Történet

1. Bevezetés¶

Már a 17. században René Descartes felvetette, hogy az állatok teste összetett gépként működik, majd a 19. században Charles Babbage és Ada Lovelace dolgoztak a programozható számológépeken. Lovelace gyakran tekinthető a világ első programozójának.

A mesterséges intelligencia koncepcióját Alan Turing már 1950-ben elkezdte vizsgálni, és 1956-ban az „AI” tudományágként került definiálásra a dartmouth-i konferencián. A kezdeti optimizmus időszakában a kutatók hittek abban, hogy a gépek képesek lesznek emberi szintű gondolkodásra, de ez a várakozás később visszaesett a gyenge eredmények miatt.

Az MI története tele volt grandiózus ambíciókkal és túlzott elvárásokkal. Már Herbert Simon 1957-ben kijelentette, hogy hamarosan olyan gépek lesznek, amelyek gondolkodnak, tanulnak és alkotnak, és képességeik gyorsan növekedni fognak.

Azonban a kezdeti áttörések nem tudták tartani a túlfűtött tempót. A technológiai korlátok és az ígéretek megvalósításának elmaradása a források drasztikus csökkenéséhez vezetett, amit „AI Tél”-nek neveztek el. Az elnevezés a nukleáris tél (nuclear winter) terminológiájára utalt, leírva azt a káoszt, ami után az MI kutatás sokáig nem kapott finanszírozást.

• Az Első AI Tél (1974–1980): Ennek kiváltó oka a kombinatorikus robbanás problémája volt, ahol a komplex problémák megoldásához szükséges számítási erőforrások exponenciálisan nőttek, meghaladva az akkori számítógépes kapacitásokat.
• A Második AI Tél (az 1980-as évek végén): Ekkor a szakértői rendszerek buktak el. Ezek a rendszerek laboratóriumi körülmények között kiválóan teljesítettek, de a valós világ komplexitásával és bizonytalanságaival szembesülve törékenynek és tanulásra képtelennek bizonyultak.

A technológiai korlátok alábecslése és a felfújt várakozások – ami a Gartner Hype Cycle dinamikáját követi – volt mindkét AI Tél központi kiváltó oka. A kutatók ekkor kerülték az "MI" címkét, és inkább "statisztika" vagy "adatbányászat" néven folytatták munkájukat.

Az 1990-es évekre a gépi tanulás algoritmusai és az internet megjelenése tovább gyorsították a fejlődést. A 2010-es években a mélytanulás (deep learning) áttörést jelentett: a neuronháló-alapú modellek és a növekvő számítási kapacitás révén az MI új területeken vált hatékonnyá.

Napjainkban hasonló optimista ciklus zajlik, ahol a vezető MI vállalatok akár 2–5 éves AGI (Artificial General Intelligence) idővonalakat is jósolnak. A történelmi mintázat azt sugallja, hogy a vállalatoknak körültekintőnek kell lenniük, amikor hosszú távú beruházásokat alapoznak ilyen rövid, agresszív AGI-idővonalakra. Ha az AGI nem hozza meg az autonóm gazdasági értékteremtést 2030-ra , a finanszírozás megszakadhat, ami aláhúzza a rugalmas és kontrollált megoldások (például a Self-Hosted és nyílt forráskódú stratégiák) stratégiai fontosságát a külső piaci függőség csökkentése érdekében.

Összességében a mesterséges intelligencia több évtizedes fejlődése során több hullámban került napirendre, és mára szinte minden szakterületen jelenlévő technológiává vált.

2. Korábbi kutatások és mérföldkövek¶

A korai MI-kutatás során számos kiemelkedő eredményt értek el. Az 1950-es–60-as években Alan Turing javasolta a Turing-tesztet az intelligencia mérése céljából, majd megalkották a Logic Theorist programot és más, kezdetleges feladatmegoldó algoritmusokat. Az 1960-as években Joseph Weizenbaum ELIZA nevű szabályalapú csevegőprogramja jelent meg (1966), amely egyszerű mintázat-egyezést alkalmazott, és pszichoterapeutaként kommunikált a felhasználóval. Bár az ELIZA nem „értette” a beszédet, híressé vált, mint az egyik első chatrobot.

A játékokban elért győzelmek fontos mérföldkövek voltak: 1997-ben az IBM Deep Blue számítógépe legyőzte Garri Kaszparov sakkvilágbajnokot. Ezt követően 2016-ban mesterséges intelligencia-alapú rendszerek legyőzték a legjobb Go- és pókerjátékosokat is. Ezek az események megmutatták, hogy a gépek képesek hatalmas adatmennyiségek feldolgozására és minták felismerésére, melyek révén olyan komplex stratégiákat és döntéseket tudnak meghozni, amelyek hagyományos módszerekkel nehezen szimulálhatók.

Más jelentős áttörések közé tartozik az első orvosi alkalmazások térhódítása (például diagnosztikai rendszer orvosi képelemzésre), továbbá a gépi látás és beszédfeldolgozás fejlődése. A 2000-es évektől az újra növekvő hardverkapacitás és az adatbősége lehetővé tette, hogy az MI-modelljei a valós környezetben is széles körben terjedjenek. Összességében a korábbi kutatások során az olyan mérföldkövek, mint az ELIZA, Deep Blue, valamint a statisztikai gépi tanulási módszerek elterjedése, a mai fejlett MI-technológiák alapjait fektették le.

3. Jelenlegi helyzet: trendek és alkalmazások¶

Az utóbbi években az MI-alkalmazások robbanásszerűen terjednek a generatív AI és a nagy nyelvi modellek (LLM) területén. Olyan rendszerek, mint az OpenAI ChatGPT-je, a Google Bard, vagy a különböző kép- és hanggeneráló modellek (pl. DALL-E, Stable Diffusion, Whisper) új lehetőségeket hoznak a tartalomgyártásba. A vállalati szférában felmérések szerint a munkahelyi MI-használat megkétszereződött az elmúlt hat hónapban, és az irodai dolgozók ~75%-a már valamilyen AI-alapú alkalmazást használ napi szinten. A generatív modellek tekintetében a Gartner előrejelzése szerint 2026-ra a vállalatok 80%-a már termelésben használ generatív AI-t – szemben a 2023-ban még alacsony (akár 5%) bevezetési aránnyal.

Többirányú alkalmazási területek is megjelennek: természetes nyelvi feldolgozáshoz (NLP) ma már számos AI-megoldást alkalmaznak szövegfordításra, összefoglalásra vagy automatikus szövegírásra. Gépi látás (Computer Vision) terén a modern MI-rendszerek orvosi képfeldolgozásban, arcfelismerésben, forgalomirányításban és önvezető járművekben teljesítenek jól. Az IBM kutatása rámutat, hogy MI-rendszerek ma már rendelkeznek dermatológusszintű képességekkel például bőrrák diagnosztikájában, valamint a beszédfelismerés és biometrikus azonosítás területén is kimagasló eredményeket érnek el. A beszélgető chatbotok (pl. Siri, Alexa, ChatGPT) korábbi, szkriptelt beszélgetés helyett ma már gépi tanulással és LLM-ekkel működnek, így sokkal összetettebb, kontextusfüggő válaszadásra képesek. Összességében az aktuális MI-trendek közé tartozik a modellek skálázása (nagyobb LLM-ek, multimodális modellek), a felhőalapú AI-szolgáltatások terjedése, a generatív tartalomgyártás térhódítása, valamint az MI integrálása mindennapi szoftvereszközökbe – mindezt a vállalkozások és kutatók egyre szélesebb köre alkalmazza.

4. Mesterséges intelligencia jövője¶

4.1. Az AGI (Általános mesterséges intelligencia) előrejelzései¶

Az AGI (Artificial General Intelligence), az emberi kognitív képességekkel vagy azokat meghaladó képességekkel rendelkező gép létrehozását jelenti. Az MI szakértők többsége szerint az AGI megvalósulása elkerülhetetlen.

Az AGI megjelenésére vonatkozó előrejelzések drámaian felgyorsultak az elmúlt évek LLM-fejlesztései nyomán. Míg a kutatók korábban 2060 körülre várták az AGI-t, a jelenlegi felmérések szerint ez 2040 körül várható. A vezető vállalati szakemberek és az AI cégek vezetői még optimistábbak, 2030 körüli megjelenést jósolnak (akár 2–5 éven belül). Ez a gyorsulás széleskörű mintázatot mutat az összes vizsgált szakértői csoportnál.

Az AGI fejlesztésének két fő útja van: vagy a jelenlegi Transzformer architektúrák mögé helyeznek még több számítási erőforrást és adatot, vagy teljesen új megközelítéseket kell kidolgozni.

Fontos megjegyezni, hogy az AGI definíciójában a gazdasági értékteremtés is kulcsszerepet játszik: az általánosan intelligens gépnek képesnek kell lennie arra, hogy autonóm módon generáljon gazdasági értéket emberi szinten. Jelenleg az MI még messze van ettől, bár az LLM-ek mutatnak generalista képességeket.

4.2. Szabályozási környezet: Az EU MI rendelete (AI Act)¶

A Mesterséges intelligencia rendelet (AI Act) az Európai Unió első átfogó szabályozása az MI-re vonatkozóan, amely kockázatalapú megközelítést alkalmaz a közérdekek és az alapvető jogok védelmének biztosítása érdekében.

A szabályozás kockázatalapú megközelítése négy fő kategóriára osztja az MI alkalmazásokat. A harmonizált szabályok az EU-n belül kifejlesztett és forgalomba hozott rendszerekre egyaránt vonatkoznak, fokozatosan életbe lépve 2025. február 2. és 2027. augusztus 2. között.

Az EU Mesterséges Intelligencia Rendelet (AI Act) Kockázati Besorolása

A magas kockázatú rendszerekre vonatkozik a legtöbb kötelezettség. A szolgáltatóknak kockázatkezelési rendszert és minőségirányítási rendszert kell bevezetniük, és biztosítaniuk kell, hogy a képzési adatkészletek relevánsak, kellően reprezentatívak és hibamentesek legyenek (adatkormányzás). Továbbá műszaki dokumentációt és nyilvántartást kell vezetniük, és garantálniuk kell az emberi felügyelet lehetőségét. Megfelelőségértékelést is el kell végezni a forgalomba hozatal előtt.

A magas kockázatú kategória létének politikai jelentősége, hogy a rendelet a rendszerek fejlesztőit a szigorú MLOps gyakorlatok felé kényszeríti. Mivel a jogszabály előírja a modell működésének átláthatóságát és a képzési adatok dokumentálását, ez stratégiailag előnyös helyzetbe hozza a Self-Hosted és nyílt forráskódú megoldásokat, mivel a zárt, felhőalapú API-szolgáltatások (black box) esetében a megfelelőség igazolása az adatok mozgása és a modell belső működése miatti átláthatatlanság miatt nehézkes.

4.3. Etikai és társadalmi kihívások¶

A mesterséges intelligencia fejlődése elkerülhetetlenül súlyos etikai és társadalmi kérdéseket vet fel. A fő aggodalmak a munkaerőpiaci hatásokra, az MI koncentrálódására nagy internetes társaságokba, valamint a politikai stabilitásra gyakorolt hatásokra összpontosítanak.

A generatív MI modellek, amelyek hatalmas adathalmazokból tanulnak, fennáll a veszélye, hogy a képzési adatokban meglévő elfogultságok (bias) beépülnek a rendszerbe, ami hátrányos megkülönböztetést okozhat. Az MI rendelet magas kockázatú kategóriája pontosan erre reflektál, amikor előírja a reprezentatív és hibamentes adatkészleteket.

A társadalmi aggodalmak mélyek: a Z generációs hallgatók körében végzett felmérések szerint általános ellenszenv mutatkozik az MI iránt, főként a várható munkanélküliség, az egyenlőtlenség növekedése és a technológia irányíthatóságának kérdései miatt.

További etikai dilemmák:

• Magánélet és emberi jogok: Az MI használata hatással van a magánéletre, az emberi jogokra és a méltóságra.
• Pszichológiai hatások: Figyelni kell az emberi pszichére gyakorolt hatásokat, ha MI-rendszerek vagy robotok emberi társadalmi szerepeket vállalnak (pl. ápolás), és vizsgálni kell az ember–robot és az ember–ember kapcsolatok változását.

A bizalomhiány és az elfogadás segítéséhez az oktatás kritikus. Az oktatási intézményeknek hangsúlyt kell fektetniük az MI etikai szempontjainak oktatására, a tudatos forrásellenőrzésre és a „fact-checking” módszerek tanítására, hogy a diákok képesek legyenek felismerni a manipulált vagy generált, félrevezető információkat. A technológia pozitív elfogadása és a társadalmi bizalom csak akkor garantálható, ha a fejlesztés és az alkalmazás etikai és jogi keretek között zajlik.