História AI od Turinga po ChatGPT

• Umelá inteligencia nevznikla jedným objavom. Je výsledkom viac než osemdesiatich rokov vývoja matematiky, informatiky, neurovedy, lingvistiky a techniky.
• Jej dejiny nie sú priamym pochodom od „hlúpych“ k „inteligentným“ strojom. Striedajú sa v nich prelomové výsledky, prehnané očakávania, sklamania aj návraty starších myšlienok v nových podmienkach.
• ChatGPT nebol začiatkom generatívnej AI ani náhlym vznikom mysliaceho stroja. Bol viditeľným vyústením vývoja neurónových sietí, veľkých dát, výpočtového výkonu, transformátorov a učenia z ľudskej spätnej väzby.

Keď sa dnes povie „umelá inteligencia“, veľa ľudí si automaticky predstaví konverzáciu s chatbotom. AI je však oveľa staršia než ChatGPT a zároveň oveľa širšia než generovanie textu. Jej dejiny zahŕňajú programy na dokazovanie matematických viet, systémy lekárskych pravidiel, priemyselné expertné systémy, rozpoznávanie obrazu a reči, šachové počítače, odporúčacie algoritmy aj roboty pohybujúce sa vo fyzickom priestore.

Poznať túto históriu je praktické. Pomáha rozlišovať medzi skutočným technickým pokrokom a marketingovým preháňaním. Ukazuje, prečo môže systém podať nadľudský výkon v jednej presne vymedzenej úlohe a súčasne zlyhať pri jednoduchej zmene podmienok. Predovšetkým pripomína, že schopnosť vytvoriť presvedčivú odpoveď nie je automatickým dôkazom porozumenia, vedomia ani všeobecnej inteligencie. Tieto pojmové rozdiely podrobne rozoberá kapitola 2 - Čo je a čo nie je umelá inteligencia a rozdiel medzi špecializovanými systémami a hypotetickou všeobecnou AI vysvetľuje kapitola 5 - Úzka vs. všeobecná AI.

Prečo história AI nie je priamka

• Pokrok vzniká súhrou algoritmov, dát, výpočtového výkonu, ľudskej práce a možností praktického nasadenia.
• Mnohé úspešné idey sú staršie, než sa zdá; presadili sa až vtedy, keď dozreli ostatné podmienky.
• Víťazstvo v jednej úlohe neznamená vyriešenie inteligencie ako celku.

Technologické dejiny sa často rozprávajú ako séria dátumov a geniálnych objaviteľov. Pri AI je takýto obraz zvlášť zavádzajúci. Neurónové siete nevznikli v roku 2012, keď systém AlexNet výrazne zlepšil rozpoznávanie obrazu. Základné modely umelého neurónu existovali už v 40. rokoch a algoritmy spätného šírenia chyby sa rozvíjali desaťročia. AlexNet uspel preto, že sa v jednom okamihu spojili vhodná architektúra, veľký označený dataset, grafické procesory a dostatočne účinný tréning.

Podobne ani ChatGPT nevznikol iba zväčšením jedného programu. Staval na pokroku v modelovaní jazyka, distribuovaných reprezentáciách, mechanizme pozornosti, transformátorovej architektúre, predtrénovaní na rozsiahlych dátach, dolaďovaní podľa inštrukcií a spätnej väzbe od ľudí. Dôležitú úlohu zohralo aj používateľské rozhranie: to, čo bolo predtým dostupné najmä výskumníkom a vývojárom, sa zmenilo na jednoduchý dialóg v bežnom webovom prehliadači.

Dejiny AI preto sledujú najmenej tri línie naraz. Prvou je symbolický prístup, pri ktorom ľudia zapisujú poznatky, pravidlá a logické postupy. Druhou je učenie z dát, pri ktorom systém upravuje svoje parametre podľa príkladov. Treťou je budovanie strojov a infraštruktúry, bez ktorých by teoretické metódy nebolo možné použiť vo veľkom meradle. Tieto línie sa navzájom nevylučujú; moderné produkty ich často kombinujú.

Pred Turingom: keď sa logika stretla s počítačom

• Myšlienka AI nadviazala na staršie úvahy o logike, výpočte a mechanizácii uvažovania.
• Turing v roku 1936 formálne opísal všeobecný výpočtový stroj; McCulloch a Pitts v roku 1943 prepojili logiku s jednoduchým modelom neurónov.
• Tieto práce nevytvorili dnešnú AI, ale poskytli jazyk, ktorým sa dalo o strojovom spracovaní informácií presne uvažovať.

Pred vznikom elektronických počítačov nebolo samozrejmé, že uvažovanie možno aspoň sčasti opísať ako postup vykonávania formálnych operácií. Matematici a logici však po stáročia hľadali pravidlá, pomocou ktorých by bolo možné odvodzovať správne závery zo zadaných predpokladov. V prvej polovici 20. storočia získala táto otázka presný matematický rámec.

Alan Turing v práci z roku 1936 opísal abstraktný stroj, ktorý vykonáva elementárne operácie podľa konečného súboru pravidiel. Turingov stroj nebol návrhom konkrétneho notebooku. Bol matematickým modelom výpočtu, ktorý umožnil skúmať, čo sa dá algoritmicky vypočítať a kde sa nachádzajú principiálne hranice. Myšlienka univerzálneho stroja ukázala, že jeden vhodne zostavený stroj môže vykonávať ľubovoľné formálne opísané výpočty, ak dostane príslušný program a dostatok zdrojov.

Ďalší dôležitý krok urobili neurofyziológ Warren McCulloch a logik Walter Pitts. V článku A Logical Calculus of the Ideas Immanent in Nervous Activity z roku 1943 predstavili zjednodušený matematický model neurónov, ktorých aktivita sa dala analyzovať pomocou výrokovej logiky. Ich jednotky boli neporovnateľne jednoduchšie než biologické neuróny, no ukázali, že siete jednoduchých prvkov môžu realizovať logické funkcie. Pôvodná práca McCullocha a Pittsa sa stala jedným z intelektuálnych základov neurónových sietí.

Obe línie - formálny výpočet a zjednodušené modelovanie nervových sietí - ovplyvnili neskoršiu AI. Nevyriešili však otázku, ako stroj získa poznatky, naučí sa z príkladov, porozumie nejednoznačnému svetu alebo si poradí s obmedzeným výkonom. Medzi matematickou možnosťou a praktickým systémom zostávala obrovská medzera.

Rok 1950: Turing mení otázku

• Turing nenavrhol test „ľudskosti“ ani dôkaz vedomia; navrhol praktickejšiu skúšku konverzačného správania.
• Imitation game nahradila nejasnú otázku „Môžu stroje myslieť?“ pozorovateľnejším experimentom.
• Presvedčivá konverzácia je užitočný výsledok, ale sama osebe nevysvetľuje vnútorný mechanizmus systému.

V roku 1950 publikoval Alan Turing v časopise Mind článok Computing Machinery and Intelligence. Otvoril ho otázkou „Môžu stroje myslieť?“, no okamžite upozornil, že význam slov „stroj“ a „myslieť“ vedie k neproduktívnym sporom. Namiesto definovania myslenia navrhol tzv. imitation game. Človek komunikuje prostredníctvom textu s ďalšími účastníkmi a usudzuje, ktorý z nich je človek a ktorý stroj. Ak sa stroj v konverzácii nedá spoľahlivo odlíšiť, vykazuje relevantnú formu inteligentného správania.

Text je dostupný v Turingovom digitálnom archíve. Jeho význam nespočíva iba v teste, ktorý sa neskôr začal označovať Turingovým menom. Turing systematicky prebral aj námietky proti strojovej inteligencii: argument z vedomia, matematické limity, tvrdenie, že stroje iba robia to, čo im prikážeme, či obavu, že nikdy nebudú originálne. Niektoré z týchto sporov sa v takmer nezmenenej podobe vracajú aj pri dnešných jazykových modeloch.

Turing zároveň uvažoval o „detskom stroji“, ktorý by nebol naprogramovaný so všetkými dospelými schopnosťami, ale postupne by sa vzdelával. Táto intuícia je blízka dnešnému učeniu z dát, hoci moderné metódy fungujú technicky inak a nemožno ich stotožniť s ľudským vývinom. Dôležitý posun bol metodologický: namiesto metafyzickej otázky o skrytej podstate stroja sa hodnotí jeho pozorovateľný výkon v určitej situácii.

Práve tu však vzniká jeden z trvalých omylov. Turingova hra nehovorí, že každý systém, ktorý človeka oklame, vedome premýšľa. Meria určitý prejav v určitom komunikačnom kanáli. Chatbot môže vytvárať plynulé vety a pritom si vymýšľať fakty, nerozumieť fyzickým dôsledkom rady alebo sa nechať zmiasť drobnou zmenou zadania. Rozdiel medzi napodobnením výkonu a vysvetlením inteligencie sa v dejinách AI objaví opakovane; vraciame sa k nemu v kapitole 3 - Najväčšie mýty o AI.

Roky 1955 - 1956: Dartmouth a zrod názvu „umelá inteligencia“

• Pomenovanie artificial intelligence sa objavilo v návrhu letného výskumného projektu z roku 1955.
• Dartmouthské stretnutie v roku 1956 pomohlo sformovať AI ako samostatný výskumný odbor.
• Zakladatelia správne rozpoznali kľúčové problémy, ale výrazne podcenili ich náročnosť.

V auguste 1955 pripravili John McCarthy, Marvin Minsky, Nathaniel Rochester a Claude Shannon návrh letného výskumného projektu na Dartmouth College. Autori vychádzali z presvedčenia, že každý aspekt učenia alebo iný prejav inteligencie možno v princípe opísať natoľko presne, aby ho dokázal simulovať stroj. V texte uviedli témy, ktoré znejú prekvapivo súčasne: spracovanie jazyka, tvorba abstrakcií, riešenie problémov, neurónové siete, sebazdokonaľovanie a práca s náhodnosťou.

Práve v tomto návrhu Dartmouthského projektu sa po prvý raz formálne použilo pomenovanie „artificial intelligence“. Workshop sa konal v lete 1956 a spojil výskumníkov, ktorí neskôr zásadne ovplyvnili odbor. Nešlo však o jednu konferenčnú chvíľu, počas ktorej by vznikla hotová vedecká disciplína. Účastníci prichádzali v rôznych termínoch, sledovali odlišné ciele a nevytvorili jednotnú teóriu inteligencie. Význam stretnutia spočíva najmä v tom, že dalo rozptýleným problémom spoločný názov a výskumnú identitu.

S názvom prišiel aj optimizmus. Počítače už dokázali manipulovať so symbolmi, vykonávať formálne postupy a riešiť úlohy, ktoré sa dovtedy považovali za doménu ľudského myslenia. Zakladatelia očakávali, že výrazný pokrok možno dosiahnuť počas jedného leta alebo niekoľkých rokov. Podcenili však množstvo nevyslovených znalostí, ktoré ľudia používajú pri bežnom uvažovaní, nejednoznačnosť prirodzeného jazyka, rozmanitosť reálneho prostredia a vtedajšie obmedzenia pamäte a výpočtového výkonu.

Tento vzorec sa bude opakovať: pôsobivá ukážka v obmedzenom prostredí vyvolá predstavu, že všeobecné riešenie je blízko. Následné rozšírenie do reálneho sveta odhalí dlhý zoznam problémov. Nie je to dôkaz, že výskum bol zbytočný. Je to upozornenie, že demonštrácia a robustný, všeobecne použiteľný systém sú dve odlišné etapy.

Päťdesiate a šesťdesiate roky: prvé úspechy a veľké sľuby

• Prvé programy dokázali dokazovať vety, hrať hry a pracovať so symbolmi.
• Vedľa symbolickej AI vznikala aj druhá tradícia: učenie jednoduchých neurónových sietí z príkladov.
• Úspechy boli reálne, ale väčšinou fungovali v malých, presne vymedzených „mikrosvetoch“.

Jedným z prvých programov spájaných s AI bol Logic Theorist, ktorý vytvorili Allen Newell, Herbert Simon a Cliff Shaw. Program hľadal dôkazy matematických viet pomocou symbolických pravidiel a heuristík, teda stratégií, ktoré zmenšovali počet možností, ktoré bolo potrebné preskúšať. V lete 1956 už dokazoval vybrané tvrdenia z diela Principia Mathematica. Nešlo len o rýchle počítanie: program manipuloval so symbolmi spôsobom, ktorý pripomínal formálne riešenie problému. Historické materiály sú zachované v archíve Carnegie Mellon University.

Na túto líniu nadviazal General Problem Solver, ktorý sa pokúšal oddeliť všeobecnú stratégiu riešenia od konkrétnej úlohy. Symbolická AI vychádzala z predstavy, že inteligentné správanie možno vytvoriť reprezentovaním sveta pomocou symbolov a aplikovaním explicitných pravidiel. Tento prístup bol prirodzený pre matematické dôkazy, plánovanie či logické hry, kde možno stav a cieľ presne opísať.

John McCarthy zároveň vytvoril programovací jazyk Lisp, ktorého kľúčové myšlienky sa formovali v rokoch 1956 až 1958. Lisp uľahčil prácu so symbolickými výrazmi a stal sa dominantným jazykom akademického výskumu AI na niekoľko desaťročí. McCarthyho vlastný historický opis vzniku jazyka je dostupný na Stanfordovej univerzite. Programovací jazyk nie je inteligencia, no môže zásadne ovplyvniť, ktoré experimenty sa dajú jednoducho zostaviť a zdieľať.

Paralelne sa rozvíjal prístup inšpirovaný mozgom. Psychológ Frank Rosenblatt predstavil perceptrón, model, ktorý sa učil nastavovať váhy vstupov tak, aby rozlišoval medzi kategóriami. Jeho článok z roku 1958 opisoval perceptrón ako pravdepodobnostný model ukladania a organizácie informácií. V neskorších zariadeniach sa prepájali algoritmy aj špecializovaný hardvér. Perceptrón ukázal, že nie každé pravidlo musí ručne zapísať programátor; niektoré hranice rozhodovania možno odvodiť z tréningových príkladov.

Tieto dve tradície sa často predstavujú ako súperiace školy: symbolisti chcú zapísať poznatky a pravidlá, konekcionisti ich chcú nechať vzniknúť v sieti. V praxi sa však dopĺňajú a moderné systémy niekedy kombinujú naučené modely s vyhľadávaním, nástrojmi, databázami alebo formálnymi kontrolami. Presný rozdiel medzi naprogramovaním a učením vysvetlia kapitola 4 - Ako sa AI učí a kapitola 6 - Strojové učenie jednoducho.

Šesťdesiate a sedemdesiate roky: jazyk, roboty a hranice mikrosvetov

• ELIZA ukázala, ako ľahko ľudia pripisujú jednoduchému programu porozumenie.
• Shakey spojil vnímanie, plánovanie a pohyb, no fungoval v starostlivo pripravenom prostredí.
• Reálny svet sa ukázal byť neporovnateľne nejednoznačnejší než laboratórne úlohy.

V roku 1966 opísal Joseph Weizenbaum program ELIZA, ktorý simuloval textovú konverzáciu. Jeho najznámejší scenár DOCTOR napodobňoval nedirektívneho psychoterapeuta: vyhľadával v používateľovej vete kľúčové slová, transformoval frázy a odpovedal otázkami. Keď človek napísal, že má problém s rodinou, program mohol vyzvať, aby povedal viac o rodine. ELIZA nemala model používateľovho života ani významu rozhovoru. Napriek tomu niektorí ľudia reagovali, akoby im rozumela.

Pôvodný Weizenbaumov článok v Communications of the ACM je dôležitý aj dnes. Jav, pri ktorom človek pripisuje jednoduchému programu hlbšie porozumenie, než aké jeho mechanizmus odôvodňuje, sa označuje ako efekt ELIZA. Moderný jazykový model je technicky rádovo zložitejší a dokáže pracovať s oveľa širším kontextom, no psychologické riziko zostáva: plynulý jazyk nás spontánne vedie k predstave osoby, zámeru a vedomia.

Iným míľnikom bol Shakey, mobilný robot vyvíjaný v SRI v rokoch 1966 až 1972. Spájal kamerové vnímanie, reprezentáciu okolia, plánovanie trasy a vykonávanie akcií. Podľa historického archívu SRI patril k prvým robotom, ktoré dokázali dostať cieľ bez úplného zoznamu jednotlivých krokov a plán si vytvoriť. To bol zásadný konceptuálny posun. Zároveň sa Shakey pohyboval pomaly v upravených miestnostiach s jednoduchými objektmi a kontrastným značením.

Výskumníci používali podobné mikrosvety, pretože umožňovali presne reprezentovať objekty a pravidlá. Program SHRDLU napríklad komunikoval o virtuálnych kockách a dokázal vykonávať príkazy v obmedzenom „svete blokov“. Výsledok pôsobil ako porozumenie prirodzenému jazyku, no veľkú časť úspechu zabezpečovala jednoduchosť sveta. V bežnej miestnosti môže mať slovo desiatky významov, predmet môže byť čiastočne zakrytý, informácia neúplná a cieľ človeka nevyslovený.

Práve prechod z laboratórneho príkladu do otvoreného prostredia odhalil problém zdravého rozumu. Ľudia vedia bez osobitného vysvetlenia, že predmet nemôže byť súčasne na dvoch miestach, mokrý papier sa môže roztrhnúť a tvrdenie môže byť ironické. Zapísať milióny podobných znalostí ručne je mimoriadne náročné; naučiť ich iba z dát má zasa vlastné limity. Kapitola Kde AI funguje a kde zlyháva ukáže, prečo je rozdiel medzi kontrolovaným testom a skutočnou prevádzkou dodnes rozhodujúci.

Sedemdesiate roky: prvá „AI zima“

• Financovanie a dôvera klesli, keď ambiciózne sľuby nenaplnili praktické výsledky.
• Príčinou nebol jeden neúspech, ale kombinácia slabého hardvéru, malého množstva dát, krehkých metód a nereálnych termínov.
• Výskum nezanikol; pokračoval v užších oblastiach a pripravil ďalšiu vlnu.

Pojmom AI zima sa označuje obdobie poklesu záujmu a financovania po fáze nadmerných očakávaní. Prvá takáto vlna sa spája najmä so 70. rokmi. Programy, ktoré pôsobivo riešili hádanky alebo príkazy v mikrosvete, sa ťažko prenášali na veľké, hlučné a nepredvídateľné problémy. Strojový preklad narážal na významovú nejednoznačnosť, robotika na obmedzené snímače a pomalé plánovanie, neurónové siete na teoretické aj výpočtové limity.

V Spojenom kráľovstve mal veľký vplyv Lighthillov report z roku 1973, ktorý kritizoval slabý praktický pokrok základného výskumu AI a spochybnil schopnosť vtedajších metód zvládať kombinatorický rast problémov. Historický prehľad britského parlamentu však upozorňuje, že vzťah reportu k „zime“ nemožno zredukovať na jednoduchú príčinu a následok. Aj v USA sa menili priority financujúcich agentúr a od výskumníkov sa čoraz viac žiadali merateľné, praktické výsledky.

Z dnešného pohľadu je dôležité nespraviť opačnú chybu a označiť celé obdobie za slepú uličku. Pokračoval vývoj reprezentácie poznatkov, plánovania, spracovania reči, počítačového videnia aj metód učenia. Ochladenie odfiltrovalo časť prehnaných tvrdení a presunulo pozornosť k užšie definovaným úlohám. To je opakujúce sa poučenie: keď všeobecná ambícia zlyhá, špecializovaná metóda môže stále vytvoriť trvalú hodnotu.

Osemdesiate roky: expertné systémy prinášajú druhý boom

• Expertné systémy premieňali znalosti odborníkov na pravidlá typu „ak - potom“.
• V úzkych doménach mohli poskytovať hodnotné odporúčania a vysvetliť, ktoré pravidlá použili.
• Nákladné získavanie, údržba a krehkosť pravidiel prispeli ku koncu ďalšej vlny nadšenia.

Po sklamaní zo všeobecných riešení sa pozornosť obrátila k expertným systémom. Ich cieľ bol pragmatickejší: nesimulovať celú ľudskú inteligenciu, ale zachytiť rozhodovacie znalosti odborníka vo vymedzenej oblasti. Systém mal databázu faktov, súbor pravidiel a inferenčný mechanizmus, ktorý určoval, ktoré pravidlá sa majú použiť.

Známy výskumný systém MYCIN, vyvíjaný na Stanforde v 70. rokoch, odporúčal antibiotickú liečbu pri závažných bakteriálnych infekciách a pracoval aj s neistotou. Vedel používateľovi ukázať reťaz pravidiel, ktorá viedla k odporúčaniu. To je vlastnosť, ktorú pri mnohých dnešných neurónových sieťach nie je ľahké dosiahnuť. MYCIN sa však nestal bežným klinickým nástrojom. Problémom nebola iba presnosť, ale aj zodpovednosť, integrácia do praxe, aktualizácia znalostí a akceptácia používateľmi. Stručný dobový kontext uvádza Stanfordov materiál Johna McCarthyho.

Komerčný úspech priniesol napríklad systém XCON, ktorý pomáhal spoločnosti Digital Equipment Corporation konfigurovať objednávky počítačov. Firmy začali budovať vlastné znalostné systémy a vznikol trh so špecializovaným softvérom aj pracovnými stanicami. Zdalo sa, že AI konečne našla priamu cestu do podnikania.

Táto cesta však mala vysoké prevádzkové náklady. Získavanie znalostí od odborníkov bolo pomalé a často sa označovalo ako „úzke hrdlo znalostí“. Pravidlá sa navzájom ovplyvňovali, museli sa priebežne aktualizovať a nečakané prípady odhaľovali ich krehkosť. Keď sa zmenil produkt, predpis alebo pracovný postup, menila sa aj veľká časť znalostnej bázy. Lacnejšie bežné počítače navyše narušili trh so špecializovanými Lisp stanicami.

Na konci 80. a začiatku 90. rokov prišlo ďalšie ochladenie, často nazývané druhou AI zimou. Computer History Museum zachytáva boom aj ústup expertných systémov prostredníctvom výpovedí ich priekopníkov. Zlyhanie obchodného modelu však neznamenalo, že pravidlové systémy zmizli. Pravidlá sú dodnes dôležité v diagnostike, konfigurácii, kontrole súladu a automatizácii; iba ich už často nepredávame pod veľkolepým označením „umelá inteligencia“.

Roky 1986 - 2000: návrat učenia z dát

• Neurónové siete získali účinnejší spôsob učenia viacvrstvových reprezentácií.
• Štatistické metódy postupne nahrádzali časť ručne písaných jazykových a klasifikačných pravidiel.
• Deep Blue ukázal silu špecializácie a výpočtu, nie vznik všeobecne inteligentného stroja.

V polovici 80. rokov sa obnovil záujem o neurónové siete. Kľúčovú úlohu zohralo rozšírenie metódy spätného šírenia chyby - postupu, ktorým sa vypočíta, ako majú jednotlivé váhy siete prispieť k zmenšeniu výslednej chyby. Myšlienka mala staršie korene, no práca Davida Rumelharta, Geoffreyho Hintona a Ronalda Williamsa z roku 1986 presvedčivo ukázala, že siete s vnútornými vrstvami si môžu osvojiť užitočné reprezentácie. Článok v časopise Nature sa stal významným bodom konekcionistického návratu.

Spätné šírenie nie je „myslenie dozadu“. Je to matematický mechanizmus prenosu informácie o chybe cez výpočtový graf. Model spracuje vstup, vytvorí odhad, porovná sa so žiadaným výsledkom a podľa gradientu mierne upraví parametre. Milióny opakovaní postupne zlepšujú výkon na tréningovej úlohe. Tento proces podrobne a bez rovníc vysvetľuje kapitola 4 - Ako sa AI učí.

V 90. rokoch sa presadzovalo štatistické strojové učenie. Namiesto snahy zapísať všetky pravidlá jazyka či rozpoznávania obrazu sa modely učili vzory z dát. Úspech získali rozhodovacie stromy, Bayesovské metódy, skryté Markovove modely a podporné vektorové stroje. Pôvodný článok Corinny Cortesovej a Vladimira Vapnika z roku 1995 opísal support-vector networks pre klasifikáciu. V rozpoznávaní číslic zasa Yann LeCun a kolegovia ukázali praktické využitie konvolučných neurónových sietí; ich práca z roku 1998 prepájala učenie dokumentov s reálnym čítaním rukou písaných znakov.

Mediálne najviditeľnejší míľnik prišiel v máji 1997. Šachový systém Deep Blue od IBM porazil úradujúceho majstra sveta Garriho Kasparova v zápase na šesť partií pomerom 3,5 : 2,5. Podľa archívu IBM išlo o prvé víťazstvo počítača nad úradujúcim majstrom sveta v zápasových podmienkach. Deep Blue kombinoval rýchle prehľadávanie veľkého počtu pozícií, hodnotiace funkcie, šachové znalosti a špecializovaný hardvér.

Víťazstvo bolo technicky aj kultúrne významné, ale nemožno ho čítať ako dôkaz všeobecnej inteligencie. Deep Blue nevedel viesť rozhovor o šachu, naučiť sa variť ani preniesť stratégiu na úplne inú hru. Bol výnimočný v jednej doméne. Keď stroj zvládne úlohu, ktorú sme považovali za vrchol inteligencie, máme sklon spätne tvrdiť, že úloha vlastne inteligenciu nevyžaduje. Tento posun hranice - niekedy nazývaný „AI efekt“ - patrí medzi mýty, ku ktorým sa vráti tretia kapitola.

Roky 2000 - 2012: internet, veľké dáta a grafické procesory

• Digitálny svet vytvoril obrovské množstvo textov, obrázkov, zvuku a záznamov správania.
• Výkonnejší hardvér umožnil trénovať väčšie modely; grafické procesory sa ukázali ako vhodné na paralelné numerické výpočty.
• ImageNet a AlexNet demonštrovali, že dáta, benchmarky a výpočtový výkon môžu zmeniť výsledky celého odboru.

Na začiatku 21. storočia sa nemenili iba algoritmy. Internet, digitálne fotoaparáty, smartfóny, elektronické dokumenty a online služby produkovali množstvo dát, aké predchádzajúce generácie výskumníkov nemali. Klesala cena úložiska, rástol výpočtový výkon a vznikali distribuované dátové centrá. Firmy mali zároveň ekonomickú motiváciu zlepšovať vyhľadávanie, reklamu, odporúčania, filtrovanie nevyžiadanej pošty a rozpoznávanie reči.

Toto obdobie ukazuje, prečo nemožno dejiny AI redukovať na zoznam algoritmov. Tá istá myšlienka môže byť pri malom datasete a pomalom počítači nepraktická, no po zmene infraštruktúry rozhodujúca. Grafické procesory, pôvodne vyvíjané najmä pre zobrazovanie, dokázali paralelne vykonávať veľké množstvo podobných matematických operácií. To sa výborne hodilo na tréning neurónových sietí.

Pre počítačové videnie bol zásadný projekt ImageNet. Databáza predstavená v roku 2009 obsahovala rozsiahlu hierarchiu kategórií a milióny označených obrázkov. Tím vedený Fei-Fei Li využil aj distribuovanú ľudskú prácu na priradenie označení. Pôvodný článok o ImageNete zdôrazňoval rozsah, rozmanitosť a hierarchické usporiadanie datasetu. Každoročná súťaž potom poskytla spoločný benchmark, na ktorom sa dali metódy porovnávať.

V roku 2012 dosiahla hlboká konvolučná sieť neskôr nazvaná AlexNet výrazne nižšiu chybovosť než konkurenčné systémy v súťaži ImageNet. Alex Krizhevsky, Ilya Sutskever a Geoffrey Hinton trénovali veľký model na grafických procesoroch, použili nelinearity a techniky obmedzujúce preučenie. Práca z konferencie NeurIPS presvedčila veľkú časť odboru, že hlboké neurónové siete sa pri dostatku dát a výkonu dajú úspešne škálovať.

AlexNet nevynašiel všetky použité komponenty. Jeho historický význam je v ich účinnom spojení a jednoznačnom výsledku na rešpektovanom benchmarku. Nasledovala prudká vlna investícií do hlbokého učenia. Postupne sa zlepšovalo rozpoznávanie objektov, tvárí, reči aj strojový preklad. To, ako sa z dát, architektúry, parametrov a tréningového cieľa vytvorí model, rozoberá kapitola 10 - Ako vznikajú AI modely.

Roky 2011 - 2016: stroje vidia, počujú a víťazia v hrách

• Watson, hlboké posilňované učenie a AlphaGo ukázali tri rozdielne spôsoby, ako vytvoriť pôsobivý výkon.
• Úspechy v hrách boli dôležité výskumné testy, no stále išlo o presne definované prostredia.
• Hlboké učenie sa začalo meniť z akademickej špeciality na infraštruktúru bežných digitálnych služieb.

Ešte pred AlexNetom upútal verejnosť systém IBM Watson. Vo februári 2011 porazil v televíznej súťaži Jeopardy! šampiónov Kena Jenningsa a Brada Ruttera. Úloha bola náročnejšia než obyčajné vyhľadanie hesla: otázky obsahovali slovné hry, kultúrne narážky a nejednoznačné formulácie. Watson rozložil zadanie, vytvoril kandidátov na odpoveď, hľadal dôkazy v rôznych zdrojoch a odhadoval mieru istoty. História IBM Watson dokumentuje úspech aj rozsiahlu technickú prípravu.

Watson však nie je priamym predchodcom ChatGPT. Bol zloženým systémom otázok a odpovedí, ktorý využíval vyhľadávanie, spracovanie jazyka, klasifikátory a ručne navrhnutú architektúru. Nevytváral všeobecný jazykový model dnešného typu. Jeho víťazstvo napriek tomu ukázalo hodnotu kombinácie viacerých metód a schopnosti pracovať s neistotou. Neskoršie pokusy preniesť značku Watson do zdravotníctva zasa pripomenuli, že výsledok v televíznej hre negarantuje úspech v klinickom prostredí s neúplnými údajmi, zodpovednosťou a meniacou sa odbornou literatúrou.

Ďalšou líniou bolo posilňované učenie. Pri ňom agent nedostáva správnu odpoveď ku každému príkladu. Koná v prostredí, získava odmeny alebo tresty a učí sa stratégiu, ktorá maximalizuje dlhodobý výsledok. Tím DeepMind v roku 2015 opísal v časopise Nature systém DQN, ktorý sa učil hrať viacero hier Atari priamo z obrazových bodov a skóre. Práca o DQN spojila hlbokú neurónovú sieť s Q-learningom a ukázala, že jedna všeobecná metóda sa dokáže naučiť viac rozdielnych hier bez ručného naprogramovania pravidiel pre každú z nich.

V marci 2016 sa globálnym symbolom pokroku stal AlphaGo. Hra go má jednoduché pravidlá, ale enormný počet možných pozícií, takže hrubá sila podobná šachovému prehľadávaniu nestačí. AlphaGo kombinoval siete odhadujúce sľubné ťahy a pravdepodobného víťaza s prehľadávaním herného stromu. Najprv sa učil z partií ľudí a potom sa zlepšoval hrou proti vlastným verziám. Pôvodná práca v Nature zaznamenala víťazstvo nad profesionálnym hráčom Fan Hui; následne AlphaGo porazil Lee Sedola v sledovanom zápase pomerom 4 : 1.

AlphaGo bol prelomom v posilňovanom učení a plánovaní, nie dôkazom, že stroj získal všeobecný rozum. Nevedel svoje strategické poznatky automaticky preniesť do riadenia firmy alebo vysvetliť kultúrne dejiny hry. Mal jasné pravidlá, presný cieľ a možnosť vytvárať veľké množstvo tréningových situácií. V otvorenom svete často nepoznáme všetky pravidlá, cieľov je viac a nie je jednoduché rozhodnúť, čo má byť „odmenou“.

V rovnakom období sa hlboké učenie presúvalo do každodenných produktov. Zlepšovalo diktovanie, automatické titulky, triedenie fotografií a preklad. Google v roku 2016 opísal neurónový systém strojového prekladu, ktorý nahrádzal mnohé samostatné komponenty jednou trénovanou sieťou typu encoder-decoder s mechanizmom pozornosti. Používatelia teda prichádzali do kontaktu s AI dávno pred ChatGPT, často bez toho, aby ju vnímali ako samostatný produkt. Konkrétne príklady mapuje kapitola 8 - AI okolo nás každý deň.

Rok 2017: transformátor mení spracovanie jazyka

• Architektúra Transformer postavila do centra mechanizmus pozornosti a odstránila potrebu spracovávať text striktne po jednom kroku.
• Paralelnejší tréning umožnil efektívnejšie využívať veľké datasety a výpočtové kapacity.
• Transformer sa stal základom mnohých veľkých jazykových a generatívnych modelov, nie však synonymom celej AI.

Pri práci s vetou musí model zachytiť vzťahy medzi slovami, ktoré môžu byť ďaleko od seba. Staršie rekurentné siete spracúvali sekvenciu prevažne postupne a informáciu prenášali z jedného kroku do druhého. To komplikovalo tréning na dlhých textoch a obmedzovalo paralelné výpočty. Mechanizmy pozornosti už existovali, no v roku 2017 ich tím výskumníkov z Googlu použil ako hlavný stavebný prvok novej architektúry.

Článok Attention Is All You Need predstavil Transformer. Model pri spracovaní prvku vypočítava, ktorým ďalším častiam vstupu má venovať väčšiu „pozornosť“. Nejde o ľudskú pozornosť ani o vedomé sústredenie. Je to matematický mechanizmus váženia vzťahov medzi reprezentáciami. Takzvaná self-attention umožňuje, aby model vytváral kontextové reprezentácie: význam slova sa mení podľa ostatných slov vo vete.

Transformátor zároveň umožnil spracúvať veľkú časť sekvencie paralelne. Na vhodnom hardvéri sa tak dal trénovať efektívnejšie a neskôr škálovať na oveľa väčšie množstvo parametrov a dát. Pôvodná práca riešila strojový preklad; jej architektúra sa však rozšírila na jazyk, obraz, zvuk, video, biologické sekvencie a multimodálne úlohy.

Historická skratka „v roku 2017 vznikli veľké jazykové modely“ by bola nepresná. Jazykové modelovanie existovalo dávno pred transformátormi a veľké neurónové modely sa rozvíjali už predtým. Transformer však odstránil dôležité praktické obmedzenia a stal sa platformou, na ktorej bolo možné úspešne spojiť predtrénovanie, škálovanie a generovanie. Prehľad jeho mechanizmu bude patriť do kapitoly 12 - Najväčšie prelomové objavy v AI; tu je podstatné jeho miesto v historickej reťazi.

Roky 2018 - 2020: od predtrénovania ku GPT-3

• Modely rodiny GPT sa najprv učili všeobecné jazykové vzory z veľkého množstva textu a až potom sa prispôsobovali úlohám.
• S rastúcim rozsahom sa objavila schopnosť riešiť viac úloh na základe textovej inštrukcie alebo niekoľkých príkladov.
• Väčší model však automaticky neznamenal pravdivejší, bezpečnejší ani lepšie zosúladený systém.

Skratka GPT znamená Generative Pre-trained Transformer: generatívny predtrénovaný transformátor. Každé slovo opisuje dôležitú vlastnosť. „Generatívny“ model vytvára pokračovanie; „predtrénovaný“ sa najprv učí všeobecnú štatistickú štruktúru na rozsiahlych dátach; „transformátor“ označuje použitú architektúru. Základný tréningový cieľ jazykového modelu je zdanlivo jednoduchý: podľa predchádzajúceho kontextu odhadovať ďalší token, teda slovo alebo časť slova.

Prvý model GPT z roku 2018 ukázal účinnosť kombinácie generatívneho predtrénovania na neoznačenom texte a následného dolaďovania na konkrétne jazykové úlohy. Dovtedy bolo bežné pripravovať samostatný model a označené dáta pre každý problém. Predtrénovanie umožnilo najskôr získať širšie jazykové reprezentácie a potom ich využiť pri klasifikácii, odpovedaní na otázky alebo posudzovaní vzťahov medzi vetami. Tento dvojstupňový postup opisuje pôvodná technická správa Improving Language Understanding by Generative Pre-Training.

GPT-2, predstavený v roku 2019, posunul dôraz k riešeniu úloh bez osobitného dolaďovania. Väčší model trénovaný na širšom texte vedel po vhodnom začiatku generovať súvislé odseky, sumarizovať alebo odpovedať v rôznych formátoch. Výskumníci zároveň upozornili na možné zneužitie a najväčšiu verziu uvoľňovali postupne. Pôvodný kód, menšie modely aj odkaz na technickú správu sú zachované v repozitári GPT-2.

V roku 2020 nasledoval GPT-3 so 175 miliardami parametrov. Parametre sú nastaviteľné numerické hodnoty, prostredníctvom ktorých sieť zachytáva vzory; nie sú to samostatné uložené fakty ani „neuróny“ v biologickom zmysle. GPT-3 dokázal vykonávať rozličné jazykové úlohy v režime zero-shot, one-shot alebo few-shot: používateľ úlohu opísal a prípadne pridal niekoľko ukážok priamo do zadania bez zmeny parametrov modelu. Práca Language Models are Few-Shot Learners ukázala pôsobivý rozsah schopností, ale otvorene uviedla aj slabiny vrátane niektorých jazykových úloh, metodických problémov a spoločenských dopadov.

Pre verejnosť bolo mätúce, že jeden model zrazu vedel písať básne, dopĺňať kód, prekladať aj vysvetľovať pojmy. Neznamenalo to, že bol pre každú úlohu naprogramovaný samostatný modul. Veľká časť správania vznikala podmienením textovým kontextom. Zároveň však model optimalizovaný na predpovedanie pokračovania nemal zabudovanú povinnosť hovoriť pravdu, priznať nevedomosť alebo presne nasledovať zámer používateľa. Pravdepodobné pokračovanie môže byť plynulé a vecne nesprávne.

Tento rozpor je základom moderných diskusií o „halucináciách“. Model negeneruje nepravdu preto, že by sa vedome rozhodol klamať; vytvára výstup podľa naučených pravdepodobností a ďalších tréningových vplyvov. Prečo z toho vznikajú užitočné schopnosti aj systematické chyby, vysvetlí kapitola 7 - Generatívna AI v praxi.

Rok 2022: ľudská spätná väzba a vznik ChatGPT

• Samotné zväčšovanie jazykového modelu nezaručuje, že bude dobre plniť pokyny používateľa.
• Dolaďovanie na ukážkach a hodnoteniach od ľudí pomohlo vytvoriť užitočnejšie konverzačné správanie.
• ChatGPT sprístupnil existujúcu vývojovú líniu masovému publiku; nebol náhlym vznikom vedomej alebo všeobecnej AI.

Veľké jazykové modely pred ChatGPT vedeli vytvoriť presvedčivý text, no ich ovládanie bolo menej prirodzené. Pokyn používateľa bol pre základný model iba ďalším textom, nie príkazom, ktorý musí splniť. Ak model dostal otázku, mohol ju doplniť ďalšou otázkou, napodobniť diskusné fórum alebo pokračovať neželaným štýlom. Vývoj sa preto sústredil na instruction tuning, teda dolaďovanie modelov tak, aby reagovali na inštrukcie.

Výskumná práca o InstructGPT, publikovaná v roku 2022, opísala viacstupňový postup. Najprv ľudskí hodnotitelia vytvorili ukážkové odpovede, na ktorých sa model dolaďoval pod dohľadom. Potom porovnávali viac výstupov modelu a zoradili ich podľa kvality. Z týchto preferencií sa natrénoval model odmeny a jazykový model sa ďalej optimalizoval pomocou posilňovaného učenia z ľudskej spätnej väzby, známeho ako RLHF. V hodnotení autorov bol menší InstructGPT často uprednostnený pred omnoho väčším základným GPT-3. Výsledok ukázal, že správanie nezávisí iba od počtu parametrov, ale aj od cieľa a kvality dolaďovania. Pôvodná práca z NeurIPS zároveň zdôraznila, že systém stále robí jednoduché chyby.

Dňa 30. novembra 2022 OpenAI sprístupnila ChatGPT ako bezplatnú výskumnú ukážku. Pôvodné oznámenie vysvetľovalo, že dialógový formát umožňuje reagovať na doplňujúce otázky, priznať niektoré chyby, namietať proti nesprávnym predpokladom a odmietnuť určité nevhodné požiadavky. Prvá verzia vychádzala zo série GPT-3.5 a používala metódy príbuzné InstructGPT. Stanford AI Index 2024 neskôr označil uvedenie ChatGPT v novembri 2022 za prelomový moment vo verejnom oboznámení sa s AI.

Najväčšou inováciou v očiach používateľa nebol nový matematický princíp, ale spojenie schopného modelu s jednoduchým rozhovorom. Nebolo potrebné poznať programovanie, volať aplikačné rozhranie ani vybrať osobitný model pre sumarizáciu, nápady či vysvetľovanie. Človek napísal požiadavku bežným jazykom, dostal odpoveď a mohol pokračovať doplňujúcou otázkou. Tým sa generatívna AI stala skúsenosťou, nie iba témou odborných správ.

ChatGPT súčasne zviditeľnil limity jazykových modelov. Dokázal sebaisto uvádzať vymyslené fakty a zdroje, meniť odpoveď podľa formulácie otázky, reprodukovať skreslenia v dátach alebo poskytnúť nevhodnú radu. RLHF nezmenil model na neomylnú databázu a ľudská spätná väzba sama nie je neutrálna: závisí od výberu hodnotiteľov, pravidiel a predstavy o žiadanom správaní. Konverzačný tón navyše posilnil efekt ELIZA - používateľ mohol plynulosť zameniť za porozumenie a zdvorilosť za spoľahlivosť.

Preto je presnejšie povedať, že ChatGPT predstavoval prelom v dostupnosti, ovládaní a spoločenskom dosahu generatívnej AI. Nebol dôkazom vyriešenia všeobecnej inteligencie. Jeho vznik uzatvára túto historickú kapitolu, nie dejiny AI: po roku 2022 nasledoval rýchly vývoj multimodálnych, otvorených, komerčných aj špecializovaných modelov. Aktérov a dynamiku ďalšej etapy samostatne rozoberie kapitola 13 - Kto vedie preteky v AI.

Čo sa v dejinách AI opakovane vracia

• Každá veľká vlna spája staršie myšlienky s novými technickými a ekonomickými podmienkami.
• Úspech na benchmarku je dôležitý, ale negarantuje bezpečné ani spoľahlivé nasadenie v reálnom svete.
• AI je sociotechnický systém: za dátami, označovaním, hodnotením, infraštruktúrou a pravidlami stoja ľudia a inštitúcie.

Od Turinga po ChatGPT možno sledovať opakujúci sa cyklus. Nová metóda dosiahne výsledok, ktorý sa predtým zdal vzdialený. Verejnosť a investori ho zovšeobecnia na schopnosti, ktoré systém nemá. Praktické nasadenie odhalí krehkosť, náklady a nečakané dôsledky. Nadšenie sa zmenší, no metóda sa ďalej zlepšuje a stane sa súčasťou bežnej infraštruktúry. Keď už filtrovanie spamu alebo navigáciu nevnímame ako zázrak AI, neznamená to, že technológia zmizla; stala sa normálnou.

Dejiny tiež ukazujú, že protiklad „človek verzus stroj“ je príliš jednoduchý. Logic Theorist používal ľuďmi navrhnuté heuristiky, expertné systémy získavali pravidlá od špecialistov, ImageNet závisel od ľudského označovania a InstructGPT od ukážok a preferencií hodnotiteľov. Aj autonómne pôsobiaci model je súčasťou reťazca ľudských rozhodnutí: niekto vybral dáta, tréningový cieľ, architektúru, testy, bezpečnostné obmedzenia a spôsob nasadenia. Menia sa preto skôr konkrétne pracovné úlohy a rozdelenie činností medzi ľudí a nástroje než abstraktný súboj dvoch aktérov; tejto téme sa venuje kapitola 11 - AI a budúcnosť práce.

Ďalším poučením je význam merania. Šach má jednoznačné pravidlá a výsledok, klasifikácia ImageNetu má označené kategórie a jazykový benchmark má pripravené otázky. To umožňuje rýchlo porovnávať modely. Čo však meriame, to začnú tímy optimalizovať. Model môže dosiahnuť vysoké skóre bez toho, aby bol spoľahlivý pri odlišných dátach, v inom jazyku alebo voči skupinám, ktoré benchmark slabo zastupuje. Preto sú dôležité nielen výsledky, ale aj spôsob vzniku testu a podmienky použitia.

Napokon, pokrok nevzniká iba „lepšou inteligenciou“. Výsledok často prinieslo viac dát, rýchlejší hardvér, lacnejšie ukladanie, kvalitnejší softvér, nový benchmark alebo dostupnejšie rozhranie. ChatGPT je názorným príkladom: technológia vyrastala z dlhého výskumu, no masový účinok spustilo až jej zabalenie do použiteľného dialógu. Prečo môže mať takáto všeobecne použiteľná technológia dosah podobný internetu, rozoberie kapitola 14 - Prečo je AI revolúciou podobnou internetu.

Časová os: od formálneho výpočtu ku konverzačnej AI

• Nasledujúce dátumy sú orientačnými bodmi, nie úplným zoznamom objavov.
• Každý míľnik riešil inú časť problému a nadväzoval na prácu veľkého množstva ľudí.
• Chronológia pomáha vidieť kontinuitu, ktorú výraz „náhly boom AI“ zakrýva.

• 1936: Alan Turing formálne opisuje výpočet a univerzálny stroj.
• 1943: Warren McCulloch a Walter Pitts publikujú logický model neurónovej siete.
• 1950: Turing navrhuje imitation game ako skúšku konverzačného správania stroja.
• 1955 - 1956: návrh a letný projekt v Dartmouthe dávajú odboru názov „umelá inteligencia“.
• 1956: Logic Theorist dokazuje vybrané matematické vety.
• 1958: Rosenblatt opisuje perceptrón; formujú sa aj kľúčové myšlienky jazyka Lisp.
• 1966: Weizenbaum publikuje program ELIZA; začína sa vývoj robota Shakey.
• 70. roky: prichádza prvá AI zima, zároveň napredujú znalostné a expertné systémy.
• 80. roky: expertné systémy zažívajú komerčný boom; v roku 1986 získava pozornosť učenie viacvrstvových sietí spätným šírením chyby.
• koniec 80. a začiatok 90. rokov: trh expertných systémov a špecializovaného hardvéru slabne; nastáva druhá AI zima.
• 1995: Cortesová a Vapnik publikujú podporné vektorové siete.
• 1997: Deep Blue poráža Garriho Kasparova.
• 1998: LeCun a kolegovia demonštrujú praktické rozpoznávanie dokumentov konvolučnými sieťami.
• 2009: ImageNet poskytuje rozsiahly obrazový dataset a základ vplyvného benchmarku.
• 2011: IBM Watson víťazí v súťaži Jeopardy!.
• 2012: AlexNet dramaticky zlepšuje výsledok v súťaži ImageNet pomocou hlbokej siete a GPU.
• 2015: DQN spája hlboké siete s posilňovaným učením v hrách Atari.
• 2016: AlphaGo poráža Lee Sedola; neurónový strojový preklad sa dostáva do veľkých služieb.
• 2017: práca Attention Is All You Need predstavuje architektúru Transformer.
• 2018: GPT ukazuje spojenie generatívneho predtrénovania a dolaďovania na úlohy.
• 2019: GPT-2 demonštruje širšie generovanie a riešenie úloh cez textový kontext.
• 2020: GPT-3 rozširuje učenie z inštrukcií a niekoľkých príkladov zadaných v kontexte.
• 2022: InstructGPT ukazuje význam ľudskej spätnej väzby; 30. novembra je ChatGPT sprístupnený verejnosti ako výskumná ukážka.

Záver: ChatGPT ako míľnik, nie cieľová stanica

• História AI vysvetľuje dnešné schopnosti aj limity lepšie než predstava náhleho technologického zázraku.
• Dnešné modely stoja na starších ideách, rozsiahlej ľudskej práci a modernej výpočtovej infraštruktúre.
• Rozumný postoj k AI spája otvorenosť voči jej prínosom s overovaním, znalosťou hraníc a ľudskou zodpovednosťou.

Od prvých formálnych predstáv o výpočte po verejný ChatGPT vedie dlhá a rozvetvená cesta. Na jej začiatku bola otázka, či možno inteligentné správanie opísať pomocou symbolov, pravidiel alebo sietí jednoduchých jednotiek. Nasledovali programy v mikrosvetoch, obdobia optimizmu, dve zimy, expertné systémy, štatistické učenie, internetové dáta, grafické procesory, hlboké siete, transformátory a ľudská spätná väzba.

Žiadny z míľnikov sám osebe „nevytvoril inteligenciu“. Každý rozšíril množinu úloh, ktoré stroj dokáže vykonávať, alebo zlepšil spôsob, akým sa taký systém tvorí a používa. Turingov test upriamil pozornosť na správanie, Dartmouth pomenoval výskumný program, perceptrón ukázal učenie váh, expertné systémy hodnotu explicitných znalostí, AlexNet silu škálovaného hlbokého učenia a Transformer cestu k dnešným jazykovým modelom. ChatGPT potom tieto schopnosti sprístupnil v podobe, s ktorou sa dalo okamžite experimentovať.

Práve historický odstup chráni pred dvoma extrémami. Prvým je tvrdenie, že AI je iba marketing a nič podstatné sa nezmenilo. Výsledky v obraze, reči, jazyku, vede a automatizácii sú merateľné a prakticky významné. Druhým je predstava, že plynulý chatbot už prekročil všetky hranice ľudskej inteligencie. Aj najpôsobivejší systém má tréningové podmienky, špecifický cieľ a charakteristické zlyhania.

Ďalším logickým krokom je preto spresniť samotný pojem. Kapitola 2 - Čo je a čo nie je umelá inteligencia oddelí AI od bežnej automatizácie, databáz, vedomia a vedecko-fantastických predstáv. Na konci série sa k historickým poučeniam vrátime prakticky: kapitola 15 - Ako sa pripraviť na AI éru ukáže, ktoré schopnosti a návyky majú význam bez ohľadu na ďalšiu vlnu nadšenia.

Použité a odporúčané zdroje

• Zoznam uprednostňuje pôvodné vedecké práce, archívy výskumných inštitúcií a aktuálne akademické prehľady.
• Firemné historické stránky sú použité pri udalostiach, ktoré dané organizácie priamo dokumentujú; technické tvrdenia sú podľa možnosti opreté o publikované práce.
• Online zdroje boli naposledy overené 18. augusta 2026.

1. McCulloch, W. S.; Pitts, W. (1943). A Logical Calculus of the Ideas Immanent in Nervous Activity.
2. Turing, A. M. (1950). Computing Machinery and Intelligence - Turing Digital Archive.
3. McCarthy, J.; Minsky, M.; Rochester, N.; Shannon, C. (1955). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence.
4. Newell, A.; Shaw, J. C.; Simon, H. A. Archívne materiály k programu Logic Theorist. Carnegie Mellon University Libraries.
5. McCarthy, J. History of Lisp. Stanford University.
6. Rosenblatt, F. (1958). The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain.
7. Weizenbaum, J. (1966). ELIZA-A Computer Program for the Study of Natural Language Communication Between Man and Machine.
8. SRI International. Meet Shakey, the World’s First AI-Based Robot.
9. UK Parliament, House of Lords (2018). AI development: history and considerations.
10. Rumelhart, D. E.; Hinton, G. E.; Williams, R. J. (1986). Learning Representations by Back-Propagating Errors.
11. Cortes, C.; Vapnik, V. (1995). Support-Vector Networks.
12. LeCun, Y. a kol. (1998). Gradient-Based Learning Applied to Document Recognition.
13. IBM. Deep Blue a Watson on Jeopardy!.
14. Deng, J. a kol. (2009). ImageNet: A Large-Scale Hierarchical Image Database.
15. Krizhevsky, A.; Sutskever, I.; Hinton, G. E. (2012). ImageNet Classification with Deep Convolutional Neural Networks.
16. Mnih, V. a kol. (2015). Human-Level Control Through Deep Reinforcement Learning.
17. Silver, D. a kol. (2016). Mastering the Game of Go with Deep Neural Networks and Tree Search.
18. Wu, Y. a kol. (2016). Google’s Neural Machine Translation System.
19. Vaswani, A. a kol. (2017). Attention Is All You Need.
20. OpenAI (2019). GPT-2: Code, Models and Technical Report.
21. Brown, T. B. a kol. (2020). Language Models are Few-Shot Learners.
22. Ouyang, L. a kol. (2022). Training Language Models to Follow Instructions with Human Feedback.
23. OpenAI (2022). Introducing ChatGPT.
24. Stanford Institute for Human-Centered Artificial Intelligence (2023). AI Index Report 2023.
25. Stanford Institute for Human-Centered Artificial Intelligence (2026). AI Index Report 2026.
26. Turing, A. M. (1936). On Computable Numbers, with an Application to the Entscheidungsproblem.
27. Radford, A. a kol. (2018). Improving Language Understanding by Generative Pre-Training.
28. Stanford Institute for Human-Centered Artificial Intelligence (2024). AI Index Report 2024 - Public Opinion.