Geniet som kanske hade fel

Jag måste berätta något som verkligen fick mig att tänka om artificiell intelligens på ett helt nytt sätt.

I sjuttiofem år har vi mätt AI-utvecklingen mot en vision som Alan Turing la fram 1950. Hans berömda "imitationsspel" – numera kallat Turingtestet – gick ut på att om en dator kunde lura människor att tro att de pratade med en annan person, så var den i praktiken "tänkande".

Låter vettigt, eller hur?

Men enligt Peter J. Denning, en synnerligen respekterad datalog som precis gett ut boken "Turing's Mistake: Escaping the Yoke of Unintelligent Machines", har vi kanske jagat fel dröm i drygt sju decennier.

Och ärligt talat? Efter att ha läst hans argument tror jag han kan ha rätt på något fundamentalt.

Kroppsproblemet (ja, det spelar roll)

Här är den första misstagen Denning pekar på: idén att intelligens kan existera utan en fysisk kropp.

Tänk på det en stund. Vi har försökt återskapa mänsklig intelligens i datorer – ren programvara, som flyter runt i digitalt Raum. Men Denning menar att det är som att försöka förstå simning genom att studera vattenmolekyler. Något väsentligt saknas.

När du och jag navigerar världen bearbetar vi inte bara information. Vi känner saker. Vi registrerar temperaturen, känner texturen på en dörrknapp, upplever den lilla gungningen när vi trampar på en ojämn trottoarkant. All denna fysiska erfarenhet formar hur vi tänker, resonerar och förstår världen.

Denning påpekar att våra kroppar inte bara är fordon för att frakta runt våra hjärnor. De är en integrerad del av hur vi tänker.

Och här är grejen – detta är ingen fringeidé. Filosofer har talat om "förkroppsligad kognition" i åratal. Men AI-forskningen har till stor del ignorerat det till förmån för rent beräkningsmässiga angreppssätt.

Den tystliga kunskapen

Det är här det blir riktigt intressant (och lite filosofiskt, men jag lovar att hålla det konkret).

Denning introducerar begreppet "tacit knowledge" – tystlig kunskap – och det är en av de idéer som, när du väl greppar den, börjar se överallt.

Tystlig kunskap är allt det vi kan men inte lätt kan förklara. Hur vet du exakt hur mycket tryck du ska applicera när du låser upp en dörr? Hur fångar du en boll utan att göra komplexa fysikberäkningar i huvudet? Hur vet du när någon är ironisk kontra ärlig baserat på tonläget i rösten?

Dessa saker känns automatiska för oss. Men de är otroligt komplexa.

Denning argumenterar för att det finns minst fem stora kategorier av tystlig kunskap som maskininlärning helt enkelt inte kan fånga:

Vardagsförnuft – De miljontals små fakta om hur världen fungerar som vi aldrig tänker på medvetet.

Vardagliga interaktioner – Hur vi läser sociala situationer, navigerar personliga relationer, förstår underförstådda förväntningar.

Känslor och perception – Hur upplevelsen av glädje eller sorg fundamentalt förändrar hur vi bearbetar information.

Praktiska färdigheter – Den kunskap en mästersnickare eller virtuost musiker har som de inte fullt ut kan artikulera.

Kulturell förståelse – Värderingar, normer, historia och djupare betydelser inbäddade i hur samhällen fungerar.

Varför fyrtio år med Cyc inte löste detta

För att illustrera utmaningen pekar Denning på något som kallas Cyc-projektet. Om du inte känner till det, så var Cyc ett ambitiöst försök som startade på åttitalet att bygga en enorm databas med vardaglig kunskap – saker som "om du tappat något faller det ner" eller "människor behöver vatten för att överleva".

Projektet tog fyra decennier att bygga upp ungefär 25 miljoner poster med sunt förnuft.

Tjugofem miljoner kunskapsbitar!

Och vet du vad? Det räckte fortfarande inte för att skapa verkligt intelligenta system. Denning noterar att "mycket av den kunskap som gör människor till experter inte kan artikuleras som påståenden."

Detta är den tysta tragedin med Cyc-projektet. Det visade, genom ren och skär ansträngning, att försöka manuellt koda mänskligt sunt förnuft är i praktiken omöjligt. Det finns för mycket av det, och för mycket av det är implicit snarare än explicit.

Musikern som inte kan förklara det

Låt mig dela ett av Denningsexempel som verkligen fastnade hos mig.

Tänk på en virtuost violinist. Någon som kan spela med häpnadsväckande skönhet och känsla. Föreställ dig nu att försöka förklara för en nybörjare exakt hur man producerar det ljudet.

Det går inte riktigt. Inte fullt ut. De kanske erbjuder lite tekniska råd – vinkla stråken här, applicera tryck där – men klyftan mellan "veta hur" och "veta vad" är enorm.

Violinisten besitter inbäddad kunskap som existerar i deras muskler, nerver, fysiska erfarenhet av att skapa ljud. Du kan inte ladda ner det till en dator. Du kan inte transkribera det till en databas.

Och här är den djupare poängen: även om du byggde en robot som kunde perfekt imitera en violinistes rörelser, skulle den roboten fortfarande inte förstå hur det känns att skapa vacker musik. Den saknar den biologiska erfarenheten, det emotionella sammanhanget, kopplingen till en publik.

Representationsproblemet

Så vad är det egentligen som pågår här? Varför är mänsklig kunskap så besynnerligt motståndskraftig mot att digitaliseras?

Denning kallar det "representationsproblemet", och det är genuint fundamentalt.

Datorer arbetar med symboler – ettor och nollor som representerar saker. När vi matar in information i datorer kodar vi verklig kunskap till dessa symboliska former.

Men här är grejen: bakom varje ord, varje koncept, varje "kunskap" vi besitter finns en djup brunn av tyst förståelse som ger det mening. Ord är bara symboler som pekar på betydelser – de är inte betydelserna själva.

Denning uttrycker det så här: "Bakom varje ord finns en djup brunn av tystlig kunskap som ger det mening. Ord är symboliska representationer av betydelser, inte betydelserna själva."

Detta betyder att när du pratar med något som ChatGPT, Claude eller Gemini interagerar du med system som är otroligt sofistikerade på att manipulera symboler, men de förstår inte egentligen vad dessa symboler representerar. De kan hitta mönster briljant, men mönsterigenkänning är inte förståelse.

Sammanhang är allt (och maskiner har det inte)

Här är en till aspekt som AI kämpar med: kontext.

När du och jag har en konversation drar vi på oss oändliga lager av delad förståelse. Vi vet vilka vi är, vad vi har varit med om tillsammans, vad den nuvarande situationen är, vad som är lämpligt kontra olämpligt, när någon skämtar kontra är seriös.

Den här kontexten är inte bara bakgrundsbrus – den är fundamental för mening.

Denning beskriver det som fraktalt: varje kontext vilar på tidigare kontexter, som vilar på ännu tidigare. Det är en oändlig kedja av delad förståelse som vi byggt upp under en livstids erfarenhet.

Kultur lägger till ytterligare en dimension. Denning beskriver den som omfattande "värderingar, normer, omdömen, historia, samhällen, sinnesstämningar och till och med relationer som involverar makt och omsorg."

Allt detta är osynligt för AI-system. De kan upptäcka mönster i språk, men de kan inte verkligen greppa den kulturella tyngden bakom ord och handlingar.

Vad betyder detta för AI:s framtid?

Nu säger jag inte att AI är värdelöst – uppenbarligen är det inte. Dessa system är verkligen imponerande på specifika uppgifter, och de är otroligt användbara verktyg.

Men Denning argument antyder att vi kan närma oss en platå. Att verklig artificiell allmänintelligens – maskiner med mänsklig nivå av förståelse och anpassningsförmåga – kanske är fundamentalt ouppnåeligt med våra nuvarande angreppssätt.

Och här blir det lite oroväckande: Denning varnar för att om vi fortsätter jaga AGI samtidigt som vi ignorerar dessa fundamentala begränsningar, riskerar vi att bygga teknologier som introducerar betydande nya risker utan att leverera på sina löften.

Tänk på det. Vi bygger system vi inte fullt ut förstår, med angreppssätt som kanske är inneboende begränsade, för att lösa problem som kräver former av förståelse dessa system inte kan tillgå.

Min åsikt

Ärligt talat fann jag Denning argument övertygande, men inte fullständigt krossande.

Visst finns det fundamentala utmaningar med att fånga tystlig kunskap. Visst spelar förkroppsligad erfarenhet troligen större roll än vi erkänt. Och visst kanske Turingtestet är en dålig proxy för verklig intelligens.

Men jag tror också att vi upptäcker dessa begränsningar i realtid, och att den upptäcktsprocessen i sig är värdefull. Varje utmaning Denning identifierar är också en forskningsfråga. Varje vägg vi slår i lär oss något nytt om mänsklig kognition och medvetande.

Kanske den verkliga läxan här inte är att AI inte kan vara intelligent, utan att mänsklig intelligens är mer anmärkningsvärd än vi insåg. Varje gång du förstår ett skämt, fångar en boll eller känner att något "stämmer inte" i en konversation – gör du något som våra mest sofistikerade datorer fortfarande inte kan.

Kanske frågan inte är om maskiner kan tänka som människor. Kanske är den: vad kan de göra bra, och hur bygger vi in det i en värld där mänskliga kvaliteter betyder mer, inte mindre?

Det är en fråga värd att fundera på ett tag.

Vad tycker du? Resonerar Denning kritik med din erfarenhet av AI-verktyg? Eller tror du att vi underskattar vad dessa system så småningom kan uppnå?

Lämna en kommentar nedan – jag vill verkligen veta hur detta landar hos dig.

** Källa:** ScienceDaily (https://www.sciencedaily.com/releases/2026/07/260713084850.htm)