Anatomisk moderne mennesker udviklede sig i Afrika for omkring 300.000 år siden. Fra vores forfædre i slægten Homo arvede vi opretstående kropsholdning, modsatrettede tommelfingre, kikkertsyn, høj intelligens, gruppeliv, sprog, brug af ild og værktøjsfremstilling. Mennesket har bygget videre på det fundament og igen og igen transformeret teknologien, omorganiseret produktionen og omorganiseret samfundet.

 

I de sidste 50 år har computere og internettet ændret, hvordan hundredvis af millioner af mennesker arbejder og lever. Kunstig intelligens - en meget hypet fejlbetegnelse - fortsætter den tendens.

 

Som det vil fremgå af denne artikel, er AI-teknologien potentielt gavnlig. Under socialismen kan den aflaste folk for mange kedsommelige opgaver, frigøre dem til kreative og selvrealiserende aktiviteter og muliggøre videnskabelige, økonomiske, miljømæssige og andre fremskridt, som i øjeblikket ligger uden for vores rækkevidde.

 

Under kapitalismen kan den derimod ødelægge job og levebrød, intensivere udnyttelsen, øge overvågningen og undertrykkelsen, ødelægge miljøet yderligere og gøre krig mere sandsynlig og mere dødelig.

 

 

Afmystificering af AI

Kunstig intelligens er hverken "kunstig" eller "intelligent". Det er anvendelsen af kloge, men ikke særlig sofistikerede computerteknikker på enorme mængder digitale data for at finde mønstre af sammenhæng - f.eks. mellem røntgenbilleder og kræftsvulster eller tekst på spansk og oversættelser til engelsk.

 

Traditionel videnskabelig analyse observerer virkeligheden, udvikler hypoteser og tester disse hypoteser gennem observation og intervention. Traditionel dataanalyse indsamler og analyserer data ved hjælp af statistiske metoder og forsøger at identificere mønstre i de strukturer og processer, som dataene beskriver. Ligesom for andre videnskabelige analyser er målet både at forstå og at forudsige.

 

AI giver afkald på målet om at forstå og går kun efter at forudsige. Deraf navnet på den nuværende foretrukne teknik: generativ prætrænet transformer (GPT). Uforståelige modeller opbygges gennem prætræning på store mængder data, som anvendes på nye data til at generere diagnoser, oversættelser og andre forudsigelser.

 

Forløberne for AI blev udviklet i begyndelsen af det 20. århundrede og brugt som sandsynlighedsbaserede tekstgeneratorer, men de var primært ”proof of concept” [undersøgelse af om en ide eller et koncept har reelt praktisk potentiale o.a.] og ikke særlig nyttige i praksis. Der manglede data og computerkraft.

 

I 1990'erne havde digitaliseringen af billeder, lyd og tekst produceret data, og udbredelsen via internettet havde gjort dem tilgængelige. Computerkraften haltede bagefter. Datidens computere var afhængige af kraftige centrale behandlingsenheder (CPU'er), caching af data i hurtig hukommelse og begrænset parallelbehandling, hvor flere CPU'er arbejdede på forskellige dele af et problem. Softwareingeniører skulle designe algoritmer, som programmørerne skulle kode, og som computerne skulle køre.

 

Situationen var som i begyndelsen af den industrielle revolution, hvor maskiner blev bygget med håndværksmæssige metoder. En opskalering af produktionen krævede et gennembrud for maskiner, der kunne bygge maskiner.

 

Gennembruddet skete i det, der virkede som et perifert område af computeren. Redigering af billeder og videoer og også spil krævede meget hurtig gengivelse af grafik på skærme, når billeder blev manipuleret, videoer viste bevægelse, eller der blev spillet spil. Bits i hukommelsen skulle hurtigt mappes til pixels på skærmen. Til denne opgave blev der udviklet relativt simple grafikprocessorenheder (GPU'er), som var adskilt fra CPU'en og arbejdede parallelt.

 

Computeringeniører og programmører indså hurtigt, at GPU'er kunne bruges til andre kortlægningsproblemer, herunder kortlægning af de enorme mængder digitale data, der nu var tilgængelige for at producere modeller, som kunne anvendes på nye data til søgninger, oversættelser, transskriptioner, analyse af CT-scanninger, ansigtsgenkendelse og så videre og så videre. AI var født.

 

 

Affald ind, affald ud

AI-modeller trænes ved at sammenkøre rådata og menneskeligt validerede resultater, og de er helt afhængige af, at begge dele er nøjagtige. Hvis enten data eller resultater er ufuldstændige eller skæve, vil modellerne også være det. ”Garbage in, garbage out”, som man siger i IT.

 

Affaldet kan være åbenlyst underlige "hallucinationer" eller mere snigende. Associationsmønstrene kan være baseret på meninger, der præsenteres som fakta, oversimplificeringer, fordomme eller løgne. Raceprofilering, som ville være uacceptabel, hvis den kom fra et menneske, kan være skjult i AI'ens sorte boks.

 

En afslørende og stadig mere sandsynlig illustration af "garbage in, garbage out" er AI, der er trænet på sit eget produkt. En artikel i New York Times 26/8-24 "When A.I.'s Output Is a Threat to A.I. Itself" af Aatish Bhatia udforsker problemet med "modelkollaps". Billeder bliver slørede, farverne bliver mudrede, ansigter ser underligt ens ud. "Modellen bliver forgiftet af sin egen projektion af virkeligheden."

 

AI er på en måde et tilbageskridt i forhold til analytiske teknikker, der forsøger at forstå data. Små datasæt og begrænset computerkraft tvang analytikere til at vælge teknikker, der passede til dataene - f.eks. lineær regression til kontinuerlige variable som højde og bruttonationalprodukt (BNP) eller logistisk regression til kategoriske variable som race og køn. AI overlader modelleringen til beregningsprocessen.

 

Dataanalyse kan sammenlignes med at bestige et bjerg. Målet er at komme til tops. Med dataanalyse betyder det at maksimere en sandsynlighedsfunktion - sandsynligheden for at en model, der anvendes på de faktiske data, får de faktiske resultater.

 

En tilgang til bjergbestigning ville være at have et meget dygtigt team, der møjsommeligt bestiger bjerget. En anden ville være at lade mange kompetente, men mindre dygtige hold sværme op ad bjerget og begå mange fejl, men alligevel nå frem til toppen ved at prøve sig frem. Traditionel statistisk analyse er som førstnævnte. AI er som sidstnævnte.

 

Prøv-og-fejl-metoden er meget dyr i form af computere og energi til at køre dem. Som det fremgår af en artikel i New York Times 7/1-25 "What Will Power the A.I. Revolution?" af David Gelles:

 

"Alene i løbet af de næste tre år forventes datacentre at tredoble deres energiforbrug, ifølge en ny rapport støttet af det amerikanske energiministerium. Ifølge denne prognose kan datacentre komme til at stå for så meget som 12 procent af landets elforbrug i 2028."

 

Større er ikke nødvendigvis bedre. I januar 2025 udgav det kinesiske firma DeepSeek en artikel, der beskrev en ny AI-modelleringsteknik. En artikel i New York Times 28/1-25 " Why DeepSeek Could Change What Silicon Valley Believes About A.I." af Kevin Roose forklarer teknikkens betydning.

 

Grundlæggende var DeepSeek ved at kombinere forudseenhed og sværmning i stand til at bruge mindre sofistikerede computerchips, meget mindre computertid, mindre energi og mindre datasæt til at træne sin model.

 

Disse forbehold betyder ikke, at AI er ubrugelig. Maskinoversættelse af sprog er blevet dramatisk bedre i takt med, at teknikkerne er gået fra regelbaseret maskinoversættelse til statistisk maskinoversættelse til AI-maskinoversættelse.

 

Men gode AI-oversættere er trænet i gode menneskelige oversættelser, og rigtig gode oversættelser kræver stadig korrektion af menneskelige oversættere, der kender kildesproget, målsproget og emnet. På den anden side bliver søgninger værre og værre, da de "korrekte" resultater i stigende grad er det, som annoncørerne betaler for, snarere end det, som brugerne ønsker.

 

 

Oprindelsen til AI

 I 1990'erne begyndte Googles servere at trawle nettet, lagre og indeksere indholdet af hjemmesider og returnere søgeresultater. En vigtig indsigt for Google var, at antallet af links til en side var et nyttigt mål for dens betydning. En anden var, at brugerne ikke bare er forbrugere, men også dataleverandører gennem deres søgninger og klik. Og en tredje, at søgedata kunne integreres med mange andre former for data.

 

Google kom til at dominere søgninger gennem et positivt feedback-loop: Søgemaskinen var bedre, til dels på grund af dens smarte algoritme, men mest fordi den var baseret på flere data, så folk brugte den og leverede endnu flere data, og sådan fortsatte det.

 

Google kæmpede først med at tjene penge på sine søgninger. Løsningen var reklamer og anden markedsføring. Man kunne tage penge for klik på links til virksomheders hjemmesider i søgeresultaterne, tage penge for at fremhæve en virksomhed i sine søgninger og lave lister over kunder, der var interesserede eller sandsynligvis ville være interesserede i at købe produkter.

 

Google indså, at data var potentielt værdifulde, selv om det endnu ikke var klart, hvad de skulle bruges til. Gratis søgninger, kort, e-mailadresser og operativsystemer producerede data. Dataene kunne udnyttes til at finde ud af, hvem der spurgte om hvad, hvem der kommunikerede med hvem, hvad de kommunikerede om, og ofte også indholdet af deres kommunikation. Gadebilleder producerede data, ikke kun udsigterne, men også indholdet af ukrypterede trådløse netværk i de huse, der blev fotograferet.

 

FBI, CIA, National Security Agency (NSA), statslige og lokale politimyndigheder og politi- og sikkerhedstjenester i Rusland, Kina, Storbritannien og mange andre lande indså, at de kunne indhente og lagre metadata (hvem, hvor, hvornår, hvor længe, hvor meget) og data (hvad) fra elektronisk kommunikation.

 

I USA og nogle andre lande kræver det en retskendelse at få adgang til indhold, men procedurerne er ofte slappe. Datakryptering er en hindring, men folk undlader ofte at kryptere, og meget kan udledes af metadata alene.

 

Indtil for få år siden oversteg virksomheders og regeringers kapacitet til at indsamle data langt deres kapacitet til at analysere dem. Med AI begyndte dataanalysen at indhente det forsømte.

 

 

Anvendelser af AI …

Menneskets historie har budt på mange teknologiske fremskridt, som både har øget arbejdskraftens produktivitet og er blevet udnyttet af de daværende magthavere til at øge deres magt og rigdom.

 

Energi, transport, kommunikation, byggeri, produktion, landbrug, distribution, medicin, uddannelse, underholdning, personlige relationer, religion, politiarbejde og krigsførelse - alt sammen er blevet forandret af teknologi. Det generelle mønster er mekanisering, hvor mennesker erstattes af maskiner, og automatisering, hvor maskinerne kører af sig selv, men vedligeholdes og overvåges af mennesker.

 

Teknologiske fremskridt kan misbruges, som historien har vist. USA blev bygget på folkemord på indianere, slaveri af afrikanere, tyveri af halvdelen af Mexico, ruinering af landmænd, udnyttelse af arbejdere, misbrug af immigranter, racisme, undertrykkelse af kvinder og LGBTQ+-personer og ødelæggelse af miljøet - alt sammen muliggjort af teknologi.

 

Men klasse- og samfundskampen har tvunget os til at bruge teknologien på en gavnlig måde: til at erstatte mennesker med maskiner til mange farlige og invaliderende opgaver, til at reducere antallet af arbejdstimer og til at hæve levestandarden. Folk lever længere, er sundere længere og har mange flere muligheder, end de ellers ville have haft.

 

Der er al mulig grund til at tro, at AI vil fortsætte dette mønster. AI bør gøre det muligt at automatisere mange opgaver, som nu kræver arbejdskraft, der kunne bruges til at tænke, skabe, lege, elske eller dagdrømme.

 

Sprogoversættelse er et eksempel på, hvad AI allerede kan gøre. Alle med adgang til en computer, internettet og AI-oversættelsessoftware kan læse materiale skrevet på mange sprog. Der er brug for menneskelige oversættere til at levere det materiale, der skal træne AI'en, til at rette unøjagtigheder i AI-oversættelserne og til at lave rigtig gode oversættelser. Men tilgængelighed er nyttig, selv hvis oversættelsen er ris og bønner snarere end finere mad.

 

Computerprogrammering er et andet område, hvor AI kan hjælpe ved at aflaste programmører for kedeligt arbejde. Programmering har ændret sig meget siden 1950'erne, hvor computere skulle ombygges til forskellige opgaver, og hvor fejl bogstaveligt talt var det.

 

I 1970'erne blev det meste programmering udført i sprog på højere niveau som Fortran, Cobol eller C med matematiske og andre biblioteker til almindelige opgaver. AI kunne tage dette et skridt videre ved at give softwareingeniører mulighed for at beskrive, hvad de ønsker, og få maskinen til at skrive programmet. Der vil stadig være brug for menneskelige programmører til at levere materialet til at træne AI'en, til at korrigere manglerne i AI-programmerne og til at innovere.

 

 

... Og misbrug af AI

 AI er i dag baseret på tyveri. AI-virksomheder indsamler mange af deres data fra deres brugere og fra internettet. De anerkender ikke deres kilder eller betaler royalties for dataene. Deres modeller er ikke reguleret, og de ændrer oplysningerne så meget, at det er svært at bevise, at de krænker ophavsretten.

 

New York Times sagsøger i øjeblikket OpenAI for at have stjålet deres indhold uden tilladelse eller betaling. Musikere, kunstnere og forfattere må konkurrere med AI-kopier.

 

AI under kapitalismen vil blive brugt til at fortrænge arbejdere. Robotter bruges allerede i stor udstrækning i produktionen, da samlebånd egner sig til at erstatte mennesker med mekaniske bevægelser.

 

AI gør det muligt for robotter at reagere mere fleksibelt og blive brugt til flere opgaver, såsom at hente varer på lagre og på et tidspunkt levere dem, selv om problemet med at dele vejen med mennesker langt fra er løst.

 

Under socialismen kan dette føre til en velkommen reduktion af arbejdstiden. Under kapitalismen vil det føre til afskedigelser.

 

Brugen af kunstig intelligens sænker servicekvaliteten yderligere. Fysiske butikker er lukket og erstattet af Amazon og andre onlineforhandlere. I mange af de butikker, der er tilbage, er kyndige sælgere blevet erstattet af scannere. Kundeservicemedarbejdere er blevet erstattet af websider og automatiseret telefonnavigation af ofte stillede spørgsmål. AI kan bruges til yderligere at reducere muligheden for at tale med et kyndigt menneske.

 

AI vil have en tendens til at reducere menneskelig interaktion generelt, da den eneste tilgængelige interaktion til mange formål er med en computer. Skolelukninger og onlineundervisning under Covid-19-pandemien satte uddannelserne så meget tilbage, at mange studerende ikke er kommet sig fem år senere.

 

Isolationen under pandemien førte til mere misbrug af alkohol og stoffer, vold i hjemmet og en følelse af håbløshed, der bidrog til en højere dødelighed blandt de ældre. Forældre og forskere bekymrer sig om børns skærmtid. AI vil have en tendens til at trække folk længere ind i deres skærme.

 

AI vil udsætte folk for mere snigende reklamer, markedsføring og anden målretning, efterhånden som teknologivirksomhederne indsamler flere data om os og bruger dem til flere formål. Ikke bare salg og opfordringer, men også ansættelsesscreening, doxing og det, der er værre.

 

AI har allerede øget overvågningsniveauet. Ansigtsgenkendelse gør det muligt at identificere og spore mennesker. Nummerpladelæsere hjælper med at spore køretøjer.

 

Analyse af kommunikationsmetadata gør det muligt at identificere grupperinger fra venskabskredse til fanklubber og aktivistorganisationer. AI-transskription og -oversættelse gør det muligt at udvinde data, som ville være gået ubemærket hen i de forgangne år.

 

Undertrykkelse kan følge efter overvågning. Trump-administrationen har forsøgt at forbyde "woke"-ord og information om mangfoldighed, klimaforandringer og social retfærdighed fra føderale hjemmesider. AI ville gøre det muligt at udvide den slags overvågning til al elektronisk kommunikation og via lytteudstyr også til meget ikke-elektronisk kommunikation.

 

Og det er ikke kun Trump. Palæstina-aktivister frygter med rette overvågning og undertrykkelse fra liberale universitetsadministrationer.

 

Som nævnt ovenfor kræver kunstig intelligens en enorm computerkraft og enorme mængder energi, som i stigende grad bidrager til udledning af kuldioxid og klimaforandringer. AI kan bidrage indirekte til miljøødelæggelser, når repræsentanter fra virksomheder og regeringer fordrejer de data, der bruges i AI-modeller, for at fjerne referencer til klimaforandringer, forurening og andre faktorer, som de ikke ønsker at tage i betragtning. "AI siger ..." kan skjule deres interesser og ideologier via AI's sorte boks.

 

Krigsførelse kan blive mere almindeligt og mere dødbringende, når AI-kontrollerede droner fjerner faren og det moralske ansvar ved kamp. Filmen Dr. Strangelove fra 1964 med undertitlen How I Learned to Stop Worrying and Love the Bomb skildrer på satirisk vis, hvad det kan føre til.

 

I filmen har Sovjetunionen skabt en dommedagsmaskine som atomafskrækkelse, men har ikke fortalt noget om den. General Jack D. Ripper, som fejlagtigt tror, at USA er under angreb, beordrer et atomangreb, og major T. J. "King" Kong finder på at kaste en bombe, som sætter dommedagsmaskinen i gang. Fiktion, men i overensstemmelse med logikken i at overlade beslutningstagningen til maskiner.

 

 

En reaktion fra arbejderklassen

Socialister og andre aktivister fra arbejderklassen bør sige klart og tydeligt, at kunstig intelligens, ligesom mange andre teknologier, er for nyttig og for farlig til at overlade til kapitalisterne.

 

Amazon, Apple, Facebook, Google, Microsoft, Nvidia, Oracle, Elon Musks X-virksomheder og alle de andre leverandører af kunstig intelligens bør eksproprieres og overtages af samfundet.

 

Da man ikke kan stole på den kapitalistiske regering, er der brug for arbejderkontrol og en arbejderregering for at sikre, at AI tjener menneskelige behov.

 

Socialister og andre aktivister fra arbejderklassen bør deltage i kampagner mod nutidens misbrug af kunstig intelligens. Musikere, kunstnere, forfattere og andre indholdsproducenter bør have kontrol over, hvad de producerer.

 

AI-metoder og -modeller bør være open source. AI-virksomheder bør være forpligtet til at afsløre de data, som de træner deres modeller på, til at få tilladelse til at bruge dem og til at betale royalties til de mennesker, der skaber dem.

 

Folk skal have ret til databeskyttelse og ret til at fravælge dataindsamling. For at dette skal være effektivt, skal standardindstillingen være at fravælge. Kontrakter, der kræver datadeling, bør forbydes. "Gratis" bør ikke betyde gratis til gengæld for samtykke til overvågning.

 

Arbejdstagere, hvis job er truet af automatisering, herunder kunstig intelligens, bør have indflydelse på enhver overgang. Forflyttede arbejdere bør garanteres sammenlignelige jobs, uddannelse/træning til jobs, der interesserer dem, eller pension med fuld løn. I takt med at arbejdsproduktiviteten stiger, bør arbejdsugen reduceres uden løntab, og arbejdet bør fordeles ligeligt mellem dem, der arbejder.

 

Virksomhedsovervågning bør forbydes, og regeringens indsamling af data bør begrænses til det, der er nødvendigt for folkesundheden, sikkerheden og velfærden. Lovgivere og domstole bør føre tilsyn med dataindsamling, og rapporter om dataindsamling bør være offentlige. Brug af AI til målrettet undertrykkelse bør forbydes. For meget kan være skjult i dens sorte boks.

 

Socialister og andre arbejderklasseaktivister bør være imod krig generelt og i særdeleshed imod inddragelsen af kunstig intelligens i krigsmaskinen. En krigsforbrydelse er en krigsforbrydelse, også selvom det er AI, der trykker på aftrækkeren.

 

Leverandørerne af AI og deres virksomheds- og regeringskunder vil bekæmpe sådanne begrænsninger. Som på andre områder med klassestridigheder vil deres sabotage vise, at der er brug for mere drastiske tiltag.

 

Oversat fra Against the Current af Poul Bjørn Berg