AI utvecklas i rasande fart och påverkar snart sagt varje bransch. I vår förra introduktionsartikel använde vi en rysk matrjosjka-docka som metafor för att förklara hur Artificiell Intelligens (AI) rymmer Maskininlärning (ML) som i sin tur rymmer Djupinlärning (DL). Nu tar vi av nästa lager och tittar närmare på hjärtat av modern AI: neurala nätverk. Genom att förstå dessa “digitala hjärnor” blir det tydligare hur dagens AI-system lär sig och varför de har blivit så kraftfulla. Och när AI numera har nått bred användning – en global undersökning visade att 78 % av företag nu använder AI i någon affärsfunktion – är det viktigare än någonsin att fördjupa sin förståelse av tekniken bakom.

Från grunder till fördjupning: Var står vi nu?

För bara några år sedan var avancerad AI mest ett ämne för dataexperter, men idag är det på allas läppar. När OpenAI lanserade sin chatbot ChatGPT i slutet av 2022 tog det bara två månader för tjänsten att nå 100 miljoner användare, vilket gör den till den snabbast växande applikationen någonsin. AI har alltså klivit ur laboratorierna och in i vardagen. I introduktionsinlägget lärde vi oss grunden: AI är det breda fältet av smarta datorprogram, där maskininlärning utgör motorn som låter systemen lära sig av data, och djupinlärning är den mest avancerade formen som använder lager-på-lager av neurala nätverk – ungefär som vår metafor med de ryska dockorna.

Idag ser vi resultatet av den utvecklingen. AI hjälper läkare att ställa diagnoser, optimerar produktionen i fabriker, kör bilar och svarar på kundtjänstfrågor dygnet runt. Men för att verkligen förstå var vi står nu behöver vi kika in i den innersta dockan. Det är dags att fokusera på neurala nätverk – tekniken som gjort den moderna AI-boomen möjlig. Genom denna djupdykning kan vi bättre greppa hur AI faktiskt fungerar under huven och varför neurala nätverk är så omvälvande.

Vad är neurala nätverk – och varför spelar det roll?

Neurala nätverk (även kallade artificiella neuronnät) är i grunden datorsystem uppbyggda av sammankopplade noder som fungerar ungefär som nervceller i en hjärna. Precis som biologiska neuroner tar dessa noder emot signaler, bearbetar dem och skickar vidare resultatet till andra noder. När många sådana noder kopplas samman i flera lager – ett inmatningslager som tar emot data, ett eller flera dolda lager som gör beräkningar, och ett utmatningslager som ger ett resultat – får vi ett system som kan lära sig att känna igen mycket komplexa mönster.

Man brukar säga att neurala nätverk ”simulerar den mänskliga hjärnan” och bearbetar data på ett liknande sätt. Det är därför neuronnät ibland kallas AI:s digitala hjärnor. De är självlärande algoritmer som genom träning justerar kopplingarnas styrkor (vikter) så att nätverket förbättrar sina beslut över tid.

Ett neuralt nätverk visualiseras som ett digitalt “nervsystem” med noder (neuroner) och länkar. Inspirerade av hjärnans uppbyggnad hanterar neurala nätverk information genom lager av sammankopplade noder.

Varför är då detta viktigt?

Jo, för att neurala nätverk har visat sig enormt kraftfulla på att lösa problem som traditionell programmering haft svårt med. Istället för att vi människor specificerar varje regel, kan ett neuralt nät tränas på data och självt hitta de relevanta mönstren. Resultatet är att AI med neurala nätverk idag överträffar mänsklig förmåga i vissa avgränsade uppgifter – och öppnar helt nya möjligheter.

Språk och text

De största språkmodellerna (LLM) som t.ex. ChatGPT och andra GPT-baserade AI-system är i grunden gigantiska neurala nätverk tränade på massiva textmängder. De kan skriva sammanhängande texter, översätta språk och svara på frågor på ett sätt som var otänkbart för några år sedan. Att ChatGPT blivit så använd vittnar om hur långt tekniken kommit – och det är neurala nätverk som möjliggjort denna språkliga förståelse.

Bild- och mönsterigenkänning

Inom sjukvården hjälper deep learning-modeller redan till att analysera röntgen- och MRI-bilder. Ett känt exempel är när Stanford-forskare utvecklade en algoritm som diagnostiserar lunginflammation från lungröntgen mer träffsäkert än erfarna radiologer. Nätverket, kallat CheXNet, lärde sig känna igen subtila skuggor och tecken på sjukdom genom att träna på över 100 000 röntgenbilder. På så sätt kan AI bistå läkare i att upptäcka sjukdomar tidigare och mer konsekvent.

Industrin och produktion

Neurala nätverk används för att förutsäga maskinhaverier innan de sker, s.k. prediktivt underhåll. Genom att analysera sensordata från produktionsutrustning kan AI upptäcka avvikelser som tyder på slitage eller fel – i tid för att åtgärdas. Exempelvis har BMW:s fabrik i Regensburg infört egna maskininlärningsmodeller som övervakar produktionslinan. Resultatet: man sparar över 500 minuter (drygt 8 timmar) produktionstid per år genom att undvika oplanerade stopp. Det motsvarar betydande kostnadsbesparingar och effektivare drift.

Transport och fordon

Självkörande bilar är utrustade med neurala nätverk för att “se” och tolka trafiken. Kameror, radar och Lidar samlar in enorma datamängder om omgivningen. Dessa flöden matas in i nätverk (ofta konvolutionella nätverk för bilddata) som kan identifiera vägens kanter, skilja på trafikskyltar, fotgängare, fordon etc.

I realtid förutser nätverken hur andra trafikanter rör sig och planerar en säker färdväg. Det som är för komplext för att uttrycka i traditionella “om X så Y”-regler (tänk alla möjliga trafiksituationer) klarar neurala nätverk genom att de lärt sig av miljontals kilometer kördata. Detta gör autonoma fordon möjliga.

Utbildning

AI används även för personligt anpassat lärande. Intelligenta digitala handledare kan ställa frågor, ge återkoppling och anpassa takten efter varje individs behov. Ny forskning från Harvard och MIT visade nyligen att studenter som fick undervisning via en AI-tutor (baserad på en stor språkmodell) lärde sig signifikant mer på kortare tid än de som deltog i traditionell klassundervisning. De kände sig också mer engagerade och motiverade. Detta antyder att AI-drivna handledare – tränade med pedagogiska metoder – kan förbättra utbildningsresultat och göra högkvalitativ utbildning tillgänglig i stor skala.

Sammanfattningsvis

Det neurala nätverk spelar en avgörande roll eftersom de utgör själva motorn i den pågående AI-revolutionen. Utan dem – ingen självkörande bil, inga smarta röstassistenter som Siri eller Alexa (som bygger på tränade nät för taligenkänning), inga medicinska AI-genombrott som DeepMinds AlphaFold, vilket med hjälp av deep learning löste gåtan att förutsäga proteiners 3D-struktur (utsågs till ”2021 års vetenskapliga genombrott” av tidskriften Science).

Neurala nätverk är varför AI plötsligt blev så mycket mer kraftfullt och användbart i praktiken.

Möjligheter, begränsningar och etiska perspektiv

Denna explosiva utveckling av AI och neurala nätverk öppnar fantastiska möjligheter. Vi ser redan hur tekniken kan användas för att rädda liv, effektivisera industrin och göra vardagen smidigare. På sikt hoppas man att AI ska hjälpa oss tackla stora samhällsutmaningar – från klimatanalys (genom att bearbeta enorma datamängder om väder, utsläpp och miljö) till att skapa personlig medicin anpassad efter individens unika förutsättningar. Möjligheterna är nästan oändliga så länge vi har kreativa idéer och data att lära av. Som en AI-expert uttrycker det:

“Utmaningen ligger i att balansera teknisk utveckling med etiska och praktiska krav – möjligheterna är nästan oändliga.”

Med andra ord: potentialen med neurala nätverk är enorm, men det gäller att använda dem på rätt sätt.

Viktiga begränsningar och utmaningar att vara medveten om

Datahunger och svarta låda

Djupa neurala nätverk kräver väldigt mycket data för att tränas ordentligt. Att samla in högkvalitativ data kan vara både dyrt och tidskrävande – och ibland omöjligt om fenomenet är sällsynt. Dessutom kan nätverken vara som en svart låda: de kan ge korrekta svar, men det är inte alltid uppenbart hur de kom fram till svaret.

För en läkare eller beslutsfattare är det ofta viktigt att få en förklaring (“varför anser AI att den här röntgenbilden visar lunginflammation?”). Explainable AI (XAI) har vuxit fram som ett forskningsfält för att hantera detta, med målet att göra AI-modellers resonemang mer begripliga. Men i dagsläget är bristen på transparens en begränsning – man kan behöva lita på systemet utan att fullt ut förstå dess inre logik.

Kvalitet in – kvalitet ut

Ett neuralt nätverk är inte smartare än den data det fått att träna på. Om datan innehåller fel eller skevheter kommer AI:n att ärva dessa. Det klassiska ordspråket “garbage in, garbage out” gäller i allra högsta grad. Till exempel misslyckas cirka 85 % av AI-projekt i företag med att nå ända fram. En stor orsak är just problem med data – den kan vara bristfällig, partisk eller svår att integrera i verksamheten.

Företag undervärderar ibland hur mycket arbete som krävs för att få rätt data på plats och anpassa verksamheten efter AI-insikter. Det behövs robust datakvalitet, tydliga mål och ofta en hel del experimenterande för att lyckas. Som AI-pionjären Andrew Ng påpekat:

“AI failar inte – det är organisationer som failar med AI”

Underförstått att tekniken i sig är kapabel men många projekt snubblar på organisatoriska hinder och orimliga förväntningar.

Hallucinationer och fel

Den nya generationens generativa AI-system (som stora språkmodeller) lider av fenomenet ”hallucinationer” – de hittar på svar som låter övertygande men som är faktamässigt fel. Det beror på att de saknar en sanningsmotor; de förutspår nästa ord baserat på sannolikhet, inte på uppslag i en kunskapsdatabas. Detta kan leda till bisarra eller direkt felaktiga resultat om de används utan mänsklig övervakning.

Det illustrerar att även avancerade neurala nät inte “förstår” i mänsklig mening – de speglar bara statistik från träningen. För kritiska tillämpningar (medicin, juridik, säkerhet) är detta en begränsning som kräver lösningar, t.ex. kombination med verifierade databaser eller inbyggda faktakontroller.

Resurser och miljö

De största AI-modellerna kräver enorm beräkningskraft. Att träna ett enda mycket stort neuralt nätverk kan kosta miljontals kronor i molntid och drar mycket el. Detta väcker frågor om hållbarhet – hur många sådana modeller kan vi träna, och var ska all energi komma ifrån? Man forskar på effektivare algoritmer och specialiserad hårdvara (AI-chip) för att sänka kostnaden och klimatavtrycket, men i nuläget är resurskraven en faktor att räkna med.

Inom etik och samhälle finns också utmaningar att belysa

Bias och rättvisa

Neurala nätverk lär sig från historiska data – och om dessa data innehåller bias (omedvetna skevheter eller orättvisor) riskerar AI-systemet att reproducera eller till och med förstärka dem.

Ett uppmärksammat exempel är ansiktsigenkänningsteknik. Studier har visat att sådana system kan vara mycket mindre träffsäkra för kvinnor och för personer med mörk hudfärg, jämfört med för ljushyade män. I en studie från MIT Media Lab var felmarginalen för ljushyade män bara 0,8 %, medan den för mörkhyade kvinnor var hela 34,7 %.

Det är en dramatisk skillnad som i praktiken innebär att AI:n har svårt att identifiera personer som inte liknar dem i träningsdatan. Konsekvensen blir diskriminering – i det här fallet automatiserad sådan – om tekniken används exempelvis av polis eller för övervakning. Detta är oacceptabelt, och många forskare och företag jobbar aktivt på att både förbättra databalansen och införa etiska riktlinjer för att motverka bias i AI.

Det är en påminnelse om att AI inte är neutral: den speglar oss och våra fördomar om vi inte är försiktiga.

Transparens och ansvar

Om en AI gör ett felbeslut – vem bär ansvaret? Detta är en knivig etisk och juridisk fråga. I exempelvis en självkörande bil som är inblandad i en olycka: var det bilens AI som brast, data den tränats på, utvecklaren som byggde modellen, eller ägaren som inte uppdaterade systemet? Ansvarsfrågan är ännu inte löst i många fall och lagstiftning försöker hinna ikapp.

Samtidigt efterfrågas transparens: medborgare har rätt att veta om de blir bedömda av en algoritm (t.ex. vid banklån eller rekrytering) och hur beslutet togs. Här kommer också krav på förklaringar och ”rätten att bli glömd” (att få felaktiga uppgifter raderade) in i bilden.

Integritet och övervakning

AI kan användas till fantastisk nytta, men också på sätt som inkräktar på privatlivet. Intelligent analys av videoövervakning, sociala medie-flöden, inköp etc kan användas för att profilera individer in i minsta detalj. Deepfakes (syntetiskt framställda bilder, video eller röster) blir svårare att skilja från äkta vara, vilket riskerar spridning av desinformation eller identitetsbedrägerier. Här ställs vi som samhälle inför etiska avvägningar: hur balanserar vi säkerhet och innovation mot skydd av individens rättigheter?

Den goda nyheten är att världen börjar få upp ögonen för dessa frågor.

Etik har blivit ett stående tema på AI-konferenser, och regeringar runt om i världen tar fram regelverk. EU ligger i framkant med sin nya AI Act, som antogs 2024 och är världens första heltäckande AI-lagstiftning. Lagen klassar AI-tillämpningar efter risknivå och förbjuder direkt farliga användningar (som massövervakning eller social scoring i kinesisk tappning). Den ställer också krav på transparens – t.ex. att AI-genererat innehåll (som deepfakes) måste märkas som artificiellt – och att hög-risk AI-system genomgår noggranna tester för rättvisa och säkerhet. En av initiativtagarna, EU-parlamentarikern Brando Benifei, sade i samband med antagandet:

“We finally have the world’s first binding law on artificial intelligence, to reduce risks, create opportunities, combat discrimination, and bring transparency”

Det fångar andan i varför lagen behövs. Europa vill både skydda medborgarna och främja innovation under ansvar. Även i USA, Kina och andra länder förs diskussioner om AI-regler, om än i olika takt.

Teknikföretag inför under tiden egna etiska råd och riktlinjer

Det pratas om ”AI governance” – att styra och kontrollera AI-system så att de följer våra värderingar. Flera av de stora aktörerna (Google, Microsoft, OpenAI m.fl.) samarbetar numera med akademiker och myndigheter för att ta fram standarder för pålitlig AI. Ett exempel är initiativ för att märka AI-innehåll och spåra ursprunget, för att bromsa desinformation. Ett annat är satsningar på öppen källkod och delade verktyg som gör att fler kan granska och förstå hur AI-modeller fungerar, vilket i sin tur ökar transparensen.

Vanliga AI-missförstånd

En annan viktig aspekt är att hantera vanliga missförstånd om AI. Ett sådant är den återkommande science fiction-idén att AI är på väg att bli medveten och “ta över världen”. I verkligheten är dagens neurala nät långt ifrån något medvetande – de är specialiserade mönsterigenkännare, inte tänkande varelser. Det finns legitima farhågor kring avancerad AI (vilket vi strax ska diskutera), men det är viktigt att inte blanda ihop nuvarande system med filmens självtänkande robotar.

Ett annat missförstånd är att AI magiskt kan lösa allt bara man installerar det. Som vi såg ovan misslyckas många AI-projekt när denna övertro möter verkligheten. AI är ett kraftfullt verktyg, men det kräver rätt förutsättningar, korrekt användning och ofta mänsklig expertis i symbios för att ge resultat. Att ha en nyanserad bild av både potential och begränsningar gör att vi kan fatta bättre beslut kring när och hur AI ska användas.

Vad säger forskningen, tekniken och framtidens experter?

När vi blickar framåt står det klart att neurala nätverk och AI kommer fortsätta att utvecklas i snabb takt. Forskningen på området är väldigt dynamisk. Varje år presenteras nya arkitekturer, optimeringsmetoder och tillämpningar. Ett fokusområde just nu är att göra AI-modeller mer förklarliga och robusta, vilket vi berört. Ett annat är att minska beroendet av enorma datamängder – dvs. att nätverken ska lära sig mer effektivt, kanske genom att kombinera lärande med någon form av logik eller genom att bättre utnyttja förkunskap. Transfer learning (att återanvända en tränad modells “kunskap” i ett nytt sammanhang) och få-skott-inlärning (att klara uppgifter med väldigt få exempel) är trender som växer fram för att göra AI mer flexibelt och mindre datatörstigt.

På den tekniska fronten ser vi också att hårdvaran specialiseras. Grafikkort (GPU:er) har länge varit AI-forskarnas favoriter, men nu utvecklas TPU:er (Tensor Processing Units) och andra AI-chip som är ännu mer anpassade för neurala nätverk. Detta behövs för att hantera framtidens ännu större modeller utan orimliga kostnader. Parallellt sker framsteg inom kvantdatorer som på sikt kanske kan accelerera vissa beräkningar i AI, även om det ligger en bit fram i tiden.

Och vad säger experterna om framtiden? Det råder delade meningar, med både optimism och försiktighet

Å ena sidan har vi framstående AI-forskare som Andrew Ng, som menar att existerande AI-tekniker (som deep learning) har massor kvar att ge och att farhågor om “superintelligens” är överdrivna i närtid. “Jag har svårt att se hur AI skulle kunna utgöra någon meningsfull risk för mänsklighetens överlevnad… dess nettobidrag till samhället kommer tvärtom att vara enormt”, säger Ng. Han pekar på att det vi främst bör fokusera på nu är att hantera de praktiska riskerna som bias, felaktigheter och jobbomställningar – vilket går att lösa – snarare än att oroa oss för science fiction-scenarier. Denna pragmatisk-optimistiska skola ser AI som “den nya elektriciteten” som kommer genomsyra allt och förbättra de flesta industrier, om än med arbete för att undvika fallgroparna.

Å andra sidan finns erfarna röster som Geoffrey Hinton, en av “gudfäderna” inom neurala nätverk, som nyligen uttryckt en ökad oro för vart det hela kan leda. Hinton – som för övrigt belönades med 2024 års Nobelpris i fysik för sin banbrytande forskning om neurala nät – sade i en intervju: “Jag är ganska stolt över vad vi har åstadkommit… Men jag är också väldigt orolig. Kommer vi kunna hålla kontrollen?”. Han spekulerar att vi inom 5–20 år kanske utvecklar AI som överträffar mänsklig intelligens. I värsta fall, menar han, skulle en sådan superintelligens kunna få egna mål som strider mot våra, om vi inte tänker till nu. Hinton förespråkar därför ökade satsningar på AI-säkerhet – att forska i hur vi designar framtidens ännu smartare AI så att de förblir lojala mot mänskliga intressen.

Flera tech-profiler och forskare gick (2023) ihop och publicerade ett öppet brev där de krävde en paus i utvecklingen av alltför kraftfull AI, just för att hinna ta fram säkerhetsregler. Bland undertecknarna fanns namn som Elon Musk, Steve Wozniak och även forskare från svenska universitet.

För oss som inte själva forskar fram AI-algoritmer utan främst är användare och implementerare gäller det att lyssna på båda sidor.

Troligen ligger sanningen någonstans mittemellan: AI kommer fortsätta bli mer kapabel och integreras djupare i samhället, vilket både kan ge enorm nytta och introducera nya risker. Nyckeln blir att följa forskningen noga, att föra dialog mellan tekniker, etiker, jurister och allmänhet – och att sätta upp kloka ramar innan olyckor eller missbruk sker.

En sak är säker: framtiden för neurala nätverk och AI är oerhört spännande. Vi står kanske bara i början av vad som är möjligt. Kommande år kan vi se AI-system som designar nya läkemedel från grunden, hjälper oss förutspå naturkatastrofer tidigare, eller tar hand om tråkiga rutinsysslor så att vi människor kan fokusera på mer meningsfullt arbete. Samtidigt måste vi navigera utmaningar som omställningar på arbetsmarknaden – många jobb kommer förändras eller flyttas när AI tar över vissa moment. Historiskt har teknologisk utveckling skapat nya roller i takt med att gamla försvinner, men det kräver utbildning och anpassning.

Sammanfattningsvis

Neurala nätverk utgör den innersta dockan i AI-världen – en gång en teoretisk idé inspirerad av hjärnan, idag en beprövad teknik som driver verkliga innovationer. För att framgångsrikt nyttja dem behöver vi förstå både deras styrkor (imponerande mönsterigenkänning och lärande) och deras svagheter (beroende av data och svårigheten att förklara beslut). Vi behöver även vara uppmärksamma på de etiska aspekterna och aktivt arbeta för ansvarsfull AI.

Framtiden för AI är som ett stort gemensamt projekt för mänskligheten. Med rätt kunskap, tydliga värderingar och lite ödmjukhet inför utmaningarna kan vi se till att denna mäktiga teknik blir ett verktyg för positiva förändringar. Neurala nätverk – dessa digitala hjärnor – kommer att fortsätta slå nya rekord och överraska oss. Låt oss omfamna möjligheterna, vara medvetna om riskerna och tillsammans forma en framtid där AI fungerar i samspel med mänsklig kreativitet och etik.