I august 1955 indsendte en gruppe forskere en anmodning om finansiering på $13 til at gennemføre et sommerseminar på Dartmouth College, New Hampshire. Det felt, de foreslog at udforske, var kunstig intelligens (AI). Selvom finansieringsanmodningen var beskeden, var forskernes hypotese ikke: "Ethvert aspekt af læring eller ethvert andet træk ved intelligens kan i princippet beskrives så præcist, at en maskine kan bygges til at efterligne den."
Siden denne beskedne begyndelse har film og medier romantiseret kunstig intelligens eller portrætteret det som en skurk. Men for de fleste mennesker er AI kun forblevet et spørgsmål om debat og ikke en del af bevidst livserfaring.
I slutningen af sidste måned, AI i form af ChatGPT er brudt ud af science fiction-spekulation og forskningslaboratorier og over på den brede offentligheds desktops og telefoner. Dette er den såkaldte "generative AI" - en uventet intelligent formuleret prompt kan skrive et essay eller lave en opskrift og en indkøbsliste eller skabe et digt i stil med Elvis Presley.
Selvom ChatGPT har været den mest imponerende deltager i et år med generativ AI-succes, systemer som dette har vist endnu større potentiale til at skabe nyt indhold, og tekst-til-billede-prompter bliver brugt til at skabe levende billeder, der endda har vundet kunstkonkurrencer. AI har måske endnu ikke en levende bevidsthed eller sindets teori populært i science fiction-film og romaner, men det kommer tættere på i det mindste at forstyrre, hvad vi tror, kunstige intelligenssystemer kan gøre.
Forskere, der arbejder tæt sammen med disse systemer, falder i svime over udsigten til intelligens, som i tilfældet med Googles LaMDA Large Language Model (LLM). LLM er en model, der er blevet trænet til at behandle og generere naturligt sprog.
Generativ AI har også rejst bekymringer om plagiat, udnyttelsen af originalt indhold, der bruges til at bygge modeller, etikken omkring informationsmanipulation og misbrug af tillid og endda "slutningen af programmering."
Hvad betyder AI egentlig?
I centrum for alt dette er et spørgsmål, hvis relevans er vokset lige siden sommerseminaret i Dartmouth: Er AI forskellig fra menneskelig intelligens? For at blive betragtet som AI skal et system demonstrere et vist niveau af læring og tilpasning. Af denne grund er beslutningstagning, automatisering og statistiske systemer ikke AI. Overordnet set er AI opdelt i to kategorier: kunstig smal intelligens (AI) og kunstig generel intelligens (AI). I øjeblikket eksisterer SHI ikke. En nøgleudfordring for at opbygge generel kunstig intelligens er at modellere verden tilstrækkeligt med hele viden på en konsistent og nyttig måde. Det er mildest talt en storstilet opgave.
Det meste af det, vi kender som AI i dag, har snæver intelligens - hvor et specifikt system løser et specifikt problem. I modsætning til menneskelig intelligens er en sådan snæver AI-intelligens kun effektiv i det domæne, hvor den er blevet trænet: såsom svindeldetektion, ansigtsgenkendelse eller sociale anbefalinger. Og AI vil fungere på samme måde som en person. I øjeblikket er det mest fremtrædende eksempel på forsøg på at opnå dette brugen af neurale netværk og deep learning trænet på enorme mængder data.
Neurale netværk er inspireret af, hvordan den menneskelige hjerne fungerer. I modsætning til de fleste maskinlæringsmodeller, som udfører beregninger på træningsdata, fungerer neurale netværk ved at fodre hvert datapunkt på skift gennem et sammenkoblet netværk og justere parametrene hver gang. Efterhånden som flere og flere data føres gennem netværket, stabiliseres parametrene, hvilket resulterer i et "trænet" neuralt netværk, der så kan producere det ønskede output på nye data - for eksempel ved at genkende, om et billede indeholder en kat eller en hund.
Et betydeligt spring i udviklingen af kunstig intelligens i dag skyldes teknologiske forbedringer i metoderne til at lære store neurale netværk, som gør det muligt at justere et stort antal parametre under hver kørsel takket være mulighederne i store cloud computing-infrastrukturer. For eksempel er GPT-3 (AI-systemet, der driver ChatGPT) et stort neuralt netværk med 175 milliarder parametre.
Hvad skal der til for at kunstig intelligens virker?
Kunstig intelligens har brug for tre ting for at fungere med succes. For det første har han brug for kvalitet, objektive data og meget af det. Forskere, der bygger neurale netværk, bruger store rækker af data, der er dukket op takket være digitaliseringen af samfundet.
Som supplement til menneskelige programmører trækker Co-Pilot sine data fra milliarder af linjer kode hostet på GitHub. ChatGPT og andre store sprogmodeller bruger de milliarder af websteder og tekstdokumenter, der er gemt på internettet.
Tekst til billede konverteringsværktøjer som f.eks Stabil diffusion, DALLE-2 og Midjourney, brug billed-tekst-par fra datasæt såsom LAION-5B. AI-modeller vil fortsætte med at udvikle sig, efterhånden som vi digitaliserer mere af vores liv og fodrer dem med alternative datakilder, såsom simuleringsdata eller data fra spilindstillinger som Minecraft.
AI har også brug for computerinfrastruktur for at træne effektivt. Efterhånden som computere bliver mere kraftfulde, kan modeller, der nu kræver en intensiv indsats og storskalaberegninger, i den nærmeste fremtid blive behandlet lokalt. Eksempelvis kan Stable Diffusion-modellen allerede køres på lokale computere og ikke i cloud-miljøer. Det tredje behov for kunstig intelligens er forbedrede modeller og algoritmer. Datadrevne systemer fortsætter med at gøre hurtige fremskridt inden for områder, der engang blev betragtet som domænet for menneskelig kognition.
Men da verden omkring os konstant ændrer sig, skal AI-systemer konstant omskoles ved hjælp af nye data. Uden dette vigtige skridt vil AI-systemer give svar, der er faktuelt forkerte eller ikke tager højde for ny information, der er dukket op, siden de blev trænet.
Neurale netværk er ikke den eneste tilgang til kunstig intelligens. En anden bemærkelsesværdig lejr inden for forskning i kunstig intelligens er symbolsk AI – i stedet for at fordøje store arrays af data, er den afhængig af regler og viden, der ligner den menneskelige proces med at danne interne symbolske repræsentationer af visse fænomener.
Men i løbet af det seneste årti har magtbalancen vippet kraftigt mod datadrevne tilgange, og "grundlæggerne" af moderne deep learning blev for nylig tildelt Turing-prisen, der svarer til Nobelprisen i datalogi.
Data, beregninger og algoritmer danner grundlaget for fremtidens AI. Alle indikatorer peger på hurtige fremskridt inden for alle tre kategorier i en overskuelig fremtid.
Du kan hjælpe Ukraine med at kæmpe mod de russiske angribere. Den bedste måde at gøre dette på er at donere midler til Ukraines væbnede styrker gennem Red livet eller via den officielle side NBU.