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.

I de tidlige dage i forskningen i kunstig intelligens i 1950’erne, forudså mange forskere, at man ville være i stand til at skabe tænkende maskiner inden for 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 næsten alle svære kognitive problemer ville de nemme problemer som eksempelvis visuel genkendelse hurtigt falde på plads.

De tog fejl, fordi 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 ingeniørmærsigt perspektiv.

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.