Bezpłatny fragment - OJCOWIE SZTUCZNEJ INTELIGENCJI

WSTĘP

Historia sztucznej inteligencji jest jedną z najbardziej niezwykłych opowieści o ludzkiej pomysłowości, ambicji i nieustannym dążeniu do przekraczania granic własnych możliwości. Jeszcze kilkadziesiąt lat temu maszyny zdolne do prowadzenia rozmowy, rozpoznawania obrazów, tłumaczenia języków, komponowania muzyki czy rozwiązywania skomplikowanych problemów naukowych należały przede wszystkim do świata literatury science fiction. Dzisiaj wiele z tych możliwości stało się częścią codziennego życia. Sztuczna inteligencja pomaga lekarzom analizować wyniki badań, wspiera naukowców w odkrywaniu nowych leków, ułatwia pracę przedsiębiorstw, usprawnia transport, uczestniczy w tworzeniu treści i coraz częściej staje się narzędziem, z którym człowiek współpracuje podczas wykonywania zadań wymagających wiedzy, kreatywności i logicznego myślenia. Rozwój tej technologii nie nastąpił jednak nagle. Nie był również dziełem jednego genialnego wynalazcy. Za powstaniem sztucznej inteligencji stoi długa historia idei, eksperymentów, matematycznych odkryć, przełomowych konstrukcji i intelektualnych sporów, w których uczestniczyły kolejne pokolenia badaczy.

Pytanie o to, kto stworzył sztuczną inteligencję, wydaje się proste, ale odpowiedź na nie jest znacznie bardziej złożona. W historii wielu wynalazków można wskazać konkretną osobę, której nazwisko na zawsze wiąże się z określonym urządzeniem lub odkryciem. W przypadku AI takie przypisanie zasług jednej postaci byłoby jednak dużym uproszczeniem. Współczesna sztuczna inteligencja powstała na styku wielu dziedzin nauki: matematyki, logiki, statystyki, informatyki, neurobiologii, lingwistyki, filozofii i inżynierii. Każda z nich dostarczyła narzędzi i koncepcji, bez których dzisiejsze systemy nie mogłyby funkcjonować. Jedni uczeni zastanawiali się, czy rozumowanie człowieka można opisać za pomocą formalnych reguł. Inni budowali podstawy matematycznej teorii obliczeń, projektowali pierwsze komputery, tworzyli modele inspirowane działaniem ludzkiego mózgu albo opracowywali algorytmy pozwalające maszynom uczyć się na podstawie danych. Z czasem te pozornie odległe prace zaczęły łączyć się w jedną dziedzinę, która otrzymała nazwę sztucznej inteligencji.

Samo marzenie o maszynie potrafiącej myśleć jest znacznie starsze niż komputery. Ludzie od wieków tworzyli opowieści o sztucznych istotach, mechanicznych sługach i urządzeniach naśladujących ludzkie zachowania. W mitach, legendach i dawnych tekstach pojawiały się wyobrażenia o przedmiotach obdarzonych pozornym życiem, które wykonywały polecenia swoich twórców. W starożytności i średniowieczu konstruowano automaty, czyli mechaniczne urządzenia zdolne do wykonywania określonych ruchów bez bezpośredniego udziału człowieka. Niektóre z nich wykorzystywały układy hydrauliczne, przekładnie, ciężarki i mechanizmy zegarowe. Choć nie miały nic wspólnego z dzisiejszym uczeniem maszynowym, stanowiły wyraz tej samej fascynacji: czy człowiek może stworzyć coś, co będzie naśladować działanie żywego organizmu?

W kolejnych stuleciach rozwój mechaniki i matematyki sprawił, że marzenie o inteligentnej maszynie zaczęło nabierać bardziej konkretnego kształtu. Konstruowano urządzenia potrafiące wykonywać skomplikowane obliczenia, automatyzowano powtarzalne czynności i poszukiwano sposobów zapisywania informacji w formie, którą można byłoby przetwarzać mechanicznie. Szczególne znaczenie miały prace nad maszynami liczącymi oraz rozwój logiki matematycznej. Stopniowo pojawiała się myśl, że nie tylko proste działania arytmetyczne, ale również bardziej złożone operacje intelektualne mogą zostać przedstawione za pomocą symboli i reguł. Był to jeden z najważniejszych kroków na drodze do powstania sztucznej inteligencji.

W XIX wieku Charles Babbage zaprojektował maszynę różnicową i maszynę analityczną, które wyprzedzały swoje czasy pod względem koncepcji automatycznego przetwarzania informacji. Maszyna analityczna miała wykorzystywać pamięć, jednostkę obliczeniową i instrukcje, dzięki którym można byłoby wykonywać różne operacje. Nie została ukończona w pierwotnie planowanej postaci, ale jej projekt pokazywał, że urządzenie mechaniczne może być czymś więcej niż zwykłym kalkulatorem. Istotną rolę odegrała również Ada Lovelace, która dostrzegła, że odpowiednio zaprogramowana maszyna mogłaby przetwarzać nie tylko liczby, lecz także inne rodzaje symboli. Jej rozważania należą do wczesnych refleksji nad możliwościami programowalnych urządzeń. Jednocześnie Lovelace zwracała uwagę na ograniczenia takich maszyn: urządzenie wykonujące instrukcje nie musi samo z siebie tworzyć nowych idei ani rozumieć znaczenia wykonywanych operacji. Ten problem powrócił później w samym centrum dyskusji o sztucznej inteligencji.

Ważnym fundamentem okazała się także logika matematyczna. George Boole pokazał, że rozumowanie można opisywać za pomocą symboli i działań formalnych. Opracowana przez niego algebra Boole’a stała się jednym z podstawowych elementów późniejszej elektroniki cyfrowej. Dzięki niej możliwe było matematyczne przedstawienie operacji logicznych, takich jak koniunkcja, alternatywa czy negacja. Z perspektywy współczesnego użytkownika komputera są to pojęcia bardzo podstawowe, jednak ich znaczenie dla rozwoju technologii trudno przecenić. Logika pozwoliła opisać pewne formy rozumowania w sposób, który można było przełożyć na działanie układów obliczeniowych.

W XX wieku teoretyczne podstawy obliczeń zaczęły łączyć się z możliwościami nowoczesnej elektroniki. Jedną z najważniejszych postaci tego okresu był Alan Turing, brytyjski matematyk i logik, którego prace wywarły ogromny wpływ na rozwój informatyki. W 1936 roku opublikował rozważania dotyczące abstrakcyjnej maszyny obliczeniowej, znanej dzisiaj jako maszyna Turinga. Był to model teoretyczny, który pozwalał badać, jakie problemy można rozwiązać za pomocą procedury obliczeniowej. Turing nie projektował wówczas współczesnego komputera ani nie tworzył gotowego systemu sztucznej inteligencji. Jego praca pomogła jednak zrozumieć naturę obliczeń i wyznaczyła ważne granice tego, co mogą wykonywać maszyny.

Podczas drugiej wojny światowej Turing uczestniczył w pracach nad łamaniem niemieckich szyfrów, w tym nad analizą systemu Enigma. Było to przedsięwzięcie wymagające połączenia matematyki, logiki, wiedzy technicznej i współpracy wielu specjalistów. Doświadczenia związane z automatyzacją obliczeń i przetwarzaniem informacji umocniły przekonanie, że maszyny mogą wykonywać zadania, które wcześniej wymagały ogromnego wysiłku ludzkiego umysłu. Po wojnie Turing zaczął rozważać jeszcze bardziej fundamentalne zagadnienie: czy maszyna może wykazywać zachowania, które uznalibyśmy za inteligentne, gdyby prezentował je człowiek?

W 1950 roku opublikował artykuł „Computing Machinery and Intelligence”, w którym postawił słynne pytanie: „Czy maszyny mogą myśleć?”. Zamiast próbować rozstrzygać, czym dokładnie jest myślenie, zaproponował praktyczny sposób badania zdolności maszyny do naśladowania ludzkiej rozmowy. Pomysł ten stał się znany jako test Turinga. W uproszczeniu polega on na sprawdzeniu, czy człowiek prowadzący rozmowę tekstową potrafi wiarygodnie odróżnić maszynę od drugiego człowieka. Test nie stanowi uniwersalnej miary inteligencji i nie dowodzi, że system rzeczywiście rozumie wypowiadane słowa. Jego znaczenie polegało jednak na zmianie sposobu stawiania pytania o inteligencję maszyn. Zamiast koncentrować się wyłącznie na filozoficznych definicjach, można było rozważać konkretne zachowania, które da się obserwować i oceniać.

Turing stał się jedną z najważniejszych postaci w historii sztucznej inteligencji, ale nie był jej jedynym twórcą. W tym samym okresie rozwijały się inne kierunki badań, które w przyszłości okazały się równie istotne. Claude Shannon badał matematyczne podstawy informacji i jej przesyłania. Jego teoria informacji pozwoliła opisać, jak mierzyć ilość informacji, kodować ją i przekazywać przez kanały komunikacyjne. Shannon interesował się również możliwościami wykorzystania komputerów do rozwiązywania problemów wymagających strategii i podejmowania decyzji. W 1950 roku opublikował pracę dotyczącą programowania komputerów do gry w szachy, pokazując, że maszyny mogą analizować możliwe ruchy i wybierać działania na podstawie określonych zasad.

Równolegle rozwijała się cybernetyka, której jednym z najważniejszych przedstawicieli był Norbert Wiener. Dziedzina ta zajmowała się sterowaniem, komunikacją i mechanizmami sprzężenia zwrotnego w organizmach żywych oraz urządzeniach technicznych. Wiener dostrzegał podobieństwa między sposobami regulowania działania przez organizmy i systemy mechaniczne. Zwracał uwagę na znaczenie informacji, kontroli i reakcji na zmieniające się warunki. Choć cybernetyka nie jest tym samym co sztuczna inteligencja, jej idee wpłynęły na sposób myślenia o inteligentnych systemach, automatyzacji i relacji między człowiekiem a maszyną.

Za symboliczny początek sztucznej inteligencji jako odrębnej dziedziny naukowej uznaje się konferencję w Dartmouth z 1956 roku. Wydarzenie to było związane z projektem badawczym przygotowanym przez Johna McCarthy’ego, Marvina Minsky’ego, Claude’a Shannona i Nathanaiela Rochestera. To właśnie John McCarthy zaproponował użycie określenia „artificial intelligence”, czyli sztuczna inteligencja. Nazwa miała opisywać ambitny program badań nad możliwością tworzenia maszyn wykonujących zadania, które zwykle kojarzono z ludzką inteligencją. Chodziło między innymi o uczenie się, rozumowanie, rozwiązywanie problemów, rozumienie języka i posługiwanie się abstrakcyjnymi pojęciami.

Konferencja w Dartmouth nie stworzyła sztucznej inteligencji w ciągu kilku tygodni, ale odegrała ważną rolę w zorganizowaniu nowego obszaru badań. Uczestnicy spotkania wierzyli, że wiele aspektów ludzkiego uczenia się i inteligencji można opisać na tyle precyzyjnie, aby dało się je odtworzyć w maszynach. Było to założenie niezwykle ambitne. W tamtym okresie komputery były kosztowne, miały ograniczoną pamięć i moc obliczeniową, a dostęp do nich pozostawał przywilejem nielicznych instytucji. Mimo to badacze zaczęli tworzyć programy, które potrafiły rozwiązywać zagadki logiczne, dowodzić twierdzeń matematycznych i wykonywać zadania wymagające wcześniej ludzkiego rozumowania.

John McCarthy był jedną z kluczowych postaci tego okresu. Oprócz zaproponowania nazwy nowej dziedziny przyczynił się do rozwoju języka programowania LISP, który przez wiele lat odgrywał ważną rolę w badaniach nad sztuczną inteligencją. LISP ułatwiał pracę z symbolami i strukturami danych, co czyniło go przydatnym w tworzeniu programów opartych na regułach logicznych i przetwarzaniu wiedzy. McCarthy rozwijał również koncepcje związane z formalnym opisywaniem rozumowania i reprezentacją wiedzy. Jego prace pomogły ukształtować wczesną sztuczną inteligencję jako dziedzinę, w której eksperymenty programistyczne łączyły się z badaniami teoretycznymi.

Marvin Minsky, współtwórca laboratorium sztucznej inteligencji w Massachusetts Institute of Technology, był kolejnym pionierem, który znacząco wpłynął na rozwój tej technologii. Interesował się sposobem, w jaki człowiek uczy się, zapamiętuje, rozpoznaje zależności i rozwiązuje problemy. W swoich pracach próbował wyjaśniać, jak różne procesy umysłowe mogą współdziałać, tworząc złożone zachowania. Minsky należał do pokolenia badaczy przekonanych, że inteligencję można analizować jako zestaw procesów, które da się modelować i badać za pomocą komputerów. Jego poglądy wywarły wpływ na rozwój symbolicznej sztucznej inteligencji, robotyki i badań nad poznaniem.

Jednym z najważniejszych osiągnięć wczesnego okresu było stworzenie programów potrafiących rozwiązywać problemy logiczne. Allen Newell i Herbert A. Simon opracowali Logic Theorist, program zaprezentowany w 1956 roku, który potrafił dowodzić wybranych twierdzeń z zakresu logiki matematycznej. Wkrótce powstał również General Problem Solver, projekt mający na celu stworzenie bardziej uniwersalnego systemu rozwiązywania problemów. Newell i Simon uważali, że ludzkie myślenie można w pewnym zakresie opisywać jako przetwarzanie symboli i poszukiwanie rozwiązań według określonych procedur. Ich prace stały się podstawą jednego z najważniejszych nurtów wczesnej AI, określanego jako podejście symboliczne.

W tym samym czasie pojawiały się próby stworzenia maszyn zdolnych do uczenia się na podstawie doświadczenia. Jednym z pionierów tego kierunku był Arthur Samuel, który opracował program do gry w warcaby. System nie ograniczał się do wykonywania raz na zawsze ustalonego zestawu ruchów. Wykorzystywał doświadczenia z rozgrywek i metody oceny pozycji, aby stopniowo poprawiać swoje działanie. Samuel spopularyzował określenie „machine learning”, czyli uczenie maszynowe. Jego prace pokazały, że komputer nie musi otrzymać od człowieka każdej odpowiedzi i każdej instrukcji dotyczącej konkretnej sytuacji. Można projektować systemy, które poprawiają wyniki na podstawie danych i doświadczenia.

Ważną rolę odegrały również badania nad sztucznymi sieciami neuronowymi. Ich twórcy inspirowali się budową i działaniem ludzkiego układu nerwowego. W 1943 roku Warren McCulloch i Walter Pitts przedstawili matematyczny model neuronu, pokazując, że proste jednostki wykonujące operacje logiczne mogą tworzyć układy zdolne do realizowania bardziej złożonych obliczeń. W 1958 roku Frank Rosenblatt zaprezentował perceptron, jeden z pierwszych modeli sieci neuronowej zdolnych do uczenia się na podstawie przykładów. Był to ważny krok w kierunku systemów, które nie opierają się wyłącznie na ręcznie zapisanych regułach, lecz potrafią dostosowywać swoje działanie do danych.

Rozwój sieci neuronowych nie przebiegał jednak bez przeszkód. W 1969 roku Marvin Minsky i Seymour Papert opublikowali książkę „Perceptrons”, w której przedstawili ograniczenia ówczesnych prostych modeli perceptronowych. Ich analiza dotyczyła konkretnych klas problemów, których pojedynczy perceptron nie potrafił rozwiązywać. Publikacja wpłynęła na debatę naukową i przyczyniła się do osłabienia zainteresowania niektórymi kierunkami badań nad sieciami neuronowymi. Nie oznaczało to jednak końca tej koncepcji. Badacze nadal pracowali nad bardziej zaawansowanymi modelami, a późniejsze odkrycia dotyczące uczenia wielowarstwowych sieci neuronowych pozwoliły powrócić do tego podejścia z nowymi możliwościami.

Pierwsze dekady rozwoju sztucznej inteligencji były okresem wielkiego optymizmu. Badacze wierzyli, że w stosunkowo krótkim czasie uda się stworzyć systemy potrafiące rozumować, rozumieć język naturalny, tłumaczyć teksty, rozpoznawać obrazy i wykonywać zadania na poziomie człowieka. Wiele projektów przynosiło obiecujące rezultaty, ale szybko okazało się, że przejście od rozwiązywania wąskich, dobrze zdefiniowanych problemów do radzenia sobie ze złożonością rzeczywistego świata jest niezwykle trudne. Komputer mógł rozwiązać logiczną łamigłówkę, a jednocześnie mieć poważne problemy z interpretacją prostego zdania, którego znaczenie zależało od kontekstu. Program potrafił analizować ograniczony zbiór możliwości, lecz nie radził sobie z nieprzewidywalnością otoczenia i niepełnymi informacjami.

Właśnie te ograniczenia doprowadziły do pierwszych poważnych rozczarowań. Rozwój sztucznej inteligencji okazał się znacznie trudniejszy, niż zakładali pionierzy. Systemy wymagały ogromnej ilości pracy przy programowaniu, a ich możliwości często ograniczały się do wąskich zastosowań. Komputery nie dysponowały wystarczającą mocą obliczeniową, pamięć była droga, a dostępne zbiory danych niewielkie. W niektórych krajach i instytucjach ograniczano finansowanie projektów, które nie spełniały wcześniejszych obietnic. Okresy spadku zainteresowania i finansowania badań zaczęto później określać mianem zim AI.

Zima sztucznej inteligencji nie oznaczała jednak całkowitego zatrzymania postępu. W laboratoriach uniwersyteckich, ośrodkach badawczych i przedsiębiorstwach nadal rozwijano nowe metody. Jednym z ważnych kierunków stały się systemy ekspertowe, czyli programy wykorzystujące zgromadzoną wiedzę specjalistyczną i zestawy reguł do rozwiązywania określonych problemów. W przeciwieństwie do wcześniejszych programów, które skupiały się głównie na ogólnych mechanizmach rozumowania, systemy ekspertowe miały naśladować sposób podejmowania decyzji przez specjalistów w konkretnych dziedzinach. Mogły wspierać diagnozowanie usterek, analizę chemiczną, planowanie produkcji czy podejmowanie decyzji technicznych.

Jednym z najbardziej znanych przykładów był MYCIN, system opracowywany na Uniwersytecie Stanforda w latach siedemdziesiątych, przeznaczony do wspomagania diagnozowania określonych infekcji bakteryjnych i doboru antybiotyków. Program wykorzystywał reguły zapisane przez ekspertów i potrafił formułować zalecenia na podstawie dostarczonych informacji. Nie zastępował lekarza, ale pokazywał, że system komputerowy może wykorzystywać wiedzę specjalistyczną w sposób przydatny w praktyce. Rozwój systemów ekspertowych przyczynił się do wzrostu zainteresowania komercyjnymi zastosowaniami AI, a także pokazał, że sztuczna inteligencja nie musi od razu osiągać ogólnej, ludzkiej inteligencji, aby przynosić wymierne korzyści.

W kolejnych latach rozwijały się również metody statystyczne i probabilistyczne, które pozwalały systemom radzić sobie z niepewnością. W rzeczywistym świecie informacje są często niepełne, sprzeczne lub niejednoznaczne. Człowiek potrafi podejmować decyzje mimo braku pełnej wiedzy, wykorzystując doświadczenie, prawdopodobieństwo i ocenę sytuacji. Badacze sztucznej inteligencji zaczęli opracowywać narzędzia matematyczne pozwalające maszynom analizować niepewność, szacować prawdopodobieństwo zdarzeń i wybierać najbardziej uzasadnione rozwiązania. Istotne znaczenie miały tu między innymi prace Judei Pearla nad probabilistycznym rozumowaniem i sieciami bayesowskimi. Dzięki nim sztuczna inteligencja stopniowo odchodziła od wyobrażenia, że każde zadanie można rozwiązać za pomocą sztywnego zestawu reguł.

Kolejnym przełomem stał się rozwój uczenia maszynowego. Zamiast programować komputer tak, aby znał odpowiedź na każdą możliwą sytuację, zaczęto coraz częściej dostarczać mu przykłady, na podstawie których mógł samodzielnie identyfikować zależności. Takie podejście wymagało nowych algorytmów, odpowiednio przygotowanych danych i coraz większej mocy obliczeniowej. Szczególne znaczenie miały metody uczenia nadzorowanego, w którym model otrzymuje przykłady wraz z poprawnymi odpowiedziami, oraz uczenia nienadzorowanego, w którym próbuje samodzielnie odnajdywać struktury i podobieństwa w danych. Rozwijało się także uczenie ze wzmocnieniem, polegające na doskonaleniu zachowania na podstawie nagród i kar otrzymywanych za podejmowane działania.

Ważnym momentem w historii sieci neuronowych był rozwój algorytmu propagacji wstecznej błędu, który umożliwił skuteczniejsze trenowanie wielowarstwowych modeli. Algorytm ten miał wcześniejsze podstawy matematyczne, ale w latach osiemdziesiątych został szerzej przedstawiony i spopularyzowany w badaniach nad sieciami neuronowymi, między innymi dzięki pracom Davida Rumelharta, Geoffreya Hintona i Ronalda Williamsa. Pozwolił on dostosowywać wagi połączeń w sieci tak, aby zmniejszać różnicę między wynikiem uzyskanym przez model a oczekiwaną odpowiedzią. Był to jeden z fundamentów późniejszego rozwoju głębokiego uczenia.

Przez długi czas postęp sztucznej inteligencji ograniczały jednak możliwości sprzętowe i niedostatek danych. Nawet najlepsze algorytmy nie mogły w pełni wykorzystać swojego potencjału, jeśli komputery nie były w stanie przetwarzać wystarczająco dużych zbiorów informacji. Sytuacja zaczęła się zmieniać wraz z rozwojem internetu, cyfryzacji i coraz powszechniejszego gromadzenia danych. Fotografie, teksty, nagrania dźwiękowe, filmy, wyniki pomiarów i informacje o zachowaniach użytkowników zaczęły tworzyć ogromne zasoby, które można było wykorzystywać do trenowania modeli. Jednocześnie rozwój procesorów graficznych i innych wyspecjalizowanych układów obliczeniowych umożliwił wykonywanie operacji matematycznych w skali wcześniej nieosiągalnej.

Na początku XXI wieku coraz większe znaczenie zyskiwało głębokie uczenie, czyli podejście wykorzystujące wielowarstwowe sieci neuronowe. Modele te potrafiły automatycznie uczyć się coraz bardziej złożonych reprezentacji danych. W przypadku rozpoznawania obrazów mogły stopniowo identyfikować proste elementy, takie jak krawędzie i kształty, a następnie łączyć je w bardziej złożone obiekty. W przetwarzaniu języka mogły analizować zależności między słowami i fragmentami zdań. W rozpoznawaniu mowy uczyły się przekształcać sygnał dźwiękowy w zapis tekstowy. Głębokie uczenie nie było pojedynczym wynalazkiem jednej osoby, lecz rezultatem wielu dekad badań nad sieciami neuronowymi, optymalizacją, statystyką i obliczeniami.

Jednym z wydarzeń, które zwróciły uwagę świata na możliwości głębokiego uczenia, było zwycięstwo systemu AlexNet w konkursie ImageNet w 2012 roku. Model opracowany przez Alexeia Krizhevsky’ego, Ilyę Sutskevera i Geoffreya Hintona osiągnął bardzo dobre wyniki w rozpoznawaniu obrazów, wyraźnie poprawiając rezultaty wcześniejszych metod. Znaczenie tego osiągnięcia wykraczało poza sam konkurs. Pokazało ono, że połączenie dużych zbiorów danych, głębokich sieci neuronowych i mocy obliczeniowej procesorów graficznych może przynieść znaczący postęp. W kolejnych latach podobne techniki zaczęły być wykorzystywane w coraz większej liczbie dziedzin.

Szczególnie dynamiczny rozwój nastąpił w przetwarzaniu języka naturalnego. Przez wiele lat komputery miały trudności z rozumieniem ludzkiej mowy i tekstu, ponieważ język jest zjawiskiem niezwykle złożonym. Znaczenie słów zależy od kontekstu, intencji, sytuacji i relacji między rozmówcami. To samo zdanie może mieć różne znaczenie w zależności od tonu, wcześniejszej wypowiedzi czy wiedzy o świecie. Wczesne systemy językowe często opierały się na regułach tworzonych przez ludzi lub na statystycznej analizie występowania słów. Z czasem zaczęto rozwijać modele, które potrafiły uczyć się bardziej złożonych zależności na podstawie ogromnych zbiorów tekstów.

Przełomowym wydarzeniem było opublikowanie w 2017 roku artykułu „Attention Is All You Need” przez zespół badaczy związanych z Google. Autorzy przedstawili architekturę transformera, która wykorzystywała mechanizm uwagi do analizowania zależności między elementami sekwencji. Rozwiązanie to pozwoliło efektywniej trenować modele językowe i stało się podstawą wielu późniejszych systemów. Transformery umożliwiły rozwój dużych modeli językowych, które potrafią analizować tekst, generować odpowiedzi, streszczać dokumenty, tłumaczyć, pisać kod i wykonywać wiele innych zadań związanych z językiem.

Współczesna sztuczna inteligencja nie jest jednak wyłącznie efektem pracy matematyków i informatyków. Ogromny wkład w jej rozwój mieli również badacze zajmujący się ludzkim mózgiem, procesami poznawczymi i językiem. Neurobiologia dostarczyła inspiracji dla modeli neuronowych, psychologia poznawcza pomogła formułować pytania o pamięć, uczenie się i rozwiązywanie problemów, a lingwistyka dostarczała narzędzi do analizy struktury języka. Filozofowie od dawna rozważali naturę świadomości, rozumienia i inteligencji. Inżynierowie przekształcali teoretyczne koncepcje w działające urządzenia i oprogramowanie. Historia AI jest więc historią współpracy wielu dziedzin, które wspólnie próbowały odpowiedzieć na jedno z najtrudniejszych pytań: czy można stworzyć maszynę zdolną do wykonywania zadań wymagających inteligencji?

Warto przy tym odróżnić sztuczną inteligencję od ludzkiej świadomości. System komputerowy może rozpoznawać obrazy, generować tekst, rozwiązywać zadania matematyczne i prowadzić przekonującą rozmowę, nie oznacza to jednak automatycznie, że posiada subiektywne doświadczenia, emocje lub samoświadomość. Współczesne modele AI przetwarzają informacje zgodnie z określoną architekturą i wyuczonymi zależnościami. Ich działanie może przypominać niektóre aspekty ludzkiego myślenia, ale nie należy bezrefleksyjnie utożsamiać podobieństwa zachowania z identycznością procesów wewnętrznych. To rozróżnienie jest szczególnie ważne w czasach, gdy systemy potrafią komunikować się w sposób naturalny i sprawiać wrażenie, jakby rozumiały rozmówcę dokładnie tak samo jak drugi człowiek.

Współczesna AI obejmuje wiele różnych technologii i metod. Należą do nich systemy eksperckie, algorytmy uczenia maszynowego, sieci neuronowe, modele głębokiego uczenia, systemy rozpoznawania obrazów i mowy, narzędzia analizy danych, modele językowe oraz rozwiązania generatywne. Nie wszystkie działają w taki sam sposób i nie wszystkie mają te same możliwości. Jedne służą do klasyfikowania danych, inne do przewidywania wyników, jeszcze inne do generowania nowych treści lub podejmowania decyzji w określonym środowisku. Wspólnym mianownikiem jest próba zautomatyzowania zadań, które wymagają przetwarzania informacji, rozpoznawania wzorców, uczenia się lub wnioskowania.

W ostatnich latach szczególną uwagę przyciągnęła generatywna sztuczna inteligencja. Systemy tego rodzaju potrafią tworzyć teksty, obrazy, dźwięki, filmy, prezentacje i fragmenty kodu. Ich rozwój sprawił, że technologia, która wcześniej była wykorzystywana głównie przez specjalistów, stała się dostępna dla milionów użytkowników. Narzędzia takie jak ChatGPT, Gemini, Claude czy Copilot pokazały, że interakcja z zaawansowanym systemem komputerowym może odbywać się za pomocą zwykłego języka. Użytkownik nie musi znać skomplikowanych komend ani umieć programować, aby poprosić model o wyjaśnienie zagadnienia, przygotowanie tekstu, analizę danych czy pomoc w rozwiązaniu problemu. Zmieniło to sposób postrzegania komputerów i otworzyło nowy etap w relacji człowieka z technologią.

Nie oznacza to jednak, że współczesne systemy są nieomylne. Modele generatywne mogą tworzyć odpowiedzi brzmiące wiarygodnie, ale zawierające błędy, nieaktualne informacje lub całkowicie nieprawdziwe szczegóły. Mogą błędnie interpretować polecenia, pomijać istotny kontekst albo przedstawiać przypuszczenia jako fakty. W przypadku niektórych zadań ich wyniki wymagają dokładnej weryfikacji przez człowieka. Z tego powodu rozwój sztucznej inteligencji wiąże się nie tylko z pytaniem o nowe możliwości, lecz także z odpowiedzialnością za sposób jej wykorzystania. Im większy wpływ systemy AI mają na decyzje podejmowane w medycynie, finansach, edukacji, administracji czy bezpieczeństwie, tym większe znaczenie zyskują kwestie rzetelności, przejrzystości, ochrony prywatności i kontroli nad ich działaniem.

Historia sztucznej inteligencji jest zatem nie tylko opowieścią o coraz doskonalszych komputerach. To również historia ludzi, którzy podejmowali ryzyko intelektualne, stawiali pytania wykraczające poza możliwości swojej epoki i niejednokrotnie pracowali nad koncepcjami, których praktyczne zastosowanie pojawiło się dopiero po wielu latach. Alan Turing wyznaczał teoretyczne granice obliczeń i rozważał możliwość inteligentnego zachowania maszyn. John McCarthy nadał nowej dziedzinie nazwę i współtworzył jej fundamenty programistyczne. Marvin Minsky badał mechanizmy inteligencji i poznania. Allen Newell i Herbert Simon rozwijali programy rozwiązujące problemy logiczne. Arthur Samuel pokazał, że komputer może uczyć się na podstawie doświadczenia. Frank Rosenblatt rozwijał sieci neuronowe. Claude Shannon stworzył podstawy matematycznej teorii informacji. Norbert Wiener analizował związki między komunikacją, sterowaniem i działaniem systemów. Kolejne pokolenia badaczy rozwijały ich idee, często zmieniając pierwotne założenia i tworząc zupełnie nowe kierunki badań.

Nie można również zapominać o osobach, które nie zawsze są wymieniane w popularnych opowieściach o sztucznej inteligencji, choć ich wkład miał fundamentalne znaczenie. Warren McCulloch i Walter Pitts stworzyli matematyczne podstawy modelowania neuronów. Judea Pearl rozwinął metody probabilistycznego rozumowania. Geoffrey Hinton, Yann LeCun i Yoshua Bengio odegrali ważną rolę w rozwoju głębokiego uczenia. Fei-Fei Li przyczyniła się do rozwoju dużych zbiorów danych wykorzystywanych w rozpoznawaniu obrazów, w tym projektu ImageNet. Demis Hassabis i jego współpracownicy pokazali, jak zaawansowane systemy uczące się mogą rozwiązywać problemy naukowe, czego głośnym przykładem stał się AlphaFold. Wiele osiągnięć powstało dzięki pracy zespołów, a nie pojedynczych osób. Za każdym przełomem kryją się często lata badań, setki eksperymentów, nieudane próby i współpraca specjalistów z różnych krajów.

Właśnie dlatego określenie „ojcowie sztucznej inteligencji” należy rozumieć szeroko. Nie chodzi o stworzenie zamkniętej listy kilku osób, którym można przypisać całą historię tej technologii. Chodzi o przedstawienie pionierów, których idee, odkrycia i decyzje badawcze wyznaczały kolejne etapy rozwoju AI. Niektórzy z nich tworzyli podstawy teoretyczne, inni budowali pierwsze maszyny i programy, a jeszcze inni opracowywali metody, które dopiero po latach umożliwiły powstanie współczesnych systemów. Ich drogi nie zawsze były zgodne, a ich poglądy niejednokrotnie różniły się zasadniczo. Jedni wierzyli w możliwość odtworzenia ludzkiego rozumowania za pomocą symboli i reguł, inni szukali inspiracji w biologii i uczeniu się, a kolejni stawiali na statystyczną analizę danych. Współczesna sztuczna inteligencja czerpie z wielu tych tradycji jednocześnie.

Przyglądając się historii tej dziedziny, warto pamiętać, że postęp technologiczny rzadko przebiega w sposób prosty i przewidywalny. Pomysły uznawane za przełomowe mogą przez lata pozostawać bez praktycznego zastosowania. Koncepcje krytykowane lub zapomniane mogą powrócić, gdy pojawią się odpowiednie narzędzia i warunki techniczne. Niektóre odkrycia przynoszą efekty dopiero wtedy, gdy zostaną połączone z innymi rozwiązaniami. Historia sztucznej inteligencji pokazuje, że wielkie zmiany nie zawsze zaczynają się od spektakularnego wynalazku. Często są rezultatem wielu niewielkich kroków, które dopiero z perspektywy czasu układają się w przełomową całość.

Książka ta prowadzi przez najważniejsze etapy rozwoju sztucznej inteligencji i przedstawia ludzi, których praca pomogła przekształcić dawne marzenie o myślącej maszynie w jedną z najważniejszych technologii współczesnego świata. Nie jest to wyłącznie opowieść o sukcesach. Istotne miejsce zajmują również porażki, błędne założenia, ograniczenia techniczne, spory naukowe i okresy, w których przyszłość AI wydawała się niepewna. Dopiero poznanie tych wszystkich elementów pozwala zrozumieć, dlaczego dzisiejsze systemy są takie, jakie są, i jak wiele wysiłku wymagało ich stworzenie.

Poznanie historii pionierów sztucznej inteligencji ma znaczenie nie tylko dla zrozumienia przeszłości. Pomaga również lepiej ocenić kierunek, w którym zmierza współczesna technologia. Dzisiejsze modele, roboty i systemy analityczne nie pojawiły się znikąd. Są efektem dziesięcioleci badań nad obliczeniami, logiką, uczeniem, językiem, informacją i ludzkim poznaniem. Ich możliwości są imponujące, ale ich ograniczenia przypominają, że rozwój technologii nie jest równoznaczny z pełnym zrozumieniem inteligencji. Nadal nie wiemy, czy i w jakiej formie możliwe będzie stworzenie sztucznej inteligencji ogólnej, zdolnej do elastycznego wykonywania bardzo szerokiego zakresu zadań na poziomie porównywalnym z człowiekiem. Nie mamy również ostatecznej odpowiedzi na pytania o świadomość, rozumienie i granice maszynowego poznania.

Jedno jest jednak pewne: sztuczna inteligencja już teraz zmienia sposób, w jaki pracujemy, uczymy się, komunikujemy i zdobywamy wiedzę. Wpływa na gospodarkę, naukę, kulturę, edukację i relacje społeczne. Jej znaczenie będzie zależało nie tylko od kolejnych odkryć technicznych, lecz także od decyzji podejmowanych przez ludzi, którzy ją projektują, rozwijają, regulują i wykorzystują. To człowiek nadal określa cele, do których technologia ma służyć, oraz ponosi odpowiedzialność za konsekwencje jej zastosowania.

Za każdym współczesnym systemem sztucznej inteligencji stoi długa historia ludzkiej ciekawości. Zaczęła się od pytania, czy maszyna może wykonywać działania przypominające myślenie, a doprowadziła do powstania technologii, która potrafi analizować ogromne ilości informacji, rozpoznawać wzorce i tworzyć treści na podstawie zdobytej wiedzy. Droga od pierwszych mechanicznych automatów do zaawansowanych modeli AI była długa, pełna zwrotów i nieoczekiwanych odkryć. Nie stworzył jej jeden człowiek ani jedno pokolenie. Stworzyli ją pionierzy, wizjonerzy, matematycy, inżynierowie, programiści i naukowcy, którzy krok po kroku przesuwali granice tego, co możliwe.

Ich historia jest zarazem historią jednego z największych przedsięwzięć intelektualnych współczesności. To opowieść o ludziach, którzy próbowali nauczyć maszyny rozumowania, a przy okazji zmusili nas do ponownego zastanowienia się nad tym, czym właściwie jest inteligencja. I właśnie od poznania tych ludzi warto rozpocząć podróż przez świat sztucznej inteligencji.

Niniejsza publikacja ma charakter niezależny, edukacyjny i informacyjny. Nie jest powiązana, autoryzowana ani sponsorowana przez żadną z opisywanych firm, instytucji ani organizacji. Nazwy własne, nazwy produktów i znaki towarowe należą do ich odpowiednich właścicieli i zostały wykorzystane wyłącznie w celach identyfikacyjnych i informacyjnych. Autor dołożył starań, aby przedstawione informacje były rzetelne i zgodne z dostępną wiedzą, jednak rozwój sztucznej inteligencji jest dynamiczny, a niektóre informacje mogą z czasem ulec dezaktualizacji.

Rozdział 1. Zanim powstała sztuczna inteligencja — marzenie o maszynie myślącej

Zanim sztuczna inteligencja stała się jednym z najważniejszych kierunków rozwoju współczesnej nauki i technologii, zanim komputery zaczęły rozpoznawać obrazy, rozumieć ludzką mowę, tłumaczyć języki i generować teksty, człowiek przez stulecia zadawał sobie pytanie, które wydawało się niemal niemożliwe do urzeczywistnienia: czy można stworzyć urządzenie zdolne do samodzielnego myślenia? Czy ludzkie rozumowanie, kojarzenie faktów, rozwiązywanie problemów i podejmowanie decyzji da się odtworzyć za pomocą odpowiednio zaprojektowanego mechanizmu? A jeśli tak, czy maszyna mogłaby nie tylko wykonywać polecenia swojego twórcy, lecz także realizować zadania wymagające czegoś więcej niż zwykłej siły fizycznej, precyzji czy szybkości?

Dzisiaj pytania te wydają się naturalne. Otaczają nas urządzenia, które potrafią analizować ogromne ilości informacji, rozpoznawać zależności, przewidywać określone zjawiska i udzielać odpowiedzi na skomplikowane pytania. Korzystamy z systemów nawigacyjnych, asystentów głosowych, automatycznych tłumaczy i programów, które potrafią prowadzić rozmowę z człowiekiem. Wiele z tych możliwości jeszcze kilkadziesiąt lat temu należało do świata fantastyki naukowej. Jednak samo marzenie o stworzeniu sztucznego umysłu jest znacznie starsze niż elektronika, komputery i współczesna informatyka. Jego korzenie sięgają czasów, w których człowiek nie znał jeszcze zasad działania elektryczności, nie dysponował precyzyjnymi silnikami, a większość skomplikowanych obliczeń wykonywano ręcznie.

Historia sztucznej inteligencji nie rozpoczęła się bowiem w chwili uruchomienia pierwszego komputera. Zaczęła się znacznie wcześniej, od ludzkiej fascynacji możliwością odtworzenia własnych zdolności za pomocą narzędzi i mechanizmów. Człowiek od dawna tworzył urządzenia, które miały zastępować jego pracę, zwiększać możliwości fizyczne albo wykonywać czynności wymagające powtarzalności i dokładności. Z czasem pojawiła się jednak bardziej ambitna idea: maszyna mogłaby naśladować nie tylko ludzkie ruchy, lecz także sposób, w jaki człowiek przetwarza informacje. W ten sposób mechanika zaczęła spotykać się z matematyką, filozofią i pytaniami dotyczącymi natury ludzkiego umysłu.

Jednym z najstarszych przejawów tej fascynacji były automaty, czyli urządzenia zdolne do wykonywania określonych czynności bez bezpośredniej ingerencji człowieka w każdej kolejnej chwili ich działania. W starożytności powstawały mechanizmy wykorzystujące ciężarki, przeciwwagi, wodę, powietrze i odpowiednio skonstruowane elementy ruchome. Ich zadaniem nie było oczywiście myślenie, ale potrafiły sprawiać wrażenie, jakby posiadały własną inicjatywę. Poruszały się, wydawały dźwięki, otwierały drzwi, uruchamiały inne elementy urządzeń, a niektóre z nich odtwarzały nawet pozornie skomplikowane sekwencje ruchów.

Szczególne znaczenie dla historii mechaniki miał starożytny świat grecki. Greccy uczeni interesowali się możliwością wykorzystania praw przyrody do budowania urządzeń, które mogłyby wykonywać pracę bez stałego udziału człowieka. Jedną z najważniejszych postaci tego okresu był Heron z Aleksandrii, żyjący prawdopodobnie w I wieku naszej ery. Był matematykiem, konstruktorem i autorem licznych opisów urządzeń mechanicznych. Jego prace obejmowały między innymi mechanizmy wykorzystujące parę wodną, ciśnienie powietrza, przepływ wody oraz systemy dźwigni.

Jednym z najbardziej znanych wynalazków przypisywanych Heronowi były automatyczne drzwi świątynne. Urządzenie wykorzystywało ogrzewanie powietrza i powstające w wyniku tego zjawiska zmiany ciśnienia. Rozgrzane powietrze powodowało przemieszczanie się wody do odpowiedniego naczynia, a jej ciężar uruchamiał mechanizm otwierający drzwi. Po ostygnięciu powietrza następował proces odwrotny. Dla obserwatora mogło to wyglądać tak, jakby świątynia reagowała na obecność człowieka w sposób niemal magiczny.

Heron opisywał również automatyczne urządzenia teatralne, mechaniczne ptaki, ruchome figury oraz systemy umożliwiające odtwarzanie zaprogramowanych sekwencji czynności. W jego konstrukcjach można dostrzec coś, co z dzisiejszej perspektywy przypomina bardzo wczesną formę automatyzacji. Urządzenie otrzymywało określony układ mechaniczny, który decydował o kolejności wykonywanych działań. Nie potrzebowało przy tym człowieka do ręcznego uruchamiania każdego pojedynczego ruchu.

Warto jednak wyraźnie rozróżnić automatyzację od sztucznej inteligencji. Mechanizm Herona nie rozumiał, dlaczego otwiera drzwi, nie analizował sytuacji i nie podejmował decyzji w znaczeniu, jakie przypisujemy temu pojęciu dzisiaj. Wykonywał wcześniej zaprojektowaną sekwencję czynności. Mimo to jego konstrukcje stanowiły ważny etap rozwoju myślenia o maszynach, ponieważ pokazywały, że zachowanie urządzenia można zaplanować, zakodować w jego budowie i uruchomić za pomocą odpowiednio dobranych zależności fizycznych.

Podobne zainteresowanie mechanicznym naśladowaniem natury pojawiało się również w innych cywilizacjach. W Chinach, na Bliskim Wschodzie i w świecie islamskim powstawały skomplikowane zegary, urządzenia wodne oraz mechaniczne konstrukcje służące rozrywce i praktycznym zastosowaniom. W średniowieczu szczególną rolę odegrali uczeni i rzemieślnicy, którzy rozwijali wiedzę o przekładniach, zaworach, kołach zębatych i mechanizmach sterujących.

Jedną z najważniejszych postaci tej tradycji był Al-Dżazari, islamski inżynier i wynalazca żyjący na przełomie XII i XIII wieku. W swoim dziele poświęconym wiedzy o pomysłowych urządzeniach mechanicznych przedstawił liczne konstrukcje, w tym zegary wodne, pompy, urządzenia do podnoszenia wody oraz automatyczne mechanizmy rozrywkowe. Jego projekty wyróżniały się nie tylko pomysłowością, ale również wysokim poziomem szczegółowości technicznej.

Do najbardziej interesujących konstrukcji Al-Dżazariego należały mechaniczne urządzenia przedstawiające postacie ludzkie i zwierzęta. Niektóre z nich potrafiły wykonywać powtarzalne ruchy, wydawać dźwięki lub odgrywać określone sceny. W jego rozwiązaniach wykorzystywano między innymi wały z odpowiednio rozmieszczonymi elementami sterującymi, które umożliwiały uzyskanie zaplanowanej kolejności ruchów. Takie mechanizmy można uznać za dalekich przodków późniejszych systemów automatycznego sterowania.

Nie były to jeszcze urządzenia zdolne do uczenia się, ale rozwijały niezwykle ważną koncepcję: zachowanie maszyny można określić wcześniej, zapisując je w fizycznej strukturze mechanizmu. To właśnie ta idea, choć początkowo ograniczona do prostych czynności, będzie powracać w kolejnych stuleciach i stanie się jednym z fundamentów rozwoju maszyn programowalnych.

Ważnym krokiem w kierunku bardziej abstrakcyjnego myślenia o maszynach było również rozwijanie matematyki i logiki. Przez wiele stuleci uczeni zastanawiali się, czy ludzkie rozumowanie można przedstawić w postaci uporządkowanych reguł. Filozofowie analizowali sposoby wyciągania wniosków, matematycy poszukiwali uniwersalnych metod rozwiązywania problemów, a logicy próbowali opisać zależności między przesłankami i wynikającymi z nich konkluzjami.

Szczególne znaczenie miała tutaj logika Arystotelesa, który już w starożytności opracował systematyczny sposób analizowania poprawności rozumowania. Jego koncepcje sylogizmów pokazywały, że pewne wnioski można wyprowadzać z określonych przesłanek według jasno zdefiniowanych reguł. Przykładowo, jeśli każdy człowiek jest śmiertelny, a Sokrates jest człowiekiem, można wywnioskować, że Sokrates jest śmiertelny. Nie potrzeba do tego dodatkowej obserwacji ani intuicji. Wystarczy zastosować odpowiednią regułę logiczną.

Dla późniejszych badaczy takie podejście miało ogromne znaczenie. Jeżeli część ludzkiego rozumowania można opisać za pomocą formalnych zasad, być może można również stworzyć urządzenie, które będzie te zasady stosować. Oznaczałoby to, że niektóre procesy intelektualne nie muszą być wykonywane wyłącznie przez biologiczny mózg. Mogłyby zostać odtworzone w odpowiednio zaprojektowanym systemie.

Nie oznacza to oczywiście, że Arystoteles przewidział powstanie sztucznej inteligencji. Jego prace dotyczyły przede wszystkim filozofii i logiki. Jednak stworzenie uporządkowanego systemu reguł rozumowania stanowiło jeden z historycznych fundamentów późniejszej idei maszyn logicznych.

W kolejnych stuleciach coraz więcej uczonych zaczęło interesować się możliwością mechanicznego wykonywania obliczeń. Był to kierunek niezwykle istotny, ponieważ matematyka stanowiła podstawę wielu dziedzin nauki, techniki, astronomii, nawigacji i finansów. Obliczenia wykonywane ręcznie były czasochłonne, a nawet niewielki błąd mógł prowadzić do poważnych konsekwencji. W miarę rozwoju nauki rosło zapotrzebowanie na urządzenia, które pozwalałyby przyspieszyć i usprawnić pracę rachunkową.

Jednym z pierwszych wielkich kroków w tym kierunku było skonstruowanie mechanicznej maszyny liczącej przez Blaise’a Pascala w XVII wieku. Pascal był francuskim matematykiem, fizykiem i filozofem, który już jako młody człowiek wykazywał niezwykłe zdolności naukowe. Jednym z powodów zainteresowania mechanizacją obliczeń była praca jego ojca, Étienne’a Pascala, zajmującego się sprawami podatkowymi i finansowymi. Ręczne wykonywanie licznych rachunków było żmudne i podatne na błędy. Młody Blaise postanowił stworzyć urządzenie, które mogłoby przejąć przynajmniej część tych obowiązków.

W latach czterdziestych XVII wieku opracował maszynę znaną jako Pascalina. Był to mechaniczny kalkulator wykorzystujący system kół zębatych i specjalnych tarcz z cyframi. Urządzenie umożliwiało wykonywanie dodawania i odejmowania, a dzięki odpowiedniemu mechanizmowi przenoszenia wartości między kolejnymi pozycjami dziesiętnymi potrafiło automatycznie uwzględniać przeniesienie podczas obliczeń.

Działanie Pascaliny było oparte na precyzyjnie zaprojektowanej mechanice. Użytkownik wprowadzał wartości za pomocą pokręteł, a obracające się elementy przekazywały odpowiednie ruchy na kolejne koła liczbowe. W ten sposób maszyna wykonywała operacje, które wcześniej wymagały ręcznego liczenia.

Był to wynalazek przełomowy, chociaż jego możliwości pozostawały ograniczone. Pascalina nie potrafiła samodzielnie rozwiązywać problemów matematycznych ani wybierać metody obliczeń. Nie rozumiała również znaczenia liczb, które przetwarzała. Realizowała jedynie operacje określone przez konstrukcję mechanizmu i działania użytkownika. Mimo to udowodniła, że pewne czynności matematyczne można przenieść z ludzkiego umysłu do urządzenia mechanicznego.

Kilka dekad później niemiecki filozof i matematyk Gottfried Wilhelm Leibniz rozwinął tę ideę. Leibniz należał do najbardziej wszechstronnych umysłów swojej epoki. Zajmował się matematyką, logiką, filozofią, fizyką i zagadnieniami związanymi z językiem oraz sposobami porządkowania wiedzy. Był również jednym z twórców rachunku różniczkowego i całkowego, rozwijanego niezależnie od Isaaca Newtona.

Leibniz interesował się możliwością stworzenia uniwersalnego systemu symboli, za pomocą którego można byłoby zapisywać ludzkie myśli i rozwiązywać spory poprzez formalne operacje. Uważał, że gdyby udało się odpowiednio uporządkować pojęcia i zależności między nimi, wiele problemów filozoficznych i naukowych można byłoby rozstrzygać podobnie jak zadania matematyczne. Zamiast prowadzić niekończące się dyskusje, uczeni mogliby odwoływać się do wspólnego systemu symbolicznego i wykonywać określone operacje.

Ta koncepcja była niezwykle ambitna. Leibniz wyobrażał sobie możliwość stworzenia swoistego języka uniwersalnego, który pozwalałby przedstawiać wiedzę w sposób jednoznaczny. W jego wizji rozumowanie mogłoby zostać częściowo zmechanizowane. Maszyna nie musiałaby posiadać ludzkiej intuicji, jeżeli otrzymałaby odpowiednio zdefiniowane symbole i reguły ich przetwarzania.

Równolegle Leibniz pracował nad własną maszyną liczącą, znaną jako Stepped Reckoner. W odróżnieniu od konstrukcji Pascala urządzenie miało umożliwiać nie tylko dodawanie i odejmowanie, lecz także mnożenie i dzielenie. Wykorzystywało specjalny mechanizm stopniowany, który pozwalał realizować bardziej złożone operacje arytmetyczne.

Choć urządzenie Leibniza nie osiągnęło pełnej niezawodności oczekiwanej przez konstruktora, jego znaczenie historyczne było ogromne. Pokazywało, że maszyna licząca może być czymś więcej niż mechanicznym odpowiednikiem liczydła. Mogła realizować zestaw różnych operacji według określonych zasad, a sam pomysł mechanicznego wspomagania rozumowania nabierał coraz bardziej konkretnego kształtu.

Warto zwrócić uwagę na szczególnie ważny element myśli Leibniza. Nie interesowało go wyłącznie przyspieszenie wykonywania rachunków. Próbował znaleźć sposób na przedstawienie samego procesu rozumowania w postaci systemu, który można byłoby analizować i stosować według jasno określonych reguł. W tym sensie jego idee wykraczały daleko poza ówczesne możliwości techniczne.

Współczesna sztuczna inteligencja nie jest prostą realizacją jego filozoficznych koncepcji, ale można dostrzec między nimi interesujące podobieństwo. Dzisiejsze systemy komputerowe operują na symbolach, danych i formalnie określonych procedurach. W wielu zastosowaniach analizują informacje według reguł, które zostały zaprojektowane przez człowieka albo wyuczone na podstawie danych. Leibniz należał do tych myślicieli, którzy bardzo wcześnie dostrzegli, że uporządkowane rozumowanie może mieć strukturę nadającą się do formalnego opisu.

W XVIII wieku mechaniczne konstrukcje osiągnęły kolejny poziom zaawansowania. W Europie coraz większą popularnością cieszyły się automaty, które potrafiły wykonywać skomplikowane ruchy i sprawiały wrażenie, jakby posiadały własne umiejętności. Niektóre z nich były projektowane jako kosztowne przedmioty rozrywkowe dla arystokracji i zamożnych kolekcjonerów. Inne miały demonstrować możliwości ówczesnej mechaniki i precyzji rzemieślniczej.

Szczególną sławę zdobył Jacques de Vaucanson, francuski wynalazca i konstruktor automatów. W latach trzydziestych XVIII wieku zaprezentował urządzenia, które wzbudziły ogromne zainteresowanie europejskiej publiczności. Jednym z najbardziej znanych był mechaniczny flecista, który potrafił wykonywać utwory muzyczne za pomocą instrumentu dętego. Mechanizm sterował przepływem powietrza, pozycją ust i palców, umożliwiając odtwarzanie określonych melodii.

Jeszcze większe zainteresowanie wzbudziła jego mechaniczna kaczka. Konstrukcja miała naśladować zachowanie żywego ptaka. Poruszała głową, wydawała dźwięki, poruszała skrzydłami i wykonywała ruchy przypominające jedzenie. Jej mechanizm był bardzo skomplikowany jak na ówczesne możliwości techniczne. Kaczka stała się jednym z najbardziej znanych przykładów osiemnastowiecznej fascynacji sztucznym odtwarzaniem zachowań organizmów żywych.

Z dzisiejszej perspektywy łatwo dostrzec, że takie urządzenia nie miały nic wspólnego z inteligencją w obecnym rozumieniu tego słowa. Nie analizowały otoczenia, nie wyciągały samodzielnych wniosków i nie uczyły się na podstawie doświadczeń. Jednak ich znaczenie polegało na czymś innym. Pokazywały, że nawet zachowania, które człowiek uważał za charakterystyczne dla organizmów żywych, można w pewnym zakresie naśladować za pomocą mechanicznych elementów.

Automaty tego rodzaju wywoływały również pytania filozoficzne. Skoro maszyna może naśladować ruchy człowieka lub zwierzęcia, to gdzie przebiega granica między mechanizmem a żywym organizmem? Czy zachowanie przypominające inteligentne działanie musi wynikać z rzeczywistego rozumienia sytuacji? A może wystarczy odpowiednio skomplikowany układ mechaniczny, który będzie reagował w sposób przekonujący dla obserwatora?

Te pytania nie straciły aktualności. Współcześnie systemy sztucznej inteligencji potrafią prowadzić rozmowy, tworzyć obrazy i odpowiadać na pytania w sposób, który często przypomina ludzkie zachowanie. Nie oznacza to jednak automatycznie, że posiadają świadomość, emocje czy ludzkie rozumienie świata. Podobieństwo obserwowalnego zachowania nie jest tym samym co identyczność wewnętrznych procesów. Dylemat ten towarzyszy rozwojowi sztucznej inteligencji od samego początku.

Jednym z najbardziej niezwykłych przykładów osiemnastowiecznej fascynacji inteligentnymi maszynami był również mechaniczny gracz w szachy znany jako Turek. Urządzenie zaprezentowane w 1770 roku przez Wolfganga von Kempelena wyglądało jak drewniana figura przedstawiająca człowieka w orientalnym stroju, siedzącego za szachownicą. Konstrukcja sprawiała wrażenie samodzielnego przeciwnika, który potrafił analizować ruchy człowieka i odpowiadać na nie kolejnymi posunięciami.

Turek podróżował po Europie i wzbudzał ogromne zainteresowanie. Grał z arystokratami, uczonymi i znanymi osobistościami epoki. Jego możliwości wydawały się tak niezwykłe, że niektórzy obserwatorzy podejrzewali istnienie ukrytego mechanizmu zdolnego do samodzielnego podejmowania decyzji. W rzeczywistości urządzenie było oszustwem. W jego wnętrzu ukrywał się człowiek, który sterował ruchami figury i wykonywał posunięcia szachowe.

Turek nie był zatem prawdziwą myślącą maszyną, ale jego historia doskonale pokazuje, jak silna była już w XVIII wieku potrzeba stworzenia urządzenia, które mogłoby rywalizować z człowiekiem w dziedzinie wymagającej intelektualnych umiejętności. Szachy miały szczególne znaczenie, ponieważ nie polegały na prostym powtarzaniu ruchów. Wymagały przewidywania, planowania, oceny sytuacji i wyboru odpowiedniej strategii. Pokonanie człowieka w tej grze wydawało się dowodem na posiadanie czegoś, co można byłoby nazwać sztucznym rozumowaniem.

Dopiero znacznie później komputery rzeczywiście zaczęły rywalizować z najlepszymi szachistami świata. Historia Turka przypomina jednak, że marzenie o stworzeniu maszyny zdolnej do strategicznego myślenia istniało na długo przed pojawieniem się elektronicznych komputerów.

Wszystkie te konstrukcje miały jedną wspólną cechę: ich działanie było w dużej mierze określone przez fizyczną budowę urządzenia. Mechanizm wykonywał ruchy, do których został zaprojektowany. Nie można było łatwo zmienić jego przeznaczenia bez przebudowania istotnych elementów konstrukcji. Jeśli urządzenie miało wykonywać inną czynność, często należało stworzyć zupełnie nowy mechanizm.

Właśnie tutaj pojawia się jedna z najważniejszych różnic między dawnymi automatami a późniejszymi komputerami. Komputer nie musi mieć oddzielnej konstrukcji dla każdego rodzaju zadania. Można go zaprogramować do wykonywania różnych operacji, wykorzystując ten sam zestaw podstawowych podzespołów. Taka możliwość wymagała jednak zupełnie nowego sposobu myślenia o maszynach. Zamiast projektować urządzenie, które potrafi wykonać jedną konkretną czynność, należało stworzyć maszynę zdolną do wykonywania różnych operacji na podstawie odpowiednio przygotowanych instrukcji.

Jednym z najważniejszych kroków prowadzących do tej koncepcji było rozwinięcie idei programowalności. W tym kontekście szczególne znaczenie miały krosna żakardowe, których konstrukcja została udoskonalona przez francuskiego wynalazcę Josepha Marie Jacquarda na początku XIX wieku.

Krosna te wykorzystywały specjalne karty perforowane, czyli kartonowe elementy z odpowiednio rozmieszczonymi otworami. Ich układ określał, które nici miały być podnoszone podczas kolejnych etapów tkania. Dzięki temu można było automatycznie tworzyć skomplikowane wzory na tkaninach bez konieczności ręcznego sterowania każdym pojedynczym ruchem.

Najważniejsze w tym rozwiązaniu było oddzielenie instrukcji od samego mechanizmu. Krosno pozostawało zasadniczo tym samym urządzeniem, ale zmiana zestawu kart pozwalała uzyskać zupełnie inny wzór. Informacja sterująca pracą maszyny została zapisana w zewnętrznym nośniku, który można było wymieniać i modyfikować.

Ta zasada okazała się niezwykle istotna dla późniejszego rozwoju informatyki. Program nie musiał być już na stałe związany z fizyczną konstrukcją urządzenia. Można było przygotować instrukcje, które maszyna odczytywała i wykonywała. W przypadku krosna żakardowego instrukcje określały kolejność podnoszenia nici. W przypadku przyszłych komputerów miały określać operacje matematyczne, logiczne i przetwarzanie danych.

Rozwiązanie Jacquarda wywarło ogromne wrażenie na Charlesie Babbage’u, brytyjskim matematyku i wynalazcy, którego nazwisko zajmuje szczególne miejsce w historii komputerów. Babbage żył w latach 1791–1871 i należał do tych uczonych, którzy potrafili dostrzec potencjał mechanizacji obliczeń znacznie wykraczający poza potrzeby zwykłego rachunkowego kalkulatora.

W XIX wieku rozwój nauki, przemysłu, handlu i administracji powodował gwałtowny wzrost zapotrzebowania na dokładne obliczenia. Tabele matematyczne wykorzystywano w astronomii, nawigacji, inżynierii, geodezji i wielu innych dziedzinach. Ich przygotowywanie wymagało ogromnej pracy. Wiele obliczeń wykonywano ręcznie, a następnie wielokrotnie sprawdzano wyniki, ponieważ pomyłki mogły prowadzić do poważnych konsekwencji.

Babbage zwracał uwagę na problem błędów występujących w drukowanych tabelach matematycznych. Zauważył, że nawet jeżeli same wzory są poprawne, człowiek wykonujący długie serie obliczeń może się pomylić. Błąd w pojedynczym działaniu może następnie zostać powielony w kolejnych wynikach, a ostatecznie trafić do publikacji i zostać wykorzystany przez innych ludzi.

Jego odpowiedzią była koncepcja maszyny różnicowej, czyli urządzenia mechanicznego przeznaczonego do automatycznego obliczania wartości wielomianów i tworzenia tabel matematycznych. Konstrukcja miała wykorzystywać system kół zębatych, wałów i mechanizmów przenoszących wartości liczbowe między kolejnymi elementami.

Maszyna różnicowa opierała się na metodzie różnic skończonych. Wykorzystanie tej metody pozwalało obliczać kolejne wartości określonych funkcji za pomocą dodawania, bez konieczności wielokrotnego wykonywania bardziej skomplikowanych operacji mnożenia. Było to szczególnie przydatne w przypadku tworzenia rozbudowanych tabel liczbowych.

Babbage rozpoczął prace nad pierwszą wersją maszyny różnicowej w latach dwudziestych XIX wieku. Projekt był niezwykle ambitny, a jego realizacja napotykała liczne problemy techniczne i finansowe. Wymagał wykonania ogromnej liczby precyzyjnych elementów mechanicznych, których produkcja przekraczała możliwości wielu ówczesnych warsztatów.

Mimo trudności Babbage nie porzucił swoich ambicji. Z czasem zaczął dostrzegać, że można pójść znacznie dalej niż tylko automatyzacja określonych obliczeń matematycznych. Zamiast maszyny przeznaczonej do jednego rodzaju zadań wyobraził sobie urządzenie, które mogłoby wykonywać różne operacje, zależnie od dostarczonych instrukcji.

Tak narodziła się koncepcja maszyny analitycznej, jednego z najważniejszych projektów w historii informatyki.

Maszyna analityczna miała być urządzeniem o znacznie bardziej uniwersalnym charakterze niż wcześniejsze konstrukcje mechaniczne. Babbage zaprojektował ją jako system składający się z kilku współpracujących ze sobą części. Jednym z najważniejszych elementów miał być tak zwany młyn, czyli jednostka odpowiedzialna za wykonywanie obliczeń. Drugim była pamięć, określana przez Babbage’a jako magazyn, w której przechowywano liczby wykorzystywane podczas obliczeń.

Maszyna miała posiadać również mechanizm sterowania, który określałby kolejność wykonywanych operacji, oraz możliwość wprowadzania i wyprowadzania danych. Instrukcje miały być przekazywane za pomocą kart perforowanych, podobnie jak w krosnach żakardowych.

To właśnie ta koncepcja stanowiła prawdziwy przełom. Babbage nie projektował już wyłącznie mechanicznego kalkulatora. Wyobrażał sobie maszynę, która mogłaby wykonywać różne operacje matematyczne w zależności od przygotowanego programu. Można było zmieniać instrukcje bez konieczności całkowitego przebudowywania urządzenia.

W projekcie przewidziano również możliwość wykonywania operacji warunkowych i powtarzania określonych sekwencji instrukcji. Oznaczało to, że maszyna mogłaby nie tylko realizować z góry ustaloną listę działań, ale również zmieniać przebieg obliczeń w zależności od uzyskiwanych wyników. Współcześnie takie rozwiązania są podstawą działania programów komputerowych.

Babbage rozumiał, że maszyna analityczna mogłaby znaleźć zastosowanie znacznie szersze niż samo przygotowywanie tabel matematycznych. Jej uniwersalność wynikała z możliwości wykonywania różnych operacji na danych według odpowiednio zapisanych instrukcji. Była to idea niezwykle nowoczesna jak na pierwszą połowę XIX wieku.

Co szczególnie interesujące, Babbage nie zdołał zbudować w pełni działającej maszyny analitycznej za swojego życia. Projekt okazał się zbyt skomplikowany, kosztowny i wymagający pod względem technicznym. Nie oznacza to jednak, że jego znaczenie było mniejsze. Zachowane plany, opisy i dokumentacja pokazują, że Babbage stworzył koncepcję urządzenia, którego podstawowe zasady przypominają architekturę późniejszych komputerów.

W historii sztucznej inteligencji jego osiągnięcia są szczególnie ważne z jednego powodu. Pokazał, że maszyna może być zaprojektowana nie tylko do wykonywania pojedynczych czynności, ale także do realizowania różnych procedur według dostarczonego programu. Był to jeden z kluczowych warunków powstania systemów, które w przyszłości miały analizować informacje, rozwiązywać problemy i naśladować wybrane aspekty ludzkiego myślenia.

W tym miejscu należy wspomnieć o postaci, której wkład w rozwój tej koncepcji był wyjątkowy. Była nią Ada Lovelace, brytyjska matematyczka i córka poety George’a Byrona. Urodziła się w 1815 roku jako Augusta Ada Byron, a po ślubie z Williamem Kingiem została hrabiną Lovelace.

Ada od najmłodszych lat interesowała się matematyką i naukami ścisłymi. Jej edukacja obejmowała zagadnienia, które w tamtym okresie rzadko stanowiły podstawę wykształcenia kobiet z wyższych warstw społecznych. Duży wpływ na jej rozwój miała Mary Somerville, znana popularyzatorka nauki i matematyczka, która wspierała jej zainteresowania.

W 1833 roku Ada poznała Charlesa Babbage’a. Ich spotkanie zapoczątkowało współpracę intelektualną, która okazała się niezwykle ważna dla historii informatyki. Lovelace zainteresowała się projektami Babbage’a, a szczególnie możliwością wykorzystania maszyny analitycznej do wykonywania operacji wykraczających poza zwykłe rachunki.

W tamtym czasie wielu ludzi postrzegało maszyny obliczeniowe przede wszystkim jako narzędzia do wykonywania matematycznych operacji. Ada Lovelace dostrzegała jednak znacznie szerszy potencjał takiego urządzenia. Zauważyła, że jeżeli maszyna będzie potrafiła manipulować symbolami zgodnie z określonymi regułami, jej zastosowanie nie musi ograniczać się do liczb.

W 1843 roku opublikowała przekład francuskiego artykułu Luigiego Menabrei poświęconego maszynie analitycznej Babbage’a. Do tłumaczenia dołączyła obszerne własne notatki, oznaczone literami od A do G. W rzeczywistości komentarze Lovelace były znacznie obszerniejsze niż sam tekst źródłowy i zawierały niezwykle interesujące rozważania dotyczące możliwości projektowanej maszyny.

Najbardziej znana z tych notatek przedstawiała szczegółowy sposób obliczania liczb Bernoulliego za pomocą maszyny analitycznej. Był to algorytm opisujący kolejność operacji, które urządzenie powinno wykonać, aby otrzymać określony wynik.

Z tego powodu Ada Lovelace jest często określana jako pierwsza programistka komputerowa w historii. Jej opis algorytmu należy do najwcześniejszych opublikowanych przykładów programu przeznaczonego dla maszyny ogólnego przeznaczenia. Trzeba jednak pamiętać, że maszyna analityczna nigdy nie została ukończona, a sam algorytm nie został uruchomiony na działającym egzemplarzu tego urządzenia. Mimo to znaczenie jej pracy jest niepodważalne.

Jeszcze ważniejsze od samego algorytmu były jej rozważania dotyczące przyszłości maszyn obliczeniowych. Lovelace zauważyła, że maszyna analityczna mogłaby w odpowiednich warunkach przetwarzać również inne rodzaje symboli. Jeżeli można byłoby opisać określone informacje za pomocą matematycznych zależności, urządzenie mogłoby wykonywać na nich operacje.

Rozważała nawet możliwość wykorzystania maszyny do pracy z muzyką. Gdyby zasady harmonii i kompozycji dało się przedstawić w postaci odpowiednich relacji, urządzenie mogłoby potencjalnie przetwarzać zapis muzyczny. Nie chodziło więc wyłącznie o liczenie. Chodziło o możliwość zastosowania mechanicznego przetwarzania do dziedzin, które dotychczas kojarzono przede wszystkim z ludzką kreatywnością.

Lovelace dostrzegała jednak również ograniczenia tej koncepcji. W jej słynnym rozumowaniu pojawiło się stwierdzenie, że maszyna analityczna nie ma własnej inicjatywy i nie tworzy niczego, czego człowiek wcześniej nie potrafiłby jej nakazać. Wykonuje to, co zostało dla niej przygotowane w postaci instrukcji.

To stanowisko jest szczególnie interesujące w kontekście współczesnych dyskusji o sztucznej inteligencji. W XIX wieku Ada Lovelace zauważyła problem, który powraca do dzisiaj: czy maszyna może rzeczywiście tworzyć coś nowego, czy jedynie przetwarza informacje według zasad ustalonych przez człowieka?

Współczesne systemy generatywnej sztucznej inteligencji potrafią tworzyć teksty, obrazy, muzykę i rozwiązania programistyczne, których dokładnej postaci nie określił wcześniej użytkownik. Nie oznacza to jednak, że działają niezależnie od ludzkiego wkładu. Ich funkcjonowanie opiera się na architekturze opracowanej przez ludzi, danych wykorzystywanych podczas treningu, metodach optymalizacji oraz instrukcjach i ograniczeniach określających sposób działania systemu.

Pytanie o granice samodzielności maszyn pozostaje więc jednym z najważniejszych problemów związanych ze sztuczną inteligencją. Ada Lovelace nie mogła znać przyszłego rozwoju elektroniki ani współczesnych modeli matematycznych, ale jej rozważania pokazują, że już w XIX wieku pojawiła się świadomość różnicy między mechanicznym wykonywaniem obliczeń a przetwarzaniem informacji w szerszym znaczeniu.

Warto również podkreślić, że Ada Lovelace i Charles Babbage reprezentowali dwa uzupełniające się podejścia. Babbage był przede wszystkim konstruktorem i matematykiem, który projektował urządzenie zdolne do wykonywania skomplikowanych operacji. Lovelace potrafiła natomiast spojrzeć na ten projekt z szerszej perspektywy i dostrzec możliwości, które wykraczały poza pierwotne zastosowania obliczeniowe.

Ich współpraca pokazuje, że rozwój przełomowych technologii rzadko jest dziełem jednej osoby. Często wymaga połączenia różnych umiejętności, sposobów myślenia i perspektyw. Konstruktor może stworzyć niezwykłe urządzenie, ale dopiero ktoś inny dostrzeże jego potencjalne zastosowania. Historia informatyki jest pełna takich przykładów.

Pod koniec XIX wieku rozwój mechanizacji obliczeń nabrał jeszcze większego znaczenia. Wraz z rozwojem administracji, przemysłu i nauki rosło zapotrzebowanie na przetwarzanie ogromnych ilości danych. Jednym z najważniejszych wydarzeń tego okresu było zastosowanie kart perforowanych do opracowywania danych statystycznych.

Szczególnie istotną postacią był Herman Hollerith, amerykański statystyk i wynalazca, który opracował system mechanicznego przetwarzania informacji wykorzystywany podczas spisu ludności w Stanach Zjednoczonych w 1890 roku.

Wcześniejsze spisy wymagały ogromnej pracy ręcznej. Urzędnicy musieli gromadzić, porządkować i zliczać informacje dotyczące milionów mieszkańców. Wraz ze wzrostem liczby ludności zadanie stawało się coraz bardziej czasochłonne. Hollerith zaproponował wykorzystanie kart perforowanych, na których poszczególne informacje zapisywano za pomocą odpowiednio rozmieszczonych otworów.

Specjalne urządzenia potrafiły odczytywać karty i automatycznie zliczać dane. Dzięki temu można było znacznie przyspieszyć opracowywanie wyników spisu. Rozwiązanie okazało się dużym sukcesem i stało się ważnym krokiem w kierunku rozwoju maszynowego przetwarzania danych.

Znaczenie tego wynalazku wykraczało poza samo usprawnienie pracy statystyków. Karty perforowane umożliwiały zapisanie informacji w określonym formacie, a następnie ich automatyczne odczytywanie i przetwarzanie przez maszynę. Dane przestawały być wyłącznie zapisami na papierze przeznaczonymi dla człowieka. Stawały się informacją przygotowaną do mechanicznej obróbki.

Hollerith założył przedsiębiorstwo, którego rozwój i późniejsze przekształcenia doprowadziły do powstania firmy znanej jako International Business Machines, czyli IBM. W ten sposób rozwiązania opracowane pod koniec XIX wieku stały się częścią historii jednego z najważniejszych przedsiębiorstw informatycznych XX wieku.

Wszystkie opisane wydarzenia prowadziły do stopniowej zmiany sposobu postrzegania maszyn. Początkowo urządzenia miały przede wszystkim zastępować człowieka w wykonywaniu prostych czynności fizycznych. Później zaczęły wspomagać obliczenia matematyczne, a następnie przetwarzać informacje zapisane w odpowiedniej formie. Z czasem pojawiła się możliwość oddzielenia programu od samej konstrukcji urządzenia.

To właśnie ta ostatnia zmiana miała fundamentalne znaczenie. Mechanizm przestał być jedynie narzędziem do wykonywania jednej czynności. Stawał się uniwersalnym urządzeniem, którego zachowanie można było zmieniać poprzez dostarczenie odpowiednich instrukcji.

Nie oznaczało to jeszcze powstania sztucznej inteligencji. Maszyny mechaniczne nie potrafiły uczyć się na podstawie doświadczeń, rozpoznawać skomplikowanych wzorców ani samodzielnie rozwijać sposobów rozwiązywania problemów. Jednak stworzono podstawy techniczne i intelektualne, bez których późniejszy rozwój tej dziedziny byłby znacznie trudniejszy.

Równolegle rozwijała się matematyka i logika, które dostarczały narzędzi do formalnego opisywania procesów myślowych. Szczególnie ważne było przekonanie, że część ludzkiego rozumowania można przedstawić jako zestaw uporządkowanych operacji. Jeżeli człowiek potrafi zapisać problem w postaci symboli i określić reguły prowadzące do rozwiązania, być może odpowiednio zaprojektowana maszyna również będzie mogła wykonać takie zadanie.

Nie wszyscy uczeni zgadzali się jednak z takim podejściem. Ludzkie myślenie obejmuje nie tylko logiczne wnioskowanie i wykonywanie obliczeń. Wiąże się również z doświadczeniem, emocjami, intuicją, pamięcią, rozumieniem kontekstu i umiejętnością interpretowania niejednoznacznych sytuacji. Mechaniczne urządzenie mogło naśladować określone zachowania, ale nie było oczywiste, czy kiedykolwiek będzie w stanie odtworzyć pełną złożoność ludzkiego umysłu.

Właśnie dlatego marzenie o maszynie myślącej było jednocześnie problemem technicznym i filozoficznym. Wymagało nie tylko zbudowania odpowiednio skomplikowanego urządzenia, ale również odpowiedzi na pytanie, czym właściwie jest inteligencja. Czy oznacza zdolność do wykonywania poprawnych obliczeń? Czy polega na umiejętności rozwiązywania problemów? A może prawdziwe myślenie wymaga świadomości, rozumienia i zdolności do samodzielnego formułowania celów?

W XIX wieku nie istniały jeszcze technologie pozwalające odpowiedzieć na te pytania w praktyce. Mechaniczne maszyny były zbyt wolne, zbyt skomplikowane i zbyt ograniczone. Nie dysponowano również odpowiednią wiedzą na temat procesów zachodzących w ludzkim mózgu. Mimo to pojawiły się koncepcje, które wskazywały kierunek przyszłych przemian.

Charles Babbage pokazał, że maszynę można zaprojektować jako uniwersalny mechanizm obliczeniowy. Ada Lovelace dostrzegła, że taki mechanizm może potencjalnie przetwarzać informacje wykraczające poza zwykłe liczby. Blaise Pascal i Gottfried Wilhelm Leibniz udowodnili, że wiele operacji matematycznych można przenieść do urządzeń mechanicznych. Heron z Aleksandrii i Al-Dżazari rozwijali koncepcję automatycznych mechanizmów wykonujących zaprogramowane sekwencje czynności. Joseph Marie Jacquard pokazał natomiast, jak oddzielić instrukcje od samej maszyny, a Herman Hollerith udowodnił, że mechaniczne przetwarzanie danych może znaleźć praktyczne zastosowanie na ogromną skalę.

Nie byli oni twórcami sztucznej inteligencji w dzisiejszym znaczeniu tego pojęcia. Nie dysponowali odpowiednimi narzędziami, teoriami ani możliwościami technicznymi. Byli jednak pionierami idei, które z czasem stały się fundamentem informatyki.

Historia sztucznej inteligencji jest więc historią znacznie dłuższą niż historia komputerów. To opowieść o stopniowym przesuwaniu granicy między tym, co potrafi człowiek, a tym, co może wykonywać stworzone przez niego urządzenie. Przez wieki maszyny zastępowały ludzkie mięśnie, później zaczęły wspomagać rachowanie, następnie przejęły przetwarzanie informacji. Kolejnym krokiem miało być odtworzenie wybranych zdolności ludzkiego umysłu.

Na początku XX wieku marzenie to zaczęło nabierać zupełnie nowego znaczenia. Mechaniczne kalkulatory i automaty nie wystarczały już do realizacji coraz bardziej ambitnych koncepcji. Potrzebne były nowe podstawy matematyczne, rozwój logiki formalnej oraz urządzenia zdolne do wykonywania operacji z niespotykaną wcześniej szybkością. Coraz wyraźniej stawało się jasne, że przyszłość maszyn myślących nie będzie należała do kół zębatych i dźwigni, lecz do elektroniki, matematyki i teorii informacji.

Zanim jednak powstały pierwsze nowoczesne komputery, należało odpowiedzieć na jeszcze bardziej fundamentalne pytanie: czy samo myślenie można opisać w sposób matematyczny? Czy procesy zachodzące w ludzkim umyśle da się przedstawić za pomocą symboli, reguł i obliczeń? To zagadnienie miało stać się jednym z najważniejszych intelektualnych fundamentów narodzin sztucznej inteligencji.

Rozdział 2. Alan Turing — człowiek, który zapytał, czy maszyny mogą myśleć

Historia sztucznej inteligencji ma wiele ważnych postaci, ale niewiele z nich wywarło tak głęboki wpływ na rozwój tej dziedziny jak Alan Turing. Brytyjski matematyk, logik i kryptolog należy do grona ludzi, którzy nie tylko przyczynili się do powstania współczesnej informatyki, lecz także postawili pytania wyprzedzające możliwości techniczne swojej epoki. Zastanawiał się, czy maszyna może wykonywać zadania wymagające ludzkiego rozumowania, czy można stworzyć urządzenie zdolne do samodzielnego rozwiązywania problemów i w jaki sposób należałoby oceniać jego inteligencję. W 1950 roku opublikował artykuł, którego tytuł stał się jednym z najbardziej rozpoznawalnych pytań w historii technologii: „Computing Machinery and Intelligence”. Rozpoczął go od prostego, a zarazem niezwykle trudnego pytania: „Czy maszyny mogą myśleć?”. Nie próbował jednak udzielić na nie odpowiedzi wyłącznie poprzez filozoficzne rozważania. Zaproponował eksperyment, który pozwalał podejść do problemu w bardziej praktyczny sposób. Tak narodziła się koncepcja znana dzisiaj jako test Turinga.

Alan Mathison Turing urodził się 23 czerwca 1912 roku w Londynie. Jego dzieciństwo przypadło na okres, w którym świat znajdował się w trakcie wielkich przemian społecznych, naukowych i technologicznych. Elektronika dopiero zaczynała rozwijać się jako odrębna dziedzina, komputery elektroniczne jeszcze nie istniały, a większość skomplikowanych obliczeń wykonywano ręcznie lub przy użyciu mechanicznych urządzeń liczących. Matematyka, logika i fizyka rozwijały się jednak niezwykle intensywnie, a uczeni coraz częściej zastanawiali się nad granicami ludzkiego poznania oraz możliwościami formalnego opisywania rzeczywistości.

Turing od najmłodszych lat wykazywał zainteresowanie nauką. Szczególnie pociągały go matematyka, zagadnienia przyrodnicze i problemy wymagające samodzielnego poszukiwania rozwiązań. Nie ograniczał się do zapamiętywania informacji przekazywanych przez nauczycieli. Interesowało go przede wszystkim zrozumienie, dlaczego określone zjawiska zachodzą i jakie zasady nimi rządzą. W młodości rozwijał własne zainteresowania naukowe, eksperymentował i poświęcał wiele czasu zagadnieniom, które nie zawsze były częścią standardowego programu szkolnego.

Ważnym wydarzeniem w jego życiu była nauka w Sherborne School, prestiżowej szkole z internatem w południowej Anglii. To właśnie tam poznał Christophera Morcoma, z którym nawiązał bliską przyjaźń. Morcom podzielał jego zainteresowanie nauką i matematyką, a ich rozmowy dotyczyły między innymi fizyki, astronomii i natury wszechświata. Przyjaźń ta miała duże znaczenie dla młodego Turinga, który znalazł w Morcomie osobę o podobnych zainteresowaniach intelektualnych.

W 1930 roku Christopher Morcom niespodziewanie zmarł na gruźlicę. Jego śmierć była dla Turinga ogromnym przeżyciem. W kolejnych latach jeszcze intensywniej interesował się zagadnieniami związanymi z naturą umysłu, świadomością i relacją między materią a procesami myślowymi. Nie można jednak sprowadzać jego późniejszych osiągnięć naukowych wyłącznie do osobistych doświadczeń. Turing rozwijał swoje zainteresowania przede wszystkim w oparciu o matematykę, logikę i naukową analizę problemów.

Po ukończeniu szkoły rozpoczął studia w King’s College na Uniwersytecie Cambridge. Trafił do środowiska, w którym matematyka i logika formalna należały do najważniejszych obszarów badań. W pierwszej połowie XX wieku uczeni intensywnie zastanawiali się nad podstawami matematyki. Próbowano ustalić, czy wszystkie prawdziwe twierdzenia matematyczne można udowodnić za pomocą odpowiednio określonego systemu reguł, czy istnieją uniwersalne metody rozwiązywania problemów oraz jakie są granice formalnego rozumowania.

Jednym z najważniejszych intelektualnych wyzwań tamtego okresu był tak zwany problem rozstrzygalności, znany również pod niemiecką nazwą Entscheidungsproblem. Został on sformułowany przez Davida Hilberta i Wilhelma Ackermanna. Dotyczył istnienia uniwersalnej procedury, która pozwalałaby rozstrzygnąć, czy dowolne zdanie zapisane w odpowiednim systemie logiki jest prawdziwe, czy można je wyprowadzić z przyjętych reguł.

Wydawało się, że skoro matematyka opiera się na precyzyjnych zasadach, być może da się stworzyć metodę, która automatycznie rozwiązywałaby wszystkie problemy tego rodzaju. Byłaby to procedura pozwalająca uzyskać odpowiedź bez konieczności angażowania ludzkiej intuicji czy indywidualnego sposobu rozumowania.

Turing postanowił zbadać ten problem w sposób niezwykle oryginalny. Zamiast posługiwać się wyłącznie abstrakcyjnymi symbolami, wyobraził sobie hipotetyczną maszynę, która mogłaby wykonywać dowolne obliczenia możliwe do przedstawienia w postaci określonego zestawu instrukcji. W 1936 roku opublikował pracę zatytułowaną „On Computable Numbers, with an Application to the Entscheidungsproblem”, która stała się jednym z najważniejszych tekstów w historii informatyki.

W artykule przedstawił koncepcję urządzenia, które dzisiaj znamy jako maszynę Turinga. Nie była to rzeczywista konstrukcja przeznaczona do wyprodukowania w fabryce. Był to model matematyczny, który pozwalał analizować, jakie zadania można wykonać za pomocą odpowiednio zaprogramowanego mechanizmu.

Maszyna Turinga w swojej podstawowej postaci składa się z nieskończenie długiej taśmy podzielonej na komórki, głowicy odczytująco-zapisującej oraz mechanizmu sterującego, który określa, jakie działania należy wykonać. Każda komórka taśmy może zawierać określony symbol albo pozostawać pusta. Głowica odczytuje symbol znajdujący się w danej komórce, zapisuje nowy symbol, przesuwa się w lewo lub w prawo i przechodzi do kolejnego stanu działania.

Cały proces odbywa się według zestawu wcześniej zdefiniowanych reguł. Maszyna nie musi rozumieć znaczenia wykonywanych operacji. Wystarczy, że potrafi rozpoznawać symbole, stosować odpowiednie instrukcje i zmieniać swój stan zgodnie z określonymi zasadami.

Na pierwszy rzut oka koncepcja ta może wydawać się bardzo prosta. Nie przypomina nowoczesnego komputera, nie ma procesora, monitora, pamięci elektronicznej ani systemu operacyjnego. Jej znaczenie nie polega jednak na podobieństwie do rzeczywistych urządzeń, lecz na matematycznym modelowaniu procesu obliczeniowego.

Turing chciał odpowiedzieć na pytanie, czym właściwie jest obliczanie i jakie zadania mogą zostać wykonane za pomocą formalnie określonej procedury. Dzięki swojemu modelowi pokazał, że można analizować możliwości maszyn niezależnie od konkretnej technologii, z której zostałyby zbudowane.

Jednym z najważniejszych elementów jego koncepcji było pojęcie programu. Maszyna mogła wykonywać różne zadania w zależności od instrukcji, które otrzymywała. Co więcej, Turing rozważał również maszynę uniwersalną, zdolną do symulowania działania innych maszyn Turinga. Oznaczało to, że odpowiednio zaprojektowane urządzenie mogłoby wykonywać różne obliczenia, jeżeli otrzymałoby odpowiedni opis zadania i instrukcje.

Ta idea ma fundamentalne znaczenie dla współczesnej informatyki. Dzisiejsze komputery są urządzeniami ogólnego przeznaczenia. Ten sam komputer może służyć do pisania tekstów, analizowania danych, projektowania grafiki, sterowania urządzeniami przemysłowymi czy prowadzenia symulacji naukowych. O jego zastosowaniu decyduje przede wszystkim oprogramowanie.

Oczywiście rzeczywiste komputery różnią się konstrukcją od abstrakcyjnej maszyny Turinga. Są ograniczone fizyczną pamięcią, szybkością działania i dostępnymi zasobami. Model Turinga pozwolił jednak stworzyć podstawy teoretyczne, dzięki którym można analizować możliwości i ograniczenia obliczeń.

Ważnym rezultatem pracy Turinga było również wykazanie, że nie każdy problem matematyczny można rozwiązać za pomocą uniwersalnej procedury. Istnieją zadania, dla których nie można stworzyć algorytmu gwarantującego uzyskanie odpowiedzi w każdym możliwym przypadku. Jednym z przykładów jest problem stopu. Dotyczy on ustalenia, czy dowolny program komputerowy zakończy działanie po otrzymaniu określonych danych, czy będzie wykonywał kolejne instrukcje bez końca.

Turing wykazał, że nie istnieje ogólna metoda, która rozstrzygałaby ten problem dla wszystkich możliwych programów i danych wejściowych. Było to niezwykle ważne odkrycie, ponieważ pokazywało, że nawet maszyna o bardzo dużych możliwościach obliczeniowych nie będzie w stanie rozwiązać każdego problemu.

Ta granica ma również znaczenie dla współczesnej sztucznej inteligencji. Systemy AI mogą wykonywać zadania, które jeszcze niedawno wydawały się niezwykle trudne, ale nie oznacza to, że są w stanie rozwiązać dowolny problem. Ich możliwości zależą od architektury, dostępnych danych, metod uczenia, zasobów obliczeniowych i charakteru samego zadania. Niektóre problemy mają ograniczenia wynikające nie z niedoskonałości konkretnego urządzenia, lecz z matematycznej natury obliczeń.

Praca z 1936 roku przyniosła Turingowi międzynarodowe uznanie w środowisku matematycznym. W 1938 roku uzyskał stopień doktora na Uniwersytecie Princeton w Stanach Zjednoczonych, gdzie kontynuował badania nad logiką i matematyką. Miał również możliwość zetknięcia się z pracami Alonza Churcha, który niezależnie rozwijał formalne podstawy obliczalności. Obaj uczeni doszli do podobnych wniosków, wykorzystując różne podejścia matematyczne. Ich badania przyczyniły się do rozwoju tego, co dzisiaj nazywamy teorią obliczeń.

Turing nie ograniczał się jednak do abstrakcyjnych rozważań. Wkrótce jego zdolności matematyczne miały zostać wykorzystane w jednym z najważniejszych przedsięwzięć technologicznych okresu II wojny światowej.

Kiedy we wrześniu 1939 roku Wielka Brytania przystąpiła do wojny z Niemcami, ogromnego znaczenia nabrała możliwość przechwytywania i odczytywania komunikacji przeciwnika. Niemieckie siły zbrojne wykorzystywały maszynę szyfrującą Enigma, która umożliwiała kodowanie wiadomości wojskowych. Urządzenie przypominało maszynę do pisania, ale jego wnętrze zawierało skomplikowany układ elektryczno-mechaniczny z obracającymi się wirnikami, połączeniami elektrycznymi i elementami zmieniającymi sposób szyfrowania kolejnych znaków.

Każde naciśnięcie klawisza powodowało przejście sygnału przez układ szyfrujący. W rezultacie litera wpisana przez operatora była zastępowana inną literą. Po każdym naciśnięciu klawisza zmieniał się układ wirników, co powodowało, że ta sama litera mogła zostać zaszyfrowana na wiele różnych sposobów.

Dodatkowo operatorzy musieli ustawiać urządzenie zgodnie z określonymi procedurami i kluczami dziennymi. Liczba możliwych konfiguracji była ogromna, dlatego ręczne sprawdzanie wszystkich wariantów stawało się praktycznie niemożliwe.

Zanim Turing rozpoczął swoje najważniejsze prace związane z Enigmą, istotne sukcesy w łamaniu niemieckich szyfrów osiągnęli polscy matematycy. Marian Rejewski, Jerzy Różycki i Henryk Zygalski, pracujący w polskim Biurze Szyfrów, już w latach trzydziestych dokonali przełomu w analizie Enigmy. Rejewski odtworzył matematyczną strukturę niemieckiej maszyny, a następnie polscy kryptolodzy opracowali metody umożliwiające regularne odczytywanie szyfrowanej komunikacji.

Polacy skonstruowali również urządzenia wspomagające pracę kryptologiczną, w tym bombę kryptologiczną, która pozwalała sprawdzać możliwe ustawienia Enigmy. Opracowali także metodę wykorzystującą specjalne arkusze perforowane, znane jako płachty Zygalskiego.

W lipcu 1939 roku, tuż przed wybuchem wojny, polscy kryptolodzy przekazali przedstawicielom brytyjskiego i francuskiego wywiadu szczegóły swoich osiągnięć. Udostępnili im wiedzę o konstrukcji Enigmy, metodach jej łamania oraz rozwiązaniach technicznych, które opracowali. Przekazanie tych informacji miało ogromne znaczenie dla dalszych prac prowadzonych przez aliantów.

Po wybuchu wojny głównym ośrodkiem brytyjskich działań kryptologicznych stało się Bletchley Park, położone w hrabstwie Buckinghamshire. Była to tajna placówka, w której pracowali matematycy, lingwiści, inżynierowie, specjaliści od szyfrów i przedstawiciele wielu innych dziedzin. Ich zadaniem było przechwytywanie, analizowanie i odczytywanie niemieckiej komunikacji.

Turing rozpoczął tam pracę w 1939 roku i szybko stał się jedną z najważniejszych postaci zespołu zajmującego się niemieckimi szyframi. Jego zadaniem było rozwijanie metod matematycznych i technicznych, które pozwalałyby szybciej odnajdywać prawidłowe ustawienia Enigmy.

Szczególnie ważna była niemiecka komunikacja morska, ponieważ odczytywanie wiadomości przekazywanych przez U-Booty mogło mieć bezpośredni wpływ na bezpieczeństwo alianckich konwojów transportujących żywność, paliwo, broń i inne niezbędne materiały. Niemieckie okręty podwodne stanowiły ogromne zagrożenie dla statków przemieszczających się przez Atlantyk. Możliwość poznania ich rozkazów, pozycji i planowanych działań była więc niezwykle cenna.

Turing opracował i rozwijał metody kryptologiczne, które pozwalały ograniczać liczbę możliwych ustawień Enigmy. Wykorzystywał przy tym właściwości samego szyfru, matematyczne zależności oraz informacje uzyskane z przechwyconych wiadomości. Jednym z istotnych elementów jego pracy było poszukiwanie tak zwanych cribów, czyli przewidywanych fragmentów tekstu jawnego, które mogły występować w określonych wiadomościach.

Przykładowo, niemieckie komunikaty często zawierały charakterystyczne sformułowania, powtarzalne nagłówki lub standardowe zwroty. Jeżeli kryptolodzy potrafili przewidzieć, że w określonym miejscu wiadomości powinno znajdować się konkretne słowo, mogli wykorzystać tę informację do ograniczenia liczby możliwych konfiguracji maszyny.

Turing odegrał również ważną rolę w rozwoju urządzenia znanego jako Bombe. Była to elektromechaniczna maszyna wykorzystywana do automatycznego sprawdzania możliwych ustawień Enigmy. Jej konstrukcja opierała się na wcześniejszych polskich osiągnięciach, ale została dostosowana do zmienionych warunków pracy niemieckich systemów szyfrujących.

Bombe nie była komputerem w dzisiejszym znaczeniu. Nie potrafiła rozwiązywać dowolnych problemów ani prowadzić rozmowy. Jej zadaniem było wykonywanie bardzo dużej liczby powtarzalnych operacji logicznych i eliminowanie konfiguracji, które nie mogły prowadzić do uzyskania prawidłowego tekstu jawnego.

Dzięki temu kryptolodzy nie musieli ręcznie analizować każdej możliwości. Maszyna pozwalała automatyzować najbardziej żmudne etapy pracy, pozostawiając człowiekowi analizę wyników i ocenę, które ustawienia mogły być prawidłowe.

Praca w Bletchley Park wymagała połączenia matematyki, logiki, wiedzy technicznej i umiejętności współpracy. Turing był jednym z wielu specjalistów uczestniczących w tym przedsięwzięciu. Sukcesy w łamaniu Enigmy nie były dziełem jednej osoby, lecz efektem wieloletniej pracy zespołów, które korzystały z dorobku polskich kryptologów, rozwijały własne metody i wykorzystywały coraz bardziej zaawansowane urządzenia.

W 1942 roku Turing udał się również do Stanów Zjednoczonych, gdzie współpracował z amerykańskimi specjalistami nad zagadnieniami związanymi z kryptologią i bezpieczeństwem komunikacji. W kolejnych latach rozwijał swoje zainteresowania technologią elektroniczną i możliwościami budowania maszyn obliczeniowych.

Znaczenie pracy kryptologów z Bletchley Park dla przebiegu wojny było ogromne. Odczytywanie niemieckiej komunikacji pozwalało aliantom zdobywać informacje o planach przeciwnika i podejmować lepiej poinformowane decyzje. Dokładna skala wpływu tych działań na długość wojny pozostaje przedmiotem historycznych analiz, ale powszechnie uznaje się, że złamanie Enigmy i późniejsze odczytywanie niemieckich szyfrów stanowiły jeden z istotnych czynników wspierających wysiłek wojenny aliantów.

Warto podkreślić, że doświadczenia zdobyte podczas wojny miały znaczenie również dla dalszego rozwoju informatyki. Praca z szyframi wymagała automatyzacji obliczeń, szybkiego przetwarzania informacji oraz projektowania urządzeń wykonujących złożone operacje logiczne. Był to kolejny dowód na to, że maszyny mogą wspomagać człowieka w zadaniach, które wymagają analizy i rozumowania.

Po zakończeniu wojny Turing nie porzucił zainteresowania możliwościami maszyn obliczeniowych. Wręcz przeciwnie, zaczął intensywnie pracować nad koncepcjami nowoczesnych komputerów elektronicznych. W 1945 roku dołączył do zespołu National Physical Laboratory w Wielkiej Brytanii, gdzie uczestniczył w opracowywaniu projektu Automatic Computing Engine, znanego jako ACE.

Projekt ACE zakładał stworzenie elektronicznego komputera programowalnego, którego konstrukcja wykorzystywałaby założenia uniwersalnej maszyny obliczeniowej. Turing przygotował szczegółowy projekt urządzenia, zwracając uwagę między innymi na szybkość działania, sposób przechowywania danych i organizację wykonywania instrukcji.

Jego koncepcja była bardzo ambitna. Zakładała wykorzystanie pamięci przechowującej zarówno dane, jak i instrukcje programu. Takie podejście było związane z ideą komputera o architekturze przechowywanego programu, która stała się jednym z fundamentów współczesnych systemów komputerowych.

Realizacja pełnego projektu ACE napotykała jednak trudności organizacyjne i techniczne. Turing był zainteresowany przede wszystkim stworzeniem wydajnego urządzenia, podczas gdy instytucja, w której pracował, musiała uwzględniać również koszty, dostępność komponentów i praktyczne możliwości budowy. Ostatecznie powstała uproszczona wersja znana jako Pilot ACE, która rozpoczęła pracę w 1950 roku.

Turing uczestniczył również w pracach nad komputerem Manchester Mark I, rozwijanym na Uniwersytecie w Manchesterze. W tym środowisku coraz wyraźniej pojawiała się możliwość wykorzystania komputerów nie tylko do obliczeń naukowych, ale także do realizowania bardziej złożonych zadań związanych z przetwarzaniem informacji.

To właśnie w tym okresie Turing zaczął rozwijać idee, które bezpośrednio łączyły informatykę z pytaniem o sztuczną inteligencję.

W 1950 roku na łamach czasopisma „Mind” opublikował artykuł „Computing Machinery and Intelligence”. Był to tekst wyjątkowy, ponieważ podejmował temat, który wcześniej pojawiał się głównie w filozoficznych rozważaniach i literaturze fantastycznonaukowej. Turing postanowił potraktować pytanie o inteligencję maszyn jako problem wymagający analizy naukowej.

Już na początku artykułu zauważył, że samo pytanie „Czy maszyny mogą myśleć?” jest niejednoznaczne. Trudno bowiem ustalić, co dokładnie oznacza myślenie i jakie warunki musiałoby spełniać urządzenie, aby można było uznać je za myślące. Ludzie nie posiadają jednej, powszechnie zaakceptowanej definicji inteligencji. Nawet w odniesieniu do innych ludzi nie potrafimy bezpośrednio obserwować procesów zachodzących w ich umysłach. Możemy jedynie wnioskować o nich na podstawie zachowania, wypowiedzi i podejmowanych działań.

Turing zaproponował więc zastąpienie trudnego do rozstrzygnięcia pytania bardziej konkretnym eksperymentem. Nazwał go grą w naśladownictwo.

Pierwotnie eksperyment opierał się na sytuacji, w której uczestniczyły trzy osoby: mężczyzna, kobieta i przesłuchujący. Osoba przesłuchująca znajdowała się w oddzielnym pomieszczeniu i komunikowała się z pozostałymi uczestnikami za pomocą tekstu. Jej zadaniem było ustalenie, kto jest kim, na podstawie otrzymywanych odpowiedzi.

Turing zaproponował następnie zmianę tego eksperymentu. Jednego z ludzkich uczestników miała zastąpić maszyna. Osoba prowadząca rozmowę nie wiedziałaby, czy po drugiej stronie znajduje się człowiek, czy komputer. Mogłaby zadawać pytania na dowolne tematy i analizować odpowiedzi. Jeżeli maszyna potrafiłaby prowadzić rozmowę w sposób na tyle przekonujący, że przesłuchujący miałby trudności z odróżnieniem jej od człowieka, oznaczałoby to, że osiągnęła pewien poziom zachowania przypominającego ludzką inteligencję.

Współcześnie właśnie tę wersję eksperymentu najczęściej określa się mianem testu Turinga.

Jego podstawowa idea jest stosunkowo prosta, ale konsekwencje są znacznie bardziej skomplikowane. Maszyna nie musi wyglądać jak człowiek, posiadać ludzkiego ciała ani naśladować sposobu poruszania się. Liczy się przede wszystkim jej zdolność do komunikowania się i reagowania na pytania w sposób, który może zostać uznany za inteligentny.

Test przenosi więc uwagę z wewnętrznej konstrukcji urządzenia na obserwowalne zachowanie. Zamiast próbować bezpośrednio ustalić, czy maszyna posiada świadomość albo rzeczywiście rozumie znaczenie wypowiadanych słów, sprawdzamy, czy jej odpowiedzi są wystarczająco przekonujące w porównaniu z odpowiedziami człowieka.

Było to podejście niezwykle nowatorskie. Turing dostrzegł, że nie musimy najpierw rozstrzygnąć wszystkich filozoficznych problemów dotyczących natury myślenia, aby rozpocząć badania nad inteligentnymi maszynami. Możemy zdefiniować konkretne zadanie i sprawdzić, czy urządzenie potrafi je wykonać.

Nie oznacza to jednak, że test Turinga jest uniwersalnym miernikiem inteligencji. Maszyna może nauczyć się generować przekonujące odpowiedzi, wykorzystywać język w sposób powierzchownie podobny do człowieka i stosować różne strategie konwersacyjne, nie posiadając przy tym ludzkiego doświadczenia ani świadomości. Z drugiej strony system może być niezwykle inteligentny w określonej dziedzinie, ale nie radzić sobie z naturalną rozmową.

Test Turinga nie odpowiada zatem na wszystkie pytania dotyczące inteligencji. Jest przede wszystkim eksperymentem dotyczącym zdolności maszyny do naśladowania ludzkiego zachowania w komunikacji.

W swoim artykule Turing nie ograniczył się do przedstawienia samego eksperymentu. Rozważał również różne zarzuty, które można było wysunąć przeciwko idei myślących maszyn. Próbował przewidzieć, jakie argumenty pojawią się w dyskusji i w jaki sposób można na nie odpowiedzieć.

Jednym z rozważanych problemów był argument teologiczny, zgodnie z którym myślenie miałoby być zdolnością zarezerwowaną wyłącznie dla człowieka jako istoty stworzonej przez Boga. Turing zauważał, że takie stanowisko nie stanowi wystarczającego naukowego dowodu na niemożliwość powstania inteligentnych maszyn.

Innym zagadnieniem był tak zwany argument matematyczny. Wykorzystując twierdzenia dotyczące ograniczeń formalnych systemów matematycznych, można było próbować wykazać, że maszyny nigdy nie osiągną możliwości intelektualnych człowieka. Turing zwracał jednak uwagę, że ludzkie rozumowanie również nie jest pozbawione ograniczeń. Fakt, że istnieją twierdzenia dotyczące granic obliczeń, nie oznacza automatycznie, że maszyna nie może wykonać żadnego zadania uznawanego za inteligentne.

Rozważał również argument związany z brakiem świadomości. Zgodnie z nim maszyna może wykonywać obliczenia i udzielać odpowiedzi, ale nie odczuwa radości, smutku, zaskoczenia ani nie posiada wewnętrznego doświadczenia. W tym kontekście pojawiała się trudność polegająca na tym, że człowiek nie ma bezpośredniego dostępu do świadomości innych osób. Może obserwować ich zachowanie, ale nie potrafi bezpośrednio sprawdzić, jakie doświadczenia zachodzą w ich umysłach.

Turing poruszył także kwestię kreatywności i nieprzewidywalności. Maszyny kojarzono wówczas przede wszystkim z wykonywaniem dokładnie określonych instrukcji. Wydawało się, że urządzenie nie może zrobić niczego, czego wcześniej nie przewidział jego konstruktor. Turing uważał jednak, że odpowiednio zaprogramowane maszyny mogą wykazywać zachowania, których szczegółowych rezultatów nie sposób łatwo przewidzieć.

Szczególnie interesujące były jego rozważania dotyczące możliwości stworzenia maszyn uczących się. Zamiast projektować urządzenie, które od początku posiadałoby wszystkie potrzebne informacje i reguły, można byłoby stworzyć system zdolny do stopniowego zdobywania nowych umiejętności.

Turing porównywał taki pomysł do rozwoju dziecka. Ludzki umysł nie rodzi się jako w pełni ukształtowany system wiedzy. Człowiek uczy się języka, poznaje otoczenie, zapamiętuje doświadczenia i stopniowo rozwija zdolność rozwiązywania coraz bardziej złożonych problemów. Być może podobną drogę można byłoby zastosować w przypadku maszyn.

W jego wizji można było stworzyć stosunkowo prostą maszynę, a następnie poddawać ją procesowi edukacji, który stopniowo zwiększałby jej możliwości. Turing rozważał między innymi rolę nagród i kar jako sposobów wpływania na zachowanie systemu. W ten sposób pojawiły się idee, które można powiązać z późniejszym rozwojem uczenia maszynowego i uczenia ze wzmocnieniem.

Nie oznacza to, że Turing opracował współczesne algorytmy uczenia maszynowego. Jego znaczenie polegało na tym, że dostrzegł możliwość odejścia od tradycyjnego podejścia, w którym człowiek musi z góry zapisać każdą regułę działania urządzenia. Zamiast tego maszyna mogłaby rozwijać swoje zachowanie na podstawie doświadczeń i informacji otrzymywanych podczas działania.

Była to idea niezwykle dalekowzroczna. Współczesne systemy sztucznej inteligencji w dużej mierze opierają się właśnie na uczeniu. Programiści nie zapisują ręcznie wszystkich odpowiedzi, które system ma udzielić w przyszłości. Przygotowują architekturę modelu, procedury uczenia i dane, na podstawie których system dostosowuje swoje parametry. W efekcie powstaje model zdolny do rozpoznawania wzorców i wykonywania zadań, których nie opisano w postaci pojedynczych, ręcznie przygotowanych reguł.

Warto również zauważyć, że Turing przewidywał możliwość wykorzystania komputerów do znacznie szerszych zastosowań niż tradycyjne obliczenia. Interesowały go zagadnienia związane z uczeniem, rozpoznawaniem wzorców i symulowaniem procesów intelektualnych. Nie traktował komputera wyłącznie jako szybszej maszyny liczącej. Dostrzegał w nim potencjalne narzędzie do badania samego myślenia.

W latach pięćdziesiątych jego zainteresowania zaczęły obejmować również zagadnienia związane z biologią i matematycznym opisem procesów zachodzących w przyrodzie. W 1952 roku opublikował pracę „The Chemical Basis of Morphogenesis”, w której przedstawił matematyczny model wyjaśniający, w jaki sposób reakcje chemiczne i procesy dyfuzji mogą prowadzić do powstawania uporządkowanych wzorów w organizmach żywych.

Nie była to bezpośrednio praca z zakresu sztucznej inteligencji, ale pokazywała charakterystyczny sposób myślenia Turinga. Interesowało go, czy skomplikowane zjawiska można wyjaśnić za pomocą stosunkowo prostych reguł matematycznych. Wierzył, że odpowiednio zbudowane modele mogą pomóc zrozumieć procesy, które na pierwszy rzut oka wydają się niezwykle złożone.

W tym samym okresie kontynuował prace nad komputerami i zagadnieniami związanymi z ich możliwościami. Jego wizja przyszłości informatyki była znacznie szersza niż samo przyspieszanie obliczeń. Widział w komputerach urządzenia, które mogą stać się narzędziami do eksperymentowania z inteligencją.

Niestety życie Turinga zostało tragicznie przerwane. Mimo ogromnych zasług dla brytyjskiej nauki i wysiłku wojennego stał się ofiarą ówczesnego prawa i społecznych uprzedzeń wobec homoseksualności. W 1952 roku został skazany za relację homoseksualną, która w Wielkiej Brytanii była wówczas przestępstwem. Postawiono go przed wyborem między karą więzienia a poddaniem się terapii hormonalnej, określanej wówczas jako leczenie mające ograniczyć popęd seksualny. Wybrał drugą możliwość.

Konsekwencje były dla niego bardzo dotkliwe. Poddano go leczeniu estrogenami, które wywoływało skutki uboczne i wpływało na jego codzienne życie. Stracił również część możliwości zawodowych i dostępu do informacji związanych z bezpieczeństwem państwa, co miało znaczenie ze względu na jego wcześniejszą pracę kryptologiczną.

8 czerwca 1954 roku Alan Turing został znaleziony martwy w swoim domu w Wilmslow. Zmarł w wieku zaledwie 41 lat. Przyczyną śmierci było zatrucie cyjankiem. Śledztwo zakończyło się ustaleniem samobójstwa, choć okoliczności jego śmierci były później przedmiotem różnych interpretacji i dyskusji.

Jego odejście nastąpiło w chwili, gdy informatyka dopiero zaczynała rozwijać się jako nowa dziedzina nauki. Turing nie doczekał powstania współczesnych komputerów osobistych, internetu, smartfonów ani systemów generatywnej sztucznej inteligencji. Nie zobaczył również, jak komputery pokonują najlepszych szachistów świata i zaczynają wykonywać zadania związane z rozumieniem języka naturalnego.

W kolejnych dekadach jego wkład w rozwój nauki był stopniowo coraz szerzej doceniany. W 2009 roku brytyjski premier Gordon Brown publicznie przeprosił za sposób, w jaki państwo potraktowało Turinga. W 2013 roku królowa Elżbieta II udzieliła mu pośmiertnego królewskiego ułaskawienia. W 2017 roku wprowadzono przepisy znane jako Turing’s Law, które umożliwiły formalne unieważnianie historycznych skazań dotyczących dobrowolnych relacji homoseksualnych, które nie byłyby dziś przestępstwem. Jego nazwisko stało się symbolem zarówno przełomowych osiągnięć naukowych, jak i niesprawiedliwości, której doświadczył ze strony społeczeństwa.

Znaczenie Turinga dla historii sztucznej inteligencji jest trudne do przecenienia. Jego prace stworzyły podstawy teoretyczne, na których opiera się współczesna informatyka. Maszyna Turinga pozwoliła formalnie opisać proces obliczania, koncepcja maszyny uniwersalnej stała się jednym z fundamentów komputerów ogólnego przeznaczenia, a artykuł z 1950 roku wprowadził do naukowej dyskusji konkretny sposób analizowania inteligentnego zachowania maszyn.

Jednak jego największym osiągnięciem w kontekście sztucznej inteligencji było prawdopodobnie samo przesunięcie granicy wyobraźni naukowej. W czasach, gdy komputery były jeszcze ogromnymi, kosztownymi i trudnymi w obsłudze urządzeniami, Turing poważnie rozważał możliwość stworzenia maszyn, które będą się uczyć, rozwijać umiejętności i prowadzić rozmowy z człowiekiem.

Współczesne systemy konwersacyjne pokazują, jak daleko zaszliśmy od czasów jego pierwszych rozważań. Programy potrafią analizować pytania, tworzyć rozbudowane odpowiedzi, tłumaczyć teksty, streszczać dokumenty i prowadzić wieloetapowe rozmowy. W wielu sytuacjach ich wypowiedzi są na tyle płynne i przekonujące, że trudno odróżnić je od tekstów napisanych przez człowieka bez dokładniejszej analizy.

Można więc powiedzieć, że Turing postawił pytanie, na które współczesna technologia nieustannie próbuje odpowiadać. Nie oznacza to jednak, że test Turinga rozstrzygnął problem natury inteligencji. Nawet najbardziej przekonująca rozmowa nie stanowi dowodu na posiadanie świadomości, emocji czy ludzkiego sposobu rozumienia rzeczywistości.

Dzisiejsza sztuczna inteligencja zmusza nas do ponownego zastanowienia się nad tym, co właściwie oznacza myślenie. Czy inteligencja polega na zdolności rozwiązywania problemów, czy również na rozumieniu ich znaczenia? Czy system, który potrafi tworzyć oryginalne odpowiedzi, rzeczywiście rozumie informacje, którymi operuje? Czy można mówić o kreatywności maszyny, jeżeli jej działanie wynika z matematycznych operacji wykonywanych na ogromnych zbiorach danych?

Turing nie pozostawił jednoznacznych odpowiedzi na wszystkie te pytania. Pozostawił jednak coś równie ważnego: naukowy sposób ich zadawania. Zamiast odrzucać możliwość powstania inteligentnych maszyn jako fantazję, potraktował ją jako problem, który można analizować, modelować i badać eksperymentalnie.

W tym sensie Alan Turing był nie tylko jednym z ojców współczesnej informatyki, lecz także jednym z najważniejszych intelektualnych prekursorów sztucznej inteligencji. Jego prace pokazały, że maszyna może być czymś więcej niż urządzeniem wykonującym mechaniczne polecenia. Może stać się uniwersalnym systemem przetwarzania informacji, a odpowiednio zaprojektowany program może pozwolić jej realizować zadania, które wcześniej kojarzono wyłącznie z ludzkim intelektem.

Pytanie postawione przez Turinga w 1950 roku nie straciło aktualności. Wręcz przeciwnie, wraz z rozwojem coraz bardziej zaawansowanych modeli sztucznej inteligencji stało się jednym z najważniejszych pytań współczesnej cywilizacji technologicznej. Różnica polega na tym, że dzisiaj nie rozważamy już wyłącznie hipotetycznych maszyn. Dysponujemy systemami, które potrafią prowadzić rozmowy, analizować informacje i tworzyć treści na skalę, o jakiej Turing mógł jedynie przypuszczać.

Droga od abstrakcyjnej maszyny zapisanej na kartce papieru do współczesnych systemów sztucznej inteligencji była długa i wymagała pracy wielu pokoleń matematyków, inżynierów i naukowców. Turing wskazał jednak jeden z najważniejszych kierunków tej drogi. Pokazał, że aby zrozumieć przyszłość maszyn, trzeba najpierw zrozumieć naturę obliczeń, a następnie odważyć się zadać pytanie, które przez długi czas wydawało się zarezerwowane wyłącznie dla filozofów: czy stworzone przez człowieka urządzenie może kiedyś nauczyć się myśleć?

Rozdział 3. Warren McCulloch i Walter Pitts — matematyczne początki sztucznych neuronów

W pierwszej połowie XX wieku naukowcy coraz śmielej zastanawiali się nad możliwością odtworzenia ludzkiego myślenia za pomocą maszyn. Charles Babbage i Ada Lovelace pokazali, że urządzenia mechaniczne mogą wykonywać skomplikowane operacje według wcześniej przygotowanych instrukcji. Alan Turing stworzył matematyczne podstawy teorii obliczeń i postawił pytanie, czy maszyny mogą myśleć. Kolejnym krokiem było jednak zrozumienie samego ludzkiego mózgu. Jeżeli człowiek potrafi uczyć się, zapamiętywać informacje, rozpoznawać wzorce i podejmować decyzje, być może warto przyjrzeć się temu, jak funkcjonuje jego układ nerwowy. Czy procesy zachodzące w miliardach komórek nerwowych można opisać za pomocą matematyki? Czy pojedynczy neuron można przedstawić jako prosty mechanizm przetwarzający sygnały? A jeżeli tak, czy odpowiednio połączone sztuczne odpowiedniki takich komórek mogłyby wykonywać zadania przypominające niektóre funkcje biologicznego mózgu?

Pytania te doprowadziły do jednego z najważniejszych wydarzeń w historii sztucznej inteligencji. W 1943 roku dwóch naukowców, Warren McCulloch i Walter Pitts, opublikowało pracę, w której przedstawili matematyczny model komórki nerwowej. Ich koncepcja, znana jako model neuronu McCullocha-Pittsa, stała się jednym z fundamentów późniejszego rozwoju sztucznych sieci neuronowych. Połączyła dwa obszary wiedzy, które wcześniej rozwijały się w dużej mierze niezależnie: neurofizjologię, zajmującą się funkcjonowaniem układu nerwowego, oraz logikę matematyczną, badającą formalne zasady poprawnego rozumowania.

Znaczenie tej pracy było znacznie większe niż samo stworzenie uproszczonego modelu biologicznej komórki. McCulloch i Pitts zaproponowali sposób myślenia, zgodnie z którym podstawowe elementy przetwarzające informacje w mózgu można opisać matematycznie, a ich wzajemne połączenia mogą tworzyć bardziej złożone struktury obliczeniowe. W ten sposób pojawiła się koncepcja, że inteligentne zachowania nie muszą wynikać wyłącznie z działania jednego, niezwykle skomplikowanego mechanizmu. Mogą być rezultatem współpracy wielu prostszych jednostek, z których każda wykonuje stosunkowo ograniczone zadanie.

Aby zrozumieć przełomowość ich odkrycia, trzeba najpierw przyjrzeć się temu, co nauka wiedziała wówczas o ludzkim mózgu. Układ nerwowy od dawna stanowił przedmiot zainteresowania lekarzy, biologów i filozofów. Już w starożytności zastanawiano się nad rolą mózgu w procesach myślenia, pamięci i odczuwania. Przez wiele stuleci nie znano jednak dokładnej budowy komórek nerwowych ani mechanizmów odpowiedzialnych za przekazywanie informacji między nimi.

Dopiero rozwój mikroskopii i metod badania tkanek pozwolił stopniowo odkrywać rzeczywistą strukturę układu nerwowego. W XIX wieku naukowcy zaczęli dokładniej analizować budowę mózgu, rdzenia kręgowego i nerwów. Szczególne znaczenie miały badania hiszpańskiego lekarza i histologa Santiago Ramóna y Cajala, który dzięki obserwacjom mikroskopowym wykazał, że układ nerwowy składa się z odrębnych komórek, a nie jednej nieprzerwanej sieci tkanki. Jego prace przyczyniły się do rozwoju doktryny neuronowej, zgodnie z którą podstawowymi jednostkami strukturalnymi i funkcjonalnymi układu nerwowego są neurony.

Neuron jest wyspecjalizowaną komórką, której głównym zadaniem jest odbieranie, przetwarzanie i przekazywanie sygnałów. W typowym neuronie można wyróżnić ciało komórki, dendryty oraz akson. Ciało komórki zawiera jądro i większość struktur odpowiedzialnych za jej funkcjonowanie. Dendryty odbierają sygnały pochodzące od innych komórek nerwowych, natomiast akson przewodzi impuls nerwowy w kierunku kolejnych komórek.

Miejsce, w którym neuron komunikuje się z inną komórką, nazywa się synapsą. Przekazywanie informacji może odbywać się za pomocą sygnałów chemicznych lub elektrycznych, zależnie od rodzaju połączenia. W przypadku większości synaps chemicznych sygnał elektryczny docierający do zakończenia aksonu powoduje uwolnienie neuroprzekaźników. Substancje te oddziałują na receptory kolejnej komórki i mogą zwiększać lub zmniejszać prawdopodobieństwo powstania w niej impulsu nerwowego.

Nie jest to więc zwykłe przekazywanie informacji w postaci prostego komunikatu. Neuron otrzymuje wiele sygnałów jednocześnie, a ich łączny wpływ decyduje o jego dalszej aktywności. Jedne połączenia mogą pobudzać komórkę, inne ją hamować. Ostateczna reakcja zależy od całego układu oddziaływań.

To właśnie ten aspekt funkcjonowania układu nerwowego szczególnie zainteresował McCullocha i Pittsa. Zauważyli, że można spróbować opisać działanie neuronu w uproszczony sposób, wykorzystując narzędzia logiki matematycznej. Zamiast odtwarzać wszystkie procesy biologiczne zachodzące w komórce, można stworzyć model, który będzie uwzględniał najważniejsze zależności związane z odbieraniem sygnałów, ich łączeniem i podejmowaniem decyzji o wygenerowaniu odpowiedzi.

Warren Sturgis McCulloch urodził się 16 listopada 1898 roku w Orange w stanie New Jersey w Stanach Zjednoczonych. Był amerykańskim neurofizjologiem i psychiatrą, który przez całe życie interesował się naturą ludzkiego umysłu. Jego droga naukowa nie była typowa. Studiował filozofię i psychologię, a następnie zdobył wykształcenie medyczne. Łączył zainteresowanie medycyną z filozoficznymi pytaniami dotyczącymi świadomości, poznania i sposobu funkcjonowania mózgu.

McCulloch nie chciał ograniczać się do opisywania objawów chorób neurologicznych ani do badania pojedynczych struktur mózgu. Interesowało go znacznie szersze zagadnienie: czy można zrozumieć ludzkie myślenie poprzez poznanie zasad działania układu nerwowego? Uważał, że procesy psychiczne powinny być analizowane z wykorzystaniem wiedzy o biologicznych mechanizmach mózgu.

W kolejnych latach prowadził badania nad aktywnością neuronów i organizacją układu nerwowego. Pracował w różnych ośrodkach naukowych, między innymi w University of Illinois i Massachusetts Institute of Technology. Był również związany z badaniami nad cybernetyką, czyli interdyscyplinarną dziedziną zajmującą się systemami sterowania, komunikacji i regulacji zarówno w organizmach żywych, jak i w urządzeniach technicznych.

McCulloch miał szczególną umiejętność łączenia odległych od siebie obszarów wiedzy. Potrafił prowadzić dyskusje dotyczące neurobiologii, matematyki, filozofii i logiki, poszukując wspólnych zasad, które mogłyby pomóc wyjaśnić funkcjonowanie mózgu. Nie uważał, że należy rozpatrywać układ nerwowy wyłącznie jako zbiór biologicznych komórek. Dostrzegał również jego organizację jako systemu przetwarzającego informacje.

Drugim autorem przełomowej pracy był Walter Harry Pitts Jr., urodzony 23 kwietnia 1923 roku w Detroit w stanie Michigan. W przeciwieństwie do McCullocha był przede wszystkim matematykiem i logikiem. Już jako młody człowiek wykazywał niezwykłe zdolności w zakresie matematyki i logiki formalnej.

Według znanych relacji biograficznych Pitts jako nastolatek samodzielnie zainteresował się zaawansowanymi zagadnieniami logiki matematycznej. Czytał prace Alfreda Northa Whiteheada i Bertranda Russella, w tym ich monumentalne dzieło „Principia Mathematica”, poświęcone formalnym podstawom matematyki. Była to literatura niezwykle wymagająca nawet dla doświadczonych naukowców.

Pitts miał podobno już jako piętnastolatek wysłać Bertrandowi Russellowi uwagi dotyczące jego pracy. Następnie opuścił Detroit i trafił do Chicago, gdzie zetknął się ze środowiskiem naukowym związanym z filozofią, matematyką i badaniami nad układem nerwowym.

W Chicago poznał Warrena McCullocha. Spotkanie obu naukowców okazało się wyjątkowo owocne, ponieważ każdy z nich wnosił do współpracy zupełnie inne kompetencje. McCulloch posiadał wiedzę o biologii i fizjologii układu nerwowego, natomiast Pitts potrafił analizować procesy za pomocą formalnych struktur matematycznych.

Wspólnie zaczęli zastanawiać się nad możliwością przedstawienia funkcjonowania neuronów w postaci modelu logicznego. Ich zainteresowanie nie ograniczało się do stworzenia uproszczonego schematu biologicznej komórki. Chcieli sprawdzić, czy sieć połączonych ze sobą jednostek może realizować operacje logiczne, a tym samym wykonywać pewne rodzaje obliczeń.

Wynikiem tej współpracy była opublikowana w 1943 roku praca naukowa zatytułowana „A Logical Calculus of the Ideas Immanent in Nervous Activity”. Jej tytuł można przetłumaczyć jako „Rachunek logiczny idei zawartych w aktywności nerwowej”. Artykuł ukazał się w czasopiśmie „The Bulletin of Mathematical Biophysics” i stanowił jeden z najważniejszych tekstów w historii sztucznych sieci neuronowych.

Główna idea była stosunkowo prosta, choć jej konsekwencje okazały się ogromne. Naukowcy zaproponowali potraktowanie neuronu jako jednostki, która otrzymuje sygnały wejściowe, przetwarza je i w określonych warunkach wysyła sygnał wyjściowy. Działanie takiej jednostki można było opisać za pomocą matematycznych reguł przypominających operacje logiki binarnej.

W ich modelu neuron posiadał określony próg aktywacji. Otrzymywał sygnały od innych neuronów, a ich odpowiednia kombinacja decydowała o tym, czy sam wygeneruje impuls. Jeżeli suma sygnałów pobudzających osiągała wymagany poziom, neuron przechodził w stan aktywny. W przeciwnym razie pozostawał nieaktywny. Model uwzględniał również oddziaływania hamujące, które mogły blokować aktywację komórki.

W uproszczeniu można przedstawić ten mechanizm za pomocą dwóch stanów: 0 i 1. Wartość 0 oznacza brak aktywności, natomiast 1 oznacza aktywację neuronu. Dzięki takiemu podejściu można było opisać działanie komórki za pomocą operacji logicznych.

Wyobraźmy sobie neuron otrzymujący dwa sygnały wejściowe. Jeżeli jego aktywacja następuje dopiero wtedy, gdy oba sygnały są obecne, jego działanie można przedstawić jako bramkę logiczną AND. W przypadku tej operacji wynik jest prawdziwy tylko wtedy, gdy oba warunki są spełnione.

Inny układ połączeń może realizować operację OR, w której aktywacja następuje, gdy pojawi się przynajmniej jeden z wymaganych sygnałów.

Można również przedstawić operację NOT, czyli negację. Jej zadaniem jest odwrócenie wartości logicznej: sygnał aktywny zostaje zamieniony na nieaktywny, a nieaktywny na aktywny. W modelach opartych na neuronach takie zachowanie można uzyskać dzięki odpowiedniej organizacji połączeń pobudzających i hamujących.

Podstawowe operacje logiczne wykorzystywane do opisu działania sztucznych neuronów

AND

Koniunkcja

Wszystkie warunki muszą być spełnione

OR

Alternatywa

Wystarczy jeden warunek

NOT

Negacja

Odwrócenie wartości sygnału

Schematy przedstawiają uproszczoną interpretację logiczną, a nie pełny biologiczny opis funkcjonowania neuronu.

To właśnie tutaj ujawniła się najważniejsza innowacja McCullocha i Pittsa. Pokazali, że odpowiednio połączone neurony mogą tworzyć układy realizujące operacje logiczne. Pojedyncza komórka była stosunkowo prostym elementem, ale sieć złożona z wielu takich jednostek mogła wykonywać znacznie bardziej skomplikowane zadania.

W praktyce oznaczało to możliwość budowania systemów, których zachowanie wynikało z organizacji połączeń pomiędzy prostymi elementami. Nie trzeba było projektować osobnego, niezwykle skomplikowanego mechanizmu dla każdej operacji. Wystarczyło odpowiednio połączyć mniejsze jednostki i określić zasady ich działania.

Dla rozwoju informatyki było to niezwykle istotne, ponieważ logika matematyczna stanowi podstawę działania współczesnych komputerów. Każdy procesor wykonuje operacje na danych reprezentowanych za pomocą wartości binarnych. Układy elektroniczne realizują operacje logiczne, a ich połączenia pozwalają wykonywać bardziej złożone obliczenia.

McCulloch i Pitts nie budowali jednak procesorów ani nie projektowali współczesnych układów scalonych. Ich celem było zrozumienie, w jaki sposób aktywność układu nerwowego można przedstawić za pomocą formalnych reguł. Odkryli przy tym, że matematyczny model neuronu ma możliwości obliczeniowe, które wykraczają daleko poza proste odtwarzanie biologicznej komórki.

W swojej pracy pokazali, że odpowiednio zorganizowane sieci takich jednostek mogą realizować różne funkcje logiczne. Była to ważna wskazówka, że nawet stosunkowo proste elementy mogą tworzyć system zdolny do przetwarzania złożonych informacji.

Warto jednak zaznaczyć, że model McCullocha-Pittsa był dużym uproszczeniem rzeczywistego neuronu. Biologiczna komórka nerwowa nie działa jak idealny przełącznik cyfrowy. Jej aktywność zależy od wielu czynników, między innymi rodzaju sygnałów, właściwości synaps, zmian potencjału błonowego i procesów biochemicznych. Sztuczny model pomijał większość tych szczegółów, koncentrując się na matematycznym opisie podstawowej zasady przetwarzania sygnałów.

Nie był to jednak błąd. W nauce uproszczone modele często odgrywają bardzo ważną rolę. Pozwalają skupić się na wybranych właściwościach badanego zjawiska i sprawdzić, jakie konsekwencje wynikają z przyjętych założeń. McCulloch i Pitts nie próbowali stworzyć kompletnej kopii ludzkiego mózgu. Chcieli zrozumieć, czy można opisać jego podstawowe mechanizmy za pomocą matematyki i logiki.

Ich praca wzbudziła zainteresowanie naukowców z różnych dziedzin. Szczególnie ważna okazała się dla badaczy zajmujących się cybernetyką, teorią informacji i budową komputerów. Coraz wyraźniej dostrzegano, że procesy zachodzące w organizmach żywych i działanie urządzeń technicznych mogą mieć pewne wspólne cechy. W obu przypadkach można mówić o odbieraniu sygnałów, przetwarzaniu informacji, reagowaniu na określone warunki i przekazywaniu wyników do kolejnych elementów systemu.

W kolejnych latach McCulloch i Pitts rozwijali swoje zainteresowania, a ich model stał się punktem odniesienia dla nowych koncepcji matematycznego opisu układu nerwowego. Szczególnie ważne było to, że praca z 1943 roku pojawiła się w okresie, gdy naukowcy coraz intensywniej poszukiwali sposobów na połączenie biologii z rozwijającą się technologią obliczeniową.

Jednym z badaczy, których zainteresowały podobne zagadnienia, był Donald Hebb, kanadyjski psycholog i neuropsycholog. W 1949 roku opublikował książkę „The Organization of Behavior”, w której przedstawił teorię dotyczącą sposobu uczenia się przez układ nerwowy. Hebb zwrócił uwagę na znaczenie połączeń między neuronami i zaproponował zasadę, zgodnie z którą jednoczesna aktywność określonych komórek może prowadzić do wzmacniania ich wzajemnych połączeń.

Z jego koncepcją wiąże się popularne sformułowanie, że neurony, które aktywują się razem, mogą wzmacniać swoje połączenie. W literaturze naukowej zasada ta jest znana jako uczenie hebbowskie.

Znaczenie tej idei dla rozwoju sztucznej inteligencji było ogromne. Model McCullocha i Pittsa pokazywał, jak neurony mogą przetwarzać sygnały, natomiast Hebb zaproponował mechanizm wyjaśniający, w jaki sposób połączenia między nimi mogą się zmieniać w wyniku doświadczenia.

To rozróżnienie jest niezwykle istotne. System, który potrafi wykonywać operacje logiczne, nie musi jeszcze potrafić się uczyć. Jeżeli wszystkie jego połączenia są ustalone na stałe, będzie realizował określone zadania zgodnie z pierwotnym projektem. Aby mógł rozwijać nowe umiejętności, potrzebny jest mechanizm pozwalający zmieniać jego wewnętrzną strukturę lub sposób reagowania.

Właśnie dlatego połączenie matematycznego modelu neuronu z koncepcjami uczenia stanowiło tak ważny krok w kierunku późniejszych sieci neuronowych.

Warto również wspomnieć o Norbercie Wienerze, amerykańskim matematyku, który w 1948 roku opublikował książkę „Cybernetics: Or Control and Communication in the Animal and the Machine”. Wiener rozwijał ideę cybernetyki jako nauki badającej mechanizmy sterowania i komunikacji w organizmach oraz urządzeniach technicznych.

Zwracał uwagę na znaczenie sprzężenia zwrotnego, czyli procesu, w którym wyniki działania systemu wpływają na jego dalsze zachowanie. Przykładem może być termostat, który mierzy temperaturę pomieszczenia i odpowiednio uruchamia lub wyłącza ogrzewanie. Podobne mechanizmy regulacyjne występują również w organizmach żywych.

Cybernetyka stworzyła przestrzeń do prowadzenia wspólnych badań przez matematyków, biologów, inżynierów i psychologów. W jej ramach analizowano zarówno działanie układu nerwowego, jak i systemów elektronicznych. McCulloch był jedną z ważnych postaci tego środowiska, a jego współpraca z innymi naukowcami przyczyniła się do rozwoju interdyscyplinarnego podejścia do problemu inteligencji.

Szczególne znaczenie miały spotkania naukowe, które odbywały się w latach czterdziestych i pięćdziesiątych XX wieku. Uczeni coraz częściej dyskutowali o tym, czy można stworzyć urządzenia naśladujące wybrane funkcje ludzkiego mózgu, jak powinny być zorganizowane systemy przetwarzania informacji i czy procesy uczenia można przedstawić za pomocą matematycznych modeli.

W tym środowisku rozwijała się również idea sztucznych sieci neuronowych. Zaczęto dostrzegać, że zamiast projektować komputer wyłącznie jako urządzenie wykonujące sztywno określone instrukcje, można próbować budować systemy, których zachowanie będzie wynikało z wielu wzajemnie połączonych elementów.

Jednym z najważniejszych kierunków rozwoju stało się poszukiwanie sposobów na automatyczne dostosowywanie połączeń między neuronami. W tradycyjnym programowaniu człowiek określa reguły, według których komputer ma działać. W przypadku sieci neuronowych można natomiast przygotować strukturę modelu, a następnie wykorzystać dane treningowe do stopniowego dostosowywania jego parametrów.

To fundamentalna różnica. Program nie musi zawierać osobnej instrukcji dla każdej możliwej sytuacji. Zamiast tego sieć może uczyć się zależności na podstawie przykładów.

Model McCullocha-Pittsa nie miał jeszcze takiej zdolności w nowoczesnym znaczeniu. Jego połączenia i reguły działania były z góry ustalone. Jednak bez matematycznego opisu sztucznego neuronu trudno byłoby później rozwijać koncepcje systemów złożonych z wielu połączonych jednostek przetwarzających informacje.

Kolejny ważny etap nastąpił w 1957 roku, kiedy amerykański psycholog i informatyk Frank Rosenblatt rozpoczął rozwijanie koncepcji perceptronu. Był to model sztucznej sieci neuronowej, który potrafił uczyć się rozpoznawania określonych wzorców poprzez dostosowywanie wag połączeń między jednostkami.

Perceptron stanowił istotny krok naprzód w stosunku do pierwotnego modelu McCullocha-Pittsa. Wprowadzał mechanizm uczenia, dzięki któremu system mógł zmieniać sposób przetwarzania informacji w zależności od przykładów, na których był trenowany.

W najprostszym wariancie perceptron otrzymywał dane wejściowe, mnożył je przez odpowiednie wagi, sumował uzyskane wartości, a następnie porównywał wynik z określonym progiem. Na tej podstawie podejmował decyzję o przypisaniu danych do jednej z kategorii.

Przykładowo, można było stworzyć system, który na podstawie kilku cech próbowałby rozróżniać dwa rodzaje obiektów. Początkowo jego decyzje mogły być błędne. Jednak podczas procesu uczenia wagi połączeń były korygowane, tak aby kolejne odpowiedzi stawały się coraz bardziej zgodne z dostarczonymi przykładami.

Perceptron nie był jeszcze zaawansowaną siecią neuronową w dzisiejszym znaczeniu. Miał poważne ograniczenia, szczególnie w przypadku problemów wymagających rozpoznawania bardziej skomplikowanych zależności. Mimo to udowodnił, że można stworzyć model, który nie tylko przetwarza informacje, ale również dostosowuje swoje działanie na podstawie doświadczenia.

Właśnie tutaj można dostrzec bezpośrednie znaczenie idei McCullocha i Pittsa. Ich matematyczny neuron dostarczył podstawowej jednostki, którą późniejsi badacze mogli rozwijać i łączyć w bardziej zaawansowane struktury.

W kolejnych dekadach sztuczne sieci neuronowe przechodziły okresy intensywnego rozwoju, ale również rozczarowań. W latach sześćdziesiątych ujawniły się ograniczenia prostych perceptronów, co doprowadziło do zmniejszenia zainteresowania niektórymi podejściami opartymi na sieciach neuronowych. Dopiero późniejszy rozwój metod matematycznych, mocy obliczeniowej i dostępności danych umożliwił ponowne zainteresowanie tym kierunkiem.

Szczególne znaczenie miało rozwinięcie metod uczenia wielowarstwowych sieci neuronowych. Jedną z najważniejszych okazała się metoda propagacji wstecznej błędu, znana jako backpropagation. Pozwalała ona dostosowywać wagi w wielu warstwach sieci na podstawie różnicy między uzyskanym wynikiem a oczekiwanym rezultatem.

Dzięki temu sieci neuronowe mogły rozwiązywać znacznie bardziej złożone zadania niż te, z którymi radziły sobie pojedyncze perceptrony. Wraz ze wzrostem dostępnej mocy obliczeniowej i ilości danych zaczęto wykorzystywać je między innymi do rozpoznawania obrazów, analizy dźwięku, przetwarzania języka i prognozowania.

Współczesna sztuczna inteligencja korzysta z wielu różnych architektur sieci neuronowych. Niektóre są przeznaczone do analizy obrazów, inne do przetwarzania sekwencji danych, a jeszcze inne do pracy z językiem naturalnym. Szczególnie ważną rolę odgrywają głębokie sieci neuronowe, w których informacje przechodzą przez wiele warstw przetwarzających.

Warto w tym miejscu wyjaśnić, dlaczego nazwa sztuczne sieci neuronowe nawiązuje do biologicznego mózgu. Inspiracją dla ich powstania był układ nerwowy człowieka i sposób komunikowania się neuronów. Nie oznacza to jednak, że współczesne modele AI są wiernymi kopiami ludzkiego mózgu.

Sztuczny neuron jest matematycznym elementem modelu. Nie posiada biologicznej błony komórkowej, dendrytów, synaps w fizjologicznym znaczeniu ani procesów biochemicznych charakterystycznych dla żywej komórki. Przetwarza wartości liczbowe według określonych funkcji matematycznych.

W typowej sztucznej sieci neuronowej dane wejściowe są mnożone przez wagi, sumowane, a następnie przekształcane przez funkcję aktywacji. Wagi określają, jak duże znaczenie ma dany sygnał wejściowy dla wyniku. Podczas treningu system dostosowuje te wartości, aby poprawiać jakość wykonywanego zadania.

Można więc powiedzieć, że podobieństwo między biologicznym a sztucznym neuronem ma przede wszystkim charakter koncepcyjny. W obu przypadkach mamy do czynienia z jednostkami, które odbierają sygnały, przetwarzają je i przekazują dalej. Szczegóły działania są jednak zupełnie inne.

Mimo tych różnic inspiracja biologiczna pozostaje jednym z najważniejszych elementów historii sztucznej inteligencji. Pokazuje, że rozwój technologii nie zawsze polega na bezpośrednim kopiowaniu natury. Często wystarczy zaobserwować określoną zasadę działania, uprościć ją i wykorzystać w zupełnie innym środowisku.

McCulloch i Pitts nie mogli przewidzieć, jak daleko rozwinie się ich koncepcja. W 1943 roku komputery elektroniczne znajdowały się dopiero na wczesnym etapie rozwoju, a możliwości przechowywania i przetwarzania danych były bardzo ograniczone. Nie istniały jeszcze współczesne metody trenowania wielkich modeli, a dostępna wiedza o funkcjonowaniu mózgu była znacznie skromniejsza niż dzisiaj.

Ich model pokazał jednak, że inteligencję można badać z perspektywy systemów złożonych z wielu prostych elementów. Pojedynczy neuron nie musi wykonywać skomplikowanych operacji, aby uczestniczyć w tworzeniu złożonego zachowania całej sieci. Istotna jest również organizacja połączeń, sposób przekazywania sygnałów i reguły określające aktywność poszczególnych jednostek.

Ta idea pozostaje aktualna do dziś. Współczesne modele sztucznej inteligencji mogą składać się z miliardów parametrów, które wspólnie wpływają na sposób przetwarzania informacji. Żaden pojedynczy parametr nie odpowiada za całą zdolność systemu do rozpoznawania języka, tworzenia tekstów czy analizowania obrazów. Dopiero ich współdziałanie pozwala uzyskać złożone rezultaty.

Oczywiście nie oznacza to, że miliardy parametrów współczesnego modelu językowego są odpowiednikami biologicznych neuronów w prostym stosunku jeden do jednego. Są to różne elementy matematyczne, których działanie wynika z odmiennej architektury i sposobu przetwarzania informacji. Podobieństwo dotyczy przede wszystkim idei rozproszonego przetwarzania, w którym wiele prostszych elementów współpracuje przy realizacji jednego zadania.

Historia Warrena McCullocha i Waltera Pittsa pokazuje, jak ważne dla rozwoju sztucznej inteligencji było połączenie wiedzy z różnych dziedzin. Neurobiologia dostarczyła inspiracji do zrozumienia sposobu działania układu nerwowego. Logika matematyczna umożliwiła opisanie aktywności neuronów w postaci formalnych reguł. Informatyka stworzyła natomiast narzędzia, dzięki którym podobne koncepcje można było później realizować w praktyce.

Ich wspólna praca z 1943 roku nie stworzyła jeszcze sztucznej inteligencji, ale otworzyła jedną z najważniejszych dróg prowadzących do jej powstania. Pokazała, że można matematycznie modelować podstawowe elementy układu nerwowego i badać, jakie możliwości obliczeniowe pojawiają się wtedy, gdy zostaną one połączone w większą strukturę.

Warren McCulloch zmarł w 1969 roku, natomiast Walter Pitts odszedł w 1969 roku, mając zaledwie 46 lat. Obaj nie doczekali współczesnego rozkwitu sieci neuronowych. Ich nazwiska pozostały jednak trwale związane z początkami tej dziedziny.

Dzisiaj, kiedy korzystamy z systemów rozpoznających mowę, analizujących zdjęcia, tłumaczących języki i generujących teksty, łatwo zapomnieć, że za tymi technologiami stoją dziesięciolecia badań nad bardzo podstawowymi pytaniami. Jedno z nich dotyczyło tego, czy można opisać działanie pojedynczej komórki nerwowej za pomocą matematyki. McCulloch i Pitts pokazali, że jest to możliwe, przynajmniej w odpowiednio uproszczonym modelu.

Ich odkrycie zapoczątkowało drogę, na której neuron przestał być wyłącznie przedmiotem badań biologów, a stał się również elementem matematycznego i informatycznego modelu przetwarzania informacji. Z tej koncepcji wyrosły kolejne pokolenia sztucznych sieci neuronowych, które z czasem stały się jednym z najważniejszych narzędzi współczesnej sztucznej inteligencji.

To właśnie dlatego rok 1943 zajmuje tak ważne miejsce w historii tej dziedziny. Był to moment, w którym idea sztucznego neuronu przestała być jedynie luźną analogią między mózgiem a maszyną. Stała się konkretnym modelem matematycznym, który można było analizować, rozwijać i wykorzystywać jako podstawę kolejnych badań. W kolejnych latach naukowcy mieli spróbować odpowiedzieć na następne pytanie: czy takie matematyczne jednostki można nie tylko łączyć w większe sieci, ale również nauczyć je rozpoznawania wzorców i samodzielnego doskonalenia swoich odpowiedzi?

Rozdział 4. Norbert Wiener — cybernetyka i idea inteligentnych systemów

Rozwój sztucznej inteligencji nie był wyłącznie historią coraz szybszych komputerów, matematycznych modeli neuronów i prób odtworzenia ludzkiego rozumowania za pomocą algorytmów. Równie istotne okazało się odkrycie, że inteligentne zachowanie można analizować z perspektywy znacznie szerszej niż samo przetwarzanie informacji. Organizm żywy nieustannie odbiera sygnały z otoczenia, porównuje je z własnym stanem, reaguje na zmiany i dostosowuje swoje działanie do nowych warunków. Podobne mechanizmy można odnaleźć w maszynach, które potrafią mierzyć skutki własnych działań, wykrywać odchylenia od wyznaczonego celu i samodzielnie korygować sposób funkcjonowania. Właśnie na styku tych dwóch światów — biologii i techniki — narodziła się cybernetyka, dziedzina, która wywarła ogromny wpływ na sposób myślenia o automatyzacji, sterowaniu, komunikacji i sztucznej inteligencji.

Jednym z najważniejszych twórców cybernetyki był Norbert Wiener, amerykański matematyk, logik i filozof nauki, którego prace pomogły sformułować nowy sposób rozumienia maszyn i organizmów żywych. Wiener nie zajmował się wyłącznie budowaniem urządzeń ani tworzeniem programów komputerowych. Interesowało go znacznie bardziej fundamentalne pytanie: w jaki sposób złożony system może zachowywać się w sposób uporządkowany, reagować na zmiany i utrzymywać stabilność pomimo nieustannie zmieniających się warunków zewnętrznych? Poszukiwał zasad, które pozwalałyby opisać zarówno działanie ludzkiego układu nerwowego, jak i funkcjonowanie automatycznych urządzeń sterujących. Zauważył, że w obu przypadkach ogromne znaczenie mają przepływ informacji, reakcja na bodźce oraz mechanizm sprzężenia zwrotnego.

Cybernetyka pojawiła się w szczególnym momencie historii nauki. Pierwsza połowa XX wieku przyniosła gwałtowny rozwój elektrotechniki, telekomunikacji, matematyki stosowanej, fizjologii i mechaniki. Coraz bardziej skomplikowane urządzenia wymagały precyzyjnego sterowania, a rozwój lotnictwa i artylerii stawiał przed konstruktorami problemy, których nie można było rozwiązać wyłącznie za pomocą tradycyjnych metod mechanicznych. Maszyny musiały reagować na zmienne warunki, korygować swoje działanie i uwzględniać informacje napływające z otoczenia. Jednocześnie badacze układu nerwowego coraz lepiej rozumieli, że organizmy żywe nie funkcjonują jak proste mechanizmy, w których jeden bodziec zawsze wywołuje identyczną reakcję. Zachowanie człowieka i zwierząt zależy od wielu wzajemnie powiązanych procesów, a informacje zmysłowe są nieustannie wykorzystywane do regulowania działania organizmu.

Wcześniejsze pokolenia naukowców często traktowały organizmy i maszyny jako dwa odrębne obszary badań. Biolodzy zajmowali się życiem, fizjolodzy analizowali funkcjonowanie narządów, a inżynierowie konstruowali urządzenia mechaniczne i elektryczne. Wiener dostrzegł jednak, że pomimo zasadniczych różnic między organizmem a maszyną istnieją między nimi pewne podobieństwa na poziomie organizacji i regulacji działania. Zarówno człowiek, jak i automatyczne urządzenie mogą odbierać informacje, przetwarzać je, podejmować określone działania i wykorzystywać ich rezultaty do kolejnych decyzji. Nie oznaczało to, że człowiek jest maszyną albo że maszyna posiada świadomość. Chodziło o możliwość opisywania wybranych procesów za pomocą wspólnych pojęć matematycznych.

Norbert Wiener urodził się 26 listopada 1894 roku w Columbia w stanie Missouri. Jego ojciec, Leo Wiener, był uczonym i wykładowcą akademickim, zainteresowanym między innymi językami i literaturą. Od najmłodszych lat dbał o intensywną edukację syna, który bardzo wcześnie wykazywał wyjątkowe zdolności intelektualne. Wiener szybko opanowywał kolejne dziedziny wiedzy, a jego edukacja przebiegała w tempie znacznie odbiegającym od typowej ścieżki szkolnej. Już jako nastolatek rozpoczął studia, a następnie kontynuował naukę na prestiżowych uczelniach, w tym na Uniwersytecie Harvarda.

Wiener interesował się matematyką, filozofią, logiką i naukami przyrodniczymi. Jego sposób myślenia był wyjątkowo interdyscyplinarny. Nie ograniczał się do jednego rodzaju problemów, lecz poszukiwał związków między pozornie odległymi obszarami wiedzy. Właśnie ta cecha okazała się później niezwykle ważna dla narodzin cybernetyki. Potrafił dostrzegać podobieństwa pomiędzy zjawiskami fizycznymi, procesami biologicznymi i abstrakcyjnymi modelami matematycznymi. Nie traktował matematyki wyłącznie jako narzędzia wykonywania obliczeń. Postrzegał ją jako język pozwalający opisywać strukturę rzeczywistości i odkrywać zasady rządzące złożonymi procesami.

W kolejnych latach pracował i studiował w Stanach Zjednoczonych oraz Europie. Zetknął się z różnymi tradycjami naukowymi, poznawał osiągnięcia matematyków i filozofów, a także rozwijał zainteresowania analizą matematyczną i logiką. Z czasem został związany z Massachusetts Institute of Technology, gdzie prowadził działalność naukową i wykładał matematykę. MIT stał się miejscem, w którym mógł rozwijać swoje zainteresowania dotyczące matematycznych podstaw procesów fizycznych i technicznych.

Jednym z ważnych obszarów jego pracy była teoria procesów losowych i analiza sygnałów. Zagadnienia te nabrały szczególnego znaczenia wraz z rozwojem telekomunikacji. Przesyłanie informacji na odległość wiązało się z problemem zakłóceń, szumów i utraty jakości sygnału. Wiadomość przekazywana przez przewód lub kanał radiowy nie zawsze docierała do odbiorcy w niezmienionej postaci. W praktyce należało uwzględniać przypadkowe zakłócenia, ograniczenia urządzeń i zmienność warunków transmisji. Wiener badał matematyczne metody analizy takich zjawisk, a jego prace nad filtracją sygnałów i procesami stochastycznymi przyczyniły się do rozwoju teorii komunikacji i sterowania.

Istotnym wydarzeniem, które wpłynęło na kierunek jego zainteresowań, była II wojna światowa. Konflikt przyniósł ogromne zapotrzebowanie na rozwiązania techniczne umożliwiające automatyzację obliczeń, analizę sygnałów i skuteczne sterowanie urządzeniami. Szczególnie ważnym problemem stało się przewidywanie ruchu samolotów przeciwnika oraz opracowywanie systemów umożliwiających skuteczne kierowanie ogniem artylerii przeciwlotniczej. Samolot poruszał się szybko, zmieniał kierunek, wysokość i prędkość, a obliczenie jego przyszłego położenia na podstawie pojedynczego pomiaru było niewystarczające. Urządzenie sterujące musiało uwzględniać kolejne obserwacje, analizować dotychczasowy ruch i przewidywać, gdzie cel znajdzie się za pewien czas.

Wiener pracował nad matematycznymi podstawami takich rozwiązań. Interesowało go, w jaki sposób urządzenie może wykorzystywać informacje o wcześniejszym zachowaniu obiektu, aby przewidywać jego przyszłe położenie. Nie chodziło więc jedynie o wykonanie jednego obliczenia, lecz o ciągły proces obserwacji, analizy i korygowania działania. System musiał otrzymywać informacje, przetwarzać je i wykorzystywać do kolejnych decyzji. W praktyce oznaczało to konieczność połączenia matematycznego modelowania ruchu, analizy niepewności oraz mechanizmów automatycznego sterowania.

Wojenne doświadczenia przyczyniły się do ukształtowania koncepcji, która później stała się jednym z fundamentów cybernetyki. Wiener zauważył, że w wielu systemach technicznych podstawowe znaczenie ma nie tylko polecenie wydane urządzeniu, ale również informacja o tym, co wydarzyło się po jego wykonaniu. Maszyna sterująca nie powinna działać wyłącznie według z góry ustalonego schematu. Powinna również odbierać informacje o skutkach własnych działań i na tej podstawie dostosowywać kolejne reakcje.

Aby zrozumieć znaczenie tego odkrycia, warto przyjrzeć się pojęciu sprzężenia zwrotnego. Jest ono jednym z najważniejszych elementów cybernetyki i do dziś stanowi podstawę działania ogromnej liczby urządzeń, systemów informatycznych oraz mechanizmów regulacyjnych występujących w organizmach żywych.

Najprościej mówiąc, sprzężenie zwrotne polega na tym, że system wykorzystuje informacje o rezultatach własnego działania do regulowania dalszego funkcjonowania. Nie działa więc wyłącznie w jednym kierunku. Otrzymuje sygnał, wykonuje określoną czynność, obserwuje jej efekt i porównuje uzyskany rezultat z oczekiwanym stanem. Jeżeli pojawia się różnica, może podjąć działania korygujące.

Dobrym przykładem jest termostat sterujący ogrzewaniem. Użytkownik ustawia określoną temperaturę, a urządzenie otrzymuje informację o aktualnych warunkach w pomieszczeniu. Jeżeli temperatura spada poniżej wyznaczonego poziomu, termostat uruchamia ogrzewanie. Gdy osiągnięta zostaje odpowiednia wartość, system ogranicza lub wyłącza dostarczanie ciepła. Następnie ponownie mierzy temperaturę i reaguje na jej zmiany. Nie musi otrzymywać za każdym razem nowego polecenia od człowieka. Potrafi samodzielnie utrzymywać określony stan dzięki informacjom zwrotnym.

Podobne mechanizmy występują w organizmie człowieka. Jednym z najważniejszych przykładów jest regulacja temperatury ciała. Kiedy temperatura otoczenia wzrasta, organizm uruchamia mechanizmy pomagające oddawać ciepło, między innymi pocenie się. Gdy robi się zimno, mogą pojawić się dreszcze, które zwiększają produkcję ciepła przez mięśnie. Reakcje te służą utrzymaniu temperatury w stosunkowo wąskim zakresie, mimo zmian zachodzących w otoczeniu.

W podobny sposób regulowane są stężenie glukozy we krwi, ciśnienie tętnicze i wiele innych parametrów fizjologicznych. Organizm nie pozostaje bierny wobec zmian. Nieustannie odbiera informacje o swoim stanie i uruchamia mechanizmy, które pomagają przywracać równowagę. Zjawisko utrzymywania względnie stabilnych warunków wewnętrznych nazywa się homeostazą. Pojęcie to zostało wprowadzone do fizjologii przez Waltera Cannona, a jego znaczenie stało się szczególnie istotne dla późniejszych rozważań cybernetycznych.

Ważne jest rozróżnienie między sprzężeniem zwrotnym ujemnym a dodatnim. W pierwszym przypadku reakcja systemu przeciwdziała zmianie i pomaga przywrócić równowagę. Jeżeli temperatura w pomieszczeniu spada, ogrzewanie zostaje uruchomione, aby ograniczyć dalszy spadek. Jeżeli rośnie ponad ustalony poziom, urządzenie może wyłączyć źródło ciepła. W organizmie podobną rolę odgrywają mechanizmy stabilizujące poziom różnych substancji we krwi.

Sprzężenie zwrotne dodatnie działa inaczej. Zamiast ograniczać zmianę, wzmacnia ją i prowadzi do jej dalszego narastania. Może to być korzystne w określonych sytuacjach biologicznych, na przykład podczas krzepnięcia krwi, kiedy aktywacja kolejnych elementów procesu przyspiesza powstawanie skrzepu. Nie oznacza to jednak, że każdy system oparty na dodatnim sprzężeniu zwrotnym jest stabilny. Jeżeli mechanizm wzmacniający nie zostanie odpowiednio ograniczony, może doprowadzić do gwałtownego narastania procesu i utraty kontroli nad zachowaniem systemu.

Dla Wienera sprzężenie zwrotne było czymś znacznie więcej niż techniczną metodą regulacji urządzeń. Stanowiło jeden z kluczowych sposobów wyjaśniania, w jaki sposób systemy mogą zachowywać uporządkowane zachowanie pomimo zmiennych warunków. Maszyna, która potrafi wykrywać różnicę między stanem rzeczywistym a pożądanym, nie musi być za każdym razem ręcznie korygowana przez człowieka. Może samodzielnie reagować na odchylenia, a tym samym realizować zadanie w sposób bardziej elastyczny i odporny na zakłócenia.

Właśnie tutaj pojawiło się połączenie cybernetyki z ideą inteligentnych maszyn. Jeżeli urządzenie potrafi odbierać informacje, analizować sytuację, przewidywać konsekwencje i korygować własne działanie, zaczyna wykazywać zachowania, które można uznać za elementarne przejawy inteligentnej regulacji. Nie jest to jeszcze inteligencja w ludzkim rozumieniu, ale stanowi ważny krok w kierunku systemów, które nie wykonują wyłącznie sztywno zaprogramowanych poleceń.

W 1948 roku Wiener opublikował książkę „Cybernetics: Or Control and Communication in the Animal and the Machine”. Publikacja ta stała się jednym z najważniejszych wydarzeń w historii nowoczesnej nauki. Wiener zaproponował w niej wspólne ramy pojęciowe do analizy sterowania i komunikacji w organizmach oraz maszynach. Sam termin „cybernetyka” wywodził się z greckiego słowa kybernētēs, oznaczającego sternika lub osobę kierującą. Wybór tej nazwy nie był przypadkowy. Cybernetyka miała zajmować się zasadami kierowania systemami, niezależnie od tego, czy były one biologiczne, mechaniczne, czy elektryczne.

Książka Wienera nie była podręcznikiem konstruowania robotów ani instrukcją tworzenia sztucznej inteligencji. Jej znaczenie polegało na przedstawieniu ogólnego sposobu myślenia o systemach, które przetwarzają informacje i wykorzystują je do regulowania własnego zachowania. Autor połączył zagadnienia matematyczne, techniczne i biologiczne, pokazując, że problemy sterowania oraz komunikacji można analizować za pomocą wspólnych narzędzi.

Jednym z najważniejszych elementów tej koncepcji była informacja. Wcześniej komunikacja często była rozumiana przede wszystkim jako fizyczne przesyłanie sygnałów. Wiener podkreślał, że znaczenie ma nie tylko sam sygnał, ale również to, co można z niego wywnioskować i w jaki sposób wpływa on na działanie systemu. Informacja staje się użyteczna wtedy, gdy pozwala zmniejszyć niepewność, rozpoznać sytuację albo podjąć odpowiednią decyzję.

W cybernetyce informacja nie jest zatem wyłącznie wiadomością przekazywaną z jednego miejsca do drugiego. Może pełnić funkcję regulacyjną. Jeżeli urządzenie otrzymuje sygnał informujący o zmianie warunków, może wykorzystać go do skorygowania swojego zachowania. Jeżeli organizm odbiera bodziec zmysłowy, może na jego podstawie zmienić sposób poruszania się lub zareagować na zagrożenie. Informacja łączy obserwację z działaniem.

Ważną rolę w tych rozważaniach odgrywała również entropia, pojęcie zaczerpnięte z termodynamiki i rozwijane w teorii informacji. Wiener interesował się zależnością między informacją, niepewnością i przypadkowością. W świecie rzeczywistym żaden system nie funkcjonuje w całkowicie idealnych warunkach. Sygnały mogą być zakłócane, pomiary niedokładne, a otoczenie nieprzewidywalne. System sterowania musi zatem radzić sobie z niepełnymi i niepewnymi danymi.

Właśnie dlatego tak ważne było przewidywanie. Jeżeli urządzenie reaguje wyłącznie na aktualny stan, może być zbyt wolne w sytuacji, w której zmiany zachodzą szybko. System przeciwlotniczy, który zaczyna reagować dopiero wtedy, gdy samolot znajduje się w określonym punkcie, może nie zdążyć wykonać odpowiedniego działania. Znacznie skuteczniejsze jest oszacowanie przyszłego położenia obiektu na podstawie dotychczasowych obserwacji. Takie podejście wymaga nie tylko odbierania sygnałów, ale również budowania matematycznego modelu zachowania badanego obiektu.

Wiener rozwijał w tym obszarze metody przewidywania i filtracji, które pozwalały wyodrębniać użyteczne informacje z zaszumionych sygnałów. Jego prace miały znaczenie dla rozwoju teorii sterowania, przetwarzania sygnałów i statystyki. W późniejszych dekadach podobne problemy stały się niezwykle istotne dla systemów radarowych, nawigacji, automatyki przemysłowej i technologii komunikacyjnych.

Cybernetyka nie ograniczała się jednak do zagadnień technicznych. Wiener dostrzegał, że mechanizmy sterowania i komunikacji mogą pomóc w zrozumieniu funkcjonowania układu nerwowego. Człowiek nie wykonuje większości codziennych czynności na podstawie nieustannie wydawanych świadomych poleceń. Podczas chodzenia, utrzymywania równowagi czy chwytania przedmiotów organizm stale otrzymuje informacje o położeniu ciała i skutkach wykonywanych ruchów. Na ich podstawie koryguje działanie mięśni.

Przykładem może być zwykłe podnoszenie szklanki. Człowiek ocenia jej położenie, odległość i kształt, a następnie wykonuje ruch ręką. W trakcie tej czynności informacje wzrokowe i czuciowe pomagają dostosowywać siłę chwytu oraz pozycję palców. Jeżeli szklanka okazuje się cięższa, niż przewidywano, organizm może zwiększyć siłę mięśni. Jeżeli zaczyna się przechylać, ruch zostaje skorygowany. Większość tych procesów przebiega bez świadomego analizowania każdego pojedynczego etapu.

Z punktu widzenia cybernetyki jest to przykład złożonego systemu sterowania, w którym informacja o rezultatach działania wpływa na kolejne reakcje. Podobne zasady można wykorzystać w projektowaniu robotów. Maszyna wyposażona w czujniki może oceniać położenie własnych elementów, wykrywać przeszkody i dostosowywać ruch do sytuacji. Nie musi ograniczać się do wykonania jednego zaprogramowanego schematu. Może reagować na zmieniające się warunki.

Właśnie ta perspektywa miała ogromne znaczenie dla rozwoju robotyki. Wczesne urządzenia automatyczne często wykonywały powtarzalne czynności w ściśle określonym środowisku. Ich działanie było przewidywalne, ale ograniczone. Wystarczyła niewielka zmiana położenia przedmiotu lub warunków pracy, aby urządzenie nie potrafiło poprawnie zrealizować zadania. Cybernetyczne podejście wskazywało, że bardziej zaawansowana maszyna powinna nie tylko otrzymywać polecenia, lecz także obserwować otoczenie i wykorzystywać informacje zwrotne do korygowania zachowania.

W tym samym okresie rozwijały się inne koncepcje, które wzmacniały zainteresowanie związkami między mózgiem, maszyną i informacją. Warren McCulloch i Walter Pitts przedstawili w 1943 roku matematyczny model sztucznego neuronu, pokazując, że pewne elementarne procesy nerwowe można opisywać za pomocą logiki matematycznej. Donald Hebb w książce „The Organization of Behavior” z 1949 roku rozwinął koncepcję uczenia się poprzez wzmacnianie połączeń między współdziałającymi neuronami. Norbert Wiener wniósł do tych rozważań inną, równie ważną perspektywę: pokazał, że zachowanie inteligentnego systemu można analizować jako proces komunikacji, regulacji i sprzężenia zwrotnego.

Nie należy jednak utożsamiać tych koncepcji. Model McCullocha i Pittsa dotyczył matematycznej reprezentacji działania neuronów, Hebb zajmował się mechanizmami zmian połączeń nerwowych, a Wiener koncentrował się na ogólnych zasadach sterowania i komunikacji. Wszystkie te kierunki wzajemnie się uzupełniały, tworząc intelektualne podłoże dla późniejszego rozwoju sztucznej inteligencji.

Cybernetyka przyczyniła się również do powstania nowego sposobu myślenia o uczeniu się maszyn. Jeżeli system ma wykonywać zadanie w zmiennym środowisku, nie wystarczy zaprogramować wszystkich możliwych sytuacji i przypisać im gotowych reakcji. W praktyce liczba możliwych kombinacji może być ogromna, a część warunków pozostaje nieznana w chwili projektowania urządzenia. Znacznie bardziej użyteczne staje się wyposażenie go w mechanizm pozwalający oceniać skutki działania i poprawiać kolejne próby.

Warto zaznaczyć, że samo sprzężenie zwrotne nie oznacza jeszcze uczenia się. Termostat reaguje na zmianę temperatury, ale typowy termostat nie zmienia na tej podstawie swoich zasad działania ani nie wyciąga wniosków z wcześniejszych dni. Jest systemem regulacyjnym, a nie systemem uczącym się. Uczenie pojawia się wtedy, gdy system potrafi modyfikować swoje wewnętrzne parametry, modele lub strategie na podstawie doświadczenia. Cybernetyka stworzyła jednak ważne podstawy do analizy takich mechanizmów, ponieważ zwróciła uwagę na znaczenie informacji o skutkach własnych działań.

W późniejszych badaniach nad sztuczną inteligencją szczególnego znaczenia nabrały systemy wykorzystujące informacje zwrotne do poprawiania wyników. Jednym z przykładów jest uczenie przez wzmacnianie, w którym agent podejmuje działania w określonym środowisku i otrzymuje sygnały oceniające ich skuteczność. Na podstawie kolejnych doświadczeń uczy się wybierać strategie prowadzące do lepszych rezultatów. Choć współczesne algorytmy uczenia przez wzmacnianie rozwinęły się znacznie później i opierają się na rozbudowanych podstawach matematycznych, ich logika pozostaje związana z pytaniami, które cybernetyka stawiała już w połowie XX wieku: jak system może wykorzystywać informacje o rezultatach swoich działań, aby osiągać wyznaczony cel?

Podobne znaczenie ma koncepcja adaptacyjnych systemów sterowania. Są to rozwiązania, które potrafią dostosowywać swoje parametry do zmieniających się warunków. Przykładowo urządzenie sterujące może początkowo działać według określonego modelu, ale z czasem zauważyć, że rzeczywiste zachowanie kontrolowanego obiektu różni się od przewidywań. System może wówczas skorygować parametry sterowania, aby uzyskać lepszą skuteczność. Takie rozwiązania są wykorzystywane między innymi w lotnictwie, automatyce przemysłowej i zaawansowanych urządzeniach technicznych.

Warto również zwrócić uwagę na pojęcie samoregulacji. W tradycyjnym modelu obsługi maszyny człowiek wydaje polecenie, a urządzenie je wykonuje. W systemie samoregulującym część odpowiedzialności za utrzymanie właściwego działania zostaje przeniesiona na samo urządzenie. Otrzymuje ono informacje o swoim stanie, rozpoznaje niepożądane odchylenia i podejmuje odpowiednie działania. Człowiek nadal może wyznaczać cele, nadzorować pracę i podejmować decyzje dotyczące całego procesu, ale nie musi kontrolować każdej pojedynczej czynności.

To właśnie rozwój takich mechanizmów umożliwił powstanie wielu współczesnych systemów automatycznych. Samochody wyposażone w układy stabilizacji toru jazdy analizują informacje z czujników i mogą korygować działanie hamulców, aby ograniczyć utratę kontroli nad pojazdem. Autopiloty wykorzystują dane dotyczące położenia, prędkości i kierunku ruchu, aby utrzymywać wyznaczony tor lotu. Linie produkcyjne monitorują parametry pracy urządzeń, wykrywają odchylenia i mogą automatycznie dostosowywać proces. W każdym z tych przypadków kluczowe jest połączenie pomiaru, przetwarzania informacji i działania korygującego.

Współczesne systemy sztucznej inteligencji wykorzystują znacznie bardziej zaawansowane metody, ale wiele z nich nadal opiera się na podobnej zasadzie. Model otrzymuje dane, generuje wynik, a następnie jego skuteczność może być oceniana na podstawie określonych kryteriów. W procesie trenowania sieci neuronowej obliczany jest błąd między wynikiem przewidywanym a oczekiwanym. Następnie algorytm dostosowuje parametry modelu, aby ograniczyć ten błąd w kolejnych iteracjach. Nie jest to dokładnie ten sam rodzaj sprzężenia zwrotnego, jaki występuje w termostacie lub klasycznym układzie regulacji, ale podobieństwo na poziomie ogólnej zasady jest wyraźne: informacja o rezultacie działania wpływa na dalsze funkcjonowanie systemu.

W tym miejscu trzeba jednak zachować ważne rozróżnienie. Cybernetyka nie jest tym samym co sztuczna inteligencja. Nie każda maszyna wykorzystująca sprzężenie zwrotne jest inteligentna, a nie każdy system sztucznej inteligencji musi działać w sposób przypominający klasyczny układ regulacji. Cybernetyka dostarczyła natomiast języka i narzędzi do analizowania problemów, które później stały się niezwykle istotne dla AI: adaptacji, sterowania, komunikacji, przewidywania, uczenia się i podejmowania decyzji w zmiennym środowisku.

Wpływ Wienera na rozwój sztucznej inteligencji był także widoczny w szerszym zainteresowaniu relacją między człowiekiem a maszyną. W jego czasach coraz wyraźniej dostrzegano, że automatyzacja nie będzie ograniczać się do zastępowania siły mięśni urządzeniami mechanicznymi. Maszyny zaczynały przejmować również część czynności wymagających obliczeń, analizy informacji i podejmowania decyzji według określonych reguł. Oznaczało to, że rozwój technologii może zmieniać nie tylko sposób wykonywania pracy fizycznej, lecz także strukturę pracy umysłowej.

Wiener nie był bezkrytycznym entuzjastą postępu technicznego. Dostrzegał ogromne możliwości automatyzacji, ale jednocześnie obawiał się jej konsekwencji społecznych. Uważał, że nowe technologie mogą przynosić korzyści, lecz ich rozwój musi być oceniany również pod kątem wpływu na człowieka. Szczególnie niepokoiła go możliwość wykorzystywania automatyzacji do ograniczania zatrudnienia i pogłębiania nierówności społecznych.

W 1950 roku opublikował książkę „The Human Use of Human Beings: Cybernetics and Society”, w której rozwinął społeczne i filozoficzne konsekwencje cybernetyki. Zwracał uwagę, że automatyzacja może zmienić organizację gospodarki, pracy i życia społecznego. Maszyny zdolne do wykonywania coraz bardziej złożonych zadań mogą przynieść wzrost wydajności, ale nie musi to automatycznie oznaczać poprawy warunków życia wszystkich ludzi. Jeżeli korzyści z postępu technologicznego zostaną rozdzielone w sposób niesprawiedliwy, część społeczeństwa może ponieść koszty zmian, nie otrzymując w zamian odpowiednich korzyści.

Wiener zwracał również uwagę na znaczenie odpowiedzialności w projektowaniu systemów automatycznych. Jeżeli maszyna podejmuje decyzje na podstawie informacji, które otrzymuje, jakość tych informacji ma bezpośredni wpływ na jej działanie. Błędne dane mogą prowadzić do błędnych decyzji. Nieprawidłowo zaprojektowany mechanizm sterowania może wzmacniać niepożądane zachowania zamiast je ograniczać. System, który działa skutecznie w jednym środowisku, może okazać się niebezpieczny w innym, jeżeli nie uwzględniono odpowiednich ograniczeń.

Te zagadnienia są zaskakująco aktualne w epoce sztucznej inteligencji. Współczesne algorytmy mogą analizować ogromne ilości informacji, rozpoznawać wzorce i wspierać decyzje podejmowane przez ludzi. Jednak ich skuteczność zależy od jakości danych, sposobu trenowania i warunków, w których są wykorzystywane. Model może działać bardzo dobrze w środowisku zbliżonym do tego, na którym został wytrenowany, a jednocześnie popełniać poważne błędy w sytuacjach nowych lub nietypowych. Podobnie jak w klasycznych systemach sterowania, nie wystarczy więc ocenić, czy urządzenie wykonuje zadanie. Trzeba również sprawdzić, jak reaguje na zakłócenia, nieprzewidziane sytuacje i błędne informacje.

Wiener interesował się także problemem komunikacji między człowiekiem a maszyną. Rozwój automatyzacji wymagał tworzenia urządzeń, które mogłyby współpracować z ludźmi i innymi systemami technicznymi. Informacja musiała być nie tylko przesyłana, ale również odpowiednio interpretowana. W praktyce oznaczało to konieczność uwzględniania sposobu, w jaki człowiek odbiera komunikaty, reaguje na nie i podejmuje decyzje. Ten obszar zainteresowań stał się później ważny dla rozwoju interfejsów człowiek–komputer, systemów wspomagania decyzji i technologii interaktywnych.

Cybernetyka odegrała także istotną rolę w kształtowaniu badań nad robotami. Robot nie jest jedynie mechanicznym urządzeniem wykonującym ruchy. Aby działać w rzeczywistym środowisku, musi posiadać możliwość odbierania informacji o otoczeniu i odpowiedniego reagowania. Czujniki mogą informować go o odległości od przeszkód, położeniu przedmiotów, sile nacisku czy zmianach w otoczeniu. System sterujący wykorzystuje te dane do planowania i korygowania ruchów. Im bardziej złożone środowisko, tym większego znaczenia nabierają zdolności adaptacyjne.