31 sierpnia 1955 roku John McCarthy, Marvin Minsky, Nathaniel Rochester i Claude Shannon przedstawili propozycję zorganizowania w Dartmouth College letniego projektu badawczego poświęconego „sztucznej inteligencji”. W tytule dokumentu znalazło się określenie artificial intelligence, które wkrótce stało się nazwą całej dyscypliny.
Plan był śmiały. Latem 1956 roku około dziesięciu naukowców miało przez dwa miesiące pracować nad maszynami posługującymi się językiem, tworzącymi abstrakcje, uczącymi się i rozwiązującymi problemy zarezerwowane dotąd dla ludzi. Organizatorzy wierzyli, że starannie dobrana grupa może w ciągu jednego lata dokonać znaczącego postępu.
Nie stworzyli inteligentnej maszyny. Zrobili jednak coś, czego znaczenie dostrzegamy coraz wyraźniej: wskazali problemy, które będą wyznaczały kierunek badań przez kolejne dekady.
Czy inteligencję można opisać?
Autorzy propozycji wyszli od fundamentalnego założenia: każdy aspekt uczenia się i każdą inną cechę inteligencji można opisać na tyle precyzyjnie, aby mogła je symulować maszyna.
Była to deklaracja odważna nie tylko technologicznie, ale również filozoficznie. Inteligencję potraktowano jako zbiór procesów, które można badać, formalizować i odtwarzać za pomocą obliczeń.
Odpowiedź po 71 latach: nie umiemy jeszcze opisać całej ludzkiej inteligencji, ale potrafimy modelować niektóre jej przejawy. Systemy AI rozpoznają obrazy i mowę, przewidują kolejne elementy sekwencji, wykrywają zależności w danych i generują nowe treści.
Nie oznacza to jednak, że myślą jak człowiek. Model językowy może stworzyć przekonującą odpowiedź bez rozumienia świata w ludzkim znaczeniu. Granica między symulowaniem inteligentnego zachowania a posiadaniem inteligencji pozostaje przedmiotem sporu.
Czy komputer może posługiwać się językiem?
Jednym z głównych zagadnień wymienionych w dokumencie było używanie języka przez komputery. Autorzy przypuszczali, że znaczną część ludzkiego myślenia można opisać jako operowanie słowami zgodnie z regułami rozumowania.
Przez długi czas maszyny radziły sobie z językiem głównie wtedy, gdy człowiek wcześniej określił słownictwo, reguły i możliwe odpowiedzi. Dzisiejsze modele językowe działają inaczej: uczą się zależności statystycznych na podstawie ogromnych zbiorów tekstów.
Odpowiedź po 71 latach: komputer może tłumaczyć, streszczać, odpowiadać na pytania, pisać programy i prowadzić rozmowę. Nie zawsze potrafi jednak odróżnić prawdę od informacji jedynie prawdopodobnie brzmiącej. Płynność wypowiedzi nie jest gwarancją jej poprawności.
Pytanie z Dartmouth nie zostało więc zamknięte. Zmieniło tylko formę. Dzisiaj pytamy nie tyle, czy maszyna może używać języka, ile czy rozumie znaczenie wypowiadanych słów.
Czy maszyna może się uczyć?
W 1955 roku uczenie maszynowe nie było jeszcze odrębną, dojrzałą dziedziną. Autorzy propozycji interesowali się jednak systemami, które mogłyby zmieniać swoje zachowanie pod wpływem doświadczeń.
Szczególną uwagę poświęcili sieciom neuronowym, inspirowanym sposobem działania mózgu. Ówczesne komputery dysponowały jednak zbyt małą mocą obliczeniową i pamięcią, aby rozwijać tę koncepcję na dzisiejszą skalę. Brakowało również odpowiednio dużych zbiorów danych i skutecznych metod trenowania rozbudowanych sieci.
Odpowiedź po 71 latach: uczenie maszynowe stało się podstawą współczesnej AI. Zamiast zapisywać wszystkie reguły postępowania, dostarczamy systemowi przykłady, na podstawie których sam dostosowuje parametry swojego modelu.
Takie uczenie nie przypomina jednak w pełni sposobu, w jaki wiedzę zdobywa człowiek. Model może potrzebować milionów przykładów, podczas gdy człowiek niekiedy rozpoznaje nowe zjawisko już po jednym doświadczeniu.
Czy maszyna może się doskonalić?
Autorzy dokumentu zakładali, że prawdziwie inteligentna maszyna powinna poprawiać własne działanie. Pytanie o samodoskonalenie pozostaje jednym z najbardziej fascynujących i budzących najwięcej obaw zagadnień związanych z AI.
Odpowiedź po 71 latach: systemy potrafią uczyć się na danych, wynikach własnych działań i informacji zwrotnej od ludzi. Mogą optymalizować strategie, poprawiać prognozy i dostosowywać się do określonych warunków.
Nadal jednak ich cele, środowisko działania oraz kryteria oceny wyznacza człowiek. Współczesne modele nie rozwijają się samodzielnie bez danych, infrastruktury, oprogramowania i decyzji podejmowanych przez ludzi. Pytanie o granice ich autonomii staje się jednak coraz ważniejsze wraz z rozwojem systemów agentowych, zdolnych do planowania i wykonywania wieloetapowych zadań.
Czy sztuczna inteligencja może być kreatywna?
W propozycji z Dartmouth znalazły się także rozważania o oryginalności. Badacze przypuszczali, że kreatywność może wiązać się z odpowiednio kontrolowanym elementem losowości, pozwalającym wyjść poza najbardziej oczywiste rozwiązania.
To skojarzenie zaskakująco dobrze pasuje do dzisiejszej generatywnej AI. Modele nie wybierają zawsze jednej, z góry ustalonej odpowiedzi. Wykorzystują rozkłady prawdopodobieństwa, dzięki którym mogą tworzyć różne wersje tekstu, obrazu, muzyki lub programu.
Odpowiedź po 71 latach: AI potrafi generować treści, które odbieramy jako nowe i pomysłowe. Spór dotyczy tego, czy jest to kreatywność, czy raczej bardzo zaawansowane przekształcanie wzorców poznanych podczas treningu.
Pytanie ma również wymiar prawny i etyczny. Skoro model uczy się na dziełach stworzonych przez ludzi, trzeba ustalić, jakie prawa mają autorzy materiałów treningowych i kto odpowiada za rezultat działania systemu.
Czego pionierzy nie przewidzieli?
Badacze z Dartmouth skupiali się przede wszystkim na pytaniu, czy można stworzyć inteligentną maszynę. Znacznie mniej miejsca poświęcali konsekwencjom społecznym jej rozpowszechnienia.
Nie rozważali szerzej ochrony prywatności, dezinformacji, uprzedzeń zapisanych w danych, praw autorskich ani wpływu automatyzacji na rynek pracy. Nie mogli również przewidzieć skali infrastruktury potrzebnej współczesnym modelom.
AI nie jest bowiem wyłącznie algorytmem. Potrzebuje centrów danych, wyspecjalizowanych procesorów, energii, systemów chłodzenia oraz bardzo szybkich sieci łączących tysiące urządzeń. Im większe modele, tym ważniejsze stają się dostęp do infrastruktury, jej bezpieczeństwo i kontrola nad przetwarzanymi danymi.
W 1955 roku pytano: „czy maszyna może być inteligentna?”. Dzisiaj musimy pytać również: „kto będzie miał dostęp do inteligentnych maszyn, na jakich zasadach będą działały i kto poniesie odpowiedzialność za ich decyzje?”.
AI narodziła się blisko telekomunikacji
Jednym z autorów propozycji był Claude Shannon, naukowiec Bell Telephone Laboratories i twórca matematycznej teorii informacji. Jego prace pozwoliły opisać ilość informacji, przepustowość kanału oraz warunki niezawodnego przesyłania danych mimo obecności zakłóceń.
W dokumencie z Dartmouth zagadnienia inteligencji łączyły się z komunikacją, teorią informacji, automatyką i budową komputerów. Nie jest to wyłącznie historyczna ciekawostka. Współczesna AI także zależy od sprawnej komunikacji: dane muszą być przesyłane pomiędzy procesorami, serwerami i centrami danych, a wyniki trafiać do milionów użytkowników.
Zależność działa również w drugą stronę. Sztuczna inteligencja może pomagać w zarządzaniu sieciami telekomunikacyjnymi, przewidywaniu ruchu, wykrywaniu awarii i anomalii oraz optymalizacji wykorzystania zasobów. Granice między informatyką, telekomunikacją i AI coraz bardziej się zacierają.
Od historycznego dokumentu do współczesnych wyzwań IŁ
Rozwój sztucznej inteligencji należy dziś do obszarów analizowanych przez Instytut Łączności – Państwowy Instytut Badawczy. Eksperci IŁ badają zarówno zastosowania AI w telekomunikacji, jak i jej znaczenie dla infrastruktury, gospodarki oraz cyfrowej suwerenności państwa.
Przygotowana przez Instytut analiza polskiego ekosystemu AI objęła 17 krajowych ośrodków i ich specjalizacje – od medycyny i genomiki, przez technologie kosmiczne i przemysł, po telekomunikację, rolnictwo oraz gospodarkę morską.
IŁ wspiera również Ministerstwo Cyfryzacji w przygotowaniach do polskiego udziału w inicjatywie gigafabryk AI. Prace obejmują między innymi analizę wymagań technicznych, warunków organizacyjnych i modelu finansowania infrastruktury, która ma zapewnić dostęp do mocy obliczeniowej nauce, administracji oraz przedsiębiorstwom.
To droga od pytania o możliwość skonstruowania inteligentnej maszyny do decyzji o tym, jak budować całe środowisko potrzebne do jej działania.
Pytania pozostały, zmieniła się stawka
Naukowcy zgromadzeni w Dartmouth nie rozwiązali problemu sztucznej inteligencji w ciągu jednego lata. Zaproponowali jednak język i program badań, które przetrwały kolejne dekady.
Maszyny posługują się dzisiaj językiem, uczą się na przykładach, tworzą obrazy i pomagają rozwiązywać coraz bardziej złożone problemy. Każda odpowiedź przyniosła jednak następne pytania: o wiarygodność, odpowiedzialność, bezpieczeństwo, własność danych, zapotrzebowanie na energię i kontrolę nad infrastrukturą.
Być może właśnie to najlepiej pokazuje znaczenie dokumentu z 31 sierpnia 1955 roku. Nie zawierał gotowego przepisu na sztuczną inteligencję. Trafnie wskazał jednak pytania, od których nadal nie potrafimy się uwolnić.
[Źródło zdjęcia: The Minsky Family. Przekształcono z użyciem AI.]