Blog > Historia prac nad sztuczna inteligencja. Kiedy rozpoczęto pracę nad sieciami neuronowymi?

Historia prac nad sztuczna inteligencja. Kiedy rozpoczęto pracę nad sieciami neuronowymi?

Data: 2025.01.31 | Kategoria: Blog | Tagi: AI , sztuczna inteligencja , SI , sieci neuronowe , glebokie uczenie , deep learning , LLM , test Turinga , chatGPT , Deepseek

Prace nad sieciami neuronowymi zaczęły się w latach 40. XX wieku od modeli teoretycznych, ale ich prawdziwy rozwój nastąpił dopiero w ostatnich dwóch dekadach dzięki postępowi w mocy obliczeniowej, dużym zbiorom danych i algorytmom takim jak backpropagation. Dziś sieci neuronowe są sercem rewolucji AI, napędzając wszystko od autonomicznych samochodów po zaawansowane systemy językowe.

KLUCZOWE MOMENTY I PRZEŁOMY W PRACACH NAD SZTUCZNĄ INTELIGENCJĄ:

1. Wczesne korzenie (lata 40.–50. XX wieku)

• 1943: Model McCullocha-Pittsa
  Neurobiolog Warren McCulloch i matematyk Walter Pitts stworzyli pierwszy matematyczny model neuronu, inspirowany biologicznym układem nerwowym. Był to fundament teoretyczny dla sieci neuronowych.

  • Neuron działał na zasadzie binarnej: aktywował się, gdy suma sygnałów wejściowych przekroczyła próg.

• 1949: Reguła Hebba
  Donald Hebb zaproponował teorię uczenia się opartą na wzmacnianiu połączeń między neuronami ("komórki, które aktywują się razem, łączą się razem").

• 1950: Test Turinga
  Alan Turing w pracy "Computing Machinery and Intelligence" zasugerował, że maszyny mogą naśladować ludzką inteligencję. Zaproponował test Turinga jako sposób na jej ocenę.

2. Narodziny AI i pierwszych sieci neuronowych (lata 50.–60.)

• 1956: Dartmouth Conference
  Termin "sztuczna inteligencja" został oficjalnie użyty podczas konferencji w Dartmouth College, zorganizowanej przez Johna McCarthy’ego, Marvina Minsky’ego i innych. To uznaje się za początek AI jako dziedziny naukowej.

• 1957: Perceptron Rosenblatta
  Frank Rosenblatt stworzył perceptron – pierwszą sieć neuronową zdolną do uczenia się prostych zadań klasyfikacji (np. rozpoznawania kształtów).

  • Perceptron wykorzystywał regułę delta do aktualizacji wag.

  • W 1958 roku zademonstrowano Mark I Perceptron – maszynę analogową do rozpoznawania obrazów.

• 1969: Krytyka perceptronu
  Marvin Minsky i Seymour Papert w książce "Perceptrons" udowodnili, że jednowarstwowe perceptrony nie radzą sobie z problemami nieliniowymi (np. funkcja XOR). To doprowadziło do pierwszej zimy AI – spadku finansowania badań nad sieciami neuronowymi.

3. AI zimna wojna i odrodzenie sieci neuronowych (lata 70.–80.)

• Lata 70.: Dominacja systemów ekspertowych
  W tym czasie dominowały symboliczne podejścia do AI (systemy ekspertowe, logika rozmyta), a sieci neuronowe zostały zmarginalizowane.

• 1974: Algorytm backpropagation
  Paul Werbos zaproponował propagację wsteczną (backpropagation) – kluczowy algorytm treningu wielowarstwowych sieci neuronowych. Jednak jego praca nie została początkowo doceniona.

• 1982: Sieci Hopfielda
  John Hopfield zaprojektował sieć Hopfielda, która potrafiła przechowywać i odtwarzać wzorce (inspiracja dla pamięci asocjacyjnej).

• 1986: Przełom w backpropagation
  David Rumelhart, Geoffrey Hinton i Ronald Williams udoskonalili backpropagation, co umożliwiło trening głębszych sieci. To odrodziło zainteresowanie sieciami neuronowymi.

• 1989: Uczenie głębokie
  Yann LeCun wykorzystał konwolucyjne sieci neuronowe (CNN) do rozpoznawania cyfr pisanych (system LeNet). Był to kamień milowy w głębokim uczeniu.

4. Druga zima AI i rewolucja danych (lata 90.–2000)

• Lata 90.: Kryzys finansowania
  Ponowne rozczarowanie wynikami AI (ograniczenia mocy obliczeniowej i danych) – druga zima AI.

• 1997: LSTM
  Sepp Hochreiter i Jürgen Schmidhuber opracowali Long Short-Term Memory (LSTM) – rodzaj sieci rekurencyjnej (RNN) do przetwarzania sekwencji.

• 2006: Głębokie uczenie się
  Geoffrey Hinton, Yoshua Bengio i Yann LeCun opublikowali przełomowe prace, udowadniając, że głębokie sieci neuronowe można skutecznie trenować, inicjując erę deep learningu.

5. Era głębokiego uczenia (od 2010 roku)

• 2012: AlexNet
  Zespół Hintona wygrał konkurs ImageNet z siecią AlexNet (CNN), osiągając znacznie lepsze wyniki niż tradycyjne metody. To zapoczątkowało boom na głębokie uczenie.

• 2014: Generative Adversarial Networks (GAN)
  Ian Goodfellow wprowadził GAN-y – sieci generatywne zdolne do tworzenia realistycznych obrazów.

• 2017: Transformers
  Praca "Attention Is All You Need" Vaswaniego i innych wprowadziła architekturę Transformer, która zrewolucjonizowała NLP (modele jak BERT, GPT).

• 2020–2023: Wielkoskalowe modele
  Modele językowe jak GPT-3/4, PaLM czy DALL-E pokazały możliwości AI w generowaniu tekstu, obrazów i kodu.

6. Współczesne wyzwania i przyszłość

• Etyka AI: Walka z biasem, dezinformacją (np. deepfake’i) i kontrolą nad AGI (Artificial General Intelligence).

• Obliczenia kwantowe: Potencjał do przyspieszenia treningu sieci.

• Neuromorficzne chipy: Sprzęt inspirowany mózgiem (np. projekty Intela i IBM).