AI – nešto novo ili tehnologija stara pola veka?

Odjednom svi pričaju o AI.
Na naslovnim stranama, u reklama za telefone, u alatima za pisanje, u aplikacijama za fotke… Ako bismo sudili po medijima, veštačka inteligencija je „iskočila niotkuda“ negde 2022/2023.

Ali ako zagrebemo malo dublje, pojavljuje se jedno neugodno pitanje:

Da li je AI zaista nova stvar – ili tehnologija stara već 50+ godina, koja je tek sada puštena „među obične smrtnike“?

Zašto izgleda kao da je AI eksplodirao „preko noći“?

U samo par godina, broj ljudi koji koriste generativne AI alate skočio je sa „niša geekova“ do stotina miliona korisnika. To lepo ilustruje grafikon:

Grafikon: približan rast mesečno aktivnih korisnika generativnih AI alata – od desetina miliona do reda veličine milijardu korisnika u periodu 2022–2025.

Iz perspektive prosečnog korisnika, priča izgleda ovako:

• juče nije postojalo ništa,
• danas postoji ChatGPT, generisanje slika, muzike, koda, videa,
• sutra – ko zna, možda i potpuno autonomni sistemi.

Međutim, ispod površine ova „eksplozija“ je rezultat duge istorije razvoja + nekoliko ključnih tehnoloških i poslovnih prekretnica.

Kratka istorija veštačke inteligencije (bez udžbenika)

50-e: Tjuring i pitanje „mogu li mašine misliti?“

Još 1950. Alan Tjuring postavlja čuveno pitanje:
„Da li mašine mogu da misle?“ i predlaže Tjuringov test kao praktičan kriterijum.

Ideja veštačke inteligencije tada je više filozofska nego praktična – ali seme je posejano.

60-e i 70-e: simbolička AI i ekspertni sistemi

U narednim decenijama dominira tzv. simbolička AI:

• pravila „ako–onda“ (IF–THEN),
• logički sistemi,
• rani ekspertni sistemi koji pomažu, recimo, lekarima u dijagnostici.

Računari su spori, podaci ograničeni, ali ambicija je velika:
kodirati znanje direktno u sistem kroz pravila.

80-e: neuronske mreže i backpropagation

U 80-im se ponovo pojavljuje interesovanje za neuronske mreže – matematičke modele inspirisane neurone u mozgu.

Ključni momenat: metoda backpropagation (unazadno propagiranje greške), koja omogućava da se mreže treniraju efikasnije.

Ipak, nedostaju:

• dovoljno snažni procesori,
• ogromni skupovi podataka,
• i „jeftina“ računarska infrastruktura.

90-e i 2000-e: data mining i rani machine learning

Sa širenjem interneta i baza podataka, fokus prelazi na:

• data mining – kopanje po podacima,
• klasifikaciju, regresiju, preporuke,
• rani machine learning algoritme (SVM, random forest, boosting…).

AI već tada tiho radi u pozadini:
u pretragama, preporukama filmova, filterima za spam, sistemima za kreditno bodovanje.

AI u vojsci i „tajnim“ projektima

Tehnologije koje danas zovemo AI dugo su bile iza zatvorenih vrata:

• radarski i sonar sistemi,
• analiza satelitskih snimaka,
• automatsko prepoznavanje signala i šifrovanje,
• rani oblici prepoznavanja glasa i slike.

Logika je jednostavna:

1. ako neka tehnologija daje stratešku prednost,
2. prvo će je koristiti vojska i obaveštajne službe,
3. tek onda dolazi u civilni sektor.

To ne znači da postoji jedan „tajni mega-um“, ali je realno pretpostaviti da su:

• eksperimenti sa autonomnim dronovima,
• sistemima za masovnu analitiku podataka
• i naprednim modelima predviđanja

počeli mnogo pre nego što smo dobili prve javne chatbote.

Zašto je „eksplozija“ nastupila tek sad?

Tri glavna razloga zašto smo tek 2020-ih dobili masovnu, vidljivu AI:

1. GPU revolucija

Grafičke kartice (GPU) napravljene za igre pokazale su se savršenim za:

• paralelne izračune,
• treniranje velikih neuronskih mreža.

Sa dolaskom cloud platformi (AWS, GCP, Azure) access do takve snage postaje iznajmljiv – ne moraš imati sopstveni datacentar.

2. Big data – internet kao ogroman skup podataka

Internet je obezbedio:

• milijarde rečenica teksta,
• milijarde slika, videa, kodova,
• beskonačne logove korisničkog ponašanja.

Upravo na tim podacima treniraju se današnji modeli.

3. Biznis model

Tek sada postoji jasan poslovni motiv:

• automatizacija podrške,
• ubrzanje razvoja,
• nova generacija SaaS alata,
• utrka velikih igrača (Big Tech) za tržišni udeo.

Rezultat: AI se više ne skriva „iza kulisa“, već se gura pravo korisniku u ruke.

Kako se današnji generativni modeli razlikuju od „stare“ AI

Danas najviše pričamo o generativnoj AI – modelima koji pišu tekst, crtaju slike, komponuju muziku i pišu kod.

Na visokom nivou, razlika izgleda ovako:

• Ekspertni sistemi (stara AI) – ručno upisana pravila, logika „ako–onda“, ograničeni domeni.
• LLM i duboko učenje (nova AI) – uče iz ogromnih količina podataka, pronalaze statističke obrasce.

Jedan način da vizuelizujemo gde su korisnici danas je po vrstama AI alata:

Grafikon: približna raspodela korisnika generativnih AI alata po kategorijama – chatboti, generatori slika, kod asistenti i drugi AI alati.

„Papagaji“ koji ipak rade posao

Često se kaže da su LLM-ovi samo „napredni papagaji“:

• ne razumeju svet kao ljudi,
• predviđaju sledeću reč na osnovu verovatnoće.

Ali u praksi:

• taj „papagaj“ može da sumira stotine stranica,
• strukturiše informacije,
• napiše radnu verziju teksta, koda ili izveštaja.

Drugim rečima: možda nije svesno biće, ali je veoma koristan alat.

Šta verovatno već postoji iza kulisa

Ako su ovoliko moćni modeli dostupni javno, razumno je pretpostaviti da:

• postoje veće, specijalizovane verzije za analitiku,
• da se AI već masovno koristi u obaveštajnim analizama, finansijskim tržištima, sajber-bezbednosti,
• da se testiraju autonomniji sistemi nego što vidimo u civilnim aplikacijama.

Istorijski obrazac je sličan:

1. tehnologija nastaje u laboratorijama i specijalnim projektima,
2. koristi se „tiho“ u pozadini,
3. tek onda stiže do consumer nivoa kao „nova stvar“.

Rizici i prilike

Šta može biti dobro?

Pozitivne strane su značajne:

• Medicina – brža analiza snimaka, personalizovana terapija, otkrivanje obrazaca u podacima.
• Nauka – generisanje hipoteza, analiza kompleksnih sistema, ubrzanje istraživanja.
• Kreativnost – alati za muziku, slike, video, pisanje; pojedinac sa laptopom dobija moć malog studija.

Šta može poći po zlu?

Ozbiljni rizici takođe postoje:

• Deepfake i manipulacija – sve teže razlikovati istinu od simulacije.
• Nadzor – kombinacija kamera, prepoznavanja lica i analitike stvara nove oblike praćenja.
• Automatizacija rada – poslovi se ne „nestaju preko noći“, ali se preoblikuju, često brže nego što se sistemi obrazovanja prilagođavaju.

Tri kratka scenarija

1. Optimistični – AI postaje „co-pilot“ u poslu i svakodnevnom životu; produktivnost raste, nastaju novi tipovi poslova, medicinska istraživanja ubrzavaju.
2. Pesimistični – nadzor, manipulacija, koncentracija moći u rukama nekoliko korporacija i država; društvene nejednakosti se produbljuju.
3. Realni miks – dobijamo i jedno i drugo; AI postaje ogledalo čovečanstva: pojačava i dobre i loše tendencije.

Zaključak: AI kao ogledalo, ne magija

Veštačka inteligencija nije magija koja je „pala sa neba“ 2022. godine.
To je rezultat decenija rada na matematici, elektronici, softveru i – ljudskim ambicijama.

AI ne menja samo tehnologiju, već ubrzava ono što ljudi već jesu: i kreativnost, i pohlepu, i empatiju, i manipulaciju.

Zato je najvažnije pitanje za narednih 10–20 godina manje tehničko, a više ljudsko:

• ne samo „šta AI može da uradi“,
• nego „šta mi želimo da uradimo sa AI“.

Hype i strah dolaze i prolaze, ali odgovornost ostaje – na nama.