Bagaimana Kita Sampai ke Sini: Sejarah Ringkas Ledakan AI

Lonjakan kecerdasan buatan (AI) masa kini tidak bermula dengan chatbot tular pada akhir tahun 2022. Ia bermula dengan kertas penyelidikan khusus yang diterbitkan oleh jurutera Google pada tahun 2017 bertajuk “Attention Is All You Need.” Dokumen ini memperkenalkan seni bina Transformer, yang mengubah cara mesin memproses bahasa manusia. Sebelum ini, komputer sukar mengekalkan konteks ayat yang panjang. Mereka sering terlupa permulaan perenggan apabila sampai ke penghujungnya. Transformer membetulkan perkara ini dengan membolehkan model menimbang kepentingan perkataan yang berbeza secara serentak. Peralihan teknikal tunggal ini adalah sebab utama mengapa alat moden terasa koheren dan bukannya seperti robot. Kita kini sedang melalui kesan berskala besar daripada keputusan untuk beralih daripada pemprosesan berjujukan. Sejarah ini bukan sekadar tentang kod yang lebih baik. Ia adalah tentang perubahan asas dalam cara kita berinteraksi dengan maklumat pada peringkat global. Peralihan daripada mencari jawapan kepada menjana jawapan telah mengubah jangkaan asas setiap pengguna internet hari ini.

Ramalan Statistik Berbanding Logik

Untuk memahami keadaan teknologi semasa, seseorang perlu membuang tanggapan bahawa sistem ini sedang berfikir. Mereka tidak berfikir. Mereka adalah enjin statistik besar yang meramalkan bahagian seterusnya dalam satu urutan. Apabila anda menaip prompt, sistem melihat data latihannya untuk menentukan perkataan yang paling mungkin mengikuti input anda. Ini adalah satu perubahan daripada pengaturcaraan berasaskan logik pada masa lalu. Pada dekad terdahulu, perisian mengikut peraturan if-then yang ketat. Jika pengguna mengklik butang, perisian melakukan tindakan tertentu. Hari ini, outputnya adalah kebarangkalian. Ini bermakna input yang sama boleh menghasilkan output yang berbeza bergantung pada tetapan model. Peralihan ini telah mencipta jenis perisian baharu yang fleksibel tetapi juga terdedah kepada ralat yang tidak akan dilakukan oleh kalkulator tradisional.

Skala latihan inilah yang membuatkan hasilnya terasa seperti kecerdasan. Syarikat telah mengikis hampir keseluruhan internet awam untuk memberi makan kepada model ini. Ini termasuk buku, artikel, repositori kod, dan hantaran forum. Dengan menganalisis berbilion parameter, model mempelajari struktur pemikiran manusia tanpa pernah memahami maksud perkataan tersebut. Kekurangan pemahaman inilah sebab mengapa model boleh menulis dokumen undang-undang yang sempurna tetapi gagal dalam masalah matematik yang mudah. Ia tidak mengira. Ia meniru corak orang yang pernah melakukan matematik sebelum ini. Memahami perbezaan ini adalah penting bagi sesiapa yang menggunakan alat ini dalam kapasiti profesional. Ia menjelaskan mengapa sistem ini begitu yakin walaupun mereka salah sepenuhnya.

Perlumbaan Senjata Global untuk Silikon

Kesan daripada peralihan teknologi ini melangkaui perisian. Ia telah mencetuskan perebutan geopolitik yang besar untuk perkakasan. Secara khususnya, dunia kini bergantung pada unit pemprosesan grafik atau GPU berprestasi tinggi. Cip ini pada asalnya direka untuk permainan video, tetapi keupayaannya untuk melakukan banyak pengiraan kecil serentak menjadikannya sempurna untuk AI. Sebuah syarikat tunggal, NVIDIA, kini memegang peranan penting dalam ekonomi global kerana ia menghasilkan cip yang diperlukan untuk melatih model ini. Negara-negara kini melayan cip ini seperti minyak atau emas. Ia adalah aset strategik yang menentukan negara mana yang akan memimpin dalam dekad pertumbuhan ekonomi seterusnya.

Kebergantungan ini telah mewujudkan jurang antara mereka yang mampu membeli kuasa pengkomputeran besar dan mereka yang tidak mampu. Melatih model peringkat tinggi kini menelan belanja ratusan juta dolar dalam elektrik dan perkakasan. Halangan tinggi untuk masuk ini bermakna beberapa syarikat besar di Amerika Syarikat dan China memegang majoriti kuasa. Pemusatan pengaruh ini merupakan kebimbangan utama bagi pengawal selia di seluruh dunia. Ia menjejaskan segala-galanya daripada cara data disimpan sehinggalah kepada jumlah yang perlu dibayar oleh startup untuk mengakses alat asas. Graviti ekonomi industri telah beralih ke arah pemilik pusat data. Ini adalah perubahan ketara daripada era awal internet di mana pasukan kecil boleh membina produk bertaraf dunia dengan bajet yang terhad. Dalam 2026, kos untuk masuk adalah lebih tinggi daripada sebelumnya.

Apabila Abstrak Menjadi Kerja Petang

Bagi kebanyakan orang, sejarah teknologi ini kurang penting berbanding kegunaan hariannya. Pertimbangkan seorang pengurus pemasaran bernama Sarah. Beberapa tahun lalu, harinya melibatkan berjam-jam penyelidikan manual dan draf. Dia akan mencari trend, membaca berpuluh-puluh artikel, dan kemudian mensintesisnya menjadi laporan. Hari ini, aliran kerjanya berbeza. Dia menggunakan model untuk meringkaskan trend utama dan merangka garis kasar awal. Dia bukan lagi seorang penulis. Dia adalah editor kandungan yang dijana mesin. Perubahan ini berlaku di setiap industri yang melibatkan papan kekunci. Ia bukan sekadar tentang kelajuan. Ia adalah tentang penyingkiran halaman kosong. Mesin menyediakan draf pertama, dan manusia menyediakan hala tuju.

Peralihan ini mempunyai kepentingan praktikal untuk keselamatan pekerjaan dan pembangunan kemahiran. Jika penganalisis junior kini boleh melakukan kerja tiga orang menggunakan alat ini, apakah yang akan berlaku kepada pasaran kerja peringkat permulaan? Kita sedang melihat peralihan ke arah model “super-user” di mana seorang individu menguruskan berbilang ejen AI untuk menyelesaikan tugas yang kompleks. Ini jelas kelihatan dalam kejuruteraan perisian, di mana alat seperti GitHub Copilot mencadangkan blok kod keseluruhan. Pembangun menghabiskan lebih sedikit masa menaip dan lebih banyak masa mengaudit. Realiti baharu ini memerlukan set kemahiran yang berbeza. Anda tidak perlu lagi mengingati setiap peraturan sintaks. Anda perlu tahu cara bertanya soalan yang betul dan cara mengesan ralat halus dalam lautan teks yang kelihatan sempurna. Kehidupan seharian seorang profesional dalam 2026 kini merupakan kitaran berterusan untuk memberi prompt dan mengesahkan. Berikut adalah beberapa cara ini kelihatan dalam praktiknya:

• Pembangun perisian menggunakan model untuk menulis ujian unit berulang dan kod boilerplate.
• Pembantu undang-undang menggunakannya untuk mengimbas beribu-ribu halaman penemuan untuk kata kunci tertentu.
• Penyelidik perubatan menggunakannya untuk meramalkan bagaimana struktur protein yang berbeza mungkin berinteraksi.
• Pasukan khidmat pelanggan menggunakannya untuk mengendalikan pertanyaan rutin tanpa campur tangan manusia.

Kos Tersembunyi Kotak Hitam

Memandangkan kita semakin bergantung pada sistem ini, kita mesti bertanya soalan sukar tentang kos tersembunyinya. Yang pertama ialah kesan alam sekitar. Satu pertanyaan kepada model bahasa besar memerlukan elektrik yang jauh lebih banyak daripada carian Google standard. Apabila didarab dengan berjuta-juta pengguna, jejak karbon menjadi besar. Terdapat juga isu penggunaan air. Pusat data memerlukan jumlah air yang besar untuk menyejukkan pelayan yang menjalankan model ini. Adakah kita sanggup menukar keselamatan air tempatan untuk draf e-mel yang lebih pantas? Ini adalah soalan yang mula ditanya oleh banyak komuniti berhampiran pusat data. Kita juga perlu melihat data itu sendiri. Kebanyakan model dilatih pada bahan berhak cipta tanpa kebenaran pencipta. Ini telah membawa kepada gelombang tuntutan mahkamah daripada artis dan penulis yang mendakwa kerja mereka dicuri untuk membina produk yang mungkin akhirnya menggantikan mereka.

Kemudian terdapat masalah kotak hitam. Malah jurutera yang membina model ini tidak memahami sepenuhnya mengapa mereka membuat keputusan tertentu. Kekurangan ketelusan ini berbahaya apabila AI digunakan untuk tugas sensitif seperti pengambilan pekerja atau kelulusan pinjaman. Jika model membangunkan berat sebelah terhadap kumpulan tertentu, sukar untuk mencari dan membetulkan punca masalah. Kita pada dasarnya menyerahkan keputusan masyarakat yang penting kepada sistem yang tidak dapat menjelaskan penalarannya sendiri. Bagaimanakah kita memastikan mesin bertanggungjawab? Bagaimanakah kita memastikan data yang digunakan untuk melatih sistem ini tidak mengukuhkan prasangka lama? Ini bukan masalah teori. Ini adalah isu aktif yang cuba ditangani oleh perkembangan AI terkini dengan tahap kejayaan yang berbeza-beza.

Ada cerita, alat, trend, atau soalan AI yang anda fikir kami patut liputi? Hantar idea artikel anda kepada kami — kami ingin mendengarnya.

Latensi dan Ekonomi Token

Bagi mereka yang ingin menyepadukan alat ini ke dalam aliran kerja profesional, butiran teknikal adalah penting. Kebanyakan interaksi dengan model ini berlaku melalui Application Programming Interface atau API. Di sinilah anda menemui konsep token. Token secara kasarnya adalah empat aksara teks bahasa Inggeris. Model tidak membaca perkataan. Mereka membaca token. Ini penting kerana kebanyakan penyedia mengenakan bayaran berdasarkan bilangan token yang diproses. Jika anda membina alat yang menganalisis dokumen panjang, kos anda boleh meningkat dengan cepat. Anda juga perlu menguruskan tetingkap konteks. Ini adalah jumlah maklumat yang boleh “diingat” oleh model pada satu masa. Model awal mempunyai tetingkap kecil, tetapi versi yang lebih baharu boleh memproses keseluruhan buku dalam satu prompt. Walau bagaimanapun, tetingkap yang lebih besar sering membawa kepada latensi yang lebih tinggi dan peningkatan kemungkinan model kehilangan jejak butiran khusus di tengah-tengah teks.

Satu lagi bidang kritikal ialah proses storan tempatan dan privasi. Banyak perusahaan teragak-agak untuk menghantar data sensitif ke pelayan pihak ketiga. Ini telah membawa kepada peningkatan model tempatan seperti Llama 3 yang boleh berjalan pada perkakasan dalaman. Menjalankan model secara tempatan memerlukan VRAM yang signifikan pada GPU anda. Sebagai contoh, model 70 bilion parameter biasanya memerlukan dua kad berprestasi tinggi untuk berjalan pada kelajuan yang boleh digunakan. Di sinilah kuantisasi masuk. Ia adalah teknik yang mengecilkan saiz model dengan mengurangkan ketepatan nombor yang digunakan dalam pengiraan. Ini membolehkan model berkuasa berjalan pada perkakasan pengguna dengan sedikit penurunan dalam ketepatan. Pembangun mesti mengimbangi faktor-faktor ini:

• Kos API berbanding perbelanjaan perkakasan untuk menjalankan model secara tempatan.
• Kelajuan model yang lebih kecil berbanding keupayaan penaakulan model yang lebih besar.
• Keselamatan menyimpan data di premis berbanding kemudahan cloud.
• Had kadar pendikitan pada API awam semasa waktu puncak.

Laluan Ke Hadapan

Sejarah ledakan AI adalah kisah tentang peningkatan satu idea yang baik. Dengan mengambil seni bina Transformer dan melontarkan sejumlah besar data serta kuasa pengkomputeran kepadanya, kita telah mencipta sesuatu yang terasa seperti era pengkomputeran baharu. Tetapi kita masih di peringkat awal. Kekeliruan yang dirasai ramai hari ini berpunca daripada jurang antara apa yang boleh dilakukan oleh teknologi dan apa yang kita jangkakan ia lakukan. Ia adalah alat untuk augmentasi, bukan pengganti untuk pertimbangan manusia. Orang yang paling berjaya pada tahun-tahun akan datang ialah mereka yang memahami sifat statistik sistem ini. Mereka akan tahu bila untuk mempercayai mesin dan bila untuk mengesahkan kerjanya. Kita sedang bergerak ke arah masa depan di mana keupayaan untuk mengurus AI akan menjadi asas seperti keupayaan untuk menggunakan pemproses kata.

Nota editor: Kami mencipta laman web ini sebagai hab berita dan panduan AI berbilang bahasa untuk orang yang bukan pakar komputer, tetapi masih ingin memahami kecerdasan buatan, menggunakannya dengan lebih yakin, dan mengikuti masa depan yang sudah tiba.