Begrænsede data betyder begrænset innovation. Phonlamai billede Sam valadi/Flickr, CC BY-SA

Den Europæiske Patentmyndighed for nylig afvist en ansøgning om patent, der beskrev en fødevarebeholder. Dette var ikke fordi opfindelsen ikke var ny eller nyttig, men fordi den blev skabt af kunstig intelligens (AI). Ifølge loven skal opfindere være faktiske mennesker. Dette er ikke den første opfindelse af AI – maskiner har produceret innovationer lige fra videnskabelige artikler og bøger til nye materialer , musik.

Når det er sagt, er det at være kreativ helt klart et af de mest bemærkelsesværdige menneskelige træk. Uden den ville der ikke være nogen poesi, intet internet og ingen rumrejser. Men kunne AI nogensinde matche eller endda overgå os? Lad os tage et kig på forskningen.

Fra et teoretisk perspektiv er kreativitet og innovation en proces af søgning og kombination. Vi tager udgangspunkt i et stykke viden og forbinder det med et andet stykke viden til noget, der er nyt og brugbart. Det er i princippet også noget, der kan lade sig gøre af maskiner – faktisk udmærker de sig ved at gemme, behandle og skabe forbindelser inden for data.

Maskiner kommer med innovationer ved at bruge generative metoder. Men hvordan fungerer dette helt præcist? Der er forskellige tilgange, men state of the art hedder generative adversarial netværk. Som et eksempel kan du overveje en maskine, der skal skabe et nyt billede af en person. Generative kontradiktoriske netværk tackler denne skabelsesopgave ved at kombinere to underopgaver.

Den første del er generatoren, som producerer nye billeder med udgangspunkt i en tilfældig fordeling af pixels. Den anden del er diskriminatoren, som fortæller generatoren, hvor tæt den var på faktisk at producere et rigtigt udseende billede.

Hvordan ved diskriminatoren, hvordan et menneske ser ud? Nå, du fodrer den med mange eksempler på billeder af en rigtig person, før du starter opgaven. Baseret på feedback fra diskriminatoren forbedrer generatoren sin algoritme og foreslår et nyt billede. Denne proces fortsætter og fortsætter, indtil diskriminatoren beslutter, at billederne ser tæt nok på de billedeksempler, den har lært. Disse genererede billeder kommer ekstremt tæt på til rigtige mennesker.

Men selv om maskiner kan skabe innovationer ud fra data, betyder det ikke, at de sandsynligvis vil stjæle al gnisten af ​​menneskelig kreativitet inden for kort tid. Innovation er en problemløsningsproces – for at innovation kan ske, kombineres problemer med løsninger. Mennesker kan gå begge veje – de starter med et problem og løser det, eller de tager en løsning og forsøger at finde nye problemer for det.

Et eksempel på den sidstnævnte type innovation er Post-its Bemærk. En ingeniør udviklede et klæbemiddel, der var alt for svagt og sad på hans skrivebord. Først senere indså en kollega, at denne løsning kunne hjælpe med at forhindre, at hans noder faldt ud af hans partiturer under kortræning.

Ved at bruge data som input og kode som eksplicit problemformulering kan maskiner også levere løsninger på problemer. Det er dog svært for maskiner at finde problemer, da problemer ofte ligger uden for grænserne for den datapulje, som maskiner innoverer.

Hvad mere er, er innovation ofte baseret på behov, vi ikke engang vidste, vi havde. Tænk på Walkman. Selvom ingen forbruger nogensinde udtalte ønsket om at lytte til musik, mens han gik, var denne innovation en stor succes. Da sådanne latente behov er svære at formulere og eksplicitere, er det heller ikke sandsynligt, at de finder vej ind i den datapulje, som maskiner har brug for til innovation.

Mennesker og maskiner har også forskellige råmaterialer, som de bruger som input til innovation. Hvor mennesker trækker på et helt liv med brede erfaringer at skabe ideer ud fra, er maskiner stort set begrænset til de data, vi fodrer dem. Maskiner kan hurtigt generere utallige inkrementelle innovationer i form af nye versioner baseret på inputdata. Banebrydende innovation kommer dog næppe ud af maskiner, som det ofte er baseret på forbindende felter der er fjerntliggende eller uden forbindelse til hinanden. Tænk på snowboardets opfindelse, som forbinder skiløb og surfing.

Også kreativitet handler ikke kun om nyhed, det handler også om anvendelighed. Selvom maskiner tydeligvis er i stand til at skabe noget, der er trinvist nyt, betyder det ikke, at disse kreationer er nyttige. Nytteværdi er defineret i øjnene af dem, der potentielt bruger innovationer og er svær at bedømme for maskiner. Mennesker kan dog føle empati med andre mennesker og forstå deres behov bedre.

Endelig kan kreative ideer genereret af AI være mindre foretrukne af forbrugere, blot fordi de er blevet skabt af en maskine. Mennesker kan måske afslå ideer fra AI, da de føler, at disse ideer er det mindre autentisk or endda truende. Eller de foretrækker måske simpelthen ideer af deres art, en effekt der er observeret på andre områder før.

Lige nu forbliver mange aspekter af kreativitet ubestridt terræn for maskiner og kunstig intelligens. Der er dog ansvarsfraskrivelser. Selvom maskiner ikke kan erstatte mennesker i det kreative domæne, er de det stor hjælp til at komplementere menneskelig kreativitet. For eksempel kan vi stille nye spørgsmål eller identificere nye problemer som vi løser i kombination med maskinlæring.

Derudover er vores analyse baseret på, at maskiner for det meste innoverer på smalle datasæt. AI kunne blive meget mere kreativ, hvis den kunne kombinere store, rige og ellers afbrudte data.

Også maskiner kan blive bedre til kreativitet, når de bliver bedre til den slags brede intelligens, mennesker besidder - noget vi kalder "generel intelligens". Og det er måske ikke for langt ude i fremtiden – nogle eksperter vurdere, at der er 50 % chance at maskiner når intelligens på menneskeligt niveau inden for de næste 50 år.

Om forfatterne

Tim Schweisfurth, lektor for teknologi og innovationsledelse, Syddansk Universitet og René Chester Goduscheit, professor i teknologi- og innovationsstudier, Aarhus Universitet

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.