Vad forskare menar med ”generell artificiell intelligens”
Medan teknikjättarna fortfarande högljutt kungör genombrott mot artificiell superintelligens, har filosofer och datavetare redan tagit steget vidare. Deras påstående är anmärkningsvärt: System som ChatGPT har enligt dem redan uppnått det som många i årtionden har utropat som det ultimata målet — artificiell intelligens på en generell, mänsklig nivå. Den stora frågan är inte längre bara: När kommer den? Utan snarare: Förmår vi ens känna igen den, om den redan finns här?
Två begrepp blandas ofta ihop i denna debatt: vardagens artificiella intelligens och det som kallas Artificial General Intelligence (AGI) — alltså en artificiell intelligens som kan fungera på expertnivå inom många vitt skilda områden. Just AGI betraktades i åratal som ett avlägset mål från science fiction-världen.
En grupp forskare från filosofi, lingvistik, datavetenskap och data science ifrågasätter nu öppet denna syn. Deras centrala argument är att vi definierar intelligens för snävt och för starkt utifrån ett människocentrerat perspektiv. Därmed förbiser vi att dagens modeller redan levererar mycket av det vi länge har krävt som bevis på ”äkta” intelligens.
Författarna argumenterar: Om vi accepterar människor som intelligenta varelser, trots att vi är begränsade, felbara och specialiserade, så måste vi tillämpa samma måttstock på maskiner.
Istället för att leta efter en perfekt, allvetande superhjärna föreslår de ett mer jordnära perspektiv: Generell artificiell intelligens föreligger när ett system visar förmågor på nivå med mänskliga experter inom ett brett spektrum av uppgifter — varken mer eller mindre.
AGI är inte detsamma som superintelligens
En viktig punkt i debatten är skillnaden mellan två nivåer. Det är avgörande att inte blanda ihop dem:
- Generell artificiell intelligens (AGI): System som kan arbeta på expertnivå inom många fält, jämförbart med kvalificerade människor.
- Superintelligens: System som överträffar människor markant på nästan alla kognitiva områden.
Enligt forskarna levererar dagens stora språkmodeller — så kallade Large Language Models (LLMs) — redan talrika exempel på prestationer på expertnivå, från programmering över juridik till medicinska fackfrågor. Just det är kriteriet för AGI. Den spektakulära, övermänskliga superintelligensen skulle utgöra ett helt annat steg, som möjligen fortfarande ligger framför oss.
Turing-testet: Redan godkänt?
En historisk måttstock för ”äkta” artificiell intelligens är Turing-testet. Alan Turing formulerade det år 1950: Om en människa i en skriftlig dialog inte med säkerhet kan avgöra om den kommunicerar med en människa eller en maskin, betraktas maskinen som intelligent.
Moderna chatbottar klarar detta test i många scenarion. I blindtester bedömer användare ChatGPT och liknande system oftare som ”mänskliga” än de faktiska människorna som ingår i testet. För bara några år sedan skulle ett sådant resultat ha betraktats som ett tydligt bevis på stark artificiell intelligens.
Utifrån Turing-testets klassiska måttstock skulle dagens system redan erkännas som fullvärdiga, intelligenta samtalspartners — men ribban höjs ständigt i efterhand.
Precis här sätter forskarnas kritik in: Varje gång artificiell intelligens uppfyller ett gammalt kriterium, flyttar allmänheten målet längre bort. Intelligens blir därmed ett ständigt flyktigt löfte.
Typiska invändningar mot AGI — och vad som vacklar i dem
I sin analys går forskarna igenom en rad gängse kritikpunkter mot dagens AI-modeller. Många av dem är välbekanta från den offentliga debatten.
”Det är ju bara stokastiska papegojor”
Ett frekvent argument är att språkmodeller bara återger mönster från träningsdata utan verklig förståelse. Forskarna motsäger detta: Sådana modeller löser i allt högre grad uppgifter som inte alls förekom i träningen — exempelvis helt nya matematikproblem eller invecklade logikuppgifter.
De uppvisar transferinlärning: Kunskap från ett område hjälper till att lösa uppgifter inom ett helt annat. Denna flexibla koppling av innehåll har länge ansetts som ett kärnkännetecken för intelligens.
”Utan kropp ingen äkta intelligens”
En annan invändning lyder att människor har en kropp och upplever världen genom sinnen. Ren mjukvara skulle därför aldrig verkligen kunna ”förstå” vad ord betyder.
Även här är författarna oense. De pekar på framsteg inom multimodala modeller som inte bara behandlar text, utan även bilder, ljud och video. Sådana system kan bedöma fysiska konsekvenser, planera rörelsemönster eller dra logiska slutsatser från visuella scener.
Parallellt uppstår det allt fler robotar som är direkt kopplade till AI-modeller — forskningen talar om Physical AI. Med varje steg växer sammankopplingen av digital intelligens och den fysiska världen.
”Utan autonomi och biografi ingen generell intelligens”
Ofta hörs det att ett system behöver varaktiga mål, en stabil identitet och ett slags livshistoria för att kunna betraktas som verkligt intelligent. Forskarna ser mer eftergivet på detta: Intelligens visar sig primärt i beteende och problemlösningsförmåga — inte i om en maskin minns sitt ”igår”.
Den som endast erkänner intelligens när den åtföljs av mänskligt medvetande, känslor och en livshistoria, bygger en definition som per design utesluter maskiner.
Frågan om medvetande förblir därmed öppen — men för att klassificera något som AGI betraktar författarna det inte som avgörande.
Vad gäller de berömda AI-hallucinationerna?
Ett av de starkaste argumenten mot AGI-påståenden är fortfarande problemet med hallucinationer: AI-modeller hittar på fakta, citerar källor som aldrig har existerat, eller förskönrar viktiga detaljer. Det sker fortfarande ofta idag.
Forskarna erkänner detta problem, men ramar in det annorlunda. De påpekar att även människor är benägna till felslutningar, förvrängda minnen och direkta lögner. Från deras synvinkel betyder en hög felfrekvens inte automatiskt att det inte finns någon intelligens — bara att den är begränsad och opålitlig.
Aktuella undersökningar visar dock att hallucinationer i vissa scenarier till och med tilltar. Även framtida modeller som en möjlig GPT‑5 kommer enligt uttalanden från OpenAI fortfarande att innehålla graverade fel i ungefär vart tionde svar. För kritiska tillämpningar som medicin, juridik eller infrastruktur förblir det en allvarlig risk.
| Aspekt | Människa | Dagens AI |
|---|---|---|
| Kunskapsbredd | Starkt begränsad, specialiserad | Extremt bred, men ojämn på djupet |
| Felkällor | Bias, glömska, känslor | Träningsdata, modellgränser, hallucinationer |
| Inlärningshastighet | Långsam, få data nödvändiga | Snabb, enormt många data nödvändiga |
| Förklaring av egna beslut | Subjektiva skäl, ofta bristfälliga | Svårgenomskådlig statistik |
Varför vår definition av intelligens kanske är det egentliga problemet
Den kanske mest provokativa tesen från författarna är denna: Det är inte artificiell intelligens som haltar efter — det är vårt begrepp om intelligens. Vi kopplar det så starkt till den mänskliga upplevelsen att varje maskinell form startar med orimliga förutsättningar.
Människor erkänns som intelligenta, även om de är glömska, ständigt tar fel och saknar expertis på talrika områden. Samtidigt kräver vi av AI-system nästan felfria prestationer, annars förnekar vi dem grundläggande intelligens.
Bakom detta döljer sig en tydlig antropocentrism: Vi sätter oss själva som måttstock och bortser från att intelligens kan ha många olika uttrycksformer. Ett e-postspamfilter ”känner” ingenting, men känner igen mönster mycket tillförlitligt. Ett schackprogram förstår inte mänskliga känslor, men slår varje stormästare. Och stora språkmodeller kan inte njuta av en riktig helg, men skriver flytande texter, programmerar mjukvara och löser fackliga uppgifter.
Varför teknikchefer föredrar att tala om superintelligens
Det är anmärkningsvärt hur stora företag ramar in debatten. Personer som Mark Zuckerberg talar i allt högre grad om ”superintelligens” framför generell artificiell intelligens. Därmed förskjuts fokus automatiskt till en avlägsen framtid — långt bort från frågan om huruvida dagens system redan utgör en ny form av intelligens.
Detta språkliga grepp har konsekvenser: När superintelligens blir det nya stora målet, framstår dagens modeller som ett harmlöst mellansteg. Det försvagar å ena sidan dramatiken kring risker, men förstärker å andra sidan hypen kring det som påstås komma snart.
Vad det betyder för vår vardag
Oavsett om man håller med forskarna eller inte, har deras argument direkt inverkan på politik, reglering och arbetsmarknad. Om vi betraktar AI-system som generellt intelligenta aktörer, behöver vi andra regler än för enkla verktyg.
- Ansvar: Vem bär ansvaret när en ”intelligent” maskin agerar i vid utsträckning självständigt?
- Transparens: Hur mycket insyn i träningsdata och modellarkitektur är nödvändig för att beslut ska förbli genomskådliga?
- Kompetensförskjutning: Vilka jobb förändras när expertkunskap delvis outsourcas till maskiner?
- Utbildning: Ska elever och studenter lära sig att arbeta med en sorts ”digital medtänkare” istället för att bara plugga fakta?
I praktiken betyder det: Den som arbetar med AI-system idag, rör sig i allt högre grad i en gråzon. Vissa uppgifter tar maskinen nästan över helt, medan andra kräver tätt mänskligt uppsikt. Konsten ligger i att realistiskt bedöma vad dessa system förmår — och var deras blinda fläckar befinner sig.
Begrepp och exempel som gör debatten mer konkret
Många nyckelbegrepp verkar abstrakta, men blir påtagliga när man ser på typiska tillämpningar:
- Stora språkmodeller (LLM): De bygger på miljarder textavsnitt och lär sig hur språk statistiskt fungerar. Resultatet är chatbottar, kodassistenter eller automatiska sammanfattningar.
- Multimodal AI: Här flyter text, bild, ljud och video samman. En modell kan exempelvis analysera ett foto och samtidigt leverera en textlig beskrivning eller besvara en fråga om det.
- Physical AI: Robotarmar, hushållsrobotar eller autonoma fordon drar nytta av AI för att förstå sin omgivning och agera i den.
Ett praktiskt exempel: Ett modernt system skulle kunna läsa texten i en monteringsanvisning, känna igen rätt verktyg på ett foto, visa i en video hur man håller det, och samtidigt förklara säkerhetsregler. För användarna känns det som en blandning av expert, lärare och assistent — utan att en människa sitter i bakgrunden.
Precis sådana scenarier närer tesen om att vi redan umgås med en form av generell artificiell intelligens som bara ser annorlunda ut än den vi föreställde oss i science fiction-filmer. Om vi tilldelar etiketten AGI eller inte, förändrar inget vid att vårt begrepp om intelligens för tillfället utvidgas radikalt — och att vi måste lära oss att umgås med denna nya sorts medspelare i vårt samhälle.
