Er generel AI allerede på menneskelig niveau – og har vi bare ikke bemærket det?

Hvad forskere nu tør påstå om generel kunstig intelligens

En ny analyse i det videnskabelige tidsskrift Nature udfordrer en af teknologiverdenens helligste graler. Ifølge forfatterne opfylder den nuværende generation af AI-systemer – herunder avancerede chatbots – allerede det, man med rimelighed kan kalde "generel kunstig intelligens". Ikke i 2040, ikke om ti år, men lige nu.

Filosof Eddy Keming Chen og kolleger fra Californien fremsætter en dristig påstand: debatten om generel kunstig intelligens (AGI) halter bagud i forhold til virkeligheden. Mens virksomheder som OpenAI, Google og Meta stadig taler om "vi er næsten der", viser deres egne modeller ifølge forfatterne allerede adfærd, der svarer til en generel intelligens.

AGI beskrives typisk som en AI, der som minimum kan følge med menneskelig intelligens på mange forskellige områder. Ikke en simpel regnemaskine, men et system der skriver tekster, producerer kode, løser matematiske problemer, forstår billeder og finder nye løsninger i vidt forskellige situationer.

Den centrale påstand: grænsen for generel kunstig intelligens ligger ikke i den fjerne fremtid – den er allerede stiltiende passeret, vi tør bare ikke indrømme det endnu.

Turingtesten: menneske eller maskine – hvem scorer flest point?

Et af forskernes mest bemærkelsesværdige argumenter er næsten gammeldags: Turingtesten. Alan Turing udtænkte i 1950 en simpel prøve. Placer en person foran en skærm, lad vedkommende kommunikere skriftligt med to "parter" – hvoraf den ene er en maskine – og spørg til sidst: hvem er AI'en?

Ifølge forfatterne klarer de mest avancerede chatbots denne test med glans. I visse eksperimenter opfattes modeller som ChatGPT oftere som mennesker end rigtige mennesker gør. Der hvor Turingtesten i årtier gjaldt som milepælen for generel AI, rykker vi nu pludselig den grænse længere væk, siger forskerne.

• Chatbots fører samtaler på ekspertniveau inden for sprog og programmeringskode.
• De løser matematiske problemer, de aldrig har set før.
• De giver rådgivning inden for jura, medicin, marketing og uddannelse.
• De kombinerer tekst, billeder, lyd og til tider endda video i ét samlet system.

Hvis et menneske præsterede det samme, ville vi kalde det intelligent. Hvorfor nægter vi så at bruge det label om et AI-system?

AGI er noget andet end superintelligens

Et vigtigt skel i artiklen er adskillelsen af to begreber, der ofte smides i samme kategori: generel AI og superintelligens. Ifølge forfatterne taler mange teknologiledere ubevidst kun om den anden kategori.

Forskerne argumenterer: hvis vi kun kalder superintelligens for AGI, flytter vi målstolperne. De nuværende store sprogmodeller når allerede ekspertniveau inden for flere fagområder. Det er præcis, hvad man engang mente med generel kunstig intelligens.

Er store sprogmodeller virkelig mere end "papegøjer"?

En udbredt kritik af modeller som GPT lyder, at de blot er "stokastiske papegøjer". De gentager i en lidt anden form det, der lå i træningsdataene, uden egentlig forståelse.

Chen og hans kolleger gennemgår en række indvendinger og forsøger at afkræfte dem. De peger på eksempler, hvor sprogmodeller løser matematiske problemer, der ikke bogstaveligt fandtes i dataene. Eller udfører opgaver, der kræver kombineret viden fra forskellige domæner – for eksempel fysik, statistik og sprog i ét svar.

Ifølge forfatterne tyder det på mere end blot kopiering. Systemet generaliserer og anvender viden i nye situationer – et kernetræk ved intelligent adfærd.

Når et menneske lærer ud fra eksempler, løser nye problemer og overfører viden på tværs af fagområder, kalder vi det intelligens. Hvorfor skulle vi bruge en strengere målestok over for AI?

Har AI brug for en krop for at være intelligent?

Et andet klassisk argument er, at en virkelig intelligent enhed har brug for en krop. Berøring, syn, bevægelse, erfaring i et fysisk miljø – uden det ville der aldrig være tale om "reel" intelligens.

Forfatterne er uenige. De påpeger, at nuværende modeller allerede giver rimelige forudsigelser om fysiske processer – fra vurdering af kræfter i en fysikopgave til ræsonnering om, hvad der sker, når man vælter et glas. Alt dette på baggrund af tekst og billeder, uden en egentlig krop.

Samtidig sker der noget i praksis. Stadig flere robotter kører AI-modeller, sensorer forsyner systemer med billeder og lyd, og producenter arbejder på såkaldt "Physical AI": robotter der lærer af erfaring, styret af de samme typer modeller som kendte chatbots.

Hukommelse, autonomi og læringshastighed: er det afgørende?

Forskerne behandler også tre andre kritikpunkter:

• Manglende autobiografisk hukommelse – Mange modeller husker ikke tidligere samtaler i særlig lang tid. Ifølge forfatterne er en løbende livshistorie praktisk, men ikke et hårdt krav for intelligens.
• Begrænset autonomi – Chatbots venter på en prompt. Men vi ser allerede AI-agenter, der selv planlægger mål og udfører opgaver. Steget mod større autonomi er teknisk set mere et valg end en uoverstigelig forhindring.
• Langsom indlæring og enorme datamængder – AI kræver gigantiske datasæt; et barn lærer med langt mindre. Forskerne hævder, at dette primært siger noget om effektivitet, ikke om intelligensens endelige niveau.

Og så de vedvarende hallucinerende svar

Det ømmeste punkt, som artiklen kun behandler overfladisk, er de hallucinerende svar. Chatbots finder stadig på kilder, fakta og navne. Ifølge OpenAI indeholder omtrent ét ud af ti svar fra en kommende model som GPT-5 stadig et forkert eller opdigtet element.

Forskerne drager sammenligningen med mennesker: vi har også fejlagtige erindringer, ubevidste fordomme og tankefejl. Psykologiske studier viser, at vidneudsagn ofte er upålidelige, selv når folk er overbevist om at have ret.

Alligevel er der en forskel. AI-systemer lyder ekstremt selvsikre, også når de tager fuldstændig fejl. I sundhedsvæsenet, retsvæsenet eller den finansielle sektor udgør det en alvorlig risiko. Her er "menneskelig" fejltagelse ikke tilstrækkelig – fejlmarginen skal ligge langt lavere end hos den gennemsnitlige bruger.

Hvorfor vi har så svært ved at acceptere, at AI måske allerede er "intelligent"

Ifølge forfatterne spiller vores menneskesyn en stor rolle. Vi er vant til, at intelligens ser ud som en hjerne i en krop med følelser, en stemme og en biografi. Et model der kører i et datacenter passer ikke til det billede, og derfor skubber vi etiketten "reel intelligens" foran os.

Teknologiledere sætter imens barren endnu højere. Mark Zuckerberg og andre taler nu helst om "superintelligens" – en enhed der overgår mennesker på næsten alle områder. Det får det til at føles, som om nuværende AI-systemer først bliver interessante, når de knuser os på ethvert tænkeligt domæne.

Diskussionen forskydes fra "er dette allerede generel AI?" til "hvornår får vi en superhjerne der overgår alle?" – og derved skjuler vi, at det første skridt måske allerede er taget.

Hvad dette skift betyder for regulering og daglig brug

Hvis vi accepterer, at nutidens AI allerede fungerer på menneskelig niveau i mange opgaver, forskydes ansvaret tilsvarende. Det handler ikke længere kun om eksperimenter og prøveballoner, men om seriøs infrastruktur, som virksomheder, myndigheder og borgere bygger på.

Regulering i Europa og andre steder halter allerede bagud i forhold til den teknologiske udvikling. Mange forslag tager udgangspunkt i "farlig AI i fremtiden", mens der i dag allerede eksisterer modeller, der giver medicinske råd, simulerer juridisk bistand og designer komplette marketingstrategier. Den der blindt stoler på det, vil før eller siden møde et hallucinerende svar med store konsekvenser.

For almindelige brugere betyder det frem for alt, at AI minder mere om en klog kollega end et alvidende orakel. Du kan bruge systemet som sparringspartner, kodeassistent eller tekstforfatter – men kontrol forbliver afgørende. Ligesom du gennemgår arbejdet fra en praktikant eller en junioradvocat, bør du kritisk efterprøve AI-resultater.

Begreber forklaret: fra LLM til chatbot i dagligdags sprog

Mange af de nævnte termer lyder tekniske, men lader sig forholdsvis nemt forklare:

• Store sprogmodeller (LLM'er) er AI-systemer, der er trænet på enorme mængder tekst og selv genererer ny tekst. De forudsiger ord for ord, hvad der logisk følger næst.
• Chatbots er applikationer bygget ovenpå sådanne modeller. De giver en samtaleramme, husker midlertidigt kontekst og føles dermed som en samtalepartner.
• Robotteknologi kobler AI til hardware: arme, hjul, kameraer, sensorer. Her påvirker den digitale intelligens den fysiske verden via en egentlig krop.

I kombination opstår et kraftfuldt økosystem: et sprogmodel planlægger en opgave, en robot udfører den, og sensorer leverer nye data tilbage. På den måde kan systemer i hurtigt tempo blive mere praktiske, mere autonome og mere indflydelsesrige.

Den der allerede arbejder med AI i dag, mærker, at grænsen mellem redskab og partner begynder at blive uklar. Programmører lader modeller bygge hele moduler, lærere bruger dem som assistent ved forberedelse af undervisning, jurister lader første versioner af kontrakter udarbejde. I alle disse scenarier trænger spørgsmålet sig på: hvornår kalder vi sådan et system ikke bare nyttigt, men også egentlig intelligent?

Nature-publikationen giver et tankevækkende svar: måske er den grænse allerede overskredet, og vi halter primært bagud med vores definition. Det gør teknologien hverken magisk eller fejlfri – men en hel del mere seriøs end "en smart søgemaskine". Den der tager det til efterretning, træffer mere bevidste valg om, hvor AI bør – og endnu ikke bør – have styringen.