kunstig intelligens

Den kunstige intelligens' historie er sammenvævet med computerens. Udviklingen af de programmerbare digitale computere efter 2. Verdenskrig betød, at man i princippet havde mulighed for at afprøve en gammel rationalistisk hypotese om den menneskelige tænknings natur, som går tilbage til filosoffer som Thomas Hobbes og G.W. Leibniz.

Deres idé var simpel og radikal; de mente, at al tænkning skyldes virkningen af en indre kalkule (et program). Det vil sige et system af rent mekanisk natur, som processerer en række simple regneenheder eller symboler efter bestemte regler svarende til logikkens regler for korrekt logisk slutning eller aritmetikkens regler for korrekt talbehandling.

Dette forblev længe blot en hypotese. Selv da Charles Babbage i 1820'erne designede sin differensmaskine, en forløber for den moderne computer, var den så indviklet en konstruktion, at den ikke kunne realiseres med den tids teknologi. Men Ada Augusta Lovelace, som arbejdede sammen med Charles Babbage, bemærkede allerede i 1842, at en sådan maskine ikke blot ville kunne behandle tal, men stort set alt, der kunne reduceres til en begrænset mængde symboler. Man kunne altså forestille sig en maskine, der automatisk efter bestemte procedurer udfører instruktioner, som svarer til beregninger, og at disse beregninger ikke blot repræsenterer matematiske problemer, men i det hele taget problemer, der kan underkastes rationel analyse og løses ved logiske slutninger (se inferens).

I første halvdel af 1900-tallet udvikledes grundlaget for kunstig intelligens og informationsteknologi generelt i form af særlige sammenkoblinger mellem teorier om tænkning, logik, automatik, formelle sprog og matematik. Man nåede frem til en afklaring af, hvad det præcis vil sige, at et problem er beregneligt efter en mekanisk procedure, bl.a. gennem Alan M. Turings model fra 1936 af en abstrakt maskine, Turingmaskinen, der kunne udføre enhver udførbar beregning. Alfred Tarski viste, hvordan man kunne konstruere en matematisk semantik for formelle sprog. Kurt Gödel påviste sammenhængen mellem bevis, sandhed og logisk følge. Claude Shannon viste i 1938, at elektriske kredsløb kan implementere alle operationer i boolesk logik, og efter 1945 udvikledes von Neumann-computeren (opkaldt efter matematikeren John von Neumann), den moderne serielle computer.

Alt dette var forudsætninger for den bro, man forestillede sig, AI skulle bygge mellem det tankemæssige, man ellers havde opfattet som noget rent immaterielt, og det maskinelle, som ofte ansås for noget rent fysisk og åndløst. Ligesom konstruktionen af regnemaskiner lignede et eksistensbevis på, at en bestemt sektion af den menneskelige tænkning, nemlig talbehandling, kunne mekaniseres, så kunne man forestille sig, at intelligent tænkning dybest set havde form af en indre og ubevidst kalkule eller et "tankesprog", som kunne opdages, og som indeholdt en nøje defineret grammatik af rent syntaktiske regler, herunder de logiske regler for gyldige ræsonnementer. Tænkte mennesket på basis af et sådant logisk-matematisk opbygget tankesprog, og lod dette sig finde, kunne man implementere det i en maskine, så dens processer kunne behandle de repræsenterede tanker ved hjælp af dette sprogs syntaktiske regler.

Som et egentligt forskningsfelt, hvor man begyndte at præcisere denne formodning i forsøget på at konstruere intelligente systemer, begyndte AI først omkring 1955. Tre faktorer er helt essentielle for idéen om tænkning som en art indre formelt sprog:

1) De enkelte tankeelementer antages at være ordnet i en kombinatorisk syntaktisk struktur (en grammatik). Det vil sige, at den består af veldefinerede arrangementer; elementerne svarer til ord, arrangementerne til sætninger, men det antages ikke, at de ligner kendte ord eller sætninger.

2) Indholdet af tankeelementerne, det, de betyder, er systematisk bestemt ved deres sammensætning. Betydningen er kompositionel, på samme måde som betydningen af en sætning i store træk kan ses som fastlagt af dens grammatik og betydningen af de enkelte ord.

3) Endelig er tankerækkerne, den intelligente proces, specificeret alene af syntaktisk fastlagte regler; dvs. de kan udføres af mekanismer, der kun styres af formel syntaks. Semantikken, dvs. indholdet eller meningen, antages at følge med af sig selv. Her ligger analogien med bevisteori: Et arguments formelle gyldighed afgøres alene af, om det følger formelt gyldige slutningsregler. Hvis dette er opfyldt, vil sandheden af de oprindelige præmisser bevares i nye, afledte sætninger.

I sidste halvdel af 1950'erne udviklede man på basis af disse idéer de første programmer, der kunne spille skak eller bevise matematiske teoremer, dvs. maskiner, der løste problemer ikke blot ved beregning, men ved logisk deduktion. Blandt de forskere, der fra begyndelsen tegnede AI, var trioen Allen Newell (1927-92), J. Cliff Shaw (1922-91) og Herbert A. Simon, som på den første AI-konference i 1956 præsenterede et logikprogram, der skulle løse problemer ved at lede i et søgerum af mulige løsninger, hjulpet af visse tommelfingerregler, samt John McCarty (1927-2011) og Marwin Minsky (1927-2016), der sammen grundlagde AI-Laboratoriet ved MIT, USA, i 1958.

Det blev fra begyndelsen debatteret, hvorvidt det, de tidlige AI-programmer kunne udføre, virkelig var "intelligent". Alan M. Turing foreslog allerede i 1950 Turingtesten, oprindeligt under navnet efterligningsspillet (the imitation game), som operationelt kriterium for, om en maskine kunne opføre sig intelligent: Maskinen består testen, hvis en person, som må udspørge maskinen og et andet menneske om hvad som helst, ikke kan afgøre om svaret kommer fra maskinen eller mennesket. Der var bred enighed blandt forskere, inklusiv Turing, om at Turingtesten ikke var et brugbart kriterium for, om AI-programmer faktisk var intelligente eller kunne tænke.

Moderne sprogmodeller som GPT kommer ofte tæt på at kunne bestå Turingtesten.

Man kan groft skelne mellem to forskellige forskningsprogrammer i AI svarende til to opfattelser af intelligensens struktur: Det klassiske symbolparadigme og det konnektionistiske paradigme, der har rødder tilbage til kybernetikken.

Ifølge symbolparadigmet må tænkning forstås som logisk manipulation med symboler efter bestemte regler. Tilsvarende må et AI-system beskrives på flere hierarkiske niveauer af information: fra den basale maskinkode, der er repræsenteret ved hjælp af rent fysisk hardware, over programmeringssprogets beskrivelse af den måde, informationen repræsenteres og behandles på, til selve det overordnede semantiske og intentionelle niveau (videns- eller meningsniveauet), hvor systemets hensigtsmæssige og rationelle kompetence angives.

Det konnektionistiske paradigme er især blevet udviklet i 1980'erne og har siden 2010’erne oplevet fornyet opmærksom; ofte under navnet dyb læring (deep learning). Man taler her om distribuerede systemer for at understrege, at databehandlingen i princippet sker parallelt i et netværk af mange regneenheder og ikke serielt i én central enhed som i et klassisk AI-system. Ved hjælp af neurale netværk modelleres "intelligent adfærd" som et hensigtsmæssigt forhold mellem input- og outputsignaler til det kunstige netværk af "nerveceller". Det vil sige beregningsenheder med mange forbindelser, hvis indbyrdes styrke kan modificeres gennem træning mod et kendt datasæt.

Fremkomsten af computer hardware baseret på brug af grafikprocessoren (graphical processing unit, GPU) til at accelerere den distribuerede beregning har været en vigtig medvirkende faktor for “dyb læring-revolutionen”. Det har vist sig, at opskalering af beregningskraft, datamængden og størrelsen af det neurale netværk ofte leder til drastisk bedre AI-løsninger.

Inden for dette paradigme udforskes ofte opgaver, som indebærer en form for mønstergenkendelse, -indlæring, og -kategorisering, fx af ansigter (mand eller kvinde?) eller røntgenbilleder (rask eller syg?). Disse systemer er ofte populære i de dele af AI, der tilstræber psykologisk realisme (jf. kognitionsforskning) og arbejder med problemer med vage kategorier.

Det klassiske symbolparadigme viderefører en rationalistisk opfattelse af tænkning som funderet i en på forhånd given logisk og sekventiel struktur (det indre tankesprog eller lignende). Det konnektionistiske paradigme svarer mere til den empiristiske opfattelse i filosofien, hvor tænkning er erfaringsbaseret, og hvor tankernes indhold langsomt opbygges og afspejler det ofte billedagtige mønster, der måtte vise sig i de simple input af sansning, som tilføres kroppen eller maskinen.

Symbolparadigmet egner sig godt til at løse problemer, som har en velforstået struktur, der tillader effektiv løsning. Et eksempel er ruteplanlægning, hvor vejnettet kan ses som en graf, som man ved hjælp af kendte grafalgoritmer effektivt kan finde den korteste vej igennem. Neurale netværk er velegnede til opgaver, hvor træningsdata er til rådighed. Til mere komplekse problemer, der kræver planlægning, såsom at lære at spille skak, kan man kombinere de to paradigmer, således at et neuralt netværk lærer at spille, og en symbolsk algoritme bliver brugt til at understøtte læring og inferens ved effektivt at afsøge de mest lovende træk. Det er et åbent spørgsmål, hvorvidt det konnektionistiske paradigme har fundamentale begrænsninger, fx kan lære nok fra naturlig tekst til at kunne bestå Turingtesten.

For begge paradigmer gælder, at de systemer, der konstrueres, altid løser specialiserede problemer og sjældent efterligner et menneskes måde at løse en opgave på. AI-teknikker spiller en stor rolle i udvikling af informationsteknologi, og meget forskning er i dag drevet af store teknologivirksomheder. AI spiller desuden en stor rolle i mange aspekter af naturvidenskabelig og teknisk forskning og i industriel produktion og processtyring. Kunstig intelligens ses som vigtigt strategisk område i stormagtsrivaliseringen mellem USA, Kina, Europa og Japan.

Emnerne i AI-forskning er overlappende. Gennemgående er temaer som vidensrepræsentation, søgning (fx efter information generelt eller gode træk i spil), kontrol samt indlæring. Man har fx søgt at modellere opdagelse af matematiske begreber i programmer som AM (Automated Mathematician) fra slutningen af 1970'erne, et AI-system, der dels oplagrede et sæt tommelfingerregler, heuristikker, om opdagelse og vurdering af matematiske begreber, dels repræsenterede de basale begreber fra mængde- og talteori.

En stor del af forskningen i AI har beskæftiget sig med at finde heuristiske procedurer for at indfange det aspekt ved rationel tænkning, der ikke beror på ubrydelige regler eller gennemgang af enhver tænkelig mulighed, hvad der ofte fører til "kombinatorisk eksplosion", og heller ikke på blind tilfældighed, men en art hensigtsmæssige tommelfingerregler for valg af næste skridt. Det viser sig ofte uhyre vanskeligt at indlejre en sådan type rationel sensibilitet, fx matematikerens evne til at generalisere begreber og til at indse, hvor dette ikke er muligt. Denne indsigt omfatter tilsyneladende mere, end hvad man kan indlejre som regler i et automatisk system. Hypotesen i klassisk AI, hvorefter intelligens skulle svare til at besidde en stor database samt et sæt logiske slutningsregler, forekommer dermed utilstrækkelig, da intelligens i så fald reduceres til logicitet.

Det er imidlertid langtfra umuligt at bruge AI-systemer som støtte for menneskelige beslutninger inden for begrænsede felter som spil, rumudnyttelse ved lastning af skibe, tidsskemalægning i virksomheder og lignende. Men hvor de rent deduktive systemer i matematik og logik er monotont voksende (dvs. ekspanderende; de forkaster aldrig viden), er mennesker ikke-monotone. Vi reviderer hele tiden meninger under indtryk af forandring og nye erfaringer.

Mange af begrænsningerne ved de tidlige AI-systemer har inspireret nye forskningsområder, fx alternative former for ræsonneren, såsom ikke-monotone logikker, fuzzy logic, og kausale, rumlige og tidslige former for ræsonneren. Det er alt sammen områder, hvor formalisering af de menneskelige kompetencer er langt vanskeligere.

Et stort forskningsfelt er sprogsystemer, som kan udføre talegenkendelse, tekst-til-tale-generering og automatisk oversættelse. Et problem er her, at pålidelig oversættelse synes at forudsætte forståelse. Menneskers brug af naturligt sprog baserer sig nemlig ikke kun på formelle regler, men også på situationsforståelse og viden, ikke bare om sprogets syntaks, men også om indhold (semantik) og den videre mening i brugen af forskellige udtryk.

Syn (vision) er et selvstændigt AI-felt, der bl.a. omfatter forskning i linje- og teksturdetektion, dybdesyn, objektgenkendelse, mønstergenkendelse i billedbehandling og sensomotorisk kontrol i robotter. Såkaldt autonome agenter, ofte modelleret over insekters bevægelsesmåde, er et felt, hvor AI grænser op til kunstigt liv.

Siden 2011 har kunstig intelligens drevet af dyb læring gjort store fremskridt. I 2018 fik de tre neurale netværk-forskere Yoshua Bengio (f. 1964), Geoffrey E Hinton (f. 1947) og Yann LeCun (f. 1960) datalogiens største pris A. M. Turing-prisen. De modtog prisen for deres grundlæggende bidrag til kunstig intelligens, der har gjort disse gennembrud mulige. I 2024 fik Hinton og John Hopfield Nobelprisen i fysik for fundamentale opdagelser, der har gjort kunstig intelligens med neurale netværk mulig.

Nedenfor er en liste med årstal og emner:

• datalogi
• kybernetik
• logik
• kognitionspsykologi
• kognitionsforskning
• kunstigt liv
• it
• GPT
• OpenAI
• Turingtesten
• maskinoversættelse
• internettet