AI's historie er ikke en lige linje. Den er løfter, vintre og overraskelser, og den ender foreløbig ved et spørgsmål om ledelse.
1950
Kan maskiner tænke?
Det var oktober 1950, og på universitetet i Manchester stillede matematikeren Alan Turing et spørgsmål, som vi stadig prøver at besvare.
Få år forinden havde han siddet i de hemmelige barakker i Bletchley Park og været med til at knække nazisternes Enigma-kode med elektromekaniske maskiner. Nu kiggede han ud i fremtiden og åbnede en videnskabelig artikel i tidsskriftet Mind med spørgsmålet: »Kan maskiner tænke?«
Turing forstod hurtigt, at spørgsmålet var umuligt at besvare filosofisk, for hvad vil det egentlig sige at tænke? I stedet foreslog han en praktisk selskabsleg, som han kaldte Imitation Game, det, vi i dag kender som Turing-testen. Hvis et menneske bag en lukket dør udveksler maskinskrevne beskeder med henholdsvis et andet menneske og en maskine, og mennesket ikke kan afgøre, hvem der er hvem, så kan man med rimelighed sige, at maskinen opfører sig intelligent.
Dermed var startskuddet affyret for en af menneskehedens mest fascinerende rejser. Det er en historie fuld af vilde løfter, brutale vintre, uventede gennembrud og en erkendelse af, at vejen til intelligens var en helt anden, end pionererne forestillede sig.
Fakta
Turings artikel »Computing Machinery and Intelligence« udkom i tidsskriftet Mind i oktober 1950 og åbner med spørgsmålet »Kan maskiner tænke?« (Mind, 1. oktober 1950). Turing arbejdede da på universitetet i Manchester og havde under krigen været en central del af arbejdet mod Enigma på Bletchley Park (Wikipedia om Alan Turing).
1956
Den optimistiske sommer i Dartmouth
I sommeren 1956 mødtes omkring ti forskere på Dartmouth College i New Hampshire. Initiativet kom fra John McCarthy sammen med Marvin Minsky, Nathaniel Rochester og Claude Shannon, og det var her, begrebet Artificial Intelligence blev lanceret i en ansøgning om forskningsmidler.
Stemningen var euforisk. Forskerne troede oprigtigt, at hvis en lille gruppe kloge hoveder arbejdede sammen i to måneder hen over sommeren, kunne de løse en væsentlig del af problemet med at få maskiner til at bruge sprog, danne begreber og løse problemer, som indtil da var forbeholdt mennesker.
De tog fejl. Det tog ikke to måneder, det tog generationer.
Men optimismen var smitsom. De første årtier var præget af den såkaldte symbolske AI, ofte kaldet GOFAI (Good Old-Fashioned AI). Filosofien var simpel: Menneskelig logik kan formuleres som regler. Hvis man blot fodrer en computer med nok logiske regler (hvis X, så gør Y), ville den til sidst blive klog.
Fakta
Forslaget til sommerprojektet er dateret 31. august 1955. Det foreslår et studie på cirka to måneder med omkring ti deltagere, i sommeren 1956 på Dartmouth College (McCarthy, Minsky, Rochester og Shannon, 31. august 1955).
1966
ELIZA, den første samtale
I 1966 præsenterede forskeren Joseph Weizenbaum fra MIT programmet ELIZA. Det var en simpel chatbot, der efterlignede en psykolog ved at omformulere brugerens egne sætninger til modspørgsmål. Når en bruger skrev: »Jeg har problemer med min mor«, svarede ELIZA: »Fortæl mig mere om din familie«.
Mange blev grebet af den. Ifølge beretningerne bad Weizenbaums sekretær ham om at forlade rummet, så hun kunne tale i fortrolighed med programmet. Weizenbaum blev selv forbløffet over, hvor lidt der skulle til for at få mennesker til at tro, at en samling simple kodebetingelser rummede empati.
Fakta
ELIZA blev beskrevet af Joseph Weizenbaum i Communications of the ACM i januar 1966 (Wikipedia om ELIZA).
1970'erne og 1980'erne
AI-vintrene, da pengene frøs til is
Virkeligheden ramte i 1970'erne. Symbolsk AI løb ind i en uoverstigelig mur.
Det viste sig, at computere var fantastiske til ting, mennesker fandt svære, som at beregne komplekse ligninger eller spille skak efter stramme regler. Men maskinerne var håbløse til ting, en toårig mestrer helt naturligt: at genkende et ansigt, forstå kontekst, gå op ad en trappe eller skelne en hund fra en muffinform. Fænomenet fik senere navnet Moravecs paradoks.
Verden er nemlig alt for rodet til stive regler. Man kan ikke skrive nok »hvis-så«-regler til at beskrive, hvordan en kat ser ud fra enhver tænkelig vinkel og i forskelligt lys.
Da de lovede mirakler udeblev, smækkede regeringer og militære investorer kassen i. Fra cirka 1974 til 1980 og igen fra 1987 kom to hårde perioder, som forskningsverdenen i dag kalder AI-vintrene. Mange forskere begyndte at kalde deres arbejde noget andet, for eksempel maskinlæring, fordi ordet kunstig intelligens var blevet forbundet med løfter, der ikke blev holdt.
Fakta
I Storbritannien kritiserede Lighthill-rapporten i 1973 AI for ikke at nå sine mål, og det førte til en næsten total standsning af forskningen dér. DARPA skar også i støtten til AI i begyndelsen og midten af 1970'erne og igen i 1987 til 1988 (Wikipedia om AI-vintre). Moravecs paradoks blev formuleret i 1980'erne (Wikipedia om Moravecs paradoks).
Frem til 2012
At lære som et barn, ikke en regelbog
Mens de fleste havde opgivet troen på tænkende maskiner, sad en lille gruppe stædige forskere, anført af folk som Geoffrey Hinton, Yann LeCun og Yoshua Bengio, og arbejdede på en helt anden idé: Hvad hvis vi holdt op med at programmere regler, og i stedet byggede systemer, der lærte af data, ligesom en hjerne lærer af erfaring?
Tanken var inspireret af biologiske hjerner. Ved at forbinde tusindvis af små digitale »neuroner« i lag, såkaldte neurale netværk, kunne maskinen justere sine egne forbindelser, hver gang den tog fejl.
I 1980'erne og 1990'erne var ideen smuk på papiret, men svær at bruge i praksis. Computere var simpelthen for langsomme, og der fandtes for lidt digital data at fodre dem med.
Men så skete der to ting omkring årtusindskiftet:
- Internettet eksploderede. Pludselig uploadede verden milliarder af billeder, artikler, fora og videoer. Råstoffet, data, var fundet.
- Grafikkort (GPU'er) blev allemandseje. Oprindeligt udviklet til at rendere 3D-grafik i computerspil, viste grafikkort sig ved et tilfælde at være fænomenale til den type parallelle matrixberegninger, som neurale netværk kræver.
I 2012 kom gennembruddet. I en årlig konkurrence for billedgenkendelse, ImageNet, viste et dybt neuralt netværk, AlexNet, markant bedre resultater end tidligere metoder, og fejlraten faldt markant. Deep learning brød igennem, og AI-vinteren tøede op.
Fakta
AlexNet blev beskrevet af Alex Krizhevsky, Ilya Sutskever og Geoffrey Hinton i artiklen »ImageNet Classification with Deep Convolutional Neural Networks« fra 2012. Den rapporterer markant bedre resultater end tidligere metoder (NIPS, 2012).
2016
Da maskinen overraskede sine skabere
Nu gik det stærkt. AI flyttede fra universitetslaboratorier til techgiganternes datacentre.
I marts 2016 satte Google DeepMind sig for at tackle brætspillet Go. Hvor skak var blevet erobret af IBM's Deep Blue i 1997 via rå regnekraft, blev Go betragtet som det ultimative spil for menneskelig intuition. Der er flere mulige stillinger på et Go-bræt, end der er atomer i det kendte univers, så man kan ikke regne sig frem, man må »føle« stillingen.
Programmet AlphaGo mødte en af verdens bedste spillere, Lee Sedol, i Seoul. I spil to, træk 37, placerede AlphaGo en sten et sted på brættet, som de færreste menneskelige mestre ville have valgt. Ifølge DeepMind havde et menneske kun cirka én chance ud af 10.000 for at spille det træk, og Lee Sedol brugte usædvanligt lang tid på at svare.
Trækket virkede ukonventionelt, men det var ikke en fejl. Det var et kreativt, uortodokst strategisk træk, udtænkt af en algoritme, der havde spillet millioner af partier mod sig selv. AlphaGo vandt kampen 4-1. Maskinen fulgte ikke længere menneskets logik, den fandt sine egne veje.
Fakta
Kampen blev spillet 9. til 15. marts 2016 i Seoul og endte 4-1 til AlphaGo (Wikipedia om AlphaGo mod Lee Sedol). Go har cirka 10170 mulige stillinger, flere end der er atomer i det kendte univers (Google DeepMind). Deep Blue slog Kasparov i maj 1997 med rå beregning af omkring 200 millioner skakstillinger i sekundet (IBM, maj 1997).
2017
Transformerens triumf og det store spring
Trods sejren i Go var systemerne stadig specialiserede. Et program, der spillede Go, kunne ikke kende forskel på en taxa og en brandbil, og det kunne slet ikke føre en samtale.
Svaret på det kom i 2017 fra otte forskere, de fleste hos Google, der udgav et forskningspapir med en titel, der skulle gå over i historien: »Attention Is All You Need«.
De introducerede en ny arkitektur kaldet Transformeren. Hvor tidligere sprogmodeller læste tekst ord for ord og hurtigt kunne miste tråden i lange afsnit, gjorde transformeren det muligt for modellen at se på alle ord i en sætning på én gang og beregne den indbyrdes sammenhæng via en mekanisme kaldet opmærksomhed (attention).
Pludselig blev maskiner langt bedre til at forstå kontekst. Modellen kunne skelne mellem »en bank i åen«, »en bank på døren« og »penge i banken«.
Fakta
Artiklen »Attention Is All You Need« blev lagt på arXiv 12. juni 2017 af otte forfattere. Den introducerer Transformeren, en model, der bygger udelukkende på opmærksomhed (arXiv, 12. juni 2017).
2022
ChatGPT, da AI fik en stemme
Da forskningslaboratoriet OpenAI tog transformer-arkitekturen og begyndte at fodre den med astronomiske mængder tekst fra hele internettet, kombineret med en metode kaldet RLHF (Reinforcement Learning from Human Feedback, hvor mennesker belønner modellen for gode, hjælpsomme svar), skete der et faseskift.
Den 30. november 2022 åbnede OpenAI op for ChatGPT.
Hvor AI hidtil havde været en usynlig motor bag Googles søgeresultater, Netflix' anbefalinger eller bankens kreditvurderinger, fik den pludselig en stemme, en tone og en grænseflade, som alle kunne tale med. Ifølge et skøn fra UBS nåede tjenesten 100 millioner månedlige brugere på cirka to måneder, hurtigere end både TikTok og Instagram.
Fakta
OpenAI introducerede ChatGPT den 30. november 2022 og skriver, at den er trænet med RLHF (OpenAI, 30. november 2022). UBS skønnede i februar 2023, at ChatGPT nåede 100 millioner månedlige brugere i januar, cirka to måneder efter lanceringen. TikTok brugte cirka ni måneder og Instagram cirka to og et halvt år (Euronews, februar 2023).
I dag
Fra snakkende tekst til autonome agenter
I dag er vi trådt ind i en ny æra. Spørgsmålet handler ikke længere blot om, hvorvidt en model kan skrive et digt, opsummere en rapport eller hjælpe med en lektie.
Fokus har rykket sig fra statiske sprogmodeller til agentic AI, systemer, der ikke bare svarer på spørgsmål, men som kan ræsonnere, planlægge flere trin frem, bruge værktøjer, rette deres egne fejl og udføre hele arbejdsgange i den virkelige verden. Maskinen er gået fra at være et opslagsværk til at blive en digital aktør.
Det bringer os tilbage til Alan Turing og hans spørgsmål i Manchester i 1950.
Turing forudså, at maskiner om cirka halvtreds år ville kunne spille hans imitationsleg så overbevisende, at en gennemsnitlig dommer ikke ville have mere end 70 procents chance for at gætte rigtigt efter fem minutters samtale. Tidslinjen var måske en smule optimistisk, men retningen var rigtig. Udfordringen for os i dag er ikke længere at bevise, om maskiner kan bestå Turings test. Udfordringen er, hvordan vi som mennesker leder, regulerer og samarbejder med en intelligens, vi selv har skabt, men som ikke længere tænker helt som os.
Fakta
I artiklen fra 1950 skønner Turing, at en gennemsnitlig dommer om cirka halvtreds år højst ville have 70 procents chance for at identificere maskinen rigtigt efter fem minutters spørgsmål (Mind, 1. oktober 1950).
Vores bud
Vi tror, at det næste kapitel handler mindre om, hvad maskinerne kan, og mere om, hvem der sætter retningen og står til ansvar.
Spørgsmål
Vi ved endnu ikke, hvor meget en agent i en almindelig virksomhed bør have lov til at gøre, uden at et menneske kigger med.
Spørgsmålet er ikke længere, om maskiner kan bestå Turings test, men hvordan vi leder og samarbejder med en intelligens, vi selv har skabt.
Kilder
- A. M. Turing: Computing Machinery and Intelligence, Mind (engelsk), 1950-10-01
- Wikipedia: Alan Turing (engelsk)
- McCarthy, Minsky, Rochester og Shannon: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence (engelsk), 1955-08-31
- Wikipedia: ELIZA (engelsk)
- Wikipedia: AI winter (engelsk)
- Wikipedia: Moravec's paradox (engelsk)
- Krizhevsky, Sutskever og Hinton: ImageNet Classification with Deep Convolutional Neural Networks, NIPS 2012 (engelsk), 2012
- IBM: Deep Blue (engelsk), 1997-05
- Wikipedia: AlphaGo versus Lee Sedol (engelsk), 2016-03
- Google DeepMind: AlphaGo (engelsk)
- Vaswani m.fl.: Attention Is All You Need, arXiv (engelsk), 2017-06-12
- OpenAI: Introducing ChatGPT (engelsk), 2022-11-30
- Euronews: ChatGPT og UBS' skøn over brugertal (engelsk), 2023-02
Få det i indbakken
Skriv til os, så sætter vi dig på listen. Fortæl gerne, hvad du helst vil høre om: perspektiver, fabler eller nyt fra Coga. Du afmelder dig ved at skrive til os igen.
Skriv til raadgiver@coga.dk