Η άνοδος της AI

Αναδημοσίευση από τον Πλάτωνα

Ακολουθούν: 0

Η άνοδος του AI

Στη δεκαετία του 1950, μια γενιά επιστημόνων, μαθηματικών και φιλοσόφων γοητεύτηκε με την έννοια της τεχνητής νοημοσύνης (AI). Οι άνθρωποι χρησιμοποιούν τις διαθέσιμες πληροφορίες για να βοηθήσουν στην επίλυση προβλημάτων και στη λήψη αποφάσεων, πώς μπορούν λοιπόν οι μηχανές να χρησιμοποιήσουν την ίδια διαδικασία μάθησης για να γίνουν πιο έξυπνες μόνες τους; Με τα χρόνια, η τεχνητή νοημοσύνη έχει γίνει πιο προηγμένη, αρχίζει να εφαρμόζεται ευρύτερα στις επιχειρηματικές διαδικασίες και έχει γίνει διαθέσιμη στον μαζικό καταναλωτή. Ποιες είναι οι κινητήριες δυνάμεις πίσω από αυτό το νέο κύμα τεχνολογίας και πώς θα μπορούσαν να χρησιμοποιηθούν στο μέλλον;

Οι πρώτοι υπολογιστές αντιμετώπισαν ένα πρόβλημα – μπορούσαν να τους πει τι να κάνουν, αλλά δεν μπορούσαν να ανακαλέσουν ενέργειες ή να αποθηκεύσουν εντολές. Οι υπολογιστές ήταν επίσης εξαιρετικά ακριβοί και στις αρχές της δεκαετίας του 1950, το κόστος μιας μίσθωσης ενός υπολογιστή θα μπορούσε να φτάσει τα 200 εκατ. δολάρια το μήνα[1]. Η υπεράσπιση της τεχνητής νοημοσύνης ήταν απαραίτητη για να πειστούν επενδυτές υψηλού προφίλ ότι η νοημοσύνη μηχανών θα άξιζε το κόστος.

Το θερινό ερευνητικό πρόγραμμα Dartmouth του 1956 πιστώνεται με την έναρξη της τεχνητής νοημοσύνης ως ερευνητικού κλάδου και την επινόηση του όρου Τεχνητή Νοημοσύνη[2]. Κορυφαίοι ερευνητές από διάφορους τομείς συγκεντρώθηκαν για ανοιχτές συζητήσεις σχετικά με την τεχνητή νοημοσύνη, οι οποίες βοήθησαν να καταλυθούν τα επόμενα είκοσι χρόνια έρευνας για την τεχνητή νοημοσύνη.

Από το 1957 έως το 1974, οι υπολογιστές έγιναν πιο γρήγοροι, πιο προηγμένοι και μπορούσαν να αποθηκεύσουν περισσότερες πληροφορίες. Η Μηχανική Μάθηση (ML) διακλαδίστηκε από την τεχνητή νοημοσύνη στα τέλη της δεκαετίας του '70 ως δική της υποδιαίρεση έρευνας, όπου οι υπολογιστές μπορούσαν να μάθουν και να προσαρμοστούν χωρίς να ακολουθήσουν ρητές εντολές. Πριν από αυτήν την περίοδο, οι αρχές της ML ενσωματώνονταν στο γενικό AI, αλλά καθώς βελτιώθηκαν οι αλγόριθμοι, η μηχανική μάθηση άκμασε παράλληλα με την τεχνητή νοημοσύνη.

Ήταν κατά τη διάρκεια αυτής της περιόδου που το μεγαλύτερο εμπόδιο που μπλοκάρει την τεχνητή νοημοσύνη ήταν η έλλειψη υπολογιστικής ισχύος. Οι υπολογιστές δεν μπορούσαν να αποθηκεύσουν αρκετά δεδομένα ή να επεξεργαστούν τα δεδομένα γρήγορα, με αποτέλεσμα να δημιουργηθούν εμπόδια στην πρόσβαση σε τεχνητή νοημοσύνη. Το κόστος των ηλεκτρονικών υπολογιστών μειώνονταν, αλλά δεν ήταν αρκετά ισχυρά για να εξυπηρετήσουν τον αναπτυσσόμενο τομέα.

Ο τομέας της τεχνητής νοημοσύνης αναζωπυρώθηκε τη δεκαετία του 1980 καθώς αυξήθηκε η υπολογιστική ισχύς. Μια ενίσχυση 400 εκατομμυρίων δολαρίων στη χρηματοδότηση από το 1982-1990 βοήθησε στην προώθηση των ερευνητικών προσπαθειών[3]. Στη συνέχεια, η Naomi Freundlich έγραψε τον Φεβρουάριο του 1989 για τους «υπολογιστές τύπου εγκεφάλου» και την εμπειρία της στο Πανεπιστήμιο της Κολούμπια με έναν υπολογιστή που έμαθε να προφέρει αγγλικό κείμενο από τη μια μέρα στην άλλη.[4]. Παρά την απουσία κρατικής χρηματοδότησης και τη δημόσια διαφημιστική εκστρατεία, η τεχνητή νοημοσύνη συνέχισε να αναπτύσσεται. της IBM Deep Blue, ένας υπολογιστής που έπαιζε σκάκι κέρδισε τον παγκόσμιο πρωταθλητή σκακιού και μεγάλο μάστερ Γκάρι Κασπάροφ το 1997, αποτελώντας ένα τεράστιο βήμα προς τη δημόσια υιοθεσία[5].

Σήμερα, ζούμε στην εποχή των «μεγάλων δεδομένων». Η υπολογιστική ισχύς έχει ξεπεράσει τις τρέχουσες ανάγκες μας, το Web 3.0 έχει αυξηθεί σε δημοτικότητα και έχει υπάρξει μια ευρεία υιοθέτηση της τεχνητής νοημοσύνης για καθημερινή χρήση. Από το 2011 έως σήμερα, η αναγνώριση ομιλίας, η αυτοματοποίηση διαδικασιών ρομποτικής, τα έξυπνα σπίτια και οι καθημερινές χρήσεις της τεχνητής νοημοσύνης έχουν φέρει την τεχνητή νοημοσύνη στα σπίτια, τις επιχειρήσεις και τις τσέπες μας. Σχεδόν οι μισές επιχειρήσεις χρησιμοποιούν εργαλεία ανάλυσης δεδομένων, μηχανικής μάθησης ή τεχνητής νοημοσύνης για να αντιμετωπίσουν ζητήματα ποιότητας δεδομένων, σύμφωνα με έρευνα του 2020 από την O'Reilly[6]. Η χρηματοδότηση επιχειρηματικών συμμετοχών έχει φτάσει στο ύψος της αναδυόμενης τεχνολογίας, καθώς το μέγεθος της αγοράς τεχνητής νοημοσύνης προβλέπεται να φτάσει τα 86.9 δισεκατομμύρια δολάρια το 2022[7].

Μπορεί να είναι δύσκολο να προβλέψουμε πώς μπορεί να μοιάζει η Τεχνητή Νοημοσύνη στο μέλλον, αλλά το Forbes περιέγραψε πέντε προβλέψεις για το πώς θα μπορούσε να χρησιμοποιηθεί η τεχνητή νοημοσύνη τα επόμενα πέντε έως δέκα χρόνια[8]. Πρώτον, η τεχνητή νοημοσύνη και η ML θα μπορούσαν να μεταμορφώσουν την επιστημονική μέθοδο, χρησιμοποιώντας υπολογιστές για να αντιμετωπίσουν ένα ευρύτερο σύνολο ιδεών από αυτό που θα μπορούσε να εξερευνήσει υπολογιστικά ένας ανθρώπινος εγκέφαλος. Η τεχνητή νοημοσύνη θα μπορούσε επίσης να γίνει πυλώνας της εξωτερικής πολιτικής, καθώς η καινοτομία της τεχνητής νοημοσύνης θα μπορούσε να συμβάλει στη βελτίωση της οικονομικής ανθεκτικότητας και η γεωπολιτική ηγεσία στην τεχνητή νοημοσύνη των ΗΠΑ θα μπορούσε επίσης να επιτρέψει την επόμενη γενιά καταναλωτικών εμπειριών. Η δημοτικότητα του μετασύμπαντος και του κρυπτονομίσματος ενεργοποιούνται κριτικά από την τεχνητή νοημοσύνη και θα μπορούσαν να βοηθήσουν στη μετατροπή του τρόπου με τον οποίο οι άνθρωποι καταναλώνουν περιεχόμενο. Η τεχνητή νοημοσύνη θα μπορούσε επίσης να είναι κρίσιμη για την αντιμετώπιση της κλιματικής κρίσης, με αγορές προβλέψεων που θα μπορούσαν να δείξουν τον αντίκτυπο των περιβαλλοντικών πολιτικών. Τέλος, η τεχνητή νοημοσύνη θα μπορούσε να επιτρέψει την πραγματικά εξατομικευμένη ιατρική, η οποία μπορεί να επιτρέψει στους ασθενείς να λαμβάνουν ατομικά συνθετικές θεραπείες για διαφορετικές ασθένειες ή καταστάσεις. Η τεχνητή νοημοσύνη έχει πολλές δυνατότητες, αλλά έχει ακόμη πολύ δρόμο να διανύσει μέχρι να επηρεάσει ευρέως αυτές τις κρίσιμες πτυχές της οικονομίας και της κοινωνίας μας.

Η τεχνητή νοημοσύνη φαίνεται δραστικά διαφορετική από όταν πρωτοεμφανίστηκε το 1956. Ακριβώς όπως οι υπολογιστές έχουν εξελιχθεί κατά τη διάρκεια των δεκαετιών, η Τεχνητή Νοημοσύνη αναμένεται να εξελιχθεί καθώς λαμβάνει χώρα ευρεία υιοθέτηση και συνεχίζεται η χρηματοδότηση επιχειρηματικών συμμετοχών. Αν και δεν μπορούμε να είμαστε σίγουροι πώς θα είναι η τεχνητή νοημοσύνη στο μέλλον, υπάρχουν πολλές υποσχόμενες περιπτώσεις χρήσης για την τεχνητή νοημοσύνη σε διάφορους τομείς και κλάδους.

[1] https://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/#:~:text=In%20the%20early%201950s%2C%20the%20cost%20of%20leasing%20a%20computer%20ran%20up%20to%20%24200%2C000%20a%20month.

[2] file:///Users/anyabuck/Downloads/1911-Article%20Text-1907-1-10-20080129.pdf

[3] https://sitn.hms.harvard.edu/flash/2017/history-artificial-intelligence/#:~:text=From%201982%2D1990%2C%20they%20invested%20%24400%20million%20dollars%20with%20the%20goals%20of%20revolutionizing%20computer%20processing%2C%20implementing%20logic%20programming%2C%20and%20improving%20artificial%20intelligence.

[4] https://www.popsci.com/technology/ai-history-eighties/#:~:text=%E2%80%9CThis%20is%20a%20recording%20of%20a%20computer%20that%20taught%20itself%20to%20pronounce%20English%20text%20overnight%2C%E2%80%9D

[5] https://www.ibm.com/ibm/history/ibm100/us/en/icons/deepblue/

[6] https://www.oreilly.com/radar/the-state-of-data-quality-in-2020/#:~:text=Almost%20half%20(48%25)%20of,to%20address%20data%20quality%20issues.

[7] https://www.marketsandmarkets.com/Market-Reports/artificial-intelligence-market-74851580.html

[8] https://www.forbes.com/sites/forbesbusinesscouncil/2022/05/05/the-future-of-ai-5-things-to-expect-in-the-next-10-years/?sh=4638245b7422

*****

Οι πληροφορίες που παρουσιάζονται εδώ προορίζονται μόνο για γενικούς ενημερωτικούς σκοπούς και δεν προορίζονται, ούτε θα πρέπει να ερμηνευθούν ή να χρησιμοποιηθούν ως, πλήρη έγγραφα τεκμηρίωσης για οποιαδήποτε ασφάλεια, επένδυση, φορολογική ή νομική συμβουλή, σύσταση ή προσφορά πώλησης ή ζήτηση προσφοράς αγοράς, ενδιαφέροντος, άμεσα ή έμμεσα, σε οποιαδήποτε εταιρεία. Η επένδυση τόσο σε εταιρείες πρώιμου όσο και σε μεταγενέστερο στάδιο ενέχει υψηλό βαθμό κινδύνου. Είναι δυνατή η απώλεια ολόκληρης της επένδυσης ενός επενδυτή και δεν μπορεί να πραγματοποιηθεί κέρδος. Οι επενδυτές πρέπει να γνωρίζουν ότι αυτοί οι τύποι επενδύσεων είναι ρευστοποιήσιμοι και πρέπει να προβλέπουν την κατοχή έως ότου πραγματοποιηθεί έξοδος.