📄️ Prolog
Det är en minst sagt spännande tid att leva i. Artificiell intelligens, eller AI, är överallt. Det känns som att nya verktyg och genombrott ploppar upp nästan varje vecka. Sättet vi arbetar, skapar och till och med tänker på håller på att förändras. Det är lätt att känna sig både exalterad och kanske lite överväldigad.
📄️ Intelligens
"if I have seen further, it is by standing on the shoulders of giants."
📄️ AI 2027
I det föregående kapitlet utforskade vi den mänskliga intelligensens djupa och komplexa rötter. Vi såg hur vårt språk, vår kultur och våra sociala förmågor tillsammans skapat en plattform för enastående kognitiv utveckling. Nu ska vi kasta oss från historien rakt in i en möjlig framtid.
📄️ AI som verktyg
Innan vi påbörjar vår kronologiska resa genom AI-historien tar vi ett praktiskt och nödvändigt kliv in i nutiden. Du som läser detta kommer med största sannolikhet att använda moderna AI-verktyg, som stora språkmodeller (LLM), både i dina studier och i ditt framtida arbetsliv. Därför är det avgörande att du redan nu får en robust verktygslåda för att hantera dessa kraftfulla system.
📄️ Begynnelsen
Del 1: Den Urgamla Drömmen
📄️ Symbolisk AI
Efter den legendariska sommaren på Dartmouth 1956 föddes AI-fältet med en storslagen vision: att återskapa mänskligt tänkande i en maskin. Den dominerande filosofin, ofta kallad Symbolisk AI eller GOFAI (Good Old-Fashioned Artificial Intelligence), var djupt rotad i rationalism. Den byggde på idén att intelligens inte var en mystisk biologisk process, utan en formell, logisk manipulation av symboler. Målet var att bygga tänkande från grunden med logikens och matematikens verktyg.
📄️ Machine Learning
AI-vintern under det sena 80-talet och tidiga 90-talet var en tid av desillusion (bitter känsla som orsakas av att förväntningar eller förhoppningar krossats). Den symboliska AI:ns dröm, att bygga intelligens genom att förprogrammera logiska regler, hade kört fast i den kombinatoriska explosionens och det sunda förnuftets mur. Finansiering för forskning inom AI blev mindre och mindre.
📄️ Reinforcement Learning
Vi har sett hur övervakad inlärning lär sig från ett facit och hur oövervakad inlärning hittar mönster i ostrukturerad data. Nu är det dags för den tredje stora pelaren inom maskininlärning: Reinforcement Learning (RL), eller förstärkningsinlärning.
📄️ Deep Learning
I början av 2010-talet hände något som skulle förändra allt. Vi började glida in på detta redan i föregående kapitel men vi går in mer i detalj på konceptet här. Det handlar om djup.
📄️ Transformer, GPT & LLM
Efter genombrotten inom datorseende flyttades frontlinjen för AI-forskningen till det kanske mest mänskliga av alla områden: språket. Vi såg i det förra kapitlet hur RNNs och LSTMs var ett stort steg framåt för språkförståelse, men de hade en fundamental begränsning inbyggd i sin design. För att förstå nästa revolution måste vi först förstå flaskhalsen.
📄️ Generativ & Multimodal AI
Om stora språkmodeller lärde AI att förstå och manipulera mänskligt språk, så lärde nästa våg av modeller den att skapa. Vi går nu in i den generativa erans tidsålder, där AI inte bara analyserar befintligt innehåll, utan skapar helt nytt: text, bilder, musik, kod och video.
📄️ Framtiden
Vi har rest från antikens myter till dagens neurala nätverk. Vi har sett drömmar födas och krossas, och nya revolutioner uppstå ur askan. Nu står vi vid den sista och mest svindlande utposten: framtiden. Vad händer härnäst? Och, viktigare, hur förhåller vi oss till det som kommer?
🗃️ Projekt
2 artiklar