I augusti 1955 skickade en grupp forskare in en ansökan om finansiering på $13 500 för att genomföra ett sommarseminarium vid Dartmouth College, New Hampshire. Fältet de föreslog att utforska var artificiell intelligens (AI). Även om finansieringsförfrågan var blygsam var forskarnas hypotes inte: "Varje aspekt av lärande eller någon annan egenskap hos intelligens kan i princip beskrivas så exakt att en maskin kan byggas för att imitera den."
Sedan dessa ödmjuka början har filmer och media romantiserat AI eller framställt det som en skurk. Men för de flesta människor har AI bara förblivit en fråga om debatt och inte en del av medveten livserfarenhet.
I slutet av förra månaden, AI i form av ChatGPT har brutit sig ut från science fiction-spekulationer och forskningslaboratorier och till allmänhetens stationära datorer och telefoner. Detta är den så kallade "generativa AI" - en oväntat intelligent formulerad prompt kan skriva en uppsats eller göra ett recept och en inköpslista, eller skapa en dikt i stil med Elvis Presley.
Fastän ChatGPT har varit den mest imponerande deltagaren under ett år av generativ AI-framgång, system som detta har visat ännu större potential att skapa nytt innehåll, och text-till-bild-uppmaningar används för att skapa levande bilder som till och med har vunnit konsttävlingar. AI kanske ännu inte har ett levande medvetande eller teorin om sinne som populariserats i science fiction-filmer och romaner, men det börjar närma sig att åtminstone störa vad vi tror att artificiell intelligens kan göra.
Forskare som arbetar nära med dessa system svimmar vid utsikterna till intelligens, som i fallet med Googles LaMDA Large Language Model (LLM). LLM är en modell som har tränats för att bearbeta och generera naturligt språk.
Generativ AI har också väckt oro för plagiat, utnyttjandet av originalinnehåll som används för att bygga modeller, etiken kring informationsmanipulation och missbruk av förtroende, och till och med "slutet på programmering".
Vad betyder AI egentligen?
I centrum för allt detta är en fråga vars relevans har ökat ända sedan sommarseminariet i Dartmouth: Skiljer sig AI från mänsklig intelligens? För att betraktas som AI måste ett system uppvisa en viss nivå av inlärning och anpassning. Av denna anledning är beslutsfattande, automatisering och statistiska system inte AI. I stort sett delas AI in i två kategorier: artificiell smal intelligens (AI) och artificiell allmän intelligens (AI). För närvarande existerar inte SHI. En viktig utmaning för att bygga allmän AI är att på ett adekvat sätt modellera världen med hela kunskapen, på ett konsekvent och användbart sätt. Det här är milt sagt en storskalig uppgift.
Det mesta av det vi känner till som AI idag har smal intelligens – där ett specifikt system löser ett specifikt problem. Till skillnad från mänsklig intelligens är en sådan smal AI-intelligens endast effektiv inom den domän där den har tränats: som bedrägeriupptäckt, ansiktsigenkänning eller sociala rekommendationer. Och AI kommer att fungera på samma sätt som en person. För närvarande är det mest framträdande exemplet på försök att uppnå detta användningen av neurala nätverk och djupinlärning som tränas på enorma mängder data.
Neurala nätverk är inspirerade av hur den mänskliga hjärnan fungerar. Till skillnad från de flesta maskininlärningsmodeller, som utför beräkningar på träningsdata, fungerar neurala nätverk genom att mata varje datapunkt i tur och ordning genom ett sammankopplat nätverk och justera parametrarna varje gång. När mer och mer data matas genom nätverket stabiliseras parametrarna, vilket resulterar i ett "tränat" neuralt nätverk som sedan kan producera önskad utdata på ny data - till exempel känna igen om en bild innehåller en katt eller en hund.
Ett betydande steg i utvecklingen av artificiell intelligens idag beror på tekniska förbättringar i metoderna för att lära sig stora neurala nätverk, som gör det möjligt att justera ett stort antal parametrar under varje körning tack vare kapaciteten hos stora molnbaserade infrastrukturer. Till exempel är GPT-3 (AI-systemet som driver ChatGPT) ett stort neuralt nätverk med 175 miljarder parametrar.
Vad krävs för att artificiell intelligens ska fungera?
Artificiell intelligens behöver tre saker för att fungera framgångsrikt. För det första behöver han kvalitet, objektiv data och mycket av det. Forskare som bygger neurala nätverk använder stora mängder data som har dykt upp tack vare digitaliseringen av samhället.
Som ett komplement till mänskliga programmerare hämtar Co-Pilot sina data från miljarder rader kod som finns på GitHub. ChatGPT och andra stora språkmodeller använder de miljarder webbplatser och textdokument som finns lagrade på Internet.
Text till bild konverteringsverktyg som t.ex Stabil diffusion, SLAB-2 och Midjourney, använd bild-text-par från datauppsättningar som LAION-5B. AI-modeller kommer att fortsätta att utvecklas när vi digitaliserar mer av våra liv och matar dem med alternativa datakällor, som simuleringsdata eller data från spelinställningar som Minecraft.
AI behöver också datorinfrastruktur för att träna effektivt. I takt med att datorer blir kraftfullare kan modeller som nu kräver intensiv ansträngning och storskaliga beräkningar inom en snar framtid bearbetas lokalt. Till exempel kan modellen Stable Diffusion redan köras på lokala datorer och inte i molnmiljöer. Det tredje behovet av AI är förbättrade modeller och algoritmer. Datadrivna system fortsätter att göra snabba framsteg inom områden som en gång ansågs vara domänen för mänsklig kognition.
Men eftersom världen omkring oss ständigt förändras behöver AI-system ständigt omskolas med hjälp av ny data. Utan detta viktiga steg kommer AI-system att ge svar som faktiskt är felaktiga eller inte tar hänsyn till ny information som har dykt upp sedan de tränades.
Neurala nätverk är inte det enda sättet att använda AI. Ett annat anmärkningsvärt läger inom forskning om artificiell intelligens är symbolisk AI – istället för att smälta stora mängder data, förlitar den sig på regler och kunskap som liknar den mänskliga processen att forma interna symboliska representationer av vissa fenomen.
Men under det senaste decenniet har maktbalansen lutat kraftigt mot datadrivna tillvägagångssätt, och "grundläggarna" av modern djupinlärning tilldelades nyligen Turingpriset, motsvarande Nobelpriset i datavetenskap.
Data, beräkningar och algoritmer ligger till grund för framtida AI. Alla indikatorer pekar på snabba framsteg inom alla tre kategorierna under överskådlig framtid.
Du kan hjälpa Ukraina att slåss mot de ryska inkräktarna. Det bästa sättet att göra detta är att donera medel till Ukrainas väpnade styrkor genom Rädda liv eller via den officiella sidan NBU.