Kunstig intelligens er nok fremtidsteknologien med størst potentiale for at skabe ændringer i vores liv. Men hvad er kunstig intelligens, hvordan bliver teknologien en del af vores hverdag, og bør vi være nervøse, når maskiner begynder at tænke selv?

Kunstig intelligens i korte træk

Kunstig intelligens i mere eller mindre avancerede former - vinder frem overalt. For blot at nævne en håndfuld eksempler bliver kunstig intelligens - eller Artificial Intelligence, AI efter temperament - allerede i dag brugt til talegenkendelse, maskinoversættelse, gennemgang af forskningsartikler, simple husholdsningsrobotter, og skal vi have fleksible selvkørende biler, vil det også kræve udvikling af kunstig intelligens.

Lige såvel som brugen af kunstig intelligens er mangesidet, er definitionerne det også. Der findes ganske enkelt ikke én fælles vedtaget definition af, hvad kunstig intelligens dækker over. Det er formentlig også en af grundene til, at begreberne kunstig intelligens og AI bliver brugt i flæng, selvom der ofte blot er tale om regneark på steroider, processering af store datamængder og meget lidt, der tenderer egentlig intelligens eller selvlærende systemer.

Hvad er kunstig intelligens?

Kunstig intelligens hører til blandt menneskehedens nyeste forskningsområder, men de første sten til det vi kalder kunstig intelligens eller AI blev lagt allerede i slutningen af 2. verdenskrig. Navnet “artificial intelligence” opstod på en workshop i 1956 på Dartmouth College.

Vi har hentet vores bud på, hvad kunstig intelligens er i bogen Artificial Intelligence, A Modern Approach af Stuart J. Russell og Peter Norvig. Her er definitionerne delt op i fire hovedområder, hvor der findes en række forskellige tilgange til emnet.

 Tænker som et menneske  Tænker rationelt
 Opfører sig som et menneske  Opfører sig rationelt


De to øverste fokuserer på tanker/ræsonnement, mens de to nederste beskæftiger sig med opførsel/handlinger. Og på samme måde fokuserer definitionerne til venstre på en menneskelig tilgang, mens definitionerne til højre vælger en tilgang med fokus på rationalet. Det vil sige, at systemet er rationelt, hvis det gør "det rigtige" ud fra hvad det har af informationer. Som et eksempel ligger den klassiske Turing Test i den nederste boks til venstre: Opfører sig som et menneske.

Mange filosoffer peger på, at selv om en maskine kan klare Turing-testen, vil den stadig ikke kunne tænke rigtigt. Den vil kun være i stand til at simulere, at den tænker. Tilsvarende findes der også forskere, der mener, at det vil være muligt på sigt at skabe systemer, der har en slags bevidsthed.

Weak AI vs. Strong AI: Kan maskiner opføre sig intelligent?

Inden for kunstig intelligens opererer man med to niveauer. Niveauet hvor maskinen opfører sig, som om den er intelligent - nogle steder kaldet Weak AI eller narrow AI. På næste niveau har vi maskinen, der rent faktisk tænker og ikke bare simulerer - blandt andet kaldet Strong AI eller artificial general intelligence.

På det sidste niveau er maskinen i stand til at gøre alt, hvad et menneske også kan. Derfor er Strong AI endnu kun en hypotetisk mulighed, når vi holder Hollywood ude af ligningen - Weak AI er til sammenligning systemer, der løser én opgave, og her er der til gengæld en række gode eksempler. Det kan være Youtube, der har skabt et system, der automatisk kan lytte en uploadet video igennem og selv lave undertekster (hvis videoen er på engelsk). Det er Facebooks billedgenkendelse, der ved, hvem af dine venner der er på feriebillederne. Og det er Amazons stemmesoftware, Alexa, der kan hjælpe dig med at tænde for lyset og skifte nummer på Spotify.

Hvor grænsen går, for hvad vi kan tillade os at kalde kunstig intelligens, og hvad der bare er tung databehandling, ligger pt hos den enkelte. Er det fx kunstig intelligens, når vi på IDA Universe bruger systemet PredictionIO til at anbefale artikler til dig?

Machine learning og neurale netværk: Gamle algoritmer har fået nyt liv

Inden for kunstig intelligens har der været en række store gennembrud de seneste år samt en daglig strøm af nye usecases.

Med fare for at hive de lidt for åbenlyse eksempler frem igen og igen, er vi nødt til at nævne Googles AlphaGO, som i 2016 slog verdens bedste spiller i det kinesiske spil GO. Et spil der efter sigende har flere mulige udfaldsmuligheder, end der findes atomer i universitetet, og som derfor kræver en slags intuition. AlphaGO blev endda et endnu stærkere eksempel i slutningen af 2017, da folkene bag skabte et system, der efter få timers træning og uden at observere mennesker spille kunne slå stormestre i skak, GO og shogi, også kaldet japansk skak. Det fik folk til at tale om, at systemet spillede på en overnaturlig måde. 

Men det må også betegnes som et gennembrud, at biler flere steder nu kan køre rundt uden en menneskelig fører. Samt at kunstig intelligens kan hjælpe forskere og læger med at finde mønstre, som er umulige at spotte for et menneske. Og på det seneste har der været en del fokus på især de problemer, det kan give, at kunstig intelligens bliver bedre og bedre til at imitere mennesker. Det har skabt en helt ny industri for såkaldte Deepfakes, hvor kendte menneskers ansigter bliver sat ind i fx en pornografisk eller humoristisk kontekst.

Fælles for disse AI-gennembrud er, at de bygger på en bestemt type af kunstig intelligens: Machine Learning/Deep Learning og brugen af neurale netværk. Men dykker vi bare en smule ned i de enkelte cases, viser det sig, at metoderne på ingen måde er revolutionerende i sig selv.

Som eksempel har vi tidligere beskrevet, hvordan AlphaGos sejr i GO bygger på en kombination af neurale netværk og en metode kaldet Monte Carlo tree search. Monte Carlo tree search bygger grundlæggende på en ide fra 1987, der igen bygger på teori fra 40erne. Men når algoritmerne pludselig får nyt liv, er det især to faktorer, der gør sig gældende. Regnekraften i vores systemer vokser hastigt - blandt andet fordi vi bliver bedre til også at bruge GPU’er til kunstig intelligens. Og samtidig får vi mere og mere data, som kan bruges til at træne systemerne.