I takt med att artificiell intelligens utvecklas och blir allt smartare väcks fler frågor om hur AI kommer att påverka vårt samhälle och vad dess inverkan på hur vi lever våra liv kommer att vara.
Trots att AI fortfarande är i sin linda på många sätt går utvecklingen av denna teknik i en rasande takt. Dessutom går utveckling snabbare och snabbare som ett resultat av att tekniken blir alltmer avancerad och kapabel.
Trots att det fortfarande är relativt tidigt i AI:s historia har denna teknik redan visat sig ha en enorm inverkan på en mängd olika områden, från att effektivisera industriella processer till att förenkla våra dagliga liv och allt däremellan. På grund av dess växande kapacitet är frågor om dess förmågor alltmer relevanta. En av de mest intressanta frågorna i detta avseende är huruvida en AI faktiskt kan tänka självständigt.
I denna artikel ska vi därför diskutera just detta för att få en bättre förståelse för hur en AI ”tänker” och vad det innebär rent konkret med en maskin och en teknik som har förmågan att tänka självständigt.
Grundläggande om AI
Innan vi sätter igång kan det vara bra att ha en grundläggande förståelse för vad AI faktiskt är. Enkelt sammanfattat kan AI definieras som en gren inom datavetenskap som innefattar utvecklingen av maskiner som kan utföra uppgifter som traditionellt sett kräver mänsklig intelligens. Detta kan inkludera allt från problemlösning till igenkänning av tal och bilder, eller till och med beslutsfattande.
En viktig grundsten i AI är att den har en förmåga att lära sig och anpassa sig över tid för att förbättra prestanda och resultat – inte bara att utföra specifika instruktioner såsom traditionella datasystem fungerar.
Artificiell intelligens består av flera olika komponenter som utgör grunden i AI-system och det kan vara bra att känna till dessa för att förstå på ett mer tekniskt plan hur artificiell intelligens fungerar.
Maskininlärning
Först och främst har vi maskininlärning vilket – precis som det låter – innebär att man tränar och lär systemen med hjälp av data för att förbättra deras prestanda. Data är helt centralt i utveckligen av AI-system och desto mer data (och kvalitativ data), desto mer kapabel och avancerad kan man göra systemet. Det finns i sin tur olika metoder för maskininlärning där de vanligaste är övervakad inlärning, övervakad inlärning, och förstärkningsinlärning. Detta är i praktiken bara olika metoder för att träna AI-system som var och en har sina för-och nackdelar.
För att effektivt träna upp ett AI-system krävs stora mängder data. Datan används för att träna och ”lära upp” algoritmen genom att gradvis justera dess interna parametrar för att förbättra resultaten och minimera fel. Det är denna process som kallas maskininlärning.
Neurala nätverk
En annan viktig komponent av artificiell intelligens är neurala nätverk. Neurala nätverk är inspirerade av den mänskliga hjärnans struktur och består av lager av så kallade noder som arbetar tillsammans för att identifiera mönster och egenskaper i stora mängder data. En typ av neuronnät är djupa neuronnät vilken innehåller många dolda lager. Detta gör dem särskilt kraftfulla för komplexa uppgifter som bild- och taligenkänning.
Naturlig språkbehandling (NLP)
Naturlig språkbehandling är ett område inom AI som fokuserar på interaktionen mellan datorer och människor genom naturligt språk. Den syftar till att förstå, tolka, och generera mänskligt språk på ett kvalitativt sätt. Naturligt språkbehandling är helt central inom AI eftersom att många AI-system använder sig av språkfunktioner på ett eller annat sätt. Det kan till exempel vara en personlig assistent som måste förstå språk och utföra kommandon utifrån detta, eller dt kan vara ett verktyg med fokus på generativ AI som skapar högkvalitativ och mänsklig text såsom Tolio.
Funktionerna för AI system kan variera mycket beroende på syfte och användningsområden. Naturligtvis varierar algoritmerna, sätten de tränas på, och datan de tränas med beroende på deras avsedda användningsområde.
AI:s kapacitet för självständigt tänkande
Nu när vi har en lite bättre förståelse för AI ur ett tekniskt perspektiv kan vi gå vidare och diskutera frågan om AI an tänka själv – alltså att den har en förmåga till eget medvetande.
Vi vet redan att AI-system har en imponerande förmåga att göra allt från att generera människoliknande text till att diskutera komplexa problem och frågor men frågan är om detta bara är ett resultat av träning, algoritmer, och data, eller om det är AI:n som tänker själv. Vad innebär de tens att en AI ”tänker” självständigt?.
Vad innebär ”tänkande” för AI?
Tänkande innefattar förmågan att utveckla nya idéer, lösa problem, förstå komplexa koncept, och fatta beslut utifrån tillgänglig information.
I praktiken innebär detta för AI en förmåga att bearbeta data och information på ett sätt som efterliknar dessa mänskliga tankeprocesser. Det inkluderar:
Problemlösning: AI kan identifiera problem och hitta lösningar baserade på inlärda eller förprogrammerade parametrar och data. Två bra exempel är Deep Blue och AlphaGo som är exempel på AI som använder avancerade så kallade heuristiker och simuleringar för att vinna över motståndare i komplexa spel.
Beslutsfattande: Beslutsfattande är en annan viktig komponent av att tänka själv. Autonoma fordon som använder AI för att navigera i trafik är ett exempel på maskiner som fattar beslut i realtid. Självkörande bilar måste ständigt analysera information omkring den och snabbt ta beslut utifrån denna data. Just AI-system för autonoma fordon samlar in och analyserar data från sensorer och kameror för att kontinuerligt besluta hur den ska föra fram fordonet. Detta inkluderar allt från val av rutt, hastighet och manövreringar.
Imponerande nog finns det gott om exempel på AI-system som uppvisar en förmåga av självständigt tänkande. Detta är naturligtvis någonting som bara kommer att fortsätta växa i takt med att utveckligen av AI fortskrider.
Till exempel har AI-system inom sjukvården utvecklats för att diagnosticera sjukdomar från medicinska bilder med högre precision än mänskliga experter i vissa fall. Detta återkopplas till AI:ns förmåga att tränas på enorma mängder data – i detta fal genom att analysera tusentals bilder – vilket gör att AI:n kan lära sig att upptäcka mönster som kan indikera olika sjukdomar.
Ett annat exempel är personliga assistenter såsom Google Assistant och Siri. Dessa system kan utföra komplexa uppgifter såsom att söka information eller utföra köp baserat på muntliga kommandon från användaren.
De tekniska framsteg under senare år som har gjort denna typ av ”tänkande” från AI:n möjlig inkluderar inte minst förbättrade maskininlärningstekniker och utvecklingen av djupa neuronnät. Dessa förbättrade tekniker har gjort att AI nu inte bara kan reagera på förinställda kommandon utan också på ett adaptivt sätt lära sig från nya situationer och på så sätt ständigt justera sina beslut i realtid.
Tekniska hinder
Så även om vissa AI-system idag uppvisar en förmåga att kunna ”tänka” är frågan lite mer komplex än så. Det finns fortfarande många begränsningar och hur man definierar termer såsom ”tänkande” har också en viktig påverkan på vad det innebär att en AI tänker – och huruvida den faktiskt gör det.
Tekniska begränsningar
När det kommer till AI och dess förmåga att tänka finns det flera tekniska begränsningar och hinder som är viktiga att diskutera.
Först och främst har vi generalisering och anpassningsförmåga. Bristen på generaliseringsförmåga är en av de största utmaningarna för AI. Människor har en förmåga att tillämpa kunskap från en kontext till en helt annan men AI-system är generellt specialiserade på specifika och snäva uppgifter. Detta gör att de kan ha svårt att använda kunskap från ett område och kontext och applicera denna på ett helt annat område. Detta är rent tekniskt möjligt men det kräver omfattande omarbetning eller ytterligare träning.
En annan utmaning som AI-system har är att de är beroende av data. Detta innebär i praktiken att AI-systemen bara kan vara så bra som den data de tränas på. Med andra ord, om ett AI-system är tränad på begränsad, bristfällig, eller data av låg kvalitet kommer det att leda till dålig prestanda i form av bias eller felaktiga slutsatser. Med detta sagt är det otroligt viktigt att AI-system utveckla stora mängder data och dessutom data som håller hög kvalitet och är relevant.
Sist men inte minst, djupa neuronnät är ofta kärnan i avancerade AI-system och dessa tenderar att vara svåra att tolka. Problemet med detta är att det skapar en effekt där beslutsprocessen inte är öppen för insyn, något som kan försvåra verifiering och förståelse av AI:s beslut.
AI:ns förmåga att tänka själv
Att svara på om en AI kan tänka själv är faktisk ganska komplex eftersom att det involverar flera filosofiska frågor om vad ”tänkande” faktisk är. Vi har redan konstaterat att AI-system kan utföra en mängd olika uppgifter som involverar det som vi skulle klassificera som tänkande men frågan är om det faktiskt är AI:n som ”tänker själv” eller om den bara utför uppgifter med hjälp av de algoritmer och den data den är tränad och utrustad med.
För att utveckla detta resonemang är en grundläggande fråga om AI verkligen kan ha ett medvetande eller intentioner. Medvetande involverar en subjektiv upplevelse och självmedvetenhet och detta är någonting som man inte kan säga att AI har idag. Med det sagt, utan dessa mänskliga kvaliteter kan man se AI:s ”tänkande” mer som avancerad dataprogrammering än verklig tankeprocess.
Ett intressant begrepp att diskutera i detta sammanhang är ”The Chinese Room” vilket är ett begrepp som filosofen John Searle introducerade. Denna term illustrera skillnaden mellan att simulera förståelse och att faktiskt förstå. För att följa detta begrepp innebär det att även om en aI kan bete sig som om den förstår språk eller koncept och därmed ge sken av att den kan tänka, ”förstår” den faktiskt inte på samma sätt som en människa – den agerar bara och därmed ger sken av att den förstår på grund av de algoritmer den har utvecklats med.
Med det sagt, om AI utvecklas till en punkt där den faktiskt kan tänka självständigt vilket är högst möjligt med tanke på den enormt snabba takt som AI utvecklas uppstår en hel del frågetecken som mänskligheten behöver reda ut. Till exempel uppstår frågan om ansvarighet. Vem är ansvarig för AI:s handlingar? Och har AI rättigheter? Dessa frågor förutsätter att AI:n på ett sätt har en nivå av autonomi och även om det kan kännas som science fiction idag är det någonting som ledande personer inom denna teknologi ständigt tar upp i olika diskussioner.