Hvad er kunstig intelligens (AI) egentlig?

»Kunstig intelligens er videnskaben og ingeniørkunsten at lave intelligente maskiner, særligt intelligente computerprogrammer.«

Således forsøgte John McCarthy, den kunstige intelligens’ fader, at definere begrebet for 60 år siden. Definitionen er sådan set stadigt acceptabel i dag, men den forklarer bare ikke særligt meget.

For vi ved ikke helt præcis, hvad intelligens er, og derfor kan vi heller ikke med nogen rimelig præcision sige, hvad det betyder, at en maskine er intelligent.

Følgende kan vi dog sige: Kunstig intelligens handler stort set altid om at få computere og robotter til at gøre ting, som det hidtil kun har været mennesker, der har kunnet – for eksempel at spille skak, køre bil, diagnosticere patienter eller føre en samtale.

Computere skal efterligne mennesker

Når vi gerne vil have computere til at gøre ting, som ellers har været forbeholdt os mennesker, er den naturlige inspirationskilde for programmeringen naturligvis også mennesket.

Det kan foregå ved, at vi forsøger at lave simplificerede matematiske modeller af den slags bevidste, logiske ræsonnementer, mennesker benytter, når de løser en given opgave som eksempelvis at spille skak.

Disse modeller bliver så proppet ind i en computer, så den kan regne på dem. Denne tilgang leder typisk til det, der kaldes symbolsk kunstig intelligens.

Alternativt kan man forsøge at lave simplificerede matematiske modeller af de fundamentale neurologiske processer i den menneskelige hjerne og implementere dem i en computer. Det leder typisk til det, der kaldes subsymbolsk kunstig intelligens.

God regnekraft, dårlig sprogligt

Fælles for de to typer er, at det handler om at lave matematiske modeller, som kan repræsentere og simulere aspekter af menneskelig tænkning – for derigennem at kunne efterligne disse aspekter på en computer.

Det er vigtigt at understrege, at de matematiske modeller af menneskelig tænkning, vi har i dag, allesammen er meget simplificerede i forhold til de processer, der foregår i den menneskelige hjerne.

Selvom moderne computere kan blive verdensmestre i skak eller go eller være bedre end mennesker til at genkende visse typer af mønstre i billeder (for eksempel hudkræft), er de altså meget langt fra at være på et menneskeligt kognitivt niveau.

Ofte kan computere dog kompensere for deres manglende kognitive niveau ved den overvældende beregningskraft, de efterhånden er i besiddelse af. Netop det er en stor del af hemmeligheden bag de seneste års kraftige vækst i kunstig intelligens.

Vi har meget gode matematiske modeller for strategisk ræsonnering (for eksempel til skak) og centrale dele af det visuelle perceptionssystem (for eksempel til billedgenkendelse).

Men vi har indtil videre ret ringe modeller for vores sproglige og sociale intelligens.

Symbolsk kunstig intelligens finder vej

I den symbolske gren af kunstig intelligens forsøger man direkte at skabe simplificerede modeller af nogen af de højeste niveauer af menneskelig tænkning: Vores sproglige, bevidste og logiske tænkning.

De matematiske modeller, man bygger, er i vid udstrækning baseret på diskret matematik. Det vil sige områder som kombinatorik, logik, grafteori, spilteori, algoritmik og meget andet.

Som et meget simpelt eksempel på symbolsk kunstig intelligens kan man tænke på rutefindings-algoritmerne i GPS-systemer og Google Maps. Her er kortet repræsenteret som en graf, hvor kryds er punkter og vejafsnit er kanter (se figur 1).

At finde den korteste (eller 'bedste') rute fra eksempelvis Skælskør til Slagelse handler da blot om at finde den korteste (eller 'bedste') sti mellem de to punkter i grafen, som repræsenterer de to byer.

Metoden er i princippet så simpel, at man kan diskutere, om den fortjener at blive kaldt for kunstig intelligens.

Algoritmer til rutefinding er dog alligevel standard-pensum i kurser i kunstig intelligens, og algoritmerne bruges ikke kun til rutefinding på kort, men også rutefinding for computerstyrede karakterer i computerspil og til mere generel planlægning af robotters handlinger og bevægelser.

Robuste systemer – men ikke lærenemme

Noget af det, der er karakteristisk ved symbolsk kunstig intelligens, er, at de modeller, man bygger, er det, man kalder eksplicitte.

Hvis man for eksempel skal konstruere en skakcomputer med symbolsk kunstig intelligens, vil man have de mulige tilstande i spillet eksplicit repræsenteret i computeren, og reglerne vil også være eksplicit beskrevet, for eksempel på en logisk form.

Det betyder, at det med symbolsk kunstig intelligens er relativt let at få indsigt i, hvordan computeren 'tænker', og det er relativt let at modificere dens adfærd (for eksempel at justere den til at kunne spille andre spil).

Intelligente personlige assistenter som Siri på iPhone, Amazon Alexa og Google Home er også baseret på symbolsk kunstig intelligens, på nær talegenkendelsen (tale-til-tekst konvertering).

Symbolsk kunstig intelligens har typisk den fordel, at den kan gøres robust og forudsigelig, og man vil også kunne give garantier for dens adfærd. Man kan for eksempel matematisk bevise, om en given rutefindings-algoritme altid finder den korteste rute eller ej.

Ulempen ved symbolsk kunstig intelligens er så til gengæld, at de systemer, man bygger, typisk har nøje afgrænsede evner og typisk ikke lærer af deres erfaringer.

Subsymbolsk kender forskel på dyr

Hvor den symbolske kunstige intelligens direkte forsøger at efterligne de højeste niveauer af menneskelig tænkning, har subsymbolsk kunstig intelligens den diametralt modsatte tilgang.

Her prøver man i stedet at bygge intelligens op nedefra igennem modeller af de mest fundamentale processer i den menneskelige hjerne.

Det klassiske eksempel er kunstige neurale netværk, som er en simplificeret model af de atomare, neurologiske processer i den menneskelige hjerne. Det vil altså sige, at man forsøger direkte at efterligne den måde, den menneskelige hjerne virker på.

Den matematik, man bruger til subsymbolsk kunstig intelligens, er typisk lineær algebra og differentialligninger.

Kunstige neurale netværk er efterhånden ret effektive til at efterligne en lang række aspekter af menneskelig perception som genkendelse af billeder og lyd.

Det kan være sådan noget som at kunne kende forskel på billeder af hunde og katte eller kunne høre forskel på, om nogen siger 'tirsdag' eller 'torsdag'.

Kunstige neurale netværk bliver ikke eksplicit programmeret med forskellen mellem hunde og katte, men bliver trænet på en masse billeder af hunde og katte, hvor de får at vide, hvad der er hvad.

Det ville være temmelig meget op ad bakke at skulle bruge symbolske metoder til at kende forskel på hunde og katte, da det ville kræve, at vi programmerede computeren med en eksplicit, symbolsk karakterisering af forskellen mellem de to dyr.

Omvendt er vi også stadig afhængige af symbolske teknikker til at kunne simulere kognitive processer på højere niveau, som for eksempel logisk ræsonnering eller planlægning.

Kan subsymbolsk intelligens se en zebra?

Vi nævnte tidligere, at de matematiske modeller benyttet i symbolsk kunstig intelligens er eksplicitte: Vi opbygger eksplicitte, symbolske modeller af det domæne, vi ønsker at modellere.

I subsymbolsk kunstig intelligens er de implicitte. Vi kan ikke umiddelbart inspicere et neuralt netværk, som kan kende forskel på heste, zebraer og muldyr og så finde ud af, præcis hvad klassificeringen er baseret på. Klassificeringen er opnået gennem træning og er udelukkende repræsenteret implicit.

Det har følgende konsekvenser: Modsat symbolsk kunstig intelligens kan vi ikke i subsymbolsk kunstig intelligens give garantier for adfærd; vi kan for eksempel ikke bevise, om et neuralt netværk altid vil kategorisere zebraer korrekt.

Neurale netværk kan aldrig være 100 procent fejlfri og robuste. Symbolske og subsymbolske teknikker har dermed hver deres styrker og svagheder, ligesom de også har hver deres anvendelsesområder.

Hvilken skal skyde kanonkuglen afsted?

Man kan give følgende analogi omkring forskellen mellem symbolsk og subsymbolsk kunstig intelligens:

Forestil dig, at du ønsker at forudsige, hvor langt en kanonkugle vil flyve afhængigt af parametre som vinkel på kanonrøret, størrelse af ladning og vindforhold.

En mulig metode til at forsøge at udregne rækkevidden af kanonkuglen kan da være at opstille en bevægelsesligning baseret på mekanikkens love og så regne på den ligning.

Det vil være en eksplicit modellering i stil med symbolsk kunstig intelligens: Vi har en eksplicit, symbolsk model for det fænomen, vi studerer, og når vi skal lave forudsigelser, så regner vi på denne eksplicitte model.

En anden mulig metode kunne være at observere et stort antal kanonaffyringer under forskellige forhold og så prøve at blive i stand til at lave præcise forudsigelser uden først at skulle forsøge at opstille eller forstå mekanikkens love på symbolsk form.

Det svarer lidt til, hvordan vi som børn lærer at kaste en bold præcist. For at kunne ramme præcist bliver vi nødt til at have en model af, hvordan bolden bevæger sig (i hvert fald af hvor langt den vil bevæge sig), men det betyder jo ikke, at vi løser symbolske bevægelsesligninger i hovedet. Det betyder blot, at vi har fået opbygget en tilstrækkeligt præcis implicit model.

Det er det samme, der sker i neurale netværk

Robotten Pepper forstår dig

Vi har brug for at arbejde med både symbolsk og subsymbolsk kunstig intelligens, hvis vi ønsker en fleksibel, letflydende og robust interaktion med fremtidens robotter, computere og smartphones.

Vi er godt på vej allerede, og en af de vigtigste områder lige nu er at efterligne menneskers 'Theory of Mind' i kunstig intelligens – det vil sige vores evne til at sætte os i andres sted.

I skrivende stund eksperimenterer vi på DTU med at få robotter af typen Pepper (se billedet) til at bestå opgaver, som kræver social perspektivtagning, og noget der ligner Theory of Mind.

Vi arbejder også med scenarier indenfor eksempelvis hospitalsrobotter og husholdningsrobotter, hvor der er mange eksempler på, at det kræver en evne til at modellere andres intentioner, tanker og viden for at kunne agere på en socialt acceptabel måde.

Dette er en redigeret udgave af en artikel bragt i Kvant – Tidsskrift for Fysik og Astronomi.