Vad kan AI göra som inte människor kan?
– Egentligen ingenting, men AI gör det på ett annat sätt, som ger lite annorlunda förmågor. Titta på spelet go. Den mänskliga intelligensen har lyckats finna olika lokala maxima i lösningsrymden för go. Datorn kan hitta helt andra maxima när den spelar mot sig själv ett par miljarder gånger.
– Lärandehastighet har alltid varit en nyckelfaktor när det gäller konkurrens, i alla system. Så är det mellan människor också, eller branscher och företag. Om jag lär mig tre gånger snabbare än du, så kommer jag att slå dig varje gång.
Människor är bra på frågor och datorer på svar, har du sagt.
– Vi har en förförståelse av världen som gör att vi kan skära upp den i lämpliga frågebitar. Våra frågor spänner över enorma fält, men vi är bra på att rikta in dem väldigt snabbt. Datorer vet inte riktigt var de ska börja när de ska ställa frågor.
– Kreativitet kan egentligen reduceras till sökningar i väldigt stora lösningsrymder för till exempel musik. Datorer kan vara kreativa eftersom de har en enorm sökkapacitet. Den saknar människor, men vi kan vara kreativa ändå. Vi tänker på ett annat sätt.
– Den mänskliga måttstocken måste bort från diskussionen om vi ska komma vidare. Vad vi söker är kognicitet, en generell problemlösnings-och handlingsförmåga som kan appliceras på massor av problem och utnyttjar datorns styrkor.
Man visar ofta historiska grafer på AI:s förmåga att tolka bilder. Varför?
– Tidig AI byggde på logiska modeller och beskrivningar. Man ville matematisera hela världen. I dag är probabilistisk (sannolikhetsbaserad) analys mycket vanligare – man söker korrelationer, likheter och statistiska samband. I stället för att definiera en hund, tittar man på alla saker som hundar ser ut att ha gemensamt.
– Det är svårt att lösa bildigenkänningsproblem med 1960-talets AI. När man började använda probabilistiska modeller, som neurala nätverk, blev det väsentligt lättare. Djuplärande underlättar ännu mer. Lärande tekniker är otroligt mycket bättre än de gamla, mer mekanistiska modellerna – som graferna visar.
Var får AI störst effekt inom tio år?
– Vi undervärderar de sektorspecifika applikationerna, AI för jordbruket till exempel. Å andra sidan övervärderar vi risken för att AI-robotar tar allas jobb. På lite längre sikt undervärderar vi användningen av AI i specifika vetenskaper, som proteinvikning, grundläggande astrofysik, partikelfysik och matematik. Där tror jag AI får en väldigt intressant och omvälvande inverkan på hur vi tänker kring vetenskap i stort.
Vilka föreställningar om AI möter du bland politiker?
– Hela spektrumet. Jag tror att medelpositionen är en försiktigt positiv inställning till AI. Alla inser att vi står inför så komplexa problem att vi behöver all hjälp vi kan få från tekniken.
Hur påverkar storföretags affärsmotiv sättet som AI utvecklas på?
– Storföretagen som dominerar inom AI är rätt välkapitaliserade. De kan ägna sig även åt sådant som inte bara har en direkt, kortsiktig affärsnytta. Forskarna som rekryteras kräver också en viss forskningsfrihet. Där finns en balansfunktion.
– Stora delar av AI-forskningen släpps som öppen källkod, och open source-rörelsen finansieras av entreprenörer som Elon Musk. Alla stora molnföretag säljer maskininlärning som tjänst. Det är nog bra för småföretagen – det är bara att köpa en tjänst, så kan du börja titta på dina data.
”En datakarta är första nyckeln till att kunna utveckla din affär.”
Ge ett tips till investerare!
– Investera inte i AI, utan i användningen av AI. Koncentrera dig inte så mycket på tekniken, utan fundera över hur den kan hjälpa företaget att lära sig snabbare än andra i sin sektor. Var finns konkurrensövertaget?
Nicklas Berild Lundblad har doktorerat i informatik, är it-jurist och har en kandidatexamen i teoretisk filosofi. Han är global chef för tech policy på betalningsföretaget Stripe. Tidigare samhällsplaneringschef på Google. I höst utkommer hans nya bok Frågvisare.