I det grundläggande dokumentet om artificiell intelligens med titeln Computing Machinery and Intelligence ställde Alan Turing den berömda frågan: ”Kan maskiner tänka?” – Eller rättare sagt, kan maskiner framgångsrikt imitera tankar?
70 år senare är svaret fortfarande ”nej”, eftersom en maskin inte har klarat Turing-testet.
Turing klargör att han är intresserad av maskiner som ”är avsedda att utföra operationer som skulle kunna utföras av en mänsklig dator”. Med andra ord är han intresserad av komplexa digitala maskiner.
Då uppnåendet av en tänkande digital maskin är en fråga om maskinernas utveckling, är det skäl att börja i början av maskinernas historia.
En maskin är en anordning som utför arbete. I tekniska termer innebär arbete att överföra energi från ett objekt till ett annat. Maskiner gör det möjligt för oss att tillämpa mer kraft och/eller göra det mer effektivt, vilket resulterar i att mer arbete utförs.
Moderna maskiner – som Boston Dynamics robot Atlas ovan – använder hundratals delar, inklusive hydrauliska leder, kolvar, kugghjul, ventiler och så vidare för att utföra komplexa uppgifter, som självkorrigerande stabilisering eller till och med backflips.
Enkla maskiner
Det finns dock ”enkla maskiner” som passar in på vår tidigare definition också, inklusive hjul, hävstänger, remskivor, snedställda plan, kilar och skruvar. Faktum är att alla mekaniska maskiner består av någon kombination av dessa sex enkla maskiner.
Atlas är inte bara en mekanisk maskin, utan även en digital maskin.
Enkla mekaniska maskiner är miljontals år gamla. Till exempel är ”stenhuggarverktyg lika gamla som det mänskliga samhället”, och arkeologer har hittat stenverktyg ”från 1,5 till 2 miljoner år sedan.”
Komplexa maskiner
Kombinationer av enkla maskiner skulle kunna användas för att göra allt från en skottkärra till en cykel och en mekanisk robot.
I själva verket finns det uppgifter om mekaniska robotar sedan över 3 000 år tillbaka.
Daoisttexten Lieh-tzu, som skrevs på 500-talet f.Kr., innehåller en redogörelse för ett mycket tidigare möte mellan kung Mu från Zhou-dynastin (1023-957 f.Kr.) och en ingenjör vid namn Yen Shi. Yen Shi presenterade kungen med en livsduglig, människoformad mekanisk automat:
”Kungen stirrade förvånat på figuren. Den gick med snabba steg och rörde huvudet upp och ner, så att vem som helst skulle ha tagit den för en levande människa. Konstnären rörde vid dess haka och den började sjunga, perfekt i melodi. Han rörde vid dess hand, och den började ta ställning i perfekt takt … När föreställningen närmade sig sitt slut blinkade roboten med ögonen och gjorde närmanden till de närvarande damerna, varpå kungen blev upprörd och skulle ha låtit avrätta Yen Shi på plats om inte denne, i dödlig rädsla, genast hade tagit roboten i bitar för att låta honom se vad den verkligen var. Och det visade sig faktiskt att den bara var en konstruktion av läder, trä, lim och lack…”
Kungen frågade: ”Med andra ord är Turings fråga om huruvida maskiner kan imitera människor faktiskt tusentals år gammal.
Turings fråga om huruvida maskiner kan imitera människor är faktiskt tusentals år gammal.
Till samma tid skapade grekiska vetenskapsmän ett brett utbud av automater. Archytas (ca 428-347 f.Kr.) skapade en mekanisk fågel som kunde flyga cirka 200 meter, beskriven som en konstgjord, ångdriven flygande anordning i form av en fågel.
”Archytas tillverkade en trämodell av en duva med en sådan mekanisk uppfinningsrikedom och konst att den flög.”
En del moderna historiker tror att den kan ha fått hjälp av upphängning i vajrar, men i vilket fall som helst var det ett tydligt försök att skapa en maskin.
En annan grekisk vetenskapsman, Daidalos, skapade statyer som rörde sig:
”Daidalos sades ha skapat statyer som var så verklighetstrogna att de kunde röra sig av sig själva.”
Den ”första gökuret” beskrevs i boken The Rise and Fall of Alexandria: Snart var Ctesibius’ klockor fulla av stoppventiler och ventiler som styrde en mängd anordningar från klockor till marionetter och mekaniska duvor som sjöng för att markera varje timmes förlopp – den allra första gökuret!”
Under århundradena användes mer och mer komplexa konstruktioner för att skapa automater, t.ex. vinddrivna rörliga maskiner.
Programmerbara komplexa mekaniska maskiner
Det dröjde ända till 800-talet e.Kr. innan den första registrerade programmerbara komplexa mekaniska maskinen fanns:
”Den tidigaste kända konstruktionen av en programmerbar maskin är den automatiska flöjtspelaren som beskrevs på 800-talet av bröderna Musa i Bagdad.”
Detta beskrevs också som ”instrumentet som spelar sig själv”. En bok om dessa apparater förvaras i Vatikanbiblioteket.
Mekaniska räknemaskiner
Ett annat steg på den långa vägen mot modern artificiell intelligens var skapandet av mekaniska räknemaskiner.
Den första mekaniska räknemaskinen byggdes av Wilhelm Schickard under första halvan av 1600-talet och möjliggjorde addition och multiplikation.
Nästa mekaniska miniräknare, som byggdes av Blaise Pascal, kunde också utföra subtraktion.
Dessa maskiner inspirerade tänkare som Gottfried Wilhelm Leibniz att överväga följande idé:
”Om varje område av mänsklig erfarenhet kan förstås med hjälp av matematiskt tänkande och om tänkande är en form av beräkning och beräkning kan mekaniseras, då kan i princip alla frågor om verkligheten besvaras med hjälp av en beräkning som utförs av en maskin.”
På många sätt liknar detta vårt begrepp artificiell allmän intelligens i dag.
Leibniz idé var att en characteristica universalis, eller ett universellt logiskt program, då skulle kunna besvara alla frågor om verkligheten.
Programmerbara räknemaskiner
In 1833 kombinerade Charles Babbage innovationen från det nionde århundradet om programmerbara maskiner med innovationen från det sjuttonde århundradet om räknemaskiner för att tänka ut en analytisk maskin:
Babbage lyckades aldrig bygga en komplett maskin, men hans ”hålkortsteknik” användes senare i de första digitala maskinerna.
Digitala maskiner (datorer)
Övergången från mekaniska till digitala datorer var ett enormt språng för att komma dit vi är idag.
I slutet av 1930- och 40-talet uppstod flera digitala datorer som tävlade om att ta platsen som ”den första digitala datorn”.
Eniac anses allmänt vara den första digitala datorn, vars konstruktion avslutades 1946, eftersom det var den första som var fullt fungerande.
Andra digitala datorer var bland annat Colossus 1943, som hjälpte brittiska kodknäckare att läsa krypterade tyska meddelanden, och ABC-datorn 1942.
Framstegen härifrån accelererade snabbt, med framsteg som lagring av program i minnet, RAM, realtidsgrafik och transistorer som släpptes i relativt snabb följd.
Maskininlärning
Slutligt, med tillkomsten av komplexa digitala maskiner, kan vi ta upp ämnet maskininlärning.
Som undersöktes i början, föranledde maskinernas framväxt Alan Turing att 1950 ställa sig frågan ”kan maskiner tänka?”. Fem år senare publicerade Dartmouth en grundläggande artikel om artificiell intelligens, och fältets grundläggande principer har förblivit likartade sedan dess.
1955 skrev M.L. Minsky:
En ”maskin kan ’tränas’ genom en ’trial and error’-process för att förvärva en av en rad olika input-output-funktioner. En sådan maskin kan, när den placeras i en lämplig miljö och ges ett kriterium för ’framgång’ eller ’misslyckande’, tränas att uppvisa ’målsökande’ beteende.”
Med andra ord bygger algoritmer för maskininlärning matematiska modeller på ”träningsdata” för att fatta beslut, utan att uttryckligen programmeras för att fatta dessa beslut.
Det är den viktigaste skillnaden mellan en miniräknare och maskininlärning (eller AI): En miniräknare, eller någon form av automat, har ett förutbestämt resultat. AI fattar probabilistiska beslut i farten.
En mekanisk maskin har också mycket striktare fysiska begränsningar, när det gäller hur många maskinkomponenter (t.ex. remskivor, spakar, kugghjul) som kan rymmas i en apparat, medan en modern digital maskins CPU kan rymma miljarder transistorer.
Det egentliga uttrycket ”maskininlärning” myntades av Arthur Samuel 1952, efter att han utvecklat ett datorprogram för att spela dam med hjälp av utantillinlärning.
År 1957 skapade Frank Rosenblatt Mark I-perceptronen – en övervakad inlärningsalgoritm med binära klassificerare – för bildigenkänning.
Efter att ha presenterat sitt arbete för den amerikanska flottan 1958 rapporterade New York Times:
Perceptronen är ”embryot till en elektronisk dator som förväntas kunna gå, prata, se, skriva, reproducera sig själv och vara medveten om sin existens.”
Redan 1958 förutsåg forskarna en dag med kännande artificiell intelligens.
Senare landvinningar omfattade feedforward neurala nätverk (som en perceptron, men med flera lager), algoritmen för närmaste granne 67, backpropagation på datorer på 70-talet (som nu används för att träna djupa neurala nätverk), boosting-algoritmer i början av 90-talet och LSTMs 97.
Förbättringar på grund av data och datorkraft
I den ledande AI-forskaren Andrew Ngs senaste AI-kurs konstaterar han att det har gjorts ”nästan inga framsteg” inom artificiell allmän intelligens, men att det har gjorts otroliga framsteg inom ”smal intelligens” – inmatnings- och utmatningsfunktioner ”som gör en sak, t.ex. en smart högtalare eller en självkörande bil”.”
På en hög nivå handlar AI fortfarande om att ”lära sig en funktion som mappar från x till y.”
De otroliga framsteg som vi har sett på senare tid beror främst på en explosion av data och beräkningskraft, tillsammans med bättre (högkvalitativ) data och fler AI-ingenjörer.
Mer data och beräkningskraft ökar naturligtvis noggrannheten hos de flesta AI-modeller, särskilt inom deep learning.
Demokratiseringen av AI
Samtidigt med utvecklingen av AI-arkitekturer, beräkningskraft och data har AI nyligen fått ett starkt fäste inom industrin, tack vare spridningen av mer lättillgängliga AI-verktyg.
Uppkomsten av verktyg som gör tekniker mer tillgängliga har en lång historia. Till exempel demokratiserade Gutenbergs tryckpress kunskap på 1400-talet.
I internetåldern har verktyg utan kod som WordPress och Wix demokratiserat byggandet av webbplatser.
I årtionden efter förslagen om artificiell intelligens på 50-talet begränsades artificiell intelligens till stor del till den akademiska världen, utan att få någon större praktisk användning.
Verktyg som TensorFlow och Keras gjorde det möjligt för fler företag att införa AI, även om de fortfarande är tekniskt komplicerade verktyg som kräver högt betalda ingenjörer inom maskininlärning.
För att förvärra denna fråga om komplexitet resulterar bristen på datavetenskapspersonal i skyhöga löner för dem som kan skapa AI-system. Som ett resultat av detta dominerar stora företag som FAANGs en stor del av AI.
Uppkomsten av AI-verktyg utan kod, som Apteo, minskar de initiala kostnaderna samtidigt som behovet av teknisk expertis försvinner, vilket möjliggör verkligt demokratiserad AI.
No Code AI
AIllmänna AI-verktyg utan kod är det logiska nästa steget på vägen mot demokratisering av AI.
För 2 miljoner år sedan tillverkade tidiga människor stenhuggningsverktyg för att kunna utföra mer arbete än med sina händer.
I dag gör AI oss effektivare och kan utföra arbete åt oss, medan AI utan kod ger dessa fördelar till alla.
Med framväxten av AI-verktyg utan kod rör vi oss mot en era av tillgänglig AI.