Dlaczego AI teraz? - Historia boomu sztucznej inteligencji

Dlaczego akurat teraz?

Sztuczna inteligencja jako koncepcja istnieje od lat 50. XX wieku. Sieci neuronowe znano od dekad. Dlaczego więc rewolucja AI nastąpiła dopiero teraz? Co się zmieniło w 2022 roku, że ChatGPT zebrał 100 milionów użytkowników w dwa miesiące?

Odpowiedź leży w połączeniu kilku czynników, które zbiegły się w odpowiednim momencie.

Krótka historia AI

Dat z tej osi czasu nie musisz zapamiętywać. Przejrzyj ją i zatrzymaj się na dwóch punktach: 2017 i 2022. Cała reszta to droga, która do nich prowadziła.

1950-1970: Narodziny i wczesny optymizm - 1950: Alan Turing publikuje “Computing Machinery and Intelligence” i proponuje Test Turinga. 1956: Konferencja w Dartmouth - oficjalne narodziny AI jako dziedziny. 1958: Frank Rosenblatt tworzy Perceptron - pierwszy model sieci neuronowej. Panował ogromny optymizm - przewidywano, że “myślące maszyny” powstaną w ciągu 20 lat.

1970-1990: “Zimy AI” - rzeczywistość okazała się trudniejsza. Ograniczona moc obliczeniowa i brak danych doprowadziły do dwóch “zim AI” - okresów rozczarowania i ograniczonego finansowania.

1990-2010: Powolny postęp - 1997: Deep Blue (IBM) pokonuje Kasparowa w szachach. 2006: Geoffrey Hinton publikuje przełomową pracę o deep learning.

2010-2020: Renesans deep learning - 2012: AlexNet wygrywa konkurs ImageNet, rozpoczynając rewolucję w rozpoznawaniu obrazów. 2014: GAN (Generative Adversarial Networks) - przełom w generowaniu obrazów. 2016: AlphaGo pokonuje mistrza świata w Go. 2017: artykuł “Attention is All You Need” - architektura Transformer. 2018: BERT (Google) i GPT (OpenAI) - przełomowe duże modele językowe.

2020-dziś: Eksplozja - 2020: GPT-3 pokazuje niesamowite możliwości. 2021: DALL-E generuje obrazy z tekstu. 2022: ChatGPT zdobywa 100 milionów użytkowników w 2 miesiące. 2023: GPT-4, Claude 2, Gemini - wyścig gigantów. 2024: AI staje się codziennym narzędziem pracy.

Trzy filary obecnego boomu

Zwróć uwagę na jedną rzecz: żaden z tych czynników sam nie wystarczył. Moc obliczeniowa rosła latami, dane leżały w internecie od dawna - przełom przyszedł dopiero wtedy, gdy dołączył do nich trzeci element.

1. Moc obliczeniowa

GPU (karty graficzne) okazały się idealne do treningu sieci neuronowych. NVIDIA stała się jedną z najcenniejszych firm świata. Chmura obliczeniowa (AWS, Google Cloud, Azure) udostępniła ogromną moc na żądanie.

2. Dane

Internet wygenerował petabajty tekstu, obrazów i danych. Wikipedia, Reddit, GitHub, książki - wszystko stało się materiałem treningowym. Nikt nie musiał tych danych tworzyć na potrzeby AI: one już leżały w sieci, gotowe do zebrania.

3. Algorytmy

Architektura Transformer (2017) okazała się przełomowa. Mechanizm uwagi (attention) pozwolił modelom rozumieć kontekst na niespotykaną skalę. “Scaling laws” pokazały, że większe modele = lepsze wyniki.

Prawo skalowania (Scaling Laws)

Jednym z kluczowych odkryć było to, że modele językowe stają się lepsze w przewidywalny sposób, gdy rośnie liczba parametrów (rozmiar modelu), ilość danych treningowych oraz moc obliczeniowa treningu.

To odkrycie zapoczątkowało “wyścig na skalę” - firmy zaczęły trenować coraz większe modele, inwestując miliardy dolarów w obliczenia.

Model	Rok	Parametry
GPT	2018	117 milionów
GPT-2	2019	1.5 miliarda
GPT-3	2020	175 miliardów
GPT-4	2023	~1.8 biliona?*

*OpenAI nie ujawniło oficjalnie rozmiaru GPT-4

Na tę tabelę patrz nie na pojedyncze liczby, tylko na tempo. W pięć lat rozmiar modeli urósł o kilka rzędów wielkości - i to jest w dużej mierze odpowiedź na pytanie z tytułu tego rozdziału.

Kluczowe przełomy technologiczne

Transformer (2017) - artykuł “Attention is All You Need” od Google wprowadził architekturę Transformer z mechanizmem uwagi (attention), który zdominował AI. Szczegóły działania tej architektury znajdziesz w rozdziale Modele językowe.

RLHF (2022) - Reinforcement Learning from Human Feedback, technika, która sprawiła, że modele stały się “pomocne” i “bezpieczne”: ludzie oceniają odpowiedzi modelu, model uczy się preferować odpowiedzi oceniane wyżej. Efekt: ChatGPT jest przyjazny i pomocny.

Instruction Tuning - dostrajanie modeli do wykonywania instrukcji użytkownika, nie tylko przewidywania następnego słowa.

Dlaczego ChatGPT zmienił wszystko?

GPT-3 istniał od 2020 roku, ale nie zdobył masowej popularności. Co zrobiło ChatGPT inaczej?

1. Interfejs czatu - prosty, intuicyjny interfejs rozmowy. Każdy mógł zacząć pisać bez technicznej wiedzy
2. Darmowy dostęp - OpenAI udostępniło ChatGPT za darmo, obniżając barierę wejścia do zera
3. RLHF - model był “przyjazny” i “pomocny” dzięki treningowi z feedbackiem ludzi. Poprzednie modele były trudniejsze w użyciu
4. Moment wirusowy - media społecznościowe eksplodowały przykładami użycia. Każdy dzielił się “magicznymi” możliwościami

Wyścig gigantów

Sukces ChatGPT uruchomił wyścig największych firm technologicznych: Google - Bard (później Gemini), ogłoszony w panice po sukcesie ChatGPT; Microsoft - inwestycja $13 mld w OpenAI, integracja z Bing i Office; Meta - Llama (open-source), demokratyzacja AI; Anthropic - Claude, nacisk na bezpieczeństwo; Amazon - inwestycja w Anthropic, integracja z AWS; Apple - Apple Intelligence, integracja z urządzeniami.

Co dalej?

Eksperci wskazują pięć kierunków rozwoju: multimodalność (modele rozumiejące tekst, obraz, dźwięk i wideo jednocześnie), agenci AI (systemy wykonujące złożone zadania autonomicznie), personalizację (AI dostosowane do indywidualnych potrzeb), integrację (AI wbudowane w każdą aplikację i urządzenie), lokalne modele (AI działające na Twoim urządzeniu, bez chmury).

Pytanie otwarte

Czy obecne podejście (skalowanie) doprowadzi do AGI (ogólnej sztucznej inteligencji)? Eksperci są podzieleni. Jedni wierzą, że to kwestia czasu i mocy obliczeniowej. Inni twierdzą, że potrzebne są fundamentalne przełomy.

Podsumowanie

• Trzy filary - moc obliczeniowa (GPU), dane (internet), algorytmy (Transformer)
• Scaling laws - większe modele = lepsze wyniki
• RLHF - technika, która uczyniła modele “pomocnymi”
• ChatGPT - prosty interfejs + darmowy dostęp + moment wirusowy
• Wyścig gigantów - Google, Microsoft, Meta, Anthropic, Amazon, Apple
• Przyszłość - multimodalność, agenci, personalizacja, integracja

Teraz wiesz

• Dlaczego boom AI nastąpił właśnie teraz - dzięki połączeniu mocy obliczeniowej GPU, ogromnych zbiorów danych i architektury Transformer
• Jak RLHF i prosty interfejs czatu sprawiły, że ChatGPT stał się przełomem dostępnym dla każdego
• Kim są główni gracze w wyścigu AI i dokąd zmierza rozwój technologii

Następny krok: Mapa Systemów AI - zobaczysz pełny krajobraz technologii AI: od LLM przez agentów po protokoły komunikacji między systemami.

Częste pytania

Dlaczego AI rozwija się tak szybko teraz?

Boom AI wynika z trzech czynników - ogromnej mocy obliczeniowej (GPU), dostępności wielkich zbiorów danych (internet) oraz przełomowej architektury Transformer z 2017 roku.