I den grundlæggende artikel om kunstig intelligens, med titlen Computing Machinery and Intelligence, spurgte Alan Turing som bekendt: “Kan maskiner tænke?” – eller mere præcist: “Kan maskiner med succes efterligne tænkning?”
70 år senere er svaret stadig “nej”, da en maskine ikke har bestået Turing-testen.
Turing præciserer, at han er interesseret i maskiner, der “er beregnet til at udføre alle operationer, som kan udføres af en menneskelig computer”. Med andre ord er han interesseret i komplekse digitale maskiner.
Da opnåelsen af en tænkende digital maskine er et spørgsmål om maskinernes udvikling, er der grund til at starte ved begyndelsen af maskinernes historie.
En maskine er en anordning, der udfører arbejde. I tekniske termer betyder arbejde overførsel af energi fra et objekt til et andet. Maskiner gør det muligt for os at anvende mere kraft og/eller gøre det mere effektivt, hvilket resulterer i, at der udføres mere arbejde.
Moderne maskiner – som ovenstående Boston Dynamics-robot, Atlas – bruger hundredvis af dele, herunder hydrauliske led, stempler, gear, ventiler og så videre til at udføre komplekse opgaver, såsom selvkorrigerende stabilisering eller endda backflips.
Simple maskiner
Men “simple maskiner” passer også til vores tidligere definition, herunder hjul, løftestænger, remskiver, skråplan, kiler og skruer. Faktisk består alle mekaniske maskiner af en eller anden kombination af disse seks simple maskiner.
Atlas er ikke kun en mekanisk maskine, men også en digital maskine.
Simple mekaniske maskiner er millioner af år gamle. For eksempel er “stenhuggerværktøj lige så gammelt som det menneskelige samfund”, og arkæologer har fundet stenredskaber “fra 1,5 til 2 millioner år siden.”
Komplekse maskiner
Kombinationer af simple maskiner kunne bruges til at lave alt fra en trillebør til en cykel og en mekanisk robot.
Optegnelser om mekaniske robotter går faktisk tilbage til over 3.000 år siden.
Daoistteksten Lieh-tzu, der er skrevet i det 5. århundrede f.Kr., indeholder en beretning om et meget tidligere møde mellem kong Mu fra Zhou-dynastiet (1023-957 f.Kr.) og en ingeniør ved navn Yen Shi. Yen Shi præsenterede kongen for en menneskelignende mekanisk automat i naturlig størrelse:
“Kongen stirrede på figuren i forbløffelse. Den gik med hurtige skridt og bevægede hovedet op og ned, så at enhver ville have taget den for et levende menneske. Kunstneren rørte ved dens hage, og den begyndte at synge, perfekt i melodi. Da forestillingen nærmede sig sin afslutning, blinkede robotten med øjnene og gjorde tilnærmelser til de tilstedeværende damer, hvorefter kongen blev rasende og ville have fået Yen Shi henrettet på stedet, hvis ikke denne i dødsangst straks havde taget robotten i stykker for at lade ham se, hvad den virkelig var. Og det viste sig faktisk kun at være en konstruktion af læder, træ, lim og lak…”
Kongen spurgte: “Med andre ord er Turings spørgsmål om, hvorvidt maskiner kan efterligne mennesker, faktisk tusindvis af år gammelt.”
Samtidig var græske videnskabsmænd i gang med at skabe en lang række automater. Archytas (ca. 428-347 f.Kr.) skabte en mekanisk fugl, der kunne flyve ca. 200 meter, beskrevet som en kunstig, dampdrevet flyvemaskine i form af en fugl.
“Archytas lavede en træmodel af en due med en sådan mekanisk opfindsomhed og kunstfærdighed, at den fløj.”
Nogle moderne historikere mener, at den kan have været hjulpet af ophængning i ledninger, men under alle omstændigheder var det et klart forsøg på at skabe en maskine.
En anden græsk videnskabsmand, Daidalos, skabte statuer, der bevægede sig:
“Daidalos siges at have skabt statuer, der var så naturtro, at de kunne bevæge sig af sig selv.”
Det “første gøgur” blev beskrevet i bogen The Rise and Fall of Alexandria: Den moderne verdens fødested (side 132):
“Snart var Ctesibius’ ure smurt ind i stophaner og ventiler, der styrede et væld af anordninger fra klokker til dukker til mekaniske duer, der sang for at markere, at hver time var gået – det allerførste gøglerur!”
Igennem århundrederne blev der brugt mere og mere komplekse konstruktioner til at skabe automater, såsom vinddrevne bevægelige maskiner.
Programmerbare komplekse mekaniske maskiner
Det tog indtil det 9. århundrede e.Kr. før den første registrerede programmerbare komplekse mekaniske maskine blev registreret:
“Det tidligst kendte design af en programmerbar maskine er den automatiske fløjtespiller, der blev beskrevet i det 9. århundrede af brødrene Musa i Baghdad.”
Dette blev også beskrevet som “det instrument, der spiller sig selv”. En bog om disse apparater opbevares i Vatikanbiblioteket.
Mekaniske regnemaskiner
Et andet skridt på den lange vej til moderne kunstig intelligens var skabelsen af mekaniske regnemaskiner.
Den første mekaniske regnemaskine blev bygget af Wilhelm Schickard i første halvdel af det 17. århundrede og tillod addition og multiplikation.
Den næste mekaniske lommeregner, der blev bygget af Blaise Pascal, kunne også foretage subtraktion.
Disse maskiner inspirerede tænkere som Gottfried Wilhelm Leibniz til at overveje følgende idé:
“Hvis ethvert område af den menneskelige erfaring kan forstås ved hjælp af matematisk tænkning, og hvis tænkning er en form for beregning, og beregning kan mekaniseres, så kan alle spørgsmål om virkeligheden i princippet besvares ved hjælp af en beregning, der udføres af en maskine.”
På mange måder svarer dette til vores begreb om kunstig generel intelligens i dag.
Leibniz’ idé var, at en characteristica universalis, eller et universelt logisk program, så kunne besvare alle spørgsmål om virkeligheden.
Programmerbare regnemaskiner
I 1833 kombinerede Charles Babbage det 9. århundredes innovation med programmerbare maskiner og det 17. århundredes innovation med regnemaskiner for at udtænke en Analytical Engine: En programmerbar regnemaskine.
Det lykkedes aldrig Babbage at bygge en komplet maskine, men hans “stempelkortteknik” blev senere brugt i de første digitale maskiner.
Digitale maskiner (computere)
Overgangen fra mekaniske til digitale computere var et enormt spring for at nå derhen, hvor vi er i dag.
I slutningen af 1930’erne til 40’erne dukkede flere digitale computere op, som konkurrerede om at tage pladsen som “den første digitale computer.”
ENIAC anses i vid udstrækning for at være den første digitale computer, da den blev færdigbygget i 1946, da det var den første, der var fuldt funktionsdygtig.
Andre digitale computere omfattede Colossus i 1943, som hjalp britiske kodebrydere med at læse krypterede tyske meddelelser, og ABC-computeren i 1942.
Fremskridtet herfra accelererede hurtigt, idet fremskridt som lagring af programmer i hukommelse, RAM, realtidsgrafik og transistorer blev frigivet i forholdsvis hurtig rækkefølge.
Maskinlæring
Med fremkomsten af komplekse digitale maskiner kan vi endelig tage emnet maskinlæring op.
Som udforsket i begyndelsen fik fremkomsten af maskiner Alan Turing til i 1950 at spørge, “kan maskiner tænke?”. Fem år senere udgav Dartmouth en skelsættende artikel om kunstig intelligens, og feltets grundlæggende principper har siden da været de samme.
I 1955 skrev M.L. Minsky:
En “maskine kan ‘trænes’ ved hjælp af en ‘trial and error’-proces til at tilegne sig en af en række input-output-funktioner. En sådan maskine kan, når den placeres i et passende miljø og får et kriterium for ‘succes’ eller ‘fiasko’, trænes til at udvise ‘målsøgende’ adfærd.”
Med andre ord bygger maskinlæringsalgoritmer matematiske modeller på “træningsdata” for at træffe beslutninger, uden at de eksplicit er programmeret til at træffe disse beslutninger.
Det er den afgørende forskel mellem en lommeregner og maskinlæring (eller AI): En lommeregner, eller enhver form for automat, har et forudbestemt output. AI træffer probabilistiske beslutninger on-the-fly.
En mekanisk maskine har også meget strengere fysiske begrænsninger med hensyn til, hvor mange maskinkomponenter (f.eks. remskiver, håndtag, tandhjul) der kan være plads til i en apparat, mens der i en moderne digital maskines CPU kan være plads til milliarder af transistorer.
Det egentlige udtryk “maskinlæring” blev opfundet af Arthur Samuel i 1952, efter at han havde udviklet et computerprogram til at spille dam ved hjælp af rutinelæring.
I 1957 skabte Frank Rosenblatt Mark I-perceptronen – en superviseret læringsalgoritme af binære klassifikatorer – med henblik på billedgenkendelse.
Efter at have præsenteret sit arbejde for den amerikanske flåde i 1958 rapporterede New York Times:
Perceptronen er “fosteret til en elektronisk computer, som forventes at kunne gå, tale, se, skrive, reproducere sig selv og være bevidst om sin eksistens.”
Selv i 1958 forudså forskerne en dag med intelligent intelligens med følelsesmæssig intelligens.
Sidere resultater omfattede feedforward neurale netværk (som en perceptron, men med flere lag), algoritmen for nærmeste nabo i ’67, backpropagation på computere i ’70’erne (som nu bruges til at træne dybe neurale netværk), boosting-algoritmer i begyndelsen af ’90’erne og LSTM’er i ’97.
Forbedringer på grund af data og computerkraft
I den førende AI-forsker Andrew Ng’s seneste AI-kursus bemærker han, at der er sket “næsten ingen fremskridt” inden for kunstig generel intelligens, men at der er sket utrolige fremskridt inden for “smal intelligens” – input-output-funktioner “der gør én ting som f.eks. en smart højttaler eller en selvkørende bil”.”
På et højt niveau handler AI stadig om “at lære en funktion, der kortlægger fra x til y.”
De utrolige fremskridt, vi har set på det seneste, skyldes primært en eksplosion i data og regnekraft sammen med bedre data (af højere kvalitet) og flere AI-ingeniører.
Mere data og regnekraft øger naturligvis nøjagtigheden af de fleste AI-modeller, især inden for deep learning.
Demokratiseringen af AI
Sammen med udviklingen af AI-arkitekturer, regnekraft og data har AI for nylig fået et stærkt fodfæste i industrien takket være udbredelsen af mere tilgængelige AI-værktøjer.
Den fremkomst af værktøjer, der gør teknologier mere tilgængelige, har en lang historie. F.eks. demokratiserede Gutenbergs trykpresse viden i det 15. århundrede.
I internetalderen demokratiserede “no-code”-værktøjer som WordPress og Wix opbygningen af websteder.
I årtier efter forslagene om kunstig intelligens i 50’erne var kunstig intelligens stort set begrænset til den akademiske verden, uden at der var megen praktisk anvendelse.
Værktøjer som TensorFlow og Keras gjorde det muligt for flere virksomheder at implementere AI, selv om de stadig er teknologisk komplicerede værktøjer, der kræver brug af højt betalte maskinlæringsingeniører.
Sammen med dette problem med kompleksitet resulterer en mangel på datalogiske fagfolk i tårnhøje lønninger for dem, der kan skabe AI-systemer. Som følge heraf dominerer store virksomheder som FAANG’erne en stor del af AI.
Den fremkomst af no-code AI-værktøjer som Apteo reducerer de indledende omkostninger, samtidig med at behovet for teknisk ekspertise fjernes, hvilket muliggør virkelig demokratiseret AI.
No Code AI
No code AI-værktøjer er det logiske næste skridt på vejen mod demokratisering af AI.
De tidlige mennesker lavede stenhuggerværktøjer for 2 millioner år siden for at kunne udføre mere arbejde end med deres hænder.
I dag gør AI os mere effektive og kan udføre arbejde for os, mens AI uden kode giver disse fordele til alle.
Med fremkomsten af AI-værktøjer uden kode bevæger vi os mod en æra med tilgængelig AI.