Kunstig intelligens i et nøtteskall - ANI vs GAI vs AGI
Anders deler sine tanker om kunstig intelligens og gir oss en innføring i begrepene ANI, GAI og AGI. Kjenner du igjen disse forkortelsene? Dersom du ikke vet hva de er så forklarer Anders det i denne artikkelen. (FOTO: Ingunn Moen)
Jeg er for tiden i ferd med å sluttføre min PhD i informasjonssikkerhet og kommunikasjons-teori ved NTNU. Når jeg forteller folk at doktorgraden min ligger i tverrsnittet av tingenes internett (IoT) og kunstig intelligens (AI), får jeg mange spørsmål om kunstig intelligens. Tre av de vanligste spørsmålene er:
- Hva er det?
- Hva brukes det til?
- Hvordan er det forskjellig fra mennesker?
Grovt sett kan AI deles inn i tre kategorier
Artificial Narrow Intelligence (ANI)
ANI er spesialisert mot å løse en bestemt oppgave eller en nisjedisiplin, men kan ikke generalisere utover de oppgavene den er skapt for. Digitale stemmeassistenter som Siri fra Apple faller inn i denne kategorien. Andre eksempler er skanning av bilder for å identifisere kreft, se etter tegn på svindel i kredittkorttransaksjoner, eller anbefale hvilken film som også ser neste basert på tidligere oppførsel og preferanser.
I doktorgraden min har jeg laget algoritmer som kan forutsi fremtidig energiproduksjon av et solcellepanel basert på data om tidligere energiproduksjon og værmeldinger samlet inn fra met.no. Dette er også et eksempel på en slik type kunstig intelligens.
Generativ Artificial Intelligence (GAI)
GAI kan generere nytt materiale fra tidligere innsamlede data. I hovedsak bruker GAI dype læringsteknikker for å analysere mønstre i svært store datasett for å skape nytt innhold fra basert på en instruksjon, også kjent som en prompt.
Artificial General Intelligence (AGI)
AGI tar sikte på å etterligne menneskelige tanker, følelser og atferd. En slik AI vil ha menneskelignende kognitive evner, som evnen til å forstå, lære, anvende kunnskap på tvers av forskjellige domener, og til og med vise bevissthet og selvbevissthet. Dette er den typen AI som vanligvis er avbildet i Sci-Fi-filmer. Vi er fortsatt veldig langt unna dette målet.
I min doktorgrad har jeg modellert en kognitiv arkitektur som bygger på prinsippene rundt ANI og AGI for å løse problemet rundt autonom læring, det vil si et system som kan lære seg å lære. Målet er systemer som kan styre sin egen operasjon, også når nye eller uventede situasjoner eller hendelser oppstår. Systemer basert på en slik kognitive arkitekturer er en relativt avansert form for kunstig intelligens. De er imidlertid fortsatt veldig spesialiserte og dermed ute av stand til å generalisere kunnskap eller trekke slutninger utenfor sitt domene. De faller derfor fortsatt inn under kategorien smal kunstig intelligens.
Kort og godt
ANI er et problem vi har løst. GAI er et problem vi jobber med nå. AGI er en nøtt vi ikke har klart å knekke ennå.