En gräns som möjligen redan har överskridits

Den gräns vi har väntat på i åratal kan ha passerats helt tyst och stilla – utan fanfarer eller dramatiska rubriker. En grupp forskare hävdar nu att det vi betraktade som avlägsen framtid kanske redan har blivit nutid.

Under många år var artificiell generell intelligens ett nästan mytiskt mål. Men forskare antyder idag att vi fortfarande beskriver en ny verklighet med gamla definitioner och snäva förväntningar – och därmed förbiser det avgörande skiftet som redan har ägt rum.

Problemet är enligt vetenskapsmän inte att AI har sviktat våra förväntningar. Problemet är att våra kriterier för intelligens hela tiden har varit byggda uteslutande på en mänsklig måttstock. Om AI-system löser uppgifter på specialistnivå inom många ämnesområden är det kanske dags att ompröva vad intelligens egentligen betyder.

AGI finns redan här – vi definierar den bara fel

I det erkända vetenskapliga tidskriften Nature publicerade ett forskarlag från University of California ett djärvt påstående: artificiell generell intelligens (AGI, av engelska Artificial General Intelligence) har redan uppnåtts. Enligt dem uppfyller dagens modeller – däribland avancerade chatbottar baserade på stora språkmodeller (LLM) – de praktiska kriterierna för intelligens på mänsklig nivå.

AGI förstås normalt som en AI som kan hantera ett brett spektrum av uppgifter över många domäner – som minimum på nivå med en genomsnittlig människa, i vissa fall till och med på expertnivå. Författarna menar att det är precis det som händer nu: dessa system skriver programmeringskod, sammanfattar vetenskapliga studier, utarbetar affärsstrategier, löser fysikuppgifter och bistår vid medicinsk diagnostik.

Laget från University of California fokuserade på att omformulera själva intelligensbegreppet. De argumenterar för att våra kriterier från början har varit alldeles för antropocentriska – uteslutande riktade mot mänskligt tänkande och perception. Om en människa visade samma förmågor skulle ingen tvivla på hennes intelligens.

Turing-testet klarades av för länge sedan

Alan Turing föreslog sitt test år 1950: om en människa inte i en textbaserad konversation kan skilja på om den kommunicerar med en människa eller en maskin, kan man tala om intelligens på mänsklig nivå. I årtionden var detta test hörnstenen i debatten om maskinintelligens.

Dagens chatbottar klarar regelbundet olika varianter av detta test. I flera undersökningar bedömer användare oftare en språkmodell som en människa än en verklig samtalspartner. Om vi höll fast vid det ursprungliga kriteriet skulle frågan vara avgjord – maskinell generell intelligens existerar redan. Men under tiden har vi bara höjt ribban ytterligare.

Forskarna från University of California påpekar en paradox: Turing-testet skulle en gång vara bevis nog för intelligens. Men när AI började klara det beslutade vi snabbt att det inte var tillräckligt och lade till nya krav – ofta utan tydliga motiveringar. Både OpenAI och Google DeepMind presenterar löpande resultat från tester som de tidigare själva betraktade som framgångskriterier.

AGI vs. superintelligens – vi blandar ihop två vitt skilda mål

I den offentliga debatten slängs två begrepp ofta i samma korg: artificiell generell intelligens och superintelligens. Det är ett misstag som påverkar våra förväntningar markant.

Författarna menar att AGI bör jämföras inte med en ”idealisk människa”, utan med det verkliga spektrumet av mänskliga förmågor. Ingen människa är expert på allt. Vi har alla våra blinda fläckar, fördomar och logiska misstag. En AI som kan utföra ett brett spektrum av uppgifter på specialistnivå inom många domäner uppfyller enligt deras mening kriterierna för generell intelligens – även om den inte är ofelbar.

Superintelligens är en helt annan liga – och fortfarande framtidsmusik. Det är inte en förutsättning för att tala om AGI. Sammanblandningen av dessa två begrepp gör att vi skjuter generell intelligens ut i det oändliga och förväntar oss närmast gudomliga förmågor. Mark Zuckerberg från Meta och andra teknikledare använder i allt högre grad termen superintelligens, just eftersom den skapar intrycket av att de verkliga utmaningarna ännu inte har kommit.

Företag som Microsoft, Anthropic och xAI investerar miljarder dollar i vidareutveckling, och skillnaden mellan AGI och superintelligens spelar en central roll i deras strategier.

Den ”statistiska papegojan” och tio vanliga invändningar under lupp

I debatten om LLM:er dyker beteckningen ”statistisk papegoja” regelbundet upp – den antyder att modellen bara upprepar mönster från träningsdata utan verklig förståelse. Laget från University of California analyserade tio av de vanligaste argumenten mot erkännandet av AGI och försöker bemöta dem.

Forskarna identifierade följande nyckeleg enskaper hos dagens modeller:

Lösning av nya uppgifter: modellerna hanterar matematik- och fysikproblem som inte bokstavligen förekommit i träningsdata
Överföring av färdigheter: de kan flytta kunskap över ämnesområden – till exempel tillämpa ett begrepp från programmering i planeringen av ett experiment
Förståelse av konsekvenser: de beskriver effekterna av handlingar i fysiska omgivningar och förklarar vad som händer i olika scenarion
Generering av strategier: de utformar lösningsmetoder för situationer utan direkta analogier i träningsdata
Kontextanpassning: de justerar kommunikationsstil och detaljnivå efter användarens behov
Metakognition: de kan bedöma sin egen osäkerhet och erkänna när de inte känner till svaret

För författarna bevisar detta att det inte bara handlar om avancerad kopiering, utan om system som bygger upp inre representationer av samband – även om deras ”tänkande” ser annorlunda ut än mänskligt. Stanford University och Massachusetts Institute of Technology har publicerat oberoende studier som bekräftar dessa förmågor hos modeller som GPT-4 och Claude.

Om en människa med motsvarande effektivitet i tester och uppgifter skulle kallas ”intelligent”, varför skärper vi då plötsligt kriterierna i fallet med AI? Denna fråga står centralt i hela debatten.

AI utan kropp – men med tillgång till verkligheten

En vanlig invändning lyder: äkta intelligens kräver en kropp, sinnen och direkt kontakt med världen. Språkmodeller har visserligen ingen fysisk kropp, men vi kopplar dem i allt högre grad till kameror, mikrofoner och robotar. Det dyker upp system som analyserar text, bilder, ljud och video samtidigt.

Forskarna påpekar att intelligens inte behöver vara ”förkroppsligad” i traditionell mening för att manifestera sig som effektivt resonemang. En människa som är blind från födseln utvecklar fortfarande rika begrepp om rum och handling – bara via andra kunskapskanaler. En AI-modell som tränas på enorma datamängder om världen uppnår likaså en form av indirekt ”erfarenhetsmässighet”.

Parallellt med detta utvecklas robottekniken snabbt. Begreppet Physical AI – maskiner som förbinder språkmodeller med fysiska kroppar – är inte längre bara en filmvision. Företag som Boston Dynamics, Tesla och Figure AI arbetar på humanoida robotar styrda av avancerade språkmodeller. NVIDIA investerar i utvecklingen av simuleringsmiljöer för träning av dessa system.

Minne, autonomi, inlärningstid – är det verkligen nödvändiga villkor?

Många kritiker fasthåller att man utan varaktigt självbiografiskt minne eller full handlingsautonomi inte kan tala om AGI. Författarna till den vetenskapliga artikeln är oense om denna ståndpunkt.

För det första har inte alla människor sammanhängande, detaljerade minnen av sitt eget liv – och det frånkänns dem inte intelligens. För det andra fungerar AI ofta som ett verktyg inom ramar fastställda av programmerare och användare. Att förvänta sig full autonomi som villkor för intelligens är enligt forskarna godtyckligt.

En annan invändning handlar om inlärningskostnader: AI kräver gigantiska datamängder, medan en människa kan lära sig mycket från bara några få exempel. Det stämmer, men författarna föreslår att fokusera på slutresultatet framför processen. Om ett system efter intensiv träning kan agera brett och effektivt bör skillnaden i tillvägagångssätt inte diskvalificera det som intelligent.

Institut som Allen Institute for AI och Partnership on AI undersöker just dessa frågor om maskinintelligensens natur och dess jämförbarhet med mänsklig intelligens.

AI-hallucinationer vs. mänskliga fel

Det mest känsliga ämnet är hallucinationer – situationer där modellen med full övertygelse producerar falsk information: icke-existerande källor, uppdiktade fakta, fiktiva citat. Författarna medger att detta problem existerar, men hävdar att omfattningen minskar med varje ny modellgeneration.

Data är dock inte entydiga. Vissa oberoende studier tyder på att andelen hallucinationer förblir hög vid vissa uppgiftstyper – och ibland till och med ökar när det begärs allt mer komplexa analyser. Även OpenAI uppskattar att cirka ett av tio svar från nästa generations modeller fortfarande kommer att innehålla ett allvarligt sakfel.

Skillnaden mellan AI och människor ligger inte i att den ena felat och den andra inte gör det – utan i felets karaktär och sättet de kontrolleras på. Människor är också utsatta för minnesillusion er, upprepar obekräftad information och faller i psykologiska fällor. När AI felas är felet mer synligt, mätbart och bättre undersökt.

I praktiken betyder det att AI-system kräver lager av kontroll, verifiering och ansvarsfull implementering – särskilt inom hälsa, juridik och finans. Stanford Medicine och Mayo Clinic testar redan protokoll för användning av AI i diagnostik med fokus på just att minimera dessa risker.

Förbiser vi en ny intelligens på grund av vår egen antropocentrism?

Den centrala tanken i Nature-artikeln är ganska obehaglig: kanske vill vi inte erkänna att en ny form av intelligens har uppstått, eftersom vi är alldeles för förälskade i vår egen bild. Vi gillar helt enkelt inte tanken på att något utan ett mänskligt ansikte, en kropp eller känslor i välkänd mening skulle kunna vara ”lika intelligent” som vi.

Denna antropocentrism har praktiska konsekvenser. Om vi ständigt hävdar att AGI fortfarande ligger framför oss blir det lättare att bagatellisera de verkliga effekterna av dagens system: påverkan på arbetsmarknaden, utbildning, informationssäkerhet och politik. Det blir också lättare att bygga föreställningar om superintelligens som något närmast mytiskt som en dag ”plötsligt kommer” – istället för att uppmärksamma den gradvisa förskjutningen av gränser som pågår just nu.

Det är inte en slump att teknikledare som Mark Zuckerberg i allt högre grad använder termen superintelligens. Det ger intrycket av att de verkliga utmaningarna ännu inte har anlänt och att det vi har idag fortfarande bara är ”avancerade verktyg”. Ändå är dessa verktyg redan kapabla att organisera kunskap i en skala som den enskilda människan bara kan drömma om.

Vad betyder det i praktiken för vanliga användare?

Om vi accepterar att AGI i praktisk mening redan existerar förändras flera saker på en gång. För det första slutar vi betrakta AI som en kuriositet och börjar istället se den som en samarbetspartner – en som verkligen kan representera oss, men också förstärka oss, till exempel inom dessa områden:

Kontorsarbete – automatisering av rapporter, presentationer och dataanalyser
Utbildning – personalisering av inlärningstempo och översättning av komplexa begrepp till ett enklare språk
Medicin – assistans vid analys av bilder och dokumentation samt anvisning av möjliga scenarier
Kreativitet – generering av skisser, idéer och innehållsvarianter som människan vidareutvecklar
Juridiska tjänster – upprättande av kontrakt, analys av prejudikat och sökning efter relevanta lagar
Vetenskap – bearbetning av stora dataset, sökning efter mönster och generering av hypoteser

För det andra växer betydelsen av ämnen som reglering, ansvar för fel, modelltransparens och konsekvenser för sysselsättningen. Det blir svårare att säga ”det är bara en algoritm som föreslår något” när denna algoritm verkligen matchar eller överträffar experter i många uppgifter. Europeiska unionen arbetar på AI Act, och Vita huset har utfärdat en exekutiv order om reglering av AI.

Slutligen är det värt att tillägna sig några praktiska vanor: alltid verifiera centrala fakta, betrakta AI:s svar som en hypotes snarare än en uppenbarad sanning och medvetet fastställa gränser för tillit – annorlunda vid kreativa uppgifter än vid juridiska eller hälsorelaterade frågor. Just dessa kompetenser kommer under kommande år att bli allt viktigare – oavsett om vi officiellt erkänner AGI eller inte.