Tænk, hvis computere var lige så kreative og samarbejdsorienterede som mennesker.
Ved at arbejde sammen med en kreativ computerintelligens ville man for eksempel kunne skabe et smukt kunstværk på kun få timer.
Men selvom kunstig intelligens hele tiden forbedres, er denne drøm stadig langt fra at blive en realitet.
Det har nemlig vist sig langt nemmere at lære computerprogrammer at spille skak end at få dem til hjælpe os med at komponere symfonier.
Kunstig intelligens boomer pga. ny teknik - 'deep learning'
Kunstig intelligens, på engelsk 'Artificial Intelligence' (AI), befinder sig midt i et boom.
Virksomheder som Google og Facebook opkøber AI-startups i stor stil i håbet om at bruge dem til at sælge flere annoncer og forbedre søgninger. Google købte en startup ved navn 'Deep Mind' for en halv milliard dollars, mens Uber for nylig hyrede 40 forskere fra det amerikanske eliteuniversitet Carnegie Mellon og lagde afdelingen for kunstig intelligens i ruiner.
En af hovedårsagerne til den store interesse er en ny teknik kaldet ’deep learning’ (se faktaboks). Princippet bag denne form for kunstig intelligens er at lære kunstige hjerner at løse opgaver ved hjælp af eksempler på korrekt adfærd.
\ Fakta
Deep learning er en teknik, der anvender kunstig intelligens til at træne simulerede hjerner, der kaldes 'neurale netværk'. Selvom lignende algoritmer har eksisteret længe, er det først for nylig blevet muligt at træne netværk med mange lag af simulerede neuroner, de såkaldte dybe netværk. Hurtigere computere og big data er to faktorer, der har muliggjort deep learning. Du kan læse mere om deep learning i boksen under artiklen.
Deep learning fungerer bedst, når man viser de kunstige hjerner en enorm mængde eksempler, og fordi vi lever i big data-alderen er det som regel ingen hindring. Men selvom deep learning er supereffektivt til mange typer opgaver (som ansigtsgenkendelse på billeder eller talegenkendelse i lydoptagelser), er kreativitet og samarbejde en helt anden sag.
Der findes ingen big data inden for kreativitet, fordi det at være kreativ indebærer at skabe noget nyt. Det er en unik udfordring for kunstig intelligens.
Kan maskiner være kreative?
Computerprogrammer, eller rettere de underliggende algoritmer i dem, er lister af instruktioner, præcis som madopskrifter.
Man kan derfor betvivle, at kreative maskiner overhovedet kan eksistere. En opskrift på kreativitet lyder som en umulighed, for hvordan skulle en opskrift kunne give et nyt resultat, hver gang den gentages?
Det har dog vist sig, at der findes en fantastisk opskrift på kreativitet lige for næsen af os: Tager vi et hurtigt kig ud af vinduet, kan vi se træer, planter og fugle. Alt, der er i live, er et produkt af evolutionen, som i sin kerne er en simpel, kreativ opskrift.
I evolutionen afprøver naturen forskellige varianter af levende væsener, hvoraf kun nogle overlever. Dette princip kalder vi naturlig selektion. Henover mange generationer fører naturlig selektion til besynderlige og forunderlige løsninger på livets udfordringer.
Tag bare bombardierbillen, som afskrækker fjender ved at sprøjte med skoldhed gift, eller mikroberne, der formår at overleve i vulkaner og under den arktiske is.
Reproduktion og naturlig selektion er de bærende elementer i den evolutionære opskrift. Og der er ingen grund til, at disse ingredienser ikke kan programmeres ind i en computer.
Algoritmer er inspireret af menneskelig indlæring
Med denne inspiration in mente designerede forskere i kunstig intelligens de evolutionære algoritmer, programmer der kan opfinde nye løsninger ved at simulere evolution (se faktaboks under artiklen).
Og det er bare toppen af isbjerget – siden har man opfundet mange andre kreative algoritmer, nogle inspireret af menneskelig indlæring, nogle af bestemte kunstneres arbejdsmetoder, og mange algoritmer venter stadig på at blive opfundet.
For nyligt opfandt Kenneth Stanley og Joel Lehman ’novelty search’-algoritmen, som simpelthen leder efter ting, der er forskellige fra det, den tidligere har fundet, som en slags automatisk brainstorming-maskine.
Når den bruges til søge efter måder, hvorpå man kan få robotter til at bevæge sig, vil den søge efter nye robotbevægelser (hvoraf nogle vil være særdeles nyttige).
Og når den bliver sat til at finde nye billeder, skaber den interessante illustrationer (se billedet ovenover).
En mere kreativ kunstig intelligens er under udvikling
Efterhånden som kunstig intelligens bliver bedre til at bearbejde store datamængder, bliver mulighederne for computerbaseret kreativitet også mere interessante.
I disse år vælter det ind med indlæg til den internationale konference for computerkreativitet (ICCC), og moderne computerspil bruger i stigende grad kreative algoritmer til at udvikle nye levels, figurer eller endda kunstige blomster (se billedet ovenfor).
De nye teknikker er efterhånden blevet et konkurrenceparameter for kommercielle spil. For eksempel venter mange i spænding på spillet No Man’s Sky, der udkommer i juni, hvori man kan udforske et enormt computergenereret univers fyldt med planeter, der bebos af unikke væsener.
Udvikling af automatisk generet indhold i spil, på fagsprog 'Procedural Content Generation', er et felt, hvor dansk forskning rykker.
Forskere fra IT-Universitetet, Aalborg Universitet og New York University har sammen skrevet den første undervisningsbog inden for forskningsfeltet, og danske forskere udvikler hele tiden nye tilgange, blandt andet spil, der er fuldstændig computerskabte, og spil, der bruger data fra Wikipedia og andre store, offentlige databaser.
Vi kan få ny insigt i den menneskelige kreativitet
Hvis vi kaster et blik uden for spilverdenen, er computere nu i stand til at komponere musik på egen hånd og kreere spændende malerier. Eksempelvis har forskere fra Google udviklet Deep Dream, som får en kunstig hjerne til at hallucinere og skabe surrealistiske, psykedeliske motiver.
Andre har udviklet programmer, der kan male hvilket som helst billede i en bestemt kunstners stilart, så man let kan forvandle sin selfie til et Van Gogh-lignende motiv.
De kreative algoritmer har endda indtaget verdensrummet – på en af sine satellitter anvender NASA en radioantenne, udviklet af en evolutionær algoritme, simpelthen fordi den fungerer bedre end menneskeskabte antenner (se billedet nedenfor).
En interessant bonus ved forskningen i kreative maskiner er, at vi kan få ny indsigt i den menneskelige kreativitet og innovation, som ellers ofte er omhyllet af ærbødighed og mystik. For eksempel blev den tyske datalog Jürgen Schmidthuber inspireret til at udvikle en ny teori om kreativitet og sjov gennem sit arbejde med at designe opfindsomme robotter.
Den populærvidenskabelige bog Why Greatness Cannot be Planned er ligeledes inspireret af forskning i kreative algoritmer.
Computere kan fremme menneskelig kreativitet
Nogle forskere arbejder med at designe maskiner, der kan hjælpe os til at blive mere kreative. Selv hvis man ikke er god til at tegne, kan man udpege billeder, man synes er flotte og spændende.
Ved på den måde at sætte mennesker i centrum for en evolutionær algoritme, kan vi fremavle kunst eller objekter, der bliver stadigt bedre, akkurat som vi avler hunde og heste.
Andre algoritmer kan hjælpe spildesignere med at fylde nye levels med detaljer samt gøre dem spilbare og tilstrækkeligt udfordrende.
Computere kan altså både hjælpe os med at løfte opgaver, vi ellers ikke kunne udføre, og med finde at på ideer, der kan skubbe kreativiteten i en ny retning.
En lysere fremtid
Terminator-filmen viste os en misforstået fremtidsvision, hvor en amok-løben kunstig intelligens forsøger at udslette menneskeheden. Men en kreativ og samarbejdsvillig kunstig intelligens kan vise vejen til en noget lysere fremtid.
Ved at samarbejde kan mennesker og kreative maskiner opnå meget mere, end nogen af dem kunne gøre selv. Den fintfølende menneskelige intuition komplementerer computernes tunge regnekraft, og samarbejdet kan frigøre tid til, at vi mennesker kan gøre det, vi er bedst til.
Håbet er naturligvis, at en stærk kunstig intelligens ikke fører til en science fiction-dystopi, men derimod til et lykkeligt og produktivt samarbejde mellem menneske og maskine.
\ Deep learning
Den mest populære metode til at træne dybe netværk er superviseret læring, hvor man anvender en stor samling eksempler på korrekt adfærd. Hvis man for eksempel vil træne dybe netværk til at genkende genstande på billeder, må man finde millioner af billeder af genstandene, og mærke hvert billede efter hvad det forestiller.
En træningsalgoritme fodrer derefter det dybe netværk med eksempler, et efter et, og netværket mærker billederne efter hvad det tror, de forestiller. Hvis netværket tager fejl og sætter et forkert mærke på et billede, vil træningsalgoritmen puffe det i den rigtige retning ved at lave små ændringer i forbindelserne mellem neuronerne.
Deep learning har sat mange rekorder i problemløsningsforsøg og vakt stor interesse hos virksomheder, men er ikke let at benytte til kreative opgaver.
Forskere fra Google udviklet Deep Dream, som får en kunstig hjerne til at hallucinere og skabe surrealistiske, psykedeliske motiver. (Foto: Dion Hinchcliffe)
\ Evolutionære algoritmer
Evolutionære algoritmer er computerprogrammer, der simulerer evolution i en computer. De kan blandt andet bruges til at udvikle computerskabt kunst som fx billeder eller musik.
Præcis som den biologiske evolution bruger DNA som en slags opskrift på organismer, benytter evolutionære algoritmer kunstig DNA i form af en række bits (1’er og 0’er) til at repræsentere, hvordan man skaber et produkt, fx et billede eller en sang. Man sætter algoritmen i gang med en tilfældig samling kunstig DNA.
Derefter tester man kvaliteten af det, den enkelte kunstige DNA producerer. For eksempel kan et menneske bedømme en sang på, hvor godt hun synes om den, eller en computer kan bedømme hvilke billeder, der er mest forskellige fra billeder, den før har skabt
Endelig kopierer man de bedste eksemplarer, hvilket svarer til evolutionens princip om, at den stærkeste overlever. Men i stedet for at producere nøjagtige kopier, ændrer man med vilje et par tilfældige bits (for eksempel bytter et 0 ud med et 1), som en biologisk mutation. Ideen med det er, at nogle af disse 'fejl' faktisk vil vise sig at forbedre originalen.
Ved at skabe varianter af den bedste kunstige DNA gentagne gange kan algoritmen automatisk lære og skabe nye ting, sommetider i samarbejde med mennesker.
