Η ιστορία της τεχνητής νοημοσύνης είναι μια ιστορία περιορισμών και εφαρμογών που τους ξεπερνούν. Ξεκίνησε το 1966 με το πρόγραμμα ELIZA του MIT, το οποίο δεν είχε καμία κατανόηση της γλώσσας. Λειτουργούλα αντιστοιχίζοντας λέξεις-κλειδιά και ανακλώντας προτάσεις ως ερωτήσεις. Παρά τη βασική του λειτουργία, πολλοί χρήστες συνομιλούσαν μαζί του για ώρες, ένα φαινόμενο που ο δημιουργός του βρήκε ανησυχητικό και όχι εντυπωσιακό.
Η Εποχή των Ειδικών Συστημάτων
Κατά τη διάρκεια της δεκαετίας του 1970, η έρευνα επικεντρώθηκε στην κωδικοποίηση νοημοσύνης απευθείας μέσω κανόνων. Ειδικά συστήματα όπως το MYCIN, που χρησιμοποιούσε χιλιάδες κανόνες “αν-τότε” από γιατρούς, μπορούσαν να διαγνώσουν βακτηριακές λοιμώξεις. Αυτά τα συστήματα λειτουργούσαν αποτελεσματικά μέσα σε πολύ στενά πεδία, αλλά απέτυχαν πλήρως έξω από αυτά. Η υπερβολική εμπιστοσύνη σε αυτή την προσέγγιση οδήγησε σε δύο περιόδους, γνωστές ως «χειμώνες της ΤΝ», το 1974 και στα τέλη της δεκαετίας του 1980, όταν η χρηματοδότηση από κυβερνήσεις και επενδυτές διακόπηκε μετά από χρόνια απραγματοποίητων υποσχέσεων.
Η Ανατροπή με τη Μηχανική Μάθηση
Η δεκαετία του 1990 εισήγαγε μια διαφορετική φιλοσοφία: τη μηχανική μάθηση. Αντί να γράφουν κανόνες, οι ερευνητές δημιούργησαν συστήματα που έβρισκαν μοτίβα στα δεδομένα. Ενώ το Deep Blue της IBM νίκησε στο σκάκι τον Γκάρι Κάσπαροφ το 1997, βασίστηκε ακόμα σε ωμή δύναμη υπολογισμών και όχι σε μάθηση. Η πραγματική στατιστική μάθηση ωρίμασε τη δεκαετία του 2000 σε εφαρμογές όπως τα φίλτρα ανεπιθύμητων μηνυμάτων, οι μηχανές συστάσεων και η αναγνώριση ομιλίας.
Η Εμφάνιση της Καθημερινής ΤΝ
Το Apple κυκλοφόρησε το Siri το 2011, ένα προϊόν που βασίστηκε σε τεχνολογίες που αναπτύχθηκαν αρχικά για ένα έργο του DARPA. Το Siri μπορούσε να αναλύει ένα αίτημα, να μαντεύει την πρόθεση του χρήστη και να το δρομολογεί σε μια εργασία. Ένιωθε συνομιλητικό, αλλά ήταν πιο κοντά στα παλιά ειδικά συστήματα, αντιστοιχίζοντας προθέσεις σε ένα σταθερό σύνολο εντολών με ελάχιστο περιθώριο αυτοσχεδιασμού.
Η Επανάσταση των Νευρωνικών Δικτύων
Το 2012 άλλαξε η κατεύθυνση του πεδίου. Ένα νευρωνικό δίκτυο, το AlexNet, κέρδισε τον διαγωνισμό ImageNet με μεγάλη διαφορά, έχοντας μάθει απευθείας από 1,2 εκατομμύρια εικόνες αντί να ακολουθεί χειροκίνητα γραμμένες οδηγίες. Αυτό το αποτέλεσμα έπεισε το μεγαλύτερο μέρος της ερευνητικής κοινότητας ότι η μάθηση από δεδομένα ξεπερνά τη λογική με χειροκίνητους κανόνες. Η χρηματοδότηση στράφηκε απότομα προς τα νευρωνικά δίκτυα.
Από τα Μετασχηματιστές στο ChatGPT
Πέντε χρόνια αργότερα, ερευνητές της Google παρουσίασαν την αρχιτεκτονική Transformer, η οποία επεξεργαζόταν ολόκληρες προτάσεις ταυτόχρονα. Αυτή η αρχιτεκτονική οδήγησε στο GPT-3 και, τελικά, στο ChatGPT το Νοέμβριο του 2022. Ήταν η πρώτη φορά που ένα τέτοιο μοντέλο έφτασε άμεσα σε εκατοντάδες εκατομμύρια ανθρώπους χωρίς απαιτήσεις τεχνικής ρύθμισης.
Το Όριο Μεταξύ Chatbot και Πράκτορα
Το ChatGPT μπορούσε να μιλήσει, αλλά δεν μπορούσε να δράσει. Δεν είχε τη δυνατότητα να περιηγηθεί σε έναν ιστότοπο, να εκτελέσει κώδικα ή να ολοκληρώσει μια πολυβηματική εργασία χωρίς ανθρώπινη έγκριση. Αυτό το κενό ορίζει τη διαχωριστική γραμμή μεταξύ ενός chatbot και ενός πράκτορα ΤΝ. Οι πρώτες προσπάθειες, όπως το AutoGPT το 2023, ήταν ακατέργαστες και συχνά χάνονταν σε ατέρμονους βρόχους.
Η Ανάδυση των Πρακτόρων Δράσης
Μέχρι το 2024-2025, οι πράκτορες κωδικοποίησης βελτιώθηκαν δραματικά. Εργαλεία όπως το Claude Code μπορούσαν να ανοίξουν ένα τερματικό, να επεξεργαστούν αρχεία, να εκτελέσουν δοκιμές και να διορθώσουν τα δικά τους λάθη. Οι πράκτορες δεν ήταν πιο «έξυπνοι» σε πρώτη ύλη, αλλά είχαν καλύτερα εργαλεία, μεγαλύτερη μνήμη των προηγούμενων προσπαθειών και πιο στενή ανάδραση μεταξύ δράσης και ελέγχου του αποτελέσματος.
Το Μέλλον: Διάρκεια και Αυτονομία
Το σύγχρονο μέτωπο έρευνας είναι η διάρκεια και η αυτονομία. Οι σημερινοί πράκτορες χειρίζονται αξιόπιστα εργασίες που διαρκούν λίγα λεπτά. Ο ερευνητικός στόχος είναι πράκτορες που παραμένουν σε μια εργασία για μέρες, αναθέτουν υποεργασίες σε άλλους πράκτορες και διακόπτουν έναν άνθρωπο μόνο όταν μια απόφαση απαιτεί πραγματική κρίση και όχι απλή εκτέλεση.
Κάθε άλμα σε αυτή την ιστορία, από τους κανόνες στη μάθηση και από τα chatbots στους πράκτορες, ακολούθησε το ίδιο μοτίβο: μια στενή ικανότητα δοκιμάζεται ένα σκληρό όριο, και έπειτα μια δομική αλλαγή αφαιρεί αυτό το όριο, αντί να προσπαθεί απλώς να το κλιμακωθεί.
Γνώριζες αυτές τις βασικές καμπάνιες στην εξέλιξη της ΤΝ; Αν σου άρεσε το κείμενο και το βρήκες ενδιαφέρον, μπορείς να το μοιραστείς. Για περισσότερα άρθρα σαν και αυτό, περιήγησε στον ιστότοπο μας.