Kunstig intelligens kan endre alt, også forskeryrket
LUKK

Kunstig intelligens kan endre alt, også forskeryrket

Av Julia Loge

Publisert 2. mars 2022

Forskeryrket kan bli ugjenkjennelig om få år, spår maskinlæringseksperten Morten Goodwin.

Lyset er dempet, maskinene velter ut varme og kappes med kjøleanlegget om hva som bråker høyest.

Serverrommet på Universitetet i Agders (UiA) studiested i Grimstad er som de fleste andre slike datarom, med ledninger og blinkende lys.

Men fire låste skap inni det låste rommet i den låste gangen skiller seg ut. Her er ingenting som blinker, men til gjengjeld skjuler de nærmest forgylte dørene en enorm regnekapasitet.

Foto: Olav Svaland

16,8 petaflops høres ut som tøysetall, men det betyr at her står en av verdens aller raskeste datamaskiner og jobber med kunstig intelligens.

Fakta
Kunstig intelligens (KI)
Datamaskiner som lærer av data og forbedrer seg uten instruksjoner om hvordan den skal gjøre det. Også kalt maskinlæring.

Algoritme
En oppskrift som forteller hvordan en oppgave skal utføres. Som oftest brukt om et dataprogram som utfører en bestemt oppgave. Oppkalt etter en persisk-arabisk matematiker på 800-tallet.

Dyplæring i nevrale nettverk
Dataene sendes gjennom lag på lag av analyse og tester alle mulige kombinasjoner. Etter hvert styrkes de veiene, eller synapsene, som gir best resultat, og slik «lærer» algoritmen. Oppkalt etter funksjoner i hjernen.

Robot
Maskin som utfører menneskelige funksjoner, ordet kommer fra tsjekkisk robotnik, som betyr arbeider.
De siste ti årene har kunstig intelligens bykset ut av science fiction-filmene og inn i dagliglivene til de aller fleste. Ikke som slike superdatamaskiner som i Grimstad, men som automatisk sortering i digitale fotoalbum, forslag til neste video i strømmetjenester og autopilot i bilen.

Denne kunstige intelligensen kommer til å skape så store endringer i samfunnet at de kan sammenlignes med den industrielle revolusjonen, mener professor Morten Goodwin ved UiAs Senter for forskning på kunstig intelligens, CAIR.

– Jeg er helt sikker på at det får så vidtrekkende konsekvenser. Kunstig intelligens er en teknologi som er veldig allmenn og ser ut til å dominere alle fagfelt.

Slik endrer også arbeidslivet seg for de aller fleste yrker.

– Mange av oppgavene forskere gjør i dag, kan kunstig intelligens allerede gjøre. Jeg tror forskerrollen kommer til å bli veldig, veldig annerledes, sier Goodwin.

Robotene er her

Den forskende roboten Adam ble presentert i tidsskriftet Science i 2009. Ifølge forskerne var det første gang en maskin oppdaget ny kunnskap. Utstyrt med bakgrunnskunnskap og gjær hadde roboten forsket på gener. Adam genererte egne hypoteser, designet og kjørte eksperimenter, analysert resultatene og utformet nye eksperimenter.

Roboten gjorde noen oppdagelser. Selv om funnene i seg selv kanskje var begrensede, skrev forskerteamet at de hadde vist at en enkel form for hypotetisk-deduktiv metode kunne automatiseres, uten behov for «menneskelig intellektuell inngripen».

Ifølge Ross King, som i dag jobber ved Chalmers tekniska högskola og har utviklet roboten Adam, er kunstig intelligens bedre enn menneskelige forskere på flere områder: Den har feilfri hukommelse, kan utføre logiske resonnementer uten feil, kan lære av enorme datasett og hente informasjon fra flere forskningsartikler enn noe menneske noensinne vil klare å lese. Dessuten er det mye raskere å reprodusere en funksjonell algoritme enn å lære opp en ny forsker, og maskinen jobber fortere, billigere og uten å be om pauser.

Slik så roboten Adam ut da forskeren Ross King drev den: Stor som et rom, med fire PCer,
kjøleskap, kameraer og robotarmer. Nå er den avleggs.

Foto: University of Aberystwyth

Etter Adam fulgte flere roboter som gjennomfører ellers tidkrevende eksperimenter. Roboten Eva jobber med å finne medikamenter mot malaria og andre tropiske sykdommer forårsaket av parasitter. En kjemi-robot blander systematisk ulike kjemikalier og prøver å lage nye molekyler.

En fysikk-robot fikk øve seg på data for å se om den kunne oppdage fysikkens lover, og fant blant annet ut at planetene kretser rundt solen. Det samme gjorde Johannes Kepler for 400 år siden, så nyheten ligger i at maskinen fant det ut uten å bli matet med teori, altså uten å gå veien om Copernicus.

Dette endrer alt

I november 2020 var det Nature som slo opp at «Det kommer til å endre alt». Kunstig intelligens hadde løst et av århundrets største vitenskapelige utfordringer, i hvert fall i biologi. Siden 1972 hadde man visst at det burde være mulig å beregne formen til et protein når man vet rekkefølgen på aminosyrene det er laget av. Og det er nyttig å vite formen, for proteiner er for eksempel piggene som gir koronaviruset navnet sitt, og å skjønne hvilken form piggene har, er viktig for å utvikle vaksiner.

Men det koster mange millioner kroner å finne ut fasongen gjennom eksperimenter. Å bare regne det ut er heller ikke enkelt, for mulighetene er så mange at det ville kreve større regnekapasitet enn alle verdens datamaskiner har i dag.

Nå hadde Google-selskapet Deepmind greid å forutse hvordan proteiner foldes og får formen sin, med en variant av Alpha Zero, en algoritme som begynte med å lære seg selv å spille sjakk. Den nye algoritmen kalles Alpha Fold.

– Dette endrer medisin, det endrer forskning, det endrer bioingeniør-faget, det kommer til å endre alt, sa Andrei Lupas ved Max Planck-instituttet i Tyskland til Nature.

Hans gruppe hadde jobbet i et tiår med å finne strukturen til proteiner i en gruppe bakterier. Med Alpha Fold løste de det på en halvtime.

En knallrød knapp

Ifølge Goodwin ved UiA kommer den kunstige intelligensen til å endre alle yrker. Noen endres litt, andre mye, og noen vil bli borte. Når robotene kan designe og utføre egne eksperimenter, oppdage fysikkens lover uten teori og i tillegg søke opp litteratur, skrive artikkelutkast og lage sammendrag, hvor går da grensen for kunstig intelligens i forskningen?

Først går det an å spørre den kunstige intelligensen selv, og samtidig forklare mer om hva kunstig intelligens er. Forskerforums journalist skriver spørsmålet «Morten vil lage superintelligente maskiner som løser oppgaver bedre enn mennesker – er det noe du kan gjøre som Morten ikke får til?».

Så oversetter Morten Goodwin spørsmålet til engelsk, og legger det inn i programmet Transformer. Transformer har øvd seg på å skrive setninger ved å finne mønstre i enorme mengder tekst som allerede finnes.

Dette er kjernen i kunstig intelligens, datamaskiner søker etter sammenhenger i store datasett og prøver seg fram til den løsningen som oppnår målet best.

Nå vet Transformer om ord som har lignende betydning og gjetter seg fram til hvilke ord som følger etter hverandre. Goodwin gir programmet litt ekstra trening for at svarene skal bli enda bedre, og etter noen timer har Transformer et svar som Goodwin oversetter tilbake til norsk.

Til slutt legger lab-ansvarlig Halvor-Dag Settendal i MIL spørsmålet inn i roboten Pepper.

Foto: Olav Svaland

Svaret lages altså utenfor Pepper, men roboten kan gestikulere, få blikkontakt, lytte og snakke. Nå svarer den:

– Jeg kan hjelpe ved å lage en liten maskin som kan bidra til at det skjer. Å lage maskiner som kan gjøre mer enn mennesker, er en global bekymring. Men det handler ikke bare om ressursbruk eller å erstatte arbeidskost. Det er en stor jobb. Men hvordan kan jeg hjelpe? Morten har en måte å forbedre det på. ‘Hva med en knallrød vibrerende knapp’, sier jeg.

Se samtalen her:

Selv om setningene er riktig bygget opp, gir de ikke mening. En knallrød vibrerende knapp hjelper ikke Goodwin i hans jobb og forteller lite om hva kunstig intelligens kan brukes til. Slik blir begrensningene i dagens kunstige intelligens tydelige. For det første må alt innom engelsk, for det er engelske tekster maskinene har brukt til å øve seg på. Det er det ikke uoverkommelig å løse. Verre er det at verken Transformer eller Pepper forstår at den egentlig ikke svarer på spørsmålet.

Her er resten av samtalen med Pepper:

– Kunstig intelligens i dag er stort sett mønstergjenkjenningsmaskiner, kommenterer Goodwin.

Lite forståelse

Denne manglende forståelsen gjør at Herman Ruge Jervell, som har jobbet med informatikk og kunstig intelligens ved Universitetet i Oslo i over 40 år, fortsatt er skeptisk.

– Det er ikke noe mirakel som venter. Det er flere overraskelser med kunstig intelligens, men ingen som er i nærheten av hva entusiastene prøver å selge. Et interessant resultat er utviklingen av mønstergjenkjenning; det kan virke imponerende for mange, men noe av det mest slående er hvor lite forståelse som ligger bak, kommenterer Jervell, som ble pensjonist i 2015.

En ytterligere begrensning er at kunstig intelligens ikke skjønner forskjellen på korrelasjon og kausalitet. Selv om to ting henger sammen, betyr det ikke at det ene er årsaken til det andre.

Det har vist seg på flere måter, blant annet når maskinlæringen har prøvd seg på koronapandemien. Algoritmer som oppdager mønstre i bilder, har fått bryne seg på røntgenbilder av lunger i jakten på årsaken til at noen blir alvorlig syke og dør av sykdommen covid-19.

Men maskinene har gått seg vill. De har for eksempel lært å se forskjell på barnelunger og voksenlunger, ikke på sunne og syke lunger. Eller de har konkludert med at pasienter som ligger, har større sannsynlighet for å dø enn de som står, sannsynligvis fordi de liggende pasientene i utgangspunktet var sykere. Faktorer som mennesker raskt ville sett vekk fra, som legens navn eller fonten på bildene, er blitt tillagt vekt.

Maskiner som finner mønstre i datasett, risikerer også å finne mønstre som bare finnes i datasettet, men ikke i virkeligheten, og dermed resultater som ikke kan reproduseres av andre forskere med andre datasett.

– I dag er kunstig intelligens ganske dum, kommenterer Goodwins kollega, professor og senterleder Ole-Christoffer Granmo i CAIR.

Foto: Olav Svaland

Vil ha årsaker og forklaringer

Det er på tide å vende tilbake til serverrommet og regnekraften på UiA. For regnekraften her brukes ikke bare til forske med kunstig intelligens, men også til å forske kunstig intelligens.

– Jeg skal løse det fundamentale problemet med at når algoritmen bygger forståelse av virkeligheten, så skal det ikke være korrelasjoner. Alle koblinger skal være kausale. Da kan man ikke bare predikere, men også spørre «hva skjer hvis …», sier Granmo.

Hans forskergruppe fikk mye oppmerksomhet da de fant en løsning på et annet problem med kunstig intelligens. Den vanligste grenen i kunstig intelligens i dag kalles dyplæring. Da brytes informasjonen ned i småbiter og kodes i mange lag, og maskinen tester ulike måter å sette dem sammen på, men i løpet av den prosessen forsvinner begrunnelsen. Granmo og kollegaer laget en enklere løsning med en helt annen teknikk som kalles en Tsetlin-maskin, og som forklarer hvordan den har kommet fram til svaret.

– Hvis du spurte et menneske som svarte kun basert på korrelasjon og ikke ville forklare hvorfor, så ville du ikke stolt på svaret. Men det er det dyp læring er i dag, derfor kan man ikke ta det i bruk til viktige beslutninger, sier Granmo.

Nå jobber de med å lage maskiner som bruker enkel matematikk og logikk til å etablere årsakssammenhenger.

– Ingen har løst det, men vi har en plan, og Tsetlin-maskinen har veldig lovende resultater.

Først når det er på plass, vil man få kunstig intelligens som er med på å oppdage ny kunnskap, mener Granmo.

– Det nyskapende har latt vente på seg, mener Årstein Justnes om mønstergjenkjenning i hellige tekster. Foto: UiA

For smått for KI

En halvtimes tur unna Grimstad, i Kristiansand, jobber bibelforsker Årstein Justnes. Han forsker på to tusen år gamle skrifter, Dødehavsrullene, og har vært med på å avsløre forfalskede fragmenter. Nå har han sett med interesse på universitetets nye satsing på kunstig intelligens.

Et forskningsprosjekt i Nederland har prøvd å lære maskiner å lese tekstene, gjenkjenne skriften og skriverne. I fjor slo mange medier opp at kunstig intelligens hadde oppklart et mysterium, nærmere bestemt at den største av rullene var skrevet av to personer. Men Justnes mener forskerne bare bekreftet kjent kunnskap.

Dette er ikke noe for maskinlæring, selv om det er et ganske stort fragment fra Dødehavsrullene og befinner seg hos universitetet i Chicago.

Foto: Daderot, CC0

– Egentlig har det ikke vært noen stor suksess, kan han konstatere.

For mange betyr det at det mest rasjonelle fortsatt er å klassifisere fragmentene manuelt.

Problemet er at selv med titusener av fragmenter er det få store ruller og dermed lite data som den kunstige intelligensen kan få trene på. Granmo istemmer at når datasettene er små og innholdet komplisert, så er det ikke nok mønstre til at maskinene greier å lære noe av dem.

– Utfordringen er at det kreves hundrevis av millioner parametere for å finjustere dyp læring. Da virker det ikke på små mengder data.

Mindre pipette, mer kreativitet

Behovet for enorme datasett er en begrensning for bruken av kunstig intelligens i forskning.  

Men der kunstig intelligens er god, er den mye bedre enn mennesker, som for eksempel når Goodwin samarbeider med havforskere om mønstergjenkjenning for fisk. For havforskerne betyr det at den kunstige intelligensen kan ta seg av å se timevis med fiskevideo og telle sei eller torsk, kanskje til og med gjenkjenne hver enkelt fisk på individnivå. Det frigjør forskerne fra et møysommelig og tidkrevende arbeid og fisken fra alternativet: å bli hentet ut av vannet og radiomerket.

Det er også konklusjonen fra forskerne bak roboten Adam. Ross King gledet seg over at postdoktorene nå kunne frigjøres fra å telle dråper med pipette og heller bruke tiden på kreativt og strategisk arbeid.

Det er der menneskene er mye bedre enn maskinene. Serverne på UiA rommer en enorm regnekraft, men Ole-Christoffer Granmo er overlegen i å tenke utenfor boksen.

– Det kunstig intelligens ikke er god på, er den kreative biten, sier Goodwin.

Slik høres han ut som et ekko av det Ada Lovelace skrev da hun laget verdens første algoritme i 1840-årene: «Den analytiske maskinen har ingen ambisjoner om å skape noe. Den kan gjøre det vi vet hvordan vi skal be den gjøre.»

– For å gjøre store fremskritt må man gå utenfor den kjente kunnskapen og gjette, sier Ole-Christoffer Granmo i UiAs spesialbygde serverrom.

Foto: Olav Svaland

Hvordan kan kunstig intelligens brukes i ditt fagfelt?

Magnus Bognerud

fagkonsulent for digital samlingsforvaltning i Nasjonalmuseet

– Vi fikk fascinerende resultater da vi prøvde KI på samlingen vår, spesielt for visualisering etter stil og motiv, men det var vanskeligere å klassifisere verkene, og vanskeligere jo mer abstrakt kunsten ble.

Knut Paasche

avdelingsleder for digital arkeologi NIKU, Norsk institutt for kulturminneforskning

– Vi jobber med å gjøre radaren som kartlegger formasjoner under bakken, selvkjørende. Det er også tidkrevende å tegne ut det den finner, men vi kan bruke programvare til å tegne ut steinene, og så kan arkeologene avgjøre om det er en hustuft.

Dag Haug

professor i lingvistikk og leder for Tekstlaboratoriet ved Universitetet i Oslo

– Jeg bruker KI til å finne struktur i språklige data, for eksempel verbene eller de syntaktiske strukturene i en tekst. Jeg har jobbet både med moderne språk og gamle tekster som Det nye testamentet.

  • Les mer: