Pierwsza zima AI: raport Lighthilla i rozczarowanie

🎯 Po co Ci to?

Po niemal dwudziestu latach entuzjazmu — od Dartmouth (1956), przez Logic Theorist, ELIZĘ, systemy ekspertowe i Shakeya — coś musiało w końcu pęknąć. W 1973 roku, na zlecenie rządu brytyjskiego, matematyk James Lighthill napisał raport, który brutalnie zweryfikował obietnice całej dziedziny. Efekt: masowe cięcia finansowania i pierwsza z dwóch „zim" w historii sztucznej inteligencji. Zrozumienie tego mechanizmu — hype, zawyżone obietnice, twarda weryfikacja, załamanie finansowania — jest kluczem do zrozumienia całej dalszej historii AI, łącznie z tym, co dzieje się dzisiaj.

✅ Czego się nauczysz

Po tej lekcji potrafisz:

  • wyjaśnić, co zawierał raport Lighthilla i jakie miał konsekwencje;
  • opisać zjawisko „eksplozji kombinatorycznej" jako techniczną przyczynę rozczarowania AI lat 70.;
  • wyjaśnić termin „zima AI" i umiejscowić go w szerszym cyklu hype–rozczarowanie, który powtórzy się w dziale 7.

🔁 Przypomnij sobie

Wróć myślami do jednostki 6.1 — pamiętasz ambitną obietnicę z wniosku na Dartmouth: że „w zasadzie" da się zasymulować każdy aspekt inteligencji? Minęło siedemnaście lat. Ta jednostka pokazuje, co się dzieje, gdy takie obietnice zderzają się z twardą rzeczywistością ograniczeń obliczeniowych.

📘 Wyjaśnienie

W 1973 roku rząd Wielkiej Brytanii zlecił matematykowi Jamesowi Lighthillowi ocenę stanu badań nad sztuczną inteligencją, chcąc zdecydować, czy dalsze finansowanie tej dziedziny jest uzasadnione. Raport Lighthilla wykazał, że sztuczna inteligencja nie spełnia praktycznych oczekiwań i nie radzi sobie z problemami rzeczywistego świata w skali, jaką obiecywano niespełna dwie dekady wcześniej. Programy takie jak Logic Theorist czy STRIPS działały imponująco na małych, uproszczonych problemach demonstracyjnych — ale gdy próbowano zastosować je do zadań o realistycznej złożoności, ich wydajność gwałtownie się załamywała.

Kluczowym technicznym powodem tego załamania było zjawisko, które dziś nazywamy eksplozją kombinatoryczną: liczba możliwych stanów lub kombinacji do przeszukania rośnie tak szybko wraz ze wzrostem rozmiaru problemu, że nawet najszybsze ówczesne komputery nie były w stanie jej ogarnąć w rozsądnym czasie.

💭 Pomyśl: Wyobraź sobie grę w warcaby (jednostka 6.4) rozgrywaną nie na planszy 8×8, lecz na planszy 20×20, z dwukrotnie większą liczbą pionków. Czy liczba możliwych ruchów do przeanalizowania metodą minimax rośnie proporcjonalnie do rozmiaru planszy, czy dużo szybciej?

Sprawdź odpowiedź

Rośnie dużo szybciej niż proporcjonalnie — to właśnie istota eksplozji kombinatorycznej. Każdy dodatkowy pionek i każde dodatkowe pole planszy mnożą, a nie dodają, liczbę możliwych kombinacji ruchów na kolejnych poziomach drzewa gry. Podwojenie rozmiaru planszy nie podwaja liczby możliwości do przeanalizowania — zwiększa ją o wiele rzędów wielkości, bo każdy kolejny ruch otwiera nowy, znacznie szerszy wachlarz możliwych kontynuacji. Dokładnie z tego powodu proste przeszukiwanie „na siłę" (bez sprytnych heurystyk czy ograniczenia głębokości) staje się praktycznie niewykonalne, gdy problem choćby umiarkowanie rośnie w skali.

📐 DEFINICJA — eksplozja kombinatoryczna: zjawisko, w którym liczba możliwych stanów lub kombinacji do rozważenia rośnie tak gwałtownie (wykładniczo) wraz ze wzrostem rozmiaru problemu, że nawet bardzo szybkie komputery nie są w stanie przeanalizować wszystkich możliwości w rozsądnym czasie.

Po ludzku: im większy i bardziej realistyczny problem, tym więcej możliwości do sprawdzenia — a to „więcej" rośnie tak szybko, że szybko przerasta możliwości nawet najpotężniejszego komputera.

Raport miał też telewizyjne dopełnienie. W 1973 r. BBC zorganizowało w cyklu „Controversy" publiczną debatę w Royal Institution: Lighthill kontra obrońcy AI — John McCarthy, Donald Michie i neuropsycholog Richard Gregory. Lighthill, świetny mówca, przekonywał, że „uniwersalny robot to miraż", a eksplozja kombinatoryczna pogrzebie obietnice całej dziedziny. Po McCarthym widać było frustrację — trudno w kilka minut obronić dorobek dyscypliny przed publicznością, która dopiero co usłyszała, że król jest nagi. Wieczór powszechnie uznano za zwycięstwo Lighthilla. Nagranie tej debaty można obejrzeć do dziś:

Debata BBC „Controversy" (1973): Lighthill kontra McCarthy, Michie i Gregory

Zima nie ograniczyła się zresztą do Wielkiej Brytanii. W USA pierwsze mrozy przyszły już w 1966 r., gdy raport komisji ALPAC ocenił, że po dekadzie hojnego finansowania tłumaczenie maszynowe wciąż jest droższe, wolniejsze i gorsze od pracy ludzkich tłumaczy — rządowe pieniądze na ten cel wyschły na dwie dekady. Kilka lat później tzw. poprawka Mansfielda zobowiązała wojskową agencję DARPA do finansowania wyłącznie badań o bezpośrednim znaczeniu obronnym, co odcięło swobodne granty, z których dotąd żyły laboratoria AI na MIT, w Stanfordzie i Carnegie Mellon.

Raport Lighthilla doprowadził do gwałtownego cięcia funduszy na badania nad AI w Wielkiej Brytanii — wiele laboratoriów uniwersyteckich straciło finansowanie niemal z dnia na dzień, a badacze musieli albo zmienić dziedzinę, albo szukać wsparcia za granicą. Podobny (choć nieco łagodniejszy) efekt zaobserwowano w Stanach Zjednoczonych, gdzie agencje finansujące badania stały się znacznie bardziej ostrożne wobec obietnic składanych przez badaczy AI. Ten okres — mniej więcej od połowy lat 70. — nazywa się dziś pierwszą zimą sztucznej inteligencji.

📐 DEFINICJA — zima AI (AI winter): okres w historii sztucznej inteligencji charakteryzujący się gwałtownym spadkiem finansowania badań, entuzjazmu publicznego i zainteresowania inwestorów, następujący po fazie zawyżonych obietnic i oczekiwań, które nie zostały spełnione w obiecanym czasie.

Po ludzku: to moment, w którym opinia publiczna i decydenci mówią „obiecywaliście nam maszyny myślące jak ludzie, a dostaliśmy program grający w warcaby i chatbota, który udaje terapeutę — dość tego rozczarowania, zabieramy pieniądze". Czym to NIE jest: zima AI nie oznacza, że badania zatrzymały się całkowicie — wielu badaczy kontynuowało pracę mniejszym nakładem środków (poznasz to w dziale 8, gdzie badania nad sieciami neuronowymi trwały nawet w cieniu krytyki Minsky'ego i Paperta). To spadek rozmachu i finansowania, nie całkowite zniknięcie dziedziny.

⚠️ Uwaga, pułapka

Nie myl przyczyny technicznej (eksplozja kombinatoryczna, realne ograniczenia sprzętowe i algorytmiczne) z przyczyną społeczną (zawyżone obietnice, medialny hype). Obie działały razem, ale to właśnie rozdźwięk między nimi — obietnica dużo większa niż realna możliwość techniczna danej epoki — jest tym, co historycy nauki nazywają „cyklem hype'u". Zapamiętaj ten wzorzec: zawyżona obietnica → chwilowy entuzjazm i finansowanie → zderzenie z twardymi ograniczeniami technicznymi → rozczarowanie i cięcie funduszy. Zobaczysz go jeszcze raz, w niemal identycznej formie, w dziale 19 — tym razem wywołany upadkiem systemów ekspertowych i krytyką filozoficzną (chiński pokój, Penrose). Rozpoznawanie tego wzorca pomoże Ci krytycznie oceniać każdą kolejną „rewolucję AI", o której usłyszysz — łącznie z tą, która trwa dzisiaj (działy 13–18).

📌 Najważniejsze w pigułce

  • Raport Jamesa Lighthilla (1973) dla rządu Wielkiej Brytanii wykazał, że AI nie spełnia praktycznych oczekiwań wobec problemów rzeczywistego świata.
  • Kluczowa przyczyna techniczna: eksplozja kombinatoryczna — gwałtowny, wykładniczy wzrost liczby możliwości do przeanalizowania wraz ze wzrostem rozmiaru problemu.
  • Skutek: masowe cięcia finansowania badań nad AI, zwłaszcza w Wielkiej Brytanii — początek tzw. pierwszej zimy AI (połowa lat 70.).
  • Zima AI to spadek finansowania i entuzjazmu, nie całkowite zaprzestanie badań.
  • Pułapka: warto odróżniać przyczynę techniczną (realne ograniczenia obliczeniowe) od przyczyny społecznej (zawyżone obietnice) — obie razem tworzą powtarzalny „cykl hype'u" w historii AI.

🎒 Zadania

Zadanie 7.4.1. Wyjaśnij własnymi słowami, na czym polega eksplozja kombinatoryczna, posługując się przykładem innym niż warcaby czy szachy (np. planowaniem trasy, układaniem harmonogramu, sortowaniem przedmiotów).

Sprawdź odpowiedź

Przykład: planowanie trasy odwiedzenia pięciu miast, chcąc znaleźć najkrótszą możliwą trasę odwiedzającą wszystkie z nich dokładnie raz (tzw. problem komiwojażera). Dla pięciu miast liczba możliwych tras do porównania jest niewielka i łatwa do sprawdzenia „na siłę". Ale dla dwudziestu miast liczba możliwych tras eksploduje do dziesiątek trylionów kombinacji — żaden komputer, nawet bardzo szybki, nie sprawdzi ich wszystkich w rozsądnym czasie metodą brutalnego przeszukiwania. To dokładnie eksplozja kombinatoryczna: liniowy wzrost liczby miast (z pięciu do dwudziestu, czterokrotnie) powoduje nieproporcjonalnie, wykładniczo większy wzrost liczby możliwości do sprawdzenia.

Zadanie 7.4.2. Porównaj mechanizm pierwszej zimy AI (raport Lighthilla, 1973) z mechanizmem, który poznałeś przy okazji obietnic z warsztatu w Dartmouth (jednostka 6.1). Jaki wspólny wzorzec dostrzegasz w obu sytuacjach?

Sprawdź odpowiedź

Wspólny wzorzec: grupa badaczy formułuje ambitną, medialnie chwytliwą obietnicę dotyczącą tempa postępu w krótkim horyzoncie czasowym (Dartmouth: „znaczący postęp w ciągu jednego lata"), obietnica ta zdobywa finansowanie i rozgłos, ale rzeczywiste tempo postępu okazuje się dużo wolniejsze niż deklarowane — z powodu niedoszacowania złożoności problemu (w 1956 roku: ograniczenia sprzętowe; w 1973 roku: eksplozja kombinatoryczna). Kiedy rozdźwięk między obietnicą a rzeczywistością staje się na tyle widoczny, że decydenci finansujący badania zaczynają go dostrzegać, następuje gwałtowna korekta — cięcie funduszy, spadek entuzjazmu, „zima". To pokazuje, że sam entuzjazm naukowy wobec danego kierunku badań (który może być merytorycznie uzasadniony w długim terminie) nie chroni przed społeczno-ekonomicznym mechanizmem rozczarowania, gdy obietnice składane są w zbyt krótkim horyzoncie czasowym.

🔍 Sprawdź, czy umiesz

  • [ ] Wyjaśnić, co zawierał raport Lighthilla (1973) i jakie były jego konsekwencje.
  • [ ] Zdefiniować eksplozję kombinatoryczną i podać własny przykład ilustrujący to zjawisko.
  • [ ] Wyjaśnić termin „zima AI" i wskazać różnicę między spadkiem finansowania a całkowitym zaprzestaniem badań.
  • [ ] Rozpoznać powtarzalny wzorzec „obietnica → hype → rozczarowanie → cięcie funduszy" i wskazać jego wcześniejszy przykład z działu 6.

Ucz się tej jednostki z asystentem