Od testu Turinga do Nobla 2024: jak rozwijała się sztuczna inteligencja na przestrzeni dekad?

To pierwszy tekst z cyklu publikacji poświęconego sztucznej inteligencji. Na początek warto uporządkować najważniejsze etapy rozwoju tej technologii – od Turinga i konferencji w Dartmouth, przez fale rozwoju i zahamowań, po modele generatywne i Nagrodę Nobla z 2024 r.

Lata 50. XX w. i początki sztucznej inteligencji
Choć dziś debata o sztucznej inteligencji koncentruje się głównie wokół modeli generatywnych, jej historia zaczęła się znacznie wcześniej. Samo słowo „robot”, często funkcjonalnie wiązane z AI, upowszechniła sztuka R.U.R. Karela Čapka, wystawiona w 1921 r.; termin ten wywodzi się od czeskiego słowa oznaczającego pracę przymusową. Za jednego z najważniejszych prekursorów w tej dziedzinie uznaje się jednak Alana Turinga. Brytyjski matematyk, znany m.in. z prac nad łamaniem szyfru Enigmy, w artykule Computing Machinery and Intelligence z 1950 r. sformułował pytanie „Can machines think?” i przedstawił „grę w naśladowanie”, znaną później jako Test Turinga. Test ten sprawdza, czy człowiek jest w stanie odróżnić rozmowę z innym człowiekiem od rozmowy z komputerem. Sam termin artificial intelligence pojawił się we wniosku grantowym Johna McCarthy’ego z 1955 r., a zorganizowany przez niego w 1956 r. warsztat Dartmouth Summer Research Project on Artificial Intelligence jest powszechnie uznawany za symboliczny początek AI jako odrębnej dziedziny badań (tekst Turinga, propozycja Dartmouth).

Lata 60. XX w. i robot-psychoterapeuta
Lata sześćdziesiąte stanowiły erę intensywnego rozwoju w ośrodkach akademickich. Powstawały wtedy programy do gier, a także pierwsze systemy rozpoznawania wzorców, wykorzystywane m.in. w programach maszynowych potrafiących autonomicznie grać w szachy. Podejmowano także pionierskie próby prowadzenia dialogu człowiek–komputer.

Szczególnie ważny był stworzony w 1966 r. chatterbot ELIZA Josepha Weizenbauma, prekursor dzisiejszych chatbotów, w tym ChatGPT. Program ten nie „rozumiał” języka w dzisiejszym sensie, lecz działał na podstawie słów kluczowych i reguł przekształcania wypowiedzi. Już wtedy było jednak widać, jak łatwo użytkownicy przypisują maszynie zrozumienie, intencję i empatię — i dlaczego temat relacji człowiek–maszyna tak szybko stał się jednym z ważnych wątków debaty o AI (ELIZA, 1966).

Lata 70. i 80. XX w.: okres stagnacji
Rozwój AI nie był jednak liniowy. Kolejne dekady przynosiły zarówno postęp, jak i okresy mniejszego zainteresowania, znane dziś jako „AI winters”. Ich przyczyn można upatrywać w rozbieżności między ambitnymi obietnicami a praktycznymi możliwościami, a także w ograniczeniach wynikających z ówczesnego stanu technicznego, w tym niewystarczającej mocy obliczeniowej. Okres ten to przede wszystkim czas rozwoju systemów ekspertowych pomagających w ściśle wyspecjalizowanych dziedzinach, czego przykładem był program MYCIN stworzony do wspomagania diagnozowania zakażeń bakteryjnych (historia AI – Britannica, MYCIN – Britannica).

Lata 90. XX w.: AI pokonuje mistrza szachowego
Nowa fala zainteresowania pojawiła się pod koniec lat 90. i była ściśle związana ze wzrostem znaczenia sektora prywatnego. Coraz większą rolę w badaniach zaczęły odgrywać korporacje takie jak IBM, Apple oraz Microsoft. IBM zasłynął w szczególności z oprogramowania Deep Blue, które w 1997 r. jako pierwszy system komputerowy pokonało urzędującego mistrza świata w szachach, Garriego Kasparowa. Jak wskazuje sama firma, maszyna analizowała 200 milionów pozycji szachowych na sekundę i w tym samym czasie wykonywała 11,38 miliarda operacji zmiennoprzecinkowych. Dla porównania pierwszy superkomputer IBM z 1961 r. potrafił wykonać takich operacji mniej niż 500 na sekundę (Deep Blue – IBM).

Współczesność: komercjalizacja sztucznej inteligencji
Sukces Deep Blue nie tylko na nowo ożywił zainteresowanie sztuczną inteligencją. Technologia ta przestała być wyłącznie domeną laboratoriów i zaczęła funkcjonować jako element codziennej infrastruktury cyfrowej. Roomba, autonomiczny odkurzacz, została wprowadzona na rynek w 2002 r.; Microsoft wprowadził do swoich konsol technologię Kinect umożliwiającą sterowanie grą ruchem ciała, a Siri — wirtualny asystent Apple — trafiła do użytkowników w 2011 r. (Roomba, Kinect, Siri).

Prawdziwe przyspieszenie nastąpiło po 2010 r., gdy zbiegły się trzy czynniki: większa moc obliczeniowa, dostęp do ogromnych zbiorów danych z Internetu oraz postęp w uczeniu głębokim. Asystenci wirtualni i systemy rekomendacyjne stały się częścią codziennego ekosystemu cyfrowego. Przełomem był jednak rok 2020, bo to właśnie wtedy OpenAI zaprezentowało GPT-3, duży model językowy wykorzystujący uczenie głębokie do tworzenia treści coraz trudniejszych do odróżnienia od tekstów pisanych przez ludzi. Udostępnienie ChatGPT szerokiej publiczności sprawiło, że AI weszła do codziennego użycia — w pracy biurowej, analizie informacji, programowaniu i tworzeniu treści (GPT-3, Introducing ChatGPT).

Znaczenie AI dla nauki zostało symbolicznie potwierdzone w 2024 r., gdy John Hopfield i Geoffrey Hinton otrzymali Nagrodę Nobla w dziedzinie fizyki za odkrycia i wynalazki umożliwiające uczenie maszynowe z użyciem sztucznych sieci neuronowych. Jednocześnie sam Hopfield po ogłoszeniu werdyktu mówił o obawach związanych z bardzo potężnymi systemami, których działania i możliwości kontroli nadal nie rozumiemy dostatecznie dobrze. Dzisiejsza sztuczna inteligencja ma znaczenie nie tylko technologiczne, ale także prawne, organizacyjne i społeczne. Wpływa ona na rynek pracy, obieg informacji i procesy podejmowania decyzji. Skalę problemów dobrze pokazują już konkretne badania: w benchmarku TruthfulQA najlepszy z badanych dużych modeli był prawdziwy tylko w 58% odpowiedzi, podczas gdy ludzie osiągali 94%, co pokazuje trwałość problemu halucynacji (Lin, Hilton, Evans, 2022); z kolei badanie opublikowane w „Science” wykazało, że szeroko stosowany algorytm ochrony zdrowia, obejmujący miliony pacjentów, systematycznie zaniżał potrzeby zdrowotne czarnoskórych pacjentów — po korekcie odsetek osób kwalifikowanych do dodatkowej opieki wzrósł z 17,7% do 46,5% (Obermeyer i in., 2019). Jej rozwój rodzi więc konkretne wyzwania na przyszłość — od zapewnienia transparentności i odpowiedzialności za działanie systemów, przez ograniczanie naruszeń praw autorskich i prywatności, po potrzebę budowania kompetencji i wiedzy na temat AI (tzw. AI literacy).