In het baanbrekende artikel over AI, getiteld Computing Machinery and Intelligence, vroeg Alan Turing zich beroemd af: “Kunnen machines denken?” – of, beter gezegd, kunnen machines met succes gedachten nabootsen?
70 jaar later is het antwoord nog steeds “nee”, want een machine heeft de Turing-test niet doorstaan.
Turing verduidelijkt dat hij geïnteresseerd is in machines die “bedoeld zijn om alle bewerkingen uit te voeren die door een menselijke computer kunnen worden gedaan.” Met andere woorden, hij is geïnteresseerd in complexe digitale machines.
Omdat het bereiken van een denkende digitale machine een kwestie is van de evolutie van machines, is het reden om te beginnen bij het begin van de geschiedenis van machines.
Een machine is een apparaat dat werk verricht. In machinetermen betekent arbeid het overbrengen van energie van het ene object naar het andere. Machines stellen ons in staat meer kracht uit te oefenen en/of dit efficiënter te doen, waardoor er meer werk wordt verricht.
Moderne machines – zoals de bovenstaande robot Atlas van Boston Dynamics – gebruiken honderden onderdelen, waaronder hydraulische koppelingen, zuigers, tandwielen, kleppen, enzovoort, om complexe taken uit te voeren, zoals zelfcorrigerende stabilisatie, of zelfs backflips.
Eenvoudige machines
Echter, “eenvoudige machines” voldoen ook aan onze eerdere definitie, waaronder wielen, hefbomen, katrollen, hellende vlakken, wiggen en schroeven. In feite zijn alle mechanische machines gemaakt van een of andere combinatie van deze zes eenvoudige machines.
Atlas is niet alleen een mechanische machine, maar ook een digitale.
Eenvoudige mechanische machines zijn miljoenen jaren oud. Zo zijn “steenhouwerswerktuigen zo oud als de menselijke samenleving,” en archeologen hebben stenen werktuigen gevonden “van 1,5 tot 2 miljoen jaar geleden.”
Complexe machines
Combinaties van eenvoudige machines kunnen worden gebruikt om alles te maken, van een kruiwagen tot een fiets tot een mechanische robot.
In feite dateren gegevens over mechanische robots van meer dan 3000 jaar geleden.
De Taoïstische tekst Lieh-tzu, geschreven in de 5e eeuw voor Christus, bevat een verslag van een veel eerdere ontmoeting tussen koning Mu van de Zhou-dynastie (1023-957 v. Chr.) en een ingenieur genaamd Yen Shi. Yen Shi presenteerde de koning een levensgrote mechanische automaat in de vorm van een mens:
“De koning staarde verbaasd naar de figuur. Het liep met snelle passen en bewoog zijn hoofd op en neer, zodat iedereen het voor een levend mens zou hebben aangezien. De ambachtsman raakte de kin aan, en het begon te zingen, perfect op de maat. Toen de voorstelling ten einde liep, knipperde de robot met zijn ogen en maakte avances naar de aanwezige dames, waarop de koning woedend werd en Yen Shi ter plekke zou hebben laten executeren, ware het niet dat deze uit doodsangst de robot onmiddellijk uit elkaar haalde om hem te laten zien wat het werkelijk was. En inderdaad, het bleek slechts een constructie te zijn van leer, hout, lijm en lak…”
De koning vroeg: “Kan het zijn dat de menselijke vaardigheid op gelijke hoogte staat met die van de grote Auteur der Natuur?”
Met andere woorden, Turing’s vraag of machines mensen kunnen imiteren is in feite al duizenden jaren oud.
In diezelfde tijd creëerden Griekse wetenschappers een breed scala aan automaten. Archytas (ca. 428-347 v.Chr.) maakte een mechanische vogel die zo’n 200 meter kon vliegen, beschreven als een kunstmatig, door stoom aangedreven vliegtoestel in de vorm van een vogel.
“Archytas maakte een houten model van een duif met zoveel mechanisch vernuft en kunstzinnigheid dat het vloog.”
Sommige moderne historici menen dat het misschien werd geholpen door ophanging aan draden, maar hoe dan ook, het was een duidelijke poging om een machine te maken.
Een andere Griekse wetenschapper, Daedalus, creëerde standbeelden die bewogen:
“Daedalus zou standbeelden hebben gecreëerd die zo levensecht waren dat ze uit zichzelf konden bewegen.”
De “eerste koekoeksklok” werd beschreven in het boek The Rise and Fall of Alexandria: Birthplace of the Modern World (blz. 132):
“Spoedig waren Ctesibius’ klokken verstopt in afsluiters en kleppen, die een groot aantal apparaten aanstuurden, van klokken tot poppen tot mechanische duiven die zongen om het verstrijken van elk uur aan te geven – de allereerste koekoeksklok!”
In de loop der eeuwen werden steeds complexere constructies gebruikt om automaten te maken, zoals door de wind aangedreven bewegende machines.
Programmeerbare Complexe Mechanische Machines
Het duurde tot de 9e eeuw n.C. voor de eerste geregistreerde programmeerbare complexe mechanische machine:
“Het vroegst bekende ontwerp van een programmeerbare machine is de automatische fluitspeler die in de 9e eeuw werd beschreven door de gebroeders Musa in Bagdad.”
Dit werd ook beschreven als “het instrument dat zichzelf bespeelt.” Een boek over deze apparaten wordt bewaard in de Vaticaanse Bibliotheek.
Mechanische rekenmachines
Een andere stap op de lange weg naar moderne AI was de creatie van mechanische rekenmachines.
De eerste mechanische rekenmachine werd in de eerste helft van de 17e eeuw gebouwd door Wilhelm Schickard, die optellen en vermenigvuldigen mogelijk maakte.
De volgende mechanische rekenmachine, gebouwd door Blaise Pascal, kon ook aftrekken.
Deze machines inspireerden denkers als Gottfried Wilhelm Leibniz tot het volgende idee:
“Als elk gebied van de menselijke ervaring kan worden begrepen door middel van wiskundig denken en als denken een vorm van berekening is en berekening kan worden gemechaniseerd, dan kunnen alle vragen over de werkelijkheid in principe worden beantwoord door middel van een berekening die door een machine wordt uitgevoerd.”
In veel opzichten is dit vergelijkbaar met ons concept van Kunstmatige Algemene Intelligentie vandaag de dag.
Leibniz’s idee was dat een characteristica universalis, of een universeel logisch programma, dan alle vragen over de werkelijkheid zou kunnen beantwoorden.
Programmeerbare Rekenmachines
In 1833 combineerde Charles Babbage de 9e-eeuwse innovatie van programmeerbare machines en de 17e-eeuwse innovatie van rekenmachines om een Analytical Engine te bedenken: Een programmeerbare rekenmachine.
Babbage is er nooit in geslaagd een complete machine te bouwen, maar zijn “ponskaarten-techniek” is later gebruikt in de eerste digitale machines.
Digitale machines (computers)
De overgang van mechanische naar digitale computers was een enorme sprong voorwaarts om te komen tot waar we nu zijn.
In de late jaren ’30 en ’40 kwamen verschillende digitale computers op, die met elkaar wedijverden om de plaats van “eerste digitale computer”.
De ENIAC wordt algemeen beschouwd als de eerste digitale computer, waarvan de bouw in 1946 werd voltooid, omdat het de eerste was die volledig functioneerde.
Andere digitale computers waren onder andere de Colossus in 1943, die Britse codebrekers hielp bij het lezen van gecodeerde Duitse berichten, en de ABC-computer in 1942.
Van hieruit ging de vooruitgang snel, met ontwikkelingen zoals het opslaan van programma’s in het geheugen, RAM, real-time graphics, en transistors die relatief snel na elkaar werden uitgebracht.
Machine-leren
Eindelijk, met de komst van complexe digitale machines, kunnen we het onderwerp machine-leren aansnijden.
Zoals in het begin is uitgelegd, bracht de opkomst van machines Alan Turing ertoe om in 1950 de vraag te stellen: “Kunnen machines denken?” Vijf jaar later publiceerde Dartmouth een baanbrekend artikel over AI, en de grondbeginselen van het vakgebied zijn sindsdien gelijk gebleven.
In 1955 schreef M.L. Minsky:
Een “machine kan worden ‘getraind’ door een ’trial and error’-proces om een van een reeks input-outputfuncties te verwerven. Een dergelijke machine kan, wanneer zij in een geschikte omgeving wordt geplaatst en een criterium voor ‘succes’ of ‘mislukking’ krijgt, worden getraind om ‘doelzoekend’ gedrag te vertonen.”
Met andere woorden, algoritmen voor machinaal leren bouwen wiskundige modellen op “trainingsgegevens” om beslissingen te nemen, zonder expliciet geprogrammeerd te zijn om die beslissingen te nemen.
Dat is het belangrijkste verschil tussen een rekenmachine en machinaal leren (of AI): Een rekenmachine, of elke vorm van automatisering, heeft een vooraf bepaalde output. AI maakt probabilistische beslissingen on-the-fly.
Een mechanische machine heeft ook veel striktere fysieke beperkingen, in de zin van hoeveel machinecomponenten (bijv. katrollen, hefbomen, tandwielen) in een contraptie passen, terwijl in de CPU van een moderne digitale machine miljarden transistors kunnen passen.
De eigenlijke term “machinaal leren” werd bedacht door Arthur Samuel in 1952, nadat hij een computerprogramma had ontwikkeld voor het spelen van dammen met behulp van leren uit het hoofd.
In 1957 creëerde Frank Rosenblatt het Mark I perceptron – een supervised learning-algoritme van binaire classifiers – ten behoeve van beeldherkenning.
Na in 1958 zijn werk aan de Amerikaanse marine te hebben gepresenteerd, berichtte The New York Times:
De perceptron is “het embryo van een elektronische computer waarvan men verwacht dat hij kan lopen, praten, zien, schrijven, zichzelf kan reproduceren en zich bewust zal zijn van zijn bestaan.”
Zelfs in 1958 voorzagen onderzoekers al een dag van intelligente AI.
Latere successen waren onder meer feedforward neurale netwerken (zoals een perceptron, maar met meerdere lagen), het nearest neighbor algoritme in ’67, backpropagation op computers in de jaren ’70 (dat nu wordt gebruikt om diepe neurale netwerken te trainen), boosting algoritmen in de vroege jaren ’90, en LSTM’s in ’97.
Verbetering als gevolg van data en rekenkracht
In de recente AI-cursus van vooraanstaand AI-onderzoeker Andrew Ng merkt hij op dat er “bijna geen vooruitgang” is geboekt in Kunstmatige Algemene Intelligentie, maar dat er ongelooflijke vooruitgang is geboekt in “smalle intelligentie” – input-outputfuncties “die één ding doen, zoals een slimme luidspreker of een zelfrijdende auto.”
Op hoog niveau gaat AI nog steeds over “het leren van een functie die van x naar y leidt.”
De ongelooflijke vooruitgang die we de laatste tijd hebben gezien, is voornamelijk te danken aan een explosie van gegevens en rekenkracht, naast betere (hogere kwaliteit) gegevens en meer AI-ingenieurs.
Meer gegevens en rekenkracht verhogen natuurlijk de nauwkeurigheid van de meeste AI-modellen, vooral bij deep learning.
De democratisering van AI
Naast de evolutie van AI-architecturen, rekenkracht en data, heeft AI de laatste tijd een sterke greep gekregen op de industrie, dankzij de proliferatie van meer toegankelijke AI-tools.
De opkomst van tools die technologieën toegankelijker maken, kent een lange geschiedenis. Zo democratiseerde de drukpers van Gutenberg in de 15e eeuw de kennis.
In het internettijdperk hebben “no-code”-programma’s zoals WordPress en Wix het bouwen van sites gedemocratiseerd.
Tientallen jaren na de voorstellen voor AI in de jaren ’50 bleef AI grotendeels beperkt tot de academische wereld, zonder veel praktisch nut.
Tools zoals TensorFlow en Keras maakten het voor meer bedrijven haalbaar om AI te implementeren, hoewel het nog steeds technologisch gecompliceerde tools zijn die het gebruik van hoogbetaalde machine learning-ingenieurs vereisen.
Compounding deze kwestie van complexiteit, een tekort aan data science-professionals resulteert in torenhoge salarissen voor degenen die AI-systemen kunnen maken. Als gevolg hiervan domineren grote bedrijven zoals de FAANGs een groot deel van AI.
De opkomst van no-code AI-tools zoals Apteo verlaagt de initiële kosten, terwijl de noodzaak voor technische expertise wordt weggenomen, waardoor echt gedemocratiseerde AI mogelijk wordt.
No Code AI
No-code AI-tools zijn de logische volgende stap op weg naar de democratisering van AI.
De vroege mens maakte 2 miljoen jaar geleden steenhouwersgereedschap om meer werk te kunnen doen dan met zijn handen.
Heden ten dage maakt AI ons efficiënter en kan het werk voor ons doen, terwijl no-code AI deze voordelen voor iedereen brengt.
Met de opkomst van no-code AI-tools gaan we over naar een tijdperk van toegankelijke AI.