Hvis alt går efter planen, vil IBM lade sin Watson-computer deltage i det amerikanske quizprogram Jeopardy! i 2010. Hvis maskinen skal vinde, må den ikke blot forstå spørgsmålene, den skal også grave de korrekte svar frem og udtale dem, så de kan forstås.

Efter alle de brudte løfter fra de overoptimistiske fantaster i 1950’erne og 1960’erne er spørgsmålet: Nærmer vi os en ægte HAL? Og hvorfor har det taget så lang tid? Vi har talt med nogle af de førende folk inden for kunstig intelligens. Vi har også set på nogle af de mest forbløffende milepæle på området, blandt andet en forskerrobot, der kan gøre sine egne opdagelser.

Baggrunden for kunstig intelligens

Der er gået 41 år, siden Stanley Kubrick instruerede Rumrejsen år 2001, men selv i 2009 ligner den superintelligente HAL stadig science fiction. På trods af mængder af forskning i kunstig intelligens har vi stadig ikke udviklet en computer, der er så kvik, at et menneske kan føre en samtale med den. Hvor gik det galt?

”Jeg tror, at det er langt sværere, end folk oprindelig forventede”, siger David Ferrucci, der er leder af IBM’s Watson-projekt. Watson-projektet er ikke en million kilometer fra det fiktive HAL-projekt: Den kan lytte til menneskers spørgsmål, og den kan svare.

IBM tror så meget på Watsons evner, at maskinen skal deltage i quizprogrammet Jeopardy!.

Ikke desto mindre har det taget os lang tid at nå dertil. Folk har talt om ”tænkende maskiner” i årtusinder. Den græske gud Hefaistos skal have lavet to gyldne robotter, der skulle hjælpe ham med at bevæge sig på trods af hans lammelse, og uhyret i Mary Shelleys Frankenstein præsenterede ideen om at skabe et væsen, der kan tænke, i det 19. århundrede.

Da computerne kom frem, blev idéen om kunstig intelligens støttet af tidligere fremskridt på området. Matematikeren Alan Turing begyndte at skrive et skakcomputerprogram så tidligt som i 1948 – selv om han ikke havde en computer, der var kraftig nok til at afvikle det. I 1950 skrev Turing ”Computing Machinery and Intelligence” i magasinet Mind. Her opregnede han de nødvendige kriterier for, at en maskine kan blive betragtet som ægte intelligent.

Som du måske ved, blev dette kaldt Turingtesten, og den erklærede, at en maskine kunne betragtes som intelligent, hvis den kunne få en menneskelig iagttager til at tro, at maskinen var et menneske. Turingtesten har siden udgjort grundlaget for nogle af AI-folkenes udfordringer og prise, herunder den årlige Loebner-pris: Dommerne udspørger en computer og et menneske via en anden computer og finder ud af, hvem der er hvem. Det mest overbevisende AI-system får prisen. Turing lagde også navn til den årlige Turingpris, der af professor Ross King, som er leder af afdelingen for computervidenskab på Aberystwyth University, bliver beskrevet som computernes nobelpris.

Hvis vi ser bort fra Turing, var der masser af andre fremskridt i 1950’erne. Professor King nævner Logic Theorist-programmet som en af de tidligste milepæle. Logic Theorist blev udviklet i 1955-56 af J. C. Shaw, Alan Newell og Herbert Simon og lancerede den tanke, at man løser logiske opgaver med en computer via et virtuelt ræsonnementsystem, der bruges beslutningstræer. Desuden omfattede programmet et heuristiksystem, der afviste træer, som sandsynligvis ikke ville føre til en tilfredsstillende løsning.

Logic Theorist blev demonstreret i 1956 ved Dartmuth Summer Research Conference on Artificial Intelligence, der blev arrangeret af computerforskeren John McCarthy. Det var i den forbindelse, at man første gang brugte begrebet ”kunstig intelligens”. Konferencen lancerede flot det princip, at ”hvert aspekt af indlæring eller ethvert andet aspekt af intelligens kan beskrives så nøjagtigt, at en maskine kan bringes til at simulere det”.

AI-revolutionen var gået i gang med et brag, og disse imponerende tidlige gennembrud fik mange til at tro, at fuldt udviklede tænkende maskiner ville dukke op omkring årtusindskiftet. I 1967 skrev Herman Khan og Anthony J. Wiener i The Year 2000, at ”i 2000 kan computere sandsynligvis matche, simulere eller overgå nogle af menneskets mest ’menneskeagtige’ intellektuelle egenskaber”.

Marvin Minskey, der var en af arrangørerne af Dartmouth-konferencen og modtager af Turingprisen i 1969, foreslog i 1967, at ”inden for en generation (...) vil problemet med at skabe kunstig intelligens i alt væsentligt være løst”. Man kan forstå, hvorfor folk var så optimistiske, når man tænker på, hvor meget man allerede havde opnået. Men hvorfor er vi stadig så langt fra disse forudsigelser?

Andet end skakspillere

”De, der var involveret i kunstig intelligens, blev så imponerede over de meget seje algoritmer, de fandt på, og over deres legetøjsprototyper”, siger Ferrucci. ”De var meget inspirerende, innovative og ekstremt tankevækkende. Men realiteterne bag de tekniske krav og det, der skulle til for at få projekterne til at virke, var langt mere omfattende, end nogen havde forventet”.

Alan Turing (som denne statue fra Bletchley Park forestiller) gav os Turingtesten, der stadig er den hellige gral for forskere i kunstig intelligens.

Ordet ”legetøj” er nøgleordet her. Ferrucci henviser til en afhandling fra 1970 med titlen ”Reviewing the State of the Art in Automatic Questioning and Answering”, der konkluderede, at ”alle systemerne på det tidspunkt var legetøjssystemer. Algoritmerne var nye og interessante, men set fra en praktisk synsvinkel var de i den sidste ende ubrugelige”.

For eksempel kunne computer i 1970’erne spille skak ganske godt, og det udløste falske forhåbninger til kunstig intelligens. ”Vi forestiller os en stor skakspiller som meget begavet”, siger Ferrucci. ”Derfor siger vi, at vi har et kunstig intelligens-program, hvis det kan spille skak”.

Ferrucci nævner også, at en menneskelig egenskab, der karakteriserer os som intelligente væsner, er vores evne til at kommunikere med sprog. ”Mennesker er utroligt gode til at bruge sammenhænge og udelukke irrelevant støj og til at forstå tale”, siger Ferrucci. ”Men blot fordi man kan tale effektivt og kommunikere, er man ikke noget supergeni”.

IBM’s Deep Blue-computer slog ganske vist Garry Kasparov i 1997, men man døjer stadig med at få computere til at kommunikere med mennesker via naturligt sprog.

Tænkende robotter

Sprog er dog ikke alt, når det gælder kunstig intelligens. Tidligere i år demonstrerede Ross Kings afdeling på Aberystwyth University en utrolig robotmaskine ved navn Adam, der kunne gøre videnskabelige opdagelser på egen hånd.

”Adam kan repræsentere videnskab i logikken”, siger King. ”Den kan formulere nye hypoteser om, hvad der måske er sandt inden for denne del af videnskaben. Den bruger en teknik, der kaldes abduktion, og som svarer til omvendt deduktion. Det er den form for slutninger, som Sherlock Holmes bruger, når han løser kriminalgåder – han tænker på, hvad der kan forklare mordet, og når han har draget sin slutning, kan han deducere bestemte ting ud fra sine iagttagelser.

Ross Kings Adam-maskine kan gøre videnskabelige opdagelser på egen hånd.

Tilsvarende kan Adam abducere hypoteser og uddrage, hvad der ville være effektive eksperimenter til at vælge mellem forskellige hypoteser og afgøre, om der er belæg for dem”, siger King. ”Så kan den foretage eksperimenterne ved hjælp af laboratorieautomatik, og det er her, robotterne kommer ind i billedet. Den kan ikke blot regne ud, hvilke eksperimenter der skal foretages; den kan selv udføre eksperimentet, og den kan se på resultaterne og afgøre, om de er i overensstemmelse med hypoteserne eller ej”.

Adam har allerede med held foretaget eksperimenter med gær og har fundet formålene med 12 forskellige gener. Man kan læse alle detaljerne i en artikel ved navn ”The Automation of Science” i magasinet Science (www.sciencemag.org). Kings hold arbejder nu på en robot ved navn Eve, der kan udføre tilsvarende opgaver inden for medicinalforskning.

Forstå sproget

Adam er en utrolig bedrift, men som King siger: ”De virkelig svære problemer hænger sammen med interaktion mellem mennesker. En af fordelene ved videnskab som domæne er, at man ikke behøver at bekymre sig om det. Hvis man udfører et eksperiment, prøver det ikke med vilje at narre en”.

Det er en kamp at få en computer til at kommunikere med et menneske, men det er et område, der er under udvikling. Et eksempel er chatbotten Jabberwacky (www.jabberwacky.com), der bliver bedre til at kommunikere for hver dag, der går. Vi logger ind, og den spørger, om vi kan lide Star Wars. Vi svarer ja og stiller det samme spørgsmål. Jabberwacky siger, at den kan lide Star Wars. ”Hvorfor?”, spørger vi. ”Det er en smuk afdækning, navnlig for det store flertal, af dominans og underkastelse”, siger den. Vi bliver mistænksomme og spørger Jabberwackys skaber, Rollo Carpenter, hvad der foregår.

”Ingen af svarene er programmerede”, hævder Carpenter. ”De er alle indlært”. Jabberwacky lever på konstante input fra brugerne. Disse input kan den analysere og gemme i sin database. ”Det første, programmet sagde, var det, jeg lige havde fortalt det”, siger Carpenter. Men 12 år senere har det nu over 19 millioner indskrivninger i sin database.

Med mere input kan Jabberwacky bruge maskinindlæring til at finde flere steder, hvor bestemte sætninger er relevante. Dens mening om Star Wars var et svar fra en tidligere bruger, som den citerede ordret på det rette tidspunkt. Det kvikke her er ikke, hvad den siger, men forståelsen af sammenhængen. Carpenter er imidlertid overbevist om, at den snart vil nå længere end fremgylpe ordrette sætninger. ”Snart kommer der en generation med alle sætninger”, siger Carpenter. ”Det er allerede i brug i vores kommercielle AI-scriptværktøjer, og det vil blive brugt ved indlærings-AI”.

Carpenters seneste projekt er Cleverbot (www.cleverbot.com), der bruger en lidt anderledes teknik til at forstå sprog. ”Jabberwacky bruger søgeteknikker, der reducerer valg til talrige og stadig mere kontekstuelle årsager, indtil der bliver truffet en endelig beslutning. Cleverbot bruger fuzzystring-sammenligningsteknikker til at se på, hvad der er blevet sagt, og på mere dybdegående sammenhænge. Når svarene virker planmæssige og intelligente, skyldes det altid disse universelle kontekstuelle teknikker, snarere en programmeret planlægning eller logik”.

Cleverbot siger somme tider ting, der ikke passer, men af og til er den ikke til at skelne fra et menneske.

Cleverbot er så overbevisende, at Carpenter hyppigt får e-mail fra folk, der tror, at chatbotten somme tider bliver erstattet med et rigtigt menneske. Cleverbots svar er ikke altid overbevisende, men Carpenters teknikker har skaffet ham Loebnerprisen for den ”mest menneskelignende” kunstige intelligens i 2005 og 2006.

Det er elementært

Den største milepæl, når det gælder naturligt sprog, er måske IBM’s omfattende Watson-projekt, der ifølge Ferrucci bruger ”omkring 1.000 beregningspunkter, der hver har fire kerner”. Den enorme mængde parallellisering skyldes de intense søgninger, Watson igangsætter for at finde svarene. Watsons viden kommer fra ordbøger, leksika og bøger, men IBM ville flytte fokus væk fra databaser og hen mod behandling af naturligt sprog.

”Den underliggende teknologi hedder Deep QA”, siger Ferrucci. ”Man kan lave en grammatisk analyse af spørgsmålet og prøve at identificere hovedverbet og hjælpeverberne. Så leder den efter et svar, og den foretager mange søgninger”. Hver søgning fører til store lister over mulige relevante passager, dokumenter og fakta, der hver kan have flere forskellige svar på spørgsmålet. Det kan betyde, at der er flere hundrede potentielle svar på spørgsmålet. Derefter skal Watson analysere dem ved hjælp af statistiske afvejninger for at finde ud af, hvilket svar der er det mest passende.

”Med hvert af disse svar søger den efter yderligere vidnesbyrd fra eksisterende strukturerede eller ustrukturerede kilder, der kan understøtte eller afvise disse svar og sammenhængen”, siger Ferrucci. Så snart den har sit svar, leverer Watson det tilbage til en i form af stemmesyntese (fonemer) og laver derved lydene, der hører til de ord, den har hentet fra sine sprogdokumenter.

David Ferrucci viser IBM’s supercomputer Watson, der kan kommunikere ved hjælp af naturligt talesprog.

Hvis Watson skal få succes i Jeopardy!, skal den gå ind og sige svaret forståeligt før sine menneskelige modstandere. Ikke blot det, den skal også være tillidsfuld – ellers går den ikke ind. Watson svarer ikke altid rigtigt, men den er tæt på. På CNN blev computeren spurgt, hvilken ørken der dækker 80 procent af Algeriet. Watson svarede ”Hvad er Sahara?”. Det korrekte svar er her, og det er forståeligt, men det blev formuleret forkert.

Fremtiden

Det er tydeligt, at vi stadig er langt fra at skabe HAL eller blot at bestå Turingtesten, men eksperterne tror stadig på, at det vil ske. Ross King siger, at der går 50 år, men David Ferrucci siger, at 50 år er han ”mest pessimistiske” gæt.

Hans optimistiske gæt er ti år, men han tilføjer, at ”vi ønsker ikke en gentagelse af dengang, kunstig intelligens udløste forkerte forventninger. Vi vil være forsigtige, men vi vil også være fortrøstningsfulde. Hvis de involverede arbejdede sammen, kunne vi få nogle meget overraskende ting at se”.

AI-miljøet er i øjeblikket delt op i specialistområder, men Ferrucci tror, at hvis alle arbejdede sammen, kunne kunstig intelligens realistisk set komme meget tidligere. ”Vi skal arbejde sammen og lave en generelt anvendelig arkitektur, der løser en lang række problemer”, siger Ferrucci. ”Det er svært. Det kræver, at mange mennesker samarbejder, og en af de sværeste ting er at få folk til at vælge en enkelt arkitektur, men det er nødvendigt, for ellers kommer vi ikke videre”.

Spørgsmålet er, om det er muligt, når man tager folks forskellige mål i betragtning. Men Ferrucci tror, at det er den bedste mulighed. Uanset hvad man gør, og uanset at de tidlige pionerers forudsigelser slet ikke holdt, ser det ud til, at AI-folkene når deres mål i dette århundrede.

Sådan definerer man kunstig intelligens

Nøjagtig hvad er intelligens? Vi spørger eksperterne, hvordan de definerer kunstig intelligens

Det afhænger af, hvilken form for intelligens man ser på. John McCarthy – manden, der oprindelig formulerede begrebet – definerer kunstig intelligens som ”den videnskab og ingeniørkunst, der ligger bag fremstillingen af intelligente maskiner, navnlig intelligente computerprogrammer”

(www-formal.standford.edu/jmc/whatisai/node1.html). McCarthy nævner imidlertid også med rette, at der stadig ikke findes en solid definition, som ikke henviser til menneskelig intelligens, og siger: ”Vi kan endnu ikke vise, hvilke former for computerprocedurer vi vil kalde intelligente”.

Derfor varierer definitionen på kunstig intelligens. ”Jeg definerer intelligens som forudsigelse”, siger Rollo Carpenter. ”Det er evnen til med rimelig succes at forudse, hvad der sker, på trods af mangelfuld viden og sanseinformation”.

Googles ”Jeg prøver lykken” er et eksempel på maskinindlæring – men den er så velkendt, at vi ikke finder den intelligent.

Sådan definerer man kunstig intelligens

David Ferrucci siger, at ”jeg ser på opgaver, der ville være store fremskridt inden for visse former for kunstig intelligens, såsom naturlige bevægelser hos robotter, forståelse af billeder og film, visuel sceneforståelse og naturligvis forståelse af sprog. Jeg betragter kunstig intelligens som det, der er meget svært for computere at gøre, men som mennesker har nemt ved, og som vi gerne vil have computerne til at gøre, fordi det ville være nyttigt”.

Ross King definerer kunstig intelligens som ”udviklingen af kunstprodukter, der i en vis forstand betragtes som intelligente. Det drejer sig ikke nødvendigvis om at forstå menneskelig intelligens, men snarere om at forstå, hvordan maskiner kan blive intelligente”.

Men King siger også, at ”så snart det er en velfungerende teknologi, vil man ikke længere kalde den kunstig intelligens. Når man forstår den, virker den ikke intelligent”. Hver gang man i Google trykker på knappen ”Jeg prøver lykken”, bruger man en form for maskinindlæring. Den er blot blevet så udbredt, at vi ikke længere betragter den som kunstig intelligens.