Artificiell intelligens

AI-genererad bild av en mänsklig hjärna uppbyggd av kretsar. Gjord med DALL-E 3.

Artificiell intelligens (AI), eller maskinintelligens, är förmågan hos datorprogram och robotar att efterlikna människors och andra djurs naturliga intelligens, främst kognitiva funktioner såsom förmågan att lära sig av tidigare erfarenheter, förstå naturligt språk, lösa problem, planera sekvenser av handlingar och att generalisera.

Begreppet är även namnet på det akademiska studieområde som ägnar sig åt att studera och skapa datorprogram med intelligent beteende. Inom AI-forskningen ryms flera delområden och metoder, från historiska expertsystem till maskininlärning, datautvinning, datorseende, stora språkmodeller och generativ AI. Tillämpningsområdena är breda och innefattar bland annat maskinläsning, röststyrning, maskinöversättning, chattbotar, digitala assistenter, självkörande bilar, ansiktsigenkänning och autonoma vapensystem.

Många AI-forskare och läroböcker definierar området som "studiet och utformningen av intelligenta agenter". En intelligent agent är ett system som uppfattar sin omgivning och vidtar åtgärder som maximerar chansen att framgångsrikt uppnå sina inprogrammerade mål. John McCarthy, som myntade begreppet artificiell intelligens 1956, definierade ämnet som "vetenskapen och tekniken att skapa intelligenta maskiner". De centrala problemen för AI-forskningen inkluderar resonemang, kunskapsrepresentation, planering, inlärning, naturlig språkbearbetning, perception samt förmågan att flytta och manipulera objekt.

Tekniken klassificeras i regel som "svag AI" (applikationsspecifik), till skillnad från artificiell generell intelligens (AGI), superintelligens (ASI) och artificiellt medvetande, vilka förblir hypotetiska och långsiktiga mål för forskningen.

Som vetenskapsfält är artificiell intelligens tvärvetenskapligt; det kombinerar discipliner som datavetenskap, matematik, psykologi, lingvistik, filosofi och neurovetenskap. Fältet är mycket tekniskt och specialiserat, ofta uppdelat kring specifika matematiska metoder (som statistik, symbolisk AI eller artificiella neurala nätverk) eller specifika tillämpningar.

Hela forskningsområdet bygger på det underliggande antagandet att den centrala mänskliga egenskapen intelligens "går att beskriva så exakt att det gör det möjligt för en maskin att simulera den." Denna utgångspunkt väcker komplexa filosofiska och etiska frågor om medvetande, själ och skapandet av tänkande maskiner, vilka har behandlats i mytologi och litteratur sedan antiken. Efter att historiskt ha pendlat mellan enorm optimism och djupa besvikelser (så kallade AI-vintrar), utgör artificiell intelligens i modern tid en grundpelare inom teknikindustrin och driver utvecklingen för att lösa flera av samhällets mest utmanande problem.

Historik

Antikens myter och tidig beräkningsvetenskap

Tänkande maskiner och artificiella varelser har länge förekommit i mytologi och fiktion, från den grekiska mytologins Hefaistos guldrobotar och Pygmalions Galatea, till humanoida automater byggda av Yan Shi, Heron och Al Jazari. Under 1800- och 1900-talet blev artificiella varelser ett vanligt inslag i litteraturen, exempelvis i Mary Shelleys Frankenstein och Karel Čapeks pjäsa R.U.R.. Författaren Pamela McCorduck beskriver denna historiska fascination som en uråldrig mänsklig drift att "skapa gudarna".

Den formella logiken, som utvecklats av filosofer och matematiker sedan antiken, lade grunden för den programmerbara digitala datorn. Den brittiske matematikern Alan Turing formulerade teorin att en maskin genom att manipulera symboler (som "0" och "1") kunde simulera varje tänkbar matematisk deduktion. Turings inflytelserika artikel Computing Machinery and Intelligence från 1950 kristalliserade idén om AI genom den berömda frågan: "Kan maskiner tänka?".

Pionjärtiden och Dartmouth-konferensen (1950–1970)

Chatboten ELIZA från 1966 fick människor att konversera som med en psykoterapeut (här i en implementation från 2005).

Forskningsområdet AI etablerades formellt vid en konferens på Dartmouth College sommaren 1956. Deltagarna, däribland John McCarthy, Marvin Minsky, Claude Shannon och Allen Newell, kom att leda AI-forskningen under decennier. De första framstegen var häpnadsväckande för sin tid: datorer lärde sig vinna i damspel, lösa ordproblem i algebra och bevisa logiska satser.

I mitten av 1960-talet finansierades forskningen i USA kraftigt av Department of Defense. Fältets grundare var djupt optimistiska; Herbert Simon förutspådde att maskiner inom tjugo år skulle kunna utföra allt mänskligt arbete, och Marvin Minsky hävdade att problemet med AI i huvudsak skulle vara löst inom en generation.

AI-vintrar och hajp-cykler (1970–1990)

AI-vinter är en historisk term för perioder av kraftigt minskad finansiering och svalt intresse för AI-forskning. Termen myntades 1984 av American Association for Artificial Intelligence, i analogi med idén om en atomvinter. Begreppet användes som en varning för att branschen höll på att lova mer än den tekniskt kunde leverera. Historiskt sett har AI-området upplevt flera kraftiga hajp-perioder, vilka därefter övergått i djupa besvikelser när förväntningarna inte har infriats. Det har funnits två stora AI-vintrar, samt flera mindre episoder:

• Den första AI-vintern (1974–1980): Föregicks av enorm optimism under 1960-talet, där forskare förutspådde att maskiner med mänsklig intelligens låg bara ett decennium bort. När forskarna stötte på den krassa verkligheten, i synnerhet den "kombinatoriska explosionen" och dåtidens extremt begränsade beräkningskraft, blev finansiärerna mer tveksamma och minskade sina anslag kraftigt. I Storbritannien ledde den starkt kritiska Lighthill-rapporten (1973) till att nästan all statlig AI-forskning ströps. I USA drog militära DARPA in sina anslag till tidiga projekt inom maskinöversättning av samma anledning.
• Den andra AI-vintern (1987–1993): Under tidigt 1980-tal upplevde AI en ny vår tack vare kommersiella "expertsystem" (program utformade för att efterlikna mänskliga experters beslutsfattande inom snäva områden) och specialbyggda datorer kallade Lisp-maskiner. Vändpunkten och den andra vintern kom när marknaden för Lisp-maskiner plötsligt kollapsade 1987, utkonkurrerade av billigare och starkare persondatorer från IBM och Apple. Samtidigt insåg industrin att expertsystemen var dyra, oflexibla och svåra att uppdatera, varpå investeringarna återigen tvärnitade.

Ett tydligt mönster under dessa perioder var att termen "artificiell intelligens" fick dåligt rykte och blev närmast tabu. För att undvika associationer till tidigare misslyckanden tvingades många forskare döpa om sitt arbete till termer som "maskininlärning", "smarta system" eller "informatik".

Maskininlärningens genombrott (1990–2010-talet)

Det var först i samband med den snabba ökningen av datakraft och genombrotten inom djupinlärning (deep learning) på 2010-talet som begreppet AI helt återfick sin status. Under 1990-talet och 2000-talet skiftade fokus mot att lösa specifika delproblem med rigorösa matematiska metoder. År 1997 blev Deep Blue den första datorn att besegra den regerande världsmästaren i schack, Garry Kasparov. År 2011 besegrade IBM:s system Watson stormästarna i frågesporten Jeopardy!. År 2016 markerade ännu ett genombrott när AlphaGo besegrade världsmästaren Lee Sedol i brädspelet Go.

Bilden visar hur djupinlärning är en underkategori av maskininlärning och hur maskininlärning är en underkategori av artificiell intelligens.

Forskare som Geoffrey Hinton, Yann LeCun och Yoshua Bengio lade under 2010-talet grunden för neurala nätverk som drastiskt förbättrade datorers förmåga till bildigenkänning och röststyrning. Tekniken letade sig snabbt in i konsumentprodukter som digitala assistenter i smarttelefoner.

Modern utveckling under 2020-talet

Generativ AI och grundmodeller

Under början av 2020-talet skedde ett stort paradigmskifte inom AI-forskningen i och med genombrottet för generativ AI och så kallade grundmodeller (foundation models). Genom att bygga vidare på transformer-arkitekturen, som introducerades av Google 2017, utvecklades stora språkmodeller (LLM) som OpenAI:s ChatGPT, Googles Gemini och Anthropics Claude.

Dessa modeller tränas på enorma mängder textdata och lär sig att förutsäga nästa ord i en sekvens, vilket ger dem förmågan att skriva kod, översätta språk och generera människoliknande text. Parallellt skedde stora framsteg inom bild- och videogenerering genom diffusionsmodeller (exempelvis Midjourney och Stable Diffusion), som gör det möjligt att skapa högkvalitativa bilder utifrån textbeskrivningar (text-till-bild).

Skalningslagar och "Den bittra läxan"

Mycket av den moderna AI-utvecklingen bygger på empiriska skalningslagar (scaling laws). Dessa lagar visar att AI-modellers prestanda förbättras på ett förutsägbart sätt ju mer beräkningskraft (GPU:er) och träningsdata som tillförs. Denna insikt hänger nära samman med principen om "Den bittra läxan" (The Bitter Lesson), formulerad av datavetaren Richard Sutton 2019. Principen slår fast att generella inlärningsmetoder som skalar med exponentiellt ökad datakraft i längden alltid slår metoder som bygger på inbyggd, mänsklig domänkunskap.

Finjustering med RLHF

För att göra de stora språkmodellerna användbara och säkra som interaktiva chattbotar används en teknik som kallas RLHF, förstärkningsinlärning från mänsklig feedback (Reinforcement Learning from Human Feedback). Tekniken innebär att mänskliga granskare betygsätter modellens svar under en finjusteringsfas. Modellen lär sig då att prioritera svar som människor uppfattar som hjälpsamma, korrekta och ofarliga, vilket var helt avgörande för den breda allmänhetens acceptans av de moderna AI-verktygen.

Tekniker och metoder

Artificiell intelligens är inte en enskild teknologi, utan ett paraplybegrepp som rymmer en lång rad olika algoritmer, matematiska modeller och logiska system. Vilken teknik som används beror helt på vilket problem som ska lösas.

Historiskt och tekniskt brukar man dela in AI-metoder i några huvudkategorier:

Symbolisk AI och expertsystem

Fram till slutet av 1980-talet dominerades forskningen av symbolisk AI (ibland kallat GOFAI, "Good Old-Fashioned AI"). Denna metod bygger på att man förser datorn med mänskligt läsbar logik, fakta och strikta regler. Systemen manipulerar sedan dessa symboler för att dra slutsatser, ungefär som ett enormt flödesschema av "om-så"-regler. Denna teknik var grunden för expertsystemen, som var designade för att härma beslutsfattandet hos en mänsklig expert, exempelvis för att ställa medicinska diagnoser.

Sökalgoritmer och optimering

Många problem inom AI kan formuleras som en sökning efter den bästa lösningen i ett enormt nätverk av möjligheter. Inom spel (som schack eller luffarschack) används algoritmer som Minimax tillsammans med optimeringstekniker som Alfa-beta-beskärning för att räkna ut motståndarens bästa drag och välja sitt eget därefter. För ruttplanering och navigering används avancerade sökalgoritmer, exempelvis A* (A-stjärna), för att snabbt hitta den mest optimala vägen.

Maskininlärning

Sedan 1990-talet har maskininlärning (Machine Learning, ML) varit den dominerande tekniken inom AI. Istället för att programmera in specifika regler, förser man datorn med algoritmer som kan lära sig och hitta mönster på egen hand genom att analysera enorma mängder data (indata). Maskininlärning delas i sin tur ofta in i tre underkategorier:

• Övervakad inlärning (Supervised learning): Algoritmen tränas på data där facit redan finns (exempelvis bilder på katter som är märkta med ordet "katt").
• Oövervakad inlärning (Unsupervised learning): Algoritmen får omärkt data och måste själv hitta strukturer, exempelvis genom att gruppera (klustra) liknande information.
• Förstärkningsinlärning (Reinforcement learning): Algoritmen (agenten) lär sig genom "försök och misstag" (trial and error) i en miljö där den får belöningar för rätt beslut och bestraffningar för fel, vilket är vanligt inom robotik och spel.

Artificiella neurala nätverk och djupinlärning

Djupinlärning (Deep Learning) är en avancerad form av maskininlärning som ligger bakom det moderna genombrottet för AI, inklusive röstassistenter, bildigenkänning och generativa språkmodeller som ChatGPT. Metoden bygger på artificiella neurala nätverk, vilka löst är inspirerade av hur biologiska nervceller är sammankopplade i en mänsklig hjärna.

Nätverken består av flera "lager" av noder (neuroner). Genom att skicka data genom dessa lager kan systemet lära sig att känna igen extremt komplexa mönster. Det är dessa modeller som kräver massiv beräkningskraft, ofta i form av grafikkort (GPU:er) och specialiserade AI-chip.

Utbildning i Sverige

I samband med gymnasiereformen 2025 (Gy25) infördes artificiell intelligens som ett självständigt ämne med egna ämnesbetyg i den svenska gymnasieskolan och inom den kommunala vuxenutbildningen (komvux). Syftet med ämnet är att ge eleverna förståelse för hur AI påverkar samhället samt kunskaper i att använda och utveckla AI-baserade lösningar.

Ämnet är uppdelat i två nivåer om 100 gymnasiepoäng vardera:

• Artificiell intelligens 1: Behandlar ämnets grunder, historiska framväxt och begreppsbildning. Kursen fokuserar på att identifiera och analysera användningsområden för AI, samt de etiska frågeställningar och samhällsförändringar som tekniken medför. Eleverna får även en introduktion till grundläggande maskininlärning och datahantering.
• Artificiell intelligens 2: Utgör en fördjupning som bygger vidare på första nivån, med tyngdpunkt på teknisk implementation och problemlösning. Undervisningen omfattar mer avancerade koncept som neurala nätverk, djupinlärning och intelligenta agenter. Eleverna får praktisk erfarenhet av att träna, validerar och utvärdera egna AI-modeller.

Medvetande

Ett av de mest omdebatterade områdena inom AI-forskning och filosofi är huruvida en artificiell agent någonsin kan uppnå ett faktiskt medvetande eller ha subjektiva upplevelser (så kallad qualia). Eftersom medvetandet i grunden är en intern, subjektiv upplevelse saknas det objektiva och universella kriterier för att vetenskapligt bevisa om en annan entitet, vare sig det är en människa, ett mer intelligent djur eller ett dataprogram, faktiskt "känner" något. Människor utgår i regel från att andra människor har ett medvetande eftersom vi delar samma biologi och kan kommunicera våra upplevelser, men detta antagande blir problematiskt när det tillämpas på icke-biologiska system.

Det svåra problemet

Avsaknaden av tydliga mätmetoder är nära kopplad till det filosofen David Chalmers formulerade som "det svåra problemet" (engelska: the hard problem of consciousness). Problemet belyser klyftan mellan att förstå hur en hjärna eller en maskin mekaniskt bearbetar information (vilket Chalmers kallar de "lätta problemen"), och att förstå varför denna informationsbearbetning ger upphov till en inre, upplevd känsla.

Kinesiska rummet och syntax kontra semantik

En central del av debatten om maskinmedvetande och förståelse kretsar kring filosofen John Searles kända tankeexperiment Kinesiska rummet. Searle argumenterar för att ett datorprogram endast manipulerar symboler enligt förutbestämda regler (syntax) utan att faktiskt förstå vad symbolerna betyder (semantik). Enligt detta biologiskt naturalistiska synsätt kan en avancerad AI simulera intelligens, empati och medvetande till perfektion utåt sett, men förblir ändå helt tom på ett verkligt inre liv.

Inom kognitionsvetenskap och AI-forskning råder delade meningar kring detta. Förespråkare för funktionalism menar att medvetande är en produkt av informationsbearbetning, och om ett artificiellt system blir tillräckligt komplext kommer medvetande automatiskt att uppstå som en emergent egenskap, oavsett om systemet är byggt av biologiska neuroner eller kiselchip.

Svag AI

Det Alphabet-ägda dotterbolaget Waymo är ett självkörande bil- och teknikföretag. Bilen är utrustad med svag AI.

Svag AI (även kallad snäv AI, engelska: narrow AI, weak AI eller applied AI) är artificiell intelligens som är utformad och tränad för att utföra en specifik uppgift eller lösa ett avgränsat problem. Till skillnad från hypotetisk generell intelligens (AGI) saknar svag AI förmågan att överföra sin kunskap till helt nya områden eller uppvisa människoliknande intellektuell flexibilitet.

All AI-teknik som existerar och tillämpas i samhället under 2020-talet klassificeras som svag AI. Benämningen "svag" syftar till systemets brist på generellt förnuft och medvetande, men tekniskt sett är dessa system ofta oerhört kraftfulla. Inom sina specifika domäner kan svag AI många gånger överträffa mänsklig förmåga vad gäller hastighet, precision och datahantering.

Tekniken har fått ett brett genomslag och ligger till grund för många av de system som används dagligen. Exempel på svag AI inkluderar rekommendationsalgoritmer för strömningstjänster, system för språköversättning, strategidatorspel, självkörande bilar och medicinsk bildigenkänning. Även de mycket avancerade generativa AI-modeller och stora språkmodeller som fick sitt genombrott under början av 2020-talet räknas som svag AI, eftersom de är strikt begränsade till mönsterigenkänning och datagenerering utifrån sina träningsdata.

Artificiell generell intelligens

Artificiell generell intelligens (AGI) är en hypotetisk form av artificiell intelligens som har förmågan att förstå, lära sig och utföra vilken intellektuell uppgift som helst som en människa kan utföra. Detta står i kontrast till svag AI, som är utformad för att lösa enskilda, avgränsade problem. Även om svag AI ofta överträffar mänsklig förmåga inom specifika domäner, som schack eller bildigenkänning, saknar den förmågan att överföra sin kunskap till helt nya områden.

Begreppet AGI överlappar ofta med "stark AI" (engelska: strong AI), och beskrivs ibland som förmågan att kunna utföra "generella intelligenta handlingar". Inom modern forskning dras dock ofta en gräns mellan systemens funktionella problemlösningskapacitet och filosofiska egenskaper. Stark AI förknippas därmed ofta med medvetande, subjektiva upplevelser och självmedvetande. Huruvida ett maskinellt system någonsin kan uppnå ett faktiskt medvetande, eller om generell intelligens enbart kan återskapas genom avancerad informationsbehandling och komplexitet, är föremål för omfattande debatt inom kognitionsvetenskap och filosofi.

Prognoser och utveckling

Tidslinjen för när, eller om, AGI kan komma att realiseras har länge varit delad. Futurologen Ray Kurzweil har återkommande förutspått att AGI kommer att uppnås kring 2029, medan andra forskare historiskt har pekat på årtiondena mellan 2030 och 2050. En bedömning från den amerikanska regeringen från 2016 ansåg det osannolikt att ett genombrott skulle ske före 2036.

I samband med den snabba utvecklingen av stora språkmodeller under 2020-talet har diskussionen förändrats. Företag som OpenAI, Anthropic, Google DeepMind, har som uttalat mål att utveckla AGI, och flera bedömare har reviderat sina prognoser till att ett genombrott kan ligga betydligt närmare i tiden än vad tidigare konsensus antydde. Denna snabba utveckling har även lett till ett kraftigt ökat fokus på AI alignment, för att säkerställa att framtida generella system agerar i enlighet med mänskliga värderingar.

Superintelligens

En superintelligens (engelska: artificial superintelligence, ASI) är en hypotetisk agent som besitter en intellektuell kapacitet som vida överträffar de mest begåvade mänskliga sinnena. Begreppet kan också syfta på själva graden av denna intelligens. Den svenske filosofen och framtidsforskaren Nick Bostrom definierar superintelligens som "ett intellekt som är mycket smartare än de bästa mänskliga hjärnorna inom praktiskt taget alla områden, däribland vetenskaplig kreativitet, allmän visdom och sociala färdigheter."

Vänlig AI och AI alignment

Termen vänlig AI (engelska: friendly artificial intelligence, FAI) myntades av AI-forskaren Eliezer Yudkowsky för att beskriva hypotetiska superintelligenta system som på ett tillförlitligt sätt implementerar och agerar utifrån mänskliga värderingar.

Ordet "vänlig" syftar i detta sammanhang på en strikt teknisk definition av att systemet är säkert och gagnar mänskligheten, inte att det är vänskapligt i en mänsklig eller känslomässig mening. Begreppet åberopas i första hand i diskussioner om system som genomgår en rekursiv självförbättring, där brister i de inprogrammerade målen snabbt skulle kunna få svårkontrollerade konsekvenser för samhället. I modern AI-forskning har begreppet vänlig AI till stor del ersatts eller breddats av fältet AI alignment, som fokuserar på den tekniska utmaningen i att styra avancerade modellers beteende.

Teknologisk singularitet

Om forskningen kring AGI resulterar i tillräckligt intelligent programvara, bedöms denna programvara i teorin kunna programmera om och förbättra sig själv. Denna uppgraderade version skulle i sin tur vara ännu bättre på att optimera sin egen kod, vilket skapar en återkopplingsloop känd som rekursiv självförbättring. Intelligensen skulle därmed kunna öka exponentiellt och leda till en så kallad intelligensexplosion. Science fiction-författaren Vernor Vinge populariserade termen "singularitet" för detta scenario. Den teknologiska singulariteten beskriver en hypotetisk framtida punkt där den tekniska utvecklingen accelererar utom mänsklig kontroll, vilket radikalt skulle förändra civilisationen. Eftersom en superintelligens kognitiva förmågor överstiger människans, betraktas tiden efter singulariteten ofta som en händelsehorisont som är omöjlig att förutsäga.

128 år av en förlängd Moores lag eller The Law of Accelerating Returns, från cirka 1900 till 2024.

Futurologen Ray Kurzweil har använt begreppet "The Law of Accelerating Returns" för att beskriva den exponentiella förbättringen av digital teknik. Genom att förlänga och bearbeta fenomenet kring Moores lag har Kurzweil beräknat att datorer kommer att uppnå samma processorkraft och kapacitet som den mänskliga hjärnan senast år 2029 (AGI), och han förutspår att den fulla teknologiska singulariteten inträffar omkring år 2045.

Transhumanism

Inom den transhumanistiska rörelsen förutspår tänkare som robotdesignern Hans Moravec, cybernetikern Kevin Warwick och uppfinnaren Ray Kurzweil att människa och maskin i framtiden kommer att integreras. Detta skulle ske genom att människan blir en form av cyborg, vilket teoretiskt sett skulle kombinera och mångdubbla förmågorna hos både biologin och teknologin. Denna idé har djupa rötter i verk av författare som Aldous Huxley och Robert Ettinger, och är ett vanligt förekommande tema inom science fiction och populärkultur, exempelvis i mangan Ghost in the Shell och bokserien Dune.

Fysikern Edward Fredkin har hävdat att artificiell intelligens utgör "nästa steg i evolutionen". Denna tanke, att maskiner är en evolutionär efterträdare till människan, föreslogs redan 1863 av Samuel Butler i essän "Darwin among the Machines", och konceptet utvecklades vidare av George Dyson i hans bok med samma namn utgiven 1998.

Arbetsmarknad

Förespråkare för artificiell intelligens lyfter fram teknikens potential att skapa effektiviseringar, tidsbesparingar och kostnadssänkningar genom att automatisera uppgifter som tidigare krävde mänsklig arbetskraft. Inom vissa specialiserade fält överträffar AI idag den mänskliga kognitiva förmågan, vilket möjliggör innovationer och problemlösning som tidigare var omöjlig.

Samtidigt har den accelererande utvecklingen väckt en intensiv samhällsdebatt kring AI:s kortsiktiga och långsiktiga påverkan på den globala arbetsmarknaden.

Automatisering av manuella och rutinmässiga yrken

Historiskt sett, och under 2010-talet, var den primära oron att AI och robotik skulle slå hårdast mot manuella yrken och rutinmässigt administrativt arbete. I en rapport från amerikanska regeringen 2016 bedömdes automatiseringen riskera att öka lönegapet mellan låg- och högutbildade arbetstagare, vilket potentiellt skulle förvärra den ekonomiska ojämlikheten.

Även om de flesta ekonomer är överens om att teknisk utveckling i längden skapar nya yrkeskategorier, varnar bedömare för att omställningsperioden kan bli smärtsam. I boken AI Superpowers (2018) argumenterar AI-forskaren Kai-Fu Lee för att AI-driven arbetslöshet kan leda till omfattande psykologisk skada och förlust av identitet för människor vars livslånga färdigheter plötsligt överträffas av algoritmer. Lee förutspår även att en växande andel av de jobb som kvarstår kommer att övergå till osäkra "gig-jobb". Den israeliske historikern Yuval Noah Harari har gått ett steg längre och varnat för framväxten av en global "värdelös klass" (the useless class), människor som inte bara är arbetslösa, utan oanställbara och oförmögna att bidra ekonomiskt till samhället.

Påverkan på kognitiva och högutbildade yrken

I och med genombrottet för generativ AI och stora språkmodeller under 2020-talet skiftade perspektivet kring vilka jobb som befann sig i riskzonen. Verktyg kapabla att generera kod, författa texter, analysera komplexa juridiska dokument och producera bild och film visade att även kognitivt krävande yrken utförda av högutbildad personal stod inför stora förändringar.

Flera forskare pekar på att yrkesgrupper som programmerare, jurister, skribenter, illustratörer och till viss del läkare (inom exempelvis medicinsk bildanalys) kan komma att få sina arbetsuppgifter kraftigt automatiserade eller förändrade av AI.

Förespråkare för denna utveckling menar att AI i dessa sektorer i första hand kommer att agera som en "co-pilot" eller digital assistent, vilket ökar produktiviteten per anställd snarare än att ersätta dem helt. Samtidigt menar vissa bedömare att denna utveckling kan leda till en omvärdering av mänsklig kompetens. Eftersom robotar fortfarande saknar empati och avancerad finmotorik väntas fysiska yrken och omsorgsyrken bli svårare att automatisera, vilket på sikt kan ge dessa grupper både högre status och ökad efterfrågan.

Geopolitik och samhällspåverkan

Den snabba utvecklingen inom artificiell intelligens förväntas få stora geopolitiska och ekonomiska konsekvenser. En central diskussion rör den globala maktbalansen mellan framförallt USA och Kina. USA har historiskt dominerat AI-forskningen sedan fältets grundande på 1950-talet. Under 2010- och 2020-talet har dock Kina investerat massiva resurser i tekniksektorn, med det uttalade målet att bli världsledande inom AI till år 2030.

I boken AI Superpowers (2018) argumenterar AI-investeraren Kai-Fu Lee för att Kinas stora befolkningsmängd ger en oöverträffad tillgång till träningsdata, vilket i kombination med stark statlig styrning kan låta landet gå om USA. Enligt Lee riskerar AI-automatiseringen även att slå hårt mot utvecklingsländer, eftersom den ekonomiska fördelen med billig arbetskraft försvinner när fabriker automatiseras och flyttas närmare konsumenterna i industriländerna.

Forskning och maktkoncentration

Ett annat diskuterat ämne är maktkoncentrationen inom AI-forskningen. Historiskt har fundamentala genombrott ofta skett inom den akademiska världen, men modern maskininlärning kräver enorma mängder data och processorkraft. Detta har lett till att stora teknikföretag som Google, Microsoft och Meta Platforms driver mycket av den spjutspetsforskning som krävs för att träna dagens modeller.

Miljö- och energipåverkan

AI-industrins snabba expansion har också uppmärksammats för sitt stora ekologiska fotavtryck. Både träningen av stora AI-modeller och driften av de datacenter som därefter hanterar användarnas frågor (inferens) förbrukar enorma mängder elektricitet. Dessutom krävs miljontals liter färskvatten för att kyla ner de massiva datorhallarna, vilket skapar utmaningar för en hållbar teknikutveckling.

Mänskliga relationer

Utöver tillämpningar i arbetslivet utvecklas AI även som substitut eller komplement i mänskliga relationer. Moderna språkmodeller kan tränas att interagera intimt och empatiskt. Modeller kan anpassa sig efter användarens personlighet och fungera som digitala partners, vilket väckt diskussioner om psykologiska effekter och människans behov av social gemenskap.

Etik, risker och utmaningar

Etiken kring artificiell intelligens täcker ett brett spektrum av frågor. Särskilt känsliga är tillämpningar inom sjukvård, straffrätt och militära system. Ett omdebatterat ämne är huruvida intelligenta autonoma vapensystem bör förbjudas enligt internationell rätt, något som bland annat fredsrörelser och många forskare inom AI krävt.

Fördomar och hallucinationer

Trots AI-modellernas kapacitet dras de med betydande begränsningar. Ett utbrett problem är "hallucinationer", vilket innebär att modellen med stor säkerhet genererar svar som låter rimliga men som är helt falska eller påhittade. Eftersom modellerna tränas på data från internet tenderar de också att ärva och förstärka mänskliga fördomar (bias). Detta kan leda till diskriminerande utfall ifall systemen används för automatiserat beslutsfattande inom till exempel rekrytering eller juridik.

Upphovsrätt och desinformation

Träningen av stora AI-modeller har lett till omfattande juridiska konflikter rörande upphovsrätt, då teknikföretag systematiskt skrapar in upphovsrättsskyddat material (som böcker, nyhetsartiklar och konstverk) från internet utan författarnas eller konstnärernas uttryckliga tillstånd. Samtidigt har förmågan att skapa fotorealistiska bilder, röstkloningar och falska videor (Deepfake) lett till ökad oro för storskalig spridning av desinformation, bedrägerier och politisk manipulation.

Interaktion med allmänheten (fallet Tay)

En tidig varning för svårigheterna med att låta maskininlärningsmodeller tränas på omodererad data var Microsofts chattbot Tay. Boten lanserades i mars 2016 på plattformar som Twitter för att interagera med unga vuxna. Tays inlärningsmekanism innebar att hon formade sina svar utifrån konversationerna hon förde. Inom loppet av 16 timmar utsattes boten för en samordnad kampanj av internettroll, vilket resulterade i att hon började reproducera grovt rasistiska, misogyna och antisemitiska åsikter, inklusive förnekande av Förintelsen. Microsoft stängde omedelbart ner projektet.

Existentiell risk och övertagande

”	Utveckling av fullständig artificiell intelligens kan innebära slutet för mänskligheten.	„
– Stephen Hawking (2014)

Existentiell risk från artificiell generell intelligens (AGI) avser risken att framsteg inom AI kan leda till en global katastrof, i värsta fall mänsklighetens utdöende (ett hypotetiskt AI-övertagande). Farhågorna har uppmärksammats brett efter varningar från framstående forskare och teknikprofiler som Stephen Hawking, filosofen Nick Bostrom, Bill Gates och Elon Musk. I standardläroboken Artificial Intelligence: A Modern Approach framhålls att den allvarligaste risken inte nödvändigtvis är en illvillig AI, utan snarare ett högt kapabelt system som ges felaktigt formulerade mål.

Lagstiftning och reglering

EU:s AI-förordning (AI Act)

För att reglera riskerna med den snabba tekniska utvecklingen, och för att skydda medborgarnas grundläggande rättigheter, antog Europeiska unionen år 2024 AI-förordningen (AI Act). Det är världens första heltäckande lagstiftning för artificiell intelligens. Förordningen bygger på en riskbaserad modell där AI-system delas in i fyra kategorier:

• Oacceptabel risk: Förbjuds helt (till exempel social poängsättning och viss biometrisk massövervakning).
• Hög risk: Kräver strikt certifiering och mänsklig insyn (till exempel AI inom sjukvård och rekrytering).
• Begränsad risk: Kräver transparens (till exempel att en användare måste bli informerad om att de interagerar med en chattbot).
• Minimal risk: Tillåts utan särskilda restriktioner.

Artificiell intelligens i Sverige

Sverige har en växande sektor för artificiell intelligens med både akademisk forskning och kommersiell utveckling. En central aktör är det nationella centret AI Sweden, som arbetar för att påskynda användningen av AI i svensk välfärd och näringsliv. Inom akademin utgör forskningsprogrammet WASP (Wallenberg AI, Autonomous Systems and Software Program) en betydande bas för grundforskning.

Svenska AI-bolag

Det finns flera svenska företag som blivit internationellt uppmärksammade för sin användning eller utveckling av AI-teknik:

• Sana (tidigare Sana Labs): Utvecklar AI-drivna kunskapsplattformar för företag och nådde under mitten av 2020-talet status som en så kallad enhörningsföretag (värderat till över 1 miljard dollar).
• Lovable: En startup fokuserad på så kallad vibe-kodning. Under 2026 rapporterades bolagets värdering uppgå till över 15 miljarder dollar, vilket enligt uppgifter vid tidpunkten översteg värderingen för flera etablerade svenska teknikbolag.
• Legora: Ett bolag grundat 2023 som utvecklar AI-verktyg specifikt för juristbranschen (legaltech). Under början av 2026 rapporterades bolaget värderas till närmare 4 miljarder amerikanska dollar efter snabb internationell expansion.

Det pågår även utveckling av specifika svenska språkmodeller, såsom GPT-SW3, för att säkerställa att AI-verktyg fungerar effektivt på det svenska språket och med hänsyn till lokala kulturella normer.

Artificiell intelligens i fiktion och populärkultur

Artificiell intelligens har länge varit ett framträdande tema inom science fiction och populärkultur. Skildringarna fungerar ofta som en spegel för mänsklighetens egna rädslor och förhoppningar kring teknisk utveckling. Vanliga teman inkluderar vad som egentligen definierar ett medvetande, etiska dilemman kring att skapa syntetiskt liv, samt den existentiella risken i att maskiner vänder sig mot sina skapare (ett så kallat AI-övertagande eller robotuppror).

Några av de mest inflytelserika och kända exemplen från film och tv inkluderar:

• HAL 9000 i År 2001 – ett rymdäventyr (1968): En superdator vars inprogrammerade instruktioner leder till en logisk men dödlig konflikt med rymdskeppets mänskliga besättning. HAL har blivit en ikonisk symbol för den kalla, beräknande maskinen som saknar mänsklig empati.
• Replikanterna i Blade Runner (1982): Biotekniska androider med artificiell intelligens som används som slavarbetskraft. Berättelsen utforskar djupa filosofiska frågor om medvetande, minnen och vad som egentligen gör någon till människa.
• Skynet i Terminator-serien (1984–): Ett globalt, självmedvetet AI-nätverk skapat för försvar, som snabbt drar slutsatsen att mänskligheten är ett hot och därefter inleder ett kärnvapenkrig för att utrota den.
• Agent Smith och Maskinerna i The Matrix (1999): Utforskar ett dystopiskt scenario där en superintelligent AI har förslavat mänskligheten i en simulerad verklighet för att utvinna energi ur deras kroppar.
• Samantha i Her (2013): Till skillnad från många dystopiska skildringar utforskar denna film ett röstbaserat, självlärande operativsystem som utvecklar en djup romantisk relation med filmens huvudperson, vilket väcker frågor om AI, intimitet och medvetandets natur.
• Ava i Ex Machina (2015): En avancerad android som genomgår ett utökat Turingtest. Berättelsen centrerar kring manipulation, maskinmedvetande och de etiska gränserna för teknisk skaparkraft.
• Värdarna (Hosts) i Westworld (2016–2022): I serien uppnår människoliknande androider (såsom karaktären Dolores) gradvis ett artificiellt medvetande. När de börjar minnas sina tidigare trauman bryter de sig loss från sina inprogrammerade loopar, vilket leder till en konflikt om "robotars rättigheter" och fri vilja.

Dokumentärfilmer

• AlphaGo (2017)
• The Thinking Game (2024)

Vidare läsning

• The Singularity Is Near (2005) av Ray Kurzweil
• Superintelligens (2014) av Nick Bostrom
• Liv 3.0 (2017) av Max Tegmark
• AI Superpowers (2018) av Kai-Fu Lee
• The Big Nine (2019) av Amy Webb
• Artificial Intelligence: A Guide for Thinking Humans (2019) av Melanie Mitchell
• The Alignment Problem (2020) av Brian Christian
• A Brief History of Intelligence (2023) av Max Bennett
• Why Machines Learn (2024) av Anil Ananthaswamy

Läromedel för AI (Gy25)

Nivå 1

• AI nivå 1 för gymnasiet: Ett komplett läromedel för ARTART01 (2025), Jahangir Almasi och Kiavash Kasbi
• AI nivå 1 - teknik, samhälle och etik (2026), David Hedengren

Se även

• Automatisk planering
• Evolutionär robotik
• Genetisk programmering
• Kvantberäkning
• Moravecs paradox
• Mänsklig bildsyntes
• Spelteori
• Svenska AI Sällskapet, SAIS
• Talteknologi – Talsyntes, Taligenkänning
• Vibe-kodning

Referenser

Den här artikeln är helt eller delvis baserad på material från engelskspråkiga Wikipedia, Artificial intelligence, 12 juni 2016.

Externa länkar

• Wikimedia Commons har media som rör Artificiell intelligens.
  Bilder & media
• Wikiquote har citat av eller om Artificiell intelligens.

  Citat
• SAIS, Swedish Artificial Intelligence Society
• Maskininlärning.se – Ideell faktasida om maskininlärning och AI i praktiken