Följ med på en vanlig dag

Föreställ dig en helt vanlig vardag. Telefonen väcker dig. En väderapp visar en prognos. Kartan föreslår en väg till skolan. Ett skräppostfilter sorterar meddelanden innan du behöver se dem. Kameran i mobilen känner igen ansikten, ljus och föremål och hjälper dig att få en bättre bild. En musiktjänst föreslår en låt. En streamingtjänst väljer vilken bild som ska ligga överst när du öppnar appen.

Du kanske inte kallar något av detta för artificiell intelligens. Det mesta känns bara som funktioner i telefonen eller tjänsten. Men bakom flera av dem finns system som försöker känna igen mönster, förutsäga vad som kan hända, rekommendera ett alternativ eller skapa något nytt.

AI kommer alltså inte alltid med ett robotansikte eller en blinkande etikett. Den kan ligga gömd i ett filter, en sökruta, en kamera, en rutt eller en kö på en server. Ibland märker du den tydligt. Ibland märker du bara resultatet.

Från mobilen till samhället

Samma idéer används långt utanför sociala medier. I vården kan bildanalys hjälpa personal att hitta områden som behöver undersökas närmare. I energisystem kan prognoser hjälpa till att planera produktion och förbrukning. I logistik kan system föreslå hur varor ska flyttas genom lager och transportkedjor. I forskning kan modeller hjälpa forskare att leta efter mönster i mycket stora datamängder.

I en skola kan digitala verktyg hjälpa till med språk, återkoppling eller planering. I offentlig service kan automatiserade system sortera information eller hjälpa människor att hitta rätt. I en fabrik kan kameror upptäcka fel på produkter. I en robot kan sensorer och planering kopplas samman så att maskinen kan reagera på en omgivning.

Det betyder inte att alla dessa system fungerar på samma sätt. Ett skräppostfilter, en språkmodell, en ruttplanerare och en robot har olika uppgifter, olika data och olika sorters fel. Ordet AI fungerar därför mer som ett stort paraply än som namnet på en enda maskin.

> Stanna upp: Vilka av exemplen ovan handlar om att känna igen något? Vilka handlar om att förutsäga, rekommendera eller skapa?

När systemet känns personligt

En rekommendation kan kännas nästan magisk när den passar dig. En chattbot kan svara lugnt och formulera sig på ett sätt som låter omtänksamt. Ett bildverktyg kan skapa en bild som verkar uttrycka en idé du bara hade i huvudet. Då är det lätt att börja tala om systemet som om det hade förstått dig.

Det är mänskligt att använda sådana ord. Vi beskriver ofta komplicerade saker med hjälp av bilder och jämförelser. Men ett personligt svar visar inte automatiskt att systemet känner dig, vill något eller har ett inre liv. Vi behöver hålla två tankar samtidigt: systemets beteende kan vara imponerande och användbart, samtidigt som vi ännu inte vet vad beteendet säger om systemets inre processer.

Det är en av kursens återkommande frågor. Vad kan vi faktiskt observera? Vad tolkar vi? Och vad börjar vi fantisera om?

En första karta

I den här kursen kommer vi att följa flera vägar genom AI-landskapet. Vi ska undersöka hur data väljs och representeras, hur modeller tränas, hur algoritmer söker och fattar beslut, hur språkmodeller skapar text, hur neurala nätverk arbetar med bilder och hur robotar kopplar ihop digitala beräkningar med en fysisk kropp.

Vi ska också undersöka människor och samhällen: skola, arbete, integritet, makt, lagar, demokrati, relationer och ansvar. Till sist återkommer vi till de svåraste frågorna. Om en maskin skriver, samtalar och löser problem på sätt som liknar våra, vad betyder det då att tänka eller förstå?

AI är alltså både nära och stort. Det finns i vardagens små bekvämligheter, men också i beslut och infrastrukturer som kan påverka många människor. Att börja förstå AI är att lära sig se båda nivåerna samtidigt.

Ett ord som rymmer väldigt mycket

Vad tänker du på när du hör ordet AI? Kanske ChatGPT, självkörande bilar eller robotar från filmer. Kanske rekommendationer i sociala medier, bildskapande eller en digital assistent. Alla dessa associationer kan vara relevanta, men de beskriver inte samma sorts system.

AI är ett paraplybegrepp. Under paraplyet finns program som följer regler, modeller som hittar mönster i data, system som förutsäger vad som kan hända, verktyg som skapar text och bilder, robotar som uppfattar sin omgivning och många kombinationer av dessa. De kan ha helt olika mål och helt olika begränsningar.

Det är därför frågan ”Vad är AI?” inte har ett enda kort svar som passar alla situationer. En enkel kursdefinition kan vara användbar: AI är system som utför uppgifter som vi ofta förknippar med mänsklig förmåga, till exempel att känna igen, förutsäga, planera, använda språk eller anpassa sig. Men definitionen säger inte att systemet är mänskligt, medvetet eller bra på allt.

Varför ordet förändras

Det som räknas som AI förändras också över tid. När en teknik är ny kan den verka nästan magisk. När människor har vant sig vid den och förstår mer om hur den fungerar blir den ibland bara kallad programvara. Stavningskontroll, schackprogram och ruttplanering har alla någon gång omgivits av större AI-mystik än de gör i dag.

Detta kallas ibland AI-effekten. När något blir vardagligt slutar vi kanske att uppfatta det som intelligent. Samtidigt kan nya system få samma ord att kännas spännande igen. Gränsen flyttar sig inte därför att tekniken plötsligt har fått eller förlorat en själ. Den flyttar sig också därför att våra förväntningar ändras.

> Stanna upp: Vilka saker som används i dag skulle ha känts som science fiction för hundra år sedan? Vad har blivit så vanligt att du inte längre tänker på det?

När vi börjar tala med maskinen

Generativa språkmodeller gör frågan mer laddad. Ett system kan svara på följdfrågor, ändra ton, förklara ett ord och skriva en text som verkar anpassad till situationen. När vi läser svaret hör vi lätt en röst bakom orden. Vi börjar kanske säga att systemet ”förstår”, ”resonerar” eller ”försöker hjälpa”.

Det finns en anledning till att vi gör det. Språk är vårt viktigaste sociala verktyg. När något använder språket på ett flytande sätt aktiveras våra vanliga vanor för samtal och tolkning. Vi letar efter avsikter, känslor och personlighet.

Men ett övertygande svar ger inte automatiskt svar på frågan om ett inre liv. Det visar att systemet producerade en viss text under vissa villkor. Det kan också visa att systemet klarar en funktion, exempelvis att hålla ihop en kort dialog. Frågan om vad som händer på insidan är svårare.

Här öppnas en av kursens stora filosofiska dörrar. Är tänkande samma sak som att producera rätt sorts beteende? Kräver förståelse en subjektiv upplevelse? Kan en maskin vara intelligent på ett sätt som inte liknar människans? Och om en maskin en dag beter sig som om den har ett inre liv, hur skulle vi kunna veta om den har det?

Ett rörligt mål, inte en enda trappa

Ibland beskrivs AI som en trappa från smal AI till generell AI och superintelligens. Den bilden kan vara användbar när vi diskuterar framtidsscenarier, men den kan också lura oss att tro att all utveckling går mot en enda slutpunkt.

Dagens system kan vara mycket kompetenta inom vissa uppgifter och samtidigt märkligt begränsade inom andra. En modell kan skriva om en text men missa ett enkelt vardagligt antagande. Ett bildsystem kan känna igen mönster men sakna kroppslig erfarenhet. En robot kan navigera i en miljö men behöva noggrann hjälp när något oväntat händer.

Frågan är därför inte bara om en maskin är intelligent eller inte. Vi behöver fråga: intelligent på vilket sätt, i vilken situation och med vilka begränsningar? Det är en fråga vi kommer att återvända till, men här är den viktigaste början: AI är mycket större än ChatGPT, och AI är inte samma sak som mänsklig intelligens i digital form.

När samma svar kan komma från olika slags system

Föreställ dig att du får ett meddelande som ser ut som skräppost. Ett program kan skicka det till mappen ”granska” på två ganska olika sätt. I det ena fallet har en människa skrivit regler: om ämnesraden innehåller ett visst ord eller om avsändaren finns på en lista, gör så här. Regeln är tydlig, men den kan bli stel. Ett legitimt meddelande kan råka innehålla samma ord.

I det andra fallet har människor samlat exempel på meddelanden som har märkts som vanliga eller misstänkta. En modell har sedan anpassats så att den hittar mönster i exemplen. Den kan upptäcka kombinationer som ingen har skrivit ner som en enkel regel. Men den kan också lära sig fel mönster, särskilt om exemplen är snäva, gamla eller felmärkta.

Det betyder inte att den ena metoden är magisk och den andra enkel. Båda formas av människor. Någon väljer vilka meddelanden som räknas som exempel, vad som ska räknas som ett fel och vad systemet ska göra när det är osäkert. I ett regelprogram syns många av valen som skrivna villkor. I en datadriven modell ligger fler val i data, mått, modell och träningsprocess.

Vad betyder det att lära sig?

När vi säger att en modell ”lär sig” betyder det inte att den sitter och funderar över världen som en elev. Det betyder att parametrar justeras under en träningsprocess så att modellens resultat passar vissa exempel bättre enligt ett valt mått. Efter träningen används parametrarna på nya indata.

Det finns därför en viktig skillnad mellan att lära sig från data och att skapa sig själv. Människor väljer uppgift, data, modell, mått och användningsområde. De bestämmer också vad som händer när modellen gör fel. Ett datadrivet system är inte fritt från mänsklig styrning. Styrningen har bara flyttat till fler delar av systemet.

Många verkliga system är hybrider. Ett säkerhetssystem kan använda en tränad modell för att upptäcka ett mönster och sedan en fast regel för att kräva mänsklig kontroll. En robot kan kombinera sensorer, planering, regler och lärda komponenter. Frågan är alltså inte alltid ”regel eller AI?” utan vilka delar som gör vad.

Två slags fel

En regel kan vara för grov. Regeln ”om meddelandet innehåller ordet gratis, markera det” kan fånga ett bedrägeri, men också ett legitimt erbjudande om gratis läxhjälp. Felet uppstår genom hur regeln formulerats.

En modell kan i stället hitta ett mönster som fungerade i träningsdatan men inte i en ny situation. Om nästan alla exempel på en viss typ av meddelande kommer från samma avsändare kan modellen börja använda avsändaren som genväg. Felet uppstår genom data, representation, träning eller användning.

> Stanna upp: Tänk på ett system som sorterar, rekommenderar eller varnar. Vilka mänskliga val kan ligga bakom dess regler eller träningsdata?

Diskutera och skriv

• Vilket system i din vardag skulle du helst vilja förstå bättre: en rekommendation, ett filter, en karta eller något annat? Varför?
• När är en tydlig regel bättre än en modell som hittar mönster? När kan det vara tvärtom?
• Skriv en kort reflektion: Vad betyder ”AI lär sig” efter att du har läst avsnittet? Vad betyder uttrycket inte?

En enkel undersökning

1. Välj ett exempel, till exempel ett skräppostfilter. 2. Skriv vad systemet tar emot och vilket resultat du ser. 3. Föreslå en möjlig regel och ett möjligt mönster från data. 4. Beskriv ett fel som varje metod kan göra. 5. Avsluta med meningen: ”Det här exemplet visar att människor fortfarande behöver ...”

AI är ett landskap, inte en enda art

Om någon säger ”AI-system” kan det vara svårt att veta vad som menas. Handlar det om ett system som sorterar bilder? En modell som förutspår efterfrågan? En språkmodell som skapar text? En robot som rör sig bland människor? För att inte blanda ihop allt behöver vi en karta.

En sådan karta kan ha flera lager. Först kan vi fråga vilken uppgift systemet ska utföra. Ska det känna igen, klassificera, förutsäga, rekommendera, planera, översätta eller skapa? Sedan kan vi fråga vilken metod som används. Följer systemet skrivna regler, har det tränats på exempel, söker det bland möjliga handlingar eller kombinerar flera metoder?

Vi kan också fråga vilken sorts data systemet arbetar med: text, bilder, ljud, video, mätvärden eller rörelser från sensorer. Till sist behöver vi se var systemet används: i en app, ett sjukhus, en fabrik, en skola, ett energisystem eller en robot.

Några rum i AI-huset

Regelbaserade system arbetar med villkor som människor har formulerat. Ett system kan till exempel följa instruktionen: om vissa kännetecken finns, placera ärendet i en viss kategori. Regler kan vara tydliga och lätta att följa, men de kan bli klumpiga när verkligheten innehåller många undantag.

Maskininlärning använder exempel för att anpassa en modell. I stället för att skriva ned varje regel försöker människor få systemet att hitta mönster som hjälper det med en uppgift. Då blir träningsdata, mål och utvärdering avgörande.

Perception och igenkänning handlar om att tolka bilder, ljud eller andra signaler. En kamera kan försöka hitta objekt i en bild. Ett system kan känna igen tal eller upptäcka avvikelser i en mätserie. Att känna igen ett mönster är inte samma sak som att förstå hela situationen.

Prediktion och rekommendation handlar om att uppskatta vad som kan hända eller vilket alternativ som kan passa. En tjänst kan rekommendera en låt, en rutt eller en produkt. Rekommendationen kan hjälpa dig, men den kan också påverka vad du får syn på.

Generativ AI producerar nytt innehåll som text, bilder, ljud, video eller kod. Det kan kännas kreativt, men det är viktigt att fråga hur resultatet kom till, vad det bygger på och vilka mänskliga beslut som finns runt systemet.

Robotik kopplar ihop beräkning med en kropp. En robot behöver kunna ta emot signaler från sensorer, tolka en situation, välja en handling och påverka den fysiska världen. Robotik är därför inte en enda algoritm, utan ett möte mellan mekanik, styrning, perception, planering och ibland maskininlärning.

> Stanna upp: Välj en kamera, en kartapp eller en chattjänst. Vilken uppgift har den? Vilken sorts data tar den emot? Vilka delar av systemet kan du se, och vilka är dolda?

Varför samma system kan ha flera beskrivningar

En chattjänst kan innehålla flera saker samtidigt: en språkmodell, sökning, regler, säkerhetskontroller, ett minne och verktyg som hämtar information eller utför handlingar. Det är därför meningslöst att fråga om hela tjänsten fungerar på exakt ett sätt.

Samma sak gäller många system i samhället. Ett beslut kan påverkas av en modell, men också av data, regler, en människa, ett formulär och en organisation. När vi senare studerar AI i samhället behöver vi därför titta på hela kedjan, inte bara på ordet AI.

Den här kartan är inte en färdig låda som stänger diskussionen. Den är ett sätt att börja se skillnader. I resten av kursen går vi in i flera av rummen och undersöker hur de hänger ihop.

En gammal mänsklig dröm

Idén om konstgjorda varelser är äldre än datorn. I myter, berättelser och mekaniska uppfinningar har människor föreställt sig föremål som kan röra sig, tala eller hjälpa till. Den moderna AI-historien växte fram ur en annan dröm: att beräkning skulle kunna beskriva och kanske återskapa delar av det som människor gör när de löser problem, använder språk och känner igen mönster.

Alan Turing formulerade 1950 frågan ”Kan maskiner tänka?” Han valde inte att börja med en perfekt definition av tänkande. I stället föreslog han ett spel där en människa kommunicerar genom text och försöker avgöra vem eller vad som finns på andra sidan. Det gjorde frågan konkret, men det löste inte alla filosofiska problem.

År 1955 föreslog en grupp forskare en sommarstudie om artificiell intelligens. Förslaget räknade upp språk, abstraktion, problemlösning och självförbättring som områden som forskningen skulle undersöka. Termen och ambitionerna fick ett historiskt fäste, men AI uppstod inte genom ett enda magiskt ögonblick.

När flera villkor möts

AI utvecklas när flera saker kan samverka. Forskare behöver idéer och metoder. System behöver data eller miljöer där de kan prövas. Det behövs beräkningskraft, människor som bygger och utvärderar systemen, institutioner som ger tid och pengar, och samhälleliga behov som gör en tillämpning viktig.

Om en av dessa delar saknas kan en lovande idé få begränsad effekt. En metod kan vara elegant men för dyr att köra. En stor datamängd kan finnas men vara dåligt anpassad till uppgiften. En modell kan ge imponerande resultat i ett test men fungera sämre i en annan miljö.

Det är därför AI-historien inte bara är en lista över genombrott. Den är också en historia om misslyckanden, omprövningar och förändrade förväntningar.

AI-vintrar och nya vårar

Under perioder har forskare och företag lovat mer än tekniken kunde leverera. När systemen sedan visade sig vara känsliga, dyra eller begränsade minskade intresset och finansieringen. Sådana perioder brukar kallas AI-vintrar.

AI-vintrarna betyder inte att all forskning stod stilla. De visar snarare hur svårt det är att förutsäga teknisk utveckling. En metod kan verka obetydlig tills hårdvara, data och nya idéer gör den användbar i stor skala. En annan metod kan få stor uppmärksamhet men visa sig vara opålitlig utanför en kontrollerad miljö.

> Stanna upp: När ett företag eller en nyhet säger att AI kommer att förändra allt, vilka frågor skulle du vilja ställa innan du tror på löftet?

I dag är det lätt att tänka att AI:s nuvarande utveckling var oundviklig. Men den har formats av många vägval. Några idéer blev användbara. Andra glömdes eller ändrade riktning. Människor bestämde vilka problem som var värda att lösa och vilka system som skulle byggas.

När vi senare studerar AI:s framtid behöver vi därför hålla två tankar samtidigt. Vi ska inte låta överdriven hype lura oss. Men vi ska inte heller avfärda en förändring bara för att tidigare löften misslyckades. Historien ger oss ingen säker prognos. Den ger oss bättre frågor.

När språket känns levande

Du ställer en fråga till en chatbot och får ett svar som är tydligt, vänligt och kanske oväntat klokt. Du ber systemet ändra tonen och får en skämtsam version. Du berättar att du är nervös och får ett svar som låter tröstande. Det är inte konstigt om du börjar uppleva en samtalspartner på andra sidan skärmen.

Men vad är det du upplever? Du har sett ord på en skärm. Du har kanske fått ett svar som passar situationen. Därifrån kan du dra slutsatsen att systemet har utfört en viss språklig funktion. Men det är ett större steg att säga att systemet känner omtanke, upplever nervositet eller förstår dig på samma sätt som en människa.

Detta steg från observerat beteende till antaganden om ett inre liv är en av de viktigaste frågorna i AI-debatten.

Turing och beteendet

Alan Turing föreslog att vi kunde undersöka maskiners intelligens genom ett samtal där en människa försöker skilja en maskin från en människa. Idén var elegant eftersom den gjorde en svår filosofisk fråga mer praktisk. Vi behöver inte först enas om en perfekt definition av tänkande. Vi kan fråga hur systemet beter sig.

Men ett beteendetest har en gräns. Det visar vad som händer under testets villkor. Det visar inte automatiskt om systemet har en upplevelse bakom beteendet. En skådespelare kan spela rädsla utan att vara rädd i stunden. En karta kan hitta en väg utan att förstå vart du längtar. En språkmodell kan skriva om sorg utan att sörja.

Det betyder inte att beteendet är oviktigt. Ett system som kan föra en fungerande dialog har en verklig förmåga, även om vi inte kallar den mänsklig förståelse. Frågan är vilka ord som passar bäst.

Det kinesiska rummet

Filosofen John Searle formulerade ett tankeexperiment. Föreställ dig att du sitter i ett rum och får lappar med kinesiska tecken genom en lucka. Du kan inte kinesiska, men du har en regelbok som säger vilka tecken du ska skicka tillbaka när du får vissa andra tecken. För någon utanför rummet ser dina svar ut som en förstådd kinesiska.

Searles fråga är: förstår du kinesiska? Du följer regler, men du vet inte vad tecknen betyder. Tankeexperimentet skiljer mellan att hantera symboler enligt ett mönster och att förstå deras mening.

Det finns invändningar. Kanske är det inte personen i rummet som förstår, utan hela systemet: personen, regelboken och processen tillsammans. Debatten är inte avgjord genom att berätta tankeexperimentet. Dess värde ligger i att det gör frågan synlig.

Behöver vi nya ord?

Vi använder redan ord som tänka, förstå, lära och skapa om AI-system. Ibland är det praktiskt. Ett system kan faktiskt lösa problem, anpassa ett svar eller producera en bild. Men orden bär också med sig mänskliga associationer: kropp, erfarenhet, behov, känslor och ett perspektiv från insidan.

Kanske behöver vi ibland nya ord. Ett system kan ha en sorts funktionell förmåga utan att ha mänsklig erfarenhet. Det kan vara bra på att förutsäga utan att veta att det förutsäger. Det kan använda språk utan att ha levt i den värld som språket beskriver.

Och sedan kommer den ännu svårare frågan: kan ett artificiellt system vara medvetet utan att vi förstår hur medvetande skulle se ut i en maskin? Vi har ingen färdig mätare för ett annat systems subjektiva upplevelse. Vi måste därför vara noggranna med skillnaden mellan etablerad kunskap, filosofiska argument och spekulation om framtiden.

> Stanna upp: Vilket är det minsta du skulle behöva observera innan du började ta påståendet om en medveten AI på allvar?

Vi ska inte lösa dessa frågor i det första kapitlet. Det viktiga är att du ser varför de uppstår och lär dig att skilja mellan vad vi vet, vad vi tolkar och vad vi ännu bara kan fråga om.