W ostatnich miesiącach, a nawet latach, sztuczna inteligencja stała się coraz bardziej powszechna. Niemal codziennie słyszy się o nowych osiągnięciach twórców modeli AI i nowych możliwościach, jakie AI może zapewnić. Na przykład, niedawno głośno było o rozwijany przez Anthropic, modelu Claude Opus 4.6. Osiągnął on bowiem niesamowite rezultaty w zakresie realizacji zadań związanych z analizą kodu źródłowego i identyfikacją występujących w nim błędów. Wydaje się, że rozwój AI przyspiesza z dnia na dzień. Warto więc przy tej okazji przedstawić krótki rys historycznych, pokazujący w jaki sposób AI przełamywało kolejne – wydawać się mogło nieprzełamywalne – granice.
Początki sztucznej inteligencji
Narodziny sztucznej inteligencji jako przedmiotu badań naukowych, zwykle umiejscawia się około roku 1956 i utożsamia się je z tzw. Dartmouth workshop, czyli dwumiesięcznym projektem naukowym, poświęconym próbie klaryfikacji różnych badań nad „myślącymi maszynami”. Do początku lat 70, AI rozwijało się, w miarę możliwości technologicznych epoki. Z tych lat pochodzi, m.in. ELIZA, czyli chatbot symulujący psychoterapeutę. Uznawany jest on za jeden z pierwszych chatbotów w ogóle.
W późniejszych latach, rozwój AI zmierzał ku przełamywaniu kolejnych, symbolicznych barier jej możliwości. W 1997 roku, Garri Kasparow, jeden z najwybitniejszych szachistów w historii, został pokonany przez stworzony przez IBM Deep Blue. Z punktu widzenia historii AI było to wydarzenie przełomowe. Dowiodło bowiem, że maszyna może prześcignąć człowieka w wykonywaniu złożonych zadań intelektualnych.
Współczesna sztuczna inteligencja
Mówiąc o rozwoju AI w XXI wieku, zacząć trzeba od 2012 roku i od AlexNet. Wielu ekspertów uznaje AlexNet za pierwszą nowoczesną AI, gdyż zastosowane w niej rozwiązania stały się fundamentem późniejszego rozwoju AI. Artykuł napisany przez twórców AlexNet na temat tej sieci, został zacytowany prawie 200 000 razy, co czyni AlexNet jednym z najważniejszych programów badawczych w zakresie AI. Nowoczesność zastosowanych metod przełożyła się na jej osiągi – AlexNet zasłynął z przełomowych możliwości w obszarze rozpoznawania obrazów. Był on początkiem tzw. rewolucji głębokiego uczenia.
W 2017 roku doszło do kolejnego przełomu, związanego z mechanizmami głębokiego uczenia się. Było nim opracowanie przez Google architektury transformer, która stała się absolutną podstawą przyszłego rozwoju AI. Na bazie tej architektury, obecne modele są w stanie nie tylko rozpoznawać obrazy i „rozumieć” język naturalny, ale też pracować z danymi mającymi postać dźwięku. Praktycznym wymiarem tego osiągnięcia było powstanie pierwszych modeli obsługiwanych językiem naturalnym. Wśród nich, na szczególną uwagę zasługują dwa modele stworzone przez OpenAI. GPT 3 był modelem przełomowym z racji na skalę – dzięki 175 miliardom parametrów, osiągał możliwości dotychczas niewyobrażalne dla AI. GPT 3.5. był z kolei pierwszym modelem udostępnionym publicznie.
Sztuczna inteligencja teraz – najnowsze osiągnięcia
W ostatnich latach wielkim przełomem było wprowadzenie w AI multimodalności, tj. możliwości wykorzystywania danych różnego rodzaju, zarówno tekstowych, graficznych i dźwiękowych. Przełom ten ucieleśnił się w modelu GPT 4.
Wielkim, choć bardzo specjalistycznym, przełomem, była możliwość zastosowania AI do badania struktur białek. Model AI wyspecjalizowany do tego zadania (AlphaFold2) był wykorzystywany podczas badań Demisa Hassabisa i Johna Jumpera, za które w 2024 roku otrzymali oni nagrodę Nobla w dziedzinie chemii. Problemy rozwiązywane przez AlphaFold2 były zbyt wymagające nawet dla najbardziej zaawansowanych superkomputerów. Dopiero AI była w stanie pokonać tę barierę.
Od czasu upowszechnienia się AI, jej rozwój stał się jeszcze bardziej dynamiczny. Nie ma tygodnia bez nowych wieści o kolejnej barierze przełamanej przez AI. Wydaje się zatem, że artykuł najlepiej będzie podsumować garścią statystyk dotyczących historycznego rozwoju AI, a zarazem przewidywań na przyszłość.
Dynamicznie wzrasta moc obliczeniowa zaangażowana w działanie modeli sztucznej inteligencji. Podczas gdy moc obliczeniowa AlexNet wynosiła 1018 FLOP, moc wydanego w 2024 roku Gemini Ultra zbliżała się do 1026 FLOP. Oznacza to, że Gemini Ultra wykorzystuje około sto milionów razy większa moc obliczeniową niż pierwszy nowoczesny model AI. Prawdopodobnym jest, że do 2030 roku działać będzie co najmniej kilkaset modeli dysponujących porównywalną lub większa mocą obliczeniową.
Interesujące wnioski płyną również z ankiety przeprowadzonej wśród czołowych badaczy AI. Ich zdaniem, istnieje jedynie 10% szansy, że AI będzie w stanie pokonać człowieka w każdym zadaniu do 2027 roku, ale aż 50% szansy, że stan ten zostanie osiągnięty w 2047 roku. Co ciekawe, w badaniu przeprowadzonym rok wcześniej, na 50% określano szanse wystąpienia tego zdarzenia w 2060 roku. Podobnie, przybliża się data przewidywanej, całkowitej automatyzacji ludzkiej pracy (2116 względem 2164 we wcześniejszym badaniu). Aż 10% ankietowanych uważa, że rozwój AI ponad możliwości człowieka stworzyć może realne ryzyko wyginięcia gatunku homo sapiens.
Źródła:
https://arxiv.org/abs/2401.02843
https://epoch.ai/blog/training-compute-of-frontier-ai-models-grows-by-4-5x-per-year
