AI er ikke magi – det er matematik. Forstå neurale netværk, machine learning og deep learning på en enkel måde.
Hvad er kunstig intelligens?
Kunstig intelligens (AI) er en samlebetegnelse for computersystemer, der kan udføre opgaver, der normalt kræver menneskelig intelligens: at genkende mønstre, tage beslutninger, forstå sprog og løse problemer. Det er ikke et enkelt program, men en bred familie af teknologier.
Moderne AI er primært baseret på machine learning – systemer, der lærer af data frem for at følge forudprogrammerede regler. En delmængde kaldet deep learning bruger kunstige neurale netværk inspireret af hjernens opbygning.
ChatGPT, billedgenkendelse, anbefalingsalgoritmer på Netflix og selvkørende bilers computersyn er alle eksempler på deep learning i praksis.
Sådan fungerer det
Et neuralt netværk er opbygget i lag af matematiske enheder kaldet neuroner:
- Inputlag: Modtager rådata – fx pixels i et billede eller ord i en sætning.
- Skjulte lag: Behandler information i mange trin. Hvert neuron multiplicerer input med vægte, lægger bias til og sender resultatet videre via en aktiveringsfunktion.
- Outputlag: Producerer resultatet – fx "85% sandsynlighed for at dette er en kat".
Træning sker via backpropagation: netværket gætter, sammenligner sit svar med det korrekte og justerer automatisk milliarder af vægte for at minimere fejlen. GPT-4 har estimeret over 1 billion parametre – alle justeret gennem træning på enorme datamængder.
Ofte stillede spørgsmål
Er AI det samme som robotter?
Nej. AI er software – algoritmer og modeller. Robotter er fysiske maskiner. En robot kan bruge AI til at navigere, men de fleste AI-systemer eksisterer kun som software (fx ChatGPT, ansigtsgenkendelse). En robot uden AI er bare automatisering; AI uden robot er ren software.
Kan AI blive bevidst?
Dette er et af de store åbne spørgsmål i videnskaben. Nutidens AI-systemer, uanset hvor sofistikerede, har ingen subjektiv oplevelse – de er matematiske optimeringssystemer. Bevidsthed kræver formentlig noget fundamentalt anderledes end statistisk mønstertilpasning, men det er stadig ikke fuldt forstået.