Кажется, что искусственный интеллект появился в конце 2022 года, когда все начали пробовать ChatGPT. На деле идее больше семидесяти лет. Основу для нынешних нейросетей заложили ещё в 1950-х, а многие громкие обещания того времени не сбылись на десятилетия.
История ИИ похожа на качели: волна оптимизма, большие деньги, завышенные ожидания, разочарование и затишье. Потом новая идея или новые компьютеры, и всё повторяется.
Ниже — основные этапы по порядку: кто и что придумал, почему подходы сменяли друг друга и что в итоге привело к нейросетям, которыми мы пользуемся сегодня.
Четыре больших этапа развития ИИ
1. 1950–1960-е: рождение идеи
В 1950 году Алан Тьюринг опубликовал статью «Вычислительные машины и разум» и предложил способ проверить, может ли машина мыслить. Его идея позже получила название «тест Тьюринга»: если собеседник не может отличить машину от человека по переписке, машину можно считать разумной. Сам термин «искусственный интеллект» закрепился в 1956 году на летнем семинаре в Дартмутском колледже, который организовал Джон Маккарти. В 1958 году Фрэнк Розенблатт представил перцептрон — первую модель искусственного нейрона, способную обучаться. А в 1966 году появилась ELIZA, программа Джозефа Вейценбаума, которая имитировала разговор с психотерапевтом и удивляла людей, хотя работала по простым шаблонам.
2. 1970–1980-е: зимы и экспертные системы
Ранние обещания оказались слишком смелыми. Компьютеры были слабыми, данных не хватало, а задачи вроде перевода или понимания речи оказались гораздо сложнее, чем думали. Финансирование сократили, и наступила первая «зима ИИ». В 1980-х интерес вернулся благодаря экспертным системам: в программу вручную записывали знания специалистов в виде правил «если — то». Такие системы помогали, например, в диагностике и настройке оборудования. Но правила приходилось писать и обновлять людям, системы плохо справлялись с непредвиденными случаями, и к концу десятилетия пришла вторая зима. Параллельно, в 1986 году, Дэвид Румельхарт, Джеффри Хинтон и Рональд Уильямс описали метод обратного распространения ошибки, который позже стал основой обучения нейросетей.
3. 1990–2000-е: машинное обучение
Подход сменился: вместо того чтобы вписывать правила вручную, программы стали учить на данных. Машинное обучение находило закономерности само, и это работало там, где правил слишком много, чтобы их перечислить: фильтры спама, рекомендации товаров, распознавание почерка. Самый известный момент эпохи — 1997 год, когда компьютер IBM Deep Blue обыграл чемпиона мира по шахматам. Правда, Deep Blue побеждал в основном за счёт перебора огромного числа ходов, а не за счёт обучения в современном смысле.
4. 2010-е — сейчас: глубокое обучение и большие модели
В 2012 году нейросеть AlexNet с большим отрывом выиграла конкурс по распознаванию изображений ImageNet. Выяснилось, что многослойные нейросети при достаточном объёме данных и мощных видеокартах работают лучше всех прежних подходов. В 2016 году программа AlphaGo от DeepMind обыграла Ли Седоля в го — игре, где перебрать варианты, как в шахматах, невозможно. В 2017 году исследователи Google описали архитектуру «трансформер» в статье «Attention Is All You Need». На ней построены почти все современные языковые модели. Дальше модели росли: GPT-3 в 2020 году, а 30 ноября 2022 года вышел ChatGPT, и нейросетями начали пользоваться сотни миллионов людей. Сейчас модели работают не только с текстом, но и с картинками, звуком и видео, а новые версии выходят по несколько раз в год.
Между первым перцептроном и ChatGPT прошло больше шестидесяти лет, и дважды развитие почти останавливалось.
Редакция SpeShu.AI
Что запомнить об истории ИИ
- Запомните 1956 год: тогда появился термин «искусственный интеллект»
- Различайте два подхода: правила, написанные людьми, и обучение на данных
- Помните про «зимы» — периоды, когда ожидания не оправдались
- Отличайте Deep Blue, который перебирал ходы, от обучающихся систем
- Свяжите рывок 2012 года с данными и мощными видеокартами
- Запомните трансформер как основу современных языковых моделей
- Относитесь к громким прогнозам с осторожностью
Почему рывок случился именно сейчас
Главные идеи — искусственный нейрон, обучение на примерах, обратное распространение ошибки — существовали десятилетиями. Не хватало трёх вещей.
Данных
Чтобы нейросеть чему-то научилась, ей нужны миллионы примеров. Интернет, цифровые фото и тексты дали их в нужном объёме только в 2000–2010-х.
Вычислительной мощности
Обучение больших моделей требует огромного количества расчётов. Видеокарты, изначально созданные для игр, оказались для этого подходящими, и обучение, которое раньше заняло бы годы, стало занимать недели.
Архитектуры
Трансформер позволил моделям эффективно обрабатывать длинные тексты и хорошо масштабироваться: чем больше модель и данных, тем лучше результат.
Когда все три условия совпали, нейросети за несколько лет обошли подходы, которые развивались десятилетиями.
Два подхода, которые спорили всю историю ИИ
Символьный подход
Знания записываются явно, в виде правил и логики. Так работали экспертные системы. Плюс — понятно, почему программа приняла решение. Минус — всё приходится описывать вручную, и система теряется в ситуациях, которые не предусмотрели.
Обучение на данных
Программа сама находит закономерности в примерах. Так работают нейросети. Плюс — справляется с задачами, где правил слишком много. Минус — сложно объяснить, почему модель ответила именно так, и она может уверенно ошибаться.
Сегодня лидирует второй подход, но вопросы объяснимости и надёжности, которые ставил первый, никуда не делись.
Промпты, чтобы изучить тему с помощью нейросети
Объяснить этап простыми словами
Объясни, что происходило в развитии искусственного интеллекта в период [период или этап], для [аудитория: например, школьника 10 класса]. Назови главные события и людей, объясни, почему этот этап важен для следующего. Если не уверен в дате или имени, прямо отметь это.
Составить план доклада
Составь план доклада на тему «[тема]» на [время] минут. Раздели на 5–7 частей, для каждой укажи главную мысль и 2–3 факта, которые стоит упомянуть. Отдельно выпиши, какие факты мне нужно проверить по первоисточникам.
Сравнить подходы
Сравни символьный подход в ИИ и обучение на данных. Дай таблицу с критериями: как работает, плюсы, минусы, примеры систем. В конце объясни, почему сегодня преобладает второй подход.
Проверить себя
Задай мне 7 вопросов по истории искусственного интеллекта от 1950-х до наших дней, от простых к сложным. После каждого моего ответа скажи, прав ли я, и дай короткое пояснение.
Разобрать термин
Объясни, чем отличаются искусственный интеллект, машинное обучение, нейросеть и глубокое обучение. Приведи по одному бытовому примеру для каждого и покажи, как эти понятия вложены друг в друга.
Частые вопросы
Кто придумал искусственный интеллект?
Одного автора нет. Алан Тьюринг в 1950 году поставил вопрос о мыслящих машинах, Джон Маккарти закрепил термин в 1956 году на Дартмутском семинаре, а Фрэнк Розенблатт в 1958 году создал перцептрон. Это работа многих людей на протяжении десятилетий.
Что такое «зима ИИ»?
Так называют периоды, когда интерес и финансирование резко падали из-за невыполненных обещаний. Первая пришлась на 1970-е, вторая — на конец 1980-х и начало 1990-х.
Когда появились первые нейросети?
Первой моделью обучающегося искусственного нейрона считают перцептрон Розенблатта 1958 года. Но широко использовать нейросети начали только в 2010-х, когда появились данные и мощные компьютеры.
Почему победа Deep Blue над Каспаровым не похожа на современный ИИ?
Deep Blue выигрывал в основном за счёт перебора огромного числа вариантов ходов и заранее заданных оценок. Современные модели учатся на примерах и находят закономерности сами.
Что такое трансформер?
Архитектура нейросети, описанная исследователями Google в 2017 году. Она хорошо обрабатывает длинные последовательности, например тексты, и лежит в основе почти всех современных языковых моделей, включая ChatGPT.
Можно ли доверять нейросети в вопросах истории?
Как помощнику для структуры и объяснений — да, но даты, имена и цитаты нужно проверять. Модели иногда путают годы и приписывают открытия не тем людям.
Разберите один этап с нейросетью
Выберите этап, который показался самым интересным, и попросите нейросеть объяснить его подробнее для вашего уровня, а затем задать вам несколько вопросов на проверку. Так история запоминается лучше, чем при простом чтении. Задать вопрос и сравнить, как его объясняют разные ИИ-модели, можно в SpeShu.AI: там несколько нейросетей собраны в одном сервисе.