I de tidlige dage af forskningen i kunstig intelligens forudsagde mange forskere, at man kunne skabe tænkende maskiner inden for et par årtier. Optimismen opstod blandt andet, fordi det var lykkedes ham at skrive programmer, der brugte logik og algebra og kunne spille skak og dam. Logik og algebra er svært for mennesker, og at have sådanne kompetencer betragtes som et tegn på intelligens. Forskerne antog, at ved at løse alle de svære problemer, ville de nemme problemer, såsom visuel genkendelse, hurtigt falde på plads. Så let gik det ikke, og først i de senere år har vi været i stand til at skabe systemer baseret på kunstig intelligens, der kan genkende sprog og tale.

I mange år var kunstig intelligens præget af en filosofi om at overføre allerede kendte teorier, modeller og regler til computere. Denne tilgang er gennemsigtig og logisk og fungerer godt i mange tilfælde, men fejler, når opgaven ændrer sig eller bliver for kompleks. En anden tilgang, der har vundet betydeligt mere indpas i de senere år, er den erfaringsbaserede tilgang – for eksempel ved hjælp af neurale netværk. Med neurale netværk fodrer man computeren med mange eksempler, hvorefter den opbygger en model og systematik omkring data. Denne metode er mindre gennemsigtig, men fungerer godt på områder med stor kompleksitet og dynamik – forudsat at man har tilstrækkeligt med træningsdata.

Selvom teorien bag neurale netværk er over 60 år gammel, har teknologien oplevet en renæssance i de senere år. Dels fordi algoritmerne bag er blevet mere avancerede, men mindst lige så meget fordi mængden af træningsdata er vokset. Det anslås, at 90% af de data, der er tilgængelige i dag, er blevet skabt inden for de sidste to år, hvilket svarer til 2,5 billioner bytes (eller 250 millioner menneskehjerner målt i antal neuroner). Denne udvikling har stået på siden computerens fødsel. Det betyder, at man i dag har databasen til at træne neurale netværk til f.eks. at genkende kattevideoer på YouTube eller skelne vejtræer fra fodgængere i førerløse biler.

På trods af de seneste års hurtige fremskridt bør man ikke forveksle kunstig intelligens med mennesket. Kunstig intelligens arbejder vertikalt, dvs. inden for et meget begrænset område og under de rette betingelser. Menneskelig intelligens er derimod ekstremt fleksibel og kan bruges til mange flere forskellige opgaver – det vil sige horisontalt.

Med tilstrækkelig træning kan vi også blive stærke inden for forskellige vertikaler. Men i det lange løb vil intelligente maskiner kunne udkonkurrere os inden for en masse veldefinerede vertikaler. Den virkelige styrke ved vores hjerne er, at vi nemt kan bruge den i mange forskellige situationer og ikke har svært ved at skifte mellem så forskellige opgaver som at cykle eller skrive et brev. Mennesker har et bredt og farverigt spektrum af intelligens, mens kunstige intelligenssystemer kun har nogle få farver.

Moravecs paradoks er erkendelsen af, at ræsonnementer på højt niveau, som f.eks. matematisk ligningsløsning, kræver relativt lidt computerberegning. Derimod kræver sensomotoriske evner på lavt niveau enorm computerkraft. Princippet blev først formuleret af Hans Moravec, Rodney Brooks, Marvin Minsky og andre i 1980’erne. Som Moravec skrev: “Det er relativt nemt at få computere til at udføre handlinger på niveau med voksne i f.eks. intelligenstest eller skakspil, men det er svært at få dem til at have en 1-årigs færdigheder, når det kommer til perception og mobilitet.” (Moravec, 1990)

Lingvisten og kognitionsforskeren Steven Pinker mener, at det er en af de mest værdifulde opdagelser, som forskere inden for kunstig intelligens har gjort. I sin bog The Language Instinct skriver han: “Hovedingrediensen i 35 års forskning er, at svære problemer er lette, og at lette problemer er svære. De mentale evner, vi tager for givet hos en 4-årig – at genkende et ansigt, løfte en blyant, gå gennem et rum, svare på et spørgsmål – er nogle af de sværeste problemer at løse fra et teknisk perspektiv. Selvom der er sket en stor udvikling inden for kunstig intelligens, kan det kunstige stadig ikke matche kompleksiteten af selv den simpleste form for naturligt liv.” (Pinker, 1994)(Brooks R. A., 2001)

De første primitive hjernelignende strukturer dukkede op i evolutionshistorien, da de første primitive organismer begyndte at bevæge sig rundt. Gradvist blev hjernen mere og mere kompleks, efterhånden som dyrene udviklede sig – og hjernen udviklede sig præcis i takt med dyrenes øvrige anatomi. En primitiv vandmand har ikke brug for nær så mange hjerneceller som en myre, en fisk eller en giraf.

Det var først med det moderne menneskes indtog, at logisk/matematisk/abstrakt intelligens opstod. Indtil da havde der åbenbart ikke været brug for den, eller den havde ikke været en særlig fordel.

På en måde kan man sige, at denne udviklingshistorie fortæller noget om, hvor svært det er at lære at løse en abstrakt matematikopgave i forhold til at lære at gå på to ben, bruge redskaber eller tale: De første, meget primitive væsener, som kunne bevæge sig rundt selv, dukkede op for knap 1 milliard år siden. Derefter tog det hundreder af millioner af år, før de første dyr kunne gå rundt på deres ben. Igen gik der et par hundrede millioner år, før dyrene begyndte at bruge redskaber. Og først nu har vi mennesker lært at løse matematiske opgaver. Alt andet har været vigtigere at få på plads først.

Som ung computernørd i begyndelsen af 90’erne forsøgte jeg at programmere et simpelt spil fire på stribe. På det tidspunkt forstod jeg ikke, hvordan jeg skulle programmere spillets logik, så computeren kunne vælge de optimale træk. Så når det var computerens tur til at spille, virkede dens handlinger dybt uforudsigelige og skiftede mellem at være ekstremt fremsynede til at være dumme og selvdestruktive.

Senere fik jeg styr på de rigtige matematiske principper, så computeren ville vælge den optimale handling ved at tænke flere træk frem. Til min store overraskelse viste det sig nu, at computeren blev lettere at slå, da dens træk nu var helt forudsigelige. Ikke nok med det – spillet blev også utroligt kedeligt. Det fik mig til at tænke over, hvordan tilfældighed kan fremstå som intelligent adfærd. Jeg opdagede senere, at jeg ikke var den eneste, der havde gjort den observation.

At der er en sammenhæng mellem intelligens og tilfældighed, var også tydeligt for den berømte britiske matematiker, kodebryder og fader til computervidenskaben, Alan Turing. Helt tilbage i 1948 spekulerede han på, om tilfældighed på en eller anden måde var forudsætningen for intelligens. Han skrev blandt andet:

“Det er nok klogt at inkludere et tilfældigt element i en læringsmaskine … Et tilfældigt element er ret nyttigt, når man søger efter løsningen på et problem”.

Turing mente, at tilfældighed var et grundlæggende fænomen i fysikken. Han filosoferede også over, om computere, der indeholdt et element af tilfældighed, kunne betragtes som maskiner med fri vilje – selv om han ikke var tilhænger af den tankegang.

I dag bruges tilfældighed som et vigtigt element i moderne kunstig intelligens. Mange af de algoritmer, der bruges i internetsøgninger og til optimering og modellering, bruger tilfældighed til at finde den optimale løsning så hurtigt som muligt. Men hvis man ser på den delmængde af kunstig intelligens, der kaldes maskinlæring, er det vigtigt at finde den mest optimale løsning systematisk ud af millioner (eller milliarder) af muligheder. Kunstig intelligens er derfor ofte en øvelse i at få computeren til at finde den berømte nål i høstakken inden for en rimelig tidsramme. Forestil dig, at du skal finde en skat, der er begravet et sted i en ørken, men du har ikke noget kort over, hvor skatten er begravet. Du ved, at der er en skat et sted, men ikke hvor du skal grave, hvor dybt du skal grave, eller hvornår du skal give op og begynde at grave et andet sted.

Hvis du ikke har andre oplysninger at støtte dig til, er der kun én mulighed – at kaste en terning og stole på tilfældighederne. Det er en anerkendt problemstilling inden for kunstig intelligens, og mange af overvejelserne bag de avancerede algoritmer på området består i at afveje, hvordan man skal bruge tilfældigheden. Skal man grave hullet dybere i håb om, at skatten ligger længere nede, eller skal man begynde at grave et nyt hul?

Tilfældighed spiller ikke kun en rolle i kunstig intelligens; det har vist sig at være afgørende for, hvordan vores karrierer udvikler sig. I en undersøgelse fra universitetet i Catania i Italien forsøgte man at forstå tilfældighedens rolle i vores liv. Man byggede en computermodel for menneskeligt talent og dets anvendelse gennem hele livet. Modellen blev derefter brugt til at undersøge omfanget af tilfældighed i den enkeltes succesniveau. Simuleringerne afspejlede nøjagtigt den velstandsfordeling, vi ser i den virkelige verden. Men til forskernes overraskelse var det ikke de mest talentfulde, der blev de rigeste, men i høj grad de heldigste.

Ifølge forskerne bag undersøgelsen har vi i vores kulturkreds en overdreven tro på, at succes skyldes personlige egenskaber som talent, intelligens, dygtighed, indsats eller risikovillighed. Men vi undervurderer betydningen af tilfældigheder.

Forskerne konkluderede, at man skal være forsigtig med at give ekstra ressourcer eller beføjelser til succesfulde mennesker, da man ikke kan forvente, at en sådan investering giver et højere afkast end ved at give ressourcer til mennesker, der har præsteret gennemsnitligt. Et lignende mønster er blevet observeret på de finansielle markeder.

I sin bog Thinking, Fast and Slow beskriver den israelsk-amerikanske psykolog og nobelpristager i økonomi Daniel Kahneman, hvordan han på et tidspunkt fik mulighed for at analysere sammenhængen mellem en gruppe dygtige børsspekulanters bonusser og deres resultater over tid. Til hans overraskelse viste det sig, at der slet ikke var nogen sammenhæng. De, der klarede sig bedst, havde dybest set bare været heldige.

Da han præsenterede disse resultater for ledelsen (og i øvrigt også for aktiespekulanterne selv), blev han mødt med ligegyldighed. Tilsyneladende er vi ret uinteresserede i at vide, at held i høj grad påvirker, hvordan vi klarer os over tid. Betyder alt dette, at du kan være ligeglad med at udvikle dit talent og i princippet bare læne dig tilbage og vente på, at heldet tilsmiler dig?

Aktiespekulanter ville aldrig være endt i Kahnemans undersøgelse, hvis de ikke alle var dygtige. Talent og dygtighed er forudsætninger for succes – men det er tilfældigheder også.

Ifølge en undersøgelse fra universitetet i Catania ville de mest talentfulde mennesker ikke have været i stand til at klare sig særlig godt, hvis de havde været uheldige. Derimod kunne folk med en gennemsnitlig grad af talent klare sig utroligt godt, hvis de var heldige. Hvis vi accepterer præmissen om, at tilfældigheder har en stor indflydelse på, hvordan vi klarer os individuelt, så kan man betragte livsbanen på samme måde som øvelsen i at finde en skat i ørkenen.

Du ved ikke, hvor du skal starte, hvornår du skal ændre strategi, og om du har fundet den bedste løsning. Og i mange tilfælde vil resultatet være baseret på flere tilfældigheder, som du ikke har nogen som helst indflydelse på.

Det er tankevækkende, at selvom vi ved, at tilfældighed spiller en stor rolle i intelligent beslutningstagning, vælger vi ofte at ignorere den. Måske skyldes det, at vi ikke kan forlige os med tanken om ukontrollerbarhed og derfor altid søger en rationel årsagsforklaring? Men som Braitenberg demonstrerede i sine roboteksperimenter, er det svært at rationalisere, hvad der udgør intelligent adfærd.