Generatywna sztuczna inteligencja

Pomysł generatywnej sztuki był znany w starożytnej Grecji gdzie tacy wynalazcy jak Dedal czy Heron z Aleksandrii byli opisywani jako potrafiący tworzyć maszyny automaton, które potrafiły pisać tekst, tworzyć dźwięki czy grać muzykę^[11][12]. Jednym z bardziej znanych maszyn tego typu jest automaton Maillardeta.

Łańcuch Markowa był używany do analizy tekstu naturalnego od pierwszej publikacji przez jego twórcę Andrieja Markowa, który w 1906 opublikował analizę samogłosek w powieści Eugeniusz Oniegin^[13][14]. Gdy łańcuch nauczy się korpusu języka, może zostać użyty jako generator tekstu oparty na prawdopodobieństwie^[15][16].

Od lat 50. XX wieku artyści i badacze wykorzystywali sztuczną inteligencję do tworzenia dzieł artystycznych. Już w latach 70. Harold Cohen tworzył i prezentował generatywne dzieła sztuki oparte na AI, stworzone za pomocą AARON-a – programu komputerowego zaprojektowanego w celu generowania obrazów^[17].

Terminy planowanie generatywne był używany w latach 80. i 90. XX wieku w odniesieniu do systemów planowania wykorzystujących sztuczną inteligencję (zwłaszcza systemów CAPP), które służyły do generowania sekwencji kroków wymaganych do osiągnięcia określonego celu^[18][19].

Systemy generatywnego planowania AI wykorzystywały symboliczne metody, takie jak przeszukiwanie przestrzeni stanów i rozwiązywanie problemów z ograniczeniami, i były już stosunkowo dojrzałą technologią na początku lat 90. Wykorzystywano je do tworzenia planów działania w sytuacjach kryzysowych na potrzeby wojska^[20], planów procesów produkcyjnych^[21] oraz planów decyzyjnych, m.in. w prototypowych autonomicznych statkach kosmicznych^[22].

Od początku swojego istnienia dziedzina uczenia maszynowego wykorzystywała do przewidywania danych zarówno modele dyskryminacyjne (zwracające przewidywaną klasyfikację lub rozkład warunkowy zmiennej objaśnianej), jak i generatywne (umożliwiające generowanie potencjalnych obserwacji). Począwszy od końca lat 2000, pojawienie się uczenia głębokiego napędziło postęp oraz badania w obszarach takich jak klasyfikacja obrazów, rozpoznawanie mowy czy przetwarzanie języka naturalnego. Sieci neuronowe w tym okresie były zazwyczaj trenowane jako modele dyskryminacyjne ze względu na trudności związane z modelowaniem generatywnym^[23][24]. W miarę jak uczenie głębokie zyskiwało na popularności w latach 2010., coraz większym zainteresowaniem cieszyły się modele generowania obrazów z wykorzystaniem głębokich sieci neuronowych, takie jak DeepDream oparty na sieciach konwolucyjnych^[25]. W 2014 roku pojawiły się przełomowe rozwiązania, takie jak autoenkodery wariacyjne i generatywne sieci przeciwstawne (GAN) pozwalające na tworzenie bardziej zaawansowanych modeli generatywnych.

Przedstawiona w 2017 architektura transformatora umożliwiła postęp w modelach generatywnych w porównaniu do starszych modeli wykorzystujących długą pamięć krótkotrwałą^[26]. Doprowadziło to do stworzenia architektury GPT-1 w 2018 i GPT-2 w 2019^[27].

Nowe modele generatywne wprowadzone w tym okresie pozwoliły na uczenie nienadzorowane, co pozwoliło na znaczne ograniczenie lub eliminację czynnika ludzkiego w przygotowywaniu zbiorów uczących, co pozwoliło na tworzenie dużych modeli językowych^[28].

W marcu 2020 roku udostępniono 15.ai – darmową aplikację internetową stworzoną przez anonimowego badacza z MIT, która potrafiła generować realistyczne głosy postaci przy użyciu minimalnej ilości danych treningowych. Był to jeden z pierwszych przypadków powszechnego wykorzystania generatywnej AI^[29].

Pojawienie się w 2021 roku usługi DALL-E – modelu generującego obrazy z tekstu – stanowiło przełom w dziedzinie obrazów generowanych przez sztuczną inteligencję^[30]. W ślad za tym, powstały takie narzędzia jak Midjourney^[31] czy Stable Diffusion w 2022^[32].

W listopadzie 2022 OpenAI wydało ChatGPT^[33], który potrafił przeprowadzać konwersację z użytkownikiem, a później także generować obrazy, asystować przy tworzeniu kodu i przeprowadzać analizy, co spowodowało debatę nad wpływem generatywnej sztucznej inteligencji w przemyśle, edukacji czy sztuce^[34].

W grudniu 2023 Google wprowadziło multimodalny model Gemini^[35].

W marcu 2024 Anthropic zaprezentował model Claude, które w szeregu testów przewyższył rozwiązania oferowane przez OpenAI i Google^[36].

W styczniu 2025 firma DeepSeek wypuściła model R1, stanowiący alternatywę dla takich usług jak ChatGPT czy Claude^[37].