεύουμε στο πώς αυτό μπορεί να υλοποιηθεί χρησιμοποιώντας την τεχνολογία που έχουν τα φωτοβολταϊκά, αλλά για την επεξεργασία, αντί για παραγωγή ενέργειας. Ουσιαστικά θέλουμε να δημιουργήσουμε ένα σύστημα το οποίο δουλεύει εξ ολοκλήρου, χρησιμοποιώντας φως, χωρίς την απαίτηση ηλεκτρικού ρεύματος, και θα μπορεί να βοηθήσει στην πλοήγηση.
– Αυτή η ηλιακή πυξίδα όπως την περιγράφεις με ποιο τρόπο φιλοδοξείτε να χρησιμοποιηθεί;
Ο στόχος είναι να χρησιμοποιηθεί σε ενσωματωμένα συστήματα (embedded systems) τα οποία προσπαθούν να εξοικονομήσουν όσο γίνεται μπαταρία. Η πυξίδα μας δεν θα χρειάζεται μπαταρία. Θα λειτουργεί αποκλειστικά με ηλιακή ενέργεια. Οπότε είναι ό,τι πρέπει για ρομπότ, ή και για αυτόνομα οχήματα. Επίσης τα drones είναι μια ενδιαφέρουσα περίπτωση καθώς δεν μπορούν να χρησιμοποιήσουν μαγνητική πυξίδα. Οπότε θα μπορούν να χρησιμοποιήσουν… πυξίδα βασισμένη στο φως.
Η λειτουργία της είναι η ίδια με μια μαγνητική πυξίδα. Ουσιαστικά μπορεί να βρει που είναι ο βορράς σύμφωνα με το πως ο ήλιος κινείται μέσα στη μέρα. Αν ξέρεις και την ώρα μπορείς να αντικαταστήσεις ακόμα και το GPS. Δεν χρειάζεσαι δορυφόρο. Σύμφωνα με το πόσο ψηλά είναι ο ήλιος μπορεί να υπολογίσει τη θέση σου στη Γη καθώς μόνο εκεί υπάρχει ο ήλιος στη συγκεκριμένη θέση τη συγκεκριμένη στιγμή.
– Στην διδακτορική σου διατριβή εστιάζεις στους νευρικούς μηχανισμούς των εντόμων. Γιατί έκανες αυτή την επιλογή και όχι κάποιον άλλον οργανισμό;
Παρόλο που ο εγκέφαλός τους είναι πάρα πολύ μικρός, τα έντομα μπορούν να κάνουν πάρα πολύ περίπλοκα πράγματα.
Ένα σημαντικό πλεονέκτημα του να δουλεύεις με τα έντομα είναι ότι δεν υπάρχουν ηθικοί φραγμοί. Δεν θα σου την πει κανείς γιατί σκότωσες μια μύγα. Αυτό έχει εκτοξεύσει την έρευνα γύρω από τα έντομα. Επίσης, ο εγκέφαλός τους είναι πολύ μικρός. Κάτι το οποίο τον κάνει πολύ πιο εύκολο να μελετηθεί σε σύγκριση με τον εγκέφαλο των θηλαστικών. Γνωρίζουμε με μεγάλη λεπτομέρεια και σε επίπεδο νευρώνων τι συμβαίνει στον εγκέφαλο των εντόμων. Αν μας ενδιαφέρουν τα φυσικά νευρωνικά δίκτυα, τα έντομα είναι πολύ καλό μοντέλο για να δουλέψεις πάνω τους.
Παρόλο που ο εγκέφαλός τους είναι πάρα πολύ μικρός, τα έντομα μπορούν να κάνουν πάρα πολύ περίπλοκα πράγματα. Για παράδειγμα, τα μυρμήγκια της ερήμου και οι μέλισσες είναι οι καλύτεροι πλοηγητές στο ζωικό βασίλειο. Πάντα βρίσκουν τον δρόμο να γυρίσουν στο σπίτι τους. Η πλοήγηση είναι ζωτικής σημασίας για αυτά τα έντομα γιατί αν χάσουν το δρόμο τους, δεν θα φέρουν τροφή στη φωλιά και ολόκληρη η φωλιά θα πεθάνει. Οπότε έχουν εξελίξει πολύ αυτή την ικανότητα.
Οι ερευνητές μπορούν ακόμα και να ενεργοποιήσουν ή και να απενεργοποιήσουν συγκεκριμένους νευρώνες, και να εξετάσουν τι αντίκτυπο έχουν στη συμπεριφορά της μύγας. Πρόσφατα βρήκαv έναν νευρώνα που αν τον ενεργοποιήσεις και η μύγα φεύγει μπροστά. Ή αρχίζει να περπατάει προς τα πίσω. Και μπορείς να την κατευθύνεις.
Το ίδιο μπορεί να κάνουν και για το σύστημα που μαθαίνει η μύγα. Υπάρχουν κάποιες δομές στο ίδιο τον εγκέφαλο της μύγας, οι οποίες λέγονται mushroom bodies, τα οποία είναι κέντρα για συσχετιστική μάθηση (associated learning). Εκεί πέρα σκάει η ντοπαμίνη που λειτουργεί στον εγκέφαλο ως ανταμοιβή. Η ντοπαμίνη είναι, ουσιαστικά, το σήμα που θα καθορίσει αν πρέπει να αλλάξει κάτι στις συνάψεις ή όχι. Στη διδακτορική μου διατριβή μελέτησα τι πυροδοτεί αυτό το σήμα και πως ένα τέτοιο σήμα ενισχύει μια συμπεριφορά. Προσπάθησα να εξηγήσω τις συμπεριφορές της μύγας χρησιμοποιώντας ένα τέτοιο μοντέλο.
– Και πως εμπλέκεται η τεχνητή νοημοσύνη στην έρευνα σου;
Θα σου δώσω ένα παράδειγμα. Όπως είπα προηγουμένως, στο διδακτορικό μου ασχολήθηκα με το πως δημιουργείται μνήμη στον εγκέφαλο της μύγας χρησιμοποιώντας ανταμοιβές. Αυτή η διαδικασία σε όρους τεχνητής νοημοσύνης ονομάζεται reinforcement learning. Το πρόβλημα με τους υπάρχοντες reinforcement learning αλγορίθμους είναι ότι παρόλο που αρχικά ήταν εμπνευσμένοι από τα ζώα, κάνουν κάτι πολύ περίεργο το οποίο δεν το κάνουν τα ζώα. Μπορείς να του πεις να μάθει κάτι, αλλά όταν θες να το χρησιμοποιήσεις το παγώνεις και το χρησιμοποιείς όπως είναι. Ουσιαστικά σταματάς τη μάθηση. Αυτό δεν είναι ρεαλιστικό με τα έντομα, τα ζώα και γενικά στη φύση. Δεν σταματάς ποτέ να μαθαίνεις. Προσπαθούσα να χρησιμοποιήσω reinforcement learning αλγόριθμους για να μοντελοποιήσω το τι κάνει το έντομο ώστε να μαθαίνει και να ξεμαθαίνει. Ήθελα να δω εάν υπάρχουν μηχανισμοί στον εγκέφαλο των εντόμων οι οποίοι μπορούν να ξεπεράσουν αυτό το πρόβλημα των reinforcement learning αλγορίθμων.
Επίσης, στους reinforcement learning αλγορίθμους οι ανταμοιβές που παίρνουν είναι μονοδιάστατες. Κάτι μπορεί να είναι καλό ή να είναι κακό. Στον εγκέφαλο δεν είναι έτσι ακριβώς. Δεν είναι όλα ή καλό ή κακό. Υπάρχει ένα τεράστιο φάσμα. Για παράδειγμα, στη μύγα υπάρχουν 600 νευρώνες που εκρίνουν ντοπαμίνη. Αυτοί συνήθως χωρίζονται σε ζευγάρια, και το κάθε ζευγάρι νευρώνων αντιπροσωπεύει μια διαφορετική διάσταση αυτού του καλού ή κακού. Οπότε δεν είναι απλά καλό ή κακό, είναι κάτι πιο συγκεκριμένο. Και αυτά τα καλά ή κακά μπορεί να σχετίζονται με κάποιο συναίσθημα ή με κάποια διαφορετική οπτική του προβλήματος. Ήθελα να εξετάσω πώς ακριβώς αυτό επηρεάζει έναν τέτοιο εγκέφαλο.
– Γενικά, πιστεύεις ότι τα αποτελέσματα τα οποία προκύπτουν από αυτή την έρευνα σε μύγες και έντομα υπάρχει περίπτωση να μπορούν να βοηθήσουν και την έρευνα στα θηλαστικά;
Σίγουρα. Και ήδη το κάνουν σε πολλά πράγματα, γιατί στα θηλαστικά είναι πολύ σπάνιο να βρεις δεδομένα από συγκεκριμένους νευρώνες σε αντίθεση με τα έντομα. Στα έντομα τα πράγματα είναι πολύ πιο ξεκάθαρα. Για παράδειγμα, υπάρχει ένα δαχτυλίδι νευρώνων και ανάλογα με το που κοιτάει το έντομο, ενεργοποιείται και διαφορετικός νευρώνας. Πάντα ο νευρώνας που κοιτάει στο βορρά είναι αυτός που είναι ενεργός. Αυτή είναι γνωστή ως η πυξίδα των εντόμων, η οποία βοήθησε να ψάξουμε στα θηλαστικά εάν υπάρχει ένας παρόμοιος μηχανισμός. Και το έχουν βρει στα zebra-fish ψάρια, τα οποία δεν είναι μεν θηλαστικά, αλλά είναι σπονδυλωτά, άρα ανήκουν σε διαφορετική κατηγορία από τα έντομα. Αφού το βρήκαμε στα zebra fish ενδεχομένως μπορούν να το βρούμε και στα θηλαστικά και να υπάρχουν τέτοιοι νευρώνες οι οποίοι αντιπροσωπεύουν την εσωτερική μας πυξίδα.
– Άρα τα έντομα είναι πιο απλοϊκοί μηχανισμοί που θέτουν τη βάση για να ψάξουμε αντίστοιχα πράγματα σε πιο σύνθετους οργανισμούς;
Οι νευρώνες που έχουν τα έντομα είναι πιο περίπλοκοι από αυτούς των θηλαστικών, και ο κάθε νευρώνας θα μπορούσε να αντιπροσωπεύει ολόκληρο νευρωνικό δίκτυο.
Αυτό έχει δείξει η ιστορία, αλλά απλοϊκοί δεν σημαίνει και χαζοί. Τα έντομα έχουν σταματήσει να εξελίσσονται πολλά χρόνια πριν τα θηλαστικά. Αυτό σημαίνει ότι έχουν φτάσει σε ένα επίπεδο που τα έχουν συρρικνώσει όλα σε κάτι πολύ πιο μικρό. Όταν τα έντομα πρώτη φορά βγήκαν στη στεριά ήταν τεράστια, και με τα χρόνια μίκρυναν. Οπότε ίσως απλά έχουν συρρικνώσει όλη αυτή την πληροφορία σε πολύ λιγότερο αριθμό νευρώνων. Οι βιολόγοι συνεργάτες μας λένε ότι οι νευρώνες που έχουν τα έντομα είναι πιο περίπλοκοι από αυτούς των θηλαστικών, και ο κάθε νευρώνας θα μπορούσε να αντιπροσωπεύει ολόκληρο νευρωνικό δίκτυο. Οπότε μπορεί η πολυπλοκότητα του εγκεφάλου τους να έχει μεταφερθεί εκεί.
– Κάποιοι ερευνητές υποστηρίζουν ότι η μελέτη της φύσης και των βιολογικών μηχανισμών είναι αργή και περίπλοκη. Προτείνουν ότι η χρήση μαθηματικών και μηχανικής επιτρέπει την ταχεία ανάπτυξη αποδοτικών λύσεων. Πόσο σημαντική πιστεύεις ότι είναι η μελέτη των βιολογικών μηχανισμών, λαμβάνοντας υπόψιν και την παραπάνω άποψη;
Αυτό που κάνουμε εμείς στην έρευνα μου, ξεφεύγει από το απλό bio-inspired. Προσπαθούμε να κατασκευάσουμε μια πολύ πιο ακριβή αναπαράσταση ενος βιολογικού συστήματος από ότι είναι ένα απλό bio-inspired σύστημα. Έτσι βρίσκουμε τεχνολογικές λύσεις, αλλά επίσης βοηθάμε του βιολόγους να καταλάβουν καλύτερα τη συμπεριφορά των ζώων, καθώς και διάφορες νοητικές παθήσεις όπως τη νόσο του Πάρκινσον.
Αυτό που λες είναι αλήθεια. Το να μελετάς βιολογικούς μηχανισμούς σε ζώα για να βγάζεις αλγορίθμους είναι πιο αργό από το να βασιστείς σε τεχνικές μηχανικής μάθησης για να δημιουργήσεις ένα μοντέλο. Τα μαθηματικά και η μηχανική οδηγούν σε λύσεις στο πρόβλημα οι οποίες δεν είναι απαραίτητα καλύτερες. Η μελέτη της φύσης το ίδιο, δίνουν μια διαφορετική λύση. Μου ανέφερες το παράδειγμα του αεροπλάνου ως μια λύση μηχανικής. Το αεροπλάνο πετάει με ένα συγκεκριμένο τρόπο. Η μύγα πετάει με έναν άλλο τρόπο. Πόση ενέργεια όμως ξοδεύει μια μύγα για να πετάξει και πόση ένα αεροπλάνο; Φυσικά το αεροπλάνο είναι μεγαλύτερο και βαρύτερο, άρα χρειάζεται και περισσότερη ενέργεια, αλλά νομίζω πιάνεις το νόημα. Πιστεύω θα έπρεπε να ασχολούμαστε περισσότερο με το πως θα ξοδεύουμε λιγότερη ενέργεια και λιγότερο με το πως θα την παραγάγουμε. Αυτό είναι ένα πρόβλημα το οποίο θα το δούμε μπροστά μας σε πολύ λίγο χρονικό διάστημα.
Οι περισσότερες εφευρέσεις είναι εμπνευσμένες από τη βιολογία (bio-inspired). Να φέρω πάλι το παράδειγμα του αεροπλάνου, παρατηρήσαμε τα πουλιά που πετάνε και σκεφτήκαμε πως μπορούν και το κάνουν. Η έμπνευση ήρθε από τη βιολογία. Τα νευρωνικά δίκτυα είναι επίσης bio-inspired. Είδαμε ότι υπάρχει ο νευρώνας, ο οποίος έχει συνάψεις με άλλους νευρώνες, και όλο αυτό δημιουργεί ένα νευρωνικό δίκτυο. Ακόμα και αλγόριθμοι, όπως οι γενετικοί αλγόριθμοι, είναι εμπνευσμένοι από τη βιολογία.
Αυτό που κάνουμε εμείς στην έρευνα μου, ξεφεύγει από το απλό bio-inspired και νομίζω έχει καινούργιο όρο. Λέγεται natural intelligence. Έχουμε πολύ περισσότερους περιορισμούς από τη βιολογία, σε σχέση με ένα απλό bio-inspired σύστημα. Προσπαθούμε να κατασκευάσουμε μια πολύ πιο ακριβή αναπαράσταση ενος βιολογικού συστήματος από ότι είναι ένα απλό bio-inspired σύστημα. Έτσι βρίσκουμε τεχνολογικές λύσεις, αλλά επίσης βοηθάμε του βιολόγους να καταλάβουν καλύτερα τη συμπεριφορά των ζώων, καθώς και διάφορες νοητικές παθήσεις όπως τη νόσο του Πάρκινσον.
– Γενικά πώς έχουν επηρεάσει οι τεχνολογίες της τεχνητής νοημοσύνης και τα καινούργια εργαλεία, όπως το chat GPT, την καθημερινότητα των ανθρώπων αλλά και την έρευνα και τη διδασκαλία στο πανεπιστήμιο;
Το ChatGPT είναι Generative AI, που σημαίνει ότι μπορεί να σου λέει ψέματα. Οι φοιτητές θα έπρεπε να εκπαιδευτούν ώστε να αναγνωρίζουν τι είναι ψέμα και τι όχι.
Ανέκαθεν χρησιμοποιούμε εργαλεία τεχνητής νοημοσύνης, δεν είναι κάτι καινούργιο. Το μόνο καινούργιο είναι το ChatGPT. Αυτά τα μοντέλα υπάρχουν για πολλά χρόνια, απλώς δεν ήταν ευρέως γνωστά. Αξιοποιούνται και στην έρευνα για να γράφουν άρθρα ή και προτάσεις για να πάρουν χρηματοδότηση για κάποιο έργο. Ξέρω επίσης ότι χρησιμοποιούν το ChatGPT για να γράφουν κώδικα.
Εγώ δεν διδάσκω, οπότε δεν συνεργάζομαι τόσο με φοιτητές. Αλλά γνωρίζω ότι χρησιμοποιούν το ChatGPT για να γράψουν τις εργασίες τους. Πιστεύω ότι θα έπρεπε να υπάρχει μάθημα στο πώς να το αξιοποιείς σωστά. Το ChatGPT είναι generative AI, που σημαίνει ότι μπορεί να σου λέει ψέματα. Δεν είσαι σίγουρος ότι αυτό που λέει είναι αλήθεια. Θα του δώσεις μια παράγραφο να τη γράψει πιο συνοπτικά ή θα τη γράψει διαφορετικά αλλά αυτό δεν το βρίσκω σαν πρόβλημα αλλά το να γράψει κάτι το οποίο είναι ψέμα, αυτό είναι πρόβλημα. Οι φοιτητές θα έπρεπε να εκπαιδευτούν ώστε να αναγνωρίσουν ότι αυτό είναι ψέμα.
– Ποια θεωρείς ότι είναι η ευθύνη του ερευνητή όταν παράγει μια καινούργια τεχνολογία, όπως η ηλιακή πυξίδα στην οποία δουλεύεις, η οποία μπορεί να χρησιμοποιηθεί και για κακούς σκοπούς.
Δεν μπορούμε να σταματήσουμε την έρευνα με το σκεπτικό ότι κάποιος μπορεί να χρησιμοποιήσει τα αποτελέσματά της με το λάθος τρόπο. Το εργαλείο είναι εργαλείο. Η παιδεία που παίρνει ο καθένας θα διαμορφώσει το τρόπο που θα χρησιμοποιηθεί ένα εργαλείο και όχι το εργαλείο αυτό καθαυτό.
Δεν μπορούμε να σταματήσουμε την έρευνα με το σκεπτικό ότι κάποιος μπορεί να χρησιμοποιήσει τα αποτελέσματά της με το λάθος τρόπο, αλλά σίγουρα πρέπει να σκεφτόμαστε πιθανές εφαρμογές. Στην περίπτωση που φτιάξεις κάτι εξ αρχής για κακό σκοπό, τότε είναι κατακριτέο. Αυτός που έφτιαξε τον τροχό, για παράδειγμα, δεν πίστευε ότι το έφτιαξε για κακό σκοπό. Το έφτιαξε γιατί ήθελε να βάλει πάνω στο κάρο πατάτες και να τις κουβαλήσει τρία χιλιόμετρα. Τον βοήθησε στη ζωή του όπως και πολλούς άλλους. Ο τροχός όμως χρησιμοποιήθηκε για να φτιάξουν και τανκς και να σκοτώνουν ανθρώπους. Το εργαλείο είναι εργαλείο. Το θέμα είναι αυτός που θα το χρησιμοποιήσει. Η παιδεία που παίρνει ο καθένας θα διαμορφώσει το τρόπο που θα χρησιμοποιηθεί ένα εργαλείο και όχι το εργαλείο αυτό καθεαυτό. Ακόμα και να μην το φτιάξεις εσύ, θα το φτιάξει κάποιος άλλος κάποια στιγμή γιατί θα έχει τη χρηματοδότηση η οποία του το επιτρέπει.
Τώρα συγκεκριμένα για την πυξίδα, μου έχει έρθει πολλές φορές σαν ερώτηση. Για παράδειγμα τι θα γίνει άμα χρησιμοποιηθεί αυτή η πυξίδα πάνω σε πύραυλους. Και να μην χρησιμοποιήσουν τη δικιά μου πυξίδα νομίζω ο πύραυλος θα βρει έναν τρόπο να φτάσει στο στόχο του. Εξαρτάται πώς θα τον χρησιμοποιήσεις. Κάποιος μπορεί να τον χρησιμοποιήσει για να στείλει μια βόμβα από τη μία μεριά της γης στην άλλη. Αλλά δεν μπορώ να κάνω κάτι γι’ αυτό. Μόνο η παιδεία αυτού του ανθρώπου μπορεί να τον αποτρέψει από το να στείλει τον πύραυλο.
– Είσαι ένας Έλληνας ο οποίος έφυγε στο εξωτερικό. Πιστεύεις ότι αξίζει για κάποιον νέο, ο οποίος θέλει να ασχοληθεί με την έρευνα πάνω στον τομέα της πληροφορικής, να φύγει στο εξωτερικό;
Δεν μπορώ να συστήσω σε κάποιον να φύγει στο εξωτερικό ή να μείνει στην Ελλάδα. Πιστεύω ότι άμα κάποιος έχει θέληση να μάθει και να ασχοληθεί με κάτι μπορεί να το κάνει και στην Ελλάδα και στο εξωτερικό. Αρχικά, ο δικός μου σκοπός ήταν να έρθω να κάνω μεταπτυχιακό και να γυρίσω πίσω στην Ελλάδα. Τώρα μου είναι δύσκολο να γυρίσω στην Ελλάδα. Μου λείπουν οι δικοί μου. Γενικά είναι δύσκολο, δεν είναι η γη της επαγγελίας στο εξωτερικό. Αν εξαιρέσεις τις εγκαταστάσεις και εξοπλισμό, τα πανεπιστήμια νομίζω δεν έχουν τόσο σημαντική διαφορά. Περισσότερο εξαρτάται σε τι ανθρώπους θα πέσεις, σε τι καθηγητές και σε τι συμφοιτητές. Μπορείς να πάρεις σωστά ερεθίσματα και στο εσωτερικό και στο εξωτερικό. Δεν θα διαχωρίσω τα πανεπιστήμια του εξωτερικού με τα πανεπιστήμια του εσωτερικού.
O λόγος που επέλεξα εγώ το Εδιμβούργο είναι γιατί ρώτησα τους καθηγητές μου στο πανεπιστήμιο για το που να πάω να συνεχίσω τις σπουδές μου στη τεχνητή νοημοσύνη και μου είπαν ότι το καλύτερο μέρος στην Ευρώπη είναι το Εδιμβούργο. Το έβαλα στόχο και ήρθα. Εάν έκανα καλά ή όχι δεν μπορώ να το ξέρω γιατί δεν ξέρω πως θα ήταν άμα δεν έφευγα ποτέ. Άμα το λέει μέσα σου να φύγεις φύγε, κι άμα λέει να κάτσεις τότε κάτσε. Κάνε το όμως για σένα, όχι για κάποιον άλλο. Κάνε το επειδή εσύ το θες.
– Όντας ερευνητής με μια τόσο ενδιαφέρουσα ερευνητική πορεία, πόσο σημαντική πιστεύεις ότι είναι η ισορροπία μεταξύ δουλειάς και προσωπικής ζωής;
Χρειάζεται ισορροπία μεταξύ δουλειάς και προσωπικής ζωής. Ο χρόνος δεν γυρίζει πίσω, δυστυχώς, και πολλές φορές όταν δεν αφιερώνεις όσο χρόνο χρειάζεται για τα άτομα που αγαπάς μπορείς να το μετανιώσεις και δεν υπάρχει γυρισμός.
Σίγουρα χρειάζεται ισορροπία μεταξύ δουλειάς και προσωπικής ζωής. Όταν έκανα το μεταπτυχιακό μου, είχα χάσει την ισορροπία, δεν υπήρχε η προσωπική ζωή. Έλεγα πως τώρα είναι η καριέρα μου. Μπορεί να διάβαζα 20 ώρες τη μέρα και να κοιμόμουν μόνο 3 ώρες για μήνες. Μετά το μεταπτυχιακό συνειδητοποίησα ότι αυτό είχε αντίκτυπο σε μένα και στην υγεία μου. Αρχίζουν και βγαίνουν ψυχοσωματικά προβλήματα. Μπορεί να έχεις διάφορα προβλήματα, δερματικά ή και να χάσεις τα μαλλιά σου από το άγχος. Μετά άλλαξε λίγο ο τρόπος σκέψης μου. Πιστεύω πως πρέπει να υπάρχει μια ισορροπία. Το πρώτο πράγμα που πρέπει να κοιτάξεις είναι η υγεία σου. Όσο μένεις υγιής, έχεις χρόνια μπροστά σου να δουλέψεις, ειδικά αν είναι τόσο σημαντική η δουλειά για σένα. Επίσης το περνάς χρόνο με αγαπημένα σου πρόσωπα είναι πολύ σημαντικό για την ψυχική σου υγεία.
Κατέληξα ότι χρειάζονται 8 ώρες δουλειά, 8 ώρες προσωπική ζωή και 8 ώρες ύπνο. Αλλιώς το χάνεις. Ο χρόνος δεν γυρίζει πίσω, δυστυχώς, και πολλές φορές όταν δεν αφιερώνεις όσο χρόνο χρειάζεται για τα άτομα που αγαπάς μπορείς να το μετανιώσεις και δεν υπάρχει γυρισμός.
