Hvor smart er nutidens AI?
Beretninger om selvkørende biler, computere, der vinder over stormestre i skak, og det kinesiske brætspil Go samt uovertruffen mønstergenkendelse via machine learning, som gør computere bedre end mennesker til at diagnosticere visse kræftformer og identificere personer på billeder og videoer, giver indtryk af en overmenneskelig intelligens. Historierne understøtter fremtidsscenarier, som promoveres af Hollywood og Singularity-fortalere, hvor AI endegyldigt erstatter mennesket som den øverste i Jordens intelligens-hierarki.
Men leder de seneste års succes for AI nødvendigvis frem til, at AI overtrumfer menneskelig intelligens?
Ingen sund fornuft
Ikke hvis man lytter til, hvad ledende AI-forskere og -praktikere siger.
Eksempelvis Yann Lecun, som er leder af Facebooks AI-forskning og var med til at skabe de convolutional neurale netværk, som er helt afgørende for god ansigtsgenkendelse, og for at selvkørende biler kan fungere. Han udtalte til The Verge i oktober:
”Vi er langt fra at have maskiner, der kan lære de mest basale ting om verden på samme måde som mennesker og dyr. Ja, på nogle områder optræder de overmenneskeligt, men når det kommer til generel intelligens, så er de ikke engang i nærheden af en rottes”.
Som Lecun påpeger, er den nuværende AI stadig en meget specialiseret kunstig intelligens. Den har haft de førnævnte succeser, men der er lang vej til en generel menneskelig intelligens eller AGI (artificial general intelligence).
Som en anden prominent AI-forsker, Rodney Brooks, der var leder af MIT's Artificial Intelligence Laboratory i 10 år og siden har været en af de ledende robotforskere, udtrykker det på sin blog:
”Forskning i AGI forsøger at skelne en tænkende entitet fra den nuværende AI-teknologi som machine learning. Idéen er, at vi bygger autonome agenter, der fungerer ligesom levende væsener i verden. Det har altid været min motivation for at arbejde med robotter og AI, men den nylige success for AI har intet med det at gøre … AGI forskning i dag klarer sig ikke så godt med hverken at være generel eller udvikle en uafhængig entitet. Forskningen er for det meste kørt fast i de samme problemer med at opnå ræsonnement og sund fornuft, som AI har haft problemer med i mindst 50 år.”
Forfra med AI?
En af ophavsmændene til den nuværende AI-succes med neurale netværk er Geoffrey Hinton. Mens AI-forskningen i 1970'erne og starten af 1980'erne stort set havde opgivet neurale net som en vej til kunstig intelligens, fortsatte nogle få forskere, deriblandt Hinton, eksperimenterne. I 1986 fik Hinton et gennembrud, da han viste, at backpropagation gjorde det muligt at træne neurale net med flere lag end de to-tre, man hidtil havde eksperimenteret med. Deep learning var en realitet.
Det tog dog 26 år, førend udviklingen i rå computerkraft kunne drage nytte af deep learning. I 2012 publicerede Hinton sammen med to af sine studerende forskningspapiret ImageNet Classification with Deep Convolutional Neural Networks. Her dokumenterede Hinton og hans to studerende, hvordan deres Convolutional Neurale Netværk (CNN) havde vundet den årlige ImageNet Large-Scale Visual Recognition Challenge. Med en fejlrate på 15,4 procent i genkendelsen af 1,2 millioner billeder i ImageNet-datasættet var der langt ned til nummer to med 26,2 procents fejlrate. Siden har CNN domineret billedgenkendelseskonkurrencen. Fejlraten er nu under 2,5 procent sammenlignet med menneskers fejlrate på 5–10 procent. Trods succesen tvivler Hinton på, at rigtig generel AI alene kan opnås ved hjælp af deep learning som CNN.
– Jeg er meget mistænksom over for deep learning. Jeg tror, at vi skal smide det ud og starte forfra igen, sagde han i september sidste år.
Selvlærende systemer
Trods skepsis fra nogle af ophavsmændene bag den nuværende AI-succes fortsætter succesen for AI-teknologien. Google Deepmind-teamet udviklede i løbet af efteråret 2017 en ny algoritme, AlphaZero, der på blot fire timer lærte sig selv at spille skak og efterfølgende slog verdensklasse-skakprogrammet Stockfish. AlphaZero blev blot udstyret med reglerne for skak og gik derefter i gang med at træne sig selv op til stormester-niveau. På samme måde kan algoritmen oplære sig selv til mesterklasseniveau i andre spil, når den fodres med spillereglerne.
På de følgende sider ser vi nærmere på AI.
Vi taler med folk fra Google, der ønsker at gøre AI tilgængelig for masserne, ligesom vi taler med danskeren, der vandt Googles AI Challenge forrige sommer.
Budskabet er, at folk allerede nu kan gå i gang med at lege og undersøge mulighederne med AI uden nødvendigvis at forstå de finere nuancer i convolutional neural network og backpropagation. Det giver et første skridt til at forstå AI og skaber grundlaget for en vidensbaseret AI-debat.