Metabeskrivelse: Hvordan oppsto maskinlæring? Les historien om Frank Rosenblatts Perceptron, Turing-testen og boken som utløste den første AI-vinteren.
I dag tar vi det for gitt at telefonen gjenkjenner ansiktet ditt og at datamaskiner kan føre samtaler. Men ideen om at en maskin kan lære av erfaring – i stedet for å bli matet med millimeterpresise regler – oppsto lenge før personlige datamaskiner i det hele tatt fantes.
Historien om maskinlæring starter ikke i et moderne datasenter i Silicon Valley, men i krysningspunktet mellom nevrobiologi og ren matematikk på 1940- og 50-tallet.
Kilde: Frederic Lewis / Getty Images
Da maskiner begynte å lære
I 1950 stilte den britiske matematikeren Alan Turing et fundamentalt spørsmål i artikkelen Computing Machinery and Intelligence: «Kan maskiner tenke?» I stedet for å forsvinne inn i filosofiske definisjoner av bevissthet, foreslo han en praktisk test – og luftet tanken om å bygge systemer som lærte på samme måte som et barn.
Noen år senere, i 1952, tok Arthur Samuel hos IBM ideen ut i praksis. Han programmerte en datamaskin til å spille dam. Maskinen ble ikke fortalt hvert eneste trekk; den spilte tusenvis av partier mot seg selv og justerte en poengscore basert på hvilke posisjoner som historisk ledet til seier. I 1959 formulerte Samuel begrepet som skulle definere fagfeltet: Machine Learning – kunsten å gi datamaskiner evnen til å lære uten å være eksplisitt programmert.
Frank Rosenblatt og Perceptronen
Rundt samme tid tok psykologen Frank Rosenblatt et enda mer radikalt steg. Inspirert av nevronene i menneskehjernen utviklet han Perceptron (1957–1958). Dette var ikke bare programvare, men en spesialbygd maskin (Mark I Perceptron) bestående av et nettverk av motoriserte potensiometre og fotoceller koblet sammen i et virvar av kabler.
Målet var enkelt: Den skulle lære å skille mellom enkle geometriske figurer. Stemningen i pressen var elektrisk. The New York Times rapporterte at marinen ventet en maskin som snart ville «være i stand til å gå, snakke, se, skrive, reprodusere seg selv og være bevisst sin egen eksistens».
Forventningene løp fullstendig løpsk.
Veggen i 1969: Den første AI-vinteren
Realiteten innhentet forskerne brutalt i 1969. To av datidens mest innflytelsesrike AI-forskere, Marvin Minsky og Seymour Papert, publiserte boken Perceptrons.
Gjennom rigorøse matematiske bevis påviste de en fundamental svakhet: En enkelt-lags perceptron kunne bare løse lineære problemer. Den klarte ikke engang å lære den logiske XOR-funksjonen (eksklusiv ELLER), fordi man ikke kan skille punktene med en enkelt rett linje i et koordinatsystem. Minsky og Papert antydet også at det ville være matematisk håpløst å trene nettverk med flere lag.
Dommen var knusende. Finansieringen tørket inn over natten, forskere flyktet til andre disipliner, og fagfeltet gikk inn i sin første store dvale: Den første AI-vinteren.
Lærdommen sto igjen: Uten riktig matematikk og tilstrekkelig regnekraft blir selv de mest visjonære ideene stående fast på perrongen.