En grænse, der måske allerede er overskredet
Den grænse, vi har ventet på i årevis, kan være passeret helt stille og roligt – uden fanfare eller dramatiske overskrifter. En gruppe forskere hævder nu, at det, vi betragtede som fjern fremtid, måske allerede er blevet nutid.
I årevis var kunstig generel intelligens et næsten mytisk mål. Men forskere antyder i dag, at vi stadig beskriver en ny virkelighed med gamle definitioner og snævre forventninger – og dermed overser det afgørende skift, der allerede har fundet sted.
Problemet er ifølge videnskabsfolk ikke, at AI har skuffet vores forventninger. Problemet er, at vores kriterier for intelligens hele tiden har været bygget udelukkende på en menneskelig målestok. Hvis AI-systemer løser opgaver på specialistniveau inden for mange fagområder, er det måske tid til at genoverveje, hvad intelligens egentlig betyder.
AGI er allerede her – vi definerer den bare forkert
I det anerkendte videnskabelige tidsskrift Nature publicerede et forskerhold fra Californiens Universitet en dristig påstand: kunstig generel intelligens (AGI, af engelsk Artificial General Intelligence) er allerede opnået. Ifølge dem opfylder nutidens modeller – herunder avancerede chatbots baseret på store sprogmodeller (LLM) – de praktiske kriterier for intelligens på menneskelig niveau.
AGI forstås normalt som en AI, der kan håndtere en bred vifte af opgaver på tværs af mange domæner – som minimum på niveau med et gennemsnitligt menneske, i visse tilfælde endda på ekspertniveau. Forfatterne mener, at det præcis er det, der sker nu: disse systemer skriver programmeringskode, opsummerer videnskabelige studier, udarbejder forretningsstrategier, løser fysikopgaver og bistår ved medicinsk diagnostik.
Holdet fra Californiens Universitet fokuserede på at gentænke selve intelligensbegrebet. De argumenterer for, at vores kriterier fra begyndelsen har været alt for antropocentriske – udelukkende rettet mod menneskelig tænkning og perception. Hvis et menneske udviste de samme evner, ville ingen tvivle på dets intelligens.
Turing-testen blev overstået for længe siden
Alan Turing foreslog sin test i 1950: hvis et menneske ikke i en tekstbaseret samtale kan skelne, om det kommunikerer med et menneske eller en maskine, kan man tale om intelligens på menneskelig niveau. I årtier var denne test hjørnestenen i debatten om maskineintelligens.
Nutidens chatbots klarer jævnligt forskellige varianter af denne test. I flere undersøgelser vurderer brugerne hyppigere en sprogmodel som et menneske end en reel samtalepartner. Hvis vi holdt fast i det oprindelige kriterium, ville sagen være afgjort – maskinel generel intelligens eksisterer allerede. Men i mellemtiden har vi blot hævet barren yderligere.
Forskerne fra Californiens Universitet påpeger et paradoks: Turing-testen skulle engang være bevis nok for intelligens. Men da AI begyndte at bestå den, besluttede vi hurtigt, at det ikke var tilstrækkeligt, og tilføjede nye krav – ofte uden klare begrundelser. Både OpenAI og Google DeepMind præsenterer løbende resultater fra tests, som de tidligere selv betragtede som succeskriterier.
AGI vs. superintelligens – vi forveksler to vidt forskellige mål
I den offentlige debat smides to begreber ofte i samme kurv: kunstig generel intelligens og superintelligens. Det er en fejl, der påvirker vores forventninger markant.
Forfatterne mener, at AGI bør sammenlignes ikke med et “idealt menneske”, men med det reelle spektrum af menneskelige evner. Intet menneske er ekspert i alt. Vi har alle vores blinde vinkler, fordomme og logiske fejl. En AI, der kan udføre et bredt spektrum af opgaver på specialistniveau inden for mange domæner, opfylder efter deres mening kriterierne for generel intelligens – selv om den ikke er ufejlbarlig.
Superintelligens er en helt anden liga – og stadig fremtidsmusik. Det er ikke en forudsætning for at tale om AGI. Sammenblandingen af disse to begreber betyder, at vi skubber generel intelligens ud i det uendelige og forventer nærmest guddommelige evner. Mark Zuckerberg fra Meta og andre teknologiledere bruger i stigende grad termen superintelligens, netop fordi den skaber indtrykket af, at de virkelige udfordringer endnu ikke er kommet.
Virksomheder som Microsoft, Anthropic og xAI investerer milliarder af dollars i videreudvikling, og skellet mellem AGI og superintelligens spiller en central rolle i deres strategier.
Den “statistiske papegøje” og ti almindelige indvendinger under lup
I debatten om LLM‘er dukker betegnelsen “statistisk papegøje” jævnligt op – den antyder, at modellen blot gentager mønstre fra træningsdata uden reel forståelse. Holdet fra Californiens Universitet analyserede ti af de hyppigste argumenter imod anerkendelsen af AGI og forsøger at imødegå dem.
Forskerne identificerede følgende nøgleegenskaber hos nutidens modeller:
- Løsning af nye opgaver: modellerne håndterer matematik- og fysikproblemer, der ikke bogstaveligt er forekommet i træningsdata
- Overførsel af færdigheder: de kan flytte viden på tværs af fagområder – for eksempel anvende et begreb fra programmering i planlægningen af et eksperiment
- Forståelse af konsekvenser: de beskriver effekterne af handlinger i fysiske omgivelser og forklarer, hvad der sker i forskellige scenarier
- Generering af strategier: de udformer løsningsmetoder for situationer uden direkte analogier i træningsdataene
- Konteksttilpasning: de justerer kommunikationsstil og detaljeringsniveau efter brugerens behov
- Metakognition: de kan vurdere deres egen usikkerhed og indrømme, når de ikke kender svaret
For forfatterne beviser dette, at der ikke blot er tale om avanceret kopiering, men om systemer der opbygger indre repræsentationer af sammenhænge – selv om deres “tænkning” ser anderledes ud end menneskelig. Stanford University og Massachusetts Institute of Technology har publiceret uafhængige studier, der bekræfter disse evner hos modeller som GPT-4 og Claude.
Hvis et menneske med tilsvarende effektivitet i tests og opgaver ville blive kaldt “intelligent”, hvorfor skærper vi så pludselig kriterierne i tilfældet med AI? Dette spørgsmål står centralt i hele debatten.
AI uden krop – men med adgang til virkeligheden
En hyppig indvending lyder: ægte intelligens kræver en krop, sanser og direkte kontakt med verden. Sprogmodeller har ganske rigtigt ingen fysisk krop, men vi kobler dem i stigende grad til kameraer, mikrofoner og robotter. Der dukker systemer op, der analyserer tekst, billeder, lyd og video samtidigt.
Forskerne påpeger, at intelligens ikke behøver at være “legemliggjort” i traditionel forstand for at manifestere sig som effektiv ræsonnering. Et menneske, der er blindt fra fødslen, udvikler stadig rige begreber om rum og handling – blot via andre erkendelseskanaler. En AI-model, der trænes på enorme datamængder om verden, opnår ligeledes en form for indirekte “erfaringsmæssighed”.
Parallelt hermed udvikles robotteknologien hastigt. Begrebet Physical AI – maskiner der forbinder sprogmodeller med fysiske kroppe – er ikke længere blot en filmvision. Virksomheder som Boston Dynamics, Tesla og Figure AI arbejder på humanoide robotter styret af avancerede sprogmodeller. NVIDIA investerer i udviklingen af simuleringsmiljøer til træning af disse systemer.
Hukommelse, autonomi, læringstid – er det virkelig nødvendige betingelser?
Mange kritikere fastholder, at man uden varig autobiografisk hukommelse eller fuld handlingsautonomi ikke kan tale om AGI. Forfatterne af den videnskabelige artikel er uenige i dette standpunkt.
For det første har ikke alle mennesker sammenhængende, detaljerede minder om deres eget liv – og det frakendes dem ikke intelligens. For det andet fungerer AI ofte som et redskab inden for rammer fastsat af programmører og brugere. At forvente fuld autonomi som betingelse for intelligens er ifølge forskerne vilkårligt.
En anden indvending handler om læringsomkostninger: AI kræver gigantiske datamængder, mens et menneske kan lære meget fra blot få eksempler. Det er rigtigt, men forfatterne foreslår at fokusere på slutresultatet fremfor processen. Hvis et system efter intensiv træning kan agere bredt og effektivt, bør forskellen i tilgangen ikke diskvalificere det som intelligent.
Institutter som Allen Institute for AI og Partnership on AI undersøger netop disse spørgsmål om maskinintelligengens natur og dens sammenlignelighed med menneskelig intelligens.
AI-hallucinationer vs. menneskelige fejl
Det mest følsomme emne er hallucinationer – situationer hvor modellen med fuld overbevisning producerer falske oplysninger: ikke-eksisterende kilder, opdigtede fakta, fiktive citater. Forfatterne indrømmer, at dette problem eksisterer, men hævder, at omfanget falder med hver ny modelgeneration.
Dataene er dog ikke entydige. Visse uafhængige studier tyder på, at andelen af hallucinationer forbliver høj ved bestemte opgavetyper – og sommetider endda stiger, når der anmodes om stadig mere komplekse analyser. Selv OpenAI anslår, at cirka én ud af ti svar fra næste generations modeller stadig vil indeholde en alvorlig faktuel fejl.
Forskellen mellem AI og mennesker ligger ikke i, at den ene fejler og den anden ikke gør – men i fejlenes karakter og måden de kontrolleres på. Mennesker er også underlagt hukommelsesillusioner, gentager ubekræftede oplysninger og falder i psykologiske fælder. Når AI fejler, er fejlen mere synlig, målbar og bedre undersøgt.
I praksis betyder det, at AI-systemer kræver lag af kontrol, verifikation og ansvarlig implementering – særligt inden for sundhed, jura og finans. Stanford Medicine og Mayo Clinic tester allerede protokoller for brug af AI i diagnostik med fokus på netop at minimere disse risici.
Overser vi en ny intelligens på grund af vores egen antropocentrisme?
Den centrale tanke i Nature-artiklen er temmelig ubehagelig: måske ønsker vi ikke at erkende, at en ny form for intelligens er opstået, fordi vi er alt for forelskede i vores eget billede. Vi bryder os simpelthen ikke om tanken om, at noget uden et menneskeligt ansigt, en krop eller følelser i velkendt forstand skulle kunne være “lige så intelligent” som os.
Denne antropocentrisme har praktiske konsekvenser. Hvis vi vedvarende hævder, at AGI stadig ligger foran os, bliver det lettere at bagatellisere de reelle virkninger af nutidens systemer: indflydelse på arbejdsmarkedet, uddannelse, informationssikkerhed og politik. Det bliver også lettere at opbygge forestillinger om superintelligens som noget nærmest mytisk, der engang “pludselig vil komme” – i stedet for at bemærke den gradvise forskydning af grænser, der foregår netop nu.
Det er ikke tilfældigt, at teknologiledere som Mark Zuckerberg i stigende grad bruger termen superintelligens. Det giver indtrykket af, at de virkelige udfordringer endnu ikke er ankommet, og at det vi har i dag stadig blot er “avancerede redskaber”. Alligevel er disse redskaber allerede i stand til at organisere viden i en skala, som det enkelte menneske kun kan drømme om.
Hvad betyder det i praksis for almindelige brugere?
Hvis vi accepterer, at AGI i praktisk forstand allerede eksisterer, ændres flere ting på én gang. For det første holder vi op med at betragte AI som en kuriositet og begynder i stedet at se den som en samarbejdspartner – én der reelt kan repræsentere os, men også forstærke os, for eksempel inden for disse områder:
- Kontorarbejde – automatisering af rapporter, præsentationer og dataanalyser
- Uddannelse – personalisering af læringstempo og oversættelse af komplekse begreber til et enklere sprog
- Medicin – assistance ved analyse af billeder og dokumentation samt anvisning af mulige scenarier
- Kreativitet – generering af skitser, idéer og indholdsvarianter, som mennesket videreudvikler
- Juridiske ydelser – udarbejdelse af kontrakter, analyse af præcedenser og søgning efter relevante love
- Videnskab – behandling af store datasæt, søgning efter mønstre og generering af hypoteser
For det andet vokser betydningen af emner som regulering, ansvar for fejl, modelgennemsigtighed og konsekvenser for beskæftigelsen. Det bliver sværere at sige “det er bare en algoritme, der foreslår noget”, når denne algoritme reelt matcher eller overgår eksperter i mange opgaver. Den Europæiske Union arbejder på AI Act, og Det Hvide Hus har udstedt en eksekutivordre om regulering af AI.
Endelig er det værd at tilegne sig nogle praktiske vaner: altid verificere centrale fakta, betragte AI’s svar som en hypotese snarere end en åbenbaret sandhed og bevidst fastsætte grænser for tillid – anderledes ved kreative opgaver end ved juridiske eller sundhedsmæssige spørgsmål. Netop disse kompetencer vil i de kommende år blive stadig vigtigere – uanset om vi officielt anerkender AGI eller ej.
