Historien om artificiell intelligens (AI) är som en cykel som ständigt upprepar sig. Varje iteration följer ett välbekant mönster som involverar banbrytande upptäckter, exponentiellt växande intresse och oundvikliga besvikelser. Att förstå detta cykliska mönster är avgörande för både forskare och investerare som vill navigera i framtidens AI-lanskap. I denna artikel ska vi utforska detaljerna i denna cykel, från den tidiga forskningen till den oundvikliga "AI-vintern", och diskutera hur dessa insikter kan tillämpas på dagens teknologiska klimat.
Varje ny cykel i AI-historien börjar med grundläggande forskning inom ett specifikt mekanism, som vi kan kalla N. Denna mekanism får vanligtvis ett specifikt namn och inte sällan startar forskningen under ett bredare paraply av "AI-forskning", men N är inte AI i sig. N har ofta vissa karakteristiska egenskaper, och en av de mest framträdande är att mekanismen brukar kräva cirka tre gånger större datorkapacitet än den genomsnittliga datorn på marknaden vid den tidpunkten. Det innebär att forskare behöver betydligt mer RAM, CPU och lagring för att experimentera med N, vilket initialt begränsar dess praktiska användbarhet.
I detta skede startar forsknings- och utvecklingsinsatser som finansieras av potentiella tillämpningar av N. Investeringarna går till att köpa mer datorresurser för forskarna, vilket leder till omedelbara framsteg, då teknologin tidigare varit begränsad av brist på resurser. Dessa tidiga framgångar antyder revolutionerande möjligheter för N:s användning, inklusive en dimension av kognition som tidigare inte har automatiserats av maskiner.
Vid denna tidpunkt inser ledarna inom detta nya teknikområde – särskilt de som är labbadministratörer, företagsledare och liknande, snarare än praktiserande ingenjörer och forskare – försäljningspotentialen i att kalla denna nyligen "tänkande" maskin för "artificiell intelligens". De spekulerar ofta om samhällsomstörtande förändringar inom en tidsram om 5 till 20 år, nu när "den hårda problemet" med maskinkognition har lösts av N.
Andra teknologiledare i relaterade fält inser också försäljningspotentialen och börjar införliva element av N i sina egna områden, samtidigt som de refererar till sina projekt som "AI" för att få tillgång till de pengar som nu flödar till denna etikett. I processen införlivar de N på allt mer orimliga sätt. AI-fältet sväller upp och inkluderar snart praktiskt taget all datorteknik. Vissa projekt som inte ens inkluderar N börjar också kallas AI.
Det blir en massiv ekonomisk boom inom AI-fältet, där "AI-fältet" nu betyder all mjukvaruutveckling som kan relateras till N i en presentation eller forskningsansökan. Ungefär tre år går, medan de som kontrollerar pengaflödet gradvis blir skeptiska till de överdrivna påståendena som skjuts in i en osäker framtid, där N ska orsaka en robotapokalyps någonstans mellan 5 och 20 år framåt.
Allmänna kritiker börjar dyka upp. Kompetenta praktiker – inte ledare – som framgångsrikt har använt N i forskning eller industri slutar tyst att kalla sina verktyg för "AI", eller åtminstone slutar betona den "artificiella intelligens"-aspekten av dem, och börjar få finansiering under andra förevändningar. De saker N gör som inte är "tänkande" börjar användas mer seriöst när dess begränsningar blir bättre förstådda.
Tack vare den ständiga utvecklingen av Moore's lag förbättras den genomsnittliga datorkapaciteten. CPU, RAM och diskresurserna som krävs för att köra mjukvaran lokalt blir billigare, och alla uppgraderar till en ny dator som faktiskt kan köra den nya teknologin. Investerare och bidragsgivare uppdaterar sina persondatorer och börjar personligen använda den mjukvara de har investerat i. Produkter med långa utvecklingscykler släpps slutligen till kunder, men de är ofta en besvikelse.
De besvikna investerarna blir tysta arga. De kommer inte att offentligt kritisera sina egna investeringar, men de slutar att högljutt främja dem och att skriva nya checkar. De svänger över till bioteknik för en tid. AI-fältet blir allt mer desperat, eftersom det blir etiketten på användningar av N som inte är produktiva, då de produktiva användningarna marknadsförs under deras specifika tillämpningar snarare än deras mekanism. Bidragsgivarna tappar tålamodet, och polariteten i "AI"-pengamagneten vänds snabbt. Här är AI-vintern slutligen över oss.
De återstående AI-forskarna som fortfarande har finansiering via mindre hype-benägna mekanismer, som genuint tänker på att automatisera aspekter av kognition, flyttar tyst vidare till nästa hinder för en verkligt tänkande maskin. Under processen upptäcker de en ny mekanism, M. Gå till steg 1, med M som den nya N, och vårt nuvarande N som en sak som nu inte är "AI", kallad vid sitt eget, mer precisa namn.
En icke-uttömmande lista över tidigare värden av N har inkluderat: Neurala nätverk och symbolisk resonemang på 1950-talet. Teoremsystem på 1960-talet. Expertsystem på 1980-talet. Fuzzy logic och dolda Markovmodeller på 1990-talet. Deep learning på 2010-talet. Varje av dessa cykler har varit större och varat längre än den föregående, och det är viktigt att vara tydlig: varje cykel har producerat genuint användbar teknologi. Problemet är bara att var och en följer en sigmoidkurva, som ofta misstas för exponentiell. Det finns en initialt snabb förbättring, följd av gradvis förbättring, följd av en platå.
Så var är vi i den nuvarande hajpcykeln? Nyligen har det kommit ut forskning om prestandan av stora språkmodeller (LLM), som kan vara värda att granska. Speciellt ett diagram som visar log-linjära relationer mellan konceptfrekvens och CLIP zero-shot prestanda. Det finns också en serie inlägg av Simon Willison som förklarar praktikaliteten av användbara LLM på personliga enheter. Även om den nödvändiga utrustningen ännu inte är tillgänglig för alla på marknaden, är vi nära.
Produkter som Rabbit R1 och Humane AI Pin har släppts; var de en besvikelse för sina kunder och investerare? Resultaten talar för sig själva. Samtidigt har bolaget Karius just avslutat en serie C finansieringsrunda och de är en "emerging unicorn". Trots detta kallar vi fortfarande dessa saker för "AI", även om vi, precis som semasiologi-entusiaster, önskar att vi kunde vara mer exakta.
Historien upprepar sig inte exakt, men den rimmar ofta. Den nuvarande hajpcykeln är olik alla tidigare på flera sätt. Mer pengar är inblandade nu. Det är mycket mer kommersiellt denna gång; tidigare hajpvågor har ofta varit forskningsfinansierade, ibland exklusivt fenomen inom en avdelning på DARPA och inte hela ekonomin. Jag kan inte säga när den nuvarande manian kommer att ta slut och denna bubbla spricker. Om jag kunde, skulle du läsa detta i mitt $100,000 per månad abonnemangs-only trading-strategi-nyhetsbrev och inte på en offentlig blogg. Vad jag kan säga är att datorer inte kan tänka, och att problemen med den nuvarande inkarnationen av det luddigt definierade fältet "AI" inte kommer att lösas inom "5 till 20 år".
Tack till mina mecenater som stödjer mitt skrivande på denna blogg. Särskilt tack också till Ben Chatterton för en kort förgranskning; eventuella fel kvarstår mina egna. Om du gillar vad du har läst här och vill ha mer av det, eller om du vill stödja mina olika open-source-projekt, kan du stödja mitt arbete som sponsor! Jag är också tillgänglig för konsultarbete om du tror att din organisation kan gynnas av expertis kring frågor som "vad gör vi som historien kommer att döma oss för". Eller, du vet, Python-programmering.
© Glyph 2024; Alla rättigheter förbehållna förutom de som inte är det. Se mina avslöjande uttalanden för information om mina intressen, ekonomiska och andra.
