Hvordan skal vi konkurrere mod en IQ på 12.000?
Hvide sten, sorte sten og et bræt med 19 gange 19 linjer udgør det 3.000 år gamle brætspil Go. Spillet går grundlæggende ud på at erobre spillebrættet med egne sten og omringe modstanderens sten, hvor det er muligt.
Permutationerne er uendelige, dybderne og nuancerne ligeså, og i 20 år har Go været pejlemærket i horisonten for AI-udviklere, siden IBM’s Deep Blue som den første computer slog skakmesteren Garry Kasparov.
Software er en opskrift på, hvordan computeren skal behandle data. Normalt angiver programmøren en helt fast opskrift, hvor computeren på forhånd instrueres i alle trin. Med machine learning er der ikke en fast opskrift. I stedet tager man udgangspunkt i data. Det kan eksempelvis være en stor samling billeder med tilhørende beskrivelser. Dernæst giver man computeren en matematisk ramme, som computeren kan arbejde inden for på de data, man har givet den. Computeren bruger den matematiske ramme til at prøve at finde en matematisk model, der kan bruges i stedet for en fast opskrift, til at fortolke data. Beder man computeren skelne mellem forskellige hunderacer på fotos, forsøger den altså at finde et sæt matematiske funktioner, der bedst kan bruges til at beskrive henholdsvis en puddel og en labrador. Når man kalder det læring, så er det, fordi softwaren er nødt til at have nogle data, som den kan finde et mønster i, og så prøve at bruge dette mønster på nye data. Mange af teknikkerne til machine learning henter på et abstrakt plan inspiration fra den måde, mennesker lærer på, om ikke andet så i de ord, der bruges til at beskrive, hvordan teknikkerne fungerer. Feltet machine learning dækker over mange forskellige teknologier, men de har alle det til fælles, at opskriften på at fortolke data ikke skrives som specifikke instruktioner i programmet, men i stedet tager udgangspunkt i data, som man opbygger en model ud fra. Tekst: Jesper Stein SandalMachine learning
Med 1,74x10 opløftet i 172. potens mulige Go-positioner overgår kombinationsmulighederne ifølge AI-udvikler Demis Hassabis det teoretiske antal atomer i det synlige univers.
Spillets kompleksitet har hos mange ledt til en fast overbevisning om, at spillet aldrig ville blive som skak, at computere aldrig ville kunne konkurrere mod eliten i et spil, der i så høj grad bygger på intuition – og i bedste fald først efter endnu to årtiers forskning og udvikling.
Sydkoreanske Lee Se-dol – med kælenavnet Strong Stone – tøvede derfor heller ikke, da Google-ejede DeepMind i marts i år udfordrede ham med den Go-spillende AI AlphaGo til en kamp om en million dollars.
Den 33-årige Go-ekspert, der har spillet professionelt, siden han var 12, og som har vundet 18 internationale mesterskaber, tog sig blot fem minutters betænkningstid, før svaret var klart: Kom bare an.
»Der er en skønhed ved Go, og jeg tror ikke, maskiner kan forstå den skønhed,« sagde Lee Se-dol forud for den første af fem kampe, hvoraf han forventede at vinde alle fem.
Uortodoks og aggressiv spillestil
I gennemsnit har Go-spilleren ti gange så mange mulige træk som en skakspiller.
Det betyder, at AI-udviklernes traditionelle strategi om at brute force de tusinder og atter tusinder af muligheder ikke fungerer på det abstrakte brætspil.
At gøre AlphaGo til en Go-mester krævede altså ikke bare en opgradering af principperne fra DeepBlue og efterfølgende talknusende skak-computere.
Det krævede en langt mere menneskelig form for kunstig intelligens: en computer, der kan lære sig selv at spille Go.
På samme måde, som Google-algoritmer til billedgenkendelse er fodret med utallige billeder af katte for at kunne genkende en kat, blev AlphaGo fodret med millioner af mulige Go-positioner og træk fra spil mellem mennesker.
Med dataene begyndte AlphaGo at spille millioner af spil mod forskellige versioner af sin egen algoritme minutiøst tilrettet for den mest optimale strategi.
Gennem resultaterne fik AlphaGo evnen til at forudsige kommende træk og dermed skrælle det enorme antal muligheder ned til færre analyserbare scenarier.
Alt dette kulminerede i mødet med Lee Se-dol i marts, hvor Go-ikonet fortsat var ved godt mod.
»Jeg tror, at menneskelig intuition er for avanceret til, at AI har indhentet den endnu,« forklarede Lee, hvis spillestil beskrives som uforudsigelig, kreativ, kaotisk og vild. Det viste sig til fleres overraskelse, at AlphaGos spillestil kan beskrives med de samme ord.
Med en serie af uortodokse træk, overraskende modsvar og aggressive åbninger, der i flere tilfælde lå så langt fra konventionel Go-dogma, at en elev ville risikere en reprimande fra lære¬mesteren for at forsøge, vandt computeren 4-1 over den menneskelige Go-mester.
Computeren lærer af sine erfaringer
At den kunstige intelligens kommer frem til løsninger, som ingen mennesker kunne have lært den, er kernen i teknologien.
»Vi forsøger ikke at opbygge den menneskelige hjerne eller bare at efterligne den nu. Vi bygger maskiner, som lærer af deres erfaring og herefter producerer resultater, som deres udviklere end ikke havde forestillet sig,« har Peter Søndergaard, der er senior vice president og global forskningsleder hos Gartner Research, udtalt tidligere i år.
Principperne bag DeepMinds AlphaGo er langtfra forbeholdt spil. DeepMind har allerede lavet et partnerskab med Storbritanniens sundhedsvæsen, mens IBM’s Watson – der blev berømt ved at besejre verdensmesteren i Jeopardy – på en række hospitaler bliver brugt til at støtte lægernes diagnostiske arbejde.
I løbet af de næste tre til fem år vil 50 procent af alle analytiske interaktioner blive leveret via kunstig intelligens, forudsiger Gartner, og mange af de indsigter vil blive forstået gennem verbale interaktioner. Mange kender – og bruger – allerede AI-systemer som IBM’s Watson, IPSofts Amelia, Apples Siri, Microsofts Cortana og Google Assistant.
Alle er de ifølge Peter Søndergaard ‘systemer, der kan lære af og tilpasse sig til verden via de data, de indsamler’.
Vi bliver lammetævet
Udgifterne til intelligens, der normalt omtales som business intelligence og analytics, har højeste prioritet blandt erhvervsinvesteringer i alle typer af organisationer ifølge Gartners seneste CIO-undersøgelse.
Og ligesom miljøet omkring Go ikke forventede maskinernes indtog, er det nok de færreste, der fatter, hvad det kan gøre ved vores samfund.
Allerede nu ser vi en hastig udbredelse af ‘maskiner’ med artificial narrow intelligence, altså software, der er supervised eller trænet til en bestemt funktion; for eksempel at lande et fly, standse kreditkortkriminalitet ved at lade maskiner lede efter anomali i vores betalingsmønstre eller finde hidtil ukendte mønstre og sammenhænge på finansmarkederne.
Næste skridt er såkaldt artificial generated intelligence, altså ikke-trænet intelligens, der i princippet kan håndtere enhver udfordring, ligesom os selv.
»Computerne kommer til at lammetæve os bare med de nuværende algoritmer,« sagde Janos Flösser, der er senior partner i it-investeringsfirmaet Promentum Capital, på IT-Branchens årlige branchetræf, Lederdøgn, i efteråret.
Mennesket sættes fra bestillingen
Allerede nu er digitale personlige assistenter så ‘kloge’, at de ikke alene responderer på et spørgsmål eller en udfordring, men forstår at sætte det i en kontekst, så det giver den rigtige mening.
Hvis man eksempelvis siger til Siri, at ‘jeg er så træt, at jeg snart hopper i havnen’, så giver den ikke bare en anvisning til nærmeste bro.
Mulighederne øges med så voldsomme skridt, at vi er godt på vej til at blive overhalet alene i opfattelsen af, hvad det kan føre til.
Når intelligent software i 2025 ifølge Google forventes at kunne præsentere en intelligens på niveau med vores, reduceres vi til chimpanser i sammenligning, sagde Jonas Flösser. Vi får altså i den grad baghjul og risikerer at stå tilbage som mindrebemidlede tåber, mener han:
»Vi har jo ikke et scenarie for en IQ på 12.000,« som Jonas Flösser udtrykte det.
Der er næsten ikke grænser for, hvor vores erfaringsbaserede kompetencer kan erstattes af superintelligente maskiner. Hvorfor lade flyveledere styre lufttrafikken, når maskiner kan gøre det meget mere præcist og sikkert?
Hvorfor lade mennesker stå for kundeservice i call-centret, når den intelligente CRM-robot intuitivt forstår vores ærinde, altid taler pænt og har en god dag? Hvorfor lade sygeplejersken tage 112-opkaldet, når en maskine er bedre til at høre, om borgeren er ved at dratte omkuld?
Hvorfor lade læger diagnosticere, når maskiner kan rumme et langt, langt større arsenal af viden at trække på, når den rigtige diagnose skal stilles – og derfor begår færre fejl?
Hvad skal vi i det hele taget med humane læger, revisorer, sagsbehandlere og dommere, som alle baserer deres analyser og afgørelser på erfaring, er hæmmede af begrænset hukommelse og kun kan rumme et mindre antal historiske udfald i jagten på det optimale, spørger de mest it-ivrige.
I modsætning til os kan computeren kombinere et uendeligt antal tidligere udfald til den absolut mest effektive, mest retfærdige og mest korrekte beslutning.
Intelligent software monopoliseres
Skeptikere vil fastholde, at det menneskelige skøn er uomgængeligt, og at brugen af intelligent software til forudsigelse eller skønsdannelse derfor til stadighed flopper og svigter. Som vi så det i Chicago, hvor et forsøg på at forebygge voldskriminalitet måtte skrottes.
Fakta er imidlertid, at vores hjerne kun mestrer en ‘klokfrekvens’ på beskedne 200-1.000 Hz, og selv om et kolossalt antal neuroner arbejder parallelt, så er vi oppe imod dagens processorer, som præsterer 5-8 GHz.
Vores arbejdshukommelse kan rumme syv blokke af information samtidig – eller 7 bits RAM – mens computere med 128 GB RAM er udbredte i dag.
Computerne kan lære det samme på ét sekund, som vi bruger 10 år til, lyder det fra eksperterne.
Når supercomputere og superintelligent software for alvor sættes i sving med at behandle de gigantiske mængder, der allerede er indsamlet, åbner det for svimlende muligheder.
Allerede nu lever vi i en zettabyte-æra med 4ZB data indsamlet – et tal, der vil stige med en faktor 10 om fire år – men hidtil er kun en halv procent analyseret. Så vi har så absolut kun set toppen af isbjerget.
Det er virksomheder som Google, Facebook og Apple, der løber med guldet. Som tidligere nævnt på Version2 støvsuger The Big Five markedet for innovative virksomheder inden for AI og indtager en monopollignende position; også inden for områder, som de hidtil ikke har haft det mindste indblik i – se bare på Googles position inden for selvkørende biler, som selskabet intet vidste om for få år siden.
På IT-Branchens Lederdøgn talte Janos Flösser også for, at hvis vi skal klare os i en verden, hvor 65 procent af vores børn kommer til at arbejde med noget, som vi ikke kender, og som ikke findes endnu, så bliver vi nødt til at forholde os mere aktivt til udviklingen.
»Ellers beder vi selv om ballade,« sagde han.
Risikoen er – som nævnt af mange andre tidligere – en nedsmeltning af økonomi og velfærdssamfund, fordi vi ikke kan erstatte de udfasede job med nye.
Optimisterne tror på, at vi skal tilføre computernes indsats det ‘kreative lag’, andre mener slet ikke, at der er efterspørgsel på så meget kreativitet. Det bliver i hvert fald ikke til de middelklasselønninger, som vi hidtil har set, og som er fundamentet for hele den vestlige verdens velstand.
Denne artikel stammer fra Ingeniørens magasin Året Rundt 2016.
...men det er dyrt at lave god journalistik. Derfor beder vi dig overveje at tegne abonnement på Version2.
Digitaliseringen buldrer derudaf, og it-folkene tegner fremtidens Danmark. Derfor er det vigtigere end nogensinde med et kvalificeret bud på, hvordan it bedst kan være med til at udvikle det danske samfund og erhvervsliv.
Og der har aldrig været mere akut brug for en kritisk vagthund, der råber op, når der tages forkerte it-beslutninger.
Den rolle har Version2 indtaget siden 2006 - og det bliver vi ved med.
