Frykten for en robotapokalypse skjuler de virkelige problemene vi står overfor, slik at algoritmer kan styre livene våre. Ifølge eksperter innen kunstig intelligens beveger vi oss stadig mot et bestemt punkt, hvoretter vi ikke lenger trenger å oppfinne noe: kunstig intelligens vil gjøre alt for seg selv, og maskiner vil eksponentielt forbedres. Hvis dette skjer, hva vil bli av oss?
I løpet av de siste årene har mange fremtredende forskere, fra Stephen Hawking til Elon Musk, advart oss om at vi skal være ekstremt bekymret for de mulige farlige resultatene av superintelligent kunstig intelligens. Og de støtter ordene sine med handling: Musk patroniserer OpenAI, en organisasjon som utvikler AI som vil være til fordel for menneskeheten.
Mange anser imidlertid frykten sin for overdrevet. Som Andrew Ng fra Stanford University, som også er sjefforsker for den kinesiske internettgiganten Baidu, bemerker, er det å bekymre seg for et maskinopprør som å bekymre seg for at Mars er overfylt.
Men dette betyr selvfølgelig ikke at vår voksende avhengighet av AI ikke medfører noen reelle risikoer. Faktisk er disse risikoene allerede her. Etter hvert som intelligente systemer blir mer involvert i alt fra helsetjenester til strafferettslige forhold, er det en fare for at viktige deler av livene våre blir oversett.
Videre kan AI føre til ubehagelige konsekvenser hvis vi ikke er forberedt på dem, for eksempel forandre vår holdning til leger til sterkt fiendtlig.
Kampanjevideo:
To ord om kunstig intelligens
Enkelt sagt er dette maskiner som gjør ting som vanligvis krever mental innsats fra en persons side: forstå det naturlige språket, gjenkjenne ansikter på fotografier, kjøre biler og så videre.
Det er en forskjell mellom en mekanisk manipulator på en produksjonslinje, som er programmert til å utføre den samme oppgaven, og en manipulator, som uavhengig lærer å utføre forskjellige oppgaver gjennom prøving og feiling.
Hvordan hjelper AI oss?
Den ledende tilnærmingen i AI i dag er maskinlæring, der programmer blir trent til å identifisere visse mønstre i store datamengder, for eksempel å identifisere et ansikt i et bilde eller gjøre et vinnende trekk i brettspillet. Denne metoden kan brukes på en lang rekke problemer. For eksempel trene datamaskiner for å identifisere et bestemt mønster i medisinske bilder. DeepMind, et kunstig intelligensfirma eid av Google, utvikler programvare som lærer å diagnostisere kreft og øyesykdommer fra pasientskanninger. Andre bruker maskinlæring for å oppdage tidlige tegn på hjertesykdom og Alzheimers.
Kunstig intelligens blir også allerede brukt til å analysere store mengder molekylær informasjon på jakt etter potensielle nye medikamentalternativer - en prosess som er ekstremt tidkrevende for mennesker. Svært snart kan maskinlæring bli uunnværlig for medisin.
Kunstig intelligens hjelper oss også med å administrere ekstremt komplekse systemer som den globale forsyningskjeden. Systemet i hjertet av Port Botany containerterminal i Sydney administrerer titusenvis av containere, en flåte med automatiserte biler og så videre, helt uten mennesker. I gruveindustrien blir optimaliseringssystemer i økende grad brukt til å planlegge og koordinere bevegelse av ressurser som jernmalm.
AI fungerer overalt hvor du ser, fra økonomi til transport, for å fly fly og overvåke aksjemarkedet. Og de beskytter e-posten din mot spam. Men dette er bare begynnelsen. Etter hvert som AI utvikler seg, vil det bli mer og mer komplekst og interessant.
Hva er problemet?
I stedet for å bekymre seg for en fremtidig AI-revolusjon, er den største risikoen at vi kan sette for mye tillit til de intelligente systemene vi bygger. Husk at maskinlæring trener programvare for å identifisere mønstre i data. Etter trening fortsetter den til analyse av ferske, ennå ikke studerte data. Men når en datamaskin spytter ut et svar, aner vi vanligvis ikke hvordan det kom til det.
Det er åpenbare problemer her. Et system er bare like bra som dataene det lærer av. Ta et system som er opplært for å finne ut hvilke pasienter med lungebetennelse som mest sannsynlig vil dø, slik at de først blir innlagt på sykehuset. La oss si at hun utilsiktet klassifiserer pasienter med bronkialastma som pasienter med lav risiko. Fordi mennesker med astma og lungebetennelse normalt går direkte til intensivbehandling, slik at de får behandling som reduserer risikoen for død. Maskinlæring ser på dette som "astma + lungebetennelse = lavere risiko for død."
Når AI får tilgang til alle områder av livet ditt, øker risikoen for at noe vil gå galt - hvis ikke forutsett. Og siden de fleste dataene vi leverer til AI er ufullkomne, bør vi i de fleste tilfeller ikke forvente perfekte svar. Vi bygger kunstig intelligens i vårt eget bilde og likhet; mest sannsynlig vil han være "ikke veldig", som oss.
ILYA KHEL
