Przejdź do głównej zawartości

Dlaczego AI teraz? - Historia boomu sztucznej inteligencji

Rosnąca krzywa nad osią czasu - boom sztucznej inteligencji

Skąd się wziął ten cały szum wokół AI właśnie teraz?

Dział zatytułowany „Skąd się wziął ten cały szum wokół AI właśnie teraz?”

Zbiegły się trzy rzeczy: moc obliczeniowa, dane i algorytm. Nikt nagle nie wymyślił inteligencji. Weźmiesz jeden nagłówek o AI i powiesz, którego z tych trzech filarów dotyczy. Oś czasu wystarczy przejrzeć, dat nie trzeba się uczyć.

Sztuczna inteligencja jako dziedzina rodzi się w latach 50. XX wieku. Sieci neuronowe znano od dekad. Potem przyszły “zimy” - za mało mocy, za mało danych, za duże obietnice.

Nie uczysz się tu listy dat. Kotwice, do których wracasz, są dwie: 2017 (Transformer) i 2022 (ChatGPT w przeglądarce). Reszta to droga.

Skrót, bez wkuwania:

  • 1950-1956 - Turing, Dartmouth, narodziny dziedziny
  • 1958 - perceptron Franka Rosenblatta, jedna z pierwszych sieci neuronowych
  • lata 70-80. - zimy finansowania
  • 1997 - Deep Blue wygrywa w szachy z Kasparowem
  • 2012 - sieć AlexNet wyraźnie wygrywa konkurs rozpoznawania obrazów ImageNet
  • 2016 - program AlphaGo pokonuje mistrza w go
  • 2017 - Vaswani i in., “Attention Is All You Need”
  • 2020 - GPT-3 (OpenAI opisuje model ze 175 miliardami parametrów w preprincie)
  • listopad 2022 - ChatGPT
  • 2024-2026 - tryby “myślenia” i agenci w produktach codziennych; w styczniu 2025 r. DeepSeek pokazuje w otwartej publikacji, że rozumowania da się uczyć taniej

1. Moc. Karty graficzne (GPU) okazały się dobre do treningu sieci. Chmura (AWS, Google Cloud, Azure) dała tę moc na godziny, bez własnej serwerowni. Bez taniej mocy do miliardów prostych obliczeń naraz nie ma dzisiejszych chatbotów.

2. Dane. Internet już leżał. Wikipedia, fora, kod, książki - materiał, którego nikt nie musiał tworzyć “pod AI”. Z Rozumienia danych i Ograniczeń wiesz, że ten materiał niesie luki i uprzedzenia. Boom niczego w nim nie wyczyścił: modele uczyły się na nim razem z tymi lukami.

3. Algorytm. Transformer (2017) - opisany w Modelach językowych LLM - pozwolił modelom brać pod uwagę daleki kontekst w tekście. Tu wystarczy tyle: bez tej cegły skalowanie utknęłoby na wcześniejszym stylu sieci.

Prawo skalowania (scaling laws) to historyczne odkrycie z około 2020: przy większym modelu, większym zbiorze i większym budżecie obliczeń jakość rosła w przewidywalny sposób (Kaplan i in.). Stąd wyścig na skalę. Nie wstawiam tu tabeli “GPT-4 ma X bilionów parametrów” - OpenAI tego oficjalnie nie podało, a przecieki nie są lekcją.

GPT-3 istniał od 2020 i nie wszedł do kolejek w sklepie. ChatGPT wszedł.

Różniły go trzy rzeczy:

  1. Czat - piszesz jak do kogoś, nie przez API (dostęp do modelu dla programistów, bez okna czatu).
  2. Próg zero na start - darmowy dostęp obniżył barierę (plany płatne doszły później).
  3. RLHF - dostrajanie na ocenach ludzi, które znasz z Modeli językowych LLM (Ouyang i in., 2022). Efekt dla Ciebie: model częściej brzmi pomocnie. Nadal dobiera słowa.

W styczniu 2023 r., dwa miesiące po publicznym starcie, analitycy UBS szacowali około 100 milionów aktywnych użytkowników miesięcznie - Reuters cytował tę notę 1 lutego 2023 r.. To fakt startu, nie liczba “na dziś”.

Sukces ChatGPT pociągnął odpowiedzi innych firm: Gemini (wcześniej Bard) w Google, Claude w Anthropic, Llama w Meta, inwestycje chmur. Europejski wątek (Mistral) i polski - w Suwerennym AI.

Za wyścigiem poszły pieniądze. Najgłośniejszy przykład to partnerstwo Microsoftu z OpenAI: jego historię opisało CNBC w sierpniu 2024 r., a kolejny rozdział firmy ogłosiły w październiku 2025 r.. Kwot tu nie podaję - zmieniają się z każdą rundą finansowania, a lekcja ich nie potrzebuje.

Przypinasz trzy zdania do filarów.

W drugiej kolumnie zapisz własną etykietę: moc, dane albo algorytm. Jedno zdanie - jeden filar (ten, który ciągnie news, nawet jeśli w tle są dwa pozostałe).

ZdanieTwój filar
“Nowa generacja GPU skraca trening wielkich modeli.”
“Model uczył się na publicznym internecie, forach i kodzie.”
“Dzisiejsze chatboty stoją na architekturze Transformer z 2017 roku.”

Potem porównaj: moc / dane / algorytm.

Zaliczenie: trzy własne etykiety na kartce, potem liczba trafień (2/3 zalicza). Nie googlasz kapitalizacji firm i nie podajesz liczby parametrów.

Gdzie łatwo się pomylić: zdanie o Transformerze łatwo wziąć za “moc”, bo mowa w nim o chatbotach. Architektura to algorytm.

Jeśli nic nie zgrzyta i zostaje czas: jeden prawdziwy nagłówek z tego tygodnia. Jedno zdanie: który filar naprawdę opisuje, a które słowo w tytule jest ozdobą.

  • Trzy filary: moc (GPU i chmura), dane (internet), algorytm (Transformer). Zbieg, nie cud.
  • ChatGPT wygrał wejściem i RLHF, nie tym, że “pierwszy umiał język”.
  • Daty i liczby z tej strony to kotwice ze źródłem. Plotka o rozmiarze GPT-4 nie jest lekcją.

Następny krok: Agenci AI - kiedy system dostaje cel i sam wykonuje kroki, zamiast tylko odpowiadać.

Częste pytania

Dlaczego boom AI nastąpił dopiero teraz, skoro sieci neuronowe znano od dekad?

Same sieci nie wystarczyły. Zbiegły się trzy rzeczy - tania na żądanie moc obliczeniowa (GPU i chmura), ogrom tekstu i obrazów w internecie oraz architektura Transformer z 2017 roku. Żaden filar sam nie zrobił ChatGPT.

Czy ChatGPT był pierwszym dużym modelem językowym?

Nie. GPT-3 był publicznie opisany już w 2020. Przełom masowy to interfejs czatu, darmowy dostęp na start i trening z oceną ludzi (RLHF), nie sam fakt, że model umie dokańczać zdania.

Czy większy model zawsze znaczy lepszy?

Przez kilka lat skalowanie (więcej parametrów, danych i obliczeń) dawało przewidywalny skok. To odkrycie historyczne, nie prawo fizyki na zawsze. Później weszły mniejsze modele i tańsze treningi - mapa graczy się poszerza, filary zostają.

made with ❤️ by aitomate.pl - Łukasz Podgórski