Historien om kunstig intelligens begynte før datamaskinen ble vanlig

Man kan diskutere når begynte, det vi nå ser på som en KI-revolusjon. Men allerede i 1943 formulerte forskerne Warren McCullock og Walter Pitts ideen om en kunstig hjernecelle. De kalte den for en perseptron. En enkel logisk port som kunne behandle mange inngående signaler, som ble forsterket eller svekket avhengig av ulike betingelser for å produsere et utsignal som resultat. Altså det en hjernecelle, et nevron, gjør når den får signaler fra mange andre nevroner gjennom kontaktpunkter som kalles synapser.

Nettverk

På 50-tallet var det forskere som ville prøve å modellere hjernen med nettverk av perseptroner. De ville at datamaskiner skulle være mer enn bare avanserte kalkulatorer.

Dette var jo alt for tidlig for datidens maskinvare, men ideene deres la grunnlaget for det vi i dag kaller nevrale nett, som er modellert med inspirasjon fra hvordan hjernen fungerer. I mangel av datakraft var 40- og 50-tallet en tid hvor teoriene rundt det som har blitt til kunstig intelligens (KI) ble utviklet.

De som la grunnlaget for det som etter mange tiår er blitt til dagens KI, tenkte på hjernen som et mål for forskningen. Biologien hadde løst utfordringene, og det vi måtte gjøre, var å finne ut hvordan den fungerte og bygge vår egen utgave.

Men ikke alt naturen gjorde, skulle vise seg å være optimalt med vår teknologi og våre materialer. Slik som hvordan fuglene flyr med vinger som flakser. Til tross for mange tidlige forsøk med det, var det vinger med oppdrift assistert av en propell til fremdrift som ble løsningen.

Turing-testen

Ideen om tenkende maskiner er veldig gammel og noe science fiction-forfattere omfavnet mange tiår før noen hadde peiling på hvordan man skulle få det til i praksis.

Ideene rundt perseptronen ble unnfanget lenge før noen begynte å tenke på å kalle det kunstig intelligens. Forfatteren Samuel Butler skrev om maskiner med menneskeliknende intelligens i novellen Erewhon allerede i 1872.

Både KI og oppbyggingen av den generelle datamaskinen hviler på arbeidet til engelskmannen Alan Turing og amerikaneren John von Neuman. De var pionerene som introduserte binær logikk basert på totall-systemet, og de la grunnlaget for hvordan programmerbare datamaskiner skulle konstrueres.

Turing lekte med tanken på intelligente maskiner i 1950 i artikkelen «Computing Machinery and Intelligence», der han beskrev det han kalte Game of imitation. Den var basert på datidens teleprinter, en slags fjernskrivemaskin (telex). En person som kommuniserte med tekstlig kommunikasjon på naturlige språk med en motpart, som enten var en maskin eller et menneske, skulle avgjøre om det var det ene eller det andre. Når det ble umulig å avgjøre, regnet Turing med at målet var nådd. Det skulle vise seg å være svært vanskelig.

KI blir et begrep

Opprinnelsen til begrepet kunstig intelligens kan tidfestes til en konferanse sommeren 1956 ved Dartmouth College. John McCarthy fra MIT var en av deltakerne. Han var en amerikansk vitenskapsmann innen data og kognitiv vitenskap, og han var medforfatter av et dokument hvor begrepet artificial intelligence ble brukt første gang. Han utviklet også utviklingsspråket Lisp, som var viktig innen kunstig intelligens. I 1971 fikk han Turingprisen for sitt bidrag til utviklingen av KI. Strengt tatt var det ingen enkeltperson som sto bak den tidlige utviklingen, men en rekke folk som på ulike måter påvirket forløpet.

I den tidlige tiden var det knyttet veldig store ambisjoner til KI. Den berømte KI-pioneren og nobelprisvinner Herbert A. Simon uttalte i 1957 at i løpet av ti år ville maskinene beherske sjakk og slå mestrene. Det tok 40 år. Etter hvert forsto man hvor vanskelig jobben til hjernen var. KI-forskningen har også hatt betydning for å forstå kompleksiteten i den biologiske hjernen.

Ekspertsystemer

Det er helt essensielt for KI at det er mulig å akkumulere kunnskap. Det ble tidlig klart for dem som jobbet med KI at selv om de klarte å lage systemer som kunne prosessere informasjon i et nevralt nett, ble svarene bedre når det var tilgang på mest mulig relevant informasjon. I starten var det ikke mulig å lagre mye informasjon slik at de kunne etterlikne menneskelige beslutningsprosesser.

I 1965 ble det første såkalte ekspertsystemet lansert ved Stanford University av forskere ledet av Edward Feigenbaum. Ideen var å tappe fageksperter for kunnskap og modellere den slik at den kunne behandles i et nevralt nett. De prøvde å finne fagområder med viktig og kompleks kunnskap, og de begynte med diagnose av infeksjonssystemer og identifikasjon av ukjente organiske molekyler.

Ekspertsystemer tiltok i popularitet, og på 80- og 90-tallet var de sett på som en viktig løsning for å gjøre datamaskiner intelligente. Selv om vi ikke hører så mye om dem i dag, er de fremdeles viktige for å resonnere ut fra innsamlet kunnskap.

Maskinlæring og dyplæring

Det å få datamaskiner til å lære på egen hånd i stedet for å bli programmert er nesten like gammelt som KI-begrepet. Begrepet stammer fra Arthur Samuel hos IBM, som i 1959 jobbet med en tidlig form for dataspill. Han utviklet en databasert utgave av spillet Dam (Checkers) som kunne lære av erfaring. På starten av 60-tallet økte aktiviteten fordi man så en rekke oppgaver som kunne effektiviseres med slike metoder, som å analysere sonarsignaler og elektrokardiogrammer. Men det skulle gå flere tiår før feltet virkelig tok av – for maskinlæring er avhengig av mye data og regnekraft.

Dyplæring er en KI-metodikk basert på nevrale nett som gjør at datasystemer kan prosessere informasjon på en måte som likner på måten hjernen jobber på. I motsetning til tidligere versjoner av slike nett har de dype evnen til å dra nytte av mer data, som sammen med rimeligere og raskere datamaskiner ble en kraftfull kombinasjon. Dermed oppnår vi at datamaskiner med KI, som hjernen vår, også blir gode til å gjenkjenne mønstre i informasjon – enten det er tekst, bilder, lyd eller andre ting.

Utviklingen av dyplæring kan automatisere mange oppgaver vi trenger mennesker til i dag, slik som å kjøre bil, gjøre diagnostikk av CT- og MR-bilder og andre medisinske oppgaver. Eller å transkribere tale til tekst.

I 1981 lanserte japanerne sitt prosjekt «Fifth generation computer» og spyttet 850 millioner statlige dollar inn i det. De ville utvikle mye mer intelligente datamaskiner som kunne resonnere som mennesker. Det skremte spesielt den amerikanske dataindustrien grundig. De så for seg nok et område som ble dominert av den fremadstormende japanske industrien.

KI-vintrene

KI-feltet har vært gjennom to nedgangsperioder som har vært omtalt som KI-vintre. Begge var et resultat av at resultatene i praksis ikke sto i stil med de oppblåste forventningene. For bare navnet kunstig intelligens medførte naturlig nok veldig store forventninger.

Den første KI-vinteren regnes som perioden fra 1974 til 1980. Forventningene var store, men mangelen på datakraft gjorde at mye ikke var mulig å realisere. Det medførte en kraftig reduksjon av finansieringen. Den dalende interessen og finansieringen var ikke nok til at KI-feltet «frøs i hjel», men det forsinket utviklingen som ellers ville kommet tidligere.

Perioden imellom de to KI-vintrene ga et blaff av nytt håp. Det kom mange nye gjennombrudd i forskning, og dyplæring og ekspertsystemer ble mer populære. Finansieringen tok seg opp igjen.

Slutten av 80-tallet og begynnelsen av 90-tallet omtales ofte som den andre KI-vinteren. Det ble klart at den japanske satsingen på deres 5.-generasjons datamaskin ikke førte fram. Investeringen i kostbare spesialiserte datamaskiner til KI krympet etter hvert som personlige datamaskiner vokste fram og ble mye billigere. Men selv om interessen og finansieringen ble kraftig redusert, og rundt 300 KI-selskaper gikk nedenom, var det bare en bølgedal. Ut på 90-tallet var det igjen sommer i KI-land.

Slår mennesker

Noen milepæler har vist at datamaskiner kan slå mennesker i konkurranser. Da IBMs superdatamaskin Deep Blue i 1997 slo den rådende verdensmesteren i sjakk, Garry Kasparov, var det mange som hevet øyenbrynene, selv om prestasjonen knapt kan kalles KI. Litt mer KI var det i 2011 da IBMs Watson-system vant over to Jeopardy-mestere (i Jeopardy).

I 2017 vant deretter Googles DeepMind spillet Go over en menneskelig ekspert. Og det er et særdeles komplekst spill, mye vanskeligere enn sjakk. Det mest overraskende var at DeepMinds AlphaGo Zero hadde lært seg spillet selv, ved å spille et stort antall spill kun basert på spillets regler. Tidligere i år ble KI-en likevel slått av et menneske som utnyttet en svakhet som var blitt avslørt av et annet datasystem.

Sorte bokser og nettskyen

Det er nesten umulig å få oversikt over hvordan et KI-program kommer til en konklusjon. Det er det vi gjerne omtaler som en svart boks. Jo mer avansert teknologien blir, jo mer ønsker man å se KI-en i kortene. Derfor jobbes det nå mye med å erstatte de sorte boksene med det man gjerne omtaler som glassbokser, hvor man i større grad kan se og forstå hvordan systemet resonnerer for å komme til svaret.

Den typen KI som imponerer oss mest for tiden, er den som er basert på de store språkmodellene, LLM. Språk er noe KI-forskerne har jobbet med siden den kalde krigen, da de ville oversette russisk til engelsk i sanntid.

Det viste seg å være for vanskelig den gangen, men i dag kan teknologien vise til fantastiske resultater som man knapt kunne drømme om den gangen. De fleste har nok prøvd Chat GPT. Nå kan modellene mates med så å si hele internett og prosessere det gjennom svært avanserte dyplæringsmodeller.

De siste 20 årene har bruken av datamaskiner gått fra selveide datasentre til å leie kapasitet over nettet. Framveksten av nettskyen har hatt enorm betydning for KI. Tilgangen på lagring og datakraft som bare er begrenset av penger, og som blir billigere år for år, er en enorm driver. Nå er det mulig å dytte inn alt fra røntgenbilder til tekst og tale og benytte alle former for maskinlæring. I tillegg utvikler Google, Amazon og Microsoft sine egne KI-verktøy som de tilbyr i sterk konkurranse med hverandre.

Global KI-sommer

Fra 40-tallet til i dag har KI-feltet gjennomgått mange magre tider, men i dag er det ikke lenger noen KI-vinter på værmeldingen. Snarere en global KI-klimakrise, tror mange. Hva vil skje når science fiction-forfatterne får rett og KI kan overgå den menneskelige intelligensen? Det er ikke så utenkelig lenger, og mange har tatt til orde for en pause i utviklingen. Det vil neppe skje med så mange forretningsmessige og militære interesser involvert.

Kanskje vi kan trøste oss med at mennesker er organismer med fri vilje og en «datamaskin» som bare trenger rundt 20 watt, mens KI-er lever i datasentre som er avhengig av masse MW for å tenke. Mennesker med noe så primitivt som en øks kan sette punktum for skumle KI-er.

Kilde: Professor Jim Tørresen ved UiOs forskningsgruppe for robotikk og intelligente systemer.

Artikkelen ble først publisert i TU-magasinet, nr. 6/2023