Kunstig intelligens er den nye elektricitet

Kunstig intelligens vil forandre vores verden lige så meget, som elektriciteten gjorde. Smarte computere kan gøre vores liv mere bekvemt og sikkert, de kan diagnosticere sygdomme, advare os om trusler og meget andet. Men hvilken rolle skal vi mennesker spille, når maskinerne kan styre det hele?

Peter Hesseldahl

MM Special: Kunstig intelligens er den nye elektricitet
  • Kunstig intelligens vil blive indbygget i alle former apparater og maskiner, og det vil ændre forretningsmodellerne i stort set alle industrier.
  • Algoritmer i administrative systemer har en tilbøjelighed til at diskrimere og fastholde mønstre og roller fra fortiden.
  • Der vil opstå nye typer job og nye fordelinger af roller, når mennesker arbejder tættere sammen med intelligente maskiner.
  • En lang række danske virksomheder er allerede i fuld gang med at udvikle og anvende AI-løsninger.

Kunstig intelligens er den nye elektricitet

”Vi skal tage det robotagtige ud af den menneskelige rolle”

Algoritmer er nutidens masseødelæggelsesvåben

Kunstig intelligens – dommedag eller Safe AI nu?

Vestas er erhvervslivets AI-veteran

5 danske projekter der rykker på kunstig intelligens

MM MENER: Kunstig intelligens angår os alle

For omkring 100 år siden gjorde vi vores apparater elektriske. Lamper, symaskiner, køkkengrej, barbermaskiner, hver gang en dims fik tilføjet elektricitet, blev den lettere og mere effektiv at bruge, og i mange tilfælde førte det til helt nye funktioner og frembringelser, som indtil da virkede umulige: telefonen, radioen, elevatorer, og ja, computere.

På samme måde forudser Andrew Ng, en af verdens førende forskere i kunstig intelligens, AI, at kunstig intelligens i de kommende år vil blive en del af alle industrier, hvad enten det er landbrug, mobilitet, sundhed, undervisning, finanssektor eller militær. Derfor kalder han AI for den nye elektricitet.

Det er en kraft, som alt og alle vil være forbundet med, og som man kan trække på efter behov. Den amerikanske it-ekspert og fremtidsforsker Kevin Kelly skriver i sin bog ’The inevitable’:

”Formlen for fremtidens forretningsmodel er ganske enkel: Tag X og tilføj AI.”

Uanset om man fremstiller tandbørster, legetøj, hospitalssenge eller pizzaer, så er det næste skridt til bedre service og større konkurrencedygtighed at gøre produktet smart.

Kunstig intelligens er kendt som en teknologi, der altid befinder sig nogle år ude i fremtiden, men mange af de tjenester, vi som en selvfølge bruger i hverdagen, og som vi mest bemærker, når de ikke helt fungerer, ville for et par årtier siden have været klare beviser på, at nu var kunstig intelligens en realitet.

Når vi på et øjeblik og ganske gratis kan oversætte en artikel mellem hundrede sprog. Når Spotify eller Netflix kan komme med personlige anbefalinger om film og musik til hver enkelt af hundredvis af millioner af abonnenter. Når Visa sender os en advarsel om, at vores kreditkort er blevet brugt på en mistænkelig måde. Når vi kan tale til vores smartphone for at bede den om råd, og når mobilen hjælper os med at tage bedre billeder, eller genkender vores ansigt, før den giver os adgang – det er ganske smart. Og det er kun begyndelsen.

Nye innovationer hver uge

Kunstig intelligens er den store teknologiske bølge, der skyller ind over os lige nu. I Silicon Valley hælder investorerne milliarder af dollar i AI-virksomheder. I Kina smider staten tilsvarende summer i forskerparker og udviklingsprojekter, der involverer kunstig intelligens. Der går nærmest ikke en dag, uden at en ny, hidtil uhørt, anvendelse af AI bliver annonceret.

I sidste uge fremviste IBM en computer, der er bedre end mennesker til at gennemføre en fire minutters præsentation og diskussion om et tilfældigt emne. Google viste et system, der kan beregne chancerne for, at patienter på en intensiv klinik overlever. For et par uger siden præsenterede Apple en AI-teknologi, der gør iPhones i stand til bedre at genkende de objekter, som kameraet ser. 

Vigtige AI-begreber

Algoritme: En algoritme er en række skridt i en bestemt rækkefølge, der fører til en konklusion. En opskrift er i princippet en algoritme: hvis man vil bage en chokoladekage, gør man først A, derefter tilsætter man B, og så går man til C. Det er et program til at opnå et resultat. 

Machine learning – lærende algoritmer: Det er computerprogrammer, som via analyse af flere og flere data selv kan opbygge en stadig mere præcis model af de mønstre og sammenhænge, der er gældende omkring en opgave. Et eksempel er et program, som bliver bedre til at anbefale musik, jo mere den ved om alle de sange, brugeren hører.

NLP – Natural Language Processing: Når computere skal forstå tale og selv svare med tale, skal man bruge systemer, der ikke alene ved, hvad der er grammatisk korrekt, men som også forstår, hvordan mennesker i praksis bruger sproget i forskellige situationer og udtaler det på hver deres måde.

Narrow AI: Kunstig intelligens kan have en dyb forståelse af en specifik problemstilling, og derfor kan den tage komplekse beslutninger, eksempelvis ved at vurdere om det er sikkert for en selvkørende bil at foretage en overhaling. Men programmet og ekspertisen, der er indlejret i det, kan kun bruges til netop dét snævre anvendelsesområde.

AGI – Artificial General Intelligence: Den langsigtede ambition er at udvikle kunstig intelligens, der ligesom mennesker kan håndtere alle mulige situationer. En generel kunstig intelligens kan både tale tysk, stå på vandski og analysere røntgenbilleder. Men indtil videre er computernes intelligens begrænset til kun at gøre én ting ad gangen.

Singularity: Den teknologiske udvikling er eksponentiel og selvforstærkende. Teorien om singulariteten er, at maskinerne udvikler sig så hurtigt og bliver så kraftige, at de en dag stikker fuldstændigt af fra mennesker, og i stedet følger deres egne superintelligente mål for udvikling.

Kilde: Mandag Morgen.

Og igen, det er bare begyndelsen. Vi kan fornemme, hvor det bærer hen. Selvkørende biler, selvfølgelig. Smartphones, der løbende kan oversætte det, vi siger på dansk til kinesisk, men bevarer lyden af vores egen stemme. Læger, sygeplejersker eller patienter, der har alverdens erfaringer og videnskab til rådighed i skyen. Dimser, vi kan tale til, og som lytter, ser og tager ved lære. Personlige assistenter og avatarer i virtuelle verdener, der kender os bedre end nogen. Systemer, der ved stort set alt om, hvad vi gør, hvad vi har gjort, og hvad vi kunne tænkes at gøre fremover.

I dag kan vi bande lidt eller more os over, at digitale assistenter som Siri eller Alexa ikke helt forstår, hvad vi siger, og kommer med mærkelige svar. Vi ryster på hovedet over en selvkørende bil, der pløjer ind i en cyklist.

Men som sagt, det er stadig early days, og det går rask fremad, hurtigere og hurtigere.

Et stort spring fremad

Der er to grundlæggende forskellige strategier for at udvikle intelligente maskiner. Den ene er, at mennesker møjsommeligt programmerer så meget viden om verden ind i en computer, at den til sidst virker intelligent. Dybest set er computeren et avanceret opslagsværk – vi kender dem som ekspertsystemer.

De seneste års enorme fremgang inden for AI skyldes imidlertid, at man nu er gået over til en anden metode, machine learning, eller maskinlæring. Det går ud på at lade computeren selv tage ved lære og danne sig sin egen forståelse af, hvordan den problemstilling, den skal beskæftige sig med, hænger sammen.

Computeren får præsenteret en masse data, og den forsøger så at finde mønstre og sammenhænge i det. Den opbygger en model for, hvordan tingene hænger sammen. I sin allersimpleste form foregår det lidt i stil med, at hvis man trykker på den blå knap på et badeværelse, så kommer der koldt vand ud af hanen, og hvis man trykker på den røde knap, så kommer der varmt vand. 

Efterhånden som computeren præsenteres for flere data og oplever flere forløb, kan den teste sin model, korrigere den og tilføje flere detaljer. Jo flere data, desto bedre, og derfor bygger de mest avancerede kunstige intelligenser på løbende analyser af milliarder og atter milliarder af datapunkter. 

Når maskinen på den måde kan udvikle sig og selv tage ved lære af sine erfaringer, rykker den op i en helt anden kategori af kompetence. Den begynder at opføre sig langt mere som noget, vi mennesker intuitivt vil opfatte som ’intelligent’. Maskinen skal ikke programmeres, den skal trænes, og det, den ved, og de antagelser om verden, som den gør sig, er ikke nødvendigvis noget, mennesker har fortalt den.

Maskinen ser mønstrene

Når machine learning først nu er slået igennem, er det først og fremmest, fordi det hidtil har været for omfattende, krævende og dyrt at køre den form for processer. Det store skifte kom, da AI-forskerne indså, at den type grafikprocessorer, som egentlig var udviklet til lynhurtigt at skabe detaljeret grafik i computerspil, passede perfekt til maskinlæring. Grafikprocessorerne fra chipproducenter som Nvidia er ikke alene ekstremt hurtige, de er også billige, fordi de oprindelig blev udviklet til forbrugerelektronik som PlayStation og Xbox.

Grafikprocessorerne excellerer i mønstergenkendelse. Computeren kan analysere et komplekst datasæt med masser af variable – det kan være en vævsprøve, billedet af et ansigt, lyden af en sætning, som et menneske siger – og se mønstre, som den forbinder med en bestemt tilstand. Det kan være en bestemt form for cancer, en eftersøgt person eller sætningen ’Hvornår går bussen?’ på italiensk.

Skridtet videre er, at computeren begynder at lave forudsigelser. Hvis den genkender et mønster, som den ved, tidligere har ført til problemer, kan den sende en advarsel.

Det er ideen i predictive maintenance, forudsigende vedligeholdelse, hvor systemet ved at analysere mønstrene i data fra sensorer på en maskine kan forudsige, at eksempelvis en flymotor eller en vindmølle snart vil få et nedbrud. På den måde bliver det muligt at reparere f.eks. en vindmølle forebyggende, og når det passer bedst ind i forhold til produktion m.m., snarere end at det skal ske på et pludseligt, ubelejligt og dyrt tidspunkt.

Fordomme og fikse ideer

Desværre har computeralgoritmerne en tilbøjelighed til at opbygge fordomme. Som den amerikanske matematiker Cathy O’Neill fortæller andetsteds i denne MM Special, kan det betyde, at man fastholder eller endda forstærker eksisterende skævheder i samfundet.

Algoritmer bruges f.eks. i stigende grad til at vurdere kreditværdigheden hos folk, der søger et lån, eller til at afgøre, hvilke ansøgere der bliver kaldt til samtale til en ledig stilling. Computeren kan have bemærket, at en bestemt type personer typisk har økonomiske problemer, eller at det oftest er mænd, der sidder i lederstillinger, og derfor afviser den at give lån til alle, der har en profil, der virker risikabel, eller den nøjes med at indkalde hvide mænd til jobsamtale.

Et andet eksempel på den type selvforstærkende antagelser, er den filterboble, vi alle i et vist omfang havner i, fordi de historier vi læser på sociale medier, eller de reklamer, vi klikker på, får systemet til at foreslå os mere af samme slags. Dermed risikerer vi, at vores udsyn efterhånden indsnævres.

Problemet er, at det kan være svært at gennemskue, hvad det er for fordomme, en algoritme har, og ikke mindst hvorfor den har dem. Det er jo netop ikke mennesker, der har fortalt den, hvad den skal mene, og derfor er programmet en slags black box, der er umulig at få indsigt i.

I EU arbejder Kommissionen med at opstille etiske normer for brugen af AI, og et af dens krav er ’explainability’ og gennemskuelighed. Det skal være muligt at forstå, hvordan en kunstig intelligens når frem til sine afgørelser, og man skal som bruger umiddelbart kunne gennemskue, at det er en computer og ikke et menneske, man er i samspil med.

At man snart ikke længere kan tage dét for givet, viste Google med deres nylige demo af en chatbot, der kunne ringe til en damefrisør og bestille en tid til klipning, uden at personen i den anden ende opdagede, at hun talte med en robot.

Vi har knap lært at opdage fake news, før vi skal til at lære at opdage fake mennesker.

Singularity lige om hjørnet

Historierne om, at mennesket skaber en teknologi, der en dag bliver levende og udvikler sig til vores overmand, er et tema, der går helt tilbage til oldtidens myter som Pygmalion eller Golem. Måske er det derfor, at vi er hurtige til at forlænge konsekvenserne af de teknologiske tendenser og konkludere, at det blot er et spørgsmål om tid, før vi bliver underkastet superintelligente robotter, der kan gøre alt, hvad mennesker kan, med samme grad af overlegenhed som den, en lommeregner har i forhold til vores evner til at gange fire tal med hinanden.

Ray Kurzweil, en af stifterne af Singularity University, har ganske overbevisende vist, hvordan alle de teknologier, der fører i retning af overmenneskelig intelligens, udvikler sig med eksponentielt stigende fart. Han konkluderer, at vi er tættere på the singularity, end vi er tilbøjelige til at tro; dvs. det punkt, hvor maskinerne overgår os og derefter fortsætter med at udvikle sig selv i retning af en verden, som mennesker reelt ikke har evnerne til at fatte. 

Mere moderate eksperter peger på, at de kunstige intelligenser, vi har udviklet indtil nu, har været ekstremt smalle – man siger, at det er narrow AI. Der er smarte systemer til at styre en bil igennem bytrafikken og systemer til intelligent at styre en robot, der skærer kød ud på et slagteri, men systemerne hænger ikke sammen, og de kan ikke passe hinandens arbejde.

Der, hvor det virkelig rykker, er, når der kommer maskiner med en intelligens, der er generel. Man kalder det AGI, artificial general intelligence. Mennesker har en naturlig generel intelligens, vi kan både køre bil og skære kød ud, og vi kan endda høre podcasts og tygge tyggegummi samtidig. Vores intelligens er enestående, fordi den er generel og fleksibel.

Man kunne forestille sig, at de kommende år vil gå med at udvikle specielle kunstige intelligenser på alverdens områder, og at de efterhånden begynder at hænge sammen i større systemer, som eksempelvis udnytter alle kunstige intelligenser, der er involveret, fra en kunde bestiller en vare ved at tale til en chatbot, til varen er leveret, produktionen af yderligere varer er justeret, og kundens profil er opdateret.

På område efter område finder algoritmerne sammen, som molekyler i længere og længere kæder, der til sidst danner et helt krystal, en superintelligens. 

Hvor længe vil det tage? Der er meget delte meninger, men de fleste eksperters bud ligger på 20, 30, 100 år – næppe mere. Det er svært at forestille sig, at udviklingen skulle stoppe, for fordelene er så store, at vi ikke kan give slip. Menneskets rolle er på vej mod en grundlæggende forandring, og det vil præge de kommende år.

Kan gøre os til mennesker

Indtil videre er det fornuftigste, vi kan gøre, måske at tænke, som Jim Wilson og Paul Daugherty foreslår i deres nye bog, “Human + Machine”: I stedet for at se udviklingen som en konkurrence mellem mennesker og maskiner skal vi fokusere på at gøre de enorme muligheder for fremskridt, som udviklingen af AI giver, tilgængelige og anvendelige for så mange som muligt.

Når maskinerne kan klare det tunge arbejde, mentalt og fysisk, kan vi mennesker koncentrere os om at være menneskelige: kreative, nysgerrige, empatiske, med udgangspunkt i vores særlige ideer om, hvad der er etisk og æstetisk godt.

Maskiner og mennesker kan noget forskelligt, men sammen kan vi endnu mere. Vi kan ikke konkurrere med maskinerne om at være robotter. Hvis vi skal have en plads fremover, kræver det, at vi lærer at tage vores evner som mennesker alvorligt.


Få Mandag Morgens overskrifter direkte i din mail.

Tilmeld dig nyhedsbrevet nu




Få Mandag Morgens overskrifter direkte i din mail.

Tilmeld dig nyhedsbrevet nu