Историята на изкуствения интелект е много по-дълга и по-интригуваща, отколкото се смята. Много преди да съществуват компютрите, идеи за него са се появявали в митове, легенди и философски произведения. машини, изкуствени същества и механични мозъци способни да мислят или да се подчиняват на човешки команди. С течение на времето тези истории отстъпиха място на математически теории, научни експерименти и накрая на изкуствения интелект, който използваме всеки ден.
Днес изкуственият интелект преживява феноменален бум: чатботове, генеративни модели за текст, изображения и видео, системи, които управляват автомобили или помагат за откриването на лекарства… Но за да разберем къде се намираме, трябва да проследим път, който започва в древността и води до най-новите издания като... ChatGPT, Claude 3.5, Gemini, AlphaFold или агентивни моделиТова пътуване е пълно с аванси, преувеличения, финансови кризи и етични дебати, които остават много живи.
От митове и алхимици до първите автомати
Много преди компютрите, различни култури са си представяли форми на живот, създадени от човечеството. Гръцката митология разказва истории за метални гиганти, оживени статуи и същества, изработени от богове или божествени майстори. Класически пример е Пазителят на Крит, който е патрулирал острова, хвърляйки камъни по вражески кораби и обикаляйки периметъра му три пъти на ден; според някои източници, той е бил изкован от Хефест с помощта на циклоп и е функционирал благодарение на... жизненоважна течност, съдържаща се вътре, която може да се изпразни чрез отстраняване на обикновена запушалкаОбразът на „механично тяло“, което се изключва, когато загуби енергията си, напомня, от разстояние, на съвременната идея за изключване на машина от контакта.
В същата традиция се появява и фигурата на Пигмалион, скулптор и цар, който се влюбва в статуя, създадена от самия него. Той моли богинята Венера да му дари жена, идентична с неговото произведение, а митът си играе с границата между неодушевеното и живото, предвиждайки това човешко желание за творчество. изкуствени спътници, които изглеждат истински.
По време на Ренесанса и Модерната епоха алхимиците развиват тези фантазии в по-„техническа“ територия. Швейцарецът Парацелз описва метод, за който се твърди, че е способен да създаде „изкуствен човек“ от смес от човешки течности и тор, инкубиран в продължение на седмици и хранен със специални вещества. Резултатът би бил хомункулус, малко живо същество, създадено в лаборатория, въплъщаващо амбицията на... да генерира живот чрез контролирани от човека процеси.
В средновековната еврейска традиция се появява големът: глинена фигура, която оживява, когато в устата ѝ се постави лист хартия със свещено име. За разлика от други легендарни автомати, това същество не говори; то се подчинява само на прости команди и може да стане неконтролируемо, ако ритуалът не се изпълни правилно. Идеята за мощен агент без сложен език и с донякъде тромаво поведение има много общо с определени системи с изкуствен интелект, които изпълняват инструкции, без да разбират напълно контекста им.
В ислямския свят исмаилските ръкописи по алхимия разглеждат темата за таквинИзкуственото създаване на живот. Автори, приписвани на Джабир ибн Хайян, описват опити за създаване на всичко - от растения до животни, изследвайки как Физическите и химичните процеси могат да доведат до появата на живи съществаГодини по-късно Гьоте ще се върне към образа на хомункулуса във втората част на Блясък, където същество, синтезирано в лаборатория, се стреми да се превърне в пълноценен човек, но умира, когато бурканът, в който се намира, се счупи.
До 19-ти век литературното въображение се е насочило към машини и изкуствени създания с по-силна научна основа. Мери Шели, с Франкенщайн, представя същество, сглобено от трупове, реанимирано чрез наука и електричество, а Карел Чапек въвежда в театралното си творчество RUR (Универсалните роботи на Росъм) Самата дума „робот“. Автори като Самюъл Бътлър разсъждават в есета за машини, които еволюират като живи същества, а случаи като известния автоматичен шахматист, анализиран от Едгар Алън По, подхранват очарованието към... артефакти, способни да симулират интелектНаучната фантастика не се е отказала от темата оттогава.
Раждането на формалната логика и идеята за изчислителна мисъл
Съвременният изкуствен интелект се основава на много специфична хипотеза: че човешката мисъл може да бъде описана достатъчно точно, за да бъде обработка с помощта на правила и символиТова не се е появило от нищото. Китайски, индийски и гръцки философи вече са създали структурирани системи за формална дедукция през първото хилядолетие пр.н.е. Аристотел формулира теорията на силогизма, Евклид развива своята елементи В рамките на аксиоматичен модел на разсъждение и в ислямския контекст, ал-Хорезми насърчава алгебрата, което води до термина „алгоритъм“. По-късно европейски схоластични мислители като Уилям от Окам и Дънс Скот се задълбочават в това как да се разсъждава строго.
В края на Средновековието Рамон Люл проектира логически машини, изработени от въртящи се дискове със символи, които, когато се комбинират, генерират нови твърдения. Люл си представял тези устройства като способни систематично да произвеждат всички възможни знания от основни истини. Неговите идеи повлияли на Лайбниц, който векове по-късно ще мечтае за... „универсална характеристика“, която би позволила аргументите да се изчисляват, както се прави с числа.
През 17-ти и 18-ти век личности като Хобс, Декарт и самият Лайбниц се чудят дали всяко рационално разсъждение може да се сведе до вид механично изчисление. Хобс директно заявява, че разсъждението е „събиране и изваждане“, а Лайбниц си представя език, на който двама философи биха могли да разрешат споровете си, просто като седнат пред черна дъска, за да „изчислят“ кой е прав. Това бележи началото на това, което по-късно ще бъде наречено хипотезата за физическата система от символиидеята, че правилното манипулиране на символите е достатъчно, за да се получи интелект.
През 19-ти век математическата логика прави крачка напред с Джордж Бул и неговата пропозиционална алгебра, както и с Фреге, който въвежда много прецизна формална нотация за разсъждения. Надграждайки върху тези основи, Ръсел и Уайтхед публикуват работата си през 1913 г. Principia MathematicaТитаничен опит да се изведе цялата математика от няколко формални аксиоми. След това Дейвид Хилберт поставя предизвикателството дали всички математически разсъждения могат да бъдат напълно формализирани.
Отговорът идва по изненадващ начин: Гьодел демонстрира, че във всяка достатъчно мощна система винаги ще има верни твърдения, които не могат да бъдат доказани в самата система, а Тюринг и Чърч дефинират абстрактни модели на изчисления (машината на Тюринг и ламбда смятане), които, макар и да разкриват ограничения, показват нещо решаващо за ИИ: в рамките на тези ограничения, Всяка процедура за механично разсъждение може да бъде реализирана в машинаТезата на Чърч-Тюринг твърди, че устройство, което манипулира прости символи (като 0 и 1), може по принцип да емулира всеки възможен алгоритъм.
От механични калкулатори до електронния мозък
Наред с тези теоретични постижения, изобретатели като Лайбниц, Жакард, Бабидж, Пърси Лудгейт, Леонардо Торес Кеведо и Ваневар Буш са проектирали и построили машини, способни да извършват различни видове изчисления. Ада Лъвлейс, сътрудничка на Бабидж, дори е предположила, че неговата Аналитична машина може да се превърне в един вид „мислеща или разсъждаваща машина“, въпреки че е предупредила да не се преувеличават възможностите ѝ. Това е първият път, когато някой сериозно е обмислял подобна машина. програмируема машина с определен интелигентен вид.
Първите се появяват по време на Втората световна война големи електронни компютриZ3 на Цузе, британски машини за декриптиране като Colossus или ENIAC в Съединените щати, базирани на концепции, които възраждат теоретичните идеи на Тюринг и които, под влиянието на Джон фон Нойман, ще се превърнат в еталон за съвременната компютърна архитектура.
През 1930-те и 1940-те години на миналия век няколко научни течения се сближиха мощно. Неврологичните изследвания показаха, че мозъкът функционира като мрежа от неврони, които излъчват импулси „всичко или нищо“. Норберт Винер дефинира кибернетиката, която описва контрола и обратната връзка в електрическите системи. Клод Шанън формализира теорията на информацията и обработката на двоични сигнали. А Тюринг демонстрира, че всяка форма на изчисление може да бъде изразена дигитално. Тази конвергенция предполага нещо, което ни изглежда очевидно днес: може би е възможно... да се изгради „електронен мозък“, способен да учи и разсъждава.
През 40-те и 50-те години на миналия век учени от много различни области (математика, психология, инженерство, икономика, политически науки) започват да изследват тази идея. Алън Тюринг поема водещата роля през 1950 г. с известната си статия „Изчислителни машини и интелект“, в която директно поставя въпроса „Могат ли машините да мислят?“ и предлага да го заменят с оперативно упражнение: ако машина води телетипно разговор по такъв начин, че човек не може да я различи от друго човешко същество, не би ли било разумно да се каже, че тя мисли? Това е семето на... Тест на Тюринг, което се превръща в концептуален крайъгълен камък за изкуствения интелект.
През 1943 г. Маккълок и Питс формулират първия модел на изкуствена невронна мрежа, демонстрирайки, че идеализирани неврони с булеви състояния могат да изпълняват основни логически операции. Тяхната работа вдъхновява млади хора като Марвин Мински, който през 1951 г., заедно с Дийн Едмъндс, изгражда една от първите невронни мрежови машини, SNARCМеждувременно други изследователи като У. Грей Уолтър разработват малки автономни роботи, управлявани от аналогова електроника, без цифрови компютри, които вече показват любопитни изследователски поведения.
Раждането на изкуствения интелект като дисциплина: Дартмут и първите програми
През 1956 г. се провежда Дартмутската работилница, организирана от Джон Маккарти и Марвин Мински с подкрепата на Клод Шанън и Нейтън Рочестър. Там е въведен терминът „изкуствен интелект“ и е направено смело твърдение: всеки аспект на ученето или всяка друга характеристика на интелигентността може да бъде описана с достатъчна точност, за да може машина да я симулира. Сред участниците са фигури като Рей Соломоноф, Артър Самюъл, Алън Нюъл и Хърбърт Саймън, които по-късно ще станат... главните герои на първата вълна от изследвания на изкуствения интелект.
В този контекст Нюъл, Саймън и Шоу представят Теоретик на логикатапрограма, способна да доказва теореми на Principia Mathematica, дори намирайки по-елегантни доказателства от оригиналите. Саймън стига дотам, че да заявява, че са решили стария проблем ум-тяло, като са показали как една материална система може да проявява психически свойства. Тази позиция, която Сърл по-късно ще нарече „силен AI„Той твърди, че подходяща символична система не само симулира ума, но и действително го притежава.“
В годините непосредствено след това резултатите се натрупаха и атмосферата беше изпълнена с пълен оптимизъм. Появиха се програми, които решаваха алгебрични задачи, доказваха геометрични теореми, играеха дама на прилично ниво (като системата на Артър Самюъл, която вече използваше машинно обучение за подобрение) или водеха прости диалози на естествен език, като ELIZA, която емулираше терапевт, като префразираше изреченията на потребителя. За пресата и голяма част от обществеността тези постижения изглеждаха почти чудотворни и засилваха усещането, че Машина с общ интелект е точно зад ъгъла..
В MIT, Станфорд, Карнеги Мелън и други университети те отварят лаборатории, посветени изцяло на изкуствения интелектчесто с щедро финансиране от агенции като ARPA (бъдещата DARPA). Общи алгоритми за търсене, като например Общи решения на проблемиСистеми за планиране като STRIPS (която ще контролира робота Shakey), представяния на знания като семантични мрежи и програми, които се опитват да разбират и генерират език в контролирани микросветове, като SHRDLU, която говори за свят от цветни блокове и може да ги манипулира с помощта на роботизирана ръка.
Първа голяма криза: технически ограничения и символична „зима“
С преминаването на 60-те в 70-те години на миналия век, реалността започна да поднася сурова доза реалност. Програмите, които бяха толкова зрелищни в своите версии като играчки, не успяха да се приспособят към проблемите на реалния свят. Те многократно се сблъскваха с това, което е известно като комбинаторна експлозияБроят на възможностите за изследване нараства астрономически, което прави наивните алгоритми за търсене неосъществими, дори с евристика.
Към това се добавят и други трудности: изчислителната мощност е абсурдно ниска в сравнение с днешните стандарти, наличната памет налага използването на миниатюрен речник и става ясно, че решаването на привидно „прости“ задачи като разпознаване на лица или преминаване през писта с препятствия е много по-трудно от доказването на теорема. Това е, което по-късно ще бъде наречено Парадоксът на МоравецМашините са сравнително добри в това, което ние считаме за интелектуално, но се провалят в основните сензомоторни умения.
Опитите да се улови здравият разум в символни бази данни се препъват в огромността на ежедневните знания: биха били необходими милиарди факти и правила и дори тогава високопрецизните системи се оказват крехки, защото реалността е препълнена с изключения и нюанси. Изразяването със строга логика на това, с което хората боравят по дифузен и гъвкав начин, става безнадеждно. Както каза Джералд Съсман, Използването на напълно точен език, за да се говорят за по същество неясни понятия, не ги прави по-ясни..
Финансиращите агенции, които бяха повярвали на оптимистичната реторика от 60-те години на миналия век, се умориха от неспазените обещания. Опустошителните доклади, като например ALPAC за машинния превод през 1966 г. или доклада Lighthill във Великобритания през 1973 г., рязко съкратиха много програми за изкуствен интелект. DARPA пренасочи бюджета си към проекти с непосредствени цели и ясни военни приложения. Терминът „Зима с изкуствен интелект„за да се опише този период на разочарование и съкращения, въпреки че историци като Томас Хейг са уточнили, че областта е останала жива извън няколко големи лаборатории.“
Въпреки че ситуацията е сложна за определени групи, други изследователи продължават работата си, търсейки алтернативни подходи. Те изследват логическото програмиране, нови форми на разсъждение, основано на здравия разум, по-богати представяния и започват да развиват критично течение срещу чистия символизъм, което ще отвори вратата към субсимволни методи като невронни мрежи, размита логика или еволюционни изчисления.
Възходът на експертните системи и знанието като ключов ресурс
През 70-те и 80-те години на миналия век, част от общността на изкуствения интелект промени фокуса си: вместо да се опитва да изгражда системи с общо предназначение, тя се концентрира върху много специфични области, където експертните знания биха могли да бъдат полезно използвани. Така се родиха [липсващата дума - вероятно „системи“ или „системи“]. експертни системи, програми, които отговарят на въпроси или вземат решения в специфични области (медицинска диагноза, химия, конфигурация на оборудване...) въз основа на правила, предоставени от човешки специалисти.
Емблематични примери включват Dendral, който помага за идентифициране на химични съединения от спектри, и MYCIN, който предлага диагнози и лечения за кръвни инфекции. Тези системи не се придържат към общия здрав разум, но работят изненадващо добре в своята ниша и демонстрират, че Кодирането на подробни познания в областта може да доведе до печеливши приложенияКомпании като Digital Equipment Corporation възприемат този подход: тяхната система R1, завършена през 1980 г., им спестява десетки милиони долари годишно, като автоматично конфигурира сложно оборудване.
Този успех привлича вниманието на правителствата и индустрията. Япония стартира амбициозния си проект за компютри от пето поколение, целящ да създаде машини, които могат да разговарят, превеждат и разсъждават като хората. Обединеното кралство отговаря с проект „Алви“, а Съединените щати със стратегическата компютърна инициатива. Успоредно с това процъфтява специализирана хардуерна и софтуерна индустрия: работни станции на Lisp, инструменти за инженерство на знания, платформи за разработване на експертни системи… В продължение на няколко години изкуственият интелект преживява истински бум. търговски балон.
Въпреки това, скоро възникват проблеми: експертните системи са скъпи за поддръжка, трудни за разширяване, неспособни да се учат от опита и много ненадеждни извън контролираната си среда. Появата на мощни персонални компютри прави специализирания хардуер ненужен и до края на 80-те години много доставчици на ИИ фалират или биват придобити. Говори се за нова зима на ИИ, но това, което всъщност се случва, е преструктуриране: ИИ е интегриран като... набор от техники в по-широки системи, вместо да се продава като „вълшебното“ решение.
Субсимволичен ренесанс: невронни мрежи, роботика и меки изчисления
Докато светът на бизнеса гледаше настрани, през 80-те и 90-те години на миналия век се наблюдава консолидиране на изследователски линии, които са от съществено значение днес. Джон Хопфийлд показа, че определени невронни мрежи могат стабилно да съхраняват и извличат модели; Джефри Хинтън работи върху машини на Болцман и заедно с Дейвид Румелхарт популяризира обратното разпространение на кода, алгоритъмът за обучение на многослойни перцептрони, който им позволява да учат сложни вътрешни представяния. Тази втора вълна на конекционизъм съживи изучаването на... изкуствени невронни мрежи като модели на разпределено обучение.
Тези мрежи започват да надминават най-съвременните технологии в специфични задачи, като например предсказване на вторични протеинови структури, а през 1990 г. Ян ЛеКун прилага конволюционни мрежи към... разпознаване на ръкописни цифриТова доведе до системи, които банките и пощенските служби внедряват в голям мащаб. Това е първото голямо индустриално приложение на съвременните невронни мрежи.
Междувременно роботиката претърпява малка концептуална революция. Изследователи като Родни Брукс и Ханс Моравец твърдят, че постигането на истински интелект изисква повече от просто логическо разсъждение в офис; то изисква тяло, което възприема, движи се и оцелява в света. Те предлагат архитектури „отдолу нагоре“, където сензомоторните способности се изграждат, без да се прибягва до тромави символични представяния, вярвайки, че Доброто взаимодействие с околната среда е основата, върху която се изграждат по-високи когнитивни умения.Тази гледна точка се свързва с теорията за въплътения ум, която набира популярност в когнитивната наука.
В същото време инструментите се консолидират меки изчисленияРазмита логика за работа с постепенни концепции, байесови мрежи и марковски модели за вероятностни разсъждения, еволюционни алгоритми, стохастични модели… Всички тези техники се отказват от абсолютна прецизност в замяна на възможността да управляват несигурността, шума и непълните данни, което е много практично в много реални области.
В тази среда се появи и модерното обучение с подсилване. Надграждайки върху идеите на психолози като Торндайк, Павлов и Скинър, Ричард Сътън и Андрю Барто формулираха теоретична рамка, базирана на процесите на вземане на решения на Марков, и разработиха алгоритми като обучение с времева разлика (TD). Програми като TD-Gammon се учат да играят табла на експертно ниво, като играят сами срещу себе си без изрични предварителни знания. Десетилетия по-късно, вариации на тези методи ще бъдат в основата на системи като AlphaGo и AlphaZeroкойто ще овладее сложни игри като го или шах.
Стандартизация и зрялост: интелигентни агенти, големи данни и Deep Blue
През 90-те и 2000-те години много техники за изкуствен интелект престанаха да се предлагат на пазара като екзотични и просто станаха... стандартни инструменти В рамките на компютърните науки и инженерство те се използват за извличане на данни, медицинска диагностика, логистика, разпознаване на реч, банково оценяване и търсачки, но рядко се рекламират като „изкуствен интелект“. Всъщност много изследователи съзнателно избягват този етикет, за да избегнат стигмата от минали неуспехи и да получат по-лесен достъп до финансиране.
През тези години парадигмата на интелигентен агентИзкуственият интелект е система, която възприема средата си и действа, за да увеличи максимално известна степен на успех. Това определение, вдъхновено от теорията на решенията и икономиката, ни позволява да обединим много разнообразни програми под един чадър, от контролери за роботи до системи за препоръки. Справочници като тези на Ръсел и Норвиг представят ИИ като изучаване на тези агенти, фокусирайки се върху рационалното поведение, а не върху обсебването от точно имитиране на човешкия ум.
Изчислителната мощност нараства експоненциално, следвайки закона на Мур, и това си личи. През 1997 г. Deep Blue побеждава Гари Каспаров в шахматен мач, комбинирайки специализиран хардуер, масивни възможности за търсене и огромен брой евристики. През 2005 и 2007 г. предизвикателствата за автономно шофиране на DARPA демонстрират автомобили, пътуващи стотици километри в пустинна и градска среда, спазвайки законите за движение и реагирайки на неочаквани събития. Зад това не стои някаква чудотворна нова теория, а по-скоро огромно количество инженерна работа и фактът, че сега... Машините са милиони пъти по-бързи, отколкото са били през 50-те години на миналия век.
Успоредно с това, разширяването на интернет и широко разпространената дигитализация произвеждат огромни количества данни. Към края на 2000-те години хората вече говореха за голямо количество от даннии набори от данни, обозначени като „Означени лица в дивата природа“ или ImageNet Те се превръщат в стандарти за обучение и оценка на алгоритми за компютърно зрение. Появяват се и векторни представяния на езика, като например word2vec, които кодират думи в числови пространства, където прости операции улавят изненадващи семантични връзки.
През 2011 г. системата Watson на IBM победи двама основни шампиони на Jeopardy!Комбиниране на обработка на естествен език, масивно извличане на информация и вероятностни модели. Тези важни етапи ясно показват, че Изкуственият интелект вече не е само академичен въпросно технология, способна да се конкурира с човешките експерти в сложни задачи.
Революцията в дълбокото обучение и преходът към общ изкуствен интелект (ОИИ)
Повратният момент дойде през 2012 г. с AlexNet, дълбока невронна мрежа, обучена на ImageNet, която помете състезание за разпознаване на изображения със значително по-нисък марж на грешка от останалите участници. Нейната многослойна конволюционна архитектура, комбинирана с техники като отпадат и функции за активиране ReLUТова показва, че с достатъчно данни и изчислителна мощност (включително графични процесори), дълбоките мрежи могат автоматично да извличат полезни функции, без да е необходимо екстремно ръчно инженерство.
Оттам нататък, т.нар. дълбоко учене Той става доминиращ в разпознаването на реч, машинния превод, анализа на текст, компютърното зрение, игрите и много дълъг списък от други области. Много алтернативни методи биват изоставени или преместени в нишови приложения. Изследователи като Джефри Хинтън си спомнят, че през 80-те и 90-те години просто е имало липса на етикетирани данни и изчислителна мощност; след като това е било решено, дълбоките мрежи демонстрирали своя потенциал.
С вълната от успехи, интересът към изкуствения общ интелект (ОИИ) – системи с широки и гъвкави възможности, сравними с (или надвишаващи) тези на хората – се възроди. Автори като Нилс Нилсон, Джон Маккарти и Марвин Мински съживиха дебата, а Бен Гьорцел популяризира термина ОИИ, организирайки конференции и публикувайки специализирани списания. DeepMind е основана през 2010 г., OpenAI през 2015 г. и скоро след това се появиха други играчи като Anthropic, всички с поглед насочен към... модели с общо предназначение, които могат да се научат да решават практически всяка задача.
В същото време, книги като Сингулярността е близо от Рей Курцвейл или свръхразум Работата на Ник Бостром представя сценарии за свръхинтелигентност, които биха могли радикално да трансформират обществото, за добро или за лошо. Започват сериозни дискусии за екзистенциалните рискове, свързани с изкуствения интелект и т.нар. проблем с подравняванетоКак да се гарантира, че много мощни системи преследват цели, съвместими с човешките ценности, и не развиват опасно поведение, основано на чисто инструментална логика.
Фундаментални модели, генеративен изкуствен интелект и бумът на моделите с големи езици
През 2017 г. екип на Google публикува статия „Вниманието е всичко, от което се нуждаете“, представяйки архитектурата Transformer. Централната ѝ идея е механизмът за самовнимание, който позволява на всяка част от последователността да „гледа“ всички останали, за да реши кое е релевантно, елиминирайки необходимостта от сложни рекурсии. Тази архитектура бързо се превърна в стандарт за големи езикови модели (LLM) и по-късно, за мултимодални модели.
Стартира OpenAI GPT-3 През 2020 г. беше разработен модел, обучен върху огромни количества немаркиран текст, който можеше да пише, превежда, програмира и отговаря на въпроси с плавност, изненадваща дори много експерти. DeepMind представи Gato, „универсален“ модел, който може да контролира роботи, да играе видеоигри или да разговаря, използвайки една и съща мрежа. Тези модели се наричат „фундаментални“, защото служат като основа за безброй последващи задачи с относително малки корекции.
ChatGPT беше пуснат на 30 ноември 2022 г. и в рамките на няколко седмици разби всички показатели за приемане: над 100 милиона потребители за два месецаПостоянно присъствие в медиите и социалните мрежи и поток от креативни приложения, от писане на код до генериране на маркетингови идеи или помощ при учене. Реакцията в индустрията е незабавна: Google обявява „код червено“ и ускорява разработването на своето семейство Gemini, Microsoft интегрира OpenAI технологията в Bing и други продукти, а десетки конкуренти, фокусирани върху генеративния ИИ, се появяват.
В същото време, модели на изображения като например Стабилна дифузиякоито позволяват създаването на фотореалистични или артистични илюстрации от текст, а започват да се появяват и системи за преобразуване на текст във видео като Sora, способни да генерират клипове до една минута с впечатляващо ниво на детайлност, и платформи като Instagram интегрира изкуствен интелект в Stories Те демонстрират практически приложения на изкуствения интелект в социалните медии. Инструменти като 15.ai вече бяха демонстрирали потенциала на клонирането на глас само с няколко секунди аудио, нещо, което големи компании по-късно щяха да потвърдят като технически осъществимо.
Състезанието не се ограничава само до текста: те се появяват мултимодални модели Тези платформи комбинират изображения, аудио и видео, а агентивните архитектури започват да се появяват, където няколко специализирани модела си сътрудничат, за да изпълняват сложни задачи почти автономно. Производителите на чипове като NVIDIA се превръщат в гиганти на фондовия пазар, водени от огромното търсене на графични процесори за обучение и внедряване на тези модели.
През 2024 г. лаборатории като Anthropic пуснаха продуктови семейства като Claude 3 и Claude 3.5, с по-леки и високопроизводителни версии, които се конкурираха директно с моделите на OpenAI и Google. Едновременно с това бяха тествани нови бенчмаркове като ARC-AGI, проектиран от Франсоа Шоле за измерване на способността за абстрактно мислене отвъд простото съпоставяне на модели. Модели за разсъждение като OpenAI o3 постигнаха много високи резултати в тези тестове, дори надминавайки средните за хората в някои случаи, което подхранваше дебата за... дали се приближаваме до първите форми на ОБИ или не.
Социално въздействие, рискове и регулиране на изкуствения интелект
Този ускорен растеж носи със себе си много сериозни опасения. От една страна, изследвания на автори като Кати О'Нийл показват как лошо разработените модели на риск са допринесли за финансовата криза от 2008 г. Други проучвания разкриват расови и други предразсъдъци в алгоритмите, използвани в съдебната система, при наемането на работа и при отпускането на заеми. Скандалът около COMPAS и използването му при наказателно производство в Съединените щати предизвика обществен дебат относно... равенство, прозрачност и алгоритмична отчетност.
От друга страна, възходът на социалните мрежи, основани на максимизиране на взаимодействието, мащабна дезинформация А нерегулираното използване на лични данни повдига неудобни въпроси за степента, до която се отказваме от контрола върху вниманието и решенията си в полза на непрозрачни системи за препоръки и прогнози. След изборите в САЩ през 2016 г. много изследователи на изкуствения интелект пренасочиха работата си към въпроси, свързани с безопасността, обяснимостта, управлението и етичните ценности.
В същото време влиятелни гласове в сектора призовават за предпазливост. През 2023 г. беше публикувано отвореното писмо „Pause Giant AI Experiments“ (Спрете гигантските експерименти с изкуствен интелект), подписано от десетки хиляди хора, включително Илон Мъск, Йошуа Бенджио и Стив Возняк, в което се изисква временно спиране на обучението на модели, по-мощни от GPT-4, докато не бъдат въведени разумни гаранции за контрол и безопасност. Други експерти смятат, че пълното спиране на процеса е нереалистично, но са съгласни, че подобна пауза е необходима. надзорни механизми, независим одит и регулиране, пропорционално на риска.
От политическата сфера, Европейската комисия предлага дефиниции за ИИ и регулаторни рамки Тези насоки разграничават високорисковите приложения (като масова биометрична идентификация, социално оценяване или системи в здравеопазването и правосъдието) от по-леки приложения. Идеята е да се даде възможност за иновации, като същевременно се изискват по-строги изисквания за прозрачност, тестване, документация и човешки надзор, когато евентуална грешка може да има сериозни последици за основните права.
В страни като Испания националните стратегии за изкуствен интелект се внедряват в рамките на по-широки планове за дигитализация, като публичните и частните инвестиции са насочени към стимулиране на проекти в здравеопазването, промишлеността, транспорта, селското стопанство и публичната администрация. Официални доклади показват, че все по-голям процент от компаниите вече използват изкуствен интелект за... автоматизиране на работни процеси, анализ на изображения, разпознаване на реч или подпомагане на вземането на решенияВъпреки това, приемането остава концентрирано във високотехнологични сектори.
Успоредно с това се отварят дебати за труда относно автоматизацията и заетостта, както и философски дилеми относно значението на интелигентността, креативността или дори съзнанието, когато съществуват системи, способни да генерират текстове, изображения, музика или код, неразличими от човешки в много контексти. Въпросът вече не е само какво могат да правят машините, а какво искаме да правят и при какви условия.
Поглеждайки го в перспектива, историята на изкуствения интелект е историята на една древна мечта, която преминава през митовете за метални гиганти и глинени големи, формализира се в логиката и изчисленията на 20-ти век, многократно се препъва в собствените си ограничения, преоткрива се с нови техники и днес е проникнала в почти всеки ъгъл на нашия дигитален живот; разбирането на това пътуване помага да се ситуират по-добре както ентусиазмът, така и съмненията, породени от технология, на която, почти без да го осъзнаваме, позволяваме да влияе върху начина, по който учим, работим, сме информирани и се свързваме помежду си, и която изисква повече от всякога комбинация от... научна прецизност, социална отговорност и колективен здрав разум.
