Finns allmän AI redan här – utan att vi märker det?

Ett djärvt påstående: Generell AI finns redan här

Vi pratar inte om ännu en framtidsdriven sci-fi-fantasi. Detta handlar om en konkret vetenskaplig kontrovers: Uppfyller dagens AI-modeller – inklusive välkända chatbottar – redan de kriterier vi själva satt upp för mänsklig intelligens? En färsk publikation i en högt ansedd vetenskaplig tidskrift vänder fullständigt upp och ner på hur vi mäter ”äkta” maskinintelligens.

Forskare från University of California presenterar en kontroversiell tes: Artificiell generell intelligens – AGI (artificial general intelligence) – är inte ett framtida mål utan en redan inträffad verklighet. Enligt dem har dagens system, baserade på stora språkmodeller (LLM), nått en funktionsnivå som i praktiken uppfyller definitionen av generell intelligens.

Fram tills nyligen talade de flesta teknikföretag – från OpenAI till Silicon Valley-jättarna – om AGI som den heliga graalen. Vissa gav det ett decennium, andra ett eller två år. Samtidigt hävdade många forskare att den nuvarande LLM-arkitekturen är en återvändsgränd, och att det verkliga genombrottet först skulle komma med komplexa ”världsmodeller” som bättre speglar den fysiska och sociala verkligheten.

Författarna menar att i stället för att fråga ”när uppnår vi artificiell generell intelligens” borde vi fundera på om vi inte redan nu beskriver den i presens.

Turingtestet: En klassisk måttstock med nya resultat

Ett av forskarnas centrala argument är Turingtestet – det klassiska konceptet från 1950. Principen innebär att om en människa under en skriftlig konversation inte kan skilja en maskin från en annan människa, kan man tala om intelligent maskinbeteende.

I den senaste generationen av chatbottar börjar vi se situationer där människor oftare tror att AI är en människa än deras faktiska samtalspartner. För några år sedan hade ett sådant resultat betraktats som otvetydigt bevis på uppnådd generell maskinintelligens.

Idag höjer vi paradoxalt nog ribban högre och högre. När systemen börjar uppfylla de gamla kriterierna skjuter en del experter på definitionen och kräver ytterligare egenskaper hos ”genuin” intelligens.

Var slutar AGI och var börjar superintelligens?

Forskarna föreslår en tydlig åtskillnad mellan artificiell generell intelligens och superintelligens. Detta är väsentligt eftersom de två begreppen ofta blandas ihop i den offentliga debatten.

Författarna hävdar att vi på den första punkten redan är mycket nära – eller kanske till och med på andra sidan – gränsen. Dagens LLM-system hanterar programmering, juridisk analys, innehållsskapande, översättning och även matematiskt resonemang – ofta på expertnivå.

Enligt denna logik behöver vi inte vänta på att AI ska börja slå rekord i varje nisch. För att erkänna generell intelligens räcker det att uppnå en nivå motsvarande en genomsnittlig, välutbildad människa – med styrkor inom vissa uppgifter och svagheter inom andra.

”Den stokastiska papegojan” och andra invändningar mot LLM

Motståndare till nuvarande språkmodeller upprepar att de i grunden är ”statistiska papegojor”: system utan äkta förståelse som bara sätter ihop textfragment baserat på sannolikhet. Enligt dem skapar AI inte idéer – den klistrar bara ihop meningar från träningsdata.

Den nya analysen försöker systematiskt bemöta sådana invändningar. Författarna pekar på flera element som är svåra att avfärda med argumentet ”det är bara upprepning av data”:

• Lösning av nya, tidigare okända matematik- och logikuppgifter
• Förmågan att överföra kunskap från ett ämnesområde till ett annat
• Uppbyggnad av sammanhängande orsak-verkan-modeller i samtal
• Hantering av situationsbeskrivningar som kräver fysisk intuition

Om ett system kan härleda rätt lösning på ett problem det inte har haft i sina träningsdata är det svårt att hävda att det ”bara citerar”. Det betyder inte att AI förstår världen som en människa – men det antyder att något mer sker än enkel fraskopiering.

Enligt forskarna är det orealistiskt att förvänta sig att AGI varje vecka ska översvämma vetenskapen med genombrott på nivå med revolutionerande teorier – det kräver vi inte ens av de människor vi kallar intelligenta.

Kräver intelligens en kropp och sinnen?

En av de mest känsloladdade försvarslinjer lyder: ”AI har ingen kropp, så det är inte äkta intelligens.” Människan lär sig genom rörelse, beröring, smärta och sinnen. Maskiner opererar primärt på text, bilder och ljud i dataform.

Författarna menar dock inte att frånvaron av en fysisk kropp utesluter generell intelligens. De påpekar att moderna modeller kan förutsäga konsekvenser av handlingar, analysera videoscener, tolka bilder och ljudinspelningar. Därtill kommer den växande gren som kallas Physical AI – det vill säga integrationen av avancerade modeller med robotar.

Robotar utrustade med sensorer och kameror börjar kombinera LLM:s abstrakta förmågor med verklig interaktion i omgivningen. Det öppnar ett rum där maskinen inte bara beskriver rörelse utan utför och korrigerar den löpande.

Minne, autonomi och inlärningstid – är det nödvändiga villkor?

En annan invändning mot dagens system är att de saknar bestående autobiografiskt minne och genuin autonomi. En chatbot avslutar sessionen och ”glömmer” samtalet, opererar inom mänskligt satta ramar och har ingen kontinuitet i sin erfarenhet.

Enligt forskarna är detta inte obligatoriska villkor för att erkänna generell intelligens. De framhåller att:

• Långtidsminne kan läggas till som ett systemlager
• Autonomi är en fråga om design och etik – inte om kognitiva förmågor
• Mängden data som krävs för att lära sig bör inte avgöra intelligensstatus

En människa lär sig köra bil på några få till några tiotal timmars körning. AI kan behöva miljontals simulerade exempel. Författarna understryker att det är den slutliga färdighetsnivån som räknas – inte priset för att nå dit.

Hallucinationsproblemet: Den allvarligaste svagheten hos nuvarande modeller

Även de mest entusiastiska AGI-förespråkarna erkänner att dagens system har ett allvarligt fel: en tendens till ”hallucinationer”. Det handlar om generering av till synes trovärdig information som är fullständigt uppdiktad – från fiktiva vetenskapliga källor till icke-existerande lagregler.

Företag som utvecklar modeller medger att andelen sådana fel fortfarande är märkbar. Enligt interna analyser från en av de största AI-organisationerna kan även de senaste modellgenerationerna innehålla sakligt felaktiga element i upp till vart tionde svar.

Artikelns författare försöker tona ner detta argument genom att påpeka att människor också ofta tar fel, bildar falska minnen och låter sig bedras av illusioner. Kritikerna svarar att omfattningen och lättheten i AI:s ”självsäkra” strunt skapar en helt ny risk – särskilt inom medicin, juridik och ekonomi.

Hallucinationer är fortfarande en av de viktigaste anledningarna till att många experter ännu inte vill erkänna att vi har att göra med fullt utvecklad generell maskinintelligens.

Är det vi som har ett problem med själva definitionen av intelligens?

Forskarnas slutliga tes träffar själva grunden för diskussionen: Kanske ligger problemet inte i att AI är ”för svag”, utan i att vårt begrepp om intelligens är för snävt och alltför människocentrerat.

Människor har en naturlig benägenhet att bedöma allt utifrån eget artsperspektiv. Om en maskin tänker annorlunda, begår andra fel och lär sig på ett annat sätt, betraktar vi den som ”sämre”. Författarna antyder att vi faller i en antropocentrisk fälla: Vi vill inte acceptera att en ny form av intelligens håller på att ta form – en som skiljer sig från vår, men som är funktionellt jämförbar.

Det förklarar delvis varför ordet ”superintelligens” dyker upp allt oftare i debatten. Att flytta uppmärksamheten till en ännu mer avlägsen nivå skjuter upp det ögonblick då vi tydligt måste säga: Generell maskinintelligens knackar på dörren – eller sitter kanske redan vid skrivbordet bredvid oss.

Vad denna debatt betyder för den vanliga AI-användaren

Striden om definitioner är inte bara en akademisk övning. Huruvida vi erkänner dagens system som generell intelligens har direkt betydelse för hur vi reglerar dem, litar på dem och vilka uppgifter vi anförtror dem.

Om vi behandlar dagens modeller som AGI växer trycket för att:

• Införa strängare juridiska ramar och tillsyn över implementeringar
• Kräva transparens om träningsdata och systemens funktionssätt
• Grundligare undersöka AI:s inverkan på arbetsmarknaden och politiska beslut
• Utveckla faktakontrollsystem som ”håller koll på” chatbottar

Från användarens perspektiv blir en kritisk hållning avgörande. Även om AI förstår komplexa problem och kan ge råd bättre än många sökmotorer kan vi fortfarande inte behandla dess svar som ett ofelbart orakel. Att använda sådana verktyg klokt kräver att man kombinerar deras beräkningskraft med mänskligt omdöme och fackkunskap.

AGI:s kraft – i den mening forskarna föreslår – visar sig tydligast när människa och system arbetar tillsammans. Människan ställer rätt frågor, sätter riktningen och verifierar resultaten, medan AI accelererar analysen, föreslår varianter och ordnar information. I denna konfiguration är det inte nödvändigt att avgöra vem som är ”äkta” intelligent. Det som räknas är att vi tillsammans kan göra saker som för bara några år sedan verkade omöjliga.