Deschizi o aplicație, îi trimiți un text greu de înțeles și scrii: „Explică-mi ce înseamnă”. Primești un răspuns, ceri un exemplu, apoi revii asupra unei nelămuriri. Calculatorul intră astfel într-un schimb care seamănă cu o conversație. Pentru cine încearcă prima dată un asistent AI, surpriza poate veni tocmai din această simplitate: poți cere ajutor folosind cuvintele tale.

Inteligența artificială, prescurtată AI după denumirea engleză „artificial intelligence”, cuprinde sisteme informatice construite pentru sarcini precum recunoașterea imaginilor, lucrul cu limbajul sau găsirea unor soluții. O parte dintre ele pot genera texte, imagini și alte tipuri de conținut. Conversațiile cu ChatGPT sunt una dintre formele prin care această tehnologie a devenit cunoscută publicului.

Dacă lucrezi cu documente, cauți informații sau încerci să înveți ceva nou, ai motive să te intereseze. Asemenea instrumente îți pot ușura anumite sarcini, dar trebuie să poți judeca și calitatea ajutorului primit. Înțelegerea AI-ului te ajută să alegi ce îți este folositor și să recunoști situațiile în care un răspuns convingător are nevoie de verificare.

Ca să înțelegem cum am ajuns să purtăm aceste conversații, merită să pornim dintr-o lume în care calculatoarele abia începeau să existe. Înaintea aplicațiilor și a răspunsurilor de pe ecran a fost o întrebare: am putea construi o mașină care să facă unele dintre lucrurile pentru care oamenii își folosesc mintea?

🔘 O mașină care își poate schimba meseria

Pentru a ajunge la o asemenea mașină, oamenii aveau nevoie să înțeleagă ce înseamnă, de fapt, să execuți o sarcină urmând instrucțiuni. Când aduni două numere pe hârtie, aplici o succesiune de pași. Îi poți explica altcuiva, iar persoana respectivă îi poate repeta. Dar cât de departe poate merge acest fel de a rezolva probleme?

Cu un secol înainte de calculatoarele electronice, Charles Babbage proiectase Mașina Analitică, o mașină mecanică programabilă rămasă neterminată. Ada Lovelace a observat în 1843 că un asemenea dispozitiv ar putea prelucra mai mult decât numere, dacă informațiile ar fi reprezentate potrivit. Tot ea avertiza că mașina nu produce singură idei în sensul atribuit oamenilor. Erau încă proiecte și reflecții, nu inteligență artificială funcțională.

În 1936, matematicianul britanic Alan Turing a cercetat tocmai limitele calculului prin reguli precise. În lucrarea sa, a descris o mașină imaginară care citește și scrie simboluri. A introdus și ideea unei mașini universale, care poate reproduce funcționarea altor asemenea mașini pe baza instrucțiunilor primite. Era o idee formulată pe hârtie, cu urmări importante pentru dezvoltarea calculatoarelor.

Astăzi, când folosim același laptop pentru un tabel, o fotografie și un mesaj, schimbarea ni se pare firească. În spatele ei se află această posibilitate: aceeași mașină poate îndeplini sarcini diferite, dacă primește instrucțiunile potrivite. Odată ce accepți ideea, apare și tentația de a merge mai departe. Ai putea descrie pașii unei demonstrații matematice? Ai putea construi un program care să aleagă o mutare într-un joc?

La un joc simplu, precum X și 0, putem vedea de unde ar începe încercarea. Programul trebuie să știe cum arată tabla, ce mutări sunt permise și ce înseamnă să câștige. Apoi are nevoie de o metodă pentru a alege unde pune următorul semn.
O parte din ceea ce numim „a gândi o mutare” începe astfel să poată fi descrisă ca o problemă de rezolvat.

Ideea decisivă era că o mașină programabilă putea fi pusă să lucreze la probleme foarte diferite. Rămânea de aflat cât de bine puteau oamenii să transforme fiecare problemă în ceva ce mașina putea prelucra.

🔘 Din idei pe hârtie, în încăperi pline de echipamente

Unii cercetători căutau indicii chiar în creier. În 1943, Warren McCulloch și Walter Pitts au descris matematic niște unități foarte simple, inspirate de neuroni, celulele care transmit semnale în sistemul nervos. În modelul lor, asemenea unități puteau fi legate în rețele care efectuau operații logice.

Această descriere simplifica enorm un creier viu. Valoarea ei era că oferea o cale de a studia legătura dintre semnale, conexiuni și calcul. Cercetarea avea acum mai multe puncte de plecare: regulile folosite pentru rezolvarea problemelor, felul în care funcționează creierul și posibilitățile unor mașini aflate încă la început.

În februarie 1946, Universitatea din Pennsylvania prezenta public ENIAC, unul dintre primele mari calculatoare electronice. Cântărea aproximativ 30 de tone și avea mii de tuburi electronice. Fusese conceput să accelereze calcule laborioase, inclusiv cele pentru traiectoriile proiectilelor. Privit din lumea telefoanelor care încap în buzunar, pare un echipament dintr-o altă epocă. Pentru oamenii care lucrau cu el, era o posibilitate nouă de a rezolva calcule consumatoare de timp.

Printre cei care i-au pregătit demonstrația se afla Jean Jennings Bartik. Își dorise să plece din mica localitate din Missouri în care crescuse și refuzase posturi de profesoară, așteptând o oportunitate. Când a primit telegrama de angajare, a luat trenul spre Philadelphia. Avea să facă parte din grupul celor șase femei care au programat ENIAC. Împreună cu Betty Snyder Holberton, a pregătit calculul de traiectorie prezentat presei în 1946.

Povestea ei ne aduce aproape de munca din spatele mașinii. Oricât de impresionant era echipamentul, cineva trebuia să înțeleagă problema și să stabilească operațiile pe care acesta urma să le execute. Pentru a trece de la calcule la jocuri, limbaj sau învățare, cercetătorii aveau de descoperit cum să descrie asemenea sarcini unui calculator.

🔘 Turing își imaginează o conversație

În 1950, Turing a abordat întrebarea „Pot mașinile să gândească?” într-un articol intitulat „Computing Machinery and Intelligence”. A propus să o cercetăm printr-un joc al imitației, în care întrebările și răspunsurile sunt transmise în scris.

În forma simplificată sub care este cunoscut astăzi testul Turing, un evaluator discută cu un om și cu o mașină, fără să îi vadă, apoi încearcă să îi deosebească. Ceea ce poate judeca sunt răspunsurile. Ar putea calculatorul să participe suficient de convingător încât interlocutorul să ezite?

Turing explora și o altă posibilitate: construirea unui program care să dobândească abilități prin instruire, folosind dezvoltarea unui copil drept sursă de inspirație. Conversația și învățarea apăreau astfel în aceeași lucrare, cu mult înainte de asistenții pe care îi folosim astăzi.

Există ceva tulburător de familiar în această întoarcere la început. Noi scriem o întrebare și privim răspunsul care apare pe ecran. Turing încerca să-și imagineze cât de departe ar putea ajunge o asemenea interacțiune într-o vreme în care calculatoarele erau abia la primele lor utilizări. Între posibilitatea imaginată atunci și experiența de astăzi aveau să încapă generații întregi de cercetători.

🔘 O vară pentru o ambiție atât de mare

La mijlocul anilor 1950, aceste întrebări începeau să-i apropie pe oameni care lucrau în domenii diferite. Matematicienii studiau regulile și demonstrațiile, cercetătorii creierului încercau să înțeleagă învățarea, iar constructorii de calculatoare ofereau mijloace noi de experimentare. John McCarthy, un tânăr profesor de matematică la Dartmouth College, a contribuit la aducerea acestor preocupări în același proiect.

La 31 august 1955, împreună cu Marvin Minsky, Nathaniel Rochester și Claude Shannon, a semnat propunerea unei întâlniri de cercetare pentru vara următoare. Documentul folosea expresia „artificial intelligence”. Termenul exista, așadar, înaintea întâlnirii din 1956 care avea să devină reperul fondator al domeniului.

Planul prevedea ca zece cercetători să lucreze împreună timp de două luni. Își propuneau să studieze cum ar putea mașinile să folosească limbajul, să învețe și să rezolve probleme considerate până atunci rezervate oamenilor. Autorii sperau că munca împreună, pe durata unei veri, va aduce progrese importante în cel puțin una dintre aceste direcții.

Amploarea propunerii devine mai ușor de simțit dacă ne gândim la o conversație obișnuită. Urmărim ce spune celălalt, legăm vorbele de lucruri pe care le cunoaștem, înțelegem aluzii și ne schimbăm răspunsul când primim o informație nouă. O facem atât de firesc încât rareori observăm câte lucruri presupune. Cercetătorii își asumau încercarea de a descrie asemenea procese suficient de precis pentru a le reproduce într-o mașină.

Întâlnirea a avut loc în vara lui 1956, la Dartmouth, sub conducerea lui McCarthy. A ajutat la conturarea unui domeniu în care limbajul, învățarea și rezolvarea problemelor puteau fi urmărite ca părți ale aceleiași ambiții. Inteligența artificială avea un nume și o comunitate de cercetare care începea să se formeze în jurul ei.

De aceea, 1956 a rămas anul de referință al nașterii AI ca domeniu. Originile sale se întind însă în ideile și încercările care au precedat întâlnirea. Când privim spre Dartmouth, vedem momentul în care aceste fire au fost adunate într-un proiect pe care alții aveau să-l continue.

🔘 Acum trebuia să și funcționeze

La capătul acestui început, cercetătorii aveau calculatoare pe care puteau experimenta și întrebări suficient de clare pentru a începe lucrul. Puteau încerca să construiască un program care joacă, unul care găsește o demonstrație sau unul care lucrează cu propoziții. Fiecare reușită urma să arate cât din ambiție putea deveni realitate.

Privită de aici, conversația cu un asistent AI capătă altă profunzime. Câteva cuvinte scrise astăzi într-o casetă continuă o întrebare veche de zeci de ani: cum facem o mașină să lucreze cu limbajul și ideile noastre? Ceea ce folosim acum a devenit posibil prin multe încercări de a răspunde acestei întrebări.

Primele rezultate aveau să dea motive de optimism. Programele începeau să rezolve probleme care păreau să ceară inteligență. Dar între a reuși într-o demonstrație și a te descurca în viața reală exista o distanță pe care cercetătorii abia urmau să o descopere. Acolo începe următorul capitol al poveștii.

Dacă apreciezi conținutul Omul Digital, susține dezvoltarea proiectului.

Surse și documentare

1. Ada Lovelace, Notes on the Analytical Engine, 1843. Notele despre Mașina Analitică și posibilitățile sale.

2. University of Manchester, Alan Turing will be face of new £50 note. Context despre lucrarea din 1936 și contribuția lui Turing la dezvoltarea calculatoarelor.

3. Warren S. McCulloch și Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, 1943. Datele bibliografice și rezumatul original sunt accesibile; textul integral de pe pagina editorului necesită acces.

4. University of Pennsylvania, On ENIAC’s anniversary, a nod to its female ‘computers’. Prezentarea din 1946, caracteristicile mașinii și contribuția programatoarelor.

5. Alan Turing, Computing Machinery and Intelligence, 1950. Text integral găzduit de University of Maryland, Baltimore County, inclusiv secțiunile despre jocul imitației și mașinile care învață.

6. John McCarthy, Marvin Minsky, Nathaniel Rochester și Claude Shannon, A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 august 1955. Documentul original, păstrat pe site-ul Stanford.

7. Dartmouth College, The Founding and Future of AI. Context instituțional despre întâlnirea din vara anului 1956.

Pentru mulți dintre noi, AI-ul este încă locul în care punem întrebări, cerem un text sau încercăm să înțelegem ceva. Între timp, în jurul aceleiași ferestre de conversație au apărut funcții care pot schimba cât dintr-un task facem singuri.

„Ajută-mă cu…” poate fi începutul unui task simplu sau al unui proiect complex. AI-ul poate lucra cu fișierele la care îi dai acces, căuta informații și pregăti documente, tabele sau prezentări. Te poate ajuta și să împarți un proiect în pași, să stabilești prioritățile și să vezi ce urmează de făcut. Pe parcurs, îi poți cere modificări și poți salva instrucțiunile utile pentru data viitoare.

Aici se întâlnesc multe dintre noutățile din ultima perioadă: AI care lucrează cu fișierele tale, folosește aplicații conectate și continuă un task în mai mulți pași. Vei întâlni denumiri precum Work, Cowork, plugins sau skills. Fiecare acoperă o parte din această schimbare.

Pentru tine, asta poate însemna mai puțin timp petrecut pregătind materialele pentru AI și mutând apoi răspunsurile dintr-un loc în altul. Poți începe să-i delegi și o parte din pașii pe care îi făceai după ce se termina conversația.

🔘 Ce se schimbă față de chatul obișnuit?

Chatul poate deja să explice, să scrie, să analizeze fișiere și, în unele aplicații, să creeze documente. Funcțiile noi extind această experiență: AI-ul poate primi acces la materialele necesare și poate folosi instrumente pentru a executa mai multe operațiuni legate între ele.

Poate aduna informații din fișiere, căuta completări pe internet, edita documente, face modificări în PDF-uri, crea tabele sau pregăti prezentări, în funcție de instrumentele disponibile.

Tu îi spui ce vrei să obții și verifici rezultatul. Pe parcurs, poți cere corecții, adăuga informații sau schimba direcția. Acesta este tipul de lucru urmărit de experiențe precum ChatGPT Work și Claude Cowork.

Promptul rămâne punctul de pornire. Diferența este că AI-ul are mai multe mijloace prin care să îndeplinească cererea.

🔘 Fișiere, site-uri și aplicații, din aceeași conversație

În aplicațiile compatibile, îi poți da AI-ului acces la un folder de pe calculator, fără să încarci manual fiecare fișier în chat. Poate lucra cu documentele de acolo și poate salva rezultatele în locul permis de tine.

Dacă are nevoie de informații suplimentare, poate deschide site-uri, căuta surse și compara ce găsește cu materialele tale. Tu urmărești progresul în conversație, în timp ce AI-ul folosește instrumentele disponibile.

Acesta este avantajul practic al lucrului cu fișiere locale: mai puține încărcări făcute pe rând și posibilitatea de a continua direct cu materialele de pe calculator. Accesul local nu înseamnă însă automat procesare exclusiv pe dispozitiv.Conținutul necesar poate fi trimis serviciului AI pentru analiză, chiar dacă nu l-ai încărcat manual în chat.

Alte informații se află în emailuri, calendare sau servicii de stocare. Prin conexiuni compatibile, AI-ul poate căuta în sursele la care îi dai acces și poate folosi informațiile găsite în taskul tău.

Noutățile recente merg în această direcție. Google conectează Gemini la mai multe aplicații, Anthropic aduce funcțiile Cowork în conversațiile Claude, iar OpenAI dezvoltă ChatGPT Work pentru activități care implică fișiere, aplicații și mai mulți pași. Funcțiile și accesul diferă între produse și abonamente.

Câștigul este că poți ajunge mai ușor de la informații aflate în mai multe locuri la materialul de care ai nevoie.

🔘 Instrucțiuni pe care le poți refolosi

Când folosești AI pentru taskuri asemănătoare, ajungi să repeți aceleași cerințe: cum să arate documentul, ce să conțină tabelul sau ce trebuie verificat.

Un skill păstrează un mod de lucru: instrucțiuni, modele de documente și pași de verificare. Îl poți folosi la următorul task, fără să explici totul de la început. Trebuie însă creat și actualizat explicit; AI-ul nu transformă automat fiecare corecție într-o regulă pentru viitor.

Un plugin poate aduna într-un singur pachet astfel de instrucțiuni, instrumente sau conexiuni la aplicații. În funcție de ce include, îi oferă AI-ului atât o metodă de lucru, cât și mijloacele de a o pune în practică.

Avantajul este că poți refolosi ce a mers bine. În timp, ajustezi metoda, astfel încât să ai mai puține cerințe de repetat și rezultate mai consecvente.

🔘 Taskuri care revin periodic

Fiecare dintre noi are lucruri de făcut care se repetă. Poate vrei să urmărești noutățile dintr-un domeniu, să verifici cheltuielile, să pregătești o sinteză săptămânală sau să actualizezi materialele unui proiect.

În aplicațiile compatibile, poți programa asemenea taskuri, astfel încât AI-ul să le reia la intervalul ales. Unele pot porni și când apare o informație nouă într-o sursă conectată. Aceste posibilități se regăsesc printre actualizările recente ale instrumentelor AI.

Stabilești ce te interesează și cât de des, verifici primele rezultate și ajustezi instrucțiunile. Ai astfel mai puține activități de pornit manual, iar AI-ul poate continua partea repetitivă în limitele pe care le-ai stabilit.

🔘 Unde se vede diferența pentru tine?

Câștigul depinde de ce ai de făcut. La serviciu, acasă sau când înveți ceva nou, AI-ul poate prelua o parte din căutare, organizare, redactare și actualizare.

Ca să te ajute, are nevoie să știe ce rezultat urmărești, ce materiale să folosească și ce trebuie să respecte. Poți începe cu un task mic, pe care îl poți verifica ușor, apoi să adaugi alte etape.

Pentru o întrebare sau o reformulare, chatul obișnuit poate fi suficient. Funcțiile noi devin mai utile când ai mai multe fișiere, trebuie să lucrezi în aplicații sau repeți aceeași activitate.

Diferența se vede în timpul și efortul economisit, inclusiv după verificarea rezultatului. Dacă ai de corectat prea multe lucruri, merită să ajustezi cererea, metoda sau instrumentul folosit.

Poți începe să folosești AI-ul mai eficient cu o activitate pe care o faci des și care îți consumă timp. Alegi ce vrei să preia AI-ul, încerci și ajustezi. În felul acesta, noutățile devin instrumente pe care înveți să le folosești în avantajul tău.

Posibilitățile AI s-au extins mult în ultima perioadă. Dincolo de cel mai nou model sau de ultima funcție lansată, contează cum le adaptăm la nevoile noastre.

Pe Omul Digital, vom explora treptat această parte mai practică: cum lucrezi cu fișierele tale, cum conectezi o aplicație, cum salvezi instrucțiunile utile și cum pregătești un task pe care AI-ul să îl poată prelua.

Conversația eficientă rămâne punctul de pornire. De aici, vom vedea pas cu pas cum o transformăm inteligența artificială în ajutor concret pentru activitățile de zi cu zi.

Dacă apreciezi conținutul Omul Digital, susține dezvoltarea proiectului.