Det er et almindeligt psykologisk fænomen: Gentag et ord nok gange, og det mister til sidst al betydning og opløses som blødt væv til fonetisk intetsomhed. For mange af os faldt udtrykket “kunstig intelligens” fra hinanden på denne måde for lang tid siden. AI er overalt i teknologien lige nu og siges at drive alt fra dit tv til din tandbørste, men aldrig har ordene i sig selv betydet mindre.
Det burde ikke være på denne måde.
Mens udtrykket “kunstig intelligens” utvivlsomt, utvivlsomt misbruges, gør teknologien mere end nogensinde før – både på godt og ondt. Den anvendes inden for sundhedspleje og krigsførelse; den hjælper folk med at lave musik og bøger; den gennemgår dit cv, vurderer din kreditværdighed og finjusterer de billeder, du tager på din telefon. Kort sagt træffer den beslutninger, der påvirker dit liv, uanset om du kan lide det eller ej.
Det kan være svært at forholde sig til den hype og det blær, hvormed teknologivirksomheder og annoncører taler om kunstig intelligens. Tag f.eks. Oral-B’s Genius X-tandbørste, en af de mange enheder, der blev præsenteret på CES i år, og som pralede med formodede “AI”-evner. Men hvis man graver ud over den øverste linje i pressemeddelelsen, betyder det blot, at den giver ret simpel feedback om, hvorvidt du børster dine tænder i den rigtige tid og på de rigtige steder. Der er nogle smarte sensorer involveret for at finde ud af, hvor i munden børsten befinder sig, men at kalde det kunstig intelligens er noget vrøvl, intet andet.
Når der ikke er hype involveret, er der misforståelser. Pressedækning kan overdrive forskning og klistre et billede af en Terminator på enhver vagt AI-historie. Ofte skyldes det en forvirring om, hvad kunstig intelligens overhovedet er. Det kan være et vanskeligt emne for ikke-eksperter, og folk blander ofte fejlagtigt moderne kunstig intelligens sammen med den version, de er mest fortrolige med: en sci-fi-vision om en bevidst computer, der er mange gange klogere end et menneske. Eksperter betegner denne specifikke form for AI som kunstig generel intelligens, og hvis vi nogensinde skaber noget lignende, vil det sandsynligvis ligge langt ude i fremtiden. Indtil da er ingen tjent med at overdrive intelligensen eller kapaciteten af AI-systemer.
Det er altså bedre at tale om “maskinlæring” end om AI. Det er et underområde af kunstig intelligens, og det omfatter stort set alle de metoder, der har den største indflydelse på verden lige nu (herunder det, der kaldes deep learning). Som udtryk har det ikke den samme mystik som “AI”, men det er mere nyttigt til at forklare, hvad teknologien gør.
Hvordan fungerer maskinlæring? I løbet af de sidste par år har jeg læst og set snesevis af forklaringer, og den skelnen, som jeg har fundet mest nyttig, ligger lige i navnet: maskinlæring handler om at sætte computere i stand til at lære af sig selv. Men hvad det betyder, er et meget større spørgsmål.
Lad os starte med et problem. Lad os sige, at du ønsker at lave et program, der kan genkende katte. (Af en eller anden grund er det altid katte). Du kunne forsøge at gøre det på den gammeldags måde ved at programmere eksplicitte regler som “katte har spidse ører” og “katte er pelsede” ind. Men hvad ville programmet gøre, når du viser det et billede af en tiger? Det ville være tidskrævende at programmere alle de nødvendige regler, og man ville være nødt til at definere alle mulige vanskelige begreber undervejs, såsom “pelsethed” og “spidshed”. Det er bedre at lade maskinen lære sig selv. Så du giver den en stor samling af kattebilleder, og så kigger den dem igennem for at finde sine egne mønstre i det, den ser. Den forbinder prikkerne ret tilfældigt i starten, men du tester den igen og igen og beholder de bedste versioner. Og med tiden bliver den ret god til at sige, hvad der er en kat og hvad der ikke er en kat.
Så langt, så forudsigeligt. Faktisk har du sikkert læst en forklaring som denne før, og det er jeg ked af. Men det vigtige er ikke at læse glosen, men virkelig at tænke over, hvad glosen indebærer. Hvad er bivirkningerne ved at lade et beslutningssystem lære på denne måde?
Jamen, den største fordel ved denne metode er den mest indlysende: man behøver aldrig at programmere det. Selvfølgelig laver man en helvedes masse pillearbejde, hvor man forbedrer den måde, hvorpå systemet behandler dataene, og finder på smartere måder at indtage disse oplysninger på, men man fortæller det ikke, hvad det skal lede efter. Det betyder, at det kan opdage mønstre, som mennesker måske overser eller aldrig tænker på i første omgang. Og fordi det eneste, programmet har brug for, er data – 1’er og 0’er – er der så mange opgaver, du kan træne det i, fordi den moderne verden er fyldt med data. Med en hammer til maskinlæring i hånden er den digitale verden fuld af søm, der er klar til at blive banket på plads.
Men så tænk også på ulemperne. Hvis du ikke eksplicit underviser computeren, hvordan kan du så vide, hvordan den træffer sine beslutninger? Maskinlæringssystemer kan ikke forklare deres tankegang, og det betyder, at din algoritme kan yde gode resultater af de forkerte årsager. På samme måde kan computeren, fordi alt, hvad den kender, er de data, du giver den, få et forudindtaget syn på verden, eller den kan kun være god til snævre opgaver, der ligner de data, den har set før. Den har ikke den sunde fornuft, som man ville forvente af et menneske. Du kunne bygge verdens bedste kattegenkendelsesprogram, og det ville aldrig fortælle dig, at kattekillinger ikke bør køre motorcykel, eller at det er mere sandsynligt, at en kat hedder “Tiddles” end “Megalorth den udødelige”.”
Det er en genial genvej at lære computere at lære selv. Og som alle andre genveje indebærer den, at der skal spares hjørner. Der er intelligens i AI-systemer, hvis man vil kalde det det det. Men det er ikke organisk intelligens, og den spiller ikke efter de samme regler, som mennesker gør. Man kan lige så godt spørge: Hvor klog er en bog? Hvilken ekspertise er kodet i en stegepande?
Så hvor står vi nu med kunstig intelligens? Efter flere år med overskrifter, der annoncerer det næste store gennembrud (som, ja, de er ikke helt stoppet endnu), mener nogle eksperter, at vi har nået noget af et plateau. Men det er ikke rigtig en hindring for fremskridt. På forskningssiden er der et enormt antal veje at udforske inden for vores eksisterende viden, og på produktsiden har vi kun set toppen af det algoritmiske isbjerg.
Kai-Fu Lee, en venturekapitalist og tidligere AI-forsker, beskriver det nuværende øjeblik som “implementeringens tidsalder” – et øjeblik, hvor teknologien begynder at “vælte ud af laboratoriet og ud i verden”. Benedict Evans, en anden VC-strateg, sammenligner maskinlæring med relationelle databaser, en type virksomhedssoftware, der tjente formuer i 90’erne og revolutionerede hele brancher, men det er så banalt, at dine øjne sikkert blev glaserede bare ved at læse disse to ord. Den pointe, som begge disse personer gør, er, at vi nu er nået til det punkt, hvor AI hurtigt vil blive normal. “Til sidst vil stort set alt have et eller andet sted indeni, og alle vil være ligeglade,” siger Evans.
Han har ret, men vi er ikke nået dertil endnu.
Her og nu er kunstig intelligens – maskinlæring – stadig noget nyt, som ofte forbliver uforklarligt eller underundersøgt. Så i denne uges særnummer af The Verge, AI Week, vil vi vise dig, hvordan det hele foregår lige nu, hvordan denne teknologi bliver brugt til at ændre tingene. For i fremtiden vil det være så normalt, at du ikke engang vil lægge mærke til det.
Den sort-hvide Snyder Cut er helt sikkert sort-hvid og helt sikkert stadig 4:3
Halo Infinites udviklere smadrede et klaver for at optage lyde til spillet
Lokale opkald uden områdekoder vil stort set forsvinde til oktober – men af en god grund
Vis alle historier i Teknik