História umelej inteligencie: od prvých myšlienok po dnešok

Prečo je história AI dôležitá aj pre bezpečnosť

Na blogu o kybernetickej bezpečnosti sa história umelej inteligencie môže zdať ako odbočka. Opak je pravdou — dnešné AI systémy sú súčasne novým nástrojom obrany (detekcia anomálií, automatizácia SOC) aj novým povrchom útoku (prompt injection, deepfakes, AI-generovaný phishing). Aby ste rozumeli, prečo sú tieto hrozby fundamentálne odlišné od tých predchádzajúcich, pomáha vedieť, odkiaľ AI vôbec prišla — a že jej vývoj vôbec nebol priamočiary.

Korene: myšlienkové stroje pred počítačmi

Myšlienka strojov, ktoré dokážu "myslieť", je oveľa staršia ako počítače. Filozofi ako Descartes alebo Hobbes uvažovali o mysli ako o mechanickom procese už v 17. storočí. Skutočný základ pre modernú AI však položili až dve práce v 40. rokoch 20. storočia:

• Warren McCulloch a Walter Pitts (1943) — navrhli matematický model neurónu, ktorý ukázal, že siete jednoduchých prepínacích jednotiek dokážu v princípe vypočítať akúkoľvek logickú funkciu. Toto je koncepčný predok dnešných neurónových sietí.
• Alan Turing (1950) — v článku "Computing Machinery and Intelligence" položil otázku "Môžu stroje myslieť?" a namiesto filozofickej debaty navrhol praktický test: ak sa človek v konverzácii nedokáže rozhodnúť, či komunikuje so strojom alebo s človekom, stroj možno považovať za inteligentný. Dnes známy ako Turingov test.

Zrod odboru: Dartmouth, 1956

Samotný pojem "umelá inteligencia" (artificial intelligence) vznikol v lete 1956 na Dartmouth College v New Hampshire, kde John McCarthy, Marvin Minsky, Nathaniel Rochester a Claude Shannon zorganizovali dvojmesačný workshop s otvorene ambicióznym cieľom: preskúmať hypotézu, že "každý aspekt učenia alebo akúkoľvek inú vlastnosť inteligencie možno v princípe tak presne opísať, že ju možno simulovať strojom."

Táto udalosť sa považuje za oficiálny začiatok AI ako vedného odboru. Účastníci workshopu — McCarthy, Minsky, Allen Newell a Herbert Simon — sa na desaťročia stali dominantnými postavami celej oblasti.

Zlaté roky symbolickej AI (1956 – 1974)

Nasledujúcich osemnásť rokov prinieslo vlnu optimizmu a skutočných prielomov v tzv. symbolickej AI — prístupe, ktorý reprezentoval znalosti ako logické symboly a pravidlá, nie ako čísla či váhy.

• Perceptron (Frank Rosenblatt, 1958) — prvý trénovateľný neurónový model schopný sa učiť rozpoznávať jednoduché vzory z príkladov. Predstavovala sa ako priamy krok k strojom, ktoré "vidia a rozpoznávajú".
• General Problem Solver (Newell a Simon, 1957) — program navrhnutý riešiť ľubovoľný formálne opísateľný problém pomocou univerzálnych heuristík.
• ELIZA (Joseph Weizenbaum, 1966) — jednoduchý program simulujúci psychoterapeuta, ktorý prekvapivo presvedčivo pôsobil "inteligentne" len na základe vzorov a preformulovania viet používateľa. Ukázal, ako ľahko ľudia pripisujú strojom porozumenie, ktoré nemajú — fenomén dodnes relevantný pri chatbotoch.
• SHRDLU (Terry Winograd, 1970) — program rozumejúci prirodzenému jazyku v obmedzenom "svete kociek", schopný plánovať a odpovedať na otázky o vlastných akciách.

Financovanie prúdilo najmä od amerických vojenských agentúr (napr. DARPA) v presvedčení, že plnohodnotná strojová inteligencia je otázkou rokov, nie desaťročí.

Prvá AI zima (1974 – 1980)

Sľuby sa nenaplnili v predpokladanom čase a realita dobehla optimizmus. Dva kľúčové momenty spustili prvý veľký útlm financovania a záujmu, dnes známy ako prvá AI zima:

• Kniha "Perceptrons" (Minsky a Papert, 1969) — matematicky dokázala, že jednovrstvové perceptróny nedokážu riešiť ani triviálne problémy ako logickú funkciu XOR. Hoci sa dalo toto obmedzenie prekonať viacvrstvovými sieťami, chýbal vtedy efektívny spôsob, ako ich trénovať — a záujem o neurónové siete na roky opadol.
• Lighthill Report (1973) — správa pre britskú vládu, ktorá kriticky zhodnotila, že AI výskum nesplnil svoje "grandiózne ciele" a odporučila drastické škrty vo financovaní. Podobne postupovali aj americké agentúry.

Expertné systémy a druhý boom (1980 – 1987)

AI sa spamätala vďaka posunu od "všeobecnej inteligencie" k úzko zameraným, komerčne užitočným expertným systémom — programom kódujúcim znalosti konkrétnych odborníkov do súborov pravidiel typu "ak–potom".

• MYCIN (Stanford, polovica 70. rokov, nasadený v 80.) — expertný systém na diagnostiku bakteriálnych infekcií a odporúčanie antibiotík, v testoch prekonával presnosťou skúsených lekárov.
• XCON / R1 (Digital Equipment Corporation, 1980) — konfiguroval počítačové systémy podľa objednávok zákazníkov a firme ušetril desiatky miliónov dolárov ročne, čo presvedčilo priemysel o komerčnej hodnote AI.
• Japonský projekt piatej generácie (1982) — masívna štátna investícia Japonska do vývoja počítačov postavených na logickom programovaní, ktorá vyvolala pretekárske investície v USA a Európe.
• Backpropagation (Rumelhart, Hinton, Williams, 1986) — popularizácia algoritmu spätného šírenia chyby, ktorý konečne umožnil efektívne trénovať viacvrstvové neurónové siete a prekonal tak limity z knihy "Perceptrons". Táto technika je dodnes základom trénovania hlbokých neurónových sietí.

Druhá AI zima (koniec 80. – začiatok 90. rokov)

Expertné systémy narazili na vlastné limity — boli drahé na údržbu, krehké mimo úzko vymedzenej domény a neschopné učiť sa zo skúsenosti. Trh so špecializovaným AI hardvérom (tzv. LISP stroje) skolaboval, keď ho predbehli lacnejšie univerzálne pracovné stanice. Japonský projekt piatej generácie nedosiahol sľubované ciele. Financovanie sa opäť stiahlo a pojem "umelá inteligencia" sa v priemysle na čas stal takmer toxickým — firmy radšej hovorili o "strojovom učení" alebo "analýze dát".

Tichá revolúcia: štatistické strojové učenie (90. roky)

Napriek zime pod povrchom rástol nový, menej mediálne príťažlivý, ale trvácnejší prúd výskumu — štatistické strojové učenie, ktoré namiesto ručne písaných pravidiel odvodzovalo vzory priamo z dát.

• Support vector machines a Bayesovské siete — matematicky elegantné metódy klasifikácie, ktoré sa stali pracovným koňom aplikovaného strojového učenia na roky dopredu.
• Deep Blue porazil Kasparova (1997) — IBM superpočítač špecializovaný na šach porazil úradujúceho majstra sveta Garryho Kasparova v riadnom zápase. Symbolický moment ukazujúci silu hrubej výpočtovej sily kombinovanej s doménovo-špecifickým vyhľadávaním, nie "všeobecnú" inteligenciu.
• Rast internetu — vytvoril prvýkrát v histórii obrovské množstvo digitálnych dát (text, obrázky, správanie používateľov), ktoré sa neskôr stanú palivom pre modernú AI.

Big data a návrat neurónových sietí (2000 – 2011)

Tri trendy sa v tomto desaťročí ticho zbiehali a pripravovali pôdu pre neskoršiu explóziu: lacnejší výpočtový výkon (najmä grafické karty, GPU, pôvodne vyvíjané pre videohry), obrovský nárast dostupných dát vďaka internetu a sociálnym sieťam, a zdokonalené algoritmy. Kľúčovým medzníkom bol vznik databázy ImageNet (2009) — viac ako 14 miliónov ručne označených obrázkov v tisíckach kategórií, ktorá sa stala štandardným testovacím poľom pre počítačové videnie a priamo umožnila prielom o pár rokov neskôr.

Deep learning revolúcia (2012 – 2017)

Toto obdobie je dnes všeobecne uznávané ako začiatok modernej éry AI, ktorú poznáme.

• AlexNet (2012) — hlboká konvolučná neurónová sieť, ktorá na súťaži ImageNet drvivo porazila všetky konkurenčné prístupy v rozpoznávaní obrázkov, natrénovaná na herných GPU kartách. Tento moment presvedčil celý výskumný odbor, že hlboké neurónové siete natrénované na veľkých dátach prekonávajú ručne navrhované metódy.
• Word2Vec (2013) — technika, ktorá naučila počítače reprezentovať význam slov ako číselné vektory, čím položila základ pre moderné spracovanie prirodzeného jazyka.
• Generative Adversarial Networks — GAN (Ian Goodfellow, 2014) — architektúra dvoch súperiacich sietí, ktorá umožnila generovať prekvapivo realistické syntetické obrázky. Priamy predchodca dnešných deepfakes.
• AlphaGo porazil Lee Sedola (2016) — DeepMind systém porazil jedného z najlepších hráčov go na svete v hre, ktorá bola pre svoju kombinatorickú zložitosť dovtedy považovaná za desaťročia vzdialenú od zvládnutia počítačmi.
• Transformer — "Attention Is All You Need" (Google, 2017) — architektúra, ktorá nahradila dovtedy dominantné rekurentné siete mechanizmom "pozornosti" (attention) umožňujúcim spracovávať text paralelne a efektívnejšie sa učiť dlhé súvislosti. Toto je architektonický základ absolútne všetkých moderných veľkých jazykových modelov.

Éra veľkých jazykových modelov (2018 – 2022)

Transformer architektúra spustila preteky v škálovaní — trénovaní čoraz väčších modelov na čoraz väčších množstvách textu.

• BERT (Google, 2018) — model, ktorý výrazne zlepšil porozumenie kontextu v texte a rýchlo sa stal súčasťou reálnych produktov vrátane vyhľadávania.
• Séria GPT (OpenAI, 2018 – 2020) — GPT-1, GPT-2 a napokon GPT-3 (2020, 175 miliárd parametrov) demonštrovali, že jednoduché škálovanie veľkosti modelu a dát vedie k prekvapivo všeobecným schopnostiam — od písania textu po jednoduché programovanie — bez toho, aby bol model na tieto úlohy explicitne trénovaný.
• Modely generujúce obrázky z textu — DALL·E (2021), neskôr Stable Diffusion a Midjourney (2022) priniesli difúzne modely schopné generovať fotorealistické obrázky z textového popisu, čo prudko zdemokratizovalo aj obavy o dezinformácie a deepfakes.
• ChatGPT (november 2022) — nešlo o zásadne nový model, ale o rozhranie a doladenie (fine-tuning pomocou spätnej väzby od ľudí, RLHF), ktoré spravilo veľké jazykové modely dostupnými pre bežných používateľov v jednoduchej konverzačnej forme. Za pár mesiacov získal stovky miliónov používateľov a definitívne priniesol AI do mainstreamového povedomia.

Súčasnosť: multimodálne a agentické systémy (2023 – 2026)

Vývoj po ChatGPT sa uberal niekoľkými paralelnými smermi, ktoré spolu formujú AI takú, akú ju poznáme dnes:

• Multimodalita — modely ako GPT-4, Claude či Gemini prestali byť obmedzené len na text a naučili sa rozumieť aj obrázkom, zvuku a videu v jednom jednotnom systéme.
• Modely s "uvažovaním" (reasoning models) — nová generácia modelov, ktorá si pred odpoveďou interne rozkladá problém na kroky namiesto priameho generovania odpovede, čo výrazne zlepšilo výkon na matematických, logických a programátorských úlohách.
• Agentická AI — posun od modelov, ktoré len odpovedajú na otázky, k systémom, ktoré dokážu samostatne používať nástroje, prehliadať web, spúšťať kód a vykonávať viackrokové úlohy s minimálnym dohľadom človeka — presne táto trieda systémov stojí aj za nástrojmi ako je ten, ktorý napísal tento článok.
• Otvorené váhy modelov (open-weight) — modely, ktorých parametre sú verejne publikované (napr. rodiny Llama, Mistral, DeepSeek), umožnili spustiť pokročilú AI lokálne, mimo veľkých cloudových poskytovateľov — s výhodami aj bezpečnostnými rizikami, ktoré to prináša.
• Regulácia — EU AI Act (2024) a podobné legislatívne rámce v iných krajinách reagujú na rýchly rast schopností AI požiadavkami na transparentnosť, hodnotenie rizika a obmedzenia pre vysokorizikové použitia.

Časová os: kľúčové míľniky

AI a kybernetická bezpečnosť: dvojsečná zbraň

Návrat na pôdu tohto blogu — súčasná vlna AI zásadne mení aj oblasť kybernetickej bezpečnosti, a to obojstranne:

• Na strane obrany — AI modely dnes analyzujú obrovské objemy sieťovej prevádzky a logov rýchlejšie než ľudský tím, odhaľujú anomálie typické pre útoky (viď náš článok o najčastejších kybernetických útokoch) a automatizujú prvotnú reakciu v SOC centrách.
• Na strane útoku — tie isté schopnosti umožňujú generovať presvedčivejšie phishingové e-maily bez typických jazykových chýb, vytvárať hlasové a video deepfakes na obchádzanie overovania identity, alebo automatizovať hľadanie zraniteľností v kóde.
• Nová trieda zraniteľností — systémy postavené na veľkých jazykových modeloch priniesli aj úplne nové bezpečnostné problémy, ktoré pred rokom 2022 prakticky neexistovali — napríklad prompt injection, keď útočník ukryje inštrukcie pre AI systém vo web stránke, dokumente alebo e-maile, s cieľom prinútiť ho konať proti záujmom používateľa.

Zhrnutie

Od Turingovej otázky "môžu stroje myslieť?" v roku 1950, cez dve tvrdé AI zimy, tichú revolúciu štatistického strojového učenia v 90. rokoch, až po explóziu deep learningu po roku 2012 a veľké jazykové modely od roku 2018 — cesta k dnešnej AI nebola priamočiara ani nevyhnutná. Bola to séria matematických prielomov, náhodných zhôd okolností (dostupnosť lacných GPU, masívny nárast dát z internetu) a opakovaných cyklov prehnaných očakávaní nasledovaných vytriezvením. Pochopenie tejto histórie je najlepšou ochranou pred tým, aby sme dnešný pokrok — aj jeho riziká — brali nekriticky.