Що таке штучний інтелект (ШІ)?

Що таке штучний інтелект?

Штучний інтелект – це комп’ютерні системи, які здатні виконувати завдання, що традиційно асоціюються з людським інтелектом – такі як прогнозування, ідентифікація об’єктів, інтерпретація мови та створення природної мови. Системи штучного інтелекту вчаться цьому, обробляючи величезні обсяги даних і шукаючи закономірності для моделювання при прийнятті власних рішень. У багатьох випадках люди контролюють процес навчання ШІ, підкріплюючи правильні рішення і відкидаючи неправильні, але деякі системи ШІ розроблені таким чином, щоб навчатися без нагляду.

З часом системи штучного інтелекту вдосконалюються у виконанні конкретних завдань, що дозволяє їм адаптуватися до нових вхідних даних і приймати рішення, не будучи явно запрограмованими на це. По суті, штучний інтелект – це навчання машин мислити і вчитися, як люди, з метою автоматизації роботи і більш ефективного вирішення проблем.

Чому штучний інтелект важливий?

Штучний інтелект має на меті надати машинам можливості обробки та аналізу, подібні до людських, що робить ШІ корисним партнером людей у повсякденному житті. ШІ здатен інтерпретувати та сортувати дані в масштабі, вирішувати складні проблеми та автоматизувати різні завдання одночасно, що може заощадити час і заповнити прогалини в роботі, які пропускає людина.

ШІ слугує основою для комп’ютерного навчання і використовується майже в кожній галузі – від охорони здоров’я та фінансів до виробництва та освіти – допомагаючи приймати рішення на основі даних і виконувати повторювані або обчислювально інтенсивні завдання.

Багато існуючих технологій використовують штучний інтелект для розширення можливостей. Ми бачимо його у смартфонах зі штучним інтелектом, платформах електронної комерції з рекомендаційними системами та автомобілях з функцією автономного водіння. ШІ також допомагає захищати людей, пілотуючи системи виявлення шахрайства в Інтернеті та роботів для небезпечних робіт, а також проводячи дослідження в галузі охорони здоров’я та кліматичних ініціатив.

Як працює ШІ?

Системи штучного інтелекту працюють за допомогою алгоритмів і даних. Спочатку збирають величезну кількість даних і застосовують їх до математичних моделей або алгоритмів, які використовують інформацію для розпізнавання закономірностей і прогнозування в процесі, відомому як навчання. Після того, як алгоритми навчені, їх розгортають у різних додатках, де вони безперервно навчаються на нових даних і адаптуються до них. Це дозволяє системам штучного інтелекту виконувати складні завдання, такі як розпізнавання зображень, обробка мови та аналіз даних, з більшою точністю та ефективністю з плином часу.

Машинне навчання

Основним підходом до створення систем штучного інтелекту є машинне навчання (ML), коли комп’ютери навчаються на великих масивах даних, визначаючи закономірності та взаємозв’язки в даних. Алгоритм машинного навчання використовує статистичні методи, щоб допомогти йому “навчитися”, як поступово покращувати виконання завдання, не обов’язково будучи запрограмованим саме на це завдання. Він використовує історичні дані як вхідні для прогнозування нових вихідних значень. Машинне навчання складається з керованого навчання (коли очікуваний результат для вхідних даних відомий завдяки маркованим наборам даних) і некерованого навчання (коли очікувані результати невідомі через використання немаркованих наборів даних).

Нейронні мережі

Машинне навчання зазвичай здійснюється за допомогою нейронних мереж- серії алгоритмів, які обробляють дані, імітуючи структуру людського мозку. Ці мережі складаються з шарів взаємопов’язаних вузлів, або “нейронів”, які обробляють інформацію та передають її один одному. Регулюючи силу зв’язків між цими нейронами, мережа може навчитися розпізнавати складні патерни в даних, робити прогнози на основі нових вхідних даних і навіть вчитися на помилках. Це робить нейронні мережі корисними для розпізнавання зображень, розуміння людської мови та перекладу слів з однієї мови на іншу.

Глибоке навчання

Глибоке навчання – важливий підрозділ машинного навчання. Воно використовує тип штучних нейронних мереж, відомих як глибокі нейронні мережі, які містять низку прихованих шарів, через які обробляються дані, що дозволяє машині “заглиблюватися” у своє навчання і розпізнавати дедалі складніші закономірності, встановлюючи зв’язки та зважуючи вхідні дані для досягнення найкращих результатів. Глибинне навчання особливо ефективне в таких завданнях, як розпізнавання зображень і мови та обробка природної мови, що робить його найважливішим компонентом у розробці та вдосконаленні систем штучного інтелекту.

Обробка природної мови

Обробка природної мови (Natural Language Processing, NLP ) передбачає навчання комп’ютерів розуміти і відтворювати письмову та усну мову так само, як це робить людина. NLP поєднує інформатику, лінгвістику, машинне навчання та концепції глибокого навчання, щоб допомогти комп’ютерам аналізувати неструктуровані текстові або голосові дані та витягувати з них релевантну інформацію. NLP в основному займається розпізнаванням мовлення та створенням природної мови, і його використовують для таких випадків використання, як виявлення спаму та віртуальні помічники.

Комп’ютерний зір

Комп’ютерний зір – ще одне поширене застосування методів машинного навчання, коли машини обробляють необроблені зображення, відео та візуальні медіа і витягують з них корисну інформацію. Глибоке навчання та згорткові нейронні мережі використовуються для розбиття зображень на пікселі та їх відповідного маркування, що допомагає комп’ютерам розпізнавати різницю між візуальними формами та візерунками. Комп’ютерний зір використовується для розпізнавання зображень, класифікації зображень і виявлення об’єктів, а також виконує такі завдання, як розпізнавання облич у безпілотних автомобілях і роботах.

Види штучного інтелекту

Штучний інтелект можна класифікувати кількома різними способами.

Сильний ШІ проти слабкого

ШІ можна розділити на дві великі категорії: слабкий і сильний ШІ.

Слабкий ШІ (або вузький ШІ) – це ШІ, який автоматизує конкретні завдання. Зазвичай він перевершує людину, але працює в обмеженому контексті і застосовується для вирішення вузько визначеної проблеми. Наразі всі системи штучного інтелекту є прикладами слабкого ШІ, починаючи від спам-фільтрів у поштових скриньках і закінчуючи рекомендаційними системами та чат-ботами.

Сильний ШІ, який часто називають штучним загальним інтелектом (AGI), є гіпотетичним еталоном, на якому ШІ міг би володіти людським інтелектом і адаптивністю, вирішуючи проблеми, над якими його ніколи не навчали працювати. Насправді ШІ ще не існує, і неясно, чи він коли-небудь з’явиться.

4 види штучного інтелекту

ШІ можна поділити на чотири основні типи: реактивні машини, обмежена пам’ять, теорія розуму та самосвідомість.

Реактивні машини сприймають світ перед собою і реагують на нього. Вони можуть виконувати конкретні команди і запити, але вони не можуть зберігати пам’ять або покладатися на минулий досвід для прийняття рішень у реальному часі. Це робить реактивні машини корисними для виконання обмеженої кількості спеціалізованих завдань. Прикладами можуть слугувати система рекомендацій Netflix та Deep Blue від IBM (використовується для гри в шахи).

ШІ з обмеженою пам’яттю має здатність зберігати попередні дані та прогнози під час збору інформації та прийняття рішень. По суті, він шукає в минулому підказки, щоб передбачити, що може статися далі. ШІ з обмеженою пам’яттю створюється, коли команда безперервно навчає модель аналізувати та використовувати нові дані, або коли створюється середовище для ШІ, в якому моделі можуть автоматично навчатися та оновлюватися. Приклади включають ChatGPT і безпілотні автомобілі.

Теорія розуму – це тип ШІ, який ще не існує, але він описує ідею системи ШІ, яка може сприймати і розуміти людські емоції, а потім використовувати цю інформацію для прогнозування майбутніх дій і самостійного прийняття рішень.

Самосвідомий ШІ відноситься до штучного інтелекту, який має самосвідомість або відчуття себе. Наразі такого типу ШІ не існує. Теоретично, однак, самосвідомий ШІ має свідомість, подібну до людської, і розуміє власне існування у світі, а також емоційний стан інших людей.

Переваги штучного інтелекту

ШІ корисний для автоматизації повторюваних завдань, вирішення складних проблем, зменшення людських помилок та багато іншого.

Автоматизація повторюваних завдань

Повторювані завдання, такі як введення даних і робота на виробництві, а також розмови з клієнтами, можна автоматизувати за допомогою технології штучного інтелекту. Це дозволяє людям зосередитися на інших пріоритетах.

Вирішення складних проблем

Здатність ШІ обробляти великі обсяги даних одночасно дозволяє йому швидко знаходити закономірності і вирішувати складні завдання, які можуть бути занадто важкими для людини, наприклад, прогнозувати фінансові перспективи або оптимізувати енергетичні рішення.

Покращення клієнтського досвіду

ШІ можна застосовувати через персоналізацію користувачів, чат-боти та автоматизовані технології самообслуговування, що робить клієнтський досвід більш бездоганним і підвищує рівень утримання клієнтів для бізнесу.

Розвиток охорони здоров’я та медицини

ШІ сприяє розвитку охорони здоров’я, прискорюючи постановку медичних діагнозів, пошук і розробку ліків, а також впровадження медичних роботів у лікарнях і медичних центрах.

Зменшення людських помилок

Здатність швидко виявляти взаємозв’язки в даних робить ШІ ефективним для виявлення помилок або аномалій серед купи цифрової інформації, що в цілому зменшує кількість людських помилок і забезпечує точність.

Недоліки штучного інтелекту

Хоча штучний інтелект має свої переваги, ця технологія також пов’язана з ризиками та потенційними небезпеками, які слід враховувати.

Переміщення робочих місць

Здатність ШІ автоматизувати процеси, швидко генерувати контент і працювати протягом тривалого часу може означати витіснення робочих місць для людей.

Упередження та дискримінація

Моделі ШІ можуть навчатися на даних, які відображають упереджені людські рішення, що призводить до упередженого або дискримінаційного ставлення до певних демографічних груп.

Галюцинації

Системи штучного інтелекту можуть ненавмисно “галюцинувати” або видавати неточні результати при навчанні на недостатніх або упереджених даних, що призводить до генерування неправдивої інформації.

Занепокоєння щодо конфіденційності

Дані, зібрані та збережені системами штучного інтелекту, можуть зберігатися без згоди або відома користувача, і навіть можуть бути доступними для сторонніх осіб у разі витоку даних.

Етичні проблеми

Системи штучного інтелекту можуть розроблятися непрозорим, неінклюзивним і нестійким способом, що призводить до відсутності пояснень потенційно шкідливих рішень ШІ, а також до негативного впливу на користувачів і бізнес.

Екологічні витрати

Масштабні системи штучного інтелекту можуть потребувати значної кількості енергії для роботи та обробки даних, що збільшує викиди вуглецю та споживання води.

Застосування штучного інтелекту

Штучний інтелект знаходить застосування в різних галузях, допомагаючи впорядкувати процеси та підвищити ефективність бізнесу.

Охорона здоров’я

ШІ використовується в охороні здоров’я для підвищення точності медичних діагнозів, полегшення досліджень і розробки ліків, управління конфіденційними медичними даними та автоматизації онлайн-обслуговування пацієнтів. Він також є рушійним фактором для медичних роботів, які надають допоміжну терапію або асистують хірургам під час хірургічних процедур.

Роздрібна торгівля

Штучний інтелект у роздрібній торгівлі покращує клієнтський досвід завдяки персоналізації користувачів, рекомендаціям продуктів, асистентам при покупках і розпізнаванню облич для здійснення платежів. Рітейлерам і постачальникам ШІ допомагає автоматизувати роздрібний маркетинг, виявляти підроблені товари на ринках, управляти товарними запасами і витягувати дані з Інтернету для визначення товарних тенденцій.

Обслуговування клієнтів

У сфері обслуговування клієнтів штучний інтелект дає змогу надавати швидшу та більш персоналізовану підтримку. Чат-боти та віртуальні асистенти зі штучним інтелектом можуть обробляти рутинні запити клієнтів, надавати рекомендації щодо продуктів і вирішувати типові проблеми в режимі реального часу. А завдяки НЛП системи штучного інтелекту можуть розуміти запити клієнтів і відповідати на них у більш людський спосіб, підвищуючи загальну задоволеність і скорочуючи час відповіді.

Виробництво

ШІ на виробництві може зменшити кількість помилок при складанні та скоротити час виробництва, одночасно підвищуючи безпеку працівників. Системи штучного інтелекту можуть контролювати заводські цехи, допомагаючи виявляти інциденти, відстежувати контроль якості та прогнозувати потенційні несправності обладнання. ШІ також керує фабричними та складськими роботами, які можуть автоматизувати виробничі процеси та виконувати небезпечні завдання.

Фінанси

Фінансова індустрія використовує штучний інтелект для виявлення шахрайства в банківській діяльності, оцінки фінансового стану, прогнозування фінансових ризиків для бізнесу, а також для управління торгівлею акціями та облігаціями на основі ринкових моделей. ШІ також впроваджується у фінтех і банківські додатки, допомагаючи персоналізувати банківські послуги та надавати цілодобову підтримку клієнтам.

Маркетинг

У маркетинговій індустрії штучний інтелект відіграє вирішальну роль у підвищенні залученості клієнтів і проведенні більш таргетованих рекламних кампаній. Розширений аналіз даних дозволяє маркетологам глибше зрозуміти поведінку, вподобання та тенденції клієнтів, а генератори контенту на основі ШІ допомагають їм створювати більш персоналізований контент і рекомендації в широких масштабах. ШІ також можна використовувати для автоматизації повторюваних завдань, таких як email-маркетинг і управління соціальними мережами.

Ігри

Розробники відеоігор застосовують ШІ, щоб зробити ігровий досвід більш захоплюючим. Неігрові персонажі (NPC) у відеоіграх використовують ШІ, щоб відповідно реагувати на дії гравців і навколишнє середовище, створюючи ігрові сценарії, які можуть бути більш реалістичними, приємними та унікальними для кожного гравця.

Військові

ШІ допомагає військовим на полі бою і за його межами, допомагаючи швидше обробляти дані військової розвідки, виявляти кібератаки або автоматизувати військове озброєння, оборонні системи і транспортні засоби. Зокрема, безпілотники і роботи можуть бути оснащені штучним інтелектом, що робить їх придатними для автономних бойових або пошуково-рятувальних операцій.

Приклади штучного інтелекту

Конкретні приклади ШІ включають

Інструменти генеративного ШІ

Інструменти генеративного ШІ, які іноді називають чат-ботами, зокрема ChatGPT, Gemini, Claude і Grok, використовують штучний інтелект для створення письмового контенту в різних форматах – від есе до коду і відповідей на прості запитання.

Розумні помічники

Персональні асистенти зі штучним інтелектом, такі як Alexa і Siri, використовують обробку природної мови для отримання інструкцій від користувачів для виконання різноманітних “розумних завдань”. Вони можуть виконувати такі команди, як встановлення нагадувань, пошук інформації в Інтернеті або вимкнення світла на кухні.

Безпілотні автомобілі

Самокеровані автомобілі є впізнаваним прикладом глибокого навчання, оскільки вони використовують глибокі нейронні мережі для виявлення об’єктів навколо себе, визначення відстані до інших автомобілів, розпізнавання сигналів світлофора та багато іншого.

Речі, що носяться

Багато датчиків і пристроїв, що використовуються в галузі охорони здоров’я, застосовують глибоке навчання для оцінки стану здоров’я пацієнтів, включаючи рівень цукру в крові, артеріальний тиск і частоту серцевих скорочень. Вони також можуть виводити закономірності з попередніх медичних даних пацієнта і використовувати їх для прогнозування будь-яких майбутніх станів здоров’я.

Візуальні фільтри

Фільтри, що використовуються на платформах соціальних мереж, таких як TikTok і Snapchat, покладаються на алгоритми, які розрізняють об’єкт зображення і фон, відстежують рухи обличчя і підлаштовують зображення на екрані залежно від того, що робить користувач.

Підйом генеративного ШІ

Генеративний ШІ описує системи штучного інтелекту, які можуть створювати новий контент – текст, зображення, відео або аудіо – на основі запиту користувача. Для роботи модель генеративного ШІ отримує величезні масиви даних і навчається виявляти в них закономірності, а потім генерує результати, які нагадують ці навчальні дані.

Генеративний штучний інтелект набув величезної популярності за останні кілька років, особливо з появою чат-ботів і генераторів зображень. Такі інструменти часто використовують для створення письмових текстів, коду, цифрового мистецтва та дизайну предметів, а також у таких галузях, як розваги, маркетинг, виробництво споживчих товарів і виробництво.

Однак генеративний ШІ має і свої виклики. Наприклад, він може бути використаний для створення фейкового контенту та глибоких фейків, які можуть поширювати дезінформацію та підривати соціальну довіру. А деякі матеріали, створені штучним інтелектом, можуть потенційно порушувати авторські права та права інтелектуальної власності.

Регулювання штучного інтелекту

У міру того, як ШІ стає все більш складним і потужним, законодавці в усьому світі намагаються регулювати його використання і розвиток.

Перший серйозний крок у регулюванні ШІ був зроблений у 2024 році в Європейському Союзі з прийняттям масштабного Закону про штучний інтелект, який має на меті забезпечити, щоб розгорнуті там системи ШІ були “безпечними, прозорими, відстежуваними, недискримінаційними та екологічно чистими”. Такі країни, як Китай і Бразилія, також зробили кроки для регулювання штучного інтелекту.

Тим часом регулювання ШІ в Сполучених Штатах все ще перебуває в процесі розробки. Адміністрація Байдена-Харріса запровадила Білль про права щодо ШІ, який не має юридичної сили, у 2022 році, а потім у 2023 році – Указ про безпечний , надійний і надійний ШІ, який має на меті регулювати індустрію ШІ, зберігаючи при цьому статус країни як лідера в цій галузі. Конгрес робив кілька спроб створити більш надійне законодавство, але вони в основному зазнали невдачі, так і не прийнявши законів, які б конкретно обмежували використання ШІ або регулювали ризики, пов’язані з його застосуванням. Наразі все законодавство у сфері АІ в США існує лише на рівні штатів.

Майбутнє штучного інтелекту

Майбутнє штучного інтелекту має величезні перспективи, адже він здатен революціонізувати галузі, розширити людські можливості та вирішити складні проблеми. Його можна використовувати для розробки нових ліків, оптимізації глобальних ланцюгів поставок і створення нового захоплюючого мистецтва, що змінює наш спосіб життя і роботи.

Забігаючи наперед, можна сказати, що одним з наступних великих кроків у розвитку штучного інтелекту є вихід за межі слабкого або вузького ШІ і досягнення штучного загального інтелекту (ШЗІ). Завдяки ШІ машини зможуть думати, навчатися і діяти так само, як і люди, розмиваючи межу між органічним і машинним інтелектом. Це може прокласти шлях до більшої автоматизації та можливостей вирішення проблем у медицині, транспорті тощо, а також до розумного ШІ в майбутньому.

З іншого боку, зростаюча складність ШІ також викликає занепокоєння щодо збільшення кількості робочих місць, поширення дезінформації та втрати приватності. Також залишаються питання щодо потенціалу ШІ випередити людське розуміння та інтелект – явище, відоме як технологічна сингулярність, яке може призвести до непередбачуваних ризиків і можливих моральних дилем.

Наразі суспільство здебільшого орієнтується на федеральні та бізнес-нормативи у сфері ШІ, які допоможуть визначити майбутнє цієї технології.

Історія штучного інтелекту

Штучний інтелект як концепція почав розвиватися в 1950-х роках, коли вчений-комп’ютерник Алан Тьюрінг опублікував статтю “Обчислювальна техніка та інтелект”, в якій поставив питання про те, чи можуть машини мислити і як можна перевірити інтелект комп’ютера. Ця робота заклала основу для досліджень і розробок у галузі штучного інтелекту і стала першою пропозицією тесту Тюрінга- методу, що використовується для оцінки машинного інтелекту. Термін “штучний інтелект” був введений у 1956 році комп’ютерним науковцем Джоном Маккарті на науковій конференції в Дартмутському коледжі.

Після конференції Маккарті та протягом 1970-х років інтерес до досліджень ШІ зростав з боку академічних інституцій та уряду США. Інновації в обчислювальній техніці дозволили за цей час створити кілька основ ШІ, включаючи машинне навчання, нейронні мережі та обробку природної мови. Незважаючи на свої досягнення, технології ШІ врешті-решт виявилося складніше масштабувати, ніж очікувалося, а інтерес до них і фінансування знизився, що призвело до першої “зими ШІ” до 1980-х років.

У середині 1980-х років інтерес до ШІ знову прокинувся, оскільки комп’ютери стали потужнішими, глибоке навчання набуло популярності, і з’явилися “експертні системи”, що працюють на основі штучного інтелекту. Однак через ускладнення нових систем і нездатність існуючих технологій встигати за ними настала друга зима ШІ, яка тривала до середини 1990-х років.

До середини 2000-х років інновації в області обчислювальних потужностей, великих даних і передових методів глибокого навчання подолали попередні перешкоди на шляху ШІ, уможлививши подальші прориви ШІ. Сучасні технології ШІ, такі як віртуальні асистенти, безпілотні автомобілі та генеративний ШІ, почали входити в мейнстрім у 2010-х роках, зробивши ШІ таким, яким він є сьогодні.

Хронологія розвитку штучного інтелекту

(1943) Уоррен Маккалоу та Волтер Піттс публікують статтю “Логічне обчислення ідей, іманентних нервовій діяльності“, в якій пропонують першу математичну модель для побудови нейронної мережі.

(1949) У своїй книзі ” Організація поведінки: Нейропсихологічна теорія” Дональд Хебб пропонує теорію, згідно з якою нейронні шляхи створюються на основі досвіду, а зв’язки між нейронами стають тим міцнішими, чим частіше вони використовуються. Хебівське навчання продовжує залишатися важливою моделлю в ШІ.

(1950) Алан Тюрінг публікує статтю “Обчислювальна техніка та інтелект”, в якій пропонує те, що зараз відоме як тест Тюрінга – метод визначення того, чи є машина розумною.

(1950) Студенти Гарвардського університету Марвін Мінскі та Дін Едмондс створюють SNARC, перший нейромережевий комп’ютер.

(1956) Словосполучення “штучний інтелект” з’явилося на Літньому дослідницькому проекті зі штучного інтелекту в Дартмуті. Очолювана Джоном Маккарті, конференція вважається місцем народження ШІ.

(1958) Джон Маккарті розробляє мову програмування ШІ Lisp і публікує статтю “Програми зі здоровим глуздом“, в якій пропонує гіпотетичний Advice Taker – повноцінну систему ШІ, що здатна навчатися на власному досвіді так само ефективно, як і людина.

(1959) Артур Семюел вводить термін “машинне навчання”, працюючи в IBM.

(1964) Деніел Боброу розробляє STUDENT, ранню програму обробки природної мови, призначену для розв’язування алгебраїчних задач на слова, будучи докторантом в Массачусетському технологічному інституті.

(1966) Професор Массачусетського технологічного інституту Джозеф Вайзенбаум створює Елізу, одного з перших чат-ботів, який успішно імітував розмовні патерни користувачів, створюючи ілюзію, що він розуміє більше, ніж говорить. Це поклало початок ефекту Елізи- поширеному явищу, коли люди помилково приписують системам штучного інтелекту людські процеси мислення та емоції.

(1969) Перші успішні експертні системи, DENDRAL і MYCIN, створені в Лабораторії штучного інтелекту Стенфордського університету.

(1972) Створено мову логічного програмування PROLOG.

(1973) Британський уряд публікує “Звіт Лайтхілла”, в якому детально описує розчарування в дослідженнях ШІ, що призводить до значного скорочення фінансування проектів зі створення штучного інтелекту.

(1974-1980) Розчарування прогресом у розвитку ШІ призводить до значного скорочення академічних грантів DARPA. У поєднанні з попереднім звітом ALPAC і торішнім звітом Лайтхілла, фінансування ШІ вичерпується, а дослідження зупиняються. Цей період відомий як “Перша зима ШІ”.

(1980) Digital Equipment Corporations розробляє R1 (також відому як XCON), першу успішну комерційну експертну систему. Розроблена для конфігурації замовлень на нові комп’ютерні системи, R1 започатковує інвестиційний бум в експертні системи, який триватиме більшу частину десятиліття, фактично завершуючи першу зиму ШІ.

(1985) Компанії витрачають понад мільярд доларів на рік на експертні системи, а для їхньої підтримки виникає ціла індустрія, відома як ринок машин на мові Лісп. Такі компанії, як Symbolics та Lisp Machines Inc. створюють спеціалізовані комп’ютери, що працюють на мові програмування ШІ Lisp.

(1987-1993) З розвитком комп’ютерних технологій з’явилися дешевші альтернативи, і в 1987 році ринок комп’ютерів на мові Лісп зазнав краху, що стало початком “Другої зими штучного інтелекту”. У цей період експертні системи виявилися надто дорогими в обслуговуванні та оновленні, і врешті-решт втратили популярність.

(1997) Deep Blue від IBM перемагає чемпіона світу з шахів Гарі Каспарова.

(2006) Фей-Фей Лі починає працювати над візуальною базою даних ImageNet, представленою в 2009 році. Це стало каталізатором буму штучного інтелекту та основою, на якій розвивалося розпізнавання зображень.

(2008) Google робить прорив у розпізнаванні мови і впроваджує цю функцію в додаток для iPhone.

(2011) Watson від IBM легко перемагає конкурентів у грі Jeopardy!

(2011) Apple випускає Siri, віртуального асистента зі штучним інтелектом, у своїй операційній системі iOS.

(2012) Ендрю Нг, засновник проекту Google Brain Deep Learning, подає нейромережі, що використовує алгоритми глибокого навчання, 10 мільйонів відео з YouTube як навчальну базу. Нейромережа навчилася розпізнавати кота, навіть не знаючи, що це за кіт, що відкрило еру прориву для нейромереж і фінансування глибокого навчання.

(2014) Випущено Amazon Alexa, розумний пристрій для віртуального будинку.

(2016) AlphaGo від Google DeepMind перемагає чемпіона світу з го Лі Седола. Складність стародавньої китайської гри вважалася головною перешкодою для ШІ.

(2018) Google випускає систему обробки природної мови BERT, яка зменшує бар’єри в перекладі та розумінні в ML-додатках.

(2020) Baidu випускає свій алгоритм LinearFold AI для наукових і медичних команд, які працюють над розробкою вакцини на ранніх стадіях пандемії SARS-CoV-2. Алгоритм здатен передбачити послідовність РНК вірусу всього за 27 секунд, що в 120 разів швидше, ніж інші методи.

(2020) OpenAI випускає модель обробки природної мови GPT-3, яка здатна створювати текст, змодельований на основі того, як люди говорять і пишуть.

(2021) OpenAI використовує GPT-3 для розробки DALL-E, який може створювати зображення з текстових підказок.

(2022) Національний інститут стандартів і технологій випускає перший проєкт Рамкової концепції управління ризиками штучного інтелекту, добровільного керівництва США “для кращого управління ризиками для окремих осіб, організацій і суспільства, пов’язаними зі штучним інтелектом”.

(2022) OpenAI запускає ChatGPT, чат-бота на основі великої мовної моделі, який за кілька місяців набрав понад 100 мільйонів користувачів.

(2022) Білий дім представив Білль про права ШІ, в якому викладено принципи відповідальної розробки та використання ШІ.

(2023) Microsoft запускає версію пошукової системи Bing зі штучним інтелектом, побудовану на тій самій технології, що й ChatGPT.

(2023) Google анонсує Bard, конкурентний розмовний ШІ. Пізніше він стане Gemini.

(2023) OpenAI запускає GPT-4, свою найдосконалішу мовну модель.

(2023) Адміністрація Байдена-Харріса видає указ “Про безпечний , надійний і надійний ШІ”, який закликає до тестування безпеки, маркування контенту, створеного ШІ, та активізації зусиль зі створення міжнародних стандартів для розробки і використання ШІ. Указ також наголошує на важливості забезпечення того, щоб штучний інтелект не використовувався для обходу захисту приватного життя, посилення дискримінації або порушення громадянських прав чи прав споживачів.

(2023) Чат-бот Grok випущений AI-компанією Ілона Маска xAI.

(2024) Європейський Союз приймає Закон про штучний інтелект, який має на меті забезпечити, щоб системи ШІ, розгорнуті в ЄС, були “безпечними, прозорими, відстежуваними, недискримінаційними та екологічно чистими”.

(2024) Claude 3 Opus, велика мовна модель, розроблена компанією Anthropic, що займається штучним інтелектом, перевершує GPT-4 – перший LLM, який це зробив.