Inteligenţă artificială (AI) și-a făcut loc în conștiința publicului datorită apariției noilor chatbot și generatoare de imagini puternice AI. Dar terenul are o istorie lungă care se întinde până la zorii de calcul. Având în vedere cât de fundamentală ar putea fi IA în schimbarea modului în care trăim în următorii ani, înțelegerea rădăcinilor acestui domeniu în dezvoltare rapidă este crucială. Iată 12 dintre cele mai importante repere din istoria AI.
1950 — Lucrarea AI a lui Alan Turing
Renumit informatician britanic Alan Turing publicat o hartie intitulat “Mașini de calcul și inteligență”, care a fost una dintre primele investigații detaliate ale întrebării „Pot mașinile să gândească?”.
Răspunsul la această întrebare necesită mai întâi să abordați provocarea de a defini „mașină” și „gândiți”. Așa că, în schimb, a propus un joc: un observator urmărea o conversație între o mașină și un om și încerca să determine care era care. Dacă nu ar putea face acest lucru în mod fiabil, mașina ar câștiga jocul. Deși acest lucru nu a dovedit că o mașină „gândește”, testul Turing – așa cum a ajuns să fie cunoscut – a fost un etalon important pentru progresul AI de atunci.
1956 – Atelierul Dartmouth
AI, ca disciplină științifică, își poate urmări rădăcinile până la Dartmouth Summer Research Project on Artificial Intelligence, a avut loc la Colegiul Dartmouth în 1956. Participanții au fost un cine este cine dintre oameni de știință informatici influenți, inclusiv John McCarthy, Marvin Minsky și Claude Shannon. Aceasta a fost prima dată când termenul „inteligență artificială” a fost folosit, deoarece grupul a petrecut aproape două luni discutând despre modul în care mașinile ar putea simula învățarea și inteligența. Întâlnirea a dat startul cercetărilor serioase despre AI și a pus bazele pentru multe dintre descoperirile care au venit în deceniile următoare.
1966 – Primul chatbot AI
Cercetătorul MIT Joseph Weizenbaum a dezvăluit primul chatbot AI, cunoscut ca ELIZA. Software-ul de bază era răspunsuri predefinite rudimentare și regurgitate pe baza cuvintelor cheie pe care le-a detectat în prompt. Cu toate acestea, când Weizenbaum a programat-o pe ELIZA să acționeze ca psihoterapeut, oamenii au fost uimiți de cât de convingătoare erau conversațiile. Munca a stimulat creșterea interes pentru procesarea limbajului naturalinclusiv de la Agenția SUA pentru Proiecte de Cercetare Avansată pentru Apărare (DARPA), care a oferit finanțare considerabilă pentru cercetarea timpurie a IA.
1974-1980 – Prima „iarnă AI”
Nu a durat mult până când entuziasmul timpuriu pentru AI a început să se estompeze. Anii 1950 și 1960 au fost o perioadă fertilă pentru domeniu, dar în entuziasmul lor, experții de frunte au făcut afirmații îndrăznețe despre ceea ce mașinile ar fi capabile să facă în viitorul apropiat. Eșecul tehnologiei de a se ridica la nivelul acestor așteptări a dus la o nemulțumire tot mai mare. A raport extrem de critic pe teren de către matematicianul britanic James Lighthill a condus guvernul Regatului Unit să reducă aproape toată finanțarea pentru cercetarea AI. De asemenea, DARPA a redus drastic finanțarea în această perioadă, ceea ce va deveni cunoscut sub numele de prima „iarnă AI”.
1980 – Flux de „sisteme experte”
În ciuda deziluziei cu AI în multe părți, cercetările au continuat – și până la începutul anilor 1980, tehnologia începea să atragă atenția sectorului privat. În 1980, cercetătorii de la Universitatea Carnegie Mellon au construit un Sistem AI numit R1 pentru Digital Equipment Corporation. Programul a fost un „sistem expert” – o abordare a AI pe care cercetătorii au experimentat-o încă din anii 1960. Aceste sisteme foloseau reguli logice pentru a raționa prin baze de date mari de cunoștințe de specialitate. Programul a economisit companiei milioane de dolari pe an și a declanșat un boom în implementările de sisteme experte în industrie.
1986 — Fundamentele învățării profunde
Cele mai multe cercetări de până acum s-au concentrat pe inteligența artificială „simbolică”, care se baza pe logica și bazele de date de cunoștințe realizate manual. Dar de la nașterea domeniului, a existat și un flux rival de cercetare în abordările „conecționiste” care au fost inspirate de creier. Acest lucru a continuat în liniște în fundal și a ieșit în sfârșit la lumină în anii 1980. Mai degrabă decât programarea manuală a sistemelor, aceste tehnici implicau convingerea „rețelelor neuronale artificiale” pentru a învăța reguli prin antrenament pe date. În teorie, acest lucru ar duce la o IA mai flexibilă, care nu este constrânsă de preconcepțiile producătorului, dar antrenarea rețelelor neuronale s-a dovedit o provocare. În 1986, Geoffrey Hinton, care mai târziu va fi supranumit unul dintre „nașii învățării profunde”, a publicat o hartie popularizarea „backpropagation” – tehnica de antrenament care stă la baza majorității sistemelor AI de astăzi.
1987-1993 — A doua iarnă AI
În urma experiențelor lor din anii 1970, Minsky și colegul cercetător al inteligenței artificiale Roger Schank au avertizat că hype-ul AI a atins niveluri nesustenabile și că domeniul era în pericol de o nouă retragere. Ei au inventat termenul „iarnă AI” în o discuție în grup la reuniunea din 1984 a Asociaţiei pentru Avansarea Inteligenţei Artificiale. Avertismentul lor s-a dovedit prevăzător, iar la sfârșitul anilor 1980, limitările sistemelor expert și hardware-ul lor specializat AI au început să devină evidente. Cheltuielile industriei pentru AI s-au redus dramatic, iar majoritatea companiilor de AI în curs de dezvoltare au dat faliment.
1997 — Deep Blue l-a învins pe Garry Kasparov
În ciuda boom-urilor și crizelor repetate, cercetarea AI a făcut progrese constante în anii 1990, în mare parte din ochii publicului. Acest lucru s-a schimbat în 1997, când Deep Blue – un sistem expert construit de IBM – l-a învins pe campionul mondial de șah Garry Kasparov în o serie de șase jocuri. Aptitudinea în jocul complex a fost mult timp văzută de cercetătorii AI ca un indicator cheie al progresului. Prin urmare, înfrângerea celui mai bun jucător uman din lume a fost văzută ca o piatră de hotar majoră și a făcut titluri în întreaga lume.
2012 — AlexNet deschide era de deep learning
În ciuda unui corp bogat de lucrări academice, rețelele neuronale au fost văzute ca nepractice pentru aplicațiile din lumea reală. Pentru a fi utili, trebuiau să aibă multe straturi de neuroni, dar implementarea rețelelor mari pe hardware-ul computerului convențional a fost prohibitiv de ineficientă. În 2012, Alex Krizhevsky, doctorand la Hinton, a câștigat competiția ImageNet de viziune computerizată cu o marjă mare cu un model de învățare profundă numit AlexNet. Secretul era folosirea unor cipuri specializate numite unități de procesare grafică (GPU) care ar putea rula eficient rețele mult mai profunde. Acest lucru a pregătit scena pentru revoluția învățării profunde care a alimentat cele mai multe progrese ale AI de atunci.
2016 — AlphaGo l-a înfrânt pe Lee Sedol
În timp ce AI lăsase deja șahul în oglinda retrovizoare, mult mai complexul joc de masă chinezesc Go a rămas o provocare. Dar în 2016, Google DeepMind AlphaGo l-a învins pe Lee Sedol, unul dintre cei mai mari jucători de Go din lume, într-o serie de cinci jocuri. Experții au presupus că o astfel de performanță mai era la câțiva ani, așa că rezultatul a dus la o entuziasm tot mai mare în legătură cu progresul AI. Acest lucru s-a datorat parțial naturii cu scop general al algoritmilor care stau la baza AlphaGo, care s-a bazat pe o abordare numită „învățare prin consolidare”. În această tehnică, sistemele AI învață eficient prin încercări și erori. Ulterior, DeepMind a extins și îmbunătățit abordarea de a crea AlphaZerocare poate învăța singur să joace o mare varietate de jocuri.
2017 — Invenția arhitecturii transformatorului
În ciuda progreselor semnificative în viziunea computerizată și jocul, învățarea profundă a progresat mai lent cu sarcinile lingvistice. Apoi, în 2017, cercetătorii Google au publicat o nouă arhitectură de rețea neuronală numită „transformator”, care ar putea ingera cantități mari de date și poate face conexiuni între punctele de date îndepărtate. Acest lucru s-a dovedit deosebit de util pentru sarcina complexă de modelare a limbajului și a făcut posibilă crearea AI care ar putea aborda simultan o varietate de sarcini, cum ar fi traducerea, generarea de text și rezumarea documentelor. Toate modelele de AI de astăzi se bazează pe această arhitectură, inclusiv generatoare de imagini precum OpenAI DALL-Eprecum și modelul revoluționar de pliere a proteinelor Google DeepMind AlphaFold 2.
2022 – Lansarea ChatGPT
Pe 30 noiembrie 2022, OpenAI a lansat un chatbot alimentat de modelul său de limbă mare GPT-3. Cunoscut ca “ChatGPT”, instrumentul a devenit o senzație la nivel mondial, adunând mai mult de un milion de utilizatori în mai puțin de o săptămână și 100 de milioane până în luna următoare. A fost prima dată când membrii publicului au putut interacționa cu cele mai recente modele AI – iar majoritatea au fost uimiți. Serviciului i se atribuie declanșarea unui boom AI care a dus la investiții de miliarde de dolari în domeniu și a generat numeroase imitații de la mari companii de tehnologie și startup-uri o scrisoare deschisă de la lideri proeminenți ai tehnologiei care au cerut o pauză în cercetarea AI pentru a acorda timp pentru a evalua implicațiile tehnologiei.