Hur pass intelligent är AI, egentligen?

Idag när det knappt går att köpa en brödrost utan att den uppges dra nytta av AI kan man ana en viss förskjutning i begreppets precision. De flesta vill hävda att man ligger i teknikens framkant och AI är det senaste begreppet för detta. Bland prylar är det kanske den naturliga fortsättningen på att allt tydligen behöver vara ”smart”. Inte sällan bestod smartheten i att prylen var uppkopplat mot nätet, men fråga gärna en säkerhetskunnig person hur smart det är i de flesta fallen 🙂

Det kan kännas lite lustigt att AI är så i ropet 2017. Inte minst då konceptet funnits och utforskats sedan datorernas barndom. Definitionen av artificiell intelligens gjordes redan på 1950-talet och lyder:

”the capability of a machine to imitate intelligent human behavior”

Så hur smart är då dagens AI? Detta har det forskats på och det visar sig att det går framåt, men att åtminstone samtliga AI-drivna personliga assistenter fortfarande blir utklassade av småbarn. Och jag tror att min dotter på knappt nio månader har en mer pricksäker förmåga att känna igen mig jämfört med valfri AI, och hon kan använda ett flertal sinnen till sina beslut.

I reda tal så uppges Googles AI ha en IQ på 47, Microsofts Bing på 32 och Apples Siri endast 24.

Turingtestet – för att göra mänsklig intelligens mätbar

Supergeniet Alan Turing (vars CV bräcker vem som helst) utformade 1950 Turingtestet. Det går ut på att om en människa inte kan avgöra om hen konverserar med en människa eller maskin så uppfylls kriteriet om mänsklig intelligens. För att vara snart sjuttio år sedan står sig testet ganska väl även idag med allt fokus på konversationsbaserade gränssnitt mot AI.

Är machine learning synonymt med AI?

AI och machine learning går inte alltid hand i hand, men ofta nämns båda begreppen i samma andetag. Den avgörande skillnaden är att AI per definition måste betraktas som intelligent, men machine learning är ett gäng metoder för att bearbeta data. Machine learning är egentligen mer besläktad med data science, statistik och matematik än AI.

Machine learning definierades av Arthur Samuel 1959 som:

”[…] field of study that gives computers the ability to learn without being explicitly programmed”

Sen går det att diskutera vad man menar med lärande. Ibland blir folk frustrerade när de når insikt i exakt vad AI eller machine learning går ut på. Vissa tycker inte att det håller måttet eftersom maskinen gör problemlösning på samma sätt som människor (vilket ju är definitionen). Det är nog samma människor som tycker att den nivå som krävs för att något ska vara AI alltid är utom räckhåll eller inte får vara greppbart.

Eller som John McCarthy, som myntade begreppet Artificial Intelligence 1956, beklagade sig:

“as soon as it works, no one calls it AI anymore”

Lärande genom neurala nätverk och jämförelsen med hjärnan

Du som står ut med lite kod (endast sex rader) kan kolla in Google Developers klipp på Youtube för ett ytterst enkelt exempel på hur en maskin lär sig skillnaden mellan äpplen och apelsiner.

Nu är förstås de riktigt intressanta användningsområdena väldigt mycket mer komplexa, men principerna är desamma.

Maria Idebro har på Techworld skrivit en mer matematisk förklaring av machine learning, för den som föredrar teori framför kod. Maskininlärning för dummies – så tränas en AI

Förutsätter AI att man har tillgång till ”big data”?

Nej, faktiskt inte. Särskilt inte om det man jobbar med är väldigt regelstyrt, likt många spel. Apropå big data så har även det begreppet genomgått en omdefiniering, så numera behöver det inte ens betyda stora datamängder. Man brukar idag prata om dess tre V – volume, velocity och variety. Det räcker med att ett V finns så är kriteriet för big data uppfyllt.

Förutom att man för regelstyrda problem kan generera eller slumpa fram data som håller måttet, eftersom man vet om svaret, kan man använda en teknik kallad Generative Adversarial Networks (GAN), ibland kallat Adversarial Training. Det går ut på att två stycken neurala nätverk som utmanar varandra. Det ena har rollen att komma med förslag och det andra ska berätta vad den tycker. Den som ger förslag försöker också luras eller göra bedömningen svår. Dessa två får duellera ett tag och resultatet är att man tränat upp en förklarande modell av deras interaktion och den data de jobbat med.

Nästa steg för AI – sluta vara så specialiserad, mer generalist och uppnå superintelligens

Dagens AI är ganska extremt specialiserade. Den egenskapen brukar inte beskriva mänsklig intelligens, snarare att man har en särskild begåvning, likt en person med savantsyndrom. Det är inte ett tecken på mångsidig kompetens, livserfarenhet eller en förtrogenhetskunskap.

Ett sådant högst specialiserat område är computer vision, det vill säga att datorer ska kunna avkoda innehållet i en bild. Det finns massor med exempel på när det lyckas, men också många när det går åt pipan. Nyligen var en AI minst 90 procent säker på att en sköldpadda var ett gevär, oavsett ur vilken vinkel den såg sköldpaddan. För en framtida krigarbot kan skillnaden mellan en sköldpadda och ett gevär vara ganska viktigt, inte minst för populationen av sköldpaddor.

Ett annat specialiserat område är att agera expertsystem och konversera med människor. Då blir måttstocken för framgång att maskinen förstår människor för att framstå som intelligent i sin dialog med en människa. I tidigare nämnd studie var Googles AI bäst, men inte heller den klarade av en troligen repeterad dialog under Googles egna presentation förra året när de ville imponera med sin AI.

”Went to go see The Lumineers in Berkeley on Friday”, när det borde inledas med ”Want” och formuleras som en fråga.

Demodjävulen slog till och AI:n tolkade det som att presentatören pratade om en konsert i dåtid snarare än att han ville bjuda med sin fru den kommande fredagen. Det gör hela skillnaden och inte framstår AI:n som varken intelligent och hjälpsam?

AGI – artificiell generell intelligens

Artificiell generell intelligens (AGI) handlar om att lösa specifika problem som AI:n inte har tjuvtränats på på förhand. Det finns ett antal krav på AGI, som att:

• Resonera, att ha en strategi, göra bedömningar trots osäkerheter.
• Sunt förnuft och kunskap.
• Kunna planera.
• Lära sig saker, samt
• Integrera alla dessa saker för att uppnå ett mål.

Under hösten gick man från Google ut och förklarade att AlphaGo Zero ”lär” sig själv. Det första många verkade tänka då var att vi uppnått AGI, men så tycks inte vara fallet. Snarare har AlphaGo Zero inte utgått från hur människor spelar utan troligen utgått från spelets regler och utmanat sig själv. Den tekniken är inget nytt egentligen, det är ungefär vad reinforcement learning går ut på. I en extremt regelstyrd verklighet kan en AI utmana en annan instans av sig själv för att lära sig vilka strategier som leder till framgång. Inte helt olikt GAN som nämndes nyss. Men vad som definierar framgång, det vill säga vinst i ett regelstyrt spel, är inte applicerbart i alla andra sammanhang. Hur ska den på egen hand kunna avgöra vilka ingredienser som krävs för en kantarellsoppa, exempelvis? Hur kommer det hjälpa AlphaGo Zero att utveckla ett imponerande luktsinne, bli en storslagen poet eller dominera på Wall Street?

Med andra ord är det en bit kvar till AGI.

Artificiell superintelligens (ASI)

Det är väl först när och om en AI uppnår ASI som den omtalade singulariteten inträffar.

Filosofen Nick Bostrom definierar artificiell superintelligens (ASI) som:

”an intellect that is much smarter than the best human brains in practically every field, including scientific creativity, general wisdom and social skills”

Singulariteten handlar om att tekniken plötsligen springer ifrån mänskligheten. En dyster version av detta känner de flesta till som backstoryn till Terminator-filmerna, men går också att få mindre fiktion om man läser boken Our Final Invention: Artificial Intelligence and the End of the Human Era, från 2013.

Andra tänker mer på att vid singulariteten kommer människor äntligen att bli fria. Robotar och AI beskattas, folket får universell inkomst och kan tillbringa sin tid med det de egentligen tycker är mest givande och med god hälsa.

Den som lever får se…

Böcker och annat för dig som vill ha mer

• The man who mistook his wife for a hat and other clinical tales – om neurologi, hjärnans arkitektur och olika specialiserade begåvningar
• Our final invention: artificial intelligence and the end of the human era – riktigt pessimistisk syn på om människan kan hantera AI
• Artificially Intelligent Podcast: Best of bad AI – recenserar produkter som nog inte har med AI att göra
• 1709.10242 Intelligence Quotient and Intelligence Grade of Artificial Intelligence – studie om hur smarta olika AI:n är idag
• Generative adversarial network – Wikipedia – att låta neurala nätverk duellera om vem som överlistar den andre
• Is AI Riding a One-Trick Pony? – MIT Technology Review – om att det sker väldigt lite framsteg i den grundläggande tekniken bakom dagens AI
• Internet of Shiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiiit (@internetofshit) | Twitter – lyfter fram ”smarta” produkter, ofta uppkopplade till nätet