Hva er historien om kunstig intelligens? Full oversikt

Når du ser deg rundt på internett i dag, vil du med stor sannsynlighet finne AI-elementer i alle former og fasonger overalt.

Det er ikke lenger som tatt ut av en sci-fi-film.

Fra telefonens autokorrekturfunksjon til Netflix-anbefalinger og ChatGPT-fanen som er åpen akkurat nå, dukket det ikke opp over natten som en viral TikTok-sensasjon - det har vært her og utviklet seg foran øynene på oss.

Det er utrolig hvor langt vi har kommet fra "tenk om maskiner kunne tenke" til "ChatGPT, skisser meg en forretningsstrategi som varer i ett år".

I løpet av utviklingen har kunstig intelligens hatt mange fiaskoer og gjennombrudd, og den har frembrakt mange geniale tenkere.

I dette innlegget skal vi ikke bare gå tilbake i tid, men også finne ut hvordan AI ble en del av den daglige samtalen.

Spoilervarsel: Det innebærer mye mer matteangst og eksistensiell redsel enn du forventer.

---

Det viktigste å ta med seg

• Forskningen på kunstig intelligens begynte på 1940-tallet, da de første datapionerene drømte om tenkende maskiner.

• Feltet ble offisielt lansert i 1956 på Dartmouth-konferansen, der begrepet "kunstig intelligens" ble skapt.

• AI opplevde flere "vintre" der finansieringen tørket inn og søkelyset bleknet.

• Moderne AI-gjennombrudd kom ved å kombinere massive datasett med kraftig databehandling.

• Dagens generative AI representerer det siste kapittelet i en 70 år lang historie om menneskelige ambisjoner.

---

Hvordan AI utviklet seg fra teori til virkelighet

Tenk på AIs historie som karrieren til favorittbandet ditt. 

Det begynte med undergrunnsårene, da bare de virkelige fansen fulgte med.

Så kom gjennombruddet som alle hevder at de hadde sett komme.

Noen flopp og comeback senere er de plutselig overalt, og foreldrene dine spør om dem.

AI fulgte nøyaktig denne utviklingen. Tidlige forskere prøvde ikke å bygge ChatGPT.

De stilte grunnleggende spørsmål: Kan maskiner tenke? Kan de lære? Kan de løse problemer slik mennesker gjør?

Svaret viste seg å være "på en måte, men det er komplisert". 

Opprinnelsen til AI (før 1950-tallet)

Før vi fikk datamaskiner, hadde vi drømmere. Gamle myter fortalte historier om kunstige vesener som ble vekket til live.

Den greske mytologien ga oss Talos, bronsekjempen som beskyttet Kreta. I jødisk folklore fantes golems, som er leirskikkelser som besjelet av mystiske ord.

Men den virkelige opprinnelseshistorien til AI starter under andre verdenskrig med Alan Turing. Turing knekte nazistenes koder og la grunnlaget for moderne databehandling. Snakk om multitasking.

I 1936 ble Turing introduserte konseptet med en universell datamaskin.

Denne teoretiske enheten kan utføre alle beregninger hvis den får de riktige instruksjonene.

Det høres litt kjedelig ut, helt til du innser at denne ideen ble grunnlaget for alle datamaskiner du noen gang har brukt, inkludert den du leser denne artikkelen på.

Krigen satte fart i alt og skapte en trenger for innovasjon. Plutselig brukte myndighetene budsjettene sine på all teknologi som kunne gi dem et forsprang.

De første elektroniske datamaskinene vokste frem i dette trykkokermiljøet. 

Maskiner som ENIAC fylte hele rom og trengte team av ingeniører for å fungere, men de kunne regne ut på sekunder hva mennesker brukte timer på.

På slutten av 1940-tallet begynte forskerne å lure: Hvis disse maskinene kan regne, kan de da også tenke? 

1950s: Fødselen av kunstig intelligens

Året 1956 var AIs viktigste øyeblikk. En gruppe forskere samlet seg på Dartmouth College i New Hampshire til en sommerworkshop som skulle komme til å forandre alt.

John McCarthy, Marvin Minsky, Nathaniel Rochester og Claude Shannon låste seg inn i et rom og bestemte seg for å skape tenkende maskiner.

De skapte begrepet "kunstig intelligens" og la frem et ambisiøst veikart. 

Disse forskerne mente at maskiner i løpet av en generasjon ville være i stand til å løse alle problemer mennesker kunne løse.

Til syvende og sist bommet de med flere tiår, men selvtilliten deres var beundringsverdig.

Dartmouth-konferansen lanserte kunstig intelligens som et legitimt fagfelt.

Plutselig opprettet universitetene AI-laboratorier, myndighetene skrev ut sjekker, og forskerne kom med dristige spådommer om fremtiden.

Alan Turing hadde allerede gitt dem et forsprang med sin berømte test.

Turing-testen stilte et enkelt spørsmål: Hvis du har en samtale med noe og ikke kan se om det er et menneske eller en maskin, spiller det noen rolle? 

Det er den ultimate "fake it till you make it"-filosofien, og den er fortsatt relevant i dag.

1960-1970-tallet: Tidlig optimisme og de første modellene

1960-tallet startet med et utrolig momentum. Forskerne hadde finansiering, medieoppmerksomhet og en klar misjon. Hva kunne gå galt?

Alt, skulle det vise seg.

Tidlige AI-programmer fungerte godt i kontrollerte omgivelser, men falt fra hverandre når de ble stilt overfor kompleksiteten i den virkelige verden.

Det er som å være fantastisk til å spille basketball i oppkjørselen, men som å falle helt sammen under en kamp.

ELIZAsom ble utviklet av Joseph Weizenbaum i 1964, kunne føre samtaler ved å gjenkjenne nøkkelord og svare med forhåndsprogrammerte setninger.

Det var en mer sofistikert versjon av Magic 8-Ball-leken, og folk elsket den.

ELIZA jobbet med mønstermatching og substitusjon. Hvis du sa "Jeg er trist", kunne den svare med "Hvorfor er du trist?"

Det var enkelt, men effektivt nok til å lure noen brukere til å tro at de snakket med en ekte terapeut. Weizenbaum ble forferdet da folk begynte å knytte følelsesmessige bånd til programmet hans.

Uoppdagelige AI-er Spør AI fungerer på samme måte. Du kan bruke den til å simulere eller forklare hvordan tidlige AI-modeller som ELIZA fungerte sammenlignet med moderne språkmodeller.

Forskjellen er imidlertid forbløffende. ELIZA lekte ordassosiasjon, mens dagens AI faktisk kan forstå konteksten og generere sammenhengende svar.

I mellomtiden tok forskerne fatt på mer ambisiøse prosjekter. Terry Winograds SHRDLU kunne forstå og manipulere objekter i en virtuell verden laget av blokker.

Den kan følge komplekse instruksjoner som "Legg den røde klossen oppå den grønne, men flytt først den blå klossen ut av veien".

SHRDLU var imponerende, men det fungerte bare i sin lille blokkverden. Hvis du prøvde å utvide det til den virkelige verden, ville det krasje hardere enn den bærbare datamaskinen din under eksamensuken.

Problemet var ikke bare teknisk. Forskerne oppdaget at intelligens er langt mer komplisert enn de trodde.

Ting mennesker gjør uten problemer, som å gjenkjenne et ansikt eller forstå sarkasme, viste seg å være utrolig vanskelig for maskiner.

1980s: Ekspertsystemer og kommersiell AI

Akkurat da alle trodde at kunstig intelligens var død, kom den tilbake med full styrke. På 1980-tallet kom ekspertsystemene, og plutselig tjente kunstig intelligens store penger.

Ekspertsystemer skilte seg fra tidligere AI-tilnærminger. I stedet for å forsøke å gjenskape generell intelligens, fokuserte de på spesifikke domener der menneskelige eksperter hadde dyp kunnskap.

Tenk på dem som veldig smarte, spesialiserte konsulenter.

• MYCIN diagnostiserte blodinfeksjoner. 
• DENDRAL identifiserte kjemiske forbindelser. 
• XCON konfigurerte datasystemer. 

Disse programmene fanget opp kunnskapen til menneskelige eksperter og gjorde den tilgjengelig for andre.

Den viktigste innsikten var at man ikke trengte generell intelligens for å være nyttig.

Du trengte bare å være veldig god på én ting. Det er som den personen som vet alt om Marvel-filmer, men som ikke husker hvor de la igjen nøklene sine.

Bedrifter begynte å få øynene opp. Ekspertsystemer kunne løse reelle problemer og spare penger. Medisinsk diagnostisering, økonomisk planlegging, feilsøking av utstyr - KI var ikke lenger bare en akademisk kuriositet.

Den japanske regjeringen lanserte Femte generasjons dataprojektDe planla å skape intelligente datamaskiner i løpet av 1990-tallet. Andre land fikk panikk og satte i gang egne AI-initiativer.

Romkappløpet var over, så hvorfor ikke ha et AI-kappløp i stedet?

Ekspertsystemer hadde imidlertid sine begrensninger. De krevde omfattende kunnskapsutvikling, manuell koding av menneskelig ekspertise til maskinlesbare regler.

Det var som å prøve å lære noen å sykle ved å skrive ned alle mulige scenarioer de kunne komme ut for.

1990s: AI blir (i det stille) mainstream

1990-tallet var AI-fagets vanskelige tenåringsår. Feltet gjennomgikk endringer, fant sin identitet og snakket definitivt ikke om følelsene sine.

Boomen for ekspertsystemer hadde kjølnet. Systemene var dyre å vedlikeholde og kunne ikke tilpasse seg nye situasjoner. Bedrifter begynte å se seg om etter alternativer.

Men AI forsvant ikke. Den sluttet bare å kalle seg AI.

Maskinlæringsteknikker som hadde blitt utviklet i akademiske laboratorier, begynte å få praktisk anvendelse.

AI var overalt i form av spamfiltre for e-post, kredittkortsvindel og anbefalingssystemer, men ingen skrøt av det.

Dette var smart markedsføring. Begrepet "kunstig intelligens" hadde for mye bagasje fra tidligere sykluser. Folk syntes det var bedre å snakke om "statistisk analyse", "mønstergjenkjenning" eller "beslutningsstøttesystemer".

Det virkelige gjennombruddet kom som følge av et skifte i tilnærming.

Og ingen kalte det AI. Det ville ha vært altfor åpenbart.

2000s: Grunnlaget for moderne kunstig intelligens

2000-tallet la grunnlaget for alt som skjer innen kunstig intelligens i dag.

Det er som en treningssekvens i en sportsfilm, bortsett fra at den varte i ti år og inneholdt mye mer matte.

Flere faktorer bidro til å skape perfekte forhold for utviklingen av kunstig intelligens. Datakraft ble billigere og kraftigere.

Internett hadde skapt enorme datasett. Og forskerne hadde funnet ut hvordan man effektivt kunne trene opp nevrale nettverk.

I mellomtiden har teknologiselskaper i det stille bygge kunstig intelligens inn i alt.

Googles søkealgoritme brukte maskinlæring til å rangere nettsider. Amazons anbefalingsmotor drev salg for milliarder av kroner. Facebooks nyhetsfeed-algoritme bestemte hva millioner av mennesker så hver dag.

Da iPhone ble lansert i 2007, fikk alle en kraftig datamaskin i lommen, og den genererte uante mengder personopplysninger.

Hvert trykk, sveip og søk ble et datapunkt som kunne brukes til å trene opp bedre AI-systemer.

På slutten av tiåret var kunstig intelligens integrert i den digitale infrastrukturen i det moderne livet.

De fleste var ikke klar over det, men de samhandlet med AI-systemer flere titalls ganger om dagen.

2010s: Dyp læring og stordata

På 2010-tallet gikk kunstig intelligens fra å være et "fint teknisk triks" til å bli "fy faen, dette forandrer alt".

Dyp læring startet tiåret med et brak. I 2012 ble et nevralt nettverk kalt AlexNet knuste konkurrentene i en konkurranse om bildegjenkjenning.

Det var ikke bare bedre enn andre AI-systemer - det var bedre enn menneskelige eksperter.

Dette skulle ikke skje ennå. 

De hemmelige ingrediensene var større datasett, kraftigere datamaskiner og bedre opplæringsteknikker.

Grafikkprosessorenheter (GPU-er), som opprinnelig ble utviklet for videospill, viste seg å være perfekte til å trene opp nevrale nettverk. Spillere skapte ved et uhell maskinvaren som skulle drive AI-revolusjonen.

Mediene kunne ikke få nok. Hvert eneste AI-gjennombrudd skapte overskrifter. Deep Blue slår Kasparov i sjakk på 1990-tallet var imponerende, men at AlphaGo slo verdensmesteren i Go i 2016 var overveldende.

Go skulle være for komplisert til at datamaskiner kunne mestre det.

Har du ikke peiling på disse avanserte teknologiene? Moderne AI-verktøy som Uoppdagelig AI AI-chat kan forklare komplekse AI-konsepter som konvolusjonelle nevrale nettverk eller forsterkningslæring for ikke-tekniske målgrupper.

De samme dybdelæringsteknikkene som brukes i bildegjenkjenning, brukes også i dagens språkmodeller.

Autonome kjøretøyer har fanget alles fantasi. Selvkjørende biler gikk fra science fiction til "kommer neste år" (et løfte som fortsatt blir gitt, men med større forsiktighet i disse dager).

Virtuelle assistenter ble mainstream. Siri, Alexa og Google Assistant brakte AI inn i millioner av hjem.

Alle hadde nå samtaler med enhetene sine, selv om disse samtalene for det meste var "spill musikken min" og "hvordan er været?"

Tiåret ble avsluttet med fremveksten av transformatorarkitekturer og oppmerksomhetsmekanismer.

Disse nyvinningene skulle vise seg å bli avgjørende for den neste fasen av AI-utviklingen, selv om de fleste aldri hadde hørt om dem.

2020s: Generativ AI og store språkmodeller

2020-tallet startet med en pandemi, men AI-forskerne var for opptatt med å forandre verden til å legge merke til det.

OpenAIs GPT-modeller gikk fra å være interessante forskningsprosjekter til å bli kulturelle fenomener. GPT-3 ble lansert i 2020 og slo alle med storm med sin evne til å skrive sammenhengende tekst om nesten hvilket som helst emne.

Deretter ChatGPT ble til i slutten av 2022 og knuste internett. I løpet av få dager hadde millioner av mennesker samtaler med kunstig intelligens for første gang.

Studenter brukte den til lekser. Arbeidstakere automatiserte deler av jobben sin. Innholdsskapere genererte ideer raskere enn noensinne.

Responsen var umiddelbar og intens. Noen mennesker ble forbløffet. Andre var livredde. De fleste var et sted midt imellom, og prøvde å finne ut hva dette betydde for karrierene deres og barnas fremtid.

Generativ kunstig intelligens ble den største teknologihistorien siden iPhone. 

Alle selskaper begynte å legge til AI-funksjoner. Alle nystartede selskaper hevdet at de var "AI-drevne".

Hver konferanse hadde minst tolv paneler om fremtiden for kunstig intelligens.

Det er her verktøy som Undetectable AIs AI SEO-skribent, AI Essay Writer, og AI Humanizer passer inn i historien.

Disse moderne applikasjonene representerer den praktiske utviklingen av generativ AI-teknologi. De tar utgangspunkt i de samme underliggende modellene som ChatGPT og bruker dem på spesifikke bruksområder.

Bildegenereringen fulgte en lignende utvikling. DALL-E, Midjourney og Stable Diffusion kunne skape fotorealistiske bilder fra tekst beskrivelser. Kunstnerne var like begeistret som bekymret.

Teknologien ble forbedret i rasende fart. Modellene ble større, smartere og mer kapable. GPT-4 kunne bestå profesjonelle eksamener og skrive kode.

Claude kunne føre nyanserte samtaler om komplekse emner. Bard kunne søke på nettet og gi aktuell informasjon.

Viktige milepæler i AI-historien

Noen øyeblikk i AI-historien fortjener spesiell anerkjennelse.

Dette er ikke bare tekniske prestasjoner, men kulturelle vendepunkter som har endret hvordan vi tenker om kunstig intelligens.

1. Dartmouth-konferansen (1956) lanserte offisielt feltet og ga KI sitt navn. Uten denne konferansen ville vi kanskje kalt det "maskinintelligens" eller "computational thinking" eller noe annet like kjedelig.
2. Deep Blue slo Garry Kasparov i sjakk (1997), og det var AIs første mainstream-øyeblikk. Millioner av mennesker så en datamaskin overgå en av menneskehetens største strategiske hjerner. Fremtiden føltes plutselig veldig virkelig og litt skremmende.
3. IBM Watson vinner i Jeopardy! (2011) viste at kunstig intelligens kunne håndtere naturlig språk og generell kunnskap. Det var både imponerende og urovekkende å se en datamaskin klare Daily Double.
4. AlphaGo slår Lee Sedol i Go (2016) var et teknisk mesterverk. Go har flere mulige posisjoner på brettet enn det finnes atomer i det observerbare universet, men DeepMinds system fant vinnende strategier som menneskelige eksperter aldri hadde vurdert.
5. ImageNet-gjennombruddet (2012) sparket i gang revolusjonen innen dyp læring. AlexNets seier i bildegjenkjenningskonkurransen beviste at nevrale nettverk var klare for "prime time".
6. Utgivelsen av GPT-3 (2020) demokratiserte generering av AI-innhold. Plutselig fikk alle tilgang til kraftige språkmodeller via enkle nettgrensesnitt.
7. ChatGPTs lansering (2022) brakte AI ut til massene. I løpet av to måneder hadde den 100 millioner brukere, noe som gjorde den til den raskest voksende forbrukerapplikasjonen i historien.

Hver milepæl bygger på tidligere arbeid, samtidig som den åpner for nye muligheter.

Det er slik fremskrittet fungerer: gradvise forbedringer, avbrutt av gjennombruddsøyeblikk som får alle til å revurdere hva som er mulig.

AI-vintre og comebacks

AIs historie er ikke en rett linje av fremgang. Den er mer som en berg-og-dal-bane designet av noen med engasjementsproblemer.

Feltet har opplevd flere "AI-vintre", perioder der finansieringen har tørket inn, forskere har byttet felt, og mediene har erklært AI for dødt.

Dette var ikke bare mindre tilbakeslag, men eksistensielle kriser som nesten tok knekken på AI-forskningen.

Hva forårsaket AI-vintrene?

Den første AI-vinteren kom på midten av 1970-tallet. Tidlige forskere hadde kommet med dristige spådommer om at vi ville oppnå intelligens på menneskenivå i løpet av noen tiår. Da spådommene ikke slo til, begynte skuffelsen å melde seg.

Offentlige finansieringsorganer begynte å stille ubehagelige spørsmål. Hvor var tenkemaskinene de var blitt lovet?

Hvorfor var AI-systemene fortsatt så begrensede? Hva gjorde egentlig forskerne med alle disse pengene?

Den britiske regjeringen bestilte Lighthill-rapporten i 1973som mente at AI-forskningen var overhypet og leverte for lite.

Finansieringen ble kuttet dramatisk. Lignende gjennomganger i andre land kom frem til lignende konklusjoner.

Den andre AI-vinteren kom på slutten av 1980-tallet, etter at ekspertsystemboblen sprakk. Selskaper hadde investert store summer i AI-teknologi, men opplevde at det var vanskelig å vedlikeholde og skalere den.

Markedet kollapset, og mange nystartede AI-virksomheter ble tatt med i fallet.

Begge vintrene hadde mange fellestrekk. Urealistiske forventninger førte til overdimensjonerte løfter. Når virkeligheten ikke stemte overens med løftene, var motreaksjoner uunngåelige.

Forskerne lærte verdifull lærdom om å styre forventningene og fokusere på praktiske anvendelser.

Fremtiden for kunstig intelligens: Hva blir det neste?

Å forutsi AIs fremtid er som å prøve å spå været ved hjelp av en Magic 8-Ball. Det er mulig, men treffsikkerheten din vil sannsynligvis ikke imponere noen.

Noen trender ser likevel ut til å fortsette. AI-systemene vil bli mer kompetente, mer effektive og mer integrert i dagliglivet.

Spørsmålet er ikke om AI vil bli mer kraftfull - det er hvordan samfunnet vil tilpasse seg denne kraften.

• Generativ AI vil sannsynligvis bli stadig bedre til å skape innhold som er umulig å skille fra menneskelig arbeid. Kunstnere, forfattere og innholdsskapere må finne ut hvordan de kan konkurrere med eller samarbeide med AI-systemer.
• Autonome systemer vil bli mer vanlig. Selvkjørende biler kan endelig leve opp til løftene sine. Leveringsdroner kan fylle luftrommet. Robotarbeidere kan ta seg av farlige eller repetitive jobber.
• Forskning på KI-sikkerhet blir stadig viktigere etter hvert som systemene blir kraftigere. Vi trenger bedre metoder for å sikre at AI-systemer oppfører seg som tiltenkt og ikke forårsaker utilsiktet skade.
• De økonomiske konsekvensene er svimlende. Noen jobber vil forsvinne. Nye jobber vil dukke opp. Overgangen kan bli smidig eller kaotisk, avhengig av hvor godt vi forbereder oss.
• Regulering vil spille en større rolle. Myndighetene jobber allerede med rammeverk for styring av KI. Utfordringen er å lage regler som beskytter mennesker uten å kvele innovasjonen.
• Demokratiseringen av kunstig intelligens vil fortsette. Verktøy som tidligere krevde ekspertise på doktorgradsnivå, blir nå tilgjengelige for alle. Dette kan frigjøre enorm kreativitet og innovasjon, eller det kan skape nye problemer vi ikke har forutsett ennå.

Finn flere nyttige verktøy her, eller prøv vår AI Detector og Humanizer i widgeten nedenfor!

Denne historien skriver seg selv ... nesten

AIs historie er et bevis på menneskets ambisjoner, som gjør umulige drømmer til virkelighet.

Fra Turings teorier til dagens generative modeller har fremskrittet kommet ved å takle uløselige problemer med utholdenhet.

Hver epoke har føltes revolusjonerende, men dagens raske tempo og omfang er uten sidestykke.

Kunstig intelligens er i bunn og grunn flere tiår med arbeid utført av geniale hoder. Historien er langt fra over. Det neste gjennombruddet kan komme fra hvor som helst, og effekten av det vil avhenge av valgene vi tar nå.

Vi har forestilt oss kunstige hjerner i årtusener, og i dag bygger vi dem.

Med uoppdagelig AI AI SEO-skribent, AI-chat, AI Essay Writer, og AI Humanizerkan du skape naturlig klingende innhold av høy kvalitet som er optimalisert, engasjerende og unikt for deg.

Prøv Ikke påvisbar AI og ta din AI-drevne skriving til neste nivå.