Vad är AI?

Artificiell intelligens är datorsystem som utför uppgifter som vi tidigare trott krävde mänsklig intelligens - att förstå språk, känna igen bilder, dra slutsatser och fatta beslut.

Den här sidan ger en grundläggande karta över området. Läs vidare om AI:s historia och om vart utvecklingen är på väg.

Ett brett begrepp

“AI” används om väldigt olika saker. Ett schackprogram från 1990-talet, filtret som sorterar bort skräppost, rekommendationerna i Spotify och en chattbot som skriver uppsatser kallas alla AI. Det som förenar dem är att de löser uppgifter som inte går att beskriva med en enkel, fast regel.

Det är vanligt att skilja mellan:

• Smal AI - system som är bra på en specifik uppgift, till exempel att tolka röntgenbilder eller översätta text. Nästan all AI som används i dag är av det här slaget.
• Generell AI (AGI) - ett hypotetiskt system som klarar i stort sett alla intellektuella uppgifter minst lika bra som en människa. Det finns ingen gemensam definition, och hur nära vi är är en av de stora stridsfrågorna.
• Superintelligens - AI som vida överträffar människor inom nästan alla områden.

Två huvudspår: regler och inlärning

Den tidiga AI-forskningen byggde främst på symbolisk AI: människor skrev regler och logik som datorn följde (“om patienten har feber och utslag, överväg mässling”). Det fungerade i avgränsade miljöer, men verkligheten visade sig ha för många undantag för att fånga i regler.

Dagens AI bygger i stället nästan helt på maskininlärning. I stället för att programmera reglerna låter man systemet hitta mönster själv i stora mängder data.

• Övervakad inlärning - systemet tränas på exempel med facit, till exempel bilder märkta “katt” eller “hund”.
• Oövervakad inlärning - systemet letar efter struktur i data utan facit, till exempel för att gruppera kunder.
• Förstärkningsinlärning - systemet lär sig genom att pröva sig fram och få belöning eller bestraffning. Så lärde sig AlphaGo spela Go på världsnivå.

Neurala nätverk och djupinlärning

Ett neuralt nätverk är en matematisk modell löst inspirerad av hjärnans nervceller. Det består av lager av enkla beräkningsenheter som är kopplade till varandra med “vikter”. Under träningen justeras miljontals eller miljarder vikter så att nätverkets svar blir allt bättre.

Djupinlärning (deep learning) betyder neurala nätverk med många lager. Genombrottet kom runt 2012, när tre saker sammanföll: stora datamängder från internet, kraftfulla grafikprocessorer (GPU:er) och förbättrade träningsmetoder. Sedan dess har djupinlärning tagit över bildigenkänning, taligenkänning, översättning och mycket mer.

Språkmodeller och generativ AI

De system som de flesta i dag menar med AI, som ChatGPT, Claude och Gemini, är stora språkmodeller (large language models, LLM). De bygger på en nätverksarkitektur som kallas transformer och som presenterades av forskare på Google 2017.

Grundprincipen är förvånansvärt enkel: modellen tränas på enorma mängder text för att förutsäga nästa ord (egentligen nästa “token”, en ordbit). För att bli riktigt bra på det måste modellen i praktiken lära sig grammatik, fakta, resonemang och stil. Därefter finjusteras den, ofta med mänsklig återkoppling, för att bli en hjälpsam assistent.

Generativ AI är samlingsnamnet för AI som skapar nytt innehåll: text, bilder, musik, video och kod.

På senare år har två utvecklingar varit särskilt viktiga:

• Resonerande modeller som “tänker” i flera steg innan de svarar, vilket gör dem betydligt bättre på matematik, programmering och komplexa problem.
• AI-agenter som inte bara svarar på frågor utan utför uppgifter: söker på webben, skriver och kör kod, fyller i formulär och arbetar självständigt i längre stunder.

Vad AI är bra och dåligt på

AI-system kan i dag skriva, sammanfatta, översätta, programmera, analysera bilder och lösa svåra problem på en nivå som för tio år sedan verkade avlägsen. Samtidigt har de tydliga svagheter:

• Hallucinationer - språkmodeller kan hitta på fakta, källor och citat och framföra dem med full säkerhet. Kontrollera alltid viktiga uppgifter.
• Ojämn förmåga - en modell kan lösa ett avancerat matematiskt problem och samtidigt misslyckas med något som verkar enkelt.
• Fördomar i data - modeller lär sig av data skapad av människor och kan återspegla skevheter i den.
• Begränsad insyn - det är svårt att förklara exakt varför ett neuralt nätverk ger ett visst svar. Forskningsfältet som försöker ändra på det kallas tolkningsbarhet (interpretability).

AI i Sverige

Sverige har en aktiv AI-miljö med både forskning, offentliga satsningar och företag:

• WASP (Wallenberg AI, Autonomous Systems and Software Program), som startade 2015 och finansieras främst av Knut och Alice Wallenbergs Stiftelse, är Sveriges största enskilda forskningsprogram inom området.
• AI Sweden är det nationella centret för tillämpad AI, med partner från näringsliv, offentlig sektor och akademi. Där har man bland annat tagit fram GPT-SW3, en språkmodell tränad för svenska och andra nordiska språk.
• Superdatorn Berzelius vid Linköpings universitet, en donation från Wallenbergstiftelsen, används för AI-forskning.
• Svenska företag som Spotify, Klarna, Lovable och Legora använder eller bygger AI i kärnan av sina produkter.
• Som EU-land omfattas Sverige av EU:s AI-förordning (AI Act), världens första breda lagstiftning om AI, som trädde i kraft 2024 och börjar gälla stegvis.

Och så har Sverige en unik roll genom Nobelpriset: 2024 gick både fysikpriset (John Hopfield och Geoffrey Hinton) och kemipriset (bland andra Demis Hassabis och John Jumper för AlphaFold) till AI-relaterad forskning.

Ordlista