1943Маккалок и Питтс математически моделируют нейрон.
Уоррен Маккаллок и Уолтер Питтс публикуют «Логическое исчисление идей, имманентных нервной деятельности», показывая, что сети упрощенных нейронов по принципу «все или ничего» в принципе могут вычислять любую логическую функцию — теоретическое зерно, которое позже считается прародителем искусственной нейронной сети.
1950Тьюринг предлагает игру в имитацию
В книге «Вычислительная техника и интеллект», опубликованной в журнале Mind, Алан Тьюринг обходит вопрос «могут ли машины думать» и предлагает вместо этого практический тест, предсказывая, что через пятьдесят лет машина с примерно миллиардом бит памяти будет обманывать среднего следователя по крайней мере в 30% случаев.
1956Семинар в Дартмуте дает название области
Джон Маккарти, Марвин Мински, Натаниэль Рочестер и восьминедельный летний семинар Клода Шеннона в Дартмуте вводят термин «искусственный интеллект» и объединяют около десяти исследователей, которые впоследствии основали большую часть ранней исследовательской программы в этой области.
1958Розенблатт строит персептрон
Персептрон Фрэнка Розенблатта, сначала реализованный в программном обеспечении, а затем в специальном оборудовании в Корнелле, учится классифицировать простые изображения, регулируя собственные веса соединений — первая рабочая демонстрация обучаемой искусственной нейронной сети.
1969–1974Начинается первая зима ИИ
Книга Марвина Мински и Сеймура Паперта «Персептроны» 1969 года математически доказывает, что однослойные сети не могут решать простые задачи, такие как XOR, а в британском отчете Лайтхилла 1973 года делается вывод, что ИИ не смог выполнить свои обещания; Финансирование исследований нейронных сетей и общего искусственного интеллекта прекращается по обе стороны Атлантики.
1986Обратное распространение ошибки популяризируется
Дэвид Румелхарт, Джеффри Хинтон и Рональд Уильямс публикуют в журнале Nature «Обучение представлений с помощью обратного распространения ошибок», показывая, что многослойные нейронные сети можно эффективно обучать путем обратного распространения сигналов ошибок — этот алгоритм до сих пор используется для обучения почти каждой нейронной сети, созданной с тех пор.
1987–1993Вторая зима ИИ
Рынок специализированных машин на Лиспе рушится почти в мгновение ока, поскольку более дешевые рабочие станции общего назначения догоняют его, а основанные на правилах экспертные системы оказываются слишком хрупкими и дорогостоящими для поддержания в больших масштабах; Снова заключаются контракты на финансирование ИИ, и многие исследователи незаметно отказываются от этого термина в своей работе.
1989ЛеКун доказывает работу сверточных сетей — на реальных проверках
Сверточная нейронная сеть Яна Лекуна, разработанная в Bell Labs, вскоре будет использоваться в коммерческих целях для чтения рукописных цифр на чеках; к концу 1990-х годов системы, построенные на его архитектуре, считывают значительную долю чеков, обрабатываемых в Соединенных Штатах, что является редким работающим развертыванием глубокого обучения задолго до массового прорыва в этой области.
2012AlexNet побеждает ImageNet и начинает бум глубокого обучения
Глубокая сверточная сеть Алекса Крижевского, Ильи Суцкевера и Джеффри Хинтона побеждает в конкурсе ImageNet с коэффициентом ошибок 15,3% против 26,2% у следующей лучшей работы, причем разница настолько велика, что почти за одну ночь убеждает большую часть специалистов в том, что глубокое обучение решило главный тест компьютерного зрения.
2017–2022Трансформеры и эпоха масштабирования
Исследователи Google публикуют книгу «Внимание — это все, что вам нужно», в которой с тех пор представлена архитектура Transformer, лежащая в основе почти всех основных языковых моделей; GPT-3 (2020 г.) и ChatGPT (2022 г.) компании OpenAI затем демонстрируют, что масштабирование той же архитектуры с использованием большего количества данных и вычислений продолжает создавать новые возможности, запуская общеотраслевую гонку по созданию еще более крупных моделей.
