Benvingut al curs de Fonaments d'Intel·ligència Artificial. En aquesta primera lliçó farem dues coses: presentar el fil conductor que ens acompanyarà al llarg de tot el curs (una botiga en línia fictícia anomenada NovaMarket) i recórrer la història de la intel·ligència artificial, des de les seves arrels filosòfiques fins a l'era de la IA generativa. Entendre aquesta història no és un exercici de cultura general: els alts i baixos del camp (els famosos "hiverns de la IA") expliquen per què avui funciona el que funciona, per què van fracassar idees que semblaven prometedores i quines expectatives és raonable tenir quan una empresa com NovaMarket decideix invertir en IA.

1. Presentació del curs i de NovaMarket
2. Precedents filosòfics i matemàtics: de la lògica a Turing
3. Dartmouth 1956: neix la disciplina
4. L'edat d'or (1956–1974): Logic Theorist, ELIZA i el perceptró
5. El primer hivern (1974–1980)
6. Els sistemes experts i el segon hivern (1980–1993)
7. El ressorgiment estadístic (1993–2011): Deep Blue i l'aprenentatge automàtic
8. Big data i deep learning (2012–2016): ImageNet i AlphaGo
9. Transformers i era generativa (2017–avui)
10. Cronologia resumida
11. Les lliçons dels hiverns

Aquest curs és una introducció àmplia a la IA pensada per a perfils tècnics que comencen (futurs AI engineers, desenvolupadors júnior, analistes). Al llarg de deu mòduls veurem què és la IA, com es representen els problemes, quins algorismes clàssics existeixen (cerca, optimització, lògica), com aprenen les màquines a partir de dades (machine learning, xarxes neuronals, models de llenguatge) i amb quines eines es treballa a la pràctica. No necessites matemàtiques avançades: quan calgui un concepte numèric, l'introduirem amb exemples petits. Sí que convé tenir nocions bàsiques de Python, perquè els exemples de codi estan escrits en aquest llenguatge.

Perquè els conceptes no quedin en l'aire, tot el curs gira al voltant d'una empresa fictícia:

• NovaMarket és una botiga en línia espanyola d'electrònica i llar de mida mitjana: uns 180 empleats, dos magatzems (Zaragoza i Getafe), repartiment propi en diverses ciutats i enviament per missatgeria a la resta d'Espanya.
• Ven uns 12.000 productes diferents i rep de l'ordre de 3.000 comandes diàries en temporada normal (força més en campanyes com el Black Friday o Nadal).
• Marta és la responsable de dades. Ve del món de l'analítica de negoci i vol que l'empresa deixi de prendre decisions "a ull".
• Diego és el responsable d'operacions: magatzems, repartiment, devolucions i atenció al client. És escèptic amb les modes tecnològiques, però els costos li fan mal.

NovaMarket disposa de cinc conjunts de dades que anirem fent servir en exemples i exercicis:

Fa vint anys, una empresa com NovaMarket no s'hauria pogut plantejar gairebé res del que veurem en aquest curs. Avui sí, i per tres raons que apareixeran una vegada i una altra en aquesta lliçó històrica:

1. Dades: NovaMarket genera cada dia milers de registres de comandes, clics, ressenyes i incidències. Abans aquestes dades es perdien o es guardaven sense fer-les servir; avui són en bases de dades accessibles.
2. Còmput barat: entrenar un model que als anys 90 hauria requerit un superordinador costa avui uns quants euros de servidor al núvol.
3. Eines madures: hi ha biblioteques, serveis i models preentrenats que fan que un equip petit pugui construir en setmanes el que abans exigia anys de recerca.

Els problemes que la Marta i en Diego volen atacar (recomanar productes, preveure la demanda, detectar frau, classificar ressenyes, planificar rutes, assignar comandes a repartidors, atendre el client, automatitzar regles de devolucions) són, cadascun, un exemple d'una tècnica diferent d'IA. A les properes lliçons els anirem situant en un mapa. Però primer, la història.

La pregunta "pot pensar una màquina?" és molt anterior als ordinadors.

• Aristòtil (s. IV aC) va formalitzar els sil·logismes: regles per obtenir conclusions vàlides a partir de premisses ("tots els homes són mortals; Sòcrates és home; per tant, Sòcrates és mortal"). És la primera vegada que el raonament es tracta com una cosa mecànica.
• Leibniz (s. XVII) va somiar un calculus ratiocinator: un llenguatge formal en què discutir fos "calcular".
• George Boole (1854) va publicar Les lleis del pensament, on la lògica es converteix en àlgebra: vertader/fals passen a ser 1/0 i les operacions AND, OR i NOT es comporten com sumes i productes. Tota l'electrònica digital descansa sobre això.
• Frege, Russell i Whitehead (1879–1913) van desenvolupar la lògica de predicats i van intentar reconstruir les matemàtiques a partir de la lògica.
• Gödel (1931) va demostrar que tot sistema formal prou potent té veritats que no pot demostrar: hi ha límits al que es pot mecanitzar.
• Alan Turing (1936) va definir la màquina de Turing, un model abstracte de què vol dir "computar". Qualsevol cosa que un ordinador pugui fer, la pot fer una màquina de Turing. És la base teòrica de la informàtica.
• McCulloch i Pitts (1943) van proposar el primer model matemàtic d'una neurona artificial: una unitat que suma senyals d'entrada i "dispara" si supera un llindar. És l'avantpassat directe de les xarxes neuronals que veurem al mòdul 5.
• Norbert Wiener (1948) va fundar la cibernètica, l'estudi del control i la comunicació en màquines i éssers vius (sistemes amb retroalimentació).

En el seu article Computing Machinery and Intelligence, Turing va esquivar la pregunta filosòfica "pot pensar una màquina?" i la va substituir per un experiment pràctic, el joc de la imitació:

1. Un jutge humà conversa per escrit amb dos interlocutors que no veu: una persona i una màquina.
2. Si el jutge no aconsegueix distingir quin és quin amb més encert que l'atzar, la màquina "passa el test".

La idea és potent perquè defineix la intel·ligència pel seu comportament observable, no pel que passa "per dins". Ha estat criticada (una màquina podria enganyar sense entendre res) però continua sent una referència cultural. Curiosament, els sistemes conversacionals actuals, que en moltes converses curtes superarien un jutge, han demostrat que passar el test no equival a "ser intel·ligent" en el sentit general.

I per a NovaMarket? L'assistent d'atenció al client que l'empresa vol construir és, en certa manera, un hereu del joc de la imitació: no importa tant si "entén", sinó si resol el dubte del client d'una manera indistingible (o millor) que un agent humà.

L'estiu de 1956, John McCarthy, Marvin Minsky, Nathaniel Rochester i Claude Shannon van organitzar un seminari al Dartmouth College (New Hampshire, EUA). A la proposta, McCarthy va encunyar el terme "Artificial Intelligence" i va plantejar una conjectura molt optimista:

"Cada aspecte de l'aprenentatge o qualsevol altra característica de la intel·ligència pot, en principi, descriure's amb tanta precisió que una màquina pot simular-lo."

Del seminari en van sortir poques conclusions concretes, però sí una cosa decisiva: una comunitat amb nom, un objectiu compartit i finançament (sobretot militar, a través de l'agència DARPA). A partir d'aquí la IA existeix com a disciplina acadèmica.

Els primers vint anys van estar marcats per un entusiasme enorme. Algunes fites:

• Logic Theorist (1956), de Newell, Simon i Shaw, presentat a Dartmouth: un programa capaç de demostrar teoremes dels Principia Mathematica de Russell i Whitehead. Una de les seves demostracions era més elegant que l'original. Se'l considera el primer programa d'IA.
• General Problem Solver (1957), dels mateixos autors: intentava resoldre qualsevol problema formalitzat com a "estat inicial → estat objectiu" mitjançant cerca (una idea que veurem al mòdul 3).
• Perceptró (1958), de Frank Rosenblatt: la primera neurona artificial que aprenia d'exemples, ajustant pesos. La premsa va parlar d'una màquina que aviat "caminaria, parlaria, hi veuria i seria conscient de la seva existència".
• LISP (1958), de McCarthy: el llenguatge de programació de la IA durant dècades.
• ELIZA (1966), de Joseph Weizenbaum: un programa que simulava un psicoterapeuta reformulant el que deia l'usuari. Funcionava amb regles de substitució molt simples, però molta gent va sentir que "els entenia". Weizenbaum es va espantar d'aquest efecte (avui l'anomenem efecte ELIZA).
• SHRDLU (1970), de Terry Winograd: entenia ordres en anglès sobre un "món de blocs" simulat.
• Shakey (1966–1972): el primer robot mòbil que raonava sobre les seves accions; del seu desenvolupament en va sortir l'algorisme de cerca A*, que estudiarem al mòdul 3.

Per entendre l'esperit d'ELIZA, aquí tens una versió mínima en Python. No és "intel·ligent": només busca paraules clau i respon amb plantilles.

Fixa't en el detall: el programa recorre el diccionari en ordre i retorna la primera coincidència. Amb "La meva comanda arriba tard" respon sobre la comanda i mai no arriba a la regla de "tard". Aquesta mena de sistema no aprèn res: tot el que sap l'hi ha escrit una persona. Guarda't aquesta idea, perquè a la lliçó 01-02 contrastarem "regles escrites a mà" amb "regles apreses de dades".

A principis dels 70 les promeses no es complien i el finançament es va tallar. Es coneix com el primer hivern de la IA. Causes principals:

• Límits del perceptró: el 1969 Minsky i Papert van publicar Perceptrons, on demostraven que una sola capa de perceptrons no pot aprendre funcions tan simples com la XOR (o exclusiva). Tot i que el problema es resol amb diverses capes, aleshores no se sabien entrenar, i la recerca en xarxes neuronals va quedar gairebé abandonada durant 15 anys.
• Explosió combinatòria: els mètodes de cerca funcionaven en problemes de joguina (el món de blocs) però, en créixer el problema, el nombre de combinacions es disparava i els ordinadors de l'època no hi podien.
• Manca de dades i de còmput: un ordinador de 1970 tenia menys memòria que una targeta de felicitació musical actual.
• Informe Lighthill (1973): el matemàtic James Lighthill va avaluar la recerca en IA per al govern britànic i va concloure que no havia complert gairebé cap de les seves "grandioses promeses". El Regne Unit va desmantellar bona part del seu finançament. Als EUA, DARPA va fer una cosa semblant després del fracàs de projectes de comprensió de la parla.

La IA va renéixer als 80 amb un enfocament més pragmàtic: en comptes d'una intel·ligència general, construir programes que capturessin el coneixement d'un expert humà en un domini concret en forma de regles "SI... ALESHORES...".

• MYCIN (anys 70, Stanford): diagnosticava infeccions bacterianes i recomanava antibiòtics amb unes 600 regles. En les avaluacions encertava tant o més que els metges, tot i que mai no es va fer servir a la pràctica clínica (per responsabilitat legal i per la feinada d'introduir-hi les dades). Va introduir els factors de certesa per raonar amb incertesa.
• XCON / R1 (1980, Digital Equipment Corporation): configurava comandes d'ordinadors VAX (quins cables, targetes i armaris calen). Va estalviar a DEC desenes de milions de dòlars l'any. Va ser el primer sistema expert amb un èxit comercial clar.
• Es van crear empreses dedicades a màquines LISP i "shells" de sistemes experts; el Japó va llançar l'ambiciós projecte de la Cinquena Generació (1982).

Veurem els sistemes experts amb detall al mòdul 6. Per a NovaMarket, les seves regles de devolucions i garanties ("si el producte té menys de 14 dies i està sense obrir, s'accepta la devolució sense preguntes") són un sistema expert en miniatura.

• Els sistemes experts eren cars de mantenir: cada regla nova podia entrar en conflicte amb les anteriors i només un enginyer del coneixement sabia tocar-les.
• Eren fràgils: fora del seu domini no sabien res, i no aprenien de l'experiència.
• El mercat de màquines LISP es va enfonsar el 1987 quan els PC genèrics les van superar.
• El projecte de la Cinquena Generació no va assolir els seus objectius i el finançament es va tornar a tallar.

Als 90 el camp va canviar de filosofia. En comptes d'escriure el coneixement a mà, es va apostar per mètodes estadístics i probabilístics que aprenen de les dades, i per avaluar els resultats amb rigor:

• Xarxes bayesianes (Judea Pearl, finals dels 80): raonament probabilístic rigorós (mòdul 6).
• Retropropagació (redescoberta i popularitzada el 1986 per Rumelhart, Hinton i Williams): per fi es podien entrenar xarxes neuronals de diverses capes, encara que lentament.
• Màquines de vectors de suport, arbres de decisió, boosting: algorismes de machine learning que funcionaven bé amb les dades i els ordinadors de l'època (mòdul 4).
• Deep Blue (1997): l'ordinador d'IBM va derrotar el campió mundial d'escacs Garri Kaspàrov. La seva força no venia d'"entendre" els escacs, sinó d'una cerca amb adversari molt optimitzada (minimax amb poda, mòdul 3) que avaluava uns 200 milions de posicions per segon, més una base de coneixement d'obertures.
• Internet i les primeres grans dades: filtres de correu brossa bayesians, cercadors, recomanadors d'Amazon (2003) i Netflix (concurs Netflix Prize, 2006–2009).
• Watson (2011): el sistema d'IBM va guanyar els campions humans del concurs Jeopardy! responent preguntes en llenguatge natural.

És l'època en què la IA "que funciona" va deixar de dir-se IA: es va dir machine learning, mineria de dades o analítica. Molts dels mètodes que la Marta farà servir a NovaMarket (previsió de demanda, detecció de frau) neixen aquí.

Tres ingredients van coincidir a principis dels 2010:

1. Dades massives: internet, els telèfons intel·ligents i els sensors van generar conjunts de dades etiquetades gegantins. ImageNet (2009) contenia milions d'imatges classificades en milers de categories.
2. GPU: les targetes gràfiques, dissenyades per als videojocs, van resultar ideals per a les multiplicacions de matrius que necessiten les xarxes neuronals.
3. Millores algorísmiques: noves funcions d'activació (ReLU), regularització (dropout) i arquitectures convolucionals.

Les fites:

• AlexNet (2012): la xarxa neuronal profunda de Krizhevsky, Sutskever i Hinton va reduir l'error al concurs ImageNet del 26 % al 16 %, una millora inaudita. A partir d'aquell any totes les propostes guanyadores van ser xarxes profundes: neix l'era del deep learning.
• Reconeixement de veu (2012–2014): els assistents de veu passen de gairebé inútils a usables.
• Traducció neuronal (2016): Google Translate canvia a xarxes neuronals i millora de cop.
• AlphaGo (2016), de DeepMind, derrota Lee Sedol, un dels millors jugadors del món de Go, un joc que es va considerar fora de l'abast de la IA durant dècades pel seu enorme nombre de posicions. Va combinar xarxes neuronals profundes amb cerca en arbre i aprenentatge per reforç (jugant milions de partides contra si mateix).

• "Attention Is All You Need" (2017): investigadors de Google presenten l'arquitectura transformer, basada en un mecanisme d'atenció que permet processar seqüències (text, sobretot) en paral·lel i a gran escala. L'estudiarem a la lliçó 05-05.
• BERT (2018) i GPT-2 (2019): models de llenguatge preentrenats amb quantitats enormes de text que després s'adapten a tasques concretes.
• GPT-3 (2020): 175.000 milions de paràmetres; mostra que, en escalar la mida i les dades, apareixen capacitats no programades explícitament (resoldre tasques a partir d'uns pocs exemples dins del mateix text).
• Models de difusió (2021–2022): DALL·E 2, Stable Diffusion i Midjourney generen imatges a partir de descripcions de text.
• ChatGPT (novembre de 2022): OpenAI ofereix un model conversacional al públic general; arriba a 100 milions d'usuaris en dos mesos. La IA es converteix en tema de conversa quotidià i d'agenda política.
• 2023–avui: models multimodals (text, imatge, àudio, vídeo), models oberts, agents que executen eines, regulació (Reglament Europeu d'IA, 2024) i una cursa d'inversió sense precedents.

Per a una empresa com NovaMarket, aquesta darrera etapa canvia les regles del joc: coses que fa cinc anys exigien un equip de recerca (un assistent que respon en llenguatge natural sobre l'estat d'una comanda, resumir milers de ressenyes) avui es construeixen sobre models preentrenats accessibles per API. Quins són els seus límits i riscos ho veurem al mòdul 2 (ètica) i al mòdul 5.

Els dos hiverns comparteixen un patró que convé gravar-se, perquè es repeteix a cada cicle tecnològic:

1. Un èxit en un problema petit s'extrapola a la intel·ligència general. ELIZA "conversava", per tant "aviat entendrà el llenguatge"; el perceptró "aprenia", per tant "aviat serà conscient". Cada demostració impressionant venia acompanyada d'una promesa desmesurada.
2. La capacitat de còmput i les dades no acompanyaven. Les idees de 1960 (xarxes neuronals, cerca) eren essencialment correctes; el que faltava eren milions de vegades més potència de càlcul i dades, que només van arribar 50 anys després. Moltes "revolucions" recents són idees velles amb maquinari nou.
3. Els sistemes fràgils no escalen. El coneixement escrit a mà (regles) funciona en dominis tancats i es trenca fora d'ells. Els mètodes que aprenen de dades generalitzen millor, a costa de ser menys explicables.
4. Quan el finançament es talla, es talla de cop. Els inversors que van sobreestimar el curt termini van subestimar el llarg termini.

Què vol dir això per a NovaMarket? La Marta i en Diego han d'evitar els dos errors simètrics:

• Sobreexpectativa: creure que "la IA" resoldrà qualsevol problema només connectant-la. Un assistent que respon bé a preguntes freqüents no sabrà gestionar una reclamació complexa sense un disseny i unes dades adequades.
• Descart prematur: pensar que, com que un projecte anterior va fracassar (o com que els sistemes experts van fracassar als 80), la tècnica no val. Sovint la tècnica era correcta i el que faltaven eren les dades.

La regla pràctica que seguirem al curs: començar per problemes concrets, mesurables i amb dades disponibles, i escalar només quan alguna cosa funciona.

• Pensar que la IA va néixer amb ChatGPT. La disciplina té setanta anys i la majoria de les tècniques actuals (xarxes neuronals, cerca, probabilitat) tenen dècades. Conèixer la història evita "reinventar la roda" i ajuda a valorar les novetats.
• Confondre "passar el test de Turing" amb "ser intel·ligent". El test mesura comportament conversacional; un sistema pot resultar convincent sense raonar (efecte ELIZA). Quan avaluïs un assistent per a NovaMarket, mesura si resol problemes reals, no si "sona humà".
• Creure que els sistemes basats en regles són morts. Es continuen fent servir moltíssim (validacions, normativa, motors de regles de negoci). El que es va aprendre és on funcionen: dominis estables i ben delimitats.
• Ignorar el cost de dades i còmput. Cada salt històric va arribar quan hi va haver prou dades i maquinari. Abans de proposar un projecte, pregunta't quines dades tens realment.
• Consell: quan llegeixis una notícia sobre IA, situa-la a la cronologia: és una idea nova o una idea antiga que ara és viable? Aquesta pregunta et donarà una perspectiva molt més realista que el titular.

Col·loca les fites següents en ordre cronològic i assigna a cadascuna l'etapa a què pertany (precedents, edat d'or, primer hivern, sistemes experts, segon hivern, enfocament estadístic, deep learning, era generativa):

a) AlphaGo venç Lee Sedol · b) Informe Lighthill · c) Test de Turing · d) XCON entra en producció a DEC · e) ChatGPT s'obre al públic · f) Seminari de Dartmouth · g) Deep Blue venç Kaspàrov · h) AlexNet guanya ImageNet

En Diego ha llegit que "una IA pot atendre els clients sense intervenció humana" i proposa acomiadar d'aquí a sis mesos la meitat de l'equip d'atenció al client. La Marta, en canvi, recorda que el 2015 l'empresa va contractar un "chatbot intel·ligent" que va resultar ser un ELIZA amb regles i va ser un fracàs, i proposa no tocar res. Fent servir les lliçons dels hiverns, escriu tres o quatre frases raonades sobre quin error comet cadascun i quin enfocament seria més assenyat.

Modifica el programa mini-ELIZA de la lliçó perquè:

1. Quan la frase contingui diverses paraules clau, triï la regla de la paraula que apareix més tard a la frase (en lloc de la primera del diccionari).
2. Afegeix una regla per a "garantia" amb la resposta "Quan va comprar el producte?".

Prova-ho amb la frase "La meva comanda arriba tard i vull fer servir la garantia". Reflexiona: el programa "entén" alguna cosa més després del canvi?

Solució 1

Solució 2 (orientativa)

En Diego comet l'error de sobreexpectativa: extrapola una demostració (un assistent que respon bé a preguntes senzilles) a la resolució de tot el servei d'atenció al client, igual que als 60 es va extrapolar ELIZA a la comprensió del llenguatge. La Marta comet l'error de descart prematur: jutja la tècnica actual per un fracàs de 2015 amb una tecnologia (regles escrites a mà) que no té res a veure amb els models de llenguatge actuals; és com descartar les xarxes neuronals el 2010 perquè el perceptró va fallar el 1969. L'assenyat és un enfocament incremental: triar un subconjunt mesurable (per exemple, les consultes de "on és la meva comanda?"), comprovar amb dades reals quin percentatge resol bé l'assistent, mantenir les persones per als casos complexos i ampliar només si les mètriques ho avalen.

Solució 3

Explicació: find retorna la posició de la paraula dins la frase; ens guardem la paraula amb la posició més gran. El programa continua sense "entendre" res: només hem canviat el criteri de tria de plantilla. És un bon recordatori de per què els sistemes de regles es van quedar curts i de per què el camp va acabar apostant per aprendre de les dades.

En aquesta lliçó hem presentat el curs i NovaMarket, l'empresa que ens servirà de laboratori, i hem recorregut setanta anys d'història de la IA: de la lògica i Turing al seminari de Dartmouth; de l'edat d'or (Logic Theorist, ELIZA, perceptró) al primer hivern; dels sistemes experts (MYCIN, XCON) al segon hivern; del ressorgiment estadístic (Deep Blue) al deep learning (ImageNet, AlphaGo) i a l'era generativa dels transformers i ChatGPT. La lliçó de fons és que les idees solen arribar abans que les dades i el còmput que les fan viables, i que les expectatives desmesurades acaben en hiverns.

Ara que sabem d'on ve el camp, toca precisar de què estem parlant: a la lliçó següent, Definició i Àrees de la IA, veurem què és (i què no és) la intel·ligència artificial, com es relaciona amb el machine learning i el deep learning, i quines són les seves grans àrees, cadascuna amb el que aportaria a NovaMarket.