En dristig påstand: Generel AI er allerede her
Det handler ikke om endnu en futuristisk sci-fi-vision. Det er en konkret videnskabelig strid: Opfylder nutidens AI-modeller – herunder populære chatbots – allerede de betingelser, vi selv har opstillet for menneskelig intelligens? En nylig artikel i et anerkendt videnskabeligt tidsskrift vender fuldstændig op og ned på, hvordan vi måler "ægte" maskineintelligens.
En forskergruppe fra University of California fremsætter en kontroversiel tese: Generel kunstig intelligens – AGI (artificial general intelligence) – er ikke et mål ude i horisonten, men en allerede indtruffet kendsgerning. Ifølge dem har nutidens systemer, baseret på store sprogmodeller (LLM), nået et funktionsniveau, der i praksis opfylder definitionen på generel intelligens.
Indtil for nylig omtalte de fleste teknologivirksomheder – fra OpenAI til Silicon Valley-giganterne – AGI som den hellige gral. Nogle gav det et årti, andre et eller to år. Sideløbende argumenterede en del forskere for, at den nuværende LLM-arkitektur er en blindgyde, og at det virkelige gennembrud først ville komme med komplekse "verdensmodeller", der bedre afspejler den fysiske og sociale virkelighed.
Forfatterne argumenterer for, at vi i stedet for at spørge "hvornår opnår vi generel kunstig intelligens" burde overveje, om vi ikke netop nu beskriver den i nutid.
Turingtesten: En gammel målestok med nye resultater
Et af forskernes centrale argumenter er Turingtesten – det klassiske koncept fra 1950. Det går ud på, at hvis et menneske under en skriftlig samtale ikke kan skelne en maskine fra et andet menneske, kan man tale om intelligent maskinadfærd.
I den nyeste generation af chatbots begynder vi at se situationer, hvor mennesker hyppigere tager AI for at være et menneske end deres faktiske samtalepartner. For få år siden ville et sådant resultat have været betragtet som uomtvisteligt bevis på opnåelsen af generel maskinintelligens.
I dag hæver vi paradoksalt nok overliggeren højere og højere. Når systemer begynder at opfylde de gamle kriterier, skubber en del eksperter definitionen videre og kræver endnu flere egenskaber ved "ægte" intelligens.
Hvor slutter AGI, og hvor begynder superintelligens?
Forskerne foreslår en tydelig skelnen mellem generel kunstig intelligens og superintelligens. Det er væsentligt, fordi de to begreber ofte blandes sammen i den offentlige debat.
| Type intelligens | Beskrivelse |
|---|---|
| Generel kunstig intelligens (AGI) | Et system, der kan fungere på niveau med menneskelige eksperter inden for mange forskellige områder, lære og overføre viden på tværs af dem. |
| Superintelligens | AI, der langt overgår menneskets kapacitet på næsten alle områder – fra videnskab til kreativitet og planlægning. |
Forfatterne hævder, at vi på det første punkt allerede er meget tæt på – eller måske endda på den anden side af – grænsen. Nutidens LLM-systemer håndterer programmering, juridisk analyse, indholdsskabelse, oversættelse og endda matematisk ræsonnement – ofte på ekspertniveau.
Efter denne logik behøver vi ikke vente på, at AI begynder at slå rekorder i enhver niche. For at anerkende generel intelligens er det tilstrækkeligt at opnå et niveau svarende til et gennemsnitligt, veluddannet menneske – med styrker inden for visse opgaver og svagheder inden for andre.
"Den stokastiske papegøje" og andre indvendinger mod LLM
Modstandere af nuværende sprogmodeller gentager, at de i bund og grund er "statistiske papegøjer": systemer uden ægte forståelse, der blot sammensætter tekstfragmenter baseret på sandsynlighed. Ifølge dem skaber AI ikke idéer – den klistrer blot sætninger sammen fra træningsdata.
Den nye analyse forsøger systematisk at imødegå sådanne indvendinger. Forfatterne peger på flere elementer, der er svære at afvise med argumentet "det er bare gentagelse af data":
- Løsning af nye, hidtil ukendte matematik- og logikopgaver
- Evnen til at overføre viden fra ét fagområde til et andet
- Opbygning af sammenhængende årsags-virknings-modeller i samtale
- Håndtering af situationsbeskrivelser, der kræver fysisk intuition
Hvis et system kan udlede den korrekte løsning på et problem, det ikke har haft i sine træningsdata, er det svært at fastholde, at det "blot citerer". Det betyder ikke, at AI forstår verden som et menneske – men det antyder, at der sker noget mere end simpel fraseklistring.
Ifølge forskerne er det urealistisk at forvente, at AGI hver uge vil oversvømme videnskaben med gennembrud på niveau med revolutionerende teorier – det kræver vi ikke engang af de mennesker, vi kalder intelligente.
Kræver intelligens et legeme og sanser?
En af de mest følelsesladede forsvarslinjer lyder: "AI har intet legeme, så det er ikke ægte intelligens." Mennesket lærer gennem bevægelse, berøring, smerte og sanser. Maskiner opererer primært på tekst, billeder og lyd i dataform.
Forfatterne mener imidlertid ikke, at fraværet af et fysisk legeme udelukker generel intelligens. De påpeger, at moderne modeller kan forudsige konsekvenser af handlinger, analysere videoscener, fortolke billeder og lydoptagelser. Hertil kommer den voksende gren kaldet Physical AI – altså integrationen af avancerede modeller med robotter.
Robotter udstyret med sensorer og kameraer begynder at kombinere LLM's abstrakte evner med reel interaktion i omgivelserne. Det åbner et rum, hvor maskinen ikke blot beskriver bevægelse, men udfører og korrigerer den løbende.
Hukommelse, autonomi og læretid – er det nødvendige betingelser?
En anden indvending mod nutidens systemer er, at de mangler varig autobiografisk hukommelse og ægte autonomi. En chatbot afslutter sessionen og "glemmer" samtalen, opererer inden for menneskesatte rammer og har ingen kontinuitet i sin erfaring.
Ifølge forskerne er dette ikke obligatoriske betingelser for at anerkende generel intelligens. De fremhæver, at:
- Langtidshukommelse kan tilføjes som et systemlag
- Autonomi er et spørgsmål om design og etik – ikke om kognitive evner
- Mængden af data, der kræves for at lære, bør ikke afgøre intelligensstatussen
Et menneske lærer at køre bil på nogle få til nogle få ti-ve timers kørsel. AI kan have brug for millioner af simulerede eksempler. Forfatterne understreger, at det er det endelige færdighedsniveau, der tæller – ikke prisen for at nå dertil.
Hallucinationsproblemet: Den alvorligste svaghed ved nuværende modeller
Selv de mest entusiastiske AGI-tilhængere erkender, at nutidens systemer har en alvorlig fejl: en tendens til "hallucinationer". Det drejer sig om generering af tilsyneladende troværdig information, der er fuldstændig opdigtet – fra fiktive videnskabelige kilder til ikke-eksisterende lovregler.
Virksomheder, der udvikler modeller, indrømmer, at andelen af sådanne fejl stadig er mærkbar. Ifølge interne analyser fra en af de største AI-organisationer kan selv de nyeste modelgenerationer indeholde faktuelt forkerte elementer i op til hver tiende svar.
Artiklens forfattere forsøger at afsvække dette argument ved at påpege, at mennesker også ofte tager fejl, danner falske minder og lader sig bedrage af illusioner. Kritikerne svarer, at omfanget og lethed ved AI's "selvsikre" vrøvl skaber en helt ny risiko – særligt inden for medicin, jura og økonomi.
Hallucinationer er fortsat en af de vigtigste grunde til, at mange eksperter endnu ikke vil anerkende, at vi har at gøre med fuldt udviklet generel maskinintelligens.
Er det os, der har et problem med selve definitionen af intelligens?
Forskernes endelige tese rammer selve grundlaget for diskussionen: Måske ligger problemet ikke i, at AI er "for svag", men i at vores begreb om intelligens er for snævert og alt for menneskecentreret.
Mennesker har en naturlig tilbøjelighed til at bedømme alt ud fra eget artsperspektiv. Hvis en maskine tænker anderledes, begår andre fejl og lærer på en anden måde, betragter vi den som "ringere". Forfatterne antyder, at vi falder i en antropocentrisk fælde: Vi vil ikke acceptere, at en ny form for intelligens er ved at tage form – en der er forskellig fra vores, men funktionelt sammenlignelig.
Det forklarer delvist, hvorfor ordet "superintelligens" dukker op stadig hyppigere i debatten. At flytte opmærksomheden til endnu et fjernere niveau skubber det øjeblik væk, hvor vi klart må sige: Generel maskinintelligens banker på døren – eller sidder måske allerede ved skrivebordet ved siden af os.
Hvad denne debat betyder for den almindelige AI-bruger
Striden om definitioner er ikke blot en akademisk øvelse. Hvorvidt vi anerkender nutidens systemer som generel intelligens, har direkte betydning for, hvordan vi regulerer dem, stoler på dem og hvilke opgaver vi betror dem.
Hvis vi behandler nutidens modeller som AGI, vokser presset for at:
- Indføre strengere juridiske rammer og tilsyn med implementeringer
- Kræve gennemsigtighed om træningsdata og systemernes virkemåde
- Grundigere undersøge AI's indvirkning på arbejdsmarkedet og politiske beslutninger
- Udvikle faktatjeksystemer, der "holder øje med" chatbots
Fra brugerens perspektiv bliver en kritisk tilgang afgørende. Selv hvis AI forstår komplekse problemer og kan rådgive bedre end mange søgemaskiner, kan vi stadig ikke behandle dens svar som en ufejlbarlig orakel. At bruge sådanne værktøjer klogt kræver, at man kombinerer deres regnekraft med menneskelig dømmekraft og faglig viden.
AGI's kraft – i den forstand forskerne foreslår – viser sig tydeligst, når menneske og system arbejder sammen. Mennesket stiller de rigtige spørgsmål, sætter retningen og verificerer resultaterne, mens AI accelererer analysen, foreslår varianter og ordner informationer. I denne konfiguration er det ikke nødvendigt at afgøre, hvem der er "ægte" intelligent. Det, der tæller, er, at vi tilsammen kan gøre ting, der for blot få år siden syntes umulige.
