Како започна AI револуцијата

Кога денес ќе отвориме ChatGPT, Claude или Gemini, лесно е да помислиме дека AI се појавил речиси преку ноќ. Но вистината е многу поинтересна.

Патот до современата вештачка интелигенција траел повеќе од седум децении. Тој бил исполнет со огромен ентузијазам, разочарувања, технолошки пробиви, намалено финансирање и периоди кога многумина верувале дека идејата за интелигентни машини никогаш нема да стане реалност.

Првото големо прашање

Во 1950 година британскиот математичар и пионер на компјутерските науки Alan Turing поставил едно едноставно, но револуционерно прашање:

Во тоа време компјутерите биле огромни, скапи и исклучително ограничени во споредба со денешните уреди. Сепак, Turing ја препознал можноста машините еден ден да извршуваат задачи што дотогаш се сметале за исклучиво човечки.

Наместо бескрајно да се расправа што точно значи „размислување“, тој предложил практичен начин да се набљудува интелигентното однесување.

Turing Test

Замисли дека разговараш преку тастатура со две непознати страни. Едната страна е човек, а другата е компјутер. Не ги гледаш и не ги слушаш. Единствениот контакт е преку текст.

Ако по доволно долг разговор не можеш сигурно да процениш која страна е машината, тогаш според идејата на Turing машината покажала однесување што во тој контекст изгледа интелигентно.

Во 1950-тите ова звучело како научна фантастика. Денес милиони луѓе секојдневно разговараат со AI системи што можат да создадат природен, контекстуален и често изненадувачки убедлив разговор.

Раѓањето на терминот Artificial Intelligence

Во летото 1956 година група научници се собрале на Dartmouth College во САД за да разговараат за можноста машините да користат јазик, да создаваат апстракции, да решаваат проблеми и да покажуваат форми на интелигентно однесување.

Токму таму терминот Artificial Intelligence започнал да се користи како име за новото истражувачко поле.

Оптимизмот бил огромен. Дел од истражувачите верувале дека многу аспекти на човечката интелигенција би можеле релативно брзо да се претворат во математички правила и алгоритми.

Реалноста се покажала многу посложена.

Првиот AI бран

Во 1950-тите и 1960-тите години се појавиле програми што можеле да решаваат математички проблеми, да докажуваат логички теореми, да играат ограничени игри и да демонстрираат однесување што во тоа време изгледало импресивно.

Медиумите и дел од научната заедница почнале да предвидуваат дека интелигентните машини се само неколку години далеку.

Но системите функционирале добро само во тесно дефинирани задачи.

Компјутерите биле преслаби. Memory и storage биле ограничени. Немало доволно digital data. Алгоритмите не можеле лесно да се справат со комплексноста и непредвидливоста на реалниот свет.

AI Winter

Кога големите ветувања не биле исполнети, интересот и финансирањето почнале да се намалуваат.

Овие периоди на разочарување денес се познати како AI Winters.

Истражувачките буџети биле намалувани, компании пропаѓале, а дел од проектите биле целосно затворани. За многумина AI повторно станал пример за технологија што ветува многу повеќе отколку што реално може да испорача.

Но истражувањето не престанало.

Во позадина продолжиле да се развиваат нови алгоритми, посилни процесори, поголеми datasets и подобри математички методи.

Deep Blue и моментот што го виде целиот свет

Во 1997 година AI повторно влегол во глобалните вести кога IBM Deep Blue го победил тогашниот светски шампион во шах Garry Kasparov.

Тоа бил историски момент затоа што машина победила еден од најдобрите шахисти во историјата во игра која долго време се сметала за симбол на човечка интелигенција.

Но важно е да се разбере што навистина се случувало.

Deep Blue не „размислувал“ како Kasparov. Тој користел огромна computational power, шаховски правила, evaluation functions и пребарување низ огромен број можни потези за да ја избере најдобрата достапна опција.

Од правила кон учење од податоци

Еден од најважните концептуални пресврти бил преминот од системи во кои луѓето рачно ги пишуваат правилата кон системи што учат patterns директно од data.

Наместо програмерот однапред да дефинира секој можен услов, Machine Learning овозможил model-от да анализира примери и сам да научи statistical relationships што може да ги користи за нови случаи.

Големата пресвртница — Deep Learning

Следниот голем напредок дошол со Deep Learning — Machine Learning пристап базиран на neural networks со повеќе слоеви.

Комбинацијата од подобри algorithms, огромни datasets и сè помоќни GPUs овозможила моделите да учат многу посложени patterns отколку претходно.

Deep Learning донел драматичен напредок во:

• препознавање лица и објекти;
• speech recognition;
• machine translation;
• анализа на medical images;
• autonomous driving research;
• Natural Language Processing;
• recommendation systems;
• generative models.

Од овој момент AI почнал многу побрзо да се движи од research laboratories кон реални commercial products.

Transformer — архитектурата што промени сè

Во 2017 година група истражувачи од Google го објавиле научниот труд Attention Is All You Need.

Во него била претставена архитектурата позната како Transformer.

На прв поглед тоа изгледало како уште еден академски breakthrough. Но Transformer архитектурата подоцна станала основа за огромен дел од современите Large Language Models.

Transformer архитектурата или нејзини понатамошни варијанти се клучни за развојот на многу современи language и multimodal models.

Тука спаѓаат системи од фамилии и платформи како:

• GPT и ChatGPT;
• Claude;
• Gemini;
• Grok;
• DeepSeek;
• различни Copilot производи и други AI systems.

ChatGPT — моментот кога AI стана масовен

Кон крајот на 2022 година OpenAI го пушти ChatGPT во јавна употреба.

Технолошкиот напредок зад language models веќе постоел, но ChatGPT направил нешто друго исклучително важно: му дал едноставен conversational interface на огромен број луѓе.

Одеднаш корисникот повеќе не морал да биде developer, data scientist или AI researcher.

Доволно било да напише прашање со природен јазик.

За краток период милиони луѓе почнале да користат AI за пишување, coding, research, brainstorming, education, translation, analysis и огромен број други задачи.

Од Chatbot до AI Systems

Првиот масовен AI experience беше едноставен: човек поставува прашање, model враќа одговор.

Но развојот брзо продолжи.

Моделите почнаа да добиваат пристап до external tools, APIs, files, browsers, databases и company knowledge.

Од обичен conversational interface започнавме да преминуваме кон AI systems што можат да:

• пребаруваат информации;
• анализираат documents;
• повикуваат external APIs;
• пишуваат и извршуваат code;
• користат business tools;
• планираат повеќе чекори;
• автоматизираат цели workflows.

Тука започнува преминот од AI што одговара кон AI што може да учествува во извршување на реална работа.

Што можеме да научиме од оваа историја?

Историјата на AI ни остава неколку важни лекции.

1. Големите пробиви ретко се случуваат преку ноќ

Зад технологија што денес изгледа како ненадејна револуција често стојат децении истражување, експерименти и неуспешни обиди.

2. Hype не е исто што и реален напредок

AI повеќепати минувал низ периоди на огромни очекувања што технологијата во тој момент не можела да ги исполни.

3. Infrastructure е исто толку важна колку algorithm

Подобри models станале практично употребливи кога се појавиле доволно data, compute, GPUs, cloud infrastructure и engineering systems.

4. Interface-от може да промени цела индустрија

ChatGPT покажа дека технолошки breakthrough може да стане глобален феномен кога сложената технологија ќе добие interface што луѓето можат природно да го користат.

5. Секој breakthrough создава и нова одговорност

Колку системите стануваат поспособни, толку се поважни accuracy, security, privacy, governance и human oversight.

Клучни поенти

По ова поглавје треба да запомниш:

• идејата за machine intelligence има повеќедецениска историја;
• Alan Turing во 1950 година го поставил едно од фундаменталните прашања за machine intelligence;
• Artificial Intelligence се оформил како посебно истражувачко поле во 1950-тите;
• AI поминал низ периоди на голем оптимизам и разочарување познати како AI Winters;
• Machine Learning го префрлил фокусот од рачно пишување правила кон учење patterns од data;
• Deep Learning донел голем напредок во vision, speech и language tasks;
• Transformer architecture станала основа за огромен дел од современите language models;
• ChatGPT го направи Generative AI достапен за масовна публика;
• следната фаза е преминот од conversational AI кон AI systems, tools и Agents.

Следно поглавје

Следно ќе одговориме на едно од најинтересните прашања во целата книга:

Тоа ќе биде основата за разбирање на Prompt Engineering, Context Engineering и сè што следува понатаму во книгата.