Hvad forskere forstår ved "generel kunstig intelligens"
Mens tech-giganter stadig højlydt annoncerer gennembrud mod kunstig superintelligens, er filosoffer og datalogere allerede gået et skridt videre. Deres påstand er bemærkelsesværdig: Systemer som ChatGPT har ifølge dem allerede nået det, mange i årtier har udråbt som det ultimative mål — kunstig intelligens på et generelt, menneskeligt niveau. Det store spørgsmål er ikke længere bare: Hvornår kommer den? Men derimod: Er vi overhovedet i stand til at genkende den, hvis den allerede er her?
To begreber blandes ofte sammen i denne debat: hverdagens kunstige intelligens og det, der kaldes Artificial General Intelligence (AGI) — altså en kunstig intelligens, der kan fungere på ekspertniveau inden for mange vidt forskellige områder. Netop AGI blev i årevis betragtet som et fjerntliggende mål fra science fiction-verdenen.
En gruppe forskere fra filosofi, lingvistik, datalogi og data science sætter nu åbent spørgsmålstegn ved dette syn. Deres centrale argument er, at vi definerer intelligens for snævert og for stærkt ud fra et menneskecentreret perspektiv. Derved overser vi, at nutidens modeller allerede leverer meget af det, vi længe har krævet som bevis på "ægte" intelligens.
Forfatterne argumenterer: Hvis vi accepterer mennesker som intelligente væsener, på trods af at vi er begrænsede, fejlbarlige og specialiserede, så må vi anvende de samme målestokke over for maskiner.
I stedet for at lede efter en perfekt, alvidende superhjerneforeslår de et mere jordnært perspektiv: Generel kunstig intelligens foreligger, når et system viser evner på niveau med menneskelige eksperter inden for en bred vifte af opgaver — hverken mere eller mindre.
AGI er ikke det samme som superintelligens
Et vigtigt punkt i debatten er skelnen mellem to niveauer. Det er afgørende ikke at blande dem sammen:
- Generel kunstig intelligens (AGI): Systemer, der kan arbejde på ekspertniveau inden for mange felter, sammenligneligt med kvalificerede mennesker.
- Superintelligens: Systemer, der overgår mennesker markant på næsten alle kognitive områder.
Ifølge forskerne leverer nutidens store sprogmodeller — såkaldte Large Language Models (LLMs) — allerede talrige eksempler på præstationer på ekspertniveau, fra programmering over jura til medicinske fagspørgsmål. Netop det er kriteriet for AGI. Den spektakulære, overmenneskelige superintelligens ville udgøre et helt andet trin, som muligvis endnu ligger foran os.
Turing-testen: Allerede bestået?
En historisk målestok for "ægte" kunstig intelligens er Turing-testen. Alan Turing formulerede den i 1950: Hvis et menneske i en skriftlig dialog ikke med sikkerhed kan afgøre, om det kommunikerer med et menneske eller en maskine, betragtes maskinen som intelligent.
Moderne chatbots består denne test i mange scenarier. I blindtests vurderer brugere ChatGPT og lignende systemer oftere som "menneskelige" end de faktiske mennesker, der indgår i testen. For blot få år siden ville et sådant resultat have været betragtet som et klart bevis på stærk kunstig intelligens.
Ud fra Turing-testens klassiske målestok ville nutidens systemer allerede blive anerkendt som fuldgyldige, intelligente samtalepartnere — men målstangen hæves løbende bagudrettet.
Præcis her sætter forskernes kritik ind: Hver gang kunstig intelligens opfylder et gammelt kriterium, flytter offentligheden målet længere væk. Intelligens bliver dermed til et konstant flygtende løfte.
Typiske indvendinger mod AGI — og hvad der vakler i dem
I deres analyse gennemgår forskerne en række gængse kritikpunkter mod nutidens KI-modeller. Mange af dem er velkendte fra den offentlige debat.
"Det er jo bare stokastiske papegøjer"
Et hyppigt argument er, at sprogmodeller blot genopkaster mønstre fra træningsdata uden egentlig forståelse. Forskerne modsiger dette: Sådanne modeller løser i stigende grad opgaver, der slet ikke optrådte i træningen — eksempelvis helt nye matematikproblemer eller knudrede logikopgaver.
De udviser transferlæring: Viden fra ét område hjælper med at løse opgaver inden for et helt andet. Denne fleksible kobling af indhold har længe været anset som et kernekendertegn ved intelligens.
"Uden krop ingen ægte intelligens"
En anden indvending lyder, at mennesker har en krop og oplever verden gennem sanser. Ren software ville derfor aldrig virkelig kunne "forstå", hvad ord betyder.
Også her er forfatterne uenige. De peger på fremskridt inden for multimodale modeller, der ikke kun behandler tekst, men også billeder, lyd og video. Sådanne systemer kan vurdere fysiske konsekvenser, planlægge bevægelsesforløb eller drage logiske slutninger fra visuelle scener.
Sideløbende opstår der stadig flere robotter, der er direkte koblet til KI-modeller — forskningen taler om Physical AI. Med hvert skridt vokser sammenkoblingen af digital intelligens og den fysiske verden.
"Uden autonomi og biografi ingen generel intelligens"
Ofte lyder det, at et system har brug for vedvarende mål, en stabil identitet og en slags livshistorie for at kunne betragtes som virkelig intelligent. Forskerne ser mere lempeligt på dette: Intelligens viser sig primært i adfærd og problemløsningsevne — ikke i, om en maskine husker sit "i går".
Den, der kun anerkender intelligens, når den ledsages af menneskelig bevidsthed, følelser og en livshistorie, bygger en definition, der per design udelukker maskiner.
Spørgsmålet om bevidsthed forbliver dermed åbent — men for at klassificere noget som AGI betragter forfatterne det ikke som afgørende.
Hvad med de berømte KI-hallucinationer?
Et af de stærkeste argumenter imod AGI-påstande er fortsat problemet med hallucinationer: KI-modeller opfinder fakta, citerer kilder der aldrig har eksisteret, eller forskønner vigtige detaljer. Det sker stadig hyppigt den dag i dag.
Forskerne erkender dette problem, men indramter det anderledes. De påpeger, at også mennesker er tilbøjelige til fejlslutninger, forvrængede erindringer og direkte løgne. Fra deres synspunkt betyder en høj fejlrate ikke automatisk, at der ingen intelligens er til stede — blot at den er begrænset og upålidelig.
Aktuelle undersøgelser viser dog, at hallucinationer i visse scenarier ligefrem tiltager. Selv fremtidige modeller som et muligt GPT‑5 vil ifølge udtalelser fra OpenAI stadig indeholde graverende fejl i omkring hver tiende svar. For kritiske anvendelser som medicin, jura eller infrastruktur forbliver det en alvorlig risiko.
| Aspekt | Menneske | Nutidens KI |
|---|---|---|
| Vidensbredde | Stærkt begrænset, specialiseret | Ekstremt bred, men uensartet i dybden |
| Fejlkilder | Bias, glemsel, følelser | Træningsdata, modelgrænser, hallucinationer |
| Læringshastighed | Langsom, få data nødvendige | Hurtig, enormt mange data nødvendige |
| Forklaring af egne beslutninger | Subjektive grunde, ofte mangelfulde | Svært gennemskuelig statistik |
Hvorfor vores definition af intelligens måske er det egentlige problem
Den måske mest provokerende tese fra forfatterne er denne: Det er ikke kunstig intelligens, der halter bagud — det er vores begreb om intelligens. Vi kobler det så stærkt til den menneskelige oplevelse, at enhver maskinel form starter med urimelige betingelser.
Mennesker anerkendes som intelligente, selv om de er glemske, konstant tager fejl og mangler ekspertise på talrige områder. Samtidig kræver vi af KI-systemer næsten fejlfrie præstationer, ellers nægter vi dem grundlæggende intelligens.
Bag dette gemmer sig en tydelig antropocentrisme: Vi sætter os selv som målestok og ser bort fra, at intelligens kan have mange forskellige udtryksformer. Et e-mail-spamfilter "føler" ingenting, men genkender mønstre meget pålideligt. Et skakprogram forstår ikke menneskelige følelser, men slår enhver stormester. Og store sprogmodeller kan ikke nyde en rigtig weekend, men skriver flydende tekster, programmerer software og løser faglige opgaver.
Hvorfor tech-chefer foretrækker at tale om superintelligens
Det er bemærkelsesværdigt, hvordan store virksomheder rammesætter debatten. Personer som Mark Zuckerberg taler i stigende grad om "superintelligens" frem for generel kunstig intelligens. Dermed forskydes fokus automatisk til en fjern fremtid — langt væk fra spørgsmålet om, hvorvidt nutidens systemer allerede udgør en ny form for intelligens.
Dette sproglige greb har konsekvenser: Når superintelligens bliver det nye store mål, fremstår nutidens modeller som et harmløst mellemtrin. Det svækker på den ene side dramatikken omkring risici, men forstærker på den anden side hypen omkring det, der angiveligt snart kommer.
Hvad det betyder for vores hverdag
Uanset om man er enig med forskerne eller ej, har deres argumenter direkte indvirkning på politik, regulering og arbejdsmarked. Hvis vi betragter KI-systemer som generelt intelligente aktører, har vi brug for andre regler end for simple værktøjer.
- Ansvar: Hvem bærer ansvaret, når en "intelligent" maskine handler i vid udstrækning selvstændigt?
- Transparens: Hvor meget indsigt i træningsdata og modelarkitektur er nødvendig, for at beslutninger forbliver gennemskuelige?
- Kompetenceforskydning: Hvilke jobs ændrer sig, når ekspertviden delvist outsources til maskiner?
- Uddannelse: Skal elever og studerende lære at arbejde med en slags "digital medtænker" i stedet for blot at pugge fakta?
I praksis betyder det: Den, der arbejder med KI-systemer i dag, bevæger sig i stigende grad i en gråzone. Nogle opgaver overtager maskinen næsten alene, mens andre kræver tæt menneskelig kontrol. Kunsten ligger i realistisk at vurdere, hvad disse systemer formår — og hvor deres blinde vinkler befinder sig.
Begreber og eksempler der gør debatten mere konkret
Mange nøglebegreber virker abstrakte, men bliver håndgribelige, når man ser på typiske anvendelser:
- Store sprogmodeller (LLM): De bygger på milliarder af tekstbidder og lærer, hvordan sprog statistisk fungerer. Resultatet er chatbots, kodeassistenter eller automatiske resuméer.
- Multimodal KI: Her flyder tekst, billede, lyd og video sammen. En model kan eksempelvis analysere et foto og samtidig levere en tekstlig beskrivelse eller besvare et spørgsmål om det.
- Physical AI: Robotarme, husholdningsrobotter eller autonome køretøjer trækker på KI for at forstå deres omgivelser og handle i dem.
Et praktisk eksempel: Et moderne system kunne læse teksten i en monteringsvejledning, genkende det rette værktøj på et foto, vise i en video hvordan man holder det, og samtidig forklare sikkerhedsregler. For brugerne føles det som en blanding af ekspert, lærer og assistent — uden at et menneske sidder i baggrunden.
Præcis sådanne scenarier nærer tesen om, at vi allerede omgås en form for generel kunstig intelligens, der blot ser anderledes ud end den, vi forestillede os i science fiction-film. Om vi tildeler etiketten AGI eller ej, ændrer intet ved, at vores begreb om intelligens i øjeblikket udvider sig radikalt — og at vi må lære at omgås denne nye slags medspiller i vores samfund.
