Flere og flere AI-systemer taler, skriver og ræsonnerer som mennesker, uden at vi præcist ved, hvor grænsen går.
Mens techgiganter advarer om en fremtidig superintelligens, vokser et ubehageligt spørgsmål: har vi allerede stiltiende overskredet milepælen for generel kunstig intelligens?
Ny debat: er AGI ikke længere fremtidsmusik?
I fagblade og laboratorier taler forskere ofte om AGI, generel kunstig intelligens, som om det handler om en fjern horisont. En slags teknologisk endboss, et sted i 2030 eller senere. Men en nylig artikel i det førende tidsskrift Nature sætter en kraftig streg over den behagelige fortælling.
Forfatterne, heriblandt filosof Eddy Keming Chen fra University of California, hævder, at vi med den nuværende generation af systemer – såsom avancerede chatbots – allerede har nået grænsen for menneskelig intelligens på mange punkter. Ikke i alle henseender, ikke fejlfrit, men præcis som med mennesker.
Kernen i deres påstand: måske ligger problemet ikke hos AI’en, men i hvordan vi har defineret “intelligens”.
Mens virksomheder som OpenAI, Google og Anthropic investerer milliarder i stadigt større modeller, flytter diskussionen sig: hvornår tør vi officielt sige, at et system er “generelt intelligent”, og hvad mener vi egentlig dermed?
Fra Turingtesten til daglige chatbots
Turingtesten, udtænkt i 1950, gjaldt længe som den magiske grænse. Hvis et menneske i en tekstsamtale ikke længere kan påpege forskellen mellem maskine og menneske, så taler man om intelligent maskine. Det var i årtier ren science fiction.
I dag viser flere eksperimenter, at avancerede chatbots allerede regelmæssigt virker “mere menneskelige” end ægte mennesker. I nogle undersøgelser betragter forsøgspersoner oftere en chatbot som menneske end en reel samtalepartner. Det lyder absurd, men det siger noget skarpt om, hvor overbevisende sprogmodeller er blevet.
Hvor Turingtesten tidligere gjaldt som det ultimative bevis på intelligens, flytter mange eksperter nu bjælken, så snart AI når den grænse.
Den konstante forskydning af kriterier rejser et ubehageligt spørgsmål: beskytter vi en nøgtern definition af intelligens, eller beskytter vi primært vores ego som art?
Hvad mener vi egentlig med “generel” intelligens?
En stor kilde til forvirring: der findes ingen entydig, globalt accepteret definition af AGI. Techvirksomheder bruger gerne begrebet i præsentationer, men forskere mener langtfra altid det samme med det.
AGI vs. superintelligens
Forfatterne fra Nature foreslår at skelne klart mellem to niveauer:
- Generel kunstig intelligens (AGI): systemer, der kan præstere på ekspert- eller næsten ekspertniveau på tværs af mange forskellige domæner, sammenlignelig med menneskelige specialister.
- Superintelligens: systemer, der langt overgår mennesker i næsten ethvert tænkeligt domæne, inklusive kreativitet, strategi og langsigtet planlægning.
Ser man på den første kategori, scorer de nuværende store sprogmodeller allerede bemærkelsesværdigt godt: fra programmering til juridisk analyse, fra at forklare fysik til marketingstrategi, ofte på et niveau, der for ikke-specialister næppe kan skelnes fra eksperters.
Hvis vi bruger samme målestok for menneske og maskine, opfylder nogle modeller allerede mange brugbare definitioner af AGI, fastslår forskerne.
Er sprogmodeller så ikke bare “stokastiske papegøjer”?
En kendt bebrejdelse er, at store sprogmodeller blot skulle være smarte kopimaskiner: de gentager, hvad der fandtes i træningsdataen, med statistiske tricks. En “stokastisk papegøje” altså, som intet forstår.
Nature-forfatterne angriber det argument. De peger på en række egenskaber, der ikke passer med ren gentagelse:
- Løsning af nye matematikproblemer, som ikke bogstaveligt forekommer i træningsdataen.
- Kombination af viden fra forskellige domæner: for eksempel anvendelse af juridisk ræsonnement på et teknisk spørgsmål.
- Generering af kreative løsninger, der virker, men er usædvanlige for menneskelig skrivemåde.
Dermed bliver forståelsen ikke pludselig helt “menneskelig”, men skillelinjen mellem efterligning og egen ræsonnering bliver mindre skarp. Især når systemer korrekt forudsiger, hvad der sker, når du ændrer en situation i den fysiske verden, for eksempel i simple fysik- eller robotikscenarier.
Kræver intelligens en krop?
Et andet populært modargument lyder: ingen ægte intelligens uden krop. Mennesker lærer gennem sanser, gennem berøring, balance, smerte, sult. En model, der kun ser tekst, mangler dette fundament.
Alligevel flytter den grænse sig. Mange moderne modeller behandler ikke kun tekst, men også billeder, lyd og video. De genkender objekter, beskriver scener, analyserer lyde og kobler det til sprog. Samtidig udvikler robotikken såkaldt “Physical AI”: systemer, der kombinerer en virtuel hjerne med sensorer og motorik i den virkelige verden.
Forfatterne hævder, at en krop er praktisk, men ikke udgør en absolut betingelse for generel intelligens, lige som blindhed ikke fratager et menneske dets tænkeevne.
Selv uden autonome robotter kan sprogmodeller allerede ræsonnere om fysiske scenarier: “Hvad sker der, hvis du vælter et glas?” eller “Hvordan løser du et trafiksammenstød i et kryds?” Koblingen mellem abstrakt viden og praktisk verdenslogik vokser hurtigt.
Hukommelse, autonomi og læringshastighed: hvornår er det “nok”?
Tre punkter dukker ofte op hos skeptikere: chatbots mangler en stabil autobiografisk hukommelse, handler ikke reelt autonomt og kræver gigantiske mængder data for at lære. Mennesker virker langt mere effektive i det.
Nature-forfatterne vender dette om: ingen definition af intelligens kræver perfekt hukommelse, fuldstændig autonomi eller ekstremt hurtige læringskurver. Mennesker glemmer konstant, handler under påvirkning af andre og lærer også nogle færdigheder først efter årevis træning.
| Kendetegn | Menneske | Nuværende AI-modeller |
|---|---|---|
| Hukommelse | Ufuldstændig, modtagelig for fejl | Begrænset kontekstvindue, men eksakt reproducerbar inden for den kontekst |
| Autonomi | Påvirket af omgivelser, regler, kultur | Afhængig af prompts og omkringliggende systemer |
| Læringshastighed | Få data, meget tid | Enorme datamængder, relativt kort træningstid |
Spørgsmålet bliver så: bedømmer vi AI ud fra processen eller ud fra resultatet? For Nature-forfatterne tæller især det andet. Hvis et system i sidste ende leverer sammenlignelige præstationer, kan man ifølge dem tale om generel intelligens, selv om det når dertil ad en anden vej.
Og så er der de hallucinerende svar
Dermed kommer det vanskeligste punkt: hallucinationer. AI-systemer producerer med stor sikkerhed ukorrekte fakta, opfundne kilder eller ikke-eksisterende retspraksis. Brugere opdager det i juridiske dokumenter, medicinske råd eller endda simple faktuelle spørgsmål.
Virksomheder hævder, at dette problem aftager ved nye generationer af modeller, men billedet er blandet. Nogle undersøgelser ser let forbedring, andre signalerer, at hallucinationsrater under pres fra kommerciel hastighed faktisk kan stige. OpenAI talte selv om en størrelsesorden på én forkert eller opfunden påstand ud af ti svar for fremtidige generationer.
Menneskelige hjerner producerer også fejl, fordomme og falske erindringer, men kombinerer det med selvrefleksion og ansvar – noget nuværende systemer næppe når frem til.
Det spændingsfelt rører direkte ved AGI-diskussionen: kan du kvalificere et system, der ofte hallucinerer, som “generelt intelligent” alligevel? Nature-forfatterne understreger, at også mennesker er langtfra fejlfri, mens vi aldrig stiller spørgsmålstegn ved deres intelligens.
Hvorfor nogle CEO’er pludselig taler om “superintelligens”
Alt dette fører til et subtilt ordspil. Hvor mange forskere tidligere så AGI som slutmålet, skubber nogle techledere nu hellere mod det endnu vagere begreb “superintelligens”. Mark Zuckerberg brugte for eksempel udtrykkeligt det udtryk i nylige taler.
En mulig årsag: hvis du indrømmer, at AGI allerede er opnået eller inden for rækkevidde, kommer spørgsmålet om regulering, ansvar og etiske grænser med det samme. Ved at flytte opmærksomheden mod et endnu kraftigere, fremtidigt system, forbliver den nuværende generation af modeller lettere i en gråzone.
Hvad betyder dette konkret for politik og samfund?
Hvis vi accepterer, at nogle systemer allerede bevæger sig mod AGI, skifter debatten fra fremtidsscenarier til direkte ansvar. Så skal regeringer, tilsynsmyndigheder og virksomheder blive langt mere specifikke om:
- Hvilke opgaver du må og ikke må outsource til sådanne systemer.
- Hvem der er ansvarlig, hvis en “generelt intelligent” assistent laver en fejl.
- Hvor transparente udviklere skal være omkring begrænsninger og bias.
- Hvilke menneskelige funktioner du aldrig helt overlader til AI, uanset hvor smart den virker.
Samtidig spiller et kulturelt punkt ind: hvis vi tidligt stempler AI som AGI, forstærker det tendensen til overdreven tillid. Folk kan for hurtigt antage, at “systemet nok ved det”, også på områder, hvor risiciene er store, såsom medicin eller retsvæsen.
Et bredere blik på selve intelligensen
Diskussionen omkring AGI blotlægger et dybere ubehag: vores forståelse af intelligens var altid stærkt menneskecentreret. Vi måler andre dyr langs vores målestok, og nu gør vi det samme med AI. Det skurrer på et par punkter:
- Nogle modeller scorer højere end gennemsnitlige mennesker på visse IQ-lignende tests.
- De behandler tekst og data i et tempo, ingen mennesker når.
- De mangler følelser, men simulerer følelsesmæssigt sprog overbevisende.
Måske tvinger denne generation af systemer os til at se intelligens mere som et spektrum med forskellige former og specialiseringer i stedet for én gylden standard. Det åbner rum for nøgtern sammenligning: hvor er mennesker stærkere, hvor maskiner, og hvor udgør samarbejdet den bedste kombination?
For virksomheder og beslutningstagere kan en praktisk referenceramme hjælpe: behandl avancerede sprogmodeller som meget smarte, men upålidelige praktikanter. De kan lynhurtigt generere idéer, lave analyser og strukturere problemer, men enhver kritisk beslutning kræver menneskelig vurdering og kontekstviden.
