Uz trenutnu buku oko veštačke inteligencije (AI), bilo bi lako pretpostaviti da je to nedavna inovacija. U stvari, AI postoji u ovom ili onom obliku više od 70 godina. Da bismo razumeli trenutnu generaciju AI alata i gde bi oni mogli da vode, korisno je razumeti kako smo došli ovde.
Svaka generacija AI alata može se posmatrati kao poboljšanje u odnosu na one koje su bile ranije, ali nijedan od alata nije usmeren ka svesti.
Matematičar i pionir računarstva Alan Tjuring objavio je članak 1950. godine sa uvodnom rečenicom: „Predlažem da razmotrimo pitanje „Mogu li mašine da misle?“. On nastavlja da predlaže nešto što se zove igra imitacije, koja se sada obično naziva Tjuringov test, u kojoj se mašina smatra inteligentnom ako se ne može razlikovati od čoveka u slepom razgovoru.
Pet godina kasnije, došlo je do prve objavljene upotrebe izraza „veštačka inteligencija“ u predlogu letnjeg istraživačkog projekta Dartmouth o veštačkoj inteligenciji.
Od tih ranih početaka, grana veštačke inteligencije koja je postala poznata kao ekspertski sistemi razvijala se od 1960-ih pa nadalje. Ti sistemi su dizajnirani da obuhvate ljudsku ekspertizu u specijalizovanim domenima. Oni su koristili eksplicitne reprezentacije znanja i stoga su primer onoga što se zove simbolička AI.
Bilo je mnogo dobro objavljenih ranih uspeha, uključujući sisteme za identifikaciju organskih molekula, dijagnostikovanje infekcija krvi i traženje minerala. Jedan od najupečatljivijih primera bio je sistem pod nazivom R1 koji je 1982. godine navodno uštedeo Digital Ekuipment Corporation 25 miliona američkih dolara godišnje dizajniranjem efikasnih konfiguracija njenih mini računarskih sistema.
Ključna prednost ekspertskih sistema bila je u tome što je stručnjak za predmet bez ikakve ekspertize u kodiranju mogao, u principu, da izgradi i održava bazu znanja računara. Softverska komponenta poznata kao mehanizam zaključivanja je zatim primenila to znanje za rešavanje novih problema unutar predmetnog domena, sa tragom dokaza koji pruža oblik objašnjenja.
Oni su bili u modi 1980-ih, sa organizacijama koje su tražile da izgrade sopstvene ekspertske sisteme, a one su i danas korisni deo AI.
Ljudski mozak sadrži oko 100 milijardi nervnih ćelija, ili neurona, međusobno povezanih dendritskom (granatom) strukturom. Dakle, dok su ekspertski sistemi imali za cilj da modeliraju ljudsko znanje, pojavila se i posebna oblast poznata kao konekcionizam koja je imala za cilj da modelira ljudski mozak na bukvalniji način. Godine 1943, dva istraživača po imenu Voren Mekalok i Volter Pits proizveli su matematički model za neurone, pri čemu bi svaki od njih proizveo binarni izlaz u zavisnosti od svojih ulaza.
Jednu od najranijih kompjuterskih implementacija povezanih neurona razvili su Bernard Vidrov i Ted Hoff 1960 . Takvi razvoji su bili zanimljivi, ali su bili od ograničene praktične upotrebe sve do razvoja algoritma učenja za softverski model nazvan višeslojni perceptron (MLP) 1986. godine.
MLP je raspored tipično tri ili četiri sloja jednostavnih simuliranih neurona, gde je svaki sloj u potpunosti međusobno povezan sa sledećim. Algoritam učenja za MLP bio je proboj. Omogućio je prvi praktični alat koji je mogao da uči iz skupa primera (podaci o obuci), a zatim da generalizuje kako bi mogao da klasifikuje ranije nevidljive ulazne podatke (podaci testiranja).
Ovaj podvig je postigao tako što je priložio numeričke pondere vezama između neurona i prilagodio ih da bi se dobila najbolja klasifikacija sa podacima o obuci, pre nego što je raspoređena da klasifikuje ranije nevidljive primere.
MLP bi mogao da se nosi sa širokim spektrom praktičnih primena, pod uslovom da su podaci predstavljeni u formatu koji može da koristi. Klasičan primer je bilo prepoznavanje rukom pisanih znakova, ali samo ako su slike prethodno obrađene da bi se odabrale ključne karakteristike.
Nakon uspeha MLP-a, počeli su da se pojavljuju brojni alternativni oblici neuronske mreže. Važna je bila konvoluciona neuronska mreža (CNN) 1998. godine, koja je bila slična MLP-u, osim svojih dodatnih slojeva neurona za identifikaciju ključnih karakteristika slike, čime je uklonjena potreba za prethodnom obradom.
I MLP i CNN su bili diskriminativni modeli, što znači da su mogli da donose odluku, tipično klasifikujući svoje inpute da bi proizveli tumačenje, dijagnozu, predviđanje ili preporuku. U međuvremenu, razvijali su se i drugi modeli neuronske mreže koji su bili generativni, što znači da su mogli da stvore nešto novo, nakon što su obučeni na velikom broju prethodnih primera.
Generativne neuronske mreže mogu da proizvode tekst, slike ili muziku, kao i da generišu nove sekvence koje bi pomogle u naučnim otkrićima.
Izdvojila su se dva modela generativne neuronske mreže: generativno-adversarijske mreže (GAN) i transformatorske mreže. GAN-ovi postižu dobre rezultate jer su delimično „konkurentni“, što se može smatrati ugrađenim kritičarem koji zahteva poboljšani kvalitet od „generativne“ komponente.
Mreže transformatora su postale istaknute kroz modele kao što su GPT4 (Generative Pre-trained Transformer 4) i njegova tekstualna verzija, ChatGPT. Ovi modeli velikih jezika (LLM) su obučeni na ogromnim skupovima podataka, izvučenim sa Interneta. Ljudske povratne informacije još više poboljšavaju njihov učinak kroz takozvano učenje uz pomoć.
Osim što proizvodi impresivnu generativnu sposobnost, ogroman set za obuku znači da takve mreže više nisu ograničene na specijalizovane uske domene kao njihovi prethodnici, već su sada generalizovane da pokriju bilo koju temu.
Mogućnosti LLM-a dovele su do strašnih predviđanja da će AI preuzeti svet. Takvo zastrašivanje je, po mom mišljenju, neopravdano. Iako su sadašnji modeli očigledno moćniji od svojih prethodnika, putanja ostaje čvrsto ka većem kapacitetu, pouzdanosti i tačnosti, pre nego ka bilo kom obliku svesti.
Kao što je profesor Majkl Vuldridž primetio u svom svedočenju pred Domom lordova britanskog parlamenta 2017, „holivudski san o svesnim mašinama nije neizbežan, i zaista ne vidim nikakav put koji nas vodi tamo“. Sedam godina kasnije, njegova procena i dalje važi.
Postoji mnogo pozitivnih i uzbudljivih potencijalnih aplikacija za AI, ali pogled na istoriju pokazuje da mašinsko učenje nije jedini alat. Simbolička veštačka inteligencija i dalje ima ulogu, jer omogućava da se ugrade poznate činjenice, razumevanje i ljudske perspektive.
Automobilu bez vozača, na primer, mogu se obezbediti pravila puta umesto da se uče na primeru. Sistem medicinske dijagnoze se može proveriti u odnosu na medicinsko znanje kako bi se obezbedila verifikacija i objašnjenje izlaza iz sistema mašinskog učenja.
Društveno znanje se može primeniti za filtriranje uvredljivih ili pristrasnih rezultata. Budućnost je svetla i uključivaće upotrebu niza AI tehnika, uključujući i one koje postoje već dugi niz godina.
