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 pjäs 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) miniatyr|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. miniatyr|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.