Artificiell intelligens

Definition, mål och filosofiska grunder

Artificiell intelligens definieras som förmågan hos datorprogram och robotar att efterlikna människors och andra djurs naturliga intelligens, särskilt kognitiva funktioner såsom förmågan att lära sig av tidigare erfarenheter, förstå naturligt språk, lösa problem, planera sekvenser av handlingar och att generalisera. Fältet studerar och skapar intelligenta agenter, vilka är system som uppfattar sin omgivning och vidtar åtgärder som maximerar chansen att framgångsrikt uppnå sina inprogrammerade mål. John McCarthy, som myntade termen 1956, beskrev ämnet som vetenskapen och tekniken att skapa intelligenta maskiner. De centrala problemen eller målen för AI-forskningen inkluderar resonemang, kunskapsrepresentation, planering, inlärning, naturlig språkbearbetning, perception samt förmågan att flytta och manipulera objekt. Hela forskningsområdet bygger på det underliggande antagandet att den centrala mänskliga egenskapen intelligens går att beskriva så exakt att det gör det möjligt för en maskin att simulera den. Denna utgångspunkt väcker komplexa filosofiska och etiska frågor om medvetande, själ och skapandet av tänkande maskiner, vilka har behandlats i mytologi och litteratur sedan antiken.

Historiska rötter och pionjärtiden

Tänkande maskiner och artificiella varelser har länge förekommit i mytologi och fiktion, från den grekiska mytologins Hefaistos guldrobotar och Pygmalions Galatea till humanoida automater byggda av Yan Shi, Heron och Al Jazari. Under 1800- och 1900-talet blev artificiella varelser ett vanligt inslag i litteraturen, exempelvis i Mary Shelleys Frankenstein och Karel Čapeks pjäs R.U.R. Den formella logiken, utvecklad av filosofer och matematiker sedan antiken, lade grunden för den programmerbara digitala datorn. Den brittiske matematikern Alan Turing formulerade teorin att en maskin genom att manipulera symboler kunde simulera varje tänkbar matematisk deduktion, och hans inflytelserika artikel från 1950 kristalliserade idén om AI genom frågan Kan maskiner tänka?. Forskningsområdet AI etablerades formellt vid en konferens på Dartmouth College sommaren 1956, där deltagare som John McCarthy, Marvin Minsky, Claude Shannon och Allen Newell kom att leda AI-forskningen under decennier. De första framstegen var häpnadsväckande för sin tid, då datorer lärde sig vinna i damspel, lösa ordproblem i algebra och bevisa logiska satser. I mitten av 1960-talet finansierades forskningen i USA kraftigt av Department of Defense, och fältets grundare var djupt optimistiska, med förutsägelser om att maskiner inom tjugo år skulle kunna utföra allt mänskligt arbete.

AI-vintrar och hajp-cykler

AI-vinter är en historisk term för perioder av kraftigt minskad finansiering och svalt intresse för AI-forskning, myntad 1984 i analogi med idén om en atomvinter. Den första AI-vintern inträffade mellan 1974 och 1980, föregången av enorm optimism under 1960-talet där forskare förutspådde att maskiner med mänsklig intelligens låg bara ett decennium bort. När forskarna stötte på den krassa verkligheten, i synnerhet den kombinatoriska explosionen och dåtidens extremt begränsade beräkningskraft, blev finansiärerna mer tveksamma och minskade sina anslag kraftigt. I Storbritannien ledde den starkt kritiska Lighthill-rapporten 1973 till att nästan all statlig AI-forskning ströps, och i USA drog militära DARPA in sina anslag till tidiga projekt inom maskinöversättning. Den andra AI-vintern varade från 1987 till 1993, och utlöstes av att marknaden för Lisp-maskiner plötsligt kollapsade 1987, utkonkurrerade av billigare och starkare persondatorer från IBM och Apple. Samtidigt insåg industrin att expertsystemen var dyra, oflexibla och svåra att uppdatera, varpå investeringarna återigen tvärnitade. Ett tydligt mönster under dessa perioder var att termen artificiell intelligens fick dåligt rykte och blev närmast tabu, vilket tvingade många forskare att döpa om sitt arbete till termer som maskininlärning, smarta system eller informatik.

Maskininlärningens genombrott och moderna milstolpar

Det var först i samband med den snabba ökningen av datakraft och genombrotten inom djupinlärning på 2010-talet som begreppet AI helt återfick sin status. Under 1990-talet och 2000-talet skiftade fokus mot att lösa specifika delproblem med rigorösa matematiska metoder. År 1997 blev Deep Blue den första datorn att besegra den regerande världsmästaren i schack, Garry Kasparov. År 2011 besegrade IBM:s system Watson stormästarna i frågesporten Jeopardy!, och 2016 markerade ännu ett genombrott när AlphaGo besegrade världsmästaren Lee Sedol i brädspelet Go. Forskare som Geoffrey Hinton, Yann LeCun och Yoshua Bengio lade under 2010-talet grunden för neurala nätverk som drastiskt förbättrade datorers förmåga till bildigenkänning och röststyrning, och denna teknik letade sig snabbt in i konsumentprodukter som digitala assistenter i smarttelefoner. Under början av 2020-talet skedde ett stort paradigmskifte med genombrottet för generativ AI och så kallade grundmodeller, byggda på transformer-arkitekturen som introducerades av Google 2017. Dessa stora språkmodeller som OpenAI:s ChatGPT, Googles Gemini och Anthropics Claude tränas på enorma mängder textdata och lär sig att förutsäga nästa ord i en sekvens. Parallellt skedde stora framsteg inom bild- och videogenerering genom diffusionsmodeller, som gör det möjligt att skapa högkvalitativa bilder utifrån textbeskrivningar.

Tekniker och metoder: från symbolisk AI till maskininlärning

Artificiell intelligens är inte en enskild teknologi utan ett paraplybegrepp som rymmer en lång rad olika algoritmer, matematiska modeller och logiska system, där valet av teknik beror helt på vilket problem som ska lösas. Fram till slutet av 1980-talet dominerades forskningen av symbolisk AI, ibland kallat GOFAI (Good Old-Fashioned AI), som bygger på att man förser datorn med explicita regler och logiska symboler för att representera kunskap. Denna metod användes i kommersiella expertsystem, program utformade för att efterlikna mänskliga experters beslutsfattande inom snäva områden. Modern AI domineras istället av maskininlärning, särskilt artificiella neurala nätverk och djupinlärning, där algoritmer lär sig mönster direkt från data utan att behöva explicit programmerad kunskap. Stora språkmodeller är ett exempel på denna metod, där kunskap förvärvas genom träning på miljardtals webbsidor och böcker. Andra viktiga tekniker inkluderar statistik, matematisk optimering, operations research, formell logik och sökning i tillståndsrymder. AI-program använder kunskap för att svara på frågor och göra slutsatser, och inom kunskapsrepresentation studeras formella ontologier för att strukturera kunskap om objekt, relationer och egenskaper inom specifika domäner.

Centrala förmågor: resonemang, planering och beslutsfattande

Ett centralt mål inom AI är att simulera mänskligt resonemang och problemlösning. Tidiga forskare utvecklade algoritmer som imiterade steg-för-steg-resonemang som människor använder vid logiska slutledningar, men dessa algoritmer drabbades ofta av en kombinatorisk explosion och blev exponentiellt långsammare när problemen växte. Under senare delen av 1980- och 1990-talet utvecklades metoder för att hantera osäker eller ofullständig information med hjälp av sannolikhetsteori och ekonomiska begrepp. År 2024 framträdde resonemangsmodeller, en typ av stor språkmodell tränad att generera mellanliggande tankekedjor, vilket förbättrade prestandan på komplexa matematik- och kodningsproblem, även om dessa modeller fortfarande kan producera felaktiga utdata eller hallucinationer. Inom planering och beslutsfattande definieras en intelligent agent som vilken entitet som helst som uppfattar och vidtar åtgärder i världen, med målet att maximera sin förväntade nytta baserat på sina preferenser. I klassisk planering känner agenten exakt till effekten av varje handling, medan i de flesta verkliga problem är situationen ofullständigt observerbar och icke-deterministisk, vilket kräver probabilistiska gissningar och kontinuerlig omvärdering. Forskning inom detta område inkluderar även invers förstärkningsinlärning för att lära sig agenters preferenser och informationsvärdesteori för att väga värdet av experimentella handlingar.

Tillämpningar, etik och framtidsutsikter

Tillämpningsområdena för AI är mycket breda och innefattar bland annat avancerade webbsökmotorer, chattbotar, virtuella assistenter, autonoma fordon, spelanalys i strategispel som schack och Go, samt generering av text, bilder, ljud och video. Specifika användningsområden är maskinöversättning, röststyrning, ansiktsigenkänning och autonoma vapensystem. Som vetenskapsfält är artificiell intelligens tvärvetenskapligt och kombinerar discipliner som datavetenskap, matematik, psykologi, lingvistik, filosofi och neurovetenskap. Den snabba utvecklingen har väckt etiska frågor och diskussioner om AI-säkerhet, oavsiktliga konsekvenser, miljöpåverkan från träning av stora modeller, potentiella existentiella risker och behovet av reglering. Det traditionella långsiktiga målet för vissa forskare och företag som OpenAI och Google DeepMind är att skapa artificiell generell intelligens (AGI), AI som kan utföra nästan vilken kognitiv uppgift som helst minst lika bra som en människa. AGI, superintelligens (ASI) och artificiellt medvetande förblir dock hypotetiska mål. Mycket av den moderna utvecklingen bygger på empiriska skalningslagar som visar att modellers prestanda förbättras på ett förutsägbart sätt med mer beräkningskraft och data, en princip som hänger samman med Den bittra läxan formulerad av Richard Sutton, som slår fast att generella inlärningsmetoder som skalar med datakraft i längden alltid vinner över metoder baserade på inbyggd mänsklig kunskap.

Vanliga frågor om Artificiell intelligens

Vad är artificiell intelligens (AI) och vad ingår i fältet?

Artificiell intelligens är ett akademiskt studieområde och en samling tekniker som syftar till att ge datorprogram och robotar förmågor som förknippas med mänsklig och djurlik intelligens. Dessa förmågor inkluderar att lära sig av tidigare erfarenheter, förstå naturligt språk, lösa problem, planera sekvenser av handlingar och generalisera. Fältet definieras också som studiet och utformningen av intelligenta agenter, system som uppfattar sin omgivning och vidtar åtgärder för att maximera chansen att uppnå sina mål. AI är tvärvetenskapligt och kombinerar discipliner som datavetenskap, matematik, psykologi, lingvistik, filosofi och neurovetenskap. Inom forskningen ryms flera delområden och metoder, från historiska expertsystem och symbolisk AI till moderna tekniker som maskininlärning, djupinlärning, stora språkmodeller och generativ AI.

Vem myntade termen 'artificiell intelligens' och när etablerades fältet?

Termen artificiell intelligens myntades av datavetaren John McCarthy. Fältet etablerades formellt som ett akademiskt disciplin vid en konferens på Dartmouth College sommaren 1956. Denna konferens samlade pionjärer som John McCarthy, Marvin Minsky, Claude Shannon och Allen Newell, som kom att leda AI-forskningen under de kommande decennierna. Vid denna tid var optimismen stor och de första framstegen, som datorer som lärde sig spela dam och lösa algebraproblem, var häpnadsväckande. McCarthy definierade själva ämnet som vetenskapen och tekniken att skapa intelligenta maskiner. Idéerna bakom AI går dock längre tillbaka, till Alan Turings inflytelserika artikel från 1950 som ställde frågan Kan maskiner tänka?, och till den formella logikens utveckling sedan antiken.

Vad är en AI-vinter och vilka orsakade de historiska AI-vintrarna?

En AI-vinter är en historisk term för en period av kraftigt minskat intresse och finansiering för AI-forskning, en term som myntades 1984 av American Association for Artificial Intelligence i analogi med en atomvinter. Den första stora AI-vintern inträffade mellan 1974 och 1980, orsakad av att den enorma optimismen från 1960-talet kolliderade med tekniska verkligheter. Forskningsprojekt stötte på svåra hinder som den kombinatoriska explosionen i problemlösning och den extremt begränsade beräkningskraften vid den tiden, vilket ledde till att finansiärer som DARPA drog tillbaka anslag. I Storbritannien ledde den kritiska Lighthill-rapporten 1973 till att nästan all statlig AI-forskning ströps. Den andra AI-vintern varade från 1987 till 1993 och utlöstes främst av att marknaden för specialbyggda Lisp-maskiner kollapsade 1987, samtidigt som industrin insåg att expertsystem var dyra och oflexibla. Dessa perioder gjorde termen AI närmast tabu i forskningssammanhang.

Vad är skillnaden mellan svag AI, AGI och symbolisk AI?

Svag AI, eller applikationsspecifik AI, avser system som är designade och tränade för att utföra en specifik uppgift eller ett begränsat set av uppgifter, som bildigenkänning, schackspelande eller språköversättning. De flesta nuvarande AI-system är exempel på svag AI. Artificiell generell intelligens (AGI) är ett hypotetiskt och långsiktigt mål för forskningen, som avser ett system med en allmän kognitiv förmåga som minst matchar en människas, vilket innebär att det kan lära sig och utföra en bred vid av intellektuella uppgifter. Symbolisk AI, även kallad GOFAI (Good Old-Fashioned AI), är en historisk metod som dominerade fram till slutet av 1980-talet och bygger på att förse datorn med explicita regler och logiska symboler för att representera kunskap, i motsats till moderna maskininlärningsmetoder som lär sig mönster direkt från data. Expertsystem är ett exempel på tillämpning av symbolisk AI.

Vilka är några viktiga genombrott och milstolpar i AI:s historia?

AI-historien är fylld av viktiga genombrott som markerat fältets framsteg. År 1997 blev Deep Blue den första datorn att besegra en regerande schackvärldsmästare, Garry Kasparov. År 2011 besegrade IBM:s Watson-system stormästarna i frågesporten Jeopardy! genom att bearbeta naturligt språk. Ett annat stort genombrott kom 2016 när AlphaGo, ett system baserat på djupinlärning och neurala nätverk, besegrade världsmästaren Lee Sedol i det komplexa brädspelet Go. Under 2010-talet lade forskare som Geoffrey Hinton, Yann LeCun och Yoshua Bengio grunden för djupinlärning som drastiskt förbättrade bild- och röstigenkänning. Början av 2020-talet präglades av ett paradigmskifte med generativ AI och stora språkmodeller som ChatGPT, byggda på transformer-arkitekturen från 2017, vilka kunde generera människoliknande text. Parallellt utvecklades diffusionsmodeller för att skapa bilder från textbeskrivningar.

Vad är stora språkmodeller (LLM) och hur tränas de för att bli säkra?

Stora språkmodeller (LLM) är en typ av AI-modell, vanligtvis baserad på transformer-arkitekturen, som tränas på enorma mängder textdata från miljontals böcker och miljardtals webbsidor. Modellens grundläggande uppgift under träningen är att förutsäga nästa ord i en sekvens, och genom att göra detta miljardtals gånger lär den sig språkets mönster, grammatik, fakta och till och med vissa former av resonemang. När den är tränad kan den användas för att generera text, svara på frågor, översätta språk och skriva kod. För att göra dessa kraftfulla modeller användbara och säkra som interaktiva chattbotar används en teknik som kallas RLHF (Reinforcement Learning from Human Feedback). Denna teknik innebär att mänskliga granskare under en finjusteringsfas betygsätter modellens svar, vilket lär modellen att prioritera svar som människor uppfattar som hjälpsamma, korrekta och ofarliga. Denna process var helt avgörande för den breda allmänhetens acceptans av moderna AI-verktyg som ChatGPT.

Källor: Wikipedia (sv), Wikipedia (en). Senast uppdaterad 2026-10-17.