Innledning til KI

Hvorfor er kunstig intelligens så aktuelt?

Siden ChatGPT ble lansert i slutten av 2022 har kunstig intelligens (KI) vært på alles lepper. Man leser om det i media, folk snakker om det, bedrifter konkurrer om å ta det i bruk på mest mulig effektiv måte, og land konkurrerer om å skaffe seg de fordelene et overtak innen KI vil kunne gi.

Dette er med god grunn, siden KI har ekstremt høyt potensiale, til ekstremt mange ting. Systemer basert på kunstig intelligens har potensial til å transformere næringer, øke folk og bedrifters produktivitet, skape kriser, kanskje få slutt på kriser, og vil kunne gripe inn i samfunnet på mange nivåer.

Allerede nå spiller KI stor rolle, og noen eksempler på kunstig intelligens per nå er generativ KI (eks., skape tekst, grafikk, lyd), forslag til filmer på strømmetjenester, oversettelsesprogrammer og personlige assistenter som Siri og Alexa.

Dette er eksempler på strålende tjenester – men tenk enda litt lengre. Tenk samfunnet før og etter smarttelefonen, eller internett. Så viktig kan også KI bli. Det er ikke uten grunn at EU jobber med et nytt regelverk for KI, at OpenAI (som har laget ChatGPT) per september 2023 er verdsatt til 80-90 milliarder dollar, eller at den amerikanske teknologibørsen har skutt fart på forventinger som er relaterte til bruk av KI.

Grunnen til at KI er så aktuelt er altså ikke at det er morsomt å bruke Dall-e2, men at KI kan føre til store endringer både i lokale og det globale samfunnet, og enkeltmenneskers liv i veldig høy grad. En omveltning kan være i ferd med å skje, og ingen vil stå igjen på perrongen.

Målet med denne artikkelen

Målet med denne artikkelen er å gi en enkel innledning til KI for norske lesere. Vi vil utforske hva KI er, definere viktige begreper, og se nærmere på bruksområder, hvordan kunstig intelligens fungerer, og potensielle farer det innebærer. For kontekst ses det også til historisk utvikling og videre til viktige bidragsytere og kjente profiler i dag (som eks. kan følges videre).

Dette vil forhåpentligvis gi en grunnleggende forståelse, og ikke minst bidra til videre nysgjerrighet innen dette ekstremt spennende og aktuelle feltet.

Hva er kunstig intelligens?

Kunstig intelligens (engelsk «artificial intellgence») brukes vanligvis om teknikk som gir datamaskiner og dataprogrammer en mest mulig intelligent respons (fra Wikipedia).

Videre er KI et forskningsfelt innen informatikk som tar sikte på å skape maskiner og datasystemer som kan utføre oppgaver som vanligvis krever menneskelig intelligens. Disse oppgavene inkluderer læring, resonnering, problemløsning, forståelse av naturlig språk, og visuell persepsjon. KI-systemer kan også oppfatte og reagere på omgivelsene sine, og i noen tilfeller til og med samhandle med mennesker på en tilsynelatende naturlig måte. Dette kan oppsummeres som at KI justerer sin egen aktivitet og kan derfor fremstå tilsynelatende intelligent. For å kunne påstås å være intelligent må da KI både tolke eksterne data, lære, og anvende dette til å løse oppgaver.

Kunstig intelligens kan imidlertid ha flere betydninger alt etter hvem man spør, og innen hvilket felt, og selv om det er enkelt å gi en unyansert definisjon (eks. ovenfor), er det ikke enkelt å gi en dekkende eller veldig god definisjon.

Spørsmålet om kunstig intelligens er virkelig intelligent, avhenger av hvordan vi definerer intelligens. I menneskelig sammenheng refererer intelligens ofte til vår evne til å lære, løse problemer, tenke logisk og abstrakt, forstå og produsere språk, samt tilpasse oss nye situasjoner.

Dette er åpenbart komplisert – og kan man da si at et dataprogram som blir matet med data uten å forstå dataene er intelligent? Og kan et program forstå noe som helst i det hele tatt, annet enn å rubrisere dataene inn i kjente kategorier?

Er kunstig intelligens egentlig intelligent?

En ekte kunstig intelligens, vil kunne være faktisk bevisst (selvbevisst), sette sine egne mål, og fungere som et selv. Dette kalles gjerne generell kunstig intelligens (GKI) eller sterk KI.

Til dags dato har vi ikke oppnådd generell kunstig intelligens, og det finnes ikke noen KI-systemer som er i stand til å matche den brede og fleksible intelligensen til mennesker. Mange eksperter innen feltet er uenige om hvorvidt og når generell KI vil bli realisert, med noen som tror at det er mulig innen få tiår, mens andre mener det kan ta mye lenger tid eller at det kanskje aldri vil bli oppnådd.

Videre er det et poeng at KI-systemer avhengig av algoritmer og data for å lære og ta beslutninger, og kvaliteten på deres ytelse avhenger av kvaliteten på dataene og algoritmene som brukes. KI-systemer kan også være utsatt for bias og feil hvis dataene som brukes til å trene dem ikke er representative, eller er feilaktige. I et KI-system kan slike bias bli helt katastrofale, fordi størrelsene ikke er koblet til en egen forståelse. Hvis en KI blir spurt om en løsning på menneskeskapt global oppvarming vil den kunne gi svar som ikke tar hensyn til det mennesker ser på som grunnleggende sannheter – slik som verdien av liv. For en KI kan en slik tenke seg at den vil foreslå å hindre global oppvarming ved å atombombe hele verden. Da kuttes alle utslipp, og utslippene synker. Et friskt menneske vil ikke komme til det samme som en OK løsning – men en KI har ikke et verdisett, med mindre den har fått satt parametere av mennesker.

Uavhengig av om et program er selvbevisst og kan ha en kvalitativ forståelse av noe, kan det lære av egne feil – optimalisere seg selv – så lenge det får satt parameter, altså hva som er målet, hva som er riktig og hva som er feil. Slik KI – KI som finnes i dag og som er mer eller mindre dyktig til å løse konkrete oppgaver gitt av mennesker – kalles svak KI.

Smal KI er spesialisert og designet for å utføre en enkelt oppgave eller et begrenset sett av oppgaver, som for eksempel bildetekst eller stemmegjenkjenning. Denne typen KI er allerede i bruk i mange applikasjoner og har vist seg å være svært effektiv innenfor sitt spesifikke bruksområde.

I lys av dette kan man si at selv om KI-teknologien kan betraktes som intelligent i visse sammenhenger, er den ikke intelligent som sådan; den har ingen vilje eller bevissthet. Selv om dagens programmer, som ChatGPT 4 kan være svært overbevisende, er det altså ingen vilje eller bevissthet der. ChatGPT vil ikke gjøre noe fordi programmet selv har lyst til det – det vil kun svare på en kommando og regne sannsynlighet basert på det den er trent opp på og til.

I samme åndedrag som KI nevnes ofte maskinlæring, som kan kalles en type KI eller anvendt KI. Maskinlæring betyr at et datasystem lærer fra data for å forbedre sin ytelse på en gitt oppgave. Andre sentrale uttrykk innen kunstig intelligens er dyp læring og nevrale nettverk (med mange lag), som har vist seg å være spesielt effektive innen bildegjenkjenning, talegjenkjenning, og naturlig språkbehandling. Teknologier som bildegjenkjenning, tale-til-tekst-tjenester og maskinoversettelse (som Google Translate) er alle basert på nevrale nettverk og dyp læring.

Det finnes mange typer KI-algoritmer og metoder, som spenner fra symbolske tilnærminger basert på logikk og kunnskapsrepresentasjon, til statistiske metoder som fokuserer på sannsynlighetsmodeller og mønstergjenkjenning. Alle disse metodene har som mål å gjøre datamaskiner og systemer i stand til å utføre komplekse oppgaver og tilpasse seg nye situasjoner på en intelligent måte.

Siden KI er et tverrfaglig felt, trekker det på innsikt fra en rekke andre disipliner, inkludert psykologi, nevrovitenskap, filosofi og lingvistikk. Dette bidrar til en rik og mangfoldig forskningsagenda som strekker seg fra grunnleggende teoretisk arbeid til praktiske anvendelser og systemutvikling.

Nøkkelbegreper og terminologi

For å få en dypere forståelse av kunstig intelligens og relaterte teknologier, er det viktig å kjenne til noen av de grunnleggende begrepene og terminologien som brukes i feltet. I dette avsnittet presenteres en oversikt over noen av de mest sentrale begrepene og deres betydning.

1. Algoritme: En algoritme er en sekvens av instruksjoner eller regler som utføres for å løse et bestemt problem eller utføre en bestemt oppgave. Algoritmer er kjernen i KI-systemer, og de kan være enkle eller svært komplekse, avhengig av oppgaven de skal løse. Se også egen artikkel om hva en algoritme er her.

2. Big Data: Big Data refererer til store mengder data som genereres og samles inn fra ulike kilder, inkludert internett, sensornettverk og smarte enheter. KI-systemer er ofte avhengige av Big Data for å trene og forbedre sine algoritmer.

3. Dyp læring: Dyp læring er en underkategori av maskinlæring som fokuserer på å bruke kunstige nevrale nettverk med mange lag for å lære komplekse mønstre og representasjoner av data. Dyp læring har vært ansvarlig for mange gjennombrudd innen KI de siste årene, spesielt innen bildegjenkjenning, talegjenkjenning og naturlig språkforståelse.

4. Forsterkning læring: Forsterkning læring er en type maskinlæring der en algoritme lærer å ta beslutninger ved å utforske et miljø og motta tilbakemeldinger i form av belønninger eller straffer. Forsterkningslæring skiller seg fra overvåket og uovervåket læring ved at det ikke krever merkede data, og agenten lærer gjennom prøving og feiling ved å samhandle med omgivelsene.

5.    Generativ KI: KI-teknologi som skaper tekst, bilder, video e.l., basert på en beskrivelse fra et menneske og enorme datamengder som KI-en er “trent” med.

6. Maskinlæring: Maskinlæring er en underkategori av KI som fokuserer på å utvikle algoritmer som kan lære av og tilpasse seg data. Maskinlæring involverer ofte å finne mønstre i data og bruke disse mønstrene til å lage forutsigelser eller ta beslutninger.

7. Naturlig språkbehandling (NLP): Naturlig språkbehandling er en gren av kunstig intelligens (KI) som fokuserer på å lære datamaskiner å forstå og generere naturlig språk som mennesker bruker, slik som tekst og tale. NLP anvender teknikker som sentimentanalyse, tekstklassifisering og oversettelse.

8. (Kunstig) nevralt nettverk (ANN): Et kunstig nevralt nettverk er en matematisk modell som etterligner strukturen og funksjonen til biologiske nevrale nettverk. ANN består av et stort antall sammenkoblede noder, kalt “nevroner”, som prosesserer og overfører informasjon. Disse nettverkene brukes i mange KI-systemer, spesielt innen dyp læring. Disse nevrale nettverkene kan sies å være inspirert av hjernens biologiske nevrale nettverk og kan lære å gjenkjenne mønstre og representasjoner i dataene de blir trent på. NB: At noe inspirasjon er hentet fra den menneskelige hjernen betyr ikke at nevrale nettverk og menneskehjernen er særlig lik.

9. Overvåket læring: Overvåket læring er en type maskinlæring der en algoritme trenes ved hjelp av et sett med merkede data, der hvert datapunkt inneholder både input og ønsket output (etikett). Algoritmen lærer å forutsi etiketter for nye datapunkter basert på denne opplæringen (til motsetning fra uovervåket læring).

10.                Promt: Ledetekst på norsk, typisk inndata til en KI-modell. Se egne artikler om promts her. Hvordan du lager gode prompts til KI og Hvordan skrive gode prompts?

11.                Sentimentanalyse: Sentimentanalyse er en teknikk innen NLP som brukes til å identifisere og trekke ut subjektiv informasjon fra tekst, slik som holdninger, meninger og følelser. Sentimentanalyse kan være nyttig for å analysere kundeanmeldelser, sosiale medier og andre former for tilbakemeldinger.

12.                Sterk KI: Generell kunstig intelligens, som er selvbevisst og faktisk intelligens. Til motsetning fra svak kunstig intelligens.

13.                Svak KI: Programvare som kan løse oppgaver gitt av mennesker på tilsynelatende intelligent måte, uten å være selvbevisst eller å tenke som sådan. Til motsetning fra sterk kunstig intelligens.

14.                Skalerbarhet: Skalerbarhet refererer til evnen til å håndtere stadig økende datamengder og trafikk uten at systemet kollapser. Skalerbarhet er viktig for KI-systemer som ofte krever store mengder data og høy ytelse for å fungere effektivt. 

15.                Uovervåket læring: Uovervåket læring er en type maskinlæring der en algoritme trenes uten merkede data. I stedet for å lære å forutsi etiketter, lærer algoritmen å finne mønstre og strukturer i dataene, for eksempel ved å gruppere lignende datapunkter sammen (klyngeanalyse) eller ved å redusere dimensjonaliteten av dataene (dimensjonsreduksjon) (til motsetning fra overvåket læring).

Bruksområder for kunstig intelligens

Kunstig intelligens (KI) har et bredt spekter av bruksområder og har allerede hatt voldsom innvirkning på en rekke sektorer. Jeg har skrevet noe nærmere om dette i en egen artikkel om eksempler på kunstig intelligens.

Her nevnes derfor bare helt kort noen av de mest fremtredende bruksområdene for KI per 2023, som igjen kan anvendes konkret på ekstremt mange måter:

Generativ KI

Generativ kunstig intelligens er en gren av KI som fokuserer på å skape nye data, ideer eller løsninger ved å lære fra eksisterende data. Disse KI-systemene er i stand til å generere innhold som kan være realistisk, flott og til og med (tilsynelatende) overgå menneskelig kreativitet innenfor visse domener. Jeg skriver tilsynelatende, fordi KI jo ikke er selvbevisst og ikke kan tenke i det hele tatt. Spørsmålet da blir hva kreativitet egentlig er, men det vil være et langt lerret å bleke.

Automatisering og robotikk

En av de mest kjente anvendelsene av KI er automatisering av oppgaver og prosesser. KI-algoritmer kan effektivt utføre en rekke oppgaver som tidligere krevde menneskelig innsats, noe som fører til økt produktivitet og effektivitet. Industrielle roboter som automatiserer produksjonslinjer og programvare for automatisering av arbeidsflyt er eksempler på slik automatisering.

Bildegjenkjenning

KI brukes mye innen bildegjenkjenning og -analyse. Med nevrale nettverk og dyp læring kan KI-systemer gjenkjenne og klassifisere objekter i bilder og video med høy presisjon. Denne teknologien brukes i alt fra medisinsk bildeanalyse til ansiktsgjenkjenning og fotobaserte søkemotorer.

Språk og tale

Naturlig språkbehandling (NLP) er et sentralt område innen KI som omhandler forståelse og generering av menneskelig språk. KI kan analysere tekst, identifisere følelser, oversette mellom språk og generere sammendrag. Talegjenkjenning og syntese er også viktige KI-applikasjoner, og muliggjør blant annet stemmestyrt assistanse som Siri og Google Assistant.

Simulering

KI kan også benyttes til simulering av både systemer og miljøer – som igjen gir opphav til en rekke bruksområder og som ikke bare har betydning for hva kunstig intelligens kan gjøre, og også hva det er. Maskinlæring er jo ekstremt forenklet at maskinen lærer ved å simulere (prøve igjen og igjen og igjen). Et lettfattelig eksempel kan være simulering av spill (fordi reglene og paramentene er definerte og enkle slik sett). Ved å simulere kan KI bli bedre og bedre, og allerede i 1997 vant datamaskinen “Deep Blue” mot datidens beste sjakkspiller, Garry Kasparov. Det krever mer å lære spill med flere muligheter, men det finnes i dag KI-algoritmer som spiller både “go” og poker på ekspertnivå, selv om man tidligere trodde disse spillene var for avanserte for maskiner å mestre.

Hvordan fungerer kunstig intelligens?

Kunstig intelligens fungerer slik at maskinen kan trene seg selv – altså bli bedre og bedre til å utføre en oppgave basert på dataene den har til rådighet. Dette krever avanserte algoritmer og datastrukturer, og her skal vi kun skrape i overflaten på konseptnivå.

Det finnes flere tilnærminger til KI, men noen av de mest fremtredende metodene inkluderer maskinlæring, nevrale nettverk og symbolsk resonnering.

1. a) Maskinlæring er en underkategori av KI som fokuserer på å lære fra data. Maskinlæringsalgoritmer bruker treningsdata for å lære å utføre en bestemt oppgave, som for eksempel å klassifisere bilder eller forutsi verdier. Disse algoritmene justerer seg selv basert på dataene de blir utsatt for, slik at de blir bedre til å løse oppgaven over tid.

2. b) Nevrale nettverk er en type maskinlæringsalgoritme som er inspirert av strukturen og funksjonen til den menneskelige hjerne. Disse nettverkene består av et sett med sammenkoblede noder (eller “nevroner”) som prosesserer og sender informasjon mellom hverandre. Hvert nevron mottar inndata, behandler dem ved hjelp av en aktiveringsfunksjon og sender deretter utdata til andre nevroner i nettverket. Ved å justere vekter og forbindelser mellom nevronene kan nevrale nettverk lære å utføre komplekse oppgaver, som for eksempel bildegjenkjenning og naturlig språkbehandling.

3. c) Symbolsk resonnering, også kjent som GOFAI (Good Old-Fashioned Artificial Intelligence), er en tilnærming til KI som fokuserer på manipulering av symboler og logikkbaserte regler for å løse problemer. Denne metoden innebærer å representere kunnskap og informasjon som symboler og deretter bruke formelle regler og algoritmer for å manipulere disse symbolene for å løse problemer eller trekke slutninger.

Mange moderne KI-systemer kombinerer elementer fra disse tilnærmingene for å oppnå best mulig ytelse og fleksibilitet. For eksempel kan et KI-system som jobber med naturlig språkbehandling bruke både nevrale nettverk og symbolsk resonnering for å analysere og generere tekst på en mer effektiv og sofistikert måte.

Vi ser litt nærmere på dette i sammenheng med generativ KI nedenfor.

Særlig om generativ KI

Generativ kunstig intelligens er en gren av KI som fokuserer på å skape nye data, ideer eller løsninger ved å lære fra eksisterende data. Disse KI-systemene er i stand til å generere innhold som kan være kreativt, realistisk eller til og med (tilsynelatende) overgå menneskelig kreativitet innenfor visse domener. Jeg skriver tilsynelatende, fordi KI jo ikke er selvbevisst og ikke kan tenke i det hele tatt. Spørsmålet da blir hva kreativitet egentlig er, men det vil være et lang lerret å bleke.

Generativ KI kan brukes til å generere output som er både kul og ser kreativ ut, men dette er i realiteten output som består i nye sammensettinger av andres data. Eierne av dagens generative KI-er har «scrappet» / matet KI-programmene med ekstreme mengder data, og dette er blitt brukt til å «trene» KI-en. I praksis er ofte og sannsynligvis dette gjort ved at KIene er trent på enorme datasett, som slett ikke er ukontroversielt, for det er ikke nødvendigvis fritt frem å bruke andres data eller verk. Dette har blitt tema i Norge og i andre land, både for tekst og bilder, og de første rettslige saksanleggene er for lengst levert inn og skal snart behandles.

Uansett – generativ KI bruker vanligvis avanserte maskinlæringsmetoder som såkalte generative adversarielle nettverk (GANs) og variational autoencoders (VAEs) for å oppnå sine mål.

1. a) Generative adversarielle nettverk (GANs) er en type nevrale nettverk som består av to separate nettverk: en generator og en diskriminator. Generatoren lærer å lage realistiske data (for eksempel bilder) ved å etterligne eksempler fra en treningsdatasett, mens diskriminatoren lærer å skille mellom ekte og falske data. Gjennom en iterativ prosess konkurrerer generatoren og diskriminatoren mot hverandre, noe som resulterer i en stadig forbedret generativ modell. GANs har blitt brukt til å skape realistiske bilder, musikk og annet innhold som kan være vanskelig å skille fra menneskeskapt materiale.

2. b) Variational autoencoders (VAEs) er en annen type generativ KI som bruker nevrale nettverk for å lære en kompakt og kontinuerlig representasjon av data. VAEs består av en koder som konverterer inndata til en latent romrepresentasjon og en dekoder som rekonstruerer data fra denne latente representasjonen. Ved å lære en slik kompakt representasjon av data, kan VAEs generere nye, realistiske eksempler ved å manipulere og kombinere elementer i det latente rommet.

Generativ KI har en rekke bruksområder, inkludert kunst, design, musikkproduksjon, tekstgenerering og mer. For eksempel har generative KI-systemer blitt brukt til å skape realistiske malerier i stilen til kjente kunstnere, generere nye møbler og bygningsdesign og komponere musikk i forskjellige stilarter og sjangre.

Eksempler på programmer for generativ KI er ChatGPT, Dall-E2, Midjourney, NighCafe, Bard, Perplexity og Character.AI.

Potensielle farer og etiske utfordringer med kunstig intelligens

Er kunstig intelligens farlig?

Kunstig intelligens har potensialet til å bringe betydelige fordeler til menneskeheten, men også noen farer og etiske bekymringer. Enkelte eksperter har uttrykt bekymring for at KI kan utgjøre en eksistensiell trussel mot menneskeheten dersom det utvikles uforsvarlig eller faller i gale hender. En av de mest kjente talsmennene for denne bekymringen er Elon Musk, som har advart mot potensielle farer ved ukontrollert utvikling av KI. En annen kjent forsker som har uttrykt bekymring er Stephen Hawking, som mente at KI kan være enten det beste eller det verste som noen gang har skjedd menneskeheten.

Likevel – med all ny og kraftig teknologi kommer det både farer og muligheter. Atomkraft – bra, og skummelt. Internett – fantastisk, og skummelt. TV – fint å se på, kan brukes til propaganda og enkelte vil si at folk blir både late og passive av dem. Mobiltelefon? Har åpenbart også gode og dårlige sider.

Tilsvarende er det med KI; det kan bringe betydelige fordeler, og det ligger en del åpenbare farer der.

Singularitet

Singularitet er et begrep som ofte brukes i sammenheng med kunstig intelligens og refererer til et teoretisk tidspunkt der teknologisk utvikling, spesielt innen KI, akselererer så raskt at det blir umulig for mennesker å forutsi eller kontrollere utfallet]. Dette hypotetiske øyeblikket antas å oppstå når KI utvikler seg til et nivå der det kan forbedre seg selv uten menneskelig inngripen, noe som fører til en eksplosiv vekst i intelligens og teknologiske fremskritt. Mer eller mindre dystopiske eksempler er fremstilt gjennom en rekke filmer og serier, tenk “the Matrix”, “the Terminator” eller “Her”.

Sikkerhet, personvern og ansvar

Sikkerhet og personvern er viktige etiske hensyn i utviklingen av KI-systemer. KI kan brukes til å samle inn og analysere store mengder personlig informasjon, noe som potensielt kan føre til overvåkning og inngrep i personvernet. Videre kan KI-systemer være sårbare for hacking og annen ondsinnet aktivitet, noe som kan få alvorlige konsekvenser for både enkeltpersoner og samfunnet som helhet.

Et eksempel på personvernsrisiko forbundet med KI er utviklingen av ansiktsgjenkjenningsteknologi. Denne teknologien kan brukes til å identifisere og spore enkeltpersoner uten deres samtykke, noe som reiser bekymringer om personvern og potensiell misbruk. Flere byer og land har tatt skritt for å begrense bruken av ansiktsgjenkjenningsteknologi i offentlige rom.

Ansvarsspørsmålet er også en sentral etisk bekymring i KI. Når KI-systemer blir mer autonome og i stand til å ta beslutninger på egen hånd, kan det bli vanskelig å fastslå hvem som er ansvarlig for handlingene til disse systemene. Dette reiser spørsmål om hvordan vi skal tildele ansvar og regulere KI på en rettferdig og effektiv måte. En mulig løsning kan være å utvikle juridiske rammer som sikrer at KI-systemer og deres utviklere og brukere er ansvarlige for konsekvensene av systemets handlinger.

Kunstig intelligens og juss

Eierskap til det som skapes

I lys av den lynraske utviklingen som har vært innen generativ KI har det oppstått en rekke problemstillinger knyttet til opphavsrett og eierskap til KI-generert materiale. Blant annet: hvem har opphavsretten til innhold som er generert av en KI, som for eksempel ChatGPT?

Under norsk rett er det ikke endelig tatt stilling til hvem som eier KI-generert innhold eller hvem som har opphavsretten til dette, slik at det er noe usikkert hvordan dette vil slå ut i et konkret tilfelle. Det finnes imidlertid relevante kilder som kan sette oss i stand til å gjøre noen antakelser (NB: alle antakelser og eventuelle anvendelser av dette skjer på eget ansvar).

Først, opphavsrett er en rett den som skaper et åndsverk har (se åndsverkloven § 1 første ledd). Et åndsverk er noe som er et resultat av en original og skapende innsats (se eksempelvis Høyesteretts dom om Il Tempo Gigante i Hunderfossen familiepark (HR-2017-2165-A, særlig avsnitt 66, med videre henvisninger). Opphavsretten gir i effekt enerett til å fremstille eksemplarer av et verk, og å gjøre det tilgjengelig for allmennheten (opphaveren kan eks. nekte andre å publisere verket). I utgangspunktet varer opphavsretten i 70 år fra opphaverens død.

Når det skal ta stilling til hvem som eventuelt skal ha opphavsretten for KI-generert materiale er det logisk sett fem alternativer: a) Algoritmen / programmet, b) den som skriver “input” til programmet, c) den som har laget dataene KI-en er trent med, eller d) den som har eierskapet til KI-programmet, e) ingen. Alternativene vurderes noe nærmere nedenfor.

1. Algoritmen / programmet: Kan ikke være opphaver etter norsk rett

Som nevnt er opphavsrett beskyttet av åndsverkloven. Loven krever at et verk må være et resultat av en menneskelig, kreativ prosess for å kunne oppnå beskyttelse. KI-algoritmer og -programmer er riktignok utformet av mennesker, men det er selve algoritmen som genererer det endelige innholdet. Siden algoritmen ikke er et menneske, og dermed ikke kan anses som en “opphaver”, kan ikke algoritmen eller programmet ha opphavsretten til det genererte innholdet.

2. Den som skriver prompt: For begrenset bidrag

En annen aktør som kan vurderes er personen som skriver prompten, altså den innledende teksten som KI-en bygger videre på. Selv om denne personen gir en viss input til KI-en, er bidraget ofte begrenset og mer likt en instruksjon i et bestillingsverk. Dermed kan neppe opphavsretten til det endelige innholdet tilskrives promptskriveren.

3. De som har laget den opprinnelige dataen som KI-en er basert på: Spinkelt bidrag 

KI, som ChatGPT, er trent på store mengder data hentet fra ulike kilder, og innholdet som genereres er derfor et resultat av denne opplæringen. Noen kan hevde at de som har bidratt med den opprinnelige dataen, som i en den tilfeller er opphavsrettslig beskyttet, har opphavsrett til KI-generert innhold som er basert på det aktuelle materialet. Under norsk rett er det imidlertid lov å la seg inspirere av eksisterende verk, og man kan få selvstendig opphavsrett så lenge det nye verket er over en viss terskel for originalitet. KI-generert innhold vil i mange tilfeller være nettopp det – en egen tolkning og bearbeidelse av eksisterende informasjon – som skiller seg vesentlig fra de opprinnelige verkene. Det er derfor i mange tilfeller, kanskje de fleste, ikke grunnlag for å tildele opphavsretten til de som står bak de opprinnelige dataene.

4. Selskapene som eier programmet, for eksempel ChatGPT

Videre kan opphavsretten til KI-generert innhold tilfalle selskapet som eier programmet, som for eksempel ChatGPT. Argumentet vil da være at det aktuelle innholdet vitterlig er skapt, og ofte er av slik art at det ville hatt opphavsrettslig beskyttelse dersom et menneske hadde skapt dem. I mangel av andre alternativer, som nevnt ovenfor, kan det argumenteres for at eieren av KI-en blir eier av innholdet KI-en har skapt.

5. Ingen

Ettersom KI-generert innhold ikke er skapt av mennesker, er imidlertid den mest sannsynlige løsningen at KI-generert innhold ikke har opphavsrettslig beskyttelse under norsk rett. Dette innebærer at KI-generert innhold kan benyttes uten de skanker åndsverkloven setter for opphavsrettslig beskyttet materiale. Slik sett kan altså alle finne KI-generert kunst, og selge dette på utstilling, uten at noen andre skal kunne kreve betaling for bildet, skriften, eller hva det måtte være (som ikke er et verk i juridisk forstand). 

Vær imidlertid klar over at svaret ikke er endelig avklart under norsk rett, så det er knyttet noe usikkerhet til dette. Det er også viktig å være klar over at det ovennevnte gjelder 100 % KI-generert materiale. Dersom et menneske, som jo kan være opphaver, har vært involvert, vil det ikke være fritt frem å benytte materialet.

Hva med oppfinnelser og patent?

Jeg har sett det blitt problematisert mye hvorvidt en kunstig intelligens kan bli regnet som oppfinner, og få patent. Det ganske enkle utgangspunktet er følgende:

Patentloven § 1 slår fast at “den som “den som har gjort en oppfinnelse … eller den som oppfinnerens rett er gått over til” kan … etter søknad å få patent på oppfinnelsen og derved oppnå enerett til å utnytte den i nærings- eller driftsøyemed.”

Lovverket forutsetter at oppfinneren er mennesklig, og det er ikke gjort noen eksplisitt åpning for at en maskin skulle kunne være oppfinner. Det kan nok skrives lengre om dette, men det relativt klare svaret er etter kiguidens mening at etter norsk rett kan ikke KI være oppfinner.

Vanskeligere blir det når spørsmålet er i hvilken grad en mennesklig oppfinner kan ha fått hjelp av KI, og fortsatt regnes som oppfinner. Dette er ikke avklart per mars 2024.

Når en ser ut over norges grenser skal det nevnes at EPO (EUs versjon av Patentstyret) avsa en avgjørelse i 2023, der spørsmålet var om en KI kan være oppfinner (sak J/20). EPO konkluderte med at det kun er mennesker som kan være oppfinner.

OBS: Lisensvilkår

Et annet viktig punkt er at når en benytter KI-verktøy har en gjerne akseptert en rekke vilkår. Disse kan inneholde bestemmelser som sier noe om rettighetene til det som genereres, og en bruker kan slik sett ha akseptert at det gjelder begrensninger for hvordan det KI-genererte innholdet kan benyttes.

For å sammenfatte så kort som mulig: KI-generert innhold er sannsynligvis ikke underlag opphavsrett, og kan ikke være oppfinner. Bruk av KI er imidlertid ofte underlagt lisensvilkår som brukeren må akseptere for å få tilgang til den aktuelle KI-tjenesten/-programmet, og disse kan være vidtrekkende. Det vil sannsynligvis komme nærmere avklaringer av dette om ikke så lenge – og vær obs på at det vil og kan gjelde ulike regler i ulike land.

Rettigheter til treningsmateriale

Opphavsrett

Når det er snakk om KI og rettigheter er det også verdt å nevne at dataene som er benyttet for å trene en KI kan være beskyttet av opphavsrett – og en kan dermed hevde at treningen som sådan er ulovlig eksemplarfremstilling, og i brudd med de opprinnelige forfatternes rettigheter. Dette ikke bare kan hevdes, men blir det, av forfattere over hele verden, og det vil komme en rekke rettssaker om dette innen kort tid. Se nærmere her.

KI-selskapene hevder på sin side at 1) de har rett til å benytte dataene til trening, gjerne under en regel om «fair use» (amerikansk regel) og 2) at det som skapes basert på opphavsrettsbeskyttet materiale ikke er gjengivelse av det beskyttede materialet, og dermed ikke bryter opphavsretten.

Dette er en het potet for tiden, og noe vi kommer til å høre mer om. Uansett er dette et annet spørsmål, og vi skal ikke dykke nærmere ned i dette nå.

Personvern

En annen spennende problemstilling knytter seg til personvern. Tenk at man vil trene opp et KI-program til å gjenkjenne kreft, som er et praktisk eksempel. For å trene en slik modell kreves det treningsdata, og hvor skal man få tak i mange tusen bilder som viser celler som har kreft og celler som ikke har kreft? I Norge vil sannsynligvis dette måtte skaffes fra det offentlige, og man vil møte en bråte av krav til beskyttelse av sensitive personopplysninger, sikkerhetskrav, og sikkert en del krav jeg ikke en gang har tenkt på. Sjansen for at det vil ta lang tid, og være vanskelig å få gode treningsdata er høy.

I et land med lavere fokus på personvern, vil ikke det være et problem. Det vil være en rekke andre problemer med å ikke ta hensyn til personvern naturligvis, men å trene en KI vil gå raskere i et slik land, alle andre forhold like.

KI-utvikling og bruk – utvikling av regelverk

For å adressere de etiske utfordringene som KI bringer, har flere organisasjoner og eksperter foreslått etiske retningslinjer og prinsipper for utvikling og bruk av KI. Disse retningslinjene fokuserer ofte på prinsipper som rettferdighet, ansvarlighet, gjennomsiktighet og personvern.

En av de mest kjente settene med etiske retningslinjer for KI er utarbeidet av EU-kommisjonens High-Level Expert Group on Artificial Intelligence (AI HLEG). Disse retningslinjene omfatter syv sentrale prinsipper:

1. Menneskelig tilsyn og kontroll: KI bør styrke menneskelig autonomi og handle under menneskelig tilsyn og kontroll.

2. Robusthet og sikkerhet: KI-systemer bør være pålitelige, sikre og motstandsdyktige mot angrep og feil.

3. Personvern og datavern: KI-systemer skal respektere personvernet og beskytte personopplysninger.

4. Gjennomsiktighet: KI-systemer og deres beslutningstaking skal være forståelige og gjennomsiktige.

5. Mangfold og ikke-diskriminering: KI-systemer skal ta hensyn til menneskelig mangfold og unngå diskriminering og stigmatisering.

6. Samfunnsmessig og miljømessig velvære: KI-systemer skal brukes på en måte som er bærekraftig og til fordel for samfunnet og miljøet.

7. Ansvarlighet: KI-systemer og deres aktører skal holdes ansvarlige for deres handlinger og beslutninger.

EU jobber for øvrig med et omfattende regelverk for kunstig intelligens – the AI Act.

Historie og utvikling av kunstig intelligens

Kunstig intelligens har røtter som går tilbake flere tiår og har gjennomgått betydelige fremskritt og utvikling gjennom årene. Nedenfor følger noen av de viktigste milepælene i KI-historien:

1950 – 2010-tallet:

1950 – Alan Turing utvikler Turing-testen: Turing-testen, foreslått av den britiske matematikeren og informatikeren Alan Turing, er en metode for å vurdere en maskins evne til å vise menneskelig intelligens. Testen innebærer en dialog mellom en menneskelig dommer og en maskin, der dommeren prøver å avgjøre om de kommuniserer med et annet menneske eller en maskin.

1956 – Dartmouth-konferansen: Den første konferansen om kunstig intelligens ble holdt på Dartmouth College i 1956, og dette regnes som starten på det moderne KI-feltet. Konferansen samlet forskere som John McCarthy, Marvin Minsky, Nathaniel Rochester og Claude Shannon for å diskutere og definere begrepet “kunstig intelligens”.

1960-tallet – Utvikling av KI-forskning og teknikker: På 1960-tallet oppstod en rekke forskjellige tilnærminger til KI, inkludert symbolmanipulasjon, heuristikker, logikkbaserte metoder og Bayesianske nettverk.

1980-tallet – Ekspertsystemer og nevrale nettverk: På 1980-tallet ble det introdusert flere viktige KI-teknologier, inkludert ekspertsystemer og nevrale nettverk. Ekspertsystemer var programmer som etterlignet menneskelig ekspertise ved å bruke regelbaserte metoder, mens nevrale nettverk var inspirert av hjernens biologiske strukturer og prosesser.

1990-tallet – Maskinlæring og statistiske metoder: På 1990-tallet ble det lagt større vekt på maskinlæring og statistiske metoder innen KI, noe som førte til utviklingen av algoritmer som Support Vector Machines og Random Forest.

2000-tallet – Dyp læring og storskala datadrevet forskning: På 2000-tallet førte tilgjengeligheten av store mengder data og økende beregningskraft til en eksplosjon i dyp læring, en undergren av maskinlæring som bruker nevrale nettverk med mange lag for å lære komplekse representasjoner av data. Dette førte til betydelige fremskritt i KI, spesielt innen bildegjenkjenning, talegjenkjenning og naturlig språkbehandling.

2010-tallet til 2020 – Forsterket læring og gjennombrudd i KI:

AlexNet var en dyp konvolusjonell nevral nettverksmodell som ble utviklet av forskere ved University of Toronto i 2012. Modellen ble designet for å delta i ImageNet Large Scale Visual Recognition Challenge (ILSVRC), en prestisjefylt konkurransen innen bildegjenkjenning, og den vant med en betydelig margin. Dette markerte et viktig gjennombrudd i bildegjenkjenning og førte til en økende interesse for dyp læring og nevrale nettverk i KI-forskning.

I ettertid har det vært en rekke andre dype nevrale nettverk som har overgått ytelsen til AlexNet, men modellen vil fortsatt bli husket som en av de viktigste milepælene i utviklingen av KI.

2013 – DQN og forsterket læring: I 2013 publiserte et britisk selskap kalt DeepMind en studie som introduserte en algoritme kalt Deep Q-Network (DQN). Dette kombinerte to teknologier, dyp læring og forsterket læring, for å lære å spille Atari-spill direkte fra rå bildedata. Dette var viktig for utviklingen av generelle KI-modeller, som kunne lære direkte fra data uten behov for menneskelig inngrep.

2014 – GANs og generativ modellering: Ian Goodfellow og hans kolleger publiserte en studie som introduserte generative adversarielle nettverk (GANs), en klasse av generative modeller som bruker to konkurrerende nevrale nettverk for å lære å generere realistiske data. GANs har siden blitt brukt til en rekke kreative formål, som å generere realistiske bilder, musikk og tekst.

I 2014 publiserte dataforskeren Ian Goodfellow og hans kolleger en studie som introduserte noe som heter generative adversarielle nettverk (GANs). Dette er en type teknologi som bruker to nevrale nettverk som konkurrerer med hverandre for å lære å lage realistiske data. GANs har siden blitt brukt til en rekke kreative formål, slik som å skape realistiske bilder, musikk og tekst, og har vært en stor suksess innenfor kreativ teknologi.

2015 – AlfaGo og gjennombrudd i brettspill: Det nevnte selskapet DeepMind utviklet AlphaGo, en KI-algoritme som brukte dyp læring og forsterket læring for å mestre det komplekse brettspillet Go. I 2016 beseiret AlphaGo verdensmester Lee Sedol i en femkampsserie, noe som markerte et viktig gjennombrudd i KI-utviklingen og potensialet for KI til å løse komplekse problemer.

2018 – BERT og naturlig språkforståelse: Google introduserte BERT (Bidirectional Encoder Representations from Transformers), en transformer-basert modell som satte nye standarder innen naturlig språkforståelse og prosessering. BERT-modellen revolusjonerte ytelsen til KI-systemer i oppgaver som spørsmål og svar, tekstklassifisering og semantisk analyse.

2019 – Kinas ansiktsgjenkjenningsprogram: I Vesten blir det oppmerksomhet rundt at det i Kina er utviklet ekstremt avansert teknologi for ansiktskjenkjenning, og at Kinesiske myndigheter benytter dette i stor skala. Teknologien eksporteres også til andre land.

2020 – til i dag: Generativ kunstig intelligens blir «allemannseie».

Mens kunstig intelligens tidligere var forbeholdt tekniske interesserte (og i noen grad også kompetente) skjeddet det et enormt skifte tidlig på 2020-tallet, da generaiv kunstig intelligens ble tilgjengelig for alle.

2020 – GPT-3 og store språkmodeller: OpenAI lanserte GPT-3 (Generative Pre-trained Transformer 3), en avansert språkmodell med 175 milliarder parametere som kan generere menneskelig-lignende tekst, oversette mellom språk og utføre ulike oppgaver som programmering og matematikk]. GPT-3 demonstrerte potensialet for store, forhåndstrente språkmodeller og førte til økt interesse for etiske og sikkerhetsmessige bekmessige bekymringer knyttet til kraftige KI-modeller.

2021 – laMDA og semantiske søk: Google annonserte lanseringen av laMDA (Language Model for Dialogue Applications), en avansert språkmodell som kan generere naturlig språk og utføre oppgaver basert på konteksten i en samtale. laMDA viser potensiale for å forbedre semantiske søk, hvor en bruker kan finne svar på komplekse spørsmål ved å bruke naturlig språk i stedet for nøkkelord.

2021 – AI i helsevesenet: COVID-19-pandemien førte til en økt interesse for å bruke KI i helsevesenet. Flere forskere og selskaper har utviklet KI-modeller for å diagnostisere, forutsi og bekjempe sykdommen, samt forbedre helseovervåkning og ressursallokering. KI i helsevesenet har også reist etiske spørsmål knyttet til personvern og autonomi.

2022 – OpenAI lanserte Dall-E, og generativ kunstig intelligens ble velkjent i norske og utenlandske medier. Senere i 2022 tilgjengeliggjorde OpenAI ChatGPT for allmennheten, og det ble voldsom oppmerksomhet rundt KI, særlig generativ KI.

2023 – Det blir stadig lansert verktøy som benytter KI, særlig innen generativ KI. Mange av disse er basert på GPT. Google lanserer «Bard», som er basert på nevnte laMDA.

Kjente folk og profiler innen kunstig intelligens

Det er mange forskere og selskaper som har bidratt til utviklingen av kunstig intelligens. Her er noen av de mest kjente og innflytelsesrike innen KI-feltet:

Historisk viktige personer (for utviklingen av KI)

Alan Turing: Turing er kjent for sin banebrytende Turingtest, som definerte kunstig intelligens ut fra maskiners evne til å kommunisere med mennesker.

John McCarthy, Marvin Minsky, Nathaniel Rochester og Claude Shannon var studenter ved Darthmont College (hvor Dartmouth-konferansen ble avholdt i 1956) er alle pioneerer og bautaer innen KI. Det moderne KI-feltet ble på sett og vis definert av disse personene og miljøet rundt dem.

Geoffrey Hinton er en av pionerene innen dyp læring og en ledende forsker ved University of Toronto og Google. Mest kjent for sitt arbeid med kunstige nevrale nettverk og «backpropagation» («lag» i et nevralt nettverk for å teste feil som returnerer fra inngangsnoder til utgangsnoder (video) som benyttes til å redusere tap (øke effektivitet og presisjon)) og har bidratt betydelig til utviklingen av dyp læring.

Yann LeCun er en annen pioner innen dyp læring, kjent for å ha utviklet den første konvolusjonelle nevrale nettverksarkitekturen, og bildegjenkjenning. Han er nåværende forsker ved New York University og Meta.

Yoshua Bengio er en ledende forsker ved University of Montreal og en pioner innen dyp læring nevrale nettverk. Bengio er også opptatt av den sosiale påvirkningen av AI og har aktivt bidratt til Montreal-erklæringen for ansvarlig utvikling av kunstig intelligens. Erklæringen er ikke bindende, men søker innflytelse og har inspirert til debatt om ansvarlig og etisk bruk av KI.

Andre internasjonale profiler

Elon Musk er kjent som gründer / CEO og/eller eier av PayPal, Tesla, Space XX (Twitter). Han har rettet fokus mot ansvarlig utvikling av KI og har uttrykt bekymring for potensielle farer knyttet til teknologien, og er også en av grunnleggerne av OpenAI, som skulle være en «åpen AI» (ligger i navnet ja). Imidlertid forlot han OpenAI i 2018 og har siden uttrykt misnøye med selskapets retning og forretningsmodell.

Sam Altman er en amerikansk gründer og investor som er mest kjent som CEO for OpenAI. Under hans ledelse har OpenAI utviklet flere banebrytende KI-teknologier, inkludert ChatGPT og Dall-E.

Norske profiler

Inga Strümke er en forsker som jobber med kunstig intelligens ved NTNU. Hun har vært involvert i flere prosjekter og publikasjoner knyttet til KI, etikk og risiko. Etter hun skrev boken “Maskiner som tenker” har hun blitt kanskje den mest kjente KI-profilen i Norge.

Morten Goodwin er professor ved Universitetet i Agder og professor 2 ved OsloMet. Han er medgründer og ledende forsker hos AI Experts og fungerer som nestleder ved Senter for kunstig intelligensforskning. Han er anerkjent som en av Norges fremste eksperter innen kunstig intelligens og har publisert over 200 fagfellevurderte artikler. Også han er stadig å se som formidler og samfunnsdebattant.