← Изкуствен интелект и дигитални умения!!!

Урок 2 от 25

Еволюция и развитие на AI

ЕВОЛЮЦИЯ НА ИЗКУСТВЕНИЯ ИНТЕЛЕКТ И ДИГИТАЛНАТА ИНФРАСТРУКТУРА ВЪВ ВРЕМЕТО

Всяка изчислителна машина, която решава сложна математическа задача, трябва да бъде програмирана за тази цел. – Джон фон Нойман

Фундаменталните въпроси, свързани с възможността формалните правила да пораждат валидно знание, с произхода на мисълта от материята и с трансформацията на знанието в действие, са поставяни още от античността. Математици като Евклид (ок. 300 пр.н.е.) полагат основите на аксиоматичния метод, докато през XIX век Джордж Бул разработва формалната логика като система, позволяваща извеждането на заключения независимо от конкретното съдържание (Boole 1854). Икономическата наука допринася с рамки за рационален избор чрез теориите за вероятността и полезността (Neumann & Morgenstern, 1944), докато невронауката и психологията започват да разглеждат мозъка и човешкото поведение като информационни системи (Ashby 1956). Лингвистикатаизследва критичната връзка между езика и мисленето, оформяйки теоретичните предпоставки за машинен интелект още преди появата на съвременните компютри (Chomsky 1957).

2.1. Философско-математически основи

на изкуствения интелект

При изучаването на всяка област на човешкото знание съществуват три фундаментални въпроса: „какво?“, „защо?“ и „как“. Те определят три важни вида теории:

– класификационните теории се занимават с въпроса „какво?“, като целта е да се установи какви феномени съществуват в изследваната област. Резултатът е класификационен списък;

– епистемологичните теории се занимават с въпроса „защо?“. Тук стремежът е да се намери обяснение на установените феномени чрез анализ в контекста на целите и причините за тяхното появяване, както и на взаимовръзките с други феномени;

– механизиращите теории се занимават с въпроса „как?“. Този въпрос цели разкриването на механизми (структури и процеси), които довеждат до проявата на наблюдавания феномен. Тези механизми обикновено се използват за възпроизвеждане на феномена в изкуствена среда.

Изкуственият интелект се различава от другите когнитивни науки не толкова по обекта на изследване (интелекта и интелигентното поведение), колкото по използваната методология. В повечето когнитивни науки се използва индуктивният метод: започва се с наблюдение на факти за поведението на естествена система, следва преход към формулиране на теория чрез обобщаване, а проверката се състои в съпоставяне на генерираните хипотези с реално наблюдавани факти. При несъвпадение настъпва промяна на теорията.

Синтезният (инженерният) метод, характерен за AI, започва по същия начин, но вместо да се генерират хипотези, теорията се използва като основа за създаване на изкуствени системи, които пораждат екземпляри на съответно поведение. Проверката на теорията се състои в оценка на поведението ѝ по определен критерий. При отрицателна оценка причината може да е както в теорията, така и в технологията на изграждане.

Идеята за автоматизирани механизми, имитиращи човешки действия, има дълбоки исторически корени. През 1206 г. арабският инженер Ал-Джазари конструира сложни механични автомати, включително музикална лодка с четирима автоматични музиканти (Al-Jazari 1974). През XVIII – XIX век става популярен шахматният автомат „Турчинът“, макар впоследствие да бива разкрит като измама със скрит човешки оператор (Standage 2002).

Истинският научен пробив настъпва през 40-те години на XX век с концепцията, че мисленето може да бъде моделирано като изчисление. През 1943 г. Уорън Маккълок и Уолтър Питс публикуват пионерска статия, в която предлагат първия математически модел на изкуствен неврон. Те демонстрират, че мрежа от прости логически елементи може да изчислява всяка функция, която е изчислима от машина на Тюринг (McCulloch & Pitts 1943).

През 1950 г. Алън Тюринг публикува есето Computing Machinery and Intelligence, където не просто пита дали машините могат да мислят, а предлага операционален критерий за разпознаване на интелигентност – прочутата „имитационна игра“, по-късно известна като Тест на Тюринг (Turing 1950). Въпреки че Тюринг прогнозира, че до 2000 г. машините ще успеят да измамят 30% от оценителите, дори и днес няма консенсус относно машина, преминала теста при строги условия (French 2000).

Критичните технически предпоставки за развитието на AI се формират през периода на Втората световна война и непосредствено след нея. Клод Шанън формулира математическата теория на комуникацията (Shannon 1948), Норберт Винер основава кибернетиката като наука за управлението и комуникацията в животни и машини (Wiener 1948), а Джон фон Нойман разработва архитектурата на съхраняващите програми компютри (Neumann 1945). Тези интелектуални постижения създават необходимата теоретична и техническа база за възникването на изкуствения интелект като самостоятелна научна дисциплина.

През 1956 г. се провежда лятната конференция в Дартмутския колеж, организирана от Джон Маккарти, Марвин Мински, Натаниел Рочестър и Клод Шанън, където официално е въведен терминът Artificial Intelligence (McCarthy et al. 2006). Участниците формулират оптимистичната хипотеза, че „всяка характеристика на ученето или всяка друга характеристика на интелекта могат в принцип да бъдат описани толкова прецизно, че да бъдат симулирани от машина“. В рамките на конференцията са очертани седем ключови изследователски направления: автоматични компютри, програмиране на естествен език, невронни мрежи, теория на сложността на изчисленията, самоусъвършенстване, абстракции и случайност и творчество.

Като наименование на научна област, терминът „изкуствен интелект“ бива критикуван поради смесването на наименованието на обекта на изследване с наименованието на самата област. През 1980 г. председателят на Европейската асоциация по AI Волфганг Бибел предлага термина „интелектика“, който все по-често се употребява като официално име на областта в редица европейски университети.

Изкуственият интелект е познавателна и инженерна научна област, която се занимава с разбиране и синтезиране на поражданото от интелекта интелигентно поведение. Под „интелигентно поведение“ най-общо се разбира взаимодействие между система и среда, характерно за което е възможността да се знае, разсъждава и действа целенасочено. Обикновено то включва перцепция (възприемане, обработка и интерпретиране на информация събрана чрез сензори от заобикалящата среда), логически разсъждения, обучаване, вземане на решения и действане.

„Интелект“ е множество от специфични способности на една система, насочени към пораждане на интелигентно поведение. Всяка система, която е способна да води интелигентно поведение, се нарича „интелектна система“.

Като познавателна наука ИИ се занимава (наред с психология, невробиология, философия, лингвистика и др.) с формиране на терминология, модели и теории с цел разбиране на принципите, които правят интелигентното поведение възможно. Това, което различава ИИ от чисто познавателните науки, е насочеността му към синтезирането и изграждането на изкуствени (синтетични) интелектни системи, които от една страна служат като средство за тестване на създаваните теории, а от друга – са практически полезни на хората. Именно това определя и инженерния аспект на ИИ – разработването и използването на подходи, формализми и методи за синтез на реални системи с интелигентно поведение.

Основна научна цел на ИИ е разбиране на принципите, които правят интелигентното поведение възможно. Основна инженерна цел на ИИ е изграждане на интелектни системи.

В съвременната наука доминира разбирането, че няма принципни ограничения за моделиране на естествения интелект и за възпроизвеждане в изкуствена среда на различни специфични интелектуални способности на човека. Това разбиране е свързано с теоремата на Гьодел, която (съдържателно) гласи, че вътрешната непротиворечивост на една логическа система не може да се докаже със средствата на самата система. Съвременната логика не доказва невъзможността, нито пълнотата на възможността за възпроизвеждане на интелигентно човешко поведение в изкуствени среди.

Начинът на възпроизвеждане не е задължително да бъде еквивалентен на начина на осъществяване на феномена в биологичните системи. Първият полет на човека е осъществен след като той най-после се е отказал да имитира полета на птиците. Това е подход към отговор на въпроса „Може ли една машина реално да мисли?“ чрез разглеждане на аналогичния въпрос „Може ли една машина реално да лети?“.

Провеждани са редица научни изследвания върху ефективността на подходите на ИИ при решаването на разнообразни задачи от практиката. Установено е, че за широк клас задачи, от една страна, класическите подходи и компютърни програми не са подходящи, а от друга страна, хората не са в състояние да вземат правилни решения с необходимата точност и бързина. Това обяснява мотивите за бурното развитие на ИИ.

Разработените технологии на ИИ са намерили изключително широки приложения – от системи, основани на знания (експертни системи), с приложения в химията, биологията, медицината, транспорта, образованието, правото, икономиката, държавната администрация, електрониката, военното дело, машиностроенето, енергетиката и др., до интелигентни интерфейси, системи за автоматичен превод, системи за автоматизация на проектирането, интелигентни системи за обучение, интелектни роботи и автономни агенти. Съществува клас интелектни системи, които могат да бъдат по-интелигентни от човешкия индивид – класът на организациите. Една фирма като цяло може да проектира, произвежда, продава хиляди компютри, за което са необходими сумарни интелектуални умения, надхвърлящи възможностите на един човешки индивид.

Изкуственият интелект се стреми да проверява валидността на хипотезите за естеството на интелигентното поведение, като синтезира интелектни системи, които не са задължително структурни аналози на човешкия мозък. Предмет на изучаване и синтез е интелигентното поведение както на биологични, така и на организационни обекти.

Целта на ИИ не е компютърната симулация (както често се смята), а разбирането на интелигентното поведение чрез синтез на реални системи, които го осъществяват. От една страна, компютърът е физическа знакова система и осъществява интелигентно поведение на системи с перцепция и действия в еднородна, чисто компютърна (знакова), среда. От друга страна, компютърното симулиране на движението на манипулатора на един робот, например, поражда знакови описания на екземпляри на поведение, които не са реално възпроизведени, тъй като извън компютъра сили и моменти не съществуват. Аналогичен е и случаят при симулиране на визуална, вербална и др. видове перцепция – липсва връзката с реалния свят. За нейното осъществяване са необходими нетривиални интерфейси (сензори и изпълнителни механизми), които изискват среда за реализация, различна от компютърната.

От тази гледна точка, роботиката играе важна методологична роля не само за ИИ, но и за науката въобще. Роботиката е научна област, същността на която е интеграцията на перцепция, разсъждения и действия. Роботите са полезни интелектни системи за действия в нееднородни физически среди. Чрез конструирането на роботи се адресират не само въпросите за ролята на вътрешните механизми (знаковите преобразувания) в интелигентното поведение на една система, но също така и въпросите за ролята на онези механизми, които определят връзката с реалния свят.

2.2. Основни научни подходи за изучаване на AI

Въпреки огромния напредък в науката за изкуствения интелект, феномените „интелект“ и „интелигентно поведение“ имат редица аспекти и проблеми. Много от тях все още са само частично разбрани и съответно остават нерешени, но има разнообразие от подходи към тяхното изучаване и възпроизвеждане. Още от Дартмутската конференция от 1956 г. до 1969 г., развитието на изкуствения интелект се характеризира с два отделни и до известна степен противостоящи подхода – знаков (символен) и поведенчески (числов).

Знаковият подход има своите корени в логиката, лингвистиката и психологията. В основата му стои хипотезата на Алън Нюел, известна като Хипотеза за физическата знакова (символна) система. Тя твърди, че интелигентното поведение изисква знакови разсъждения върху знаково представени знания. На тази основа се приема, че вътрешната структура на една интелектна система се основава на знаково представяне на информацията, която тя използва. Същественото тук е, че представянето се извършва на ниво смислова информация (знания), а не на ниво данни. Като следствие от това вътрешните за системата процеси се състоят в обработване на семантично натоварени знакови структури. Методите за такъв тип знаково представяне и обработка на информация са няколко вида: продукционни системи, фрейми, логическо програмиране. Това представяне се оказва забележително стабилно и предпочитано през 80-те години на ХХ в.

Поведенческият подход в изкуствения интелект има своите корени в биологията, неврофизиологията, етологията и еволюционната теория. При него акцентът е снет от вътрешните знакови модели и процесите над тях и е поставен върху интерактивните процеси между външната среда и изкуствената система. При този подход тя се разглежда като сложна динамична система, намираща се в непрекъснато взаимодействие с процесите от реалния свят. Същественото тук е, че директно се поставя въпросът как една физическа система може да извършва комплексно необходимите (за определена задача) перцепция, взимане на решения и действия, за да оперира автономно (независимо от човека) в реално време и в динамично променяща се среда.

Основната хипотеза, която се издига в отговор на този въпрос, е, че интелигентно поведение може да бъде породено от голяма колекция относително независими, елементарни (не предполагащи разумност) поведения без каквото и да е централизирано управление над тях. Всяко елементарно поведение се реализира от строго специализиран (само за това поведение) модул, който разполага с необходимите за целта сензори и изпълнителни механизми. Всеки такъв модул възприема външната среда от „своя гледна точка“ (т.е. извлича от сензорите само информацията, необходима за постигането на поведението, за което той е отговорен) и е в състояние да реагира адекватно и незабавно чрез изпълнителните си органи.


Поведенческият подход е една разновидност на динамичния еволюционен подход, който се опитва пряко да емулира дейността на централната нервна система на човека и висшите животни. Нервната система е организирана от огромно количество елементарни клетки (неврони), които сами по себе си не са интелигентни. Интелектът се поражда от поведението на цялата сложна динамична система, съставена от елементарните обработващи единици – невроните. Мрежата от взаимносвързани неврони до голяма степен прилича на електронна схема, която преработва непрекъснати числови сигнали. Съгласно този подход интелектните системи формират адаптивно непрекъснати функции, които апроксимират големи количества данни, без при това да специфицират явно (чрез знакови модели) входно-изходните зависимости на системата. В този смисъл, една система има интелигентно поведение, ако при някакви входни стимули тя адаптивно ги апроксимира и генерира подходящи за решаване на дадени задачи въздействия. Много често за онагледяване се използва принципът на черната кутия, в която се намира изследваната система, а отвън ѝ въздействат контролирани и управлявани параметри, промяната на които води до промяна на действията на системата, без да знаем какво се случва в нея.

Image

Фигура 7. Принцип на черната кутия за изследване на системи

Обща основа и на двата подхода са кибернетиката и ранните опити от средата на ХХ век да се анализира устройството на сложни естествени системи. И в двата подхода интелектната система преработва информация – в знаков вид при знаковия подход и във вид на сигнали при числовия. Конкретните механизми обаче са различни, знаковият подход използва предимно формалната логика, докато числовият се основава главно на теорията на динамичните системи и системотехниката. И двата подхода имат своите положителни и отрицателни страни, затова се налага емпирична проверка.

Развитието на двете направления върви успоредно – Франк Розенблат разработва в Корнел теорията на определен тип прости невронни мрежи, наречени от него перцептрони, а Нюел и Саймън създават нова и още по-впечатляваща знакова система, наречена „Общ решител на задачи“ (General Problem Solver). През 1960 г. Уидроу и Хоф от Станфорд откриват начин да обучават перцептроните на Розенблат според принципи, известни от психологията и неврофизиологията.

Това паралелно развитие на двата подхода спира през 1969 г., когато Марвин Мински и Сеймур Пейпърт от Масачусетския Технологичен Институт доказват, че елементарните невронни мрежи на Розенблат не притежават достатъчни изчислителни качества и по този начин не могат да конкурират знаковите системи. Разбира се, това доказателство не е задължително валидно за по-сложни невронни мрежи, но този факт се пропуска от множеството учени по това време и води до изоставяне на числовия подход за повече от 15 години. За щастие, други дисциплини (породени също от кибернетиката) продължават да го използват. В теорията на управлението и системотехниката се разработват адаптивни системи за управление, които притежават някои от качествата, характерни за интелигентните системи – например способността да прилагат подходящ управляващ сигнал в променящи се условия. В областта на изследване на операциите пък се разработват алгоритми за планиране в реално време посредством динамично програмиране, които са директно приложими в системите с изкуствен интелект. Изследването на поведението на големи системи от прости и взаимносвързани обработващи елементи продължава в статистическата физика. Приложимостта на такива системи като модели на човешката памет се изследва в когнитивната психология.

В рамките на изкуствения интелект периодът между 1970 и 1985 г. е изцяло доминиран от знаковите системи. През това време знаковият подход отбелязва няколко важни постижения, най-значимото от които са експертните системи – програми, в които е заложено в явен вид знанието на експерти в дадена предметна област, например медицина, право, счетоводство. Успоредно с това става ясно, че извличането на експертно знание е сложен и скъп процес, което ограничава разпространението на експертните системи. Необходимостта от обучение и самообучение става все по-явна в светлината на тези проблеми.

Насърчен от затрудненията на знаковите системи, числовият подход се възражда отново при ИИ през втората половина на 80-те години на ХХ в. и бързо набира популярност под името конекционизъм. Основното влияние за този процес идва от страна на когнитивната психология и отчасти от страна на статистическата физика.

Знаковият и числовият подход не си противоречат, а се допълват. Първият предоставя по-удобни средства за възпроизвеждане на „съзнателното“ (разсъдъчното, глобалното) поведение, а вторият – на „подсъзнателното“ (рефлексното, реактивното) поведение. В общия случай, една пълноценна интелектна система трябва да разполага със средства за съчетаване и на двата класа поведение.

В самия ИИ се появиха нови подобласти, каквито са например: вероятностните мрежи, които на практика извършват знакови разсъждения по числов път; системите с размита логика, използватщи знакови правила за обработка на числова информация; невронните мрежи, основани на знания, позволяващи въвеждане и извеждане на знания (от обучение) във вид на знакови правила. Научните области теория на управлението и изследване на операциите също се сближават с ИИ. Съвсем определено вече се очертават рамките на една по-пълна теория на интелигентното поведение, която използва и двата подхода, като се стреми към взаимното им проникване и интегриране.

2.3. Ранен ентусиазъм и първите AI зими

Първото десетилетие след Дартмут е период на значителен ентусиазъм и сравнително щедро финансиране, включително от военни агенции като DARPA (Defense Advanced Research Projects Agency), които виждат потенциал за стратегическо предимство в контекста на Студената война (Crevier 1993). През 1957 г. Франк Розенблат разработва Перцептрона – първият изкуствен неврон, и компютърна система, способна да се обучава без пряко програмиране, базирана на хардуерна реализация на невронна мрежа (Rosenblatt 1958). Идеята изпреварва времето си, защото все още липсва необходимата изчислителна мощност и подходящи алгоритми за обучение с достъпни данни. През 1960 г. Бърнард Уидроу и Тед Хоф предлагат модела ADALINE (Adaptive Linear Neuron), който демонстрира възможността за аналогово машинно обучение чрез адаптивни линейни елементи (Widrow & Hoff 1960).

Паралелно се развиват символните подходи. Алън Нюел и Хърбърт Саймън разработват Logic Theorist (1956) и по-късно General Problem Solver (1959), поставяйки началото на евристичното търсене и символното разсъждение (Newell & Simon 1963). През 1965 г. Едуард Фейгенбаум и Джошуа Ледърбърг разработват първата експертна система DENDRAL, способна да анализира химични структури (Lindsay et al. 1980).

Въпреки тези постижения, оптимистичните прогнози на пионерите се оказват преждевременни. През 1958 г. Саймън и Нюел прогнозират, че до десет години компютър ще стане световен шампион по шахмат и ще открие важна математическа теорема (Simon & Newell 1958). През 1965 г. Саймън заявява, че до 20 години машините ще могат да изпълняват всяка работа, която човек може да свърши (Simon 1965), а през 1967 г. Мински прогнозира решаването на проблема за изкуствения интелект в рамките на едно поколение (Minsky 1967).

Реалните технологични ограничения обаче са съществени: компютрите разполагат с минимална памет (първите експерименти с обработка на естествен език (NLP) използват речници от едва 20 думи) и ниска скорост на обработка. През 1969 г. Марвин Мински и Сеймур Паперт публикуват книгата Perceptrons, в която математически доказват ограниченията на еднослойните перцептрони – конкретно невъзможността им да решат задачата за изключващото (XOR) (Minsky & Papert, 1969). Този резултат, в комбинация с неизпълнените обещания, води до рязко намаляване на финансирането и настъпването на първата „зима на изкуствения интелект“ (Crevier 1993), когато разочарованите правителствени агенции спират финансирането на научното направление за повече от десетилетие (РИКАРДС, 2025).

Image

Фигура 8. Първите учени на изкуствения интелект (от ляво надясно) – Клод Шенън, Норбърт Винер, Джон фон Нойман и Алън Търинг

2.4. Експертни интелектни системи

През 70-те и 80-те години на ХХ в. доминират експертните системи – подход, фокусиран върху кодирането на специализирано знание под формата на правила „ако – тогава“ (if-then). През 1976 г. е разработена системата MYCIN за медицинска диагностика (Shortliffe 1976), а през 1982 г. – първата търговска експертна система R1/XCON за конфигуриране на компютърни системи Digital Equipment Corporation (McDermott, 1982). Въпреки търговския успех на някои приложения, експертните системи се оказват крехки – знанието е трудно за извличане от експерти, правилата са статични и изискват ръчна актуализация, а системите не могат да се справят с неочаквани ситуации извън предварително дефинираната област.

През 1986 г. настъпва решаващ пробив в областта на невронните мрежи с публикуването на метода за обратно разпространение на грешката (backpropagation) от Дейвид Румелхарт, Джефри Хинтън и Роналд Уилямс (Rumelhart, Hinton & Williams, 1986). Този алгоритъм позволява обучението на многослойни невронни мрежи, като преодолява ограниченията, идентифицирани от Мински и Паперт, и поставя началото на съвременното дълбоко обучение. През 1997 г. системата Deep Blue на IBM побеждава световния шампион по шахмат Гари Каспаров (Campbell, Hoane & Hsu 2002), а през 2016 г. AlphaGo на DeepMind побеждава шампиона по Го Ли Седол (Silver et al. 2016).

Системите с изкуствен интелект, основаващи се на правила, използват инструкции от типа „ако – тогава“, за да достигат до заключения на базата на първоначален набор от факти. В най-простата си форма едно твърдение „ако – тогава“ казва на системата: „Ако това условие е вярно при дадените факти, то направи така. Ако е невярно, не прави нищо“. Добавянето на опцията „иначе“ позволява формулирането на по-сложни твърдения: „Ако това твърдение е вярно, направи така, а ако не е (иначе) – направи нещо друго“. Основаващите се на правила системи са предвидими, надеждни и „прозрачни“, т.е. лесно е да се разбере кои правила прилага ИИ. Този тип ИИ обаче не може да се адаптира към нови ситуации извън предварително програмираните правила.

Компютърните програми, имитиращи знанията и моделите на разсъждение на човешките специалисти, се наричат експертни системи. Информацията, която те съдържат, се осигурява от хора специалисти и се програмира в системата от „програмист на знания“. Всяка система има три части:

1. База от знания (Knowledge Base) – съдържа фактите и правилата (обикновено във формата „ако-тогава“), използвани от човешките експерти в съответната предметна област.

2. Механизъм за достигане до заключения (Inference Engine) – прилага правилата към фактите в базата от знания, за да достигне до заключения и отговори на зададените от потребителите въпроси. Този компонент реализира логическото разсъждение в системата в разбираем формат.

3. Потребителски интерфейс (User Interface) – приема запитванията на потребителите и им показва решенията, намерени от системата.

Експертните системи могат да отговарят на сложни въпроси и да осигуряват на потребителите по-широк достъп до експертни съвети. Те се използват в много области, включително медицината, където сравняват симптоми с вероятни причини и назначават подходящо лечение.

Исторически, експертните системи бележат първата вълна от търговски приложения на ИИ през 70-те и 80-те г. на ХХ в. с представители като MYCIN (медицинска диагностика) и DENDRAL (анализ на химични структури). Въпреки че са изместени от статистическите методи и машинното обучение в много области, принципите на експертните системи остават релевантни за системи, изискващи прозрачност и обяснимост на решенията — качества от критична важност за военни и правителствени приложения.

Image

Фигура 9. Линия на времето за развитие на изкуствения интелект Необходима редакция в текста. Нека остане така

2.5. Изграждане на дигиталната инфраструктура

(WEB 1.0, 2.0, 3.0)

Паралелно с развитието на AI методологиите се формира и критичната комуникационна инфраструктура. През 60-те г. на ХХ в. в RAND Corporation Пол Баран разработва концепцията за разпределени мрежи с блоково предаване (packet switching), проектирани да устоят на ядрена атака (Baran 1964). През 1969 г. ARPANET свързва първите четири възела (UCLA, SRI, UCSB, University of Utah), демонстрирайки възможността за надеждна комуникация между разпределени компютри (Abbate 1999).

През 1974 г. Винт Сърф и Боб Кан публикуват протокола TCP/IP (Transmission Control Protocol/Internet Protocol), който позволява интернет работа между различни мрежи. През 1984 г. е въведена системата за имена на домейни (DNS – Domain Name System), превръщаща числовите IP адреси в четими имена (Mockapetris 1983). През 1989 г. Тим Бърнърс-Лий в CERN предлага системата за хипертекст World Wide Web, базирана на HTML, HTTP и URL (Berners-Lee 1989), превръщайки интернет от инфраструктура за специалисти в универсална среда за съдържание.

Инфраструктурата за дигитална интелигентност е готова. Появява се Web 1.0, който дава възможност за дигитализация на информацията. Той е статичен, еднопосочен и доминиран от институции и експерти, но браузъри като Mosaic и Netscape демократизират достъпа до информация. Интернет се превръща в глобален архив – решаващо условие за бъдещето обучение на AI.

През 2004 г. Тим О’Райли формулира концепцията Web 2.0 – платформа, при която съдържанието се генерира от потребителите (user-generated content), включваща блогове, социални мрежи (Facebook, 2004; Twitter, 2006; YouTube, 2005) и уики (O’Reilly 2005). Този етап създава социалния граф, реалновремеви комуникации и огромни корпуси от текст, изображения и видео – „горивото“ за съвременното машинно обучение.

Комбинацията от евтини изчисления (законът на Мур), мащабни мрежи (законът на Меткалф), облачни платформи и данни от Web 2.0 води до възраждането на невронните мрежи. Съоснователят на Intel Гордън Мур през 1965 г. твърди, че броят на транзисторите в един интегрален чип се удвоява приблизително на всеки две години, което води до експоненциално увеличаване на изчислителната мощ и същевременно до намаляване на цената на изчисленията. Това прави сложните изчисления и обработката на огромни обеми данни достъпни за все по-широк кръг от изследователи и компании. Робърт Меткалф твърди, че стойността на една мрежа нараства пропорционално на квадрата на броя на свързаните към нея потребители. Това е основата за мащабното развитие на интернет и социалните мрежи, които осигуряват огромни масиви от данни за обучение на изкуствени невронни мрежи. В съчетание с развитието на облачните платформи, които позволяват лесно мащабиране и достъп до огромни изчислителни ресурси по заявка, и експлозията на данни, генерирани от потребителите в Web 2.0, тези фактори създават идеалната среда за възраждането и практическото приложение на невронните мрежи и дълбокото обучение. В резултат, изкуственият интелект прави скок от теоретична концепция към широко използвана технология, която трансформира редица индустрии и сфери на живота. Облачните изчисления (Cloud Computing), популяризирани от Amazon Web Services (2006), Google Cloud (2008) и Microsoft Azure (2010), предоставят мащабируем достъп до изчислителни ресурси (CPU, GPU, памет, съхранение) по заявка, елиминирайки необходимостта от капиталови инвестиции в хардуер (Armbrust et al. 2010).

2.6. Ерата на дълбокото обучение и големите езикови модели

През 2006 г. Джефри Хинтън и сътрудниците му демонстрират възможността за ефективно предварително обучение на дълбоки невронни мрежи (Hinton, Osindero & Teh, 2006), поставяйки началото на ерата на дълбокото обучение (Deep Learning). Идеята на дълбокото обучение е, че могат да бъдат обучени сложни компютърни модели от разнообразни структури на невронни мрежи, базирани на различни слоеве от изкуствени неврони. Най-известната архитектура е предложена през 2012 г. – AlexNet, разработена от Алекс Крижевски, Иля Суцкевър и Джефри Хинтън. Тя постига революционен успех в състезанието ImageNet, като намалява грешката при класификация на изображения с 10,8 процентни пункта (Krizhevsky, Sutskever & Hinton 2012). Този пробив привлича вниманието на технологичните гиганти и стимулира масивни инвестиции в AI изследвания.

В резултат болшинството от водещите учени, свързани с изкуствения интелект, вече е съсредоточено в технологичните гиганти. Фундаменталните изследвания на изкуствения интелект се трансформират в индустриални изследвания, т.е. фокусът е върху решаването на бизнес проблеми. Положителното в тази фаза е, че огромната концентрация на таланти и изчислителен капацитет създава много нови методи, алгоритми и софтуерна инфраструктура на изкуствения интелект за кратък период от време.

Особено важна тенденция е споделянето от страна на повечето технологични гиганти на технически постижения с академичните и бизнес средите. В резултат едрият бизнес постепенно започна да използва споделените възможности и инфраструктурата на изкуствения интелект, за да решава своите проблеми по ефективен начин. Разходите за разработване на решения, базирани на изкуствен интелект, значително намаляват. В рамките на 10 – 15 години изкуственият интелект се внедрява с бясно темпо в бизнес гиганти като Walmart, Ford, Tesla, AT&T, General Electric и др.

Изкуственият интелект може да се обучава с помощта на невронните мрежи, дълбокото машинно обучение, машините с опорни вектори и алгоритъм на K-най-близки съседи (KNN). Друго функционално направление е умението на изкуствения интелект да предсказва и прогнозира причинно-следствени връзки чрез Байесово обучение, дърво на решенията и др. Все по-нарастващо е значението на основната функция на изкуствения интелект да разсъждава и да предлага автоматично решения на сложни проблеми. Тази функция се базира на методите на размита логика, експертни системи, графи на знанието и когнитивни модели. Съществува и обширна област за решаване на проблеми, където изкуственият интелект може да помогне да се оптимизират процеси с алгоритми като генетични алгоритми, оптимизация с колонии от мравки (Ant Colony Optimization – ACO) и оптимизация чрез симулация на ято птици.

През 2017 г. изследователи от Google Brain публикуват статията „Attention Is All You Need“, въвеждайки трансформаторната архитектура, която позволява паралелна обработка на последователности и решава проблемите с дългосрочните зависимости в рекурентните мрежи (Vaswani et al. 2017). Това открива ерата на Големите езикови модели (Large Language Models – LLM).

През 2018 г. OpenAI публикува GPT-1 (Generative Pre-trained Transformer), демонстрирайки ефективността на предварителното обучение с последващо фино настройване (Radford et al. 2018). След 2020 г. настъпва генеративен взрив с GPT-3 (175B параметъра), който дори започва да води вестникарска колона и изкуственият интелект навлиза в масовото съзнание. Следва появата на множество мащабни модели: LLaMA, Claude, Mistral, GPT-4 и пускането на мултимодалните системи и AI агенти през 2023 г.

Появява се съвременната дигитална среда Web 3.0, която включва автономни участници (AI агенти), Интернет на нещата (IoT) за телеметрия от физическия свят и блокчейн за сигурност и идентичност. Облачните изчисления се превръщат в двигател, предлагайки мащабируемост (GPU ресурси) и достъпност. ИИ вече не само намира, но и синтезира знание. Според прогнози на Gartner, до 2026 г. около 90% от онлайн съдържанието ще бъде генерирано от AI (Gartner 2023).

През 2023 – 2024 г. се наблюдава експлозия от модели: GPT-4 (OpenAI), LLaMA (Meta), Claude (Anthropic), Gemini (Google), Mistral (Mistral AI), както и появата на мултимодални системи и AI агенти. През 2024 г. китайският модел DeepSeek-R1 демонстрира конкурентоспособни възможности при значително по-ниски изчислителни разходи (DeepSeek-AI 2025). През 2024 г. навлизат нови агенти като DeepSeek и интегриране на ИИ директно в браузърите (Edge с Copilot, Chrome с Gemini).

Image

Фигура 10. Архитектура на AlexNet, базирана на няколко нива на невронни мрежи, означени с отделни блокове (conv1 – conv5) и три функционали нива (fc)

2.7. AI и съвременната дигитална среда

Изкуственият интелект не съществува във вакуум. Той е върхът на пирамида, изградена върху десетилетия развитие на компютърните мрежи, хардуера и протоколите за обмен на данни. За да се разбере как AI „мисли“ и оперира, първо трябва да се познава средата, в която той „живее“ – инфраструктурата на интернет. Всяко AI приложение разчита на „светата троица“ на уеб инфраструктурата:

● Домейн (Domain) – адресът на системата в мрежата (напр. mod.bg). Той е човешкият интерфейс към сложната цифрова адресация.

● Хостинг (Hosting) – физическото място (сървър), където „живее мозъкът“ на AI. Хостингът предоставя дисково пространство и изчислителна мощ, където се съхраняват алгоритмите, моделите и базите данни.

● DNS (Domain Name System) – системата, преобразуваща домейните в IP адреси. Компрометирането на DNS може мигновено да прекъсне достъпа до критични AI инструменти.

Развитието на големи езикови модели (LLM) и невронни мрежи изисква огромен изчислителен ресурс, който е трудно постижим с локални сървъри. Облачните инфраструктури предоставят достъп до хиляди процесори (GPU) за обучение на модели и дават възможност AI услугите да бъдат достъпни от всяка точка на света.

Съвременната дигитална среда преминава през трансформация на браузъра – от пасивна програма за четене на HTML уеб страници те се превръщат в активен AI асистент. Интегрират се системи: Microsoft внедрява Copilot в Edge, а Google – Gemini в Chrome. Нови играчи като Brave и Vivaldi залагат на сигурност и вградени локални AI асистенти. Проекти като ChatGPT Atlas, Perplexity Comet, Open Browser, Dia и Sigma не просто показват страници, а изпълняват сложни задачи: резервации, извличане на данни в таблици и дълбоки проучвания (Deep Research) чрез автономно управление на уеб интерфейси.

Този бум беше продиктуван от предхождащото го развитие на търсещите машини, които първоначално използваха прости механизми за съвпадение на ключови думи, за да се развият до съвременни системи, способни на дълбоко разбиране на съдържанието. Ключов момент в прехода на интернет инфраструктурата към интелигентни системи е въвеждането на алгоритъма PageRank, който бележи първия значим напредък в оценката на уеб съдържание.

Борбата с уеб спама продължава с въвеждането на Trust Rank – техника, която оценява качеството на страниците на база връзки от ръчно избрани доверени източници. Впоследствие, с развитието на алгоритмите на Google като Флорида, Панда, Пингвин и Колибри, се появяват все по-усъвършенствани средства за филтриране, разбиране на езика и разчитане на потребителските намерения – процеси, които все по-силно интегрират изкуствения интелект в сърцето на търсачките. Така се стига до RankBrain през 2015 г. – първата самообучаваща се AI система на Google, която бележи прехода към дълбоко, контекстуално и мултимодално разбиране на информацията (BERT, MUM). В резултат търсачките еволюират до интелигентни агенти, които не само откриват, но и синтезират знание. Така изкуственият интелект се превръща във водещ интерфейс за достъп до информация и основен двигател на дигиталната трансформация, което намира отражение във все по-широкото навлизане на AI в различни сфери, включително националната сигурност, отбраната и автоматизираното съдържание онлайн.

Развитието на изкуствения интелект оказва значително влияние върху сектора на националната сигурност и отбраната, като трансформира начина, по който се проектират и използват военни системи и технологии. Още през 40-те г. на ХХ в. радарните системи и противовъздушната отбрана започват да използват транспондери и автоматизирани методи за идентификация на самолети като приятели или врагове. С течение на времето тези технологии се развиват и системите за предупреждение започват да разпознават обекти чрез сравняване на радарни сигнали и топлинни сигнатури с бази данни за заплахи. През 70-те години се проектират ракети с автономно насочване и системи за управление на огъня с ограничена автономия (Arkin 2013).

Съвременните AI системи в отбраната обхващат: компютърно зрение за анализ на разузнавателни изображения и видео; автономни безпилотни системи (дронове, наземни и подводни апарати); системи за поддръжка на вземането на решения (Decision Support Systems); киберзащита и разузнаване; както и логистика и предиктивна поддръжка на военна техника (Horowitz et al. 2018).

Критичните въпроси на автономните оръжейни системи (LAWS – Lethal Autonomous Weapons Systems) и машинната етика във военния контекст стават предмет на международни дебати в рамките на Конвенцията за определени конвенционални оръжия (CCW) на ООН[1].

Големите пробиви в AI през края на 90-те и началото на ХХI век, като победата на IBM Deep Blue над световния шампион по шах и триумфът на AlphaGo срещу топ играча на Го, демонстрират потенциала на интелигентните системи да решават изключително сложни задачи с огромен брой възможни варианти. Съвременният изкуствен интелект, базиран на машинно обучение и невронни мрежи, води до значителен напредък в области като компютърно зрение, разпознаване на реч и обработка на естествен език, което позволява на военните системи да анализират видео данни, да идентифицират обекти и да взаимодействат с оператори чрез естествен език.

Еволюцията от дигиталната среда към AI инфраструктура представлява комплексен процес, обединяващ философско-математически концепции, технологични иновации и социални трансформации. Изкуственият интелект не възниква изолирано, а е резултат от съвместната еволюция на формалната логика, теорията на изчисленията, комуникационните мрежи и социалните технологии. Дигиталната среда преминава през последователни фази – от статичен Web 1.0 през социалния Web 2.0 до интелигентния Web 3.0, като на всеки етап се натрупват критични маси от данни, изчислителна мощ и алгоритмични иновации. Съвременната AI инфраструктура се характеризира с:

– масова достъпност на облачни изчислителни ресурси;

– наличие на огромни корпуси от обучителни данни;

– развити алгоритми за дълбоко обучение;

– интеграция в крайни потребителски устройства и приложения;

– нарастващо присъствие в критични сектори, включително отбраната и националната сигурност.

Image

Фигура 11. Развитие на AI технологиите спрямо различните поколения Редакции в илюстрацията.

Разбирането на тези инфраструктурни компоненти и тяхната историческа еволюция е задължителна предпоставка за ефективното проектиране, управление и регулиране на AI системи в съвременната дигитална среда.


[1] UNITED NATIONS. Report of the 2019 session of the Group of Governmental Experts on Emerging Technologies in the Area of Lethal Autonomous Weapons Systems [онлайн]. Geneva: United Nations, 2019. Doc. CCW/GGE.1/2019/3. [Прегледан на 3 юни 2026]. Достъпен на: https://documents.unoda.org/wp-content/uploads/2020/09/CCW_GGE.1_2019_3_E.pdf