Od prvih priča Isaka Asimova o robotima do AlphaGo , veštačka inteligencija je imala svoje uspone i padove. Ipak, njena istorija je tek počela. Veštačka inteligencija je i dalje u periodu svoje najranije mladosti, ali već su se odigrali neki važni događaji. Neki od njih su privukli pažnju stručnjaka za kulturu, dok su drugi tek malo ustalasali umrtvljenu atmosferu u naučnim ustanovama. Veštačka inteligencija je imala nekoliko svojih bitnih momenata koji su je podstakli da ide napred na najbolji mogući način.
1. Isak Asimov piše tri zakona robotike (1942. godina)
U svojoj priči „Kolo-naokolo“ Asimov je prvi put u potpunosti izložio svoja tri zakona robotike: Prvi zakon: Robot ne sme da povredi čoveka ili svojom neaktivnošću dozvoli da čovek bude povređen.
Drugi zakon Robot mora da izvršava naređenja koja mu daju ljudi, osim kad su takva naređenja u sukobu sa Drugim zakonom.
Treći zakon: Robot mora da štiti svoju egzistenciju sve dok takva zaštita nije u sukobu sa Prvim i Drugim zakonom.
Priča „Kolo-naokolo“ je priča o Spidiju, robotu koji se nalazi u takvoj situaciji u kojoj mu je nemoguće da uspostavi ravnotežu između Trećeg i prva dva zakona. Sve priče Asimova iz zbirke „Ja, Robot“, naterale su zaljubljenike u naučnu fantastiku, ali i mnoge naučnike, da razmišljaju o mogućnosti postojanja mašina koje razmišljaju. Čak i danas mnogi pokušavaju da smisleno i razumno primene zakone, koje je Asimov naveo, na modernu veštačku inteligenciju.
2. Alan Tjuring predlaže igru imitacije (1950. godina)
„Predlažem da razmotrimo pitanje ’Moguli mašine da misle?’“ Tom rečenicom počinje Tjuringov istraživački seminarski rad iz 1950. godine, koji je razvio okvir za razmišljanje o inteligenciji mašina. Pitao se, ako bi mašina mogla da podržava razumno ponašanje ljudi, zašto je ne bismo mogli nazvati razumnom. Teoretsko pitanje podstaklo je čuvenu Tjuringovu „igru imitacije“, vežbu u kojoj se čovek ispitivač nalazi pred izazovom da napravi razliku između pisanih odgovora koje je napravila mašina i onih koje je napravio čovek. Nijedna mašina koja bi prošla takav test nije postojala u Tjuringovo vreme, ali njegov test je obezbedio polaznu tačku za određivanje inteligencije mašina. Pomogao je u oblikovanju filozofije veštačke inteligencije.
3. Konferencija o veštačkoj inteligenciji u Darmutu (1956. godina)
Do 1955. godine, naučnici širom sveta počeli su da konceptualno razmišljaju o neuronskim mrežama i prirodnim jezicima, ali nije postojao jedinstveni koncept koji bi obuhvatio različite vrste mašinske inteligencije. Profesor matematike na Darmutskom koledžu Džon Mekarti osmislio je termin „veštačka inteligencija“ koji je obuhvatio sve pomenute koncepte.
Mekarti je predvodio grupu koja se prijavila za dobijanje nepovratnih sredstava od države kojima bi finansirali konferenciju koju su planirali za sledeću godinu. Pozvali su mnoge vrhunske naučnike i stručnjake u Darmot hol da dođu u leto 1956. godine. Učeni ljudi su razmatrali mnoge potencijalne oblasti izučavanja veštačke inteligencije, uključujući učenje, rasuđivanje, jezik, saznavanje, društvene igre (posebno šah) i ljudsku interakciju sa inteligentnim mašinama, kao što su lični roboti. Opšte mišljenje svih prisutnih na konferenciji je bilo da veštačka inteligencija ima ogroman potencijal da doprinese poboljšanju života ljudi. Dali su i opšti okvir oblasti istraživanja u kojima bi mašinska inteligencija mogla da ima uticaj. Konferencija je pokrenula i osnažila oblast istraživanja veštačke inteligencije što će doprineti njenom daljem razvoju u narednim godinama.
4. Frank Rozenblat gradi perceptron (1957. godina)
Osnovna struktura neuronske mreže naziva se perceptron. Predstavlja niz ulaza koji podatke prijavljuju čvoru koji zatim izračunava ulaze i stiže do klasifikacije i nivoa pouzdanosti. Na primer, ulazi mogu da analiziraju različite aspekte slike i „glasaju“ (sa različitim nivoima sigurnosti) o tome da li je na njoj prikazano lice. Tada čvor može izračunati „glasove“ i nivoe poverenja i postići konsenzus. Današnje neuronske mreže, koje rade na moćnim računarima, povezuju milijarde takvih struktura. Međutim, perceptroni su postojali i pre snažnih računara. Krajem pedesetih, mladi istraživački psiholog po imenu Frank Rosenblat izgradio je elektromehanički model perceptrona koji je nazvan Mark I Perceptron, a koji se danas nalazi u Smitsonijanu. Bila je to analogna neuronska mreža koja se sastojala od mreže fotoelektričnih ćelija osetljivih na svetlo povezanih žicama sa bankama čvorova koji sadrže električne motore sa otpornicima. Rosenblat je razvio „Perceptron algoritam“ koji je usmeravao mrežu da postepeno podesi svoje ulazne snage dok one ne bi stalno tačno identifikovali objekte, omogućavajući mu efikasno učenje.
Naučnici su raspravljali o značaju perceptrona i tokom osamdesetih. Bio je značajan za stvaranje fizičke realizacije neuronske mreže, koja je do tada bila uglavnom naučni koncept.
5. Veštačka inteligencija doživljava svoju prvu zimu (sedamdesete prošlog veka)
Veštačka inteligencija provela je veći deo svoje istorije u istraživačkom carstvu. Tokom većeg dela šezdesetih godina vladine agencije, poput američke Agencije za napredne istraživačke odbrambene projekte ( DARPA ), ulagale su ogromne količine novca u istraživanja i uopšte se nisu raspitivale o eventualnoj zaradi od svojih investicija. Istovremeno, istraživači veštačke inteligencije često su preuveličavali potencijalnu moć svog rada da bi održavali priliv novca. Sve se to promenilo krajem šezdesetih i početkom sedamdesetih. Dva izveštaja, izveštaj Savetodavnog odbora za automatsku obradu jezika (ALPAC ) američkoj vladi 1966.godine i izveštaj „Lajthil“ za britansku vladu iz 1973. godine, istraživali su veštačku inteligenciju na pragmatičan način i objavili vrlo pesimistične analize o potencijalu tehnologije . Oba izveštaja dovela su u pitanje opipljiv napredak različitih oblasti istraživanja veštačke inteligencije. Izveštaj „Lajthil“ je tvrdio da bi bilo vrlo teško razviti sposobnost veštačke inteligencije u oblastima kakva je prepoznavanje govora koja bi mogla da bude od koristi vladi i vojsci.
Zbog toga su i američka i britanska vlada počele su da smanjuju sredstva za naučno istraživanje veštačke inteligencije. DARPA, kroz koju su sredstva za istraživanje veštačke inteligencije slobodno tekla tokom većeg dela šezdesetih, sada je zahtevala da istraživački projekti imaju tačno određen vremenski rok i detaljne opise rezultata. To je izgledalo kao prvo razočarenje veštačke tehnologije koja možda nikada neće dostići mogućnosti ljudskog nivoa. Prva „zima“ veštačke inteligencije trajala je tokom sedamdesetih i osamdesetih.
6. Stiže druga zima veštačke inteligencije (1987. godina)
Osamdesete su počele razvojem i uspehom „ekspertnih sistema“, koji su skladištili velike količine specijalizovanih znanja i oponašali donošenje odluka ljudskih stručnjaka. Tehnologiju je prvobitno razvio Karnegi Melon za korporaciju Digital Equipment Corporation, a korporacije su tehnologiju brzo počele da primenjuju. Međutim, ekspertni sistemi zahtevali su skup, specijalizovani hardver, što je postalo problem kada su radne stanice Sun Microsistems i lični računari Apple i IBM postali dostupni sa sličnom snagom i nižim cenama. Tržište računara sa ekspertnim sistemima propalo je 1987. godine, a glavni dobavljači mašina napustili su tržište.
Uspeh ekspertnih sistema ranih sedamdesetih podstakao je DARPA da poveća ulaganje u istraživanja veštačke inteligencije, ali to se ponovo promenilo jer je agencija opet oduzela veliki deo sredstava za sve programe razvoja veštačke inteligencije, osim za nekolicinu izabranih. Ponovo je pojam „veštačke inteligencije“ postao gotovo tabu u istraživačkoj zajednici. Da bi izbegli da budu nepraktični sanjari koji mole da dobiju finansijska sredstva, istraživači su počeli da koriste različita imena za rad vezan za veštačku inteligenciju, kao što su „informatika“, „mašinsko učenje“ i „analitika“. Ova druga „zima“ zašla je u 2000-te.
7. Deep Blue kompanije IBM pobeđuje Kasparova (1997. godina)
Javni profil veštačke inteligencije dobio je zamah 1997. godine kada je šahovski računar Deep Blue kompanije IBM pobedio tadašnjeg svetskog prvaka Garija Kasparova u šahu. U seriji od šest partija odigranih u televizijskom studiju, Deep Blue je dobio dve, Kasparov je dobio jednu, a tri partije su završile remijem. Kasparov je pobedio stariju verziju računara Deep Blue-a godinu dana ranije.
Deep Blue je imao mnogo računarske snage i koristio je pristup „brutalne snage“, procenjujući 200 miliona mogućih poteza u sekundi da bi pronašao najbolju moguću. Ljudi imaju sposobnost da ispituju samo oko 50 mogućih poteza po jednom potezu u igri. Deep Blue je bio je sličan veštačkoj inteligenciji, ali računar zapravo nije razmišljao o strategiji i učenju dok je igrao, kao što će to kasnije činiti sistemi. Ipak, pobeda računara Deep Blue nad Kasparovim na impresivan je način vratila veštačku inteligenciju u žižu javnosti. Neki su bili fascinirani, drugima je bilo neprijatno kada je mašina pobedila šahovskog velemajstora. Investitori su bili impresionirani. Pobeda računara podigla je vrednost kompanije na berzi.
8. Neuronska mreža vidi mačke (2011. godina)
Do 2011. godine, naučnici na univerzitetima širom sveta razgovarali su o stvaranju neuronskih mreža. Te godine inženjer u „Guglu“ Džef Din upoznao je profesora računarske nauke na Stanfordu Endrua Nga. Njih dvojica su pokrenuli ideju o izgradnji velike neuronske mreže, dajući joj ogromnu računarsku snagu uz pomoć kompanijinih servera i hraneći je ogromnim skupom slikovnih podataka. Neuronska mreža koju su izgradili oslanjala se na 16.000 serverskih procesora. Nahranili su ga sa 10 miliona slučajnih, neoznačenih odsečaka ekrana sa Jutjuba. Din i Ng nisu tražili od neuronske mreže da pronađe neke konkretne informacije ili da označi slike. Kada se neuronske mreže kreću na ovaj način bez nadzora, prirodno će pokušati da pronađu obrasce u podacima i izvrše njihovu klasifikaciju.
Neuronska mreža je tri dana obrađivala slikovne podatke. Kao rezultat je dala tri mutne slike koje prikazuju vizuelne obrasce koje je stalno videla na slikama u testu – ljudsko lice, ljudsko telo i mačku. To je istraživanje predstavljalo veliki pomak u upotrebi neuronskih mreža i nenadzirano učenje u zadacima računarskog vida. Događaj je takođe obeležio početak projekta Google Brain.
9. Džefri Hinton oslobađa duboke neuronske mreže (2012. godina)
Godinu dana posle napretka Dina i Nga, profesor sa Univerziteta u Torontu Džefri Hinton i dva njegova studenta izgradili su model neuronske mreže računarskog vida nazvan AlexNet , koji će učestvovati u takmičenju prepoznavanja slika pod nazivom ImageNet. Takmičari su morali da koriste svoje sisteme za obradu miliona probnih slika i da ih identifikuju sa najvećom mogućom tačnošću. AlexNet je pobedio na takmičenju sa stopom greške manjom od polovine greške drugoplasiranog. Samo u 15,3 procenata slučajeva tačna oznaka nije bila u njegovih prvih pet najverovatnijih odgovora. Prethodni najbolji rezultat bio je 26 procenata.
Pobeda je uverila sve da su duboke neuronske mreže koje rade na grafičkim procesorima daleko bolje od ostalih sistema u preciznom prepoznavanju i klasifikaciji slika. Taj događaj je, možda više nego bilo koji drugi, pokrenuo trenutnu renesansu dubokih neuronskih mreža, i Hintonu obezbedio status „pokretačem dubokog učenja“. Zajedno sa saradnicima na istraživanju osvojio je prestižnu Tjuringovu nagradu za 2018. godinu.
10. AlphaGo odnosi pobedu nad čovekom u društvenoj igri Go (2016. godina)
Još 2013. godine, istraživači u britanskoj startup kompaniji DeepMind objavili su rad u kome su prikazali kako koriste neuronsku mrežu da igraju pedeset starih igrica na Atariju i, naravno, pobede. Kompanija „Gugl“ impresionirana takvim rezultatima ugrabila je DeepMind za (kako se navodilo) 400 miliona dolara. Ipak, dani slave kompanije DeepMind tek su dolazili.
Nekoliko godina kasnije, naučnici kompanije DeepMind , sada u okviru „Gugla“, prešli susa Atari igara na jedan od dugogodišnjih izazova, japansku igru Go . Razvili su model neuronske mreže pod nazivom AlphaGo , koji je napravljen da igra Go i uči igrajući se. Softver je igrao hiljade igara protiv drugih AlphaGo verzija, učeći i iz svojih pobedničkih i gubitničkih strategija.
Uspeo je. AlphaGo je u martu 2016. godine pobedio najvećeg Go igrača na svetu, Lija Sedola, četiri prema jedan u nizu igara. Ceo događaj je zabeležen u dokumentarcu. Gledajući film, teško je oteti se osećaju tuge kad je Sedol poražen. Činilo se da su ljudi – a ne samo jedan čovek – poraženi. Nedavni napredak u dubokim neuronskim mrežama imao je tako snažan uticaj da stvarna priča o veštačkoj inteligenciji možda tek počinje. I dalje će biti mnogo nade, uzbuđenja i nestrpljenja, ali čini se da je sada jasno da će veštačka inteligencija uticati na svaki aspekt života 21. veka – možda na načine još dublje od interneta.