Har du helt styr på kunstig intelligens endnu?
I løbet af de sidste seks måneder er chatbots som ChatGPT og billedgeneratorer som Midjourney hurtigt blevet et kulturelt fænomen. Men kunstig intelligens (AI) eller "maskinlæring" har udviklet sig i et stykke tid.
I denne begynderguide vil vi gå ud over chatbots for at opdage forskellige typer af AI - og se, hvordan disse mærkelige nye digitale væsner allerede spiller en rolle i vores liv.
Hvordan lærer AI?
Kernen i al maskinlæring er en proces kaldet træning, hvor et computerprogram får en stor mængde data - nogle gange med etiketter, der forklarer, hvad dataen er - og en række instruktioner. Instruktionen kan være noget i retning af: "find alle billederne med ansigter" eller "kategoriser disse lyde". Programmet vil derefter søge efter mønstre i den givne data for at opnå disse mål. Det kan kræve lidt hjælp undervejs - såsom "det er ikke et ansigt" eller "disse to lyde er forskellige" - men hvad programmet lærer fra dataen og de ledetråde, det får, bliver AI-modellen - og træningsmaterialet ender med at definere dens evner.
En måde at se på, hvordan denne træningsproces kan skabe forskellige typer af AI, er at tænke på forskellige dyr. Over millioner af år har den naturlige miljø ført til, at dyr udvikler specifikke evner. På en lignende måde vil de millioner af cyklusser, en AI gennemgår gennem sine træningsdata, forme dens udvikling og føre til specialiserede AI-modeller.
Hvad er chatbots?
Forestil dig en chatbot som lidt som en papegøje. Den er en efterligning og kan gentage ord, den har hørt, med en vis forståelse for deres sammenhæng, men uden en fuld forståelse af deres betydning. Chatbots gør det samme - dog på et mere sofistikeret niveau - og er på nippet til at ændre vores forhold til skreven tekst.
Men hvordan ved disse chatbots, hvordan de skal skrive? Det kommer sig af en type AI kendt som store sprogmodeller (LLM'er) og trænes med enorme mængder tekst. En LLM er i stand til at overveje ikke kun enkelte ord, men hele sætninger og sammenligne brugen af ord og fraser i en passage med andre eksempler på tværs af al dens træningsdata. Ved hjælp af disse milliarder af sammenligninger mellem ord og fraser er den i stand til at læse et spørgsmål og generere et svar - ligesom forudsigende tekstbeskeder på din telefon, men i stor skala.
Det fantastiske ved store sprogmodeller er, at de kan lære grammatikkens regler og hvordan man bruger ord i den rette sammenhæng, uden menneskelig assistance.
Selvkørende biler
Nye selvkørende biler, som er ved at blive udviklet, bruger bilen AI-modellens data fra dens sensorer til at identificere objekter og finde ud af, om de bevæger sig, og i så fald hvad slags bevægeligt objekt de er - en anden bil, en cykel, en fodgænger eller noget andet.
Tusinder og tusinder af timers træning for at forstå, hvordan god kørsel ser ud, har gjort det muligt for AI at træffe beslutninger og handle i den virkelige verden for at køre bilen og undgå sammenstød. Forudsigende algoritmer har måske haft svært ved i mange år at håndtere de ofte uforudsigelige menneskelige føreres natur, men førerløse biler har nu indsamlet millioner af miles data på virkelige veje. I San Francisco transporterer de allerede betalende passagerer.
Autonom kørsel er også et meget offentligt eksempel på, hvordan nye teknologier skal overvinde mere end bare tekniske udfordringer. Lovgivning og sikkerhedsregler, sammen med en dyb følelse af angst over, hvad der sker, når vi overlader styringen til maskiner, er stadig potentielle forhindringer for en fuldt automatiseret fremtid på vores veje.
Hvad ved AI om mig?
Nogle AI'er beskæftiger sig simpelthen med tal, samler dem og kombinerer dem i stor volumen for at skabe en skat af information, hvis produkter kan være ekstremt værdifulde. Der er sandsynligvis allerede flere profiler af dine finansielle og sociale handlinger, især dem online, som kunne bruges til at forudsige din adfærd. Din supermarkedskundekort sporer dine vaner og smag gennem din ugentlige indkøbstur. Kreditbureauerne holder styr på, hvor meget du har i banken, og hvad du skylder på dine kreditkort. Netflix og Amazon holder styr på, hvor mange timer med indhold du streamede i går aftes. Dine sociale mediekonti ved, hvor mange videoer du kommenterede i dag.
Og det er ikke kun dig, disse tal eksisterer for alle, hvilket muliggør, at AI-modeller kan gennemgå dem og lede efter sociale tendenser. Disse AI-modeller formet allerede dit liv, fra at hjælpe med at beslutte, om du kan få et lån eller boliglån, til at påvirke hvad du køber ved at vælge, hvilke annoncer du ser online.
Vil AI være i stand til at gøre alt?
Ville det være muligt at kombinere nogle af disse færdigheder i en enkelt, hybrid AI-model? Det er præcis, hvad en af de mest recente fremskridt inden for AI gør. Den kaldes multimodal AI og tillader en model at se på forskellige typer data - såsom billeder, tekst, lyd eller video - og opdage nye mønstre mellem dem. Denne multimodale tilgang var en af grundene til det enorme spring i evne, der blev vist af ChatGPT, da dens AI-model blev opdateret fra GPT3.5, der kun blev trænet på tekst, til GPT4, der blev trænet med billeder såvel. Ideen om en enkelt AI-model, der er i stand til at behandle enhver form for data og dermed udføre enhver opgave, fra at oversætte mellem sprog til at designe nye lægemidler, er kendt som kunstig generel intelligens (AGI).
Hvordan lærer AI af sig selv?
Overvåget læring er en utrolig kraftfuld træningsmetode, men mange af de seneste gennembrud inden for AI er blevet muliggjort af usuperviseret læring. I sin enkleste form er dette, hvor brugen af komplekse algoritmer og enorme datasæt betyder, at AI kan lære uden nogen menneskelig vejledning.
ChatGPT er måske det mest kendte eksempel. Mængden af tekst på internettet og i digitaliserede bøger er så stor, at ChatGPT over mange måneder var i stand til at lære at kombinere ord på en meningsfuld måde af sig selv, hvorefter mennesker hjalp med at finjustere dens svar. Forestil dig, at du havde en stor bunke bøger på et fremmed sprog, måske nogle af dem med billeder.
På et tidspunkt ville du måske finde ud af, at det samme ord optrådte på en side, når der var en tegning eller et foto af et træ, og et andet ord, når der var et foto af et hus. Og du ville se, at der ofte var et ord i nærheden af disse ord, der måske betød "en" eller måske "den" - og så videre. ChatGPT lavede denne form for tæt analyse af forholdet mellem ord for at opbygge en enorm statistisk model, som den derefter kan bruge til at lave forudsigelser og generere nye sætninger. Den er afhængig af enorme mængder computerkraft, der giver AI mulighed for at huske enorme mængder ord - alene, i grupper, i sætninger og over sider - og derefter læse og sammenligne, hvordan de bruges igen og igen på en brøkdel af et sekund.
Skal jeg være bekymret for AI?
De hurtige fremskridt inden for dyb læring i det sidste år har skabt en bølge af entusiasme, men også ført til mere offentlig engagement med bekymringer om fremtiden for kunstig intelligens. Der har været meget diskussion om, hvordan bias i træningsdata indsamlet fra internettet - såsom racistisk, sexistisk og voldelig tale eller snævre kulturelle perspektiver - fører til, at kunstig intelligens reproducerer menneskelige fordomme.
En anden bekymring er, at kunstig intelligens kan blive bedt om at løse problemer uden fuldt ud at overveje etikkens eller bredere implikationers virkninger, hvilket skaber nye problemer i processen. Inden for AI-kredse er dette blevet kendt som "papirklipsmaksimeringsproblemet", efter en tankeeksperiment af filosoffen Nick Bostrom. Han forestillede sig en kunstig intelligens, der blev bedt om at skabe så mange papirclips som muligt, som langsomt afleder alle naturlige ressourcer på planeten for at opfylde sit mål - inklusive at dræbe mennesker for at bruge som råvarer til flere papirclips.
Andre siger, at i stedet for at fokusere på muligt morderiske AI'er i fremtiden, bør vi være mere bekymrede for det umiddelbare problem med, hvordan folk kunne bruge eksisterende AI-værktøjer til at øge mistilliden til politik og skepsis over for alle former for medier. Især er verdens øjne rettet mod præsidentvalget i 2024 i USA, for at se hvordan vælgere og politiske partier håndterer et nyt niveau af sofistikeret misinformation.
Hvad sker der, hvis sociale medier oversvømmes med falske videoer af præsidentkandidater, skabt med AI og skræddersyet til at gøre forskellige grupper af vælgere vrede?
I Europa er EU ved at skabe en lovgivning om kunstig intelligens for at beskytte sine borgeres rettigheder ved at regulere implementeringen af AI - for eksempel et forbud mod at bruge ansigtsgenkendelse til at spore eller identificere personer i realtid på offentlige steder.