Begreber: “Kunstig intelligens” er ikke intelligent

Mennesker anvender intelligens til at løse opgaver. Men maskiner løser ikke opgaver ved hjælp af intelligens. Andre kræfter, som vi ikke forstår, er på spil.

Maskiner kan i dag løse mange opgaver, som ville kræve en veludviklet intelligens, hvis de skulle løses af mennesker.

Eksemplerne spænder fra analyse af røntgenbilleder og forberedelse af retssager til lastbilkørsel og politiarbejde.

For hver uge der går, bliver maskiner bedre til at løse opgaver, som mennesker hidtil har haft monopol på at løse, baseret på vores enestående evne til at lære ved at kombinere intelligens med intuition.

Når vi ser maskiner løse ekstremt komplicerede opgaver, kan det være nærliggende at betegne maskinerne som intelligente.

Men maskinerne er ikke – og er ikke på vej til at blive – intelligente.

Andre kræfter er på spil.

De første generationer af kunstig intelligens benyttede sig især af den store regnekraft, som nyudviklede computere kunne stille til rådighed.

Det er eminent skildret i filmen, The Imitation Game, der (med betydelig kunstnerisk frihed) bygger på Alan Turings banebrydende arbejde med at udvikle en elektronisk computer i England i 1940-erne.

IBM’s Deep Blue-computer satte en milepæl for udnyttelse af rå computerkraft ved at slå en stormester i skak i 1997.

Denne form for kunstig intelligens byggede på avanceret programmering, hvor en given opgave blev delt op i sine mindste bestanddele, og hvor vejen frem til den rigtige løsning kunne beskrives i logiske termer.

Herefter kunne man med anvendelse af rå computerkraft regne sig frem til de rigtige løsninger langt hurtigere end mennesker ville være i stand til.

De nye, store spring fremad i udviklingen af kunstig intelligens, der er sket i de seneste år, bygger især på en ny generation af løsninger, der anvender en radikalt anderledes metode.

De nye systemer er ikke programmeret til at løse bestemte opgaver ved at regne sig frem til det rigtige svar, men er baseret på en evne til at oplære sig selv til at kunne finde det bedste svar.

For at kunne udvikle den type systemer kræves der langt større mængder af rå computerkraft, end man nogensinde før har haft adgang til, og det er koncentrationen af computerkraft i de store globale hyper-datacentre, der har tilvejebragt adgang til de enorme computerkræfter, der skal bruges til at udvikle og anvende lærende systemer.

Det er denne nye generation af kunstig intelligens baseret på lærende systemer, der nu – i dramatisk tempo – udnyttes til at løse komplicerede opgaver inden for medicin, retsvæsen, uddannelse, transport, energiforsyning og stribevis af andre væsentlige samfundsområder.

Eksempelvis har lærende systemer på få måneder været i stand til at lære sig at stille diagnoser baseret på fortolkning af røntgenbilleder med større præcision end de bedste og mest erfarne læger.

Disse systemer er vidunderlige redskaber, der vil kunne hjælpe med at reducere energiforbruget i samfundet, udbrede sundhedsydelser til langt flere mennesker for en brøkdel af de nuværende omkostninger, og de vil kunne hjælpe med reducere antallet af trafikdræbte til et minimum og meget mere.

Men der er en pris.

Lærende systemer anvender en metode til at opnå indsigt og færdigheder, som vi ikke forstår.

Mennesker har med anvendelse af vores intelligens opnået at kunne konstruere lærende systemer, men vores intelligens rækker endnu ikke til at forstå, hvordan disse lærende systemer fungerer, når de først er bygget.

Kunstig intelligens baseret på lærende systemer er en sort boks, og ingen ved, hvad der foregår inde i den sorte boks.

Vi kan konstatere, at lærende systemers præcisionen i diagnoser baseret på analyser af røntgenbilleder, er bedre end de bedste lægers.

Men vi ved ikke, hvordan maskinerne når frem til disse resultater.

Det udfordrer nogle grundlæggende forestillinger om videnskab og om værdien af videnskabelig uddannelse.

I flere hundrede år har respekten for videnskabelig dannelse været bygget op omkring værdien af at kunne gennemskue, hvor viden kommer fra, og at kunne redegøre rationelt for, hvorfor man kan stole på og handle ud fra en bestemt viden.

I de kommende ti år vil et stigende antal komplicerede funktioner på arbejdsmakredet og store videnskabelige fremskridt blive understøttet af kunstig intelligens baseret på lærende systemer.

Systemerne vil kunne give os store økonomiske gevinster og stribevis af banebrydende svar på alt mellem himmel og jord, som videnskaberne har eftersøgt i årtier.

Men mennesker vil ikke have et clue om, hvordan disse svar er fremkommet eller, hvorfor de er sande.

Henvisninger og baggrund: 07.06.2017