Introduktion till AI

Vad är artificiell intelligens?

Artificiell intelligens var tidigare en filosofisk framtidsdröm men är i dag ständigt närvarande i vår digitala vardag. För att förstå vad AI innebär behöver vi utforska gränslandet mellan maskinell beräkning och mänsklig förståelse. Hur kan tekniken efterlikna mänsklig intelligens – och hur formar den vårt samhälle?

Frågan om maskiner kan tänka är äldre än själva datorn. Den brittiske matematikern Alan Turing lade den teoretiska grunden. År 1950 publicerade han artikeln Computing Machinery and Intelligence, där han formulerade den berömda frågan: "Kan maskiner tänka?"

Turing menade att frågan inte var tillräckligt tydlig. Han föreslog i stället ett praktiskt kriterium: Turingtestet. Det går ut på att avgöra om en människa kan skilja en maskins svar från en människas i en dialog. Om man inte kan det, anses maskinen uppvisa människolikt intelligent beteende.

I det här läromedlet använder vi artificiell intelligens som ett samlingsnamn för datorprogram och robotar som kan utföra uppgifter som normalt kräver mänsklig intelligens. Det kan handla om att lära sig av tidigare erfarenheter, anpassa sig, förstå språk, lösa problem, planera handlingar eller generalisera kunskap.

Men varför är det så svårt att enas om en definition? En del av svaret är att AI inte är något nytt fenomen som dök upp med ChatGPT. Idén om "intelligenta maskiner" har funnits i över 70 år. Under den tiden har både tekniken och våra förväntningar förändrats. Teknik som tidigare kallades AI kan i dag betraktas som grundläggande datavetenskap.

AI används redan i mängder av sammanhang i samhället, till exempel:

• i röstassistenter som Siri och Google Assistant
• för ansiktsigenkänning med Face ID
• i kameror som läser registreringsskyltar
• i medicinska system som avgör om hudförändringar är farliga
• för anpassning av innehåll i sociala medieflöden
• i bilar för självkörning, automatisk avbländning av helljus och körfältsassistans (lane assist).

Vägen mot sann AI

Redan på 1950-talet funderade Alan Turing (1912–54) på om maskiner kunde tänka. Sedan dess har intresset för AI-forskning och AI-teknik gått i vågor. Perioder av stora förhoppningar har följts av bakslag. De senaste 20 åren har präglats av ett kraftigt uppsving tack vare mer data och kraftfullare datorer. Gränsen för vad man kan göra med AI flyttas numera framåt för varje dag.

Historiskt har man byggt AI på flera olika sätt:

• Regelbaserad AI – följer fasta instruktioner men lär sig inget nytt. Användes i till exempel äldre schackprogram.
• Sök- och optimerings-AI – hittar den bästa lösningen genom att pröva olika alternativ.
• Maskininlärning – tränas på data för att förutsäga eller kategorisera. Används i till exempel e-postfilter och ansiktsigenkänning.
• Förstärkningsinlärning – en metod där AI lär sig genom belöning och straff.
• Generativ AI – skapar nytt innehåll i form av text, bild, ljud eller video.

I stället för att fastna i en enda definition kan man beskriva AI i form av förmågor. Om man undrar om ett system använder AI kan man fråga: Kan det uppfatta världen och agera på signaler? Kan det lära sig nya saker? Kan det resonera kring komplexa problem eller kommunicera med naturligt språk?

AI:s förmågor

Sju förmågor brukar tillskrivas AI-system:

• Planering och problemlösning – AI kan söka bland många alternativ och välja en väg mot ett mål.
• Perception – AI kan uppfatta och tolka bilder, ljud, text och sensordata.
• Lärande – AI förbättrar sin prestanda baserat på erfarenhet och data.
• Representation och resonemang – AI bygger interna modeller och drar slutsatser.
• Naturlig interaktion – AI kommunicerar på mänskliga villkor, via tal och text.
• Adaptivitet – AI anpassar sig till nya situationer och okända indata.
• Autonomi – AI agerar utan ständig mänsklig styrning.

Smal AI och stark AI

Man skiljer på två typer av AI-system: smal AI och stark AI.

Smal AI (narrow AI) är specialiserad på en enda uppgift. Den kan utföra just den uppgiften – ofta bättre än en människa – men klarar ingenting utanför sitt område. En AI som vinner i schack kan inte plötsligt förstå hur man kör bil eller skriver en dikt.

Stark AI (AGI – Artificial General Intelligence) är en vision om en maskin med bred, mänsklig intelligens. En stark AI skulle kunna tänka, resonera och lära sig på ett allmänt sätt: anpassa sig till nya situationer, förstå sammanhang och använda tidigare erfarenheter för att lösa helt nya problem. Stark AI existerar ännu inte i verkligheten men diskuteras flitigt inom forskning och filosofi.

Skillnaden mellan smal och stark AI handlar alltså inte bara om hur avancerad tekniken är. Den handlar om vilken sorts förståelse och flexibilitet systemet har. Dagens AI kan efterlikna mänskligt beteende inom avgränsade områden, men saknar den breda, allmänna förståelse som kännetecknar mänsklig intelligens.

Stora idéer inom AI

Det är lätt att fastna i exempel som självkörande bilar, chattbottar eller spelande datorer. Men bakom alla tillämpningar finns ett antal grundläggande idéer som är gemensamma för många typer av AI.

Grundprincipen för AI

Oavsett om ett system är en enkel rekommendationsalgoritm eller en avancerad språkmodell bygger det på samma grundprincip:

1. Systemet uppfattar något om sin omvärld – bildpunkter i en kamera, text på internet eller data från sensorer.
2. Utifrån indata skapar det en modell, en förenklad representation av verkligheten. Modeller kan byggas av människor eller läras in automatiskt ur stora datamängder.
3. När modellen är på plats löser systemet problem genom att testa, jämföra och välja mellan olika möjligheter.

En central insikt är att AI inte har några egna mål eller värderingar. Systemet gör bara det som människor programmerar eller tränar det att göra. Resultatet beror starkt på vilken data och vilka instruktioner det får. Samtidigt kan AI-system bli allt mer autonoma – de kan agera på egen hand inom de ramar de fått. Det gör tekniken kraftfull, men också viktig att förstå och hantera ansvarsfullt.

Kombinera metoder – och människor

AI fungerar ofta bäst när man kombinerar olika metoder. Regelbaserade system ger tydliga och förståeliga beslut. Datadrivna system kan lära sig mönster som är svåra att formulera i ord. Tillsammans blir systemen både flexibla och pålitliga.

Forskning visar också att människor och AI tillsammans ofta når längre än någon av dem ensam. Människor står för kreativitet, värderingar och övergripande mål. AI erbjuder snabbhet, precision och förmågan att bearbeta stora datamängder.

När är AI bättre än människan – och tvärtom?

Att AI slår världsmästare i schack betyder inte att AI är "smartare" än människor i allmänhet. Styrkorna ligger på olika områden. Tabellen visar några typiska situationer.

Lägg märke till att AI:s styrkor gäller avgränsade uppgifter med mycket data. Så fort uppgiften kräver förståelse av sammanhang, omdöme eller ansvar behövs människan. Det är därför AI i vård, skola och rättsväsende bör vara ett beslutsstöd, inte den som fattar beslutet.

Robotik: från sensor till handling

En robot är ett fysiskt exempel på grundprincipen du just läst om. Roboten uppfattar sin omvärld, bygger en förenklad modell av situationen och agerar utifrån den – men i stället för att bara visa ett svar på en skärm förändrar den den fysiska verkligheten. Det är den kopplingen mellan digital bearbetning och fysisk handling som gör robotik till ett eget område inom AI.

Nästan alla robotar följer samma tre steg, om och om igen:

1. Sensor – roboten samlar in information om omvärlden, till exempel med kameror, avståndsmätare, mikrofoner eller beröringssensorer.
2. Bearbetning – en AI-modell tolkar sensordatan, känner igen mönster och beslutar vad som ska göras härnäst.
3. Aktuator – roboten omsätter beslutet i fysisk rörelse: motorer, hjul, gripklor eller styrservon som utför handlingen.

Loopen upprepas ofta flera gånger per sekund: sensor → bearbetning → aktuator → ny sensoravläsning. Det gör att roboten kan reagera på en föränderlig omvärld i stället för att bara följa en förprogrammerad rörelse.

Robotik är alltså inte en helt egen teknik vid sidan av det du redan lärt dig, utan en tillämpning där maskininlärning, sensorer och styrsystem kombineras för att låta AI verka i den fysiska världen.

Intelligens och medvetande

Gränsen mellan biologisk och artificiell intelligens handlar inte bara om att lösa problem. Den handlar också om skillnaden mellan beräkning och verklig förståelse.

Intelligens beskriver förmågan att förstå komplexa idéer, anpassa sig till sin omgivning, lära av erfarenheter och lösa problem genom resonemang. Vi använder den varje dag när vi tolkar information, känner igen mönster, kommunicerar och fattar beslut. Dagens AI-system uppvisar också en form av intelligens: de analyserar enorma datamängder, hittar samband och skapar text, bilder eller musik. Men är AI:s "intelligens" densamma som människans – eller bara avancerad imitation?

Medvetande är något helt annat. Det handlar om den subjektiva upplevelsen av att vara – att ha tankar, känslor och en inre värld. När vi ser färgen röd eller känner glädje upplever vi världen inifrån. Hur fysiska processer i hjärnan kan ge upphov till en sådan upplevelse kallas ibland "det hårda problemet". Många menar att dagens AI inte har medvetande – den upplever ingenting, den bearbetar bara data.

Turingtestet i detalj

I Turingtestet kommunicerar en människa (testaren) via text med två parter. En part är människa, den andra en maskin – och testaren vet inte vem som är vem. Om testaren inte kan avgöra vilken motpart som är maskinen, sägs datorn ha klarat testet.

Testet säger inget säkert om medvetande eller inre förståelse. Det säger bara något om hur väl maskinen kan imitera mänskligt språk. Turingtestet väcker därför en central fråga: Räcker det att en maskin beter sig som om den förstår, eller måste den faktiskt förstå?

Det kinesiska rummet

Den amerikanske filosofen John Searle (1932–2025) kritiserade idén att en maskin som klarar Turingtestet faktiskt förstår. Han visade det med tankeexperimentet "Det kinesiska rummet".

En person som inte kan kinesiska sitter i ett rum. Genom en springa får personen papper med kinesiska tecken, tillsammans med instruktioner för hur man ska svara. Personen skickar tillbaka nya tecken enligt reglerna – helt utan att förstå betydelsen. Utifrån verkar det som om personen talar kinesiska, men det finns ingen förståelse.

Searles slutsats: en dator kan följa regler (syntax) utan att förstå innehållet (semantik). Den kan alltså uppföra sig intelligent utan att vara medveten.

När AI lyckas och misslyckas

Genom historien har AI-program både imponerat och misslyckats. IBM:s dator Deep Blue slog schackvärldsmästaren Garri Kasparov 1997 genom att analysera miljontals drag per sekund. Kasparov vann faktiskt första matchen 1996, men förlorade mot en uppgraderad version året därpå. DeepMinds AlphaGo besegrade 2016 världsmästaren i brädspelet go.

Samtidigt finns exempel som ELIZA, ett tidigt chattprogram utvecklat 1964–67 av Joseph Weizenbaum vid MIT. Det imiterade en terapeut och kunde svara på enkla meningar – men saknade all förståelse. ELIZA visade hur lätt människor luras att uppfatta intelligens där ingen finns. Gränsen mellan att förstå och att simulera förståelse är fortfarande en av de stora frågorna inom AI-forskningen.

Historisk utveckling av AI

Intresset för tänkande maskiner är långt äldre än datorn. Men det var först när datorer blev tillgängliga på 1950-talet som forskningen i modern mening tog fart. Utvecklingen inleddes med höga ambitioner och framtidstro. Vägen till dagens AI-system har dock inte varit spikrak – den kantas av både framgångar och bakslag.

De första stegen

Redan 1951 skrev den brittiske datavetaren Christopher Strachey ett program som kunde spela kompletta partier dam mot människor – det första datorprogrammet baserat på AI-principer. Fyra år senare skrev amerikanen Arthur Samuel det första programmet som använde maskininlärning.

Sommaren 1956 samlades pionjärer inom matematik, psykologi och datorvetenskap vid Dartmouth College i USA. Bakom mötet stod forskarna John McCarthy, Marvin Minsky, Nathaniel Rochester och Claude Shannon. De utgick från antagandet att varje aspekt av intelligens i princip kan beskrivas så exakt att en maskin kan simulera den. Dartmouthkonferensen blev startpunkten för fältet "artificiell intelligens" som formellt forskningsområde.

Framgångar, besvikelser och AI-vintrar

Under 1950- och 60-talen präglades AI-forskningen av optimism. Många trodde att maskiner med mänsklig intelligens var nära. Den tidiga forskningen kallades symbolisk AI: man försökte programmera logiska regler för att lösa problem. Ett exempel var programmet General Problem Solver, som kunde lösa pussel genom prövning och fel. Men datorerna var för svaga, och metoderna fungerade inte på komplexa problem.

På 1970-talet kom därför den första stora AI-vintern – en period då forskningspengar drogs in och intresset minskade. Under 1980-talet fick AI ett nytt uppsving med expertsystem: program som imiterade mänskliga experter inom till exempel medicin. Systemen var imponerande i teorin men dyra och svåra att underhålla. När resultaten inte höll vad de lovat kom den andra AI-vintern i slutet av 1980-talet.

Tidslinje – milstolpar i AI:s historia

Drivkrafterna bakom dagens AI-boom

Sedan slutet av 2010-talet befinner vi oss i en ny AI-vår, ofta kallad den tredje stora AI-vågen. Den kännetecknas av generativa AI-verktyg som ChatGPT och DALL-E samt vetenskapliga framsteg som DeepMinds arbete med proteinveckning. Flera faktorer driver utvecklingen:

• Större mängder data – varje gång vi tar en bild, streamar musik eller handlar på nätet skapas data. För AI är data råmaterial för inlärning: ju fler relevanta exempel, desto bättre mönster och förutsägelser.
• Kraftfullare datorer – kraftfulla grafikkort (GPU:er) och molntjänster gör träning som tidigare var för långsam eller för dyr praktiskt möjlig.
• Bättre algoritmer – under 2010-talet utvecklades neurala nätverk och djupinlärning snabbt, vilket gjorde AI mycket bättre på seende, tal och språk.
• Samhälleliga och ekonomiska krafter – företag ser konkurrensfördelar, och öppen källkod sprider nya metoder snabbt. Tekniska framsteg och efterfrågan förstärker varandra.

Ingen av faktorerna räcker ensam. Men i kombination gör de att AI-utvecklingen går mycket snabbt just nu.

Åtta principer som beskriver AI

Följande åtta principer sammanfattar vad ett AI-system är. AI:

1. uppfattar världen via sensorer och påverkar den via styrsystem
2. använder modeller för att resonera om omvärlden
3. bygger modeller från data och erfarenheter
4. löser problem genom att testa olika lösningar
5. fungerar bäst när den kombinerar datadrivna och kunskapsbaserade metoder
6. kan bli autonom, alltså handla på egen hand
7. har inga egna värderingar – allt beror på mänskliga val och data
8. och människor tillsammans är starkare än var och en för sig.