Artificial Intelligence (AI) gør forbløffende fremskridt i disse år, og kan i mange områder udkonkurrere den menneskelige hjerne med flere længder. Ikke desto mindre har AI også sine begrænsninger, og skal ikke forveksles med den måde vi selv fungerer på.

Den 13. september 1848, arbejdede den 25-årige mand Phineas Cage på en jernbanestrækning i Vermont. Hans job bestod i at lave kontrollerede sprængninger ved at placere krudt og sand i et hul, og derefter stampe det forsigtigt sammen med en jernstang. I et uopmærksomt øjeblik, blev jernstangen presset direkte ned i krudtet der eksploderede. Den 6 kilo tunge jernstang fløj op gennem Phinea Cage’s mund, gennemborede hans kranie, fløj ud igennem panden og landede flere hundrede meter væk. På mirakuløs vis overlevede han denne ulykke, selvom han angiveligt ændrede personlighed og måtte skifte job.

Ulykken med Phineas Cage, støder man ofte på i litteratur der omhandler intelligens, og er et dramatisk eksempel på hvor fleksibel vores hjerne er. Ulykken åbnede op for forskning i de forskellige hjernedeles funktion, og det bliver stadig diskuteret hvordan det kunne lade sig gøre at overleve denne ulykke, hvilket vidner om at der stadig er elementer af den menneskelige hjerne, vi ikke helt forstår.

De første primitive hjernelignende strukturer dukkede op i evolutionshistorien, da levende væsener begyndte at kunne bevæge sig rundt og den blev gradvis mere kompleks, efterhånden som dyreverdenen udviklede sig. Hjernen, som vi kender den i dag, kom sandsynligvis først til verden mellem 35.000 og 70.000 år siden, hvilket i evolutionsmæssig perspektiv var i går. Det er således først fornyligt, at vi er blevet i stand til at reflektere, skrive og argumentere som vi gør i dag.

Det er også selvsamme hjerne, der har gjort os i stand til at udvikle computere og dermed lave programmer der simulerer vores egen tankeproces: kunstig intelligens. Begrebet blev defineret i 1956 i forbindelse med en konference, der havde til formål at studere en række emner, herunder sprogteori neurale netværk, kompleksitetsteori, kreativitet osv.

I de tidlige dage af forskningen i kunstig intelligens forudså mange forskere, at man ville være i stand til at skabe tænkende maskiner inden for et par få årtier. Optimismen opstod til dels, fordi det var lykkedes at skrive programmer, der brugte logik og algebra, og som kunne spille skak og dam. Logik og algebra er svært for mennesker, og at have den slags kompetencer bliver derfor betragtet som et tegn på intelligens. Forskerne antog, at ved at have løst alle svære problemer, ville de nemme problemer som eksempelvis visuel genkendelse hurtigt falde på plads. Så nemt viste det sig ikke at gå, og først indenfor de senere år er man ved at kunne lave systemer baseret på kunstig intelligens der kan genkende sprog og tale.

Disse problemer faktisk er enormt svære at løse og stadigvæk kun er delvist løst. Dette bliver omtalt som Moravecs paradoks. Moravecs paradoks er erkendelsen af, at højniveau ræsonnering kræver relativt lidt com­puterberegning, mens lavniveau sensormotoriske evner kræver enorm beregningskraft. Som Moravec skrev:

Det er relativt nemt at få computere til at udføre handlinger på niveau med voksne i for eksempel intelligenstests eller til at spille skak, men det er svært at få dem til at have evnerne som en etårig, når det gælder perception og mobilitet.

Lingvist og kognitiv forsker Steven Pinker betragter det som en af de mest værdifulde opdagelser af forskere i kunstig intelligens. I sin bog »The Language Instinct« skriver han:

Hovedlektien i 35 års forskning er, at svære problemer er nemme, og at nemme problemer er svære.

De mentale evner, som vi tager for givet hos en fireårig – at genkende et ansigt, løfte en blyant, gå tværs igennem et rum, svare på et spørgsmål – er faktisk nogle af de sværeste problemer at løse fra et ingeniørmæssigt perspektiv.

Kunstig intelligens var i mange år præget af en filosofi om at overføre teorier, modeller og regler som kendte i forvejen til computer. Denne tilgang er transparent og logisk og fungerer godt i mange tilfælde, men fejler så snart opgaven ændrer sig eller bliver for kompleks. En anden tilgang, som har vundet væsentlig mere indpas de seneste år, er den erfaringsbaserede tilgang – eksempelvis ved brug af neurale netværk. Med neurale netværk fodrer man computeren med en masse eksempler, hvorved den selv opbygger en model og en systematik omkring data. Denne metode er mindre transparent, men fungerer godt i områder med stor kompleksitet og dynamik – forudsat man har tilstrækkeligt med god træningsdata.

Selvom teorien bag neurale netværk er over 60 år gammel, har teknologien fået en renæssance de seneste år. Til dels fordi algoritmerne bag er blevet mere avancerede, men i mindst lige så høj grad fordi mængden af træningsdata er vokset. Man anslår at 90% af det data der findes i dag, er skabt indenfor de sidste to år, hvilket svarer til 2,5 trillioner bytes (eller 250 millioner menneskehjerner målt i antallet af neuroner). Denne udvikling har været i gang siden computerens fødsel, og gør at man i dag har datagrundlaget til at kunne træne neurale netværk til eksempelvis at genkende kattevideoer på YouTube eller skelne vejtræer fra fodgængere i førerløse biler.

På trods af de seneste års hæsblæsende fremskridt, skal man dog ikke forveksle kunstig intelligens med den menneskelige. Kunstig intelligens fungerer vertikalt, dvs. indenfor et meget afgrænset område og under de rigtige forudsætninger. Den menneskelige intelligens er derimod ekstrem fleksibel og kan benyttes til langt flere forskelligartede opgaver – altså horisontalt.

Næsten dagligt beretter medierne om hvordan kunstig intelligens kommer til at revolutionere alt fra forretnings-modeller til arbejdsmarkedet som helhed. Der er noget om snakken, men kunstig intelligens dækker over mange forskellige typer af teknologier og teknikker. Det er ikke en snuptags-løsning, der på mirakuløs vis kan automatisere alt fra bilkørsel til pensionsudbetalinger.

Kunstig intelligens drejer sig i dag i høj grad om at se sammenhænge i store datamængder, der tilsyneladende er kaotiske og ikke-komplette, samt teknikker til at træffe beslutninger og valg på baggrund af ikke-komplet infor­mation. Overordnet kan man sige, at det fundamentale princip er at man systematisk søger efter en løsning.

Der er dog stor forskel på hvilke værktøjer man skal bruge, afhængigt af hvilket problem man kigger på. Man kan desværre ikke bare drysse kunstig intelligens ud over ethvert givent system, og således gøre det smart eller tænkende. Under motorhjelmen på alle systemer der benytter sig af kunstig intelligens, er der skræddersyede statistiske modeller, møjsommeligt udvalgte og filtrerede data, specifikke algoritmer og ikke mindst mange, mange timers ingeniørarbejde.

Selvom der sker en hastig udvikling inden for kunstig intelligens og der er ufattelige mange anvendelsesområder, så skal kunstig intelligens ikke forveksles med nemme løsninger.