AI:s tidslinje: från 1950 till i dag, inklusive gångerna det inte gick

Om du bara läser rubriker låter AI som något som uppstod nyligen. Det gjorde det inte. Ordet är äldre än de flesta som använder det i dag, tekniken har varit nära att skrivas av mer än en gång, och mellan de stora genombrotten ligger decennier där nästan ingenting av det utlovade blev av.

Den här artikeln går igenom tidslinjen i ordning. Den försöker inte imponera med antalet årtal. Den försöker svara på en enda fråga: hur hamnade vi här, och vad kan vi lära av de gånger det gick åt andra hållet. Om du vill börja med vad artificiell intelligens faktiskt är, från grunden, finns den artikeln först i området.

1950: frågan innan ordet

Fem år innan uttrycket artificiell intelligens existerade formulerade en brittisk matematiker problemet.^{2, 15} I oktober 1950 publicerade Alan Turing en artikel i tidskriften Mind som öppnade med frågan om maskiner kan tänka.^{2, 15}

Turing gjorde sedan något smart. Han konstaterade att frågan är för luddig för att gå att besvara, och bytte ut den mot ett spel.² I hans imitationsspel ska en domare avgöra vem av två dolda samtalspartner som är kvinnan och vem som är mannen.² Frågan Turing ställer är vad som händer när en maskin tar den enes plats. Om maskinen får domaren att gissa fel lika ofta, är frågan om maskinen "tänker" mindre intressant än vad den faktiskt åstadkommer. I dag kallas upplägget Turingtestet.

Poängen att bära med sig är metodologisk. Turing ersatte en fråga som inte gick att mäta med en som gick att pröva. Det är fortfarande det som skiljer arbete från förhoppning inom AI.

1955 och 1956: ordet får ett datum

Uttrycket artificial intelligence användes så vitt känt första gången i ett forskningsförslag daterat den 31 augusti 1955.^{1, 5} Bakom det stod John McCarthy, Marvin Minsky, Nathaniel Rochester och Claude Shannon.¹ De ansökte om medel för en studie på två månader med tio deltagare, sommaren 1956 vid Dartmouth College.¹

Det som gör förslaget läsvärt sjuttio år senare är hur öppet det är med sin egen osäkerhet. Utgångspunkten kallas rakt ut för en gissning: att varje aspekt av lärande, eller vilken annan egenskap hos intelligens som helst, i princip kan beskrivas så exakt att en maskin kan fås att simulera den.¹

En gissning. Två månader. Tio personer. Så började fältet.

1966: det första bakslaget kom snabbt

Tio år senare kom räkningen för det första stora löftet. Det handlade om maskinöversättning, som under kalla kriget hade en uppenbar och välfinansierad tillämpning.

1964 tillsattes en rådgivande kommitté vid amerikanska National Academy of Sciences för att bedöma läget.³ Rapporten kom 1966 under titeln "Language and Machines".³ Slutsatsen var kortfattad och obekväm: det fanns ingen maskinöversättning av allmän vetenskaplig text, och ingen var i sikte inom överskådlig tid.³

Kommittén satte också en prislapp på förhoppningen. Staten hade under ungefär tio år lagt omkring 20 miljoner dollar på maskinöversättning och närliggande ämnen, mer än vad ett helt års översättningsarbete kostade staten att köpa.³

Det är en tidig version av ett mönster som återkommer: en konkret uppgift visar sig svårare än den såg ut, och finansiären räknar.

1969 till 1976: pengarna får villkor

Under 60-talet hade amerikansk AI-forskning finansierats generöst och med få krav. Det ändrades.

Villkoren skärps i USA och Storbritannien

1969 antogs Mansfield-tillägget, som förbjöd att något av försvarsanslaget användes till forskning utan direkt och tydlig koppling till en bestämd militär funktion.¹⁷ För forskningsfinansiären ARPA innebar det uppdragsstyrd forskning i stället för fri grundforskning. Forskare behövde nu visa att arbetet skulle leda till något användbart, och relativt snart.

1973 lämnade matematikern James Lighthill en granskning av brittisk AI-forskning.^{7, 18} Hans omdöme var att inom ingen del av fältet hade upptäckterna gett den effekt som en gång utlovats.⁷ Rapporten brukar anges som skälet till att det brittiska stödet drogs in. Historikern som räknat om siffrorna skriver att det är oklart både hur och om granskningen utlöste något bredare finansieringsstopp.^{4, 18} Arbetet fortsatte i praktiken vid ett fåtal. De två stora grupperna låg i Sussex och Edinburgh.¹⁸

Programmet som nådde målen

Ett år tidigare, 1971, hade DARPA satt igång ett femårigt program för talförståelse på sammanlagt 15 miljoner dollar.^{19, 20} Det bästa systemet nådde målen när programmet visades upp i september 1976: det förstod hela meningar ur ett ordförråd på tusen ord.^{19, 21} Men målen hade satts så att meningarna måste följa en konstruerad grammatik, och när programmet var slut förnyades det inte.¹⁹

Skillnaden mellan att nå ett mål och att få en produkt är hela problemet med AI-historien i ett nötskal.

Om vintern: berättelsen är omtvistad

Här måste vi vara noggranna, för det finns en standardberättelse och den är inte oemotsagd.

Standardberättelsen och invändningen

Standardberättelsen säger att åren 1974 till 1980 var AI:s första vinter, en period av kollapsat intresse och indragna pengar.⁴ Den versionen finns i de flesta sammanfattningar du hittar på nätet.

Historikern Thomas Haigh har i Communications of the ACM argumenterat för att den första vintern inte inträffade.⁴ Hans invändning är mätbar. När Lighthill-rapporten publicerades 1973 hade ACM:s AI-grupp SIGART 1 241 medlemmar, ungefär dubbelt så många som 1969.⁴ Under det som brukar beskrivas som den mörkaste delen av vintern nästan tredubblades gruppen: i mitten av 1978 hade den 3 500 medlemmar.⁴ Den växte snabbare än ACM som helhet.⁴

Vad talen säger och inte säger

Det var alltså inte fältet som krympte. Det var de största laboratorierna och de mest ambitiösa projekten som fick nej. Antalet människor som arbetade med AI fortsatte uppåt.

Vi tar inte ställning till vad perioden ska heta. Vi konstaterar att bilden är omtvistad, och att den som kopierar den vanliga versionen utan att kolla riskerar att återge något som inte stämmer. Det är i sig en lärdom om hur teknikhistoria skrivs.

1984: någon säger det högt

Det finns däremot en period som nästan alla är överens om, och det intressanta är att den förutsågs offentligt.

I augusti 1984 hölls en paneldebatt vid AAAI:s årsmöte i Austin, Texas.^{6, 22} Rubriken var "The Dark Ages of AI". Mötet i sig kändes enligt samtida beskrivningar snarast som en branschmässa: expertsystembolag växte fram överallt, stora företag skyndade sig att starta AI-avdelningar, pengarna flödade.^{5, 6}

Drew McDermott inledde panelen med att tala om en känsla av djupt obehag över att alltför höga förväntningar skulle sluta i katastrof.²² Han skisserade vad han själv kallade ett osannolikt värsta scenario: alla startupbolag misslyckas, företagen tappar intresset, det går inte att få pengar till något som har med AI att göra, och alla byter hastigt namn på sina forskningsprojekt till något annat.²²

Roger Schank vände på saken vid samma tillfälle. Han sade sig oroa sig inte för att förväntningarna var för höga utan för att de var för låga: AI-samfundet hade glömt att det var där för att göra vetenskap, och man var inte i närheten av någon lösning.^{6, 22}

Det var 1984. Fältet varnade sig själv, på scen, mitt under uppgången.

1987: varningen slår in

Åttiotalets kommersiella AI hette expertsystem: program som fångade en experts kunnande i uppsättningar av regler. Det mest omtalade, XCON, byggdes vid Carnegie Mellon för en datortillverkare, som uppgav att det tillsammans med ett närliggande system sparade mer än 40 miljoner dollar om året.⁵ Det var en stark säljhistoria, och den drog med sig en hel bransch.

Från 1987 vek marknaden för den specialiserade hårdvara som AI-programmen kördes på, och under de följande åren försvann de flesta tillverkarna eller tappade sin ledning.²³ Skälet var inte att AI hade misslyckats i något djupt avseende. Vanliga arbetsstationer hade blivit lika kraftfulla och betydligt billigare, drivna av en ny generation processorer.²³

Expertsystemen själva visade sig ha ett mer grundläggande problem. System som skulle automatisera expertkunskap krävde att företagen anställde nya experter för att underhålla dem.⁵ 1989 hade den nämnda datortillverkaren 59 tekniker avsatta för att sköta infrastrukturen och regelbasen till sina interna expertsystem.⁵ Få bolag klarade den investeringen.

Nedgången som följde varade in på 2000-talet.⁵ Källorna är inte överens om vilket år den slutade, och vi påstår inget årtal.

1997, 2012, 2016: tre datum som ändrade läget

Maj 1997. Den regerande världsmästaren i schack förlorade en match mot en dator. Det avgörande sjätte partiet spelades i New York den 11 maj; mästaren gav upp efter 19 drag och matchen slutade 3,5 mot 2,5.^{24, 25} Det var första gången en regerande världsmästare besegrades av en maskin i en match spelad med vanlig turneringsbetänketid.²⁵

2012. Ett neuralt nätverk vann bildigenkänningstävlingen ILSVRC med ett top-5-fel på 15,3 procent.⁹ Det näst bästa bidraget låg på 26,2 procent.⁹ Modellen hade 60 miljoner parametrar, tränades på 1,2 miljoner bilder och byggde på en effektiv implementation för grafikprocessorer.⁹

Just den marginalen är vändpunkten i hela tidslinjen. Skillnaden mot tvåan var för stor för att kunna avfärdas, och metoden bakom var inte en ny teori utan mer beräkningskraft och mer data applicerat på en gammal idé.

Mars 2016. I Seoul spelades en match i fem partier i brädspelet Go mellan en av världens främsta spelare och ett datorprogram.²⁶ Programmet vann 4 mot 1.²⁶ Människan tog det fjärde partiet.

2017 och framåt: arkitekturen bakom det du använder i dag

I juni 2017 publicerades en artikel med titeln "Attention Is All You Need".¹⁰ Den föreslog en arkitektur byggd helt på uppmärksamhetsmekanismer, utan den rekurrens som dittills varit standard.¹⁰ Den avgörande egenskapen var praktisk: den kunde parallelliseras väsentligt mer och krävde därför betydligt kortare träningstid.¹⁰

Nästan alla de textverktyg som allmänheten började använda från 2022 och framåt bygger på den arkitekturen.

Att tekniken också ger resultat utanför tävlingar och chattfönster blev tydligt 2024, när Nobelpriset i kemi delades ut till hälften till David Baker och till hälften gemensamt till Demis Hassabis och John Jumper, de senare för att ha förutsagt proteiners struktur med AlphaFold2.¹¹

2024 till 2026: regelverken hinner ikapp

Tidslinjens senaste avsnitt handlar inte om modeller utan om lagar.

EU:s AI-förordning trädde i kraft den 1 augusti 2024 och tillämpas i steg.^{12, 27, 28} Förbuden mot vissa användningar gäller från den 2 februari 2025, reglerna för generella AI-modeller från den 2 augusti 2025, och den allmänna tillämpningsdagen var den 2 augusti 2026.^{27, 28} Från det datumet gäller transparensreglerna: du ska få veta när du interagerar med ett AI-system, och AI-genererat innehåll ska märkas.¹³ Märkningskravet fick dock en frist till december 2026 för tjänster som redan fanns på marknaden.^{12, 13}

Samma sommar hände något som säger mer om teknikens mognad än någon modellsläppning. Den 8 juli undertecknades en förenklingsakt, publicerad den 24 juli och i kraft den 27 juli 2026.^{12, 28} Den sköt fram de tyngsta kraven, de som gäller AI-system med hög risk, till den 2 december 2027 respektive den 2 augusti 2028.¹² Skälet som anges i akten är att de tekniska standarderna och den nationella tillsynen inte var klara i tid.¹²

I Sverige gav regeringen den 4 juni 2026 fem myndigheter uppdraget att vara nationella behöriga myndigheter: Post- och telestyrelsen, Integritetsskyddsmyndigheten, Finansinspektionen, Läkemedelsverket och Swedac.^{14, 29} Uppdraget löper till och med den 31 december 2026, i väntan på kompletterande svensk lagstiftning.^{14, 29}

Vad tidslinjen är bra för

Sjuttio års historia ger tre saker som är värda att ta med sig.

Ordet är äldre än tekniken. Uttrycket fyllde sjuttio år 2025.¹ Det som är nytt är inte idén utan att den fungerar tillräckligt bra att bygga på.

Fältet har lovat för mycket förut, och har vetat om det. Varningen 1984 kom inifrån, från scenen, medan pengarna fortfarande flödade.²² Den som vill förstå teknikcykler har mer att lära av 1984 än av vilket produktsläpp som helst.

Genombrotten kom oftast när kapaciteten hann ikapp en gammal idé. Men kapacitet var inte hela svaret. Redan 1955 skrev förslaget att det stora hindret inte var maskinernas kapacitet utan oförmågan att skriva program som utnyttjade den, och 1966 förklarade kommittén maskinöversättningens misslyckande med en semantisk barriär och inte med för långsamma datorer.^{1, 3} Det är därför tidslinjen accelererar där den gör.

Nästa artikel i det här området går vidare från när till hur.

Utbildning, inte rådgivning.