Turing är nog mest känd för att ha uppfunnit Turingmaskinen 1936 och för att han ledde den grupp som knäckte tyskarnas kodmaskin Enigma under andra världskriget. Efter att Alan Turing och hans team knäckt tyskarnas kod kunde de allierade dechiffrera hemliga meddelanden. På så sätt fick de detaljerad information om tyskarnas strategi, truppförflyttningar och ubåtspositioner.

Men Alan Turing anses av många också vara den artificiella intelligensens fader, mycket på grund av Turingtestet, en idé som han formulerade år 1950. Den beskriver hur vi ska kunna avgöra om en dator verkligen är "intelligent" genom att prata med den. Testet är ganska enkelt. Om du kan prata med en dator utan att kunna avgöra om det är en annan människa eller en dator som du pratar med så har datorn klarat Turingtestet.

Sedan 1966 delas Turingpriset årligen ut till forskare för insatser inom datavetenskapen.

År 1955 beslutade sig en ung biträdande professor i matematik vid Dartmouth College, John McCarthy, för att samla en grupp forskare med ett gemensamt mål. Att ta fram ett mer sammanhängande och tydligt forskningsfält kring maskiner som kunde tänka och resonera på ett intelligent sätt.

Tillsammans med Marvin Minsky, Nathaniel Rochester och Claude Shannon skrev han ett förslag som presenterades formellt den 2 september 1955. Det var då termen "artificiell intelligens" myntades och introducerades för första gången.

Så här stod det i inledningen till förslaget:

We propose that a 2 month, 10 man study of artificial intelligence be carried out during the summer of 1956 at Dartmouth College in Hanover, New Hampshire. The study is to proceed on the basis of the conjecture that every aspect of learning or any other feature of intelligence can in principle be so precisely described that a machine can be made to simulate it. An attempt will be made to find how to make machines use language, form abstractions and concepts, solve kinds of problems now reserved for humans, and improve themselves. We think that a significant advance can be made in one or more of these problems if a carefully selected group of scientists work on it together for a summer.

Året därpå, 1956, hölls den berömda Dartmouth-konferensen där "artificiell intelligens" etablerades som ett officiellt forskningsfält . Det var där den första stora diskussionen om AI:s teori och tillämpningar ägde rum.

Datorerna på den tiden var stora som lastbilar och deras beräkningskraft var så långsam att den nästan inte går att jämföra med dagens datorer. En mobil på 2020-talet är ungefär 100 000 gånger så snabb som den bästa datorn år 1956. Trots detta var John McCarthys ambition med Darthmouth-konferensen alltså att gå vidare med antagandet att varje aspekt av vår intelligens i princip kan beskrivas så noggrant att en maskin kan efterlikna det.

Trots att många drömde om en robot som ser ut som en människa så var den första fungerande roboten inte alls människolik. Det var istället en industrirobot i form av en arm, Unimate, som tillverkades år 1957.

Unimate kunde inte tänka själv, utan användes för att ta ut heta metallstycken från en pressgjutningsmaskin. Det första exemplaret togs i drift 1961 på biltillverkaren General Motors fabrik i Trenton, New Jersey, USA. Unimate drevs med vätsketryck och hade ett digitalt styrsystem med diskreta komponenter och ett magnetiskt trumminne.

Neurala nätverk kan med hjälp av data precis som en mänsklig hjärna lära sig känna igen mönster, bearbeta information, lösa problem och fatta beslut.

Historien om neurala nätverk börjar egentligen 1943. Då ville forskarna Warren McCulloch och Walter Pitts visa hur neuroner – hjärnans nervceller – arbetar tillsammans. För att göra detta skapade de en modell där elektriska kretsar fungerade på liknande sätt som neuroner. På så vis kunde man se hur hjärnan arbetar precis som en dator för att lösa problem och fatta beslut. Trots att det inte var ett riktigt neuralt nätverk lade deras arbete grunden för all framtida forskning inom fältet.

Det skulle dröja till 1957 innan den första fungerande neurala nätverksmodellen, Perceptron, utvecklades av Frank Rosenblatt. Perceptron var ett enkelt program som kunde lära sig binär klassificering med hjälp av inmatad data. Perceptron hade sina begränsningar, men var ett viktigt steg som visade att maskiner kunde lära sig och bli bättre över tid.

På 1980-talet skedde stora framsteg inom neurala nätverk men det största genombrottet kom 1986. Då introducerade Geoffrey Hinton, David Rumelhart och Ronald J. Williams den så kallade backpropagation-algoritmen. Den gjorde det möjligt för neurala nätverk att lösa långt mer avancerade problem än vad som tidigare varit möjligt. Backpropagation-algoritmen hjälper neurala nätverk att lära sig genom att gå baklänges från resultatet och justera varje steg där det blev fel.

AI-vinter

Tekniken gjorde alltså framsteg, men på grund av att beräkningskraften var så pass begränsad minskade intresset för AI och forskningsprojekt hade svårt att få finansiering. Detta ledde till en period i slutet av 1980-talet som kallas för "AI-vinter".

Men datorerna blev snabbare och på 1990-talet började forskare och ingenjörer bygga vidare på tidigare framsteg och utveckla kraftfullare neurala nätverk. En av de viktigaste utvecklingarna under denna period kallades Long Short-Term Memory (LSTM, långt korttidsminne). Denna teknik skapades av Sepp Hochreiter och Jürgen Schmidhuber 1997. LSTM-nätverk kan komma ihåg information över långa tidsperioder, vilket gör dem särskilt användbara för uppgifter som röstigenkänning, maskinöversättning och språkförståelse.

2000-talets kraftiga grafikkort

Men det var i och med grafikprocessorns tillkomst (GPU) som utvecklingen av neurala nätverk började ta fart på riktigt. År 2012 skedde ett stort genombrott. Det var då det neurala nätverket AlexNet, utvecklat av Alex Krizhevsky, Ilya Sutskever och Geoffrey Hinton, blev den överlägsna vinnaren i ImageNet-tävlingen. Det var en prestigefylld tävling inom bildigenkänning. AlexNet visade hur kraftfulla djupa neurala nätverk kunde vara när de tränades med stora mängder data och beräkningskraft. Framgången ledde till en explosion av intresse och investeringar inom djupinlärning och neurala nätverk.

En viktig förklaring till att datorerna länge blivit allt snabbare är att de transistorer som sitter på ett datorchip gått att göra mindre och mindre. Då kan man få plats med fler transistorer på varje chip.

År 1965 formulerade Intels grundare, Gordon Moore, den så kallade Moores lag. Med hjälp av den kunde man ganska enkelt förutspå i vilken takt datorer skulle utvecklas. Enligt Moores lag blir datorerna dubbelt så snabba vartannat år. En dator på 2020-talet är flera miljoner gånger snabbare än den snabbaste som fanns för femtio år sen.

(CC 2.0)(CC 2.0)

Den otroligt snabba ökningen av datorhastighet har haft en direkt inverkan på utvecklingen av artificiell intelligens. Med snabbare datorer kan AI-algoritmer bearbeta större datamängder och köra komplexa beräkningar betydligt snabbare. Idag kan AI-utvecklingen därför accelerera i en takt som tidigare inte var möjlig.

Eliza använder sig av mönsterigenkänning för att identifiera specifika ord och fraser i användarens inmatning. Programmet använder sedan substitution, vilket innebär att dessa ord och fraser byts ut mot andra för att skapa svar. Detta gjorde att ELIZA kunde delta i samtal och skapa en illusion av förståelse, trots att programmet inte förstod vad som sades överhuvudtaget.

(Public domain)(Public domain)

Det mest kända skriptet i ELIZA hette DOCTOR och fungerade som en påhittad psykoterapeut som hela tiden svarade med enkla motfrågor.

Många uppfattade nog inte ELIZA som särskilt intelligent, men programmet var imponerande för sin tid. Det påstås också att tidiga användare, inklusive Weizenbaums sekreterare, tillskrev programmet mänskliga känslor, vilket förvånade honom.

Många akademiker trodde att ELIZA skulle kunna påverka människors liv positivt, och att programmet skulle kunna hjälpa läkare i deras behandling av patienter med psykologiska problem.

Den ursprungliga källkoden för ELIZA var länge försvunnen, men hittades sedan i universitetet MIT:s arkiv. Det har sedan publicerats på olika plattformar, till exempel archive.org, där man kan testa ELIZA direkt i webbläsaren.

ELIZA blev en mycket populär demonstration för hur en framtida artificiell intelligens skulle kunna prata med oss och många av dagens chattrobotar är inspirerade av Eliza, även ChatGPT.