Artificiell Intelligens (AI)

Hur definierar man AI?

För att kunna diskutera artificiell intelligens så behöver man till en början definiera vilken typ av AI man menar och vad det är tänkt att använda den till. En bra startpunkt är att dela upp det i smal och generell AI.  

Smal AI

De produkter och tjänster vi ser på marknaden idag är exempel på smal AI. Det kan handla om röstigenkänning, självkörande fordon eller bildigenkänning där algoritmen är skapad och tränad att utföra en eller flera specifika uppgifter. Även att låta en AI lära sig olika spel som schack, GO eller Starcraft 2 är exempel på smal AI.

Här finns också flera konkreta exempel där en AI överträffar människan i saker som länge ansågs omöjliga. Redan 1996 vann Deep Blue ett parti schack mot den dåvarande stormästaren Gary Kasparov och i oktober 2015 blev AlphaGO det första datorprogrammet att slå en människa i spelet GO helt utan handikapp. Även i dataspel så har det gjorts otroliga framsteg och AlphaStar, en AI utvecklad av DeepMind, är nu tillräckligt bra för att besegra 99.8 procent av mänskliga spelare i datorspelet Starcraft 2.  

Generell AI

Detta är ett forskningsområde som syftar till att efterlikna mänsklig intelligens på ett mer övergripande sett. Vi har sett det i filmer som 2001: A Space Odyssey, The Matrix och Terminatorfilmerna, men i verkligheten är vi ganska långt från att det ska bli en realitet. Om man ser på Gartners Hype Cycle för framväxande teknologier från 2018 så ligger ”Artificial General Intelligence” mer än 10 år bort och med största säkerhet handlar det om betydligt mer än så.   

Hur fungerar AI?

För att börja förstå hur AI fungerar och hur man jobbar för att utveckla den på olika sätt så behöver man se på de olika metoder som används. 

Machine Learning

Ett område inom AI som handlar om att ge algoritmer förmågan att själva ”lära sig” utan få specifika instruktioner om exakt hur det ska göras. Det kan göras med utgångspunkt i ett befintligt material eller genom att ge de förutsättningar som finns och låta programmet själv prova sig fram till ett önskat resultat.  

Deep Learning

En metod inom Machine Learning som används till exempel när man utvecklar AI för bildigenkänning. Genom ett stort övningsmaterial med miljoner bilder där man berättar för programmet om det till exempel är en bil eller inte så kan en AI bli bättre och bättre på att identifiera former, färger osv och när man sedan visar nya bilder av bilar för programmet så kan det med utgångspunkt i övningsmaterialet avgöra om det är en bil eller inte på bilden.  

Ett väldigt konkret exempel på Deep Learning är webbsidan This person does not exist där en AI med utgångspunkt i ett bildmaterial med ansikten skapar ett ny bild på en människa varje gång du går in på sidan, men inga av personerna på bilderna existerar i verkligheten utan är helt AI-genererade. Genom att identifiera mönster, färger osv kan en AI då skapa bilder med samma egenskaper som riktiga foton och skapa något som kommer otroligt nära verkligheten. 

Det som sen krävs för att en AI i detta fallet verkligen ska kunna skina är ett stort dataset och det är du kommer in. Genom att prata med Alexa, klicka på bilder när det dyker upp en ReCapthca på en hemsida någonstans eller använda Google Maps så ger du respektive AI den info den behöver för att kunna bli bättre och bättre.

Reinforcement Learning

En metod som använder trial and error för att uppnå ett önskat resultat. Till exempel när man experimenterar med att lära robotar att gå eller de tidigare exemplen med schack och liknande så är det reinforcement learning som används.  Eftersom en dator kan göra oändligt många fler försök på en given tid än en människa blir också framstegen otroligt snabba.

När det gäller fysiska saker som robotar så finns det en tidsmässig begränsning i människans ingenjörskonst när det kommer till att göra förändringar och bygga bättre robotar, men när vi ser på helt digitala saker som simulationer eller att lära sig olika saker så hittar vi exempel som i slutet av 2017 när Googles AlphaZero lärde sig själv att spela schack på fyra timmar till en nivå som klassades som ”super human”.

Utmaningarna med att utveckla en generell AI 

En grundläggande utmaning för utvecklingen av en generell AI är att vi i nuläget saknar en objektiv och heltäckande definition av intelligens och vet väldigt lite om hur mänsklig intelligens fungerar eller utvecklas. Så när vi inte vet VAD det är som ska utvecklas så är det också väldigt svårt att lista ut HUR det ska göras.  

En annan utmaning är att definiera olika begrepp för en dator. För att kunna ge instruktioner till en dator behöver man specificera ett mål, men även saker som en människa tar för givet behöver specificeras.

Definitionen av lycka?

Om målet till exempel skulle vara att göra någon lycklig så skulle en människa ha en uppfattning om vad det betyder och säkert ett par idéer på hur det skulle kunna uppnås. Men hur definierar man lycka? En dator har inga som helst definitioner på vad det innebär och hur det målet skulle kunna uppnås. Och när är målet uppnått? Om målet är att tillverka 10 mobiltelefoner är det ganska enkelt att se när det är klart, men när har människan i detta fallet blivit lycklig?

Så snabbt som möjligt?

Om målet istället är att köra bil från punkt A till punkt B ”så snabbt som möjligt” så finns det vissa saker som för en människa är underförstått, men som för en AI behöver definieras. Saker som att samtidigt följa de trafikregler som finns eller att göra det utan fara för andra människor. Om man ber en AI göra det så behöver allt detta specificeras. 

Den första stora utmaningen med en generell AI blir snarare att definiera vad som ska göras än att hitta ett sätt att göra det. Om vi misslyckas eller slarvar med definitionen så kan det få konsekvenser som är svåra att överblicka och det är också ett av de inneboende problemen med att utveckla en generell AI, nämligen hur vi ska kunna kontrollera den.  

AI och kontrollproblemet

Eftersom en AI bara gör det som den blir tillsagd så finns det så klart en fara i att utveckla något som potentiellt är långt mycket mer intelligent än vad vi själva är, som inte har mänskliga begränsningar som sömn och näringsbehov och som inte slutar sitt arbete förrän målet är uppnått. Om målet är att utveckla något som är långt mer intelligent än oss själva, hur ska vi kunna kontrollera det och hur ska vi kunna överblicka de långtgående effekterna?

Utvecklingen av AI går otroligt snabbt och kommer förändra våra liv samtidigt som uppfattningen om vad som egentligen är AI varierar med tiden. Det kommer att vara svårt att säga var AI:s tankar börjar och var våra slutar. Kulmen för vår nuvarande kapplöpning mot AI kan bli antingen det bästa eller det sämsta som hänt mänskligheten.

Avslutningsvis

Som du kanske märker är AI ett otroligt stort område som vi egentligen bara har skrapat lite på ytan på, men med utgångspunkt i de här tankarna och definitionerna så har du tagit ditt första steg mot att bättre förstå AI, både vad det gäller möjligheter och risker.