Finns AGI redan här utan att vi har märkt det?

Ett växande antal forskare hävdar att den gräns vi väntat på så länge kanske redan har överskridits – tyst och stilla, utan någon större fanfar.

Under åratal betraktades artificiell generell intelligens som något avlägset och nästan mytiskt. Nu antyder en grupp forskare att det vi såg som ”framtiden” möjligen redan blivit nutid – vi beskriver det bara fortfarande med gamla definitioner och snäva förväntningar.

Den nya tesen: AGI finns redan här, vi definierar den bara fel

I en uppmärksammad publikation från ett välrenommerat vetenskapligt tidskrift framför ett forskarteam från University of California en djärv påstående: artificiell generell intelligens (AGI, från engelska Artificial General Intelligence) har redan uppnåtts. Enligt dem uppfyller moderna modeller – som avancerade chatbottar baserade på stora språkmodeller (LLM) – de praktiska kriterierna för intelligens på mänsklig nivå.

AGI förstås normalt som en AI som kan hantera väldigt olika uppgifter över många domäner – åtminstone på nivån med en genomsnittlig person och i vissa sammanhang på expertnivå. Enligt författarna är det precis vad som redan händer: dessa system skriver kod, sammanfattar vetenskaplig forskning, utarbetar affärsstrategier, löser fysikuppgifter och hjälper till med medicinsk diagnostik.

Det provocerande förslaget lyder så här: problemet är inte att AI inte har ”mognat” nog till våra förväntningar – utan att våra kriterier för intelligens uteslutande är byggda för människor.

Turingtestet: en gräns som för länge sedan överskridits

Under decennier var Turingtestet den klassiska måttstocken i diskussioner om maskiners intelligens. Alan Turing föreslog det 1950: om en människa inte kan avgöra huruvida den i en textkonversation kommunicerar med en människa eller en maskin, kan man tala om intelligens på mänsklig nivå.

Nutidens chatbottar klarar regelbundet olika varianter av detta test. I vissa undersökningar tar användare oftare en språkmodell för att vara en människa än en riktig samtalspartner. Om vi höll fast vid det gamla kriteriet skulle saken vara enkel – maskinernas generella intelligens finns redan här. Men under tiden har vi bara löpande höjt ribban.

Författarna framhäver en paradox: förr skulle själva Turingtestet vara tillräckligt bevis för intelligens. Idag, när AI börjat klara det, har vi snabbt beslutat att det inte räcker – och lägger till löpande nya krav, ofta utan tydliga motiveringar.

AGI kontra superintelligens – vi blandar ihop två olika mål

I den offentliga debatten blandas två begrepp ofta samman: artificiell generell intelligens och superintelligens. Det är ett misstag som i hög grad påverkar våra förväntningar.

Författarna menar att AGI bör jämföras med det verkliga spektrumet av mänskliga förmågor – inte med en ”idealisk människa”. Ingen är expert på allt. Vi har alla våra blinda fläckar, fördomar och logiska felslut. En AI som kan utföra ett brett spann av uppgifter på specialistnivå inom många fält uppfyller enligt deras uppfattning kriterierna för generell intelligens – även om den inte är ofelbar.

Superintelligens är en helt annan storhet – och fortfarande något som hör framtiden till. Det är inte nödvändigt för att tala om AGI. När vi blandar ihop de två begreppen skjuter vi konstant generell intelligens ut i det oändliga, eftersom vi förväntar oss nästan gudomliga förmågor.

”Statistisk papegoja”? Tio populära invändningar under lupp

I debatten om LLM återkommer uttrycket ”statistisk papegoja” regelbundet – det antyder att modellen bara upprepar mönster från träningsdata utan verklig förståelse. Teamet från University of California har analyserat tio av de vanligaste argumenten mot att erkänna AGI och försöker demontera dem.

• Lösning av nya uppgifter: Modellerna klarar problem inom matematik och fysik som inte förekommer ordagrant i träningsdatan.
• Överföring av kunskap: De kan flytta kunskaper över domäner – till exempel tillämpa ett koncept från programmering i planeringen av ett experiment.
• Förståelse av konsekvenser: De beskriver följderna av handlingar i fysiska omgivningar och förklarar vad som kommer att hända i olika scenarier.

För författarna är detta bevis på att vi inte har att göra med enkel ”kopiera-klistra-in på steroider”, utan med system som bygger upp inre representationer av samband – även om deras ”tänkande” ser annorlunda ut än människors.

Om en människa med motsvarande prestationsnivå i tester och uppgifter skulle kallas ”intelligent” – varför skärper vi då plötsligt kraven när det handlar om AI?

AI utan kropp, men med tillgång till verkligheten

En vanlig invändning lyder: äkta intelligens kräver en kropp, sinnen och direkt kontakt med världen. Språkmodeller har faktiskt ingen fysisk kropp, men vi kopplar dem i allt högre grad till kameror, mikrofoner och robotar. Det uppstår system som samtidigt analyserar text, bilder, ljud och video.

Forskarna påpekar att intelligens inte behöver vara ”förkroppsligad” i traditionell bemärkelse för att komma till uttryck i effektivt resonemang. En människa som är blind från födseln utvecklar ändå rika föreställningar om rum och handling – även om kunskapskanalerna är annorlunda. En AI-modell som tränas på enorma datamängder om världen uppnår också en form av indirekt ”erfarenhetskontakt”.

Samtidigt utvecklas robottekniken. Begreppet ”Physical AI” – maskiner som kombinerar språkmodeller med fysiska kroppar – är inte längre science fiction. Det är ett nästa steg som kan föra maskinernas intelligens ännu närmare det vi intuitivt förstår i vardagen.

Minne, autonomi, inlärningstid – är det verkligen nödvändiga villkor?

Många kritiker insisterar på att man utan varaktigt autobiografiskt minne eller full handlingsautonomi inte kan tala om AGI. Författarna av det vetenskapliga inlägget håller inte med.

För det första har inte varje människa ett sammanhängande, detaljerat minne om sitt eget liv – och det fråntar dem inte deras intelligens. För det andra fungerar AI ofta som ett verktyg inom ramar som fastställts av programmerare och användare. Kravet på full autonomi som villkor för intelligens är enligt forskarna godtyckligt.

En annan invändning handlar om inlärningskostnader: AI behöver gigantiska datamängder, medan människor lär sig många saker utifrån bara några få exempel. Det stämmer – men författarna uppmanar till att se på slutresultatet framför processen. Om ett system efter intensiv ”träning” kan fungera brett och effektivt bör skillnaden i tillvägagångssättet inte diskvalificera det som intelligent.

AI-hallucinationer jämfört med mänskliga fel

Det mest ömtåliga ämnet är hallucinationer – situationer där en modell med full övertygelse producerar falsk information: icke-existerande källor, påhittade fakta, fabricerade citat. Författarna erkänner att problemet finns, men hävdar att omfattningen krymper med varje ny generation av modeller.

Uppgifterna är dock inte entydiga. Vissa oberoende undersökningar tyder på att hallucinationsfrekvensen i bestämda uppgifter förblir hög – och ibland till och med ökar när vi ber om allt mer komplexa analyser. Även OpenAI bedömer att ungefär ett av tio svar i nästa generations modeller fortfarande kommer att innehålla ett allvarligt faktafel.

Skillnaden mellan AI och människor handlar inte om vem som tar fel och vem som inte gör det – utan om felens karaktär och sättet de kontrolleras på.

Människor är heller inte felfria. Vi lider av minnesillusioner, upprepar obekräftad information och faller i psykologiska fällor. När AI tar fel är felet dock mer synligt, mätbart och bättre undersökt. I praktiken betyder det att AI-system kräver lager av kontroll, verifiering och ansvarsfull implementering – särskilt inom hälsa, juridik och ekonomi.

Förbiser vi ny intelligens på grund av vår egen antropocentrism?

Kärntanken i texten från Nature är rätt obehaglig: kanske vill vi inte erkänna att det uppstått en ny form av intelligens, eftersom vi älskar vår egen likhet alldeles för högt. Det passar oss helt enkelt inte att något utan ett människoansikte, en kropp eller känslor i den välkända formen kunde vara ”lika intelligent” som oss.

Sådan antropocentrism har praktiska konsekvenser. Om vi ihållande fasthåller att AGI ”ännu inte kommit” är det lättare att bagatellisera de verkliga effekterna av nutidens system: påverkan på arbetsmarknaden, utbildningen, informationssäkerheten och politiken. Det är också lättare att odla föreställningen om superintelligens som något nästan mytiskt som någon gång ”plötsligt kommer att dyka upp” – i stället för att märka den gradvisa förskjutningen av gränser här och nu.

Det är inte slumpmässigt att vissa teknikledare som Mark Zuckerberg i allt högre grad använder begreppet ”superintelligens”. Det ger en känsla av att de verkliga utmaningarna ännu inte har anlänt, och att det vi har idag fortfarande bara är ”avancerade verktyg”. Ändå kan dessa verktyg redan organisera kunskap i en skala som en enskild människa bara kan drömma om.

Vad betyder det i praktiken för vanliga användare?

Om vi accepterar att AGI i praktisk bemärkelse redan existerar förändras flera saker på en gång. För det första slutar vi betrakta AI som en kuriositet och börjar se den som en samarbetspartner. En som verkligen kan avlasta oss – och också stärka oss – till exempel:

• I kontorsarbetet – genom att automatisera rapporter, presentationer och dataanalyser.
• I utbildningen – genom att personalisera inlärningstempo och förklara svåra begrepp på ett enklare språk.
• Inom medicinen – genom att hjälpa till med analys av bilder eller dokumentation och peka på möjliga scenarier.
• I kreativt arbete – genom att generera skisser, idéer och innehållsvarianter som människor sedan förfinar.

För det andra växer vikten av ämnen som reglering, ansvar för fel, modelltransparens och påverkan på sysselsättningen. Det är svårare att säga ”det är bara en algoritm som föreslår något” när algoritmen verkligen matchar eller överträffar experter på många uppgifter.

Slutligen är det värt att tillägna sig några praktiska vanor: alltid kontrollera centrala fakta, behandla AI:s svar som en hypotes framför en uppenbarad sanning, och medvetet sätta gränser för tillit – olika i kreativa uppgifter och annorlunda i juridiska eller hälsorelaterade sammanhang.

En ny definition av intelligens – en utmaning för kommande år

Den debatt som texten i Nature utlöst kommer inte att sluta snabbt. Den berör något mycket djupgående: hur vi överhuvudtaget förstår intelligens. Är det en uppsättning förmågor som kan mätas med tester? Eller är det snarare förmågan att anpassa sig, lösa nya problem och lära av misstag – oavsett ”bäraren”, vare sig det är en hjärna, kisel eller något helt tredje?

I takt med AI:s utveckling kan det visa sig att vi behöver flera parallella definitioner: en för forskningsändamål, en för juridisk reglering och ytterligare en för vardagliga samtal. Liksom vi har olika begrepp om hälsa – biologisk, psykologisk och social – kan maskinernas intelligens också undandra sig en enkel beskrivning.

För den vanliga användaren blir något annat avgörande: att lära sig samexistera med dessa system, utnyttja deras styrkor och skydda sig mot svagheterna. Utan att vänta på den dag då någon officiellt förklarar ”AGI:s ankomst” – för den dagen har kanske redan passerat, utan att någon klippt bandet.