Under andre verdenskrig ledet matematikeren Alan Turing det britiske arbeidet med ? knekke de kryptiske kodene som nazistene brukte for ? hemmeligholde de milit?re instruksene. Takket v?re innsatsen hans seiret de allierte i en rekke slag. Rett etter krigen, i 1950, og bare noen ?r f?r han tok livet sitt etter ? ha blitt kjemisk tvangskastrert p? grunn av sin homofile legning, publiserte han den ber?mte artikkelen ?Computer Machinery and Intelligence?, der han stilte sp?rsm?let om datamaskinen kunne tenke. Her lanserte han den ber?mte Turingtesten. Dette ble datidens test p? kunstig intelligens.
Tanken hans var at kunstig intelligens skulle etterligne menneskets intelligens og menneskelige trekk.
Turingtesten ble brukt til ? sl? fast om en maskin kunne imitere et menneske s? bra at den ikke kunne bli gjenkjent som maskin. Testen forutsatte at maskinen skulle generere og gjenkjenne naturlige spr?k, alts? spr?k som vi mennesker bruker for ? snakke sammen, og at maskinen kunne resonnere og trekke konklusjoner fra den informasjonen den fikk. Det var store samfunnsvyer i datamaskinens barndom.
En av de f?rste samtalerobotene som bygde p? Turingtesten, var robotpsykologen Eliza. Psykologen var programmert slik at den skulle respondere p? alle mulige sp?rsm?l under en terapitime. Noen helt vanlige kommentarer til den kunstige psykologen var: : ?S? interessant?, ?Fortell mer? og ?Kan du fortelle mer om din mor?. Da undertegnede var informatikkstudent ved UiO, gikk det sport i ? kneble Eliza. H?ydepunktet v?rt var da den spurte oss hva problemet v?rt var. ?Vi er gutter?, svarte vi. ?Hvor lenge har dere v?rt gutter??, fulgte den opp. Eliza endte opp som et artig, lite humoreskeinnslag. Etter Eliza gikk den kunstige intelligensen i dvale. Lite skjedde p? flere ti?r.
– N? er fimbulvinteren over. De siste ?rene har alle kastet seg p? b?lgen med kunstig intelligens, forteller professor Jim T?rresen, leder av gruppen robotikk og intelligente systemer p? Institutt for informatikk ved Universitetet i Oslo.
Fagfeltet kunstig intelligens har likevel endret seg siden Alan Turings tid.
– I dag er de tre store pilarene i kunstig intelligens store datamengder, stor regnekraft og nevrale nett, forteller Klas Pettersen som har en doktorgrad i teoretisk nevrovitenskap.
Han er n? leder av den nye norske, nasjonale paraplyorganisasjonen for kunstig intelligens, NORA, et 澳门葡京手机版app下载 mellom Simula-senteret, forskningsinstituttet Norce og sju av landets universiteter.?
Etteraper hjernen
Kunstige nevrale nett er bygd opp etter samme lest som hjernen.
– Hver enkelt av hjernecellene v?re kan motta signaler fra opptil ti tusen andre hjerneceller. Hjernecellen summerer alle signalene den f?r. Hvis summen av signalene er h?yere enn et visst niv?, vil hjernecellen fyre av et signal som sendes til de neste cellene.
Tenk p? det! Du har mellom 85 og 100 milliarder hjerneceller. Hver av dem kan sende til og motta signaler fra opptil 10 000 andre hjerneceller.
– Signalbehandlingen i hjernen er ekstrem. N?r vi l?rer, endres forbindelsene mellom hjernecellene. Da styrkes noen av signalbanene, mens andre svekkes, forklarer Klas Pettersen.
Lagdelt struktur
Dagens kunstige, nevrale nettverk er arkitektonisk sett sv?rt mye enklere enn hjernen v?r. De nevrale nettverkene best?r ogs? av celler. Disse cellene kan betraktes som kunstige hjerneceller. I de mest brukte nevrale nettene er alle cellene systematisk ordnet i ulike lag.
Hvis datamaskinen skal analysere et kattebilde, blir hvert av punktene i bildet koblet til hver sin celle i det f?rste laget.
Konseptet er i teorien sv?rt enkelt. Alle signalene som kommer inn til den enkelte celle, summeres opp. Hvis signalene overstiger en viss verdi, sender cellen et signal videre til cellene i det neste laget.
P? ?ttitallet hadde man regnekraft bare til nevrale nett med noen f? lag. N? best?r nettverkene av langt flere lag. Jo flere lag, desto dypere l?ring. Dyp l?ring er faktisk en av de viktigste byggesteinene i kunstig intelligens.
For at datamaskinen skal l?re seg ? skille mellom bilder av hunder og katter, m? den trenes opp med bilder der fasiten er gitt p? forh?nd. Maskinen pr?ver kanskje millioner av ganger. Hver gang blir signalene fra hver av de kunstige hjernecellene justert litt opp eller ned, inntil datamaskinen har l?rt seg hvordan den kan skille mellom hunder og katter. Da er den utl?rt. Det ? endre vektingen av signaler er helt essensielt.
– Med dyp l?ring kan vi n? finne m?nstre som vi tidligere ikke var i stand til ? finne.
De siste ?rene er algoritmene for dyp l?ring stadig blitt bedre. Det gj?r det mulig ? lage sv?rt store nevrale nettverk.
Utnytter dagens teknologi
Datamaskinen er konstruert slik at den dype l?ringen skal g? s? raskt som mulig. Helt konkret skjer beregningene i en Graphics Processing Unit (GPU), som p? godt norsk kalles for en grafikkprosessor. Grafikkprosessoren er konstruert for at grafikken i skjermbildet skal reagere s? raskt som mulig. Dette er spesielt nyttig i dataspill. Hver enkelt piksel i skjermen kommuniserer med en bitte liten del i prosessoren som beregner fargen og intensiteten der og da. Beregningene for alle pikslene i skjermen skjer parallelt. Det betyr at beregningene i alle pikslene p? skjermen skjer uavhengig av hverandre. Det er nettopp denne m?ten ? organisere beregninger p? som gj?r grafikkprosessoren spesielt egnet til dyp l?ring.
Med skreddersydd maskinvare er det n? mulig ? gj?re en million beregninger parallelt. Det ?pner for enorme muligheter.
Verdensmester i sjakk
En av de store revolusjonene innen kunstig intelligens er sjakk-datamaskiner. I stedet for ? mate datamaskinene med all verdens partier, klarte man for noen ?r siden, med fire timers trening p? fem tusen parallelle prosesser, ? l?re opp kunstig intelligens til ? bli bedre enn eksisterende sjakkprogrammer. Mas- kinen hadde ikke f?tt noe som helst informasjon om hvordan tidligere verdensmestre har spilt sjakk. Den hadde bare f?tt spillereglene. Intet mer.
– Den nye maskinen spiller sjakk p? en helt annen m?te og foresl?r trekk som ikke er intuitive for oss mennesker. Selv om noen av trekkene kan se helt feil ut, har det vist seg at disse trekkene er helt avgj?rende for ? vinne partiet, forteller Klas Petter- sen, som selv er en lidenskapelig sjakkspiller.
En ting er ? lage kunstig intelligens som knuser Magnus Carlsen i sjakk. I et annet dataspill, Dota 2, skulle fem maskiner med kunstig intelligens i april i v?r 澳门葡京手机版app下载e om ? konkurrere med fem mennesker, som 澳门葡京手机版app下载et seg imellom. Selv her vant maskinene.
Jo mer maskinene trente, desto bedre ble de.
– Forel?pig ser begrensningen ut til ? v?re regnekraft og tilgang til nok data.
Selvkj?rende biler
Uheldigvis er det mye vanskeligere ? bruke kunstig intelligens p? biler.
– Det er umulig ? trene maskinen for alle mulige bilscenarier. Hva gj?r bilen n?r en plastpose flyr over veien? Hva skiller en plastpose fra en stein eller et menneske? Bilene kan ikke trenes fullkomment opp f?r alle de mulige situasjonene har oppst?tt, poengterer Jim T?rresen.
Grunntreningen av de automatiserte bilene beh?ver ikke skje i sanntid, som betyr at beregningene ikke m? skje her og n?. Da kan datamaskinen ta den tiden den trenger.
– Den dagen de selvkj?rende bilene er p? veien, m? noe av treningen v?re i sanntid for ? kunne korrigere for uforutsette hendelser. Da vil tiden v?re en kritisk faktor.
Et av de store, ul?ste problemene i kunstig intelligens er inspiserbarhet. I dag vet man ikke hvordan den kunstige intelligensen har kommet frem til svaret sitt.
– Problemet med dyp l?ring i dag er at svaret fremst?r som en svart boks. Hvis det har skjedd en feil, vet vi ikke hvor feilen har skjedd. Da er det ikke lett ? rette opp nettverket for ? unng? at feilen skjer igjen, forklarer Jim T?rresen.
Enorme muligheter
Kunstig intelligens kan endre fremtiden v?r.
Ved ? bruke kunstig intelligens til ? sammenligne genprofiler med sykdomshistorier, kan den personifiserte medisinen bli bedre. Kunstig intelligens kan ogs? brukes til ? stille medisinske diagnoser.
– Man kan risikere at kunstig intelligens stiller feil diagnoser, men likevel sjeldnere enn med andre systemer. Det finnes alts? en del paradokser, sier T?rresen.
Kunstig intelligens kan brukes til ? forutsi om du har depresjon ut fra m?ten du bruker og beveger telefonen din p?. Str?mnettet kan styres med kunstig intelligens, og det er mulig, takket v?re analyse av enorme mengder data, ? varsle feil p? str?mnettet f?r det skjer. Geologene kan bruke kunstig intelligens til ? forutsi ras i fjellet eller oljefunn. Meteorologene kan bruke kunstig intelligens til fremtidens v?rmodeller og klimamodeller. Patologene kan f? hjelp til ? se hvem som har kreft eller ei.
I Kina har kunstig intelligens tatt helt av. Der blir innbyggerne premiert etter hva de gj?r.
– Innen spr?kgjenkjenning er det ogs? store muligheter.
Smarttelefonen din kan i fremtiden bestille sushi p? en restaurant, uten at den personen som tar imot bestillingen, skj?nner at han prater med en maskin.
– Kunstig intelligens vil derfor gjennomsyre alt i samfunnet. Her snakker vi om en like stor utvikling som den gangen samfunnet gikk over fra hest til bil, men teknologene b?r ikke styre utviklingen alene. Alle m? v?re med. Ogs? politikere og etikere, understreker Klas Pettersen.