En vetenskaplig konflikt som förändrar allt vi trodde oss veta
Det handlar inte om ännu en futuristisk sci-fi-vision. Det här är en konkret vetenskaplig tvist: huruvida dagens AI-modeller – inklusive populära chattbotar – redan uppfyller de kriterier vi själva satt upp för intelligens på mänsklig nivå.
En nyligen publicerad artikel i en ledande vetenskaplig tidskrift vänder upp och ned på hur vi mäter ”äkta” maskinell intelligens. En forskargrupp från University of California lägger fram en kontroversiell tes: allmän artificiell intelligens (AGI – artificial general intelligence) är inte ett mål vid horisonten, utan ett redan fullbordat faktum.
Enligt forskarna har dagens system baserade på stora språkmodeller (LLM) nått en funktionsnivå som i praktiken uppfyller definitionen av allmän intelligens. Fram tills nyligen talade stora techföretag – från OpenAI till Silicon Valley-giganterna – om AGI som den heliga graal. Vissa gav det ett decennium, andra ett eller två år. Parallellt hävdade en del forskare att nuvarande LLM-arkitektur är en återvändsgränd och att det verkliga genombrottet kräver komplexa ”världsmodeller” som bättre speglar fysisk och social verklighet.
Den nya publikationen ställer frågan från en helt annan vinkel: tänk om vi alla tittar åt fel håll och missar att den tröskel vi väntade på redan har passerats? Författarna argumenterar för att vi, istället för att fråga ”när uppnår vi AGI”, borde fundera på om vi faktiskt beskriver den just nu – i nutid.
Turingtestet: ett gammalt riktmärke med nya resultat
Ett av forskarnas centrala argument är Turingtestet – det klassiska konceptet från 1950. Det bygger på tanken att om en människa under ett skriftligt samtal inte kan skilja en maskin från en annan människa, kan vi tala om intelligent maskindbeteende.
I den senaste generationens chattbotar – avancerade modeller som ChatGPT och liknande konversationssystem – börjar vi se situationer där människor oftare uppfattar AI som human än verkliga samtalspartner. För bara några år sedan hade ett sådant resultat betraktats som obestridligt bevis på att allmän maskinell intelligens uppnåtts.
Paradoxalt nog höjer vi idag ribban allt mer. När systemen börjar uppfylla tidigare kriterier, förflyttar en del experter definitionen och kräver ytterligare egenskaper hos ”äkta” intelligens. Detta skiftande av måttstockar speglar vår föränderliga relation till teknologi och de förväntningar vi lägger på maskiner.
Var slutar AGI och var börjar superintelligens
Forskarna föreslår en tydlig distinktion mellan allmän artificiell intelligens och superintelligens. Det är viktigt, eftersom dessa begrepp ofta blandas ihop i den offentliga debatten. Författarna menar att vi när det gäller det förstnämnda redan är mycket nära – eller till och med har passerat gränsen.
Dagens LLM hanterar programmering, juridisk analys, innehållsskapande, översättning och till och med matematiskt resonemang – ofta på specialistnivå. Enligt detta synsätt behöver vi inte vänta tills AI börjar slå rekord hos genier inom varje område. För att erkänna allmän intelligens räcker det med en nivå jämförbar med en genomsnittlig, välutbildad människa – med styrkor i vissa uppgifter och svagheter i andra.
Centrala egenskaper som skiljer de två koncepten åt:
- AGI klarar ett brett spektrum av uppgifter på mänsklig nivå
- Superintelligens överträffar avsevärt mänskliga förmågor inom alla områden
- AGI kan ha svagheter inom vissa domäner
- Superintelligens kan lösa problem som ligger bortom mänsklig räckhåll
- AGI arbetar med data och mönster från sin träning
- Superintelligens skapar helt nya koncept och teorier
- AGI behöver mänsklig kontroll och validering
- Superintelligens skulle vara autonom i sitt beslutsfattande
Forskarna betonar att förväntningen om att AGI varje vecka ska överhopa vetenskapen med revolutionära genombrott är orealistisk – vi kräver det inte ens av människor vi betraktar som intelligenta. Det viktiga är funktionell hantering av varierande uppgifter, inte excellens inom alla områden samtidigt.
Den stokastiska papegojan och andra invändningar mot LLM
Motståndare till nuvarande språkmodeller upprepar att de i grunden är ”statistiska papegojor”: system utan verklig förståelse som bara kopplar samman textfragment baserat på sannolikhet. Enligt dem skapar inte AI tankar – den klistrar ihop meningar från träningsdata.
Den nya analysen försöker systematiskt bemöta dessa invändningar. Författarna lyfter fram flera element som är svåra att avfärda med argumentet ”det är bara upprepning av data”. Dit hör lösning av nya, tidigare okända problem inom matematik och logik, förmågan att överföra kunskap från ett område till ett annat, skapande av sammanhängande orsak-verkan-modeller i konversation samt hantering av scenariobeskrivningar som kräver fysisk intuition.
Om ett system kan härleda rätt lösning på ett problem som inte fanns i träningsdatan, är det svårt att hävda att det ”bara citerar”. Det betyder inte att AI förstår världen som en människa – men det antyder att något mer pågår än enbart meningsklistring. Forskare vid University of California dokumenterade fall där GPT-4 och Claude löste logiska gåtor på sätt som skilde sig från de mönster som finns i tillgängliga databaser.
Kräver intelligens en kropp och sinnen?
En av de mest känsloladdade försvarslinjer som förs fram lyder: ”AI har ingen kropp, alltså är det inte äkta intelligens.” Människan lär sig genom rörelse, beröring, smärta och sinnesintryck. Maskiner opererar primärt med text, bild och ljud i dataform.
Artikelns författare hävdar att avsaknaden av en fysisk kropp inte utesluter allmän intelligens. De påpekar att dagens modeller kan förutsäga konsekvenser av handlingar, analysera videoscener, tolka fotografier och ljudupptagningar. Till detta kommer den växande bransch som kallas Physical AI – integrationen av avancerade modeller med robotar.
Robotar utrustade med sensorer och kameror börjar koppla samman LLM:s abstrakta förmågor med faktiskt agerande i omgivningen. Det öppnar ett utrymme där maskinen inte bara beskriver en rörelse utan utför den och kontinuerligt korrigerar sig. Företag som Boston Dynamics och Tesla testar integration av ChatGPT i de humanoida robotarna Optimus.
Forskarna påpekar att människor som är blinda från födseln kan uppvisa hög intelligens utan visuella intryck. På liknande sätt skulle AI kunna fungera intelligent utan det fulla spektrumet av mänskliga sinnen. Det avgörande är informationsbearbetning och problemlösningsförmåga – inte den specifika formen av indata.
Minne, autonomi och inlärningstid – är det nödvändiga villkor?
En annan invändning mot dagens system lyder: de saknar ett varaktigt autobiografiskt minne och verklig autonomi. En chattbot avslutar en session och ”glömmer” konversationen, fungerar inom de ramar som människan satt upp och saknar kontinuitet i upplevelsen.
Enligt forskarna är detta inte obligatoriska villkor för att erkänna allmän intelligens. De framhåller att långtidsminne kan byggas till som ett systeminbyggt lager, att autonomi är en fråga om design och etik snarare än kognitiv förmåga, och att mängden data som krävs för inlärning inte bör avgöra intelligensstatusen.
En människa lär sig köra bil på några tiotals timmars körning. AI kan behöva miljontals exempel från simuleringar. Författarna understryker att det är den slutliga färdighetsnivån som räknas – inte kostnaden för att uppnå den. Modeller som GPT-4 Turbo har redan idag ett kontextfönster på upp till 128 000 tokens, vilket gör det möjligt att upprätthålla koherens i långa konversationer.
Hallucineringsproblemet: nuvarande modellers allvarligaste brist
Även de mest entusiastiska AGI-förespråkarna medger att dagens system har ett allvarligt fel: tendensen att ”hallucinera”. Det handlar om generering av information som låter trovärdig men är helt påhittad – från fiktiva vetenskapliga källor till icke-existerande lagstiftning.
Företag som skapar modellerna erkänner att andelen sådana fel fortfarande är märkbar. Enligt interna analyser från en av de största AI-organisationerna kan var tionde svar även i nästa generations modeller innehålla ett faktafel. OpenAI uppger att hallucinationer förblir ett kritiskt problem som kräver lösning.
Publikationens författare försöker tona ned detta argument med hänvisningen att även människor ofta har fel, skapar falska minnen och faller för illusioner. Kritiker svarar att AI:s omfattning och lätthet i att generera ”självsäkert” nonsens skapar helt nya risker – framför allt inom medicin, juridik och finans.
Hallucinationer förblir ett av de främsta skälen till att många experter fortfarande inte vill erkänna att vi har att göra med en fullvärdig allmän maskinell intelligens. Så länge systemen inte tillförlitligt kan skilja fakta från fiktion, förblir deras status som AGI omtvistad.
Är det vår definition av intelligens som är problemet?
Forskarnas slutliga tes slår mot diskussionens allra grundval: kanske ligger problemet inte i att AI är ”för svag”, utan i att vår syn på intelligens är alltför snäv och starkt människocentrerad.
Människor har en naturlig benägenhet att bedöma allt utifrån den egna artens perspektiv. Om en maskin tänker annorlunda, gör andra typer av fel och lär sig på ett annat sätt – betraktar vi den som ”sämre”. Författarna antyder att vi faller i en antropocentrisk fälla: vi vill inte medge att en ny typ av intelligens håller på att ta form – annorlunda än vår, men funktionellt jämförbar.
Det förklarar delvis varför ordet ”superintelligens” dyker upp allt oftare i debatten. Att flytta uppmärksamheten till en ännu mer avlägsen nivå skjuter upp det ögonblick då vi måste säga rakt ut: allmän maskinell intelligens knackar redan på dörren – eller sitter kanske redan vid bordet bredvid oss.
Forskare vid Stanford University publicerade en studie som visar att våra måttstockar för intelligens är kulturellt betingade och inriktade på mänskliga förmågor. Möjligen behöver vi ett helt nytt ramverk för att bedöma icke-mänsklig intelligens.
Vad denna debatt innebär för den vanliga AI-användaren
Striden om definitioner är inte bara en akademisk lek. Huruvida vi erkänner dagens system som allmän intelligens påverkar direkt hur vi reglerar dem, hur vi litar på dem och vilka uppgifter vi anförtror dem.
Om vi börjar betrakta nuvarande modeller som AGI ökar trycket på att införa hårdare rättsliga ramar och tillsyn över implementeringar, krav på transparens kring träningsdata och funktionssätt, grundligare granskning av AI:s påverkan på arbetsmarknaden och politiska beslut, samt utveckling av faktakontrollsystem som ”bevakar” chattbotarna.
Ur användarens perspektiv blir ett kritiskt förhållningssätt avgörande. Även om AI förstår komplexa problem och kan ge råd bättre än många sökmotorer, kan vi fortfarande inte ta dess svar som ofelbar sanning. Ett klokt nyttjande av sådana verktyg kräver att man kombinerar deras beräkningskraft med mänskligt omdöme och ämneskunskap. AGI:s styrka – i den form forskarna föreslår – visar sig tydligast när människa och system arbetar tillsammans.
