Frygten for en robotapokalypse skjuler de virkelige problemer, vi står over for, så algoritmer kan styre vores liv. Ifølge eksperter inden for kunstig intelligens bevæger vi os støt mod et bestemt punkt, hvorefter vi ikke længere behøver at opfinde noget: kunstig intelligens vil gøre alt for sig selv, og maskiner forbedres eksponentielt. Hvis dette sker, hvad bliver der af os?
I løbet af de sidste par år har mange fremtrædende forskere, fra Stephen Hawking til Elon Musk, advaret os om, at vi skal være ekstremt bekymrede over de mulige farlige resultater af superintelligent kunstig intelligens. Og de bakker deres ord op med handling: Musk nedlader OpenAI, en organisation, der udvikler AI, der vil gavne menneskeheden.
Men mange anser deres frygt for overdrevet. Som Andrew Ng fra Stanford University, som også er chefforsker for den kinesiske internetgigant Baidu, bemærker, at bekymre sig om et maskinopstand er som at bekymre sig om, at Mars er overfyldt.
Men dette betyder selvfølgelig ikke, at vores voksende afhængighed af AI ikke medfører nogen reelle risici. Faktisk er disse risici allerede her. Når intelligente systemer bliver mere involverede i alt fra sundhedspleje til strafferet, er der en fare for, at vigtige dele af vores liv bliver overset.
Desuden kan AI føre til ubehagelige konsekvenser, hvis vi ikke er klar til dem, for eksempel for at ændre vores holdning til læger til kraftigt fjendtlige.
Salgsfremmende video:
To ord om kunstig intelligens
Enkelt sagt er dette maskiner, der gør ting, der normalt kræver mental indsats fra en persons side: at forstå det naturlige sprog, genkende ansigter på fotografier, køre biler og så videre.
Der er forskel på en mekanisk manipulator på en produktionslinje, der er programmeret til at udføre den samme opgave, og en manipulator, som uafhængigt lærer at udføre forskellige opgaver gennem prøving og fejl.
Hvordan hjælper AI os?
Den førende tilgang i AI i dag er maskinindlæring, hvor programmer trænes i at identificere bestemte mønstre i store datamængder, såsom at identificere et ansigt i et billede eller gøre et vindende træk i brætspillet. Denne metode kan anvendes til en lang række problemer. For eksempel træne computere til at identificere et bestemt mønster i medicinske billeder. DeepMind, et kunstigt intelligensfirma, der ejes af Google, udvikler software, der lærer at diagnosticere kræft og øjensygdomme fra patientscanninger. Andre bruger maskinlæring til at opdage tidlige tegn på hjertesygdomme og Alzheimers.
Kunstig intelligens bruges også allerede til at analysere store mængder molekylær information på jagt efter potentielle nye lægemiddelindstillinger - en proces, der er ekstremt tidskrævende for mennesker. Meget snart kan maskinindlæring blive uundværlig for medicin.
Kunstig intelligens hjælper os også med at styre ekstremt komplekse systemer som den globale forsyningskæde. Systemet i hjertet af Port Botany containerterminalen i Sydney administrerer titusinder af containere, en flåde af automatiserede køretøjer og så videre, helt uden mennesker. I minesektoren bruges optimeringssystemer i stigende grad til at planlægge og koordinere bevægelsen af ressourcer såsom jernmalm.
AI fungerer overalt, hvor du ser, fra finansiering til transport, til at flyve fly og overvåge aktiemarkedet. Og de beskytter din mail mod spam. Men dette er kun begyndelsen. Når AI udvikler sig, bliver det mere og mere komplekst og interessant.
Hvad er problemet?
I stedet for at bekymre sig om en fremtidig AI-revolution er den største risiko, at vi måske sætter for meget tillid til de intelligente systemer, vi bygger. Det er tilstrækkeligt at huske, at maskinlæring træner software til at identificere mønstre i data. Efter træning fortsætter det med at analysere friske, endnu ikke undersøgte data. Men når en computer spytter et svar, har vi normalt ingen idé om, hvordan det kom til det.
Der er åbenlyse problemer her. Et system er kun så godt som de data, det lærer af. Tag et system, der er uddannet til at bestemme, hvilke patienter med lungebetændelse der er større sandsynlighed for at dø, så de først indlægges på hospitalet. Lad os sige, at hun utilsigtet klassificerer patienter med bronchial astma som lavrisikopatienter. Fordi mennesker med astma og lungebetændelse normalt går direkte til intensivbehandling, så de får behandling, der reducerer risikoen for død. Maskinindlæring ser dette som "astma + lungebetændelse = lavere dødsrisiko."
Da AI får adgang til alle områder af dit liv, øges risikoen for, at noget går galt - hvis det ikke forventes. Og da de fleste af de data, vi leverer til AI, er ufuldkomne, bør vi i de fleste tilfælde ikke forvente perfekte svar. Vi bygger kunstig intelligens i vores eget image og lighed; sandsynligvis vil han være "ikke særlig" ligesom os.
ILYA KHEL
