Od prvog koda do 2026: Kratka istorija AI razvoja

Prestanite vjerovati u bajke o ‘magičnoj inteligenciji’ koja razmišlja sama od sebe. To je marketinška laž osmišljena da vam proda pretplate koje vam ne trebaju. Istina je mnogo prljavija: AI nije ništa drugo nego gigantska gomila uslova ‘ako-onda’ koja je postala toliko velika da je niko više ne može u potpunosti kontrolisati. Ako mislite da ćete savladati ovaj alat tako što ćete samo ‘unleash-ati’ njegov potencijal, završićete sa gomilom koda koji ne radi i bazom podataka koja curi na sve strane. Vi kontrolišete alat, ili alat kontroliše vas. Treće opcije nema.

Prva rupa na daski: Istina o Alanu Turingu i logičkim kapijama

Početak nije bio nimalo elegantan. Zamislite prostoriju koja miriše na vrelu izolaciju i ozon, gdje mašine zauzimaju čitave spratove samo da bi riješile osnovnu jednačinu. Prvi kodovi iz 1950-ih nisu bili ‘pametni’ – bili su uporni. Radilo se o čistoj logici, grubom silovanju matematike dok ona ne prizna poraz. Tada nismo imali Python; imali smo bušene kartice i inženjere koji su psovali svaki put kad bi se jedna kartica zaglavila u čitaču. To je bio temelj – sirov, grub i neoprostiv prema greškama. Danas, kada pokušavate naučiti Python za AI, zapravo samo koristite modernije dlijeto za isti onaj posao koji su oni započeli u mraku hladnog rata.

Duboko učenje ili duboko blato? Kako smo zamalo odustali 80-ih

Postoji period koji nazivamo ‘AI zima’. Bilo je to vrijeme kada je entuzijazam presušio jer su obećanja bila prevelika, a procesori preslabi. Bilo je to kao da pokušavate sagraditi neboder od mokrog drveta; materijali jednostavno nisu mogli izdržati pritisak vizije. Ali, majstori koji su ostali u radionici – poput Geoffreyja Hintona – znali su da je problem u ‘težinama’ (weights). Neuralne mreže su tada bile spore i neprecizne. Tek kada smo dobili grafičke procesore koji mogu žvakati podatke kao drobilica za kamen, stvari su se pomakle. Danas, ako ne razumijete kako podesiti activation function, vi zapravo pokušavate zakucati ekser drškom čekića. Ne ide.

WARNING: Nikada ne ostavljajte svoj lokalni AI model da se trenira na laptopu bez nadzora temperature. Ako procesor pređe 95°C, termalna pasta će se pretvoriti u gumu, a matična ploča će se iskriviti brže nego što stignete reći ‘vještačka inteligencija’. Shvatite hlađenje ozbiljno ili se oprostite od hardvera.

Revolucija 2017: Pažnja je sve što ti treba (ali i tona struje)

Sve se promijenilo 2017. godine sa radom ‘Attention is All You Need’. Transformerska arhitektura je bila tajni sos koji je omogućio modelima da ‘shvate’ kontekst. Umjesto da čitaju riječ po riječ, modeli su počeli da vide cijelu sliku odjednom. Ali, nemojte se zavaravati – to je zahtijevalo resurse koje prosječan korisnik nije mogao ni zamisliti. Troškovi struje za treniranje ovih modela su astronomska cifra. Zato je danas ključno znati kako smanjiti cloud AI račun, jer ako niste pametni sa resursima, bankrotiraćete prije nego što model izbaci prvi ‘Hello World’.

Da li ti zaista treba model od milijardu parametara?

Ne. Većina ljudi koristi bager da bi posadila cvijet. Ako vaš zadatak zahtijeva samo klasifikaciju, običan Random Forest model će uraditi bolji posao uz 90% manju potrošnju resursa. Veliki modeli su spori, skupi i skloni halucinacijama.

Godina 2026: Lokalni modeli i kraj ‘Cloud’ diktature

Došli smo do tačke preokreta. U 2026. godini, više niko ko drži do sebe ne šalje osjetljive podatke u tuđi cloud. Sada je fokus na privatnosti. Instalacija Llama 4 modela lokalno postala je standard za svakog ozbiljnog maker-a. Osjećaj kada pokrenete moćan model na sopstvenom gvožđu, bez interneta, je kao kada prvi put upalite motor koji ste sami sklopili. Osjećate vibraciju snage pod prstima, miris vrelog silicijuma i znate da su vaši podaci zaključani. Ako ne znate kako osigurati AI bazu, vi ste samo meta za hakere koji jedva čekaju da vaša ‘inovacija’ procuri na mračni web.

Zašto nikada ne smiješ vjerovati promptu iz prve? (Anatomija kiksa)

Evo kako izgleda katastrofa: Vjerujete AI-u da napiše SQL upit za brisanje starih podataka. AI ‘halucinira’ (što je samo fensi riječ za ‘pogriješio je jer je statistička mašina’) i izbriše cijelu tabelu ‘Kupci’. Zašto? Jer niste podesili temperature parametar na nulu za zadatke koji traže preciznost. Visoka temperatura je za poeziju, niska je za inženjering. Ako to pomiješate, vaša baza podataka će postati neupotrebljivo smeće u roku od tri sekunde. Vidio sam ljude kako gube mjesece rada jer su bili prelijeni da provjere izlazni kod. Ne budite taj tip.

Zašto AI griješi kod kompleksne matematike?

Zato što AI ne računa; on pogađa sljedeći token. To je kao da pitate papagaja da vam riješi diferencijalnu jednačinu. On može zvučati uvjerljivo, ali on zapravo samo ponavlja obrasce koje je vidio tokom treninga. Ako želite tačnost, koristite Python skripte koje AI napiše, ali ih obavezno testirajte u izolovanom okruženju.

Fiziologija žaljenja: Zašto vaš model ‘puca’ nakon šest mjeseci

Modeli pate od nečega što zovemo ‘model drift’. Podaci u stvarnom svetu se mijenjaju, a vaš model ostaje zamrznut u vremenu kada je treniran. To je kao da koristite mapu grada iz 1920. da biste se vozili 2026. godine. Udarit ćete u zid. Ako ne pratite performanse i ne radite re-trening, vaš skupi AI alat postaće beskoristan ukras. Majstorsko održavanje AI sistema zahtijeva disciplinu. Svake sedmice provjeravajte čistoću vašeg dataseta. Prljavi podaci su kao rđa na alatu – ako ih ne očistite odmah, izješće vam cijeli projekat iznutra.

Zaključak za preživjele: Šta dalje?

AI nije vaš zamjenik, on je vaš šegrt. I to šegrt koji je popio malo previše piva i stalno priča priče koje zvuče istinito, ali su često potpune izmišljotine. Vaš posao je da budete strogi majstor u radionici. Koristite alate kao što je Perplexity AI za brzo istraživanje, ali finalni rez uvijek napravite sami. U 2026. godini, najplaćenija vještina nije kucanje prompteva, već sposobnost da prepoznate kada AI laže. Budite skeptični, budite detaljni i uvijek, ali baš uvijek, imajte rezervnu kopiju (backup) koja nije na cloudu.