📄️ 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
Drömmen om att skapa konstgjorda varelser är lika gammal som vår civilisation. I grekisk mytologi berättas det om Hephaestus, smidesguden, som skapade levande statyer av guld för att tjäna honom. I judisk folktro finns legenden om Golem, en varelse av lera som väcks till liv genom magiska ord för att skydda sitt folk. Dessa tidiga berättelser avslöjar en djupt rotad mänsklig fascination att förstå och efterlikna livets och intelligensens mysterium.
📄️ Symbolisk AI
Efter sommaren på Dartmouth 1956 var AI-fältet fött, och den första stora idén som dominerade kallades Symbolisk AI.
📄️ Machine Learning
AI-vintern under det sena 80-talet och tidiga 90-talet var en tid av desillusion. 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.
📄️ Transformers & LLMs
Efter genombrottet inom datorseende flyttades frontlinjen för AI-forskningen till det kanske mest mänskliga av alla områden: språket. I årtionden hade språkförståelse (Natural Language Processing, NLP) varit en enorm utmaning. Symboliska metoder hade misslyckats med att hantera språkets oändliga komplexitet och tvetydighet. Men i mitten av 2010-talet började något hända.
📄️ 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?