AI od 75 lat: najważniejsze etapy od Turinga do współczesnych asystentów
Spis treści

Sztuczna inteligencja wydaje się nową technologią, bo chatboty i generatory obrazów dopiero niedawno stały się dostępne dla szerokiej publiczności. Pytania o inteligencję maszyn, programy do wnioskowania i sztuczne sieci neuronowe bada się jednak od wielu dekad. Historia AI nie jest prostą drogą od podstawowego algorytmu do „inteligentnej maszyny”. To raczej cykl ambitnych obietnic, rzeczywistych przełomów, ograniczeń sprzętowych i okresów mniejszego zainteresowania.

Ta chronologia pomaga rozsądniej oceniać dzisiejsze produkty. Nowy chatbot może robić wrażenie, ale nie znaczy to, że rozumie świat jak człowiek albo zawsze sprawdza własne odpowiedzi. Większy model nie musi być też przydatniejszy do każdego zadania. Praktyczny kontekst znajdziesz w tekstach o lokalnych modelach AI i wymaganiach dotyczących RAM oraz VRAM oraz o NPU i określeniu AI PC: zasoby obliczeniowe i sposób uruchamiania stały się ważną częścią współczesnego AI.

Zanim powstała nazwa: czy maszyna może myśleć

W 1950 roku matematyk Alan Turing opublikował artykuł Computing Machinery and Intelligence. Zamiast bez końca spierać się o abstrakcyjną definicję myślenia, zaproponował praktyczne pytanie: czy maszyna może prowadzić rozmowę tekstową w taki sposób, że człowiek nie odróżni jej od drugiego rozmówcy? Pomysł później nazwano testem Turinga, choć sam tekst omawiał znacznie szersze zagadnienia dotyczące uczenia, pamięci i możliwości maszyn.

Nie należy przypisywać Turingowi wynalezienia współczesnych chatbotów. Zaproponował wpływową ramę dyskusji o inteligencji maszyn, ale ówczesne komputery miały ograniczoną pamięć, szybkość i metody wprowadzania danych. Naśladowanie rozmowy nie dowodzi samo w sobie, że system ma świadomość, intencje czy ludzkie rozumienie.

Projekt Dartmouth i narodziny dziedziny AI

W propozycji z 1955 roku John McCarthy, Marvin Minsky, Nathaniel Rochester i Claude Shannon zaprosili badaczy na letni projekt w Dartmouth College w 1956 roku. Dokument zakładał zbadanie, czy wybrane aspekty uczenia i inteligencji da się opisać na tyle precyzyjnie, by maszyna mogła je naśladować. Z tą propozycją wiąże się utrwalenie określenia „sztuczna inteligencja” jako nazwy obszaru badań.

Nie oznaczało to, że nagle rozwiązano wszystkie problemy. Wczesne programy demonstrowały rozumowanie logiczne, przeszukiwanie przestrzeni stanów i rozwiązywanie ograniczonych zadań, ale najlepiej działały w wąskim, wcześniej określonym środowisku. Język naturalny, prawdziwe obrazy i niekompletne dane okazały się dużo trudniejsze.

Programy symboliczne i pierwsze sieci neuronowe

W kolejnych dekadach rozwijało się kilka podejść. Symboliczne AI przedstawiało wiedzę jako reguły i symbole: jeśli spełnione są warunki, program wyciąga określony wniosek. Takie rozwiązanie bywa zrozumiałe i użyteczne w sformalizowanej dziedzinie, ale trudno opisać regułami wszystkie wyjątki z prawdziwego świata.

Równolegle badacze pracowali nad sieciami neuronowymi inspirowanymi uproszczonymi modelami neuronów. Perceptron pokazał, że system może dostrajać parametry na przykładach, lecz wczesne modele miały ograniczone możliwości, a moc obliczeniowa i zbiory danych były skromne. Krytyka ograniczeń niektórych dawnych architektur wpłynęła na finansowanie i zainteresowanie tematem, ale nie oznaczała obalenia całej idei sieci neuronowych.

„Zimy AI”: gdy oczekiwania wyprzedzały wyniki

Określenie „zima AI” opisuje okresy, gdy przesadzone obietnice nie pokrywały się z osiągalnymi wynikami, a finansowanie i zainteresowanie częścią badań malały. Przyczyny były różne: brakowało mocy obliczeniowej, dostępne dane były ograniczone, programy słabo przenosiły wiedzę poza wąskie scenariusze, a postęp okazywał się wolniejszy od prognoz.

W latach 80. uwagę zdobyły systemy ekspertowe — programy wykorzystujące reguły zapisujące wiedzę specjalistów dla konkretnych zadań. Znajdowały zastosowania komercyjne, lecz budowa i aktualizacja reguł była kosztowna. System mógł też zawodzić, gdy trafiał na sytuację nieuwzględnioną przez twórców. Rozwoju AI nie należy więc sprowadzać do tezy „dawniej nic nie działało”: wybrane narzędzia przynosiły korzyści, ale nie spełniały obietnic uniwersalnej inteligencji.

Dane, procesory graficzne i głębokie uczenie

Później zbiegły się trzy warunki: większa liczba danych cyfrowych, szybsze obliczenia i lepsze metody trenowania głębokich sieci neuronowych. Procesory graficzne okazały się przydatne przy masowych operacjach macierzowych, których potrzebuje wiele modeli. Nie oznacza to, że dowolny GPU automatycznie „działa jako AI”: wynik zależy od architektury, pamięci, oprogramowania i konkretnego obciążenia.

W 2012 roku sukces głębokiej sieci konwolucyjnej w zadaniu związanym z ImageNet zwrócił uwagę na uczenie na dużych zbiorach obrazów. Kolejne modele poprawiały rozpoznawanie mowy, tłumaczenie, rekomendacje i generowanie treści. Za postęp odpowiadały nie tylko układy scalone: znaczenie miały dane, algorytmy, optymalizacja inżynierska, skala eksperymentów i infrastruktura rozproszona.

Transformery i generatywne AI

W 2017 roku badacze Google opublikowali pracę Attention Is All You Need, przedstawiającą architekturę transformera. Mechanizm uwagi umożliwił efektywne modelowanie relacji między elementami sekwencji oraz skalowanie treningu na tekstach. Transformery stały się podstawą wielu dużych modeli językowych, choć współczesne systemy zawierają znacznie więcej elementów inżynieryjnych niż jedna architektura.

Po udostępnieniu chatbotów użytkownicy otrzymali prosty interfejs do modeli generatywnych: mogą zadać pytanie zwykłym językiem, poprosić o streszczenie, szkic tekstu lub pomoc z kodem. Model generuje odpowiedź na podstawie statystycznych zależności poznanych podczas treningu, a nie z gwarantowanej, sprawdzonej bazy faktów. Może więc pomylić się z dużą pewnością, pominąć aktualny kontekst albo stworzyć przekonujące, lecz nieprawdziwe zdanie.

Co zmieniło się dla zwykłego użytkownika

AI przestało być wyłącznie tematem badań: jest częścią wyszukiwarek, edytorów, telefonów, przeglądarek i narzędzi do zdjęć. Jedne modele można uruchamiać lokalnie, inne działają w chmurze. Praca lokalna może ograniczyć wysyłanie zapytań do zewnętrznej usługi, ale prywatność zależy od aplikacji i jej telemetrii; potrzebne są też pamięć, wydajność i zgodność sprzętu.

Stąd zainteresowanie NPU — wyspecjalizowanymi blokami do wybranych operacji uczenia maszynowego. Obecność NPU nie gwarantuje, że każdy program go użyje, a oznaczenie „AI PC” nie jest uniwersalnym testem jakości. Przed zakupem sprawdź konkretne zastosowania, obsługę programów, pamięć i ogólną wydajność zamiast kierować się samą nazwą procesora.

Czego historia AI nie dowodzi

Poprzednie cykle nie gwarantują ani nieuchronnego upadku obecnych modeli, ani nieprzerwanego wzrostu ich możliwości. Przypominają, że demonstracja nie jest gotowym produktem, a wynik testu nie gwarantuje niezawodności w codziennym użyciu. Przy każdym twierdzeniu warto zapytać: jaki problem rozwiązuje model, jak go sprawdzono, jakie dane widział podczas testu, gdzie są przechowywane informacje i kto odpowiada za błąd.

Nie każdą automatyzację należy nazywać sztuczną inteligencją, a dobra rozmowa nie dowodzi, że model ma świadomość. Historia tej dziedziny pokazuje kolejne sposoby reprezentowania wiedzy, uczenia na danych, ograniczenia obliczeń i ludzkie oczekiwania.

Podsumowanie

Przez około 75 lat AI przeszło drogę od pytań teoretycznych i programów symbolicznych przez uczenie statystyczne i głębokie sieci po generatywnych asystentów. Każdy etap wymagał nowego połączenia algorytmów, danych i możliwości sprzętu, a nie jednego magicznego wynalazku. Współczesne AI jest już przydatne w wielu zadaniach, ale odpowiedzi należy sprawdzać, a wymagania dotyczące sprzętu i prywatności oceniać osobno.

FAQ

Kiedy pojawiło się określenie „sztuczna inteligencja”?

Jest związane z propozycją letniego projektu badawczego w Dartmouth, przygotowaną w 1955 roku na spotkanie, które odbyło się latem 1956 roku.

Czy Turing wymyślił test dla współczesnych chatbotów?

Nie. W 1950 roku zaproponował grę tekstową jako sposób dyskusji o zachowaniu maszyn; dzisiejsze chatboty opierają się na późniejszych metodach i rozbudowanej infrastrukturze.

Dlaczego sieci neuronowe osiągają lepsze wyniki w ostatnich latach?

Pomogło połączenie większych zbiorów danych, wydajniejszych obliczeń i lepszych metod uczenia. Żaden z tych czynników sam nie wyjaśnia całego postępu.

Źródła