Kompletní historie AI: od Turinga po současnost
Cesta umělé inteligence je svědectvím lidských ambicí: dlouholeté úsilí reprodukovat vlastní inteligenci ve strojích. Abychom skutečně pochopili, kam se AI ubírá, je nutné vstřebat úplnou a často cyklickou historii vývoje umělé inteligence – od teoretických úvah britského matematika po revoluci generativní AI, která dnes mění svět.
Co se dozvíte
Historie vývoje umělé inteligence není přímka, ale série vzestupů a pádů způsobených fundamentálním rozporem mezi „symbolickou“ logikou a „statistickým“ učením. Od Turingova testu v roce 1950 po architekturu transformeru, která je základem moderní generativní AI, byl pokrok určován kombinací lepších algoritmů, obrovských datových sad a, což je kritické, obrovského výpočetního výkonu, který umožnil hluboké učení.
Filosofické zrno a zrod disciplíny
Koncepční základ AI byl položen dávno předtím, než první počítač dokázal spustit program. V roce 1950 publikoval Alan Turing svou zásadní práci „Stroje a myšlení“, v níž navrhl test pro určení, zda stroj může projevovat inteligentní chování nerozeznatelné od lidského. Tato otázka posunula zaměření z toho, jak stroj myslí, na to, zda může přesvědčivě napodobovat myšlení, čímž položila základ nové vědecké disciplíně.
Dartmoutská konference: 1956
Oblast AI se oficiálně zrodila na Dartmoutské konferenci v létě 1956, kterou uspořádal John McCarthy, jenž také zavedl termín „umělá inteligence“. Toto setkání brilantních myslí, včetně Marvina Minského a Clauda Shannona, bylo prodchnuto obrovským optimismem; věřili, že stroj s inteligencí na lidské úrovni je již na dosah. V této éře vznikl první programovací jazyk pro AI – LISP, a perceptron – raná neuronová síť, která vyvolala nadšení pro strojové učení.
Klasická AI: inteligence jako logika a pravidla
První velká vlna výzkumu AI je dnes známá jako „symbolická AI“ nebo „klasická AI“. Hlavní myšlenkou bylo, že inteligenci lze reprodukovat naprogramováním explicitních pravidel a logických symbolů. Pokud člověk uvažuje pomocí faktů a pravidel, pak logicky může stroj dělat totéž manipulací s těmito symboly.
Expertní systémy a zimy AI
Tento přístup vedl k vývoji „expertních systémů“ v 70. a 80. letech – programů určených k napodobování rozhodování lidského experta. Tato metodologie, i když elegantní pro strukturované úlohy, se ukázala jako křehká tváří v tvář chaotické a nejednoznačné povaze reálného světa. Ruční kódování každého pravidla bylo monumentálním úkolem. Když technologie nesplnila velkolepé sliby, vedlo to k „zimám AI“ – obdobím prudkého snížení financování a zájmu v 70. letech a znovu na konci 80. let. Byla to důležitá lekce v historii vývoje umělé inteligence: holá logika nestačila ke skutečné „inteligenci“.
Statistický obrat: nástup strojového učení
V 90. letech začal nabírat na obrátkách skromnější přístup. Místo programování pravidel se výzkumníci zaměřili na vytváření systémů schopných učit se pravidla z dat. To byl zrod strojového učení (ML). Podáváním obrovských objemů dat algoritmům a umožněním jim identifikovat vzory byli výzkumníci schopni řešit úlohy jako odhalování podvodů a filtrování spamu, které symbolické systémy mátly.
Rok 1997 byl pro tento přístup přelomový, když IBM Deep Blue porazil mistra světa v šachu Garryho Kasparova. Úspěch Deep Blue byl však triumfem hrubé síly a ručně nastavených hodnoticích funkcí – hybridu klasického a učícího se přístupu. Ale byla to mocná demonstrace toho, čeho mohou stroje dosáhnout v určité logické oblasti.
Revoluce hlubokého učení
Navzdory úspěchu povrchového strojového učení zůstávaly neuronové sítě ve stínu. Koncept „perceptronu“ byl vyvinut v roce 1958 a zásadní metoda učení vícevrstvých sítí – zpětné šíření chyby – byla představena v roce 1969 Brysonem a Ho. Nicméně výpočetní výkon a data potřebná pro efektivní fungování hlubokých sítí prostě chyběly.
To se zásadně změnilo v 2000. letech. Výzkumníci jako Geoffrey Hinton, který v roce 2006 publikoval klíčovou práci o učení vícevrstvých neuronových sítí, vedli obrodu. Průlom nastal v roce 2012 s AlexNet – hlubokou konvoluční neuronovou sítí, která rozdrtila soutěž v počítačovém vidění ImageNet. S využitím grafických procesorů (GPU), původně určených pro hry, AlexNet demonstroval, že hluboké učení může dosáhnout bezprecedentní přesnosti v rozpoznávání obrazů.
Tato kombinace algoritmů, obrovských datových sad (jako ImageNet) a výkonných GPU katalyzovala moderní boom AI. V roce 2011 IBM Watson porazil šampiony Jeopardy! a Apple představil Siri, čímž přinesl AI do milionů domácností. Jen o pár let později AlphaGo od DeepMind porazil mistra světa ve složité hře Go – výkon, který byl ještě před desetiletími považován za nedosažitelný.
Éra generativní AI: Attention is All You Need
Další monumentální skok nenastal díky novému hardwarovému průlomu, ale díky nové architektuře: transformeru. V roce 2017 představil článek Attention Is All You Need architekturu, která dokázala zpracovávat celé sekvence dat najednou, na rozdíl od předchozích modelů zpracovávajících text slovo po slovu.
Tato architektura se stala základem generativních předtrénovaných transformerů (GPT) od OpenAI. Zatímco GPT-1 (2018) a GPT-2 (2019) vykazovaly slibné výsledky, právě GPT-3 v roce 2020 se svými 175 miliardami parametrů ohromil svět svou schopností psát, programovat a překládat. Vydání ChatGPT od OpenAI na konci roku 2022 konečně demokratizovalo tuto technologii tím, že poskytlo intuitivní rozhraní pro miliony uživatelů k interakci s výkonným velkým jazykovým modelem.
To znamenalo revoluci „generativní AI“. Oblast se nyní rychle posouvá k „agentní AI“, kde systémy používají velké jazykové modely jako mechanismus uvažování pro plánování, používání nástrojů a autonomní provádění složitých úkolů. Historie vývoje umělé inteligence se uzavřela: cílevědomé chování klasické AI se kombinuje s učící schopností moderního hlubokého učení. Ačkoli cesta byla cyklem obrovského pokroku a vystřízlivění, trajektorie je jasná: umělá inteligence už není otázkou „zda“, ale „co dál“.
Často kladené otázky
Jak Alan Turing přispěl k rozvoji umělé inteligence? Alan Turing je považován za otce teoretické informatiky a AI. Jeho práce z roku 1950 představila „Turingův test“ jako způsob, jak určit, zda stroj může projevovat inteligentní chování, což zásadně posunulo diskusi od toho, jak stroje myslí, k tomu, zda to dokážou napodobit, čímž položil základ celému oboru.
Co jsou „zimy AI“ a proč k nim došlo? „Zimy AI“ jsou období v 70. a na konci 80. let, kdy financování a zájem o výzkum AI prudce klesly. Byly způsobeny neschopností raných systémů „symbolické AI“ splnit velkolepé sliby, což vedlo k širokému zklamání mezi investory a vládami.
Co je „revoluce hlubokého učení“ a kdy k ní došlo? Revoluce hlubokého učení začala kolem roku 2012 s vývojem AlexNet – hluboké neuronové sítě, která zvítězila v soutěži ImageNet. To dokázalo, že výkonné neuronové sítě lze efektivně trénovat, a bylo to umožněno kombinací obrovských datových sad, složitých algoritmů a výkonných GPU.
Jaký je hlavní rozdíl mezi symbolickou AI a strojovým učením? Symbolická AI je založena na programování explicitních pravidel a logiky pro stroje, zatímco strojové učení je založeno na učení algoritmů z dat, aby samy nacházely vzory a pravidla. Strojové učení se ukázalo být mnohem efektivnější a flexibilnější při práci s nejednoznačností reálného světa.
Co je architektura „transformer“ a proč je důležitá? Představený v roce 2017, transformer je architektura neuronové sítě, která používá „mechanismus pozornosti“ ke zpracování dat, jako je text, jako celku. Je to základní technologie moderních velkých jazykových modelů, jako jsou GPT a BERT, což je činí výrazně výkonnějšími a škálovatelnějšími než předchozí modely.
— Editorial Team
Zatím žádné komentáře.