Süni intellektin tarixi: Turingdən ChatGPT-yə

Turing və Dartmouth AI tarixini necə başlatdı?

Alan Turing 1950-ci ildə “Computing Machinery and Intelligence” məqaləsini “Maşınlar düşünə bilərmi?” sualı ilə açdı, sonra mübahisəni müşahidə edilən davranışa çevirmək üçün imitation game təklif etdi. Mind jurnalında yayımlanan orijinal məqalə sonradan Turing testi adlanan fikrin əsas mənbəyidir. Test şüuru ölçən cihaz deyil; yazılı dialoqda maşınla insanı ayırmağın nə qədər mümkün olduğunu soruşan düşüncə təcrübəsidir.

1955-ci il təklifinin ardınca 1956-cı yayında Dartmouth College-də tədqiqat görüşü keçirildi. John McCarthy, Marvin Minsky, Nathaniel Rochester və Claude Shannon öyrənmənin və zəkanın bəzi tərəflərinin maşında simulyasiya oluna biləcəyi fərziyyəsini iş proqramına çevirdilər. Dartmouth-un arxiv xülasəsi “artificial intelligence” termininin bu layihə ilə sahənin adına çevrildiyini təsdiqləyir.

Başlanğıcdakı nikbinlik təsadüfi deyildi. Kompüterlər riyazi sübut, oyun və simvol emalı kimi tapşırıqlarda yeni nəticələr göstərirdi. Problem miqyas idi. Laboratoriyada bir neçə qayda ilə işləyən sistem gündəlik dünyanın qeyri-müəyyən dilini, istisnalarını və böyük məlumatını eyni rahatlıqla daşıya bilmirdi.

Simvolik AI niyə yüksəldi və AI qışları niyə başladı?

İlk onilliklərdə əsas xətt simvolik AI idi: dünya anlayışları simvollar, qaydalar və məntiq əlaqələri ilə təsvir olunurdu. Proqram şahmat gedişini axtara, teoremi sübut edə və müəyyən sahədə “əgər, onda” qaydaları ilə məsləhət verə bilirdi. Yanaşma izah olunan qərar yaratdığı üçün cəlbedici idi.

Ekspert sistemləri 1970 və 1980-ci illərdə bu ideyanı təşkilatlara apardı. Mütəxəssis biliyi qayda bazasına yazılır, inference engine həmin qaydalardan nəticə çıxarırdı. Dar və sabit sahədə işləyə bilirdi. Qayda sayı artdıqca saxlanma çətinləşir, istisna və dəyişən dünya bilik bazasını tez köhnəldirdi.

Gözlənti imkanın qabağına keçəndə maliyyə və maraq azaldı. “AI qışı” termini tədqiqatın tam dayanmasını yox, vədlə nəticə arasındakı fərqə görə investisiya və ictimai marağın soyumasını təsvir edir. Tarixdə bu soyuma bir dəfədən çox yaşandı. Hər dəfə səbəb yalnız zəif alqoritm deyildi; bahalı hesablama, az məlumat və düzgün qiymətləndirmə çatışmazlığı da rol oynayırdı.

1997-ci ildə IBM Deep Blue-nun dünya şahmat çempionu Garry Kasparovu standart turnir şərtlərində matçda məğlub etməsi AI-ni yenidən ictimai səhnəyə çıxardı. IBM tarixçəsinə görə sistem saniyədə 200 milyon şahmat mövqeyini qiymətləndirə bilirdi. Bu nəticə ümumi zəka deyildi; xüsusi aparat, axtarış və şahmat biliyinin dar tapşırıqda birləşməsi idi.

Maşın öyrənməsi və dərin öyrənmə nəyi dəyişdi?

Simvolik yanaşmada bilik əsasən insan tərəfindən qayda kimi yazılırdı; maşın öyrənməsində əlaqə nümunələrdən hesablanır. İnternet daha çox rəqəmsal məlumat yaratdı, GPU-lar paralel hesablama imkanını genişləndirdi, alqoritm və training təcrübəsi yetişdi. Ayrı-ayrılıqda köhnə olan ideyalar birlikdə yeni miqyas qazandı.

2012-ci ildə Alex Krizhevsky, Ilya Sutskever və Geoffrey Hintonun dərin convolutional neyron şəbəkəsi ImageNet təsnifat yarışında diqqət çəkən nəticə göstərdi. AlexNet məqaləsi 1,2 milyon yüksək keyfiyyətli şəkil üzərində böyük şəbəkənin GPU ilə öyrədildiyini sənədləşdirir. Dönüş tək alqoritm deyildi; məlumat, hesablama və model ölçüsü eyni nöqtədə görüşmüşdü.

Google DeepMind tarixçəsinə görə AlphaGo 2016-cı ilin martında Lee Sedolu beş oyundan dördündə məğlub etdi. Bundan əvvəl yayımlanan Nature məqaləsi sistemin mövqeyi qiymətləndirən value network, gediş seçən policy network, ağac axtarışı, insan oyunlarından supervised learning və özünə qarşı oyunlardan reinforcement learning istifadə etdiyini göstərirdi. Hadisə “maşın intuitivdir” şüarından daha maraqlı bir dərs verdi: müxtəlif metodların düzgün arxitekturadakı birliyi tək metoddan güclü ola bilər.

Bu mərhələ bugünkü maşın öyrənməsi və neyron şəbəkə sistemlərinin elmi əsasını kütləvi məhsullara yaxınlaşdırdı. Yenə də hər yaxşı benchmark real istifadə zəmanəti deyildi. Laboratoriya nəticəsini məhsula çevirmək üçün məlumat axını, gecikmə, təhlükəsizlik, xərc və insan nəzarəti lazım idi.

Transformer arxitekturası ChatGPT-yə necə yol açdı?

2017-ci ildə “Attention Is All You Need” məqaləsi ardıcıl məlumatı emal etmək üçün recurrence və convolution-a söykənməyən Transformer arxitekturasını təqdim etdi. NeurIPS-də yayımlanan iş machine translation tapşırıqlarında keyfiyyətlə yanaşı daha çox paralelləşə bilən training göstərirdi. Sonrakı böyük dil modellərinin miqyaslanmasında bu paralellik əsas rol oynadı.

Transformer mətn daxilində hansı hissələrin bir-biri ilə əlaqəli olduğunu attention mexanizmi ilə hesablayır. Böyük məlumat və hesablama ilə növbəti token proqnozu üzərində öyrədilən modellər xülasə, tərcümə, sual-cavab və kod kimi çoxlu dil tapşırığını eyni baza üzərində yerinə yetirə bildi. Bu, ayrıca hər tapşırıq üçün model qurmaq vərdişini dəyişdi.

30 noyabr 2022-də OpenAI ChatGPT-ni research preview kimi təqdim etdi. Orijinal təqdimat səhifəsi dialoq formatının əlavə suallara cavab vermək, yanlış ilkin şərtə etiraz etmək və bəzi uyğun olmayan sorğuları rədd etmək üçün nəzərdə tutulduğunu bildirirdi. Texniki modeldən əlavə, söhbət interfeysi və geniş əlçatanlıq AI-ni tədqiqat demosundan gündəlik iş alətinə çevirdi.

Sonrakı illərdə axtarış, fayl analizi, multimodal giriş, şəkil, səs, yaddaş və agent rejimləri dialoqa əlavə olundu. Məhsul dəyişdi, əsas risk qaldı: dil baxımından inandırıcı cavab fakt baxımından səhv ola bilər. Bugünkü imkan və nəzarətləri ChatGPT bələdçisi tarixdən ayıraraq cari vəziyyətlə izah edir.

AI tarixi bugünkü qərara nə deyir?

Birinci dərs budur: demo ilə dayanıqlı sistem arasında böyük məsafə var. ELIZA sadə qaydalarla dialoq hissi yaradırdı; müasir model daha mürəkkəbdir, amma insanın mənanı axıcılıqdan çıxarma meyli dəyişməyib. Ekran bizi heyrətləndirəndə test meyarını sərtləşdirmək lazımdır.

İkinci dərs odur ki, sıçrayışlar adətən tək ideyadan gəlmir. AlexNet üçün neyron şəbəkə, ImageNet məlumatı və GPU; AlphaGo üçün şəbəkə, axtarış və reinforcement learning; ChatGPT üçün Transformer, miqyas, uyğunlaşdırma və məhsul interfeysi birlikdə işləyirdi. Buna görə “ən yaxşı model” təkbaşına ən yaxşı sistem demək deyil.

Üçüncü dərs gözlənti idarəsidir. AI qışları texnologiyanın yox olması deyildi, vədlə real nəticənin ayrılması idi. Bu gün şirkət üçün daha sağlam sual “AI gələcəyi dəyişəcəkmi?” yox, “bu prosesdə hansı ölçülən nəticəni hansı xərc və risklə dəyişir?” sualıdır.

• Yeni məhsul iddiasını tarixi analogiya ilə yox, öz test dəstinizlə ölçün.
• Benchmark nəticəsini canlı proses və yerli dil nəticəsi ilə qarışdırmayın.
• Model, məlumat, hesablama, interfeys və insan nəzarətini vahid sistem kimi qiymətləndirin.
• Proqnozu fakt, dar üstünlüyü ümumi zəka kimi təqdim etməyin.
• Versiya və tarix qeyd edin; AI məhsulunun bugünkü xüsusiyyəti sabah dəyişə bilər.

Tarixdə düz xətt yoxdur

AI tarixi “maşın getdikcə insan oldu” hekayəsi deyil. Konkret tapşırıq, daha çox məlumat, yeni hesablama üsulu və daha əlçatan interfeys dalğalar şəklində birləşib. Hər dalğa yeni imkan açıb, sonra öz sərhədini göstərib.

ChatGPT bu xəttin sonu deyil, cari məhsul formasıdır. Növbəti dəyişiklik hansı adla gəlirsə gəlsin, tarixdən qalan yoxlama eynidir: nə ölçüldü, hansı şəraitdə işlədi və səhv olanda məsuliyyət kimdə qaldı?