Kunstig intelligens

Lyt til artiklen:

Som forskningsfelt blev AI grundlagt officielt i 1956 på en konference, hvor forskere satte rammerne for det, de kaldte “kunstige maskiner med evnen til at tænke.” De første år arbejdede man mest med at skabe algoritmer, der kunne udføre grundlæggende opgaver som problemløsning og skakspil.

Forskningen havde fremgang som følge af computerteknologiens udvikling, men den eksplosive vækst i regnekraft omkring år 2000 betød, at AI for alvor tog fart. Det blev nu muligt at træne mere avancerede modeller med enorme datamængder. Det lagde grunden til de AI-systemer, vi kender i dag.

Hvad AI kan

AI anvendes i dag indenfor et bredt spektrum af opgaver, der spænder fra simpel ansigtsgenkendelse til udvikling af nye medicinske behandlinger.

Områder hvor AI har stor indflydelse:

1. Naturlig sprogbehandling (NLP): AI kan forstå og generere menneskeligt sprog på en måde, så vi kan chatte med maskiner som ChatGPT. Det har revolutioneret vores interaktion med teknologi og gør det muligt at bruge AI til alt fra at besvare simple spørgsmål til kundeservice.
2. Billed- og mønstergenkendelse: AI kan analysere og forstå billeder og dermed bliver det muligt at identificere objekter, ansigter eller endda diagnosticere sygdomme ved at kigge på røntgenbilleder. Det er en af de mest imponerende og praktiske anvendelser af AI i dag, især i sundhedssektoren.
3. Forudsigende analyser: Ved at analysere store mængder data kan AI finde mønstre og give forudsigelser om fremtidige hændelser. Det bruges inden for alt fra finans til vejrprognoser og markedsføring.
4. Automatisering af processer: Gentagne simple opgaver kan automatiseres ved hjælp af AI, og det kan frigøre menneskelige ressourcer til mere komplekse og kreative opgaver. Det ses især inden for produktion, logistik og kundeservice.

AI kan identificere objekter, ansigter eller endda diagnosticere sygdomme ved at kigge på røntgenbilleder.

Hvad AI ikke kan

Det er vigtigt at forstå, at AI har begrænsninger. Den er ikke en form for en alvidende maskine. Kapaciteten afhænger i høj grad af, hvordan den er trænet, og hvilket formål den er designet til.

Her er noget af det, AI endnu ikke kan:

1. Kreativitet og innovation: AI kan generere tekst eller billeder baseret på mønstre i data, men den mangler stadig evnen til at skabe noget helt nyt eller tænke ud af boksen på den måde, som mennesker kan. AI kan efterligne, men den har ikke egen bevidsthed eller kreativitet.
2. Forstå følelser: AI kan analysere sprog og billeder for at finde ud af, om en person er glad eller ked af det, men den har stadig svært ved at forstå og reagere meningsfuldt på komplekse menneskelige følelser. Maskiner har ikke empati og intuition.
3. Moral og etiske beslutninger: AI træffer beslutninger baseret på data og algoritmer, men den har ingen indbyggede etiske eller moralske kompasser. Det betyder, at AI kan træffe valg, som virker logiske, men som måske ikke er moralsk eller etisk acceptable.

Ingen indbyggede etiske eller moralske kompasser.

Forskellige typer AI-modeller

AI er ikke en enkelt teknologi, men mange forskellige typer, som er designet til forskellige formål. For eksempel:

1. Googles Notebook LM: Den model er designet til at hjælpe med akademisk research. Den er trænet til at forstå og navigere i videnskabelige data og kan hjælpe forskere med at analysere og sammenfatte komplekse undersøgelser. Den er fokuseret på præcision og evnen til at håndtere store, tekniske datamængder.
2. ChatGPT: En sprogmodel, der er specialiseret i at chatte og besvare spørgsmål letforståeligt for brugeren. ChatGPT er trænet på enorme mængder tekst og er god til at føre samtaler om mange emner, men ikke skabt til dybdegående akademisk forskning. Dens styrke ligger i evnen til at formidle information på en naturlig måde.

Energiforbruget

Store omkostninger – ikke kun i forhold til udvikling og vedligeholdelse, men også forbruget af energi, vand og andre ressourcer.

AI’s evner er imponerende, men der er store omkostninger – ikke kun i forhold til udvikling og vedligeholdelse, men også forbruget af energi, vand og andre ressourcer.  Træning og drift af store AI-modeller kræver massive mængder computerkraft, og det resulterer i højt forbrug af elektricitet og vand.

1. Elektricitetsforbrug: Det kræver langvarig, kontinuerlig databehandling på avancerede servere at træne en stor sprogmodel som ChatGPT. Forbruget af elektricitet svarer ofte til det årlige energiforbrug for mange husstande.
2. Vandforbrug: AI-datacentre kræver store mængder vand til afkøling af de servere, der konstant arbejder for at træne og køre AI-modellerne. Det øger presset på lokale vandressourcer.
3. Miljøpåvirkning: Afhænger af, hvordan elektriciteten genereres. Hvis AI-datacentre drives af ikke-vedvarende energikilder, kan CO2-udledningen være betydelig.

Alt det har skabt en nødvendig debat om, hvordan vi bedst balancerer de enorme fordele ved AI med dens indvirkning på miljøet. Mange tech-virksomheder, herunder Google og Microsoft, har forpligtet sig på at gøre deres AI-drift mere miljøvenlig ved at skifte til vedvarende energi og reducere vandforbruget i deres datacentre.

Læs også “AI må ikke erstatte Helligånden”.