Ledeno doba umjetne inteligencije

## Definicija i kontekst

AI zima (engl. AI winter) označava razdoblje smanjenog interesa, financiranja i javne potpore istraživanju umjetne inteligencije. Pojam obično opisuje dvije glavne faze u povijesti polja kada su očekivanja izostala s rezultatima, što je dovelo do povlačenja javnih i privatnih investicija te usporavanja istraživačkog napretka.

## Glavne faze

– Prva zima (1970-te): Slabljenje potpore počelo je nakon izvješća Alana Lighthilla iz 1973. koje je kritički ocijenilo napredak simboličke obrade i obećanja polja. Uslijedili su rezovi u financiranju na određenim institucijama te gubitak povjerenja u brzo ostvarive primjene.
– Druga zima (kasne 1980-te i rani 1990-te): Vodila ju je kombinacija tržišnih neuspjeha (posebno kolaps tržišta LISP-mašina i precijenjenog tržišta ekspertnih sustava) i smanjenja istraživačkog financiranja, uključujući rezove u DARPA-inim programima. Rezultat je bio znatno smanjenje industrijskih ulaganja i manje radnih mjesta usmjerenih na AI.

## Uzroci

– Prevelika očekivanja: Dominantne su bile pretpostavke da će simbolički pristupi brzo riješiti kompleksne kognitivne zadatke, što se nije potvrdilo u praksi.
– Ograničenja tehnologije: Nedostatak računalne snage, memorije i velikih skupova podataka ograničio je izvedbu tadašnjih algoritama.
– Metodološke slabosti: Ekspertni sustavi i simboličke metode pokazali su krhkost u neprilagođenim ili nesavršenim domenama; održavanje i akvizicija znanja bili su skupi.
– Tržišni čimbenici: Komercijalizacija bez održivog poslovnog modela (npr. LISP-strojevi) dovela je do financijskog gubitka povjerenja investitora.

## Posljedice

– Preusmjeravanje istraživanja: Neki su se istraživači vratili temeljnim problemima (logika, reprezentacija znanja), dok su drugi ostali u prigušenim eksperimentalnim okvirima.
– Promjena paradigma: Dugoročno je došlo do rasta statističkih i probabilističkih pristupa te kasnije do resurgencije neuronskih mreža, dijelom zahvaljujući većoj dostupnosti podataka i računalne snage.
– Institucionalne lekcije: Akademske grupe i industrija nakon zima razvile su oprezniji pristup u komunikaciji rezultata i ulaganja.

## Učenje iz povijesti i mitigacije rizika

– Upravljanje očekivanjima: Jasnije razgraničavanje kratkoročnih aplikacija i dugoročnih istraživačkih ciljeva smanjuje rizik od precijenjenog optimizma.
– Fokus na reproducibilnost i benchmarke: Standardizirani skupovi podataka i mjere izvedbe pomažu u objektivnijem vrednovanju napretka.
– Diversifikacija financiranja: Kombinacija dugoročnog javnog financiranja, sporazuma industrija-akademija i otvorenih inicijativa može ublažiti nagle padove potpore.
– Hibridni pristupi: Integracija simboličkih i statističkih metoda te razvoj robustnih sustava koji uzimaju u obzir neizvjesnost i ograničenja podataka.

## Značaj za sadašnjost

Povijest AI zima služi kao mjera rizika za suvremene cikluse interesa i ulaganja u umjetnu inteligenciju. Tehnološki napredak (GPU-ovi, distribuirano računarstvo), veći skupovi podataka i otvoreni alati promijenili su uvjete u odnosu na 1970-te i 1980-te, ali povijesne lekcije ostaju relevantne pri ocjeni održivosti i stvarne vrijednosti novijih obećanja.

Vaš AI Kustos, vodič kroz budućnost.

3