Anna Malmberg 7 maj

Från regler till språk — maskinens resa

AI utvecklades inte som en enda uppfinning utan som en lång kedja av lösningar. Varje steg uppstod för att det förra inte räckte till. Förstår du varför varje steg kom — inte bara vad det heter — så har du fattat det som de flesta missar.

1

Regelbaserade system

Expert systems

Maskinen följer ett handskrivet manus. Om X → då Y. Inget lärande, inget minne, ingen flexibilitet. Om svaret inte finns i reglerna står den handfallen.

Gammal kundtjänst-bot: "Om kunden skriver 'leverans' → visa paketstatus." Din Excel med IF-satser. Funkar utmärkt för smalt och förutsägbart — hopplös så snart världen avviker ett steg från manualet.

Varför det inte räckte

Världen är inte ett manus. Så fort något oväntat hände — ett konstigt formulerat mejl, en ny situation — bröt systemet ihop. Någon måste lära maskinen att lära sig.

2

Perceptron & neurala nätverk

Neural Networks / ANN

Inspirerat av hjärnceller. En konstgjord neuron tar emot signaler, väger dem och ger ett svar. Är svaret fel justerar den vikterna lite grann — om och om igen tills den börjar ha rätt. Det kallas backpropagation: felet räknas bakåt genom nätverket och varje koppling skruvas en aning.

Tänk att lära sig piano: du spelar fel, hör det, justerar fingrarna. Tusen repetitioner senare sitter det. Ju fler lager neuroner, desto mer komplext det kan lära sig. Det är djupinlärning — deep learning.

Varför det inte räckte

Tidiga nät klarade enkla mönster men kraschade på bilder och sekvenser. De hade inget sätt att förstå att pixlar hänger ihop rumsligt — eller att ord hänger ihop i tid. Specialiserade nät behövdes.

3

Machine Learning & regression

ML / Supervised learning

Maskinen lär sig mönster ur data istället för regler. Du matar in exempel — tusentals, miljoner — och den hittar strukturen själv. Regression är den enklaste varianten: gissa ett tal ur ett mönster.

Väderprognosens "73% chans regn imorgon" baseras inte på regler om moln — utan på mönster i miljoner tidigare dagar. Supervised learning: fråga plus rätt svar, maskinen lär sig kopplingen. Unsupervised learning: bara data, maskinen hittar grupperingar själv.

Här brukar folk tappa det

Abstrakta exempel — aktiekurser, energiförbrukning — ser ut som magi och förklarar ingenting. Väder funkar bättre: alla vet att prognosen bygger på historik, inte på att någon räknat ut regler för varje molntyp.

4

CNN — konvolutionsnät

Convolutional Neural Networks

Specialbyggda för bilder. Ett CNN letar inte pixlar — det letar kanter, sedan former, sedan strukturer, lager för lager. Precis som ett öga, fast utan att förstå vad det ser.

Face ID på din telefon. Röntgenbilder som AI granskar. Kameror i bilar som skiljer fotgängare från vägskyltar. Och embeddings: bilder och ord översätts till koordinater i ett matematiskt rum — saker som liknar varandra hamnar nära varandra. Det är grunden för hur maskiner jämför och söker.

Varför det inte räckte

CNN är fantastiskt på ett ögonblick — en bild, en klassificering. Men det har inget minne. Det vet inte vad som hände nyss. För text och tid behövdes något helt annat. Maskinen behövde lära sig komma ihåg.

5

RNN & LSTM

Recurrent Neural Networks

Vanliga nät glömmer allt direkt. RNN har ett minne — det som hände i förra steget påverkar nästa. Perfekt för sekvenser: text ord för ord, tidsserier dag för dag, tal ljud för ljud.

Tangentbordets ordförslag när du sms:ar är ett RNN. Men RNN glömmer ändå om kedjan är lång. LSTM löste det med en intern anteckningsbok — den väljer aktivt vad den ska minnas och vad den kan glömma.

Här brukar folk tappa det

Energiförbrukningsgrafar och tidsserie-diagram ser tekniska ut och säger ingenting känslomässigt. Textförslaget på tangentbordet är mycket bättre — alla har sett det gissa fel och undrat varför.

6

Rekommendationssystem

Collaborative Filtering

"Folk som gillade det här gillade också..." Systemet hittar mönster i vad miljoner människor valt och kopplar ihop dig med de som beter sig som du. Modellen har inte läst produktbeskrivningarna — den vet bara att "de som köpte A köpte ofta B."

Netflix Discover. Spotify Discover Weekly. Amazon "Kunder köpte också." Collaborative filtering = andras beteende styr. Content-based filtering = egenskaperna hos det du redan gillar styr. Moderna system blandar båda.

Här brukar folk tappa det

Små procentsiffror utan förklaring — "68% match" — känns godtyckliga och skapar misstro istället för förståelse. Poängen är att maskinen inte vet varför heller. Den ser bara mönstret. Det är helt okej att säga det rakt ut.

7

Förstärkningslärande

Reinforcement Learning / RL

Maskinen lär sig inte av data — den lär sig av konsekvenser. Den provar en handling, får belöning eller straff, justerar strategin. Upprepar miljontals gånger tills den hittat det optimala.

AlphaGo lärde sig spela Go utan regler för vad som är ett bra drag — bara vinna eller förlora, om och om igen mot sig själv. Go har fler möjliga positioner än atomer i universum. Brute force är omöjligt. Maskinen tvingades utveckla något som liknar intuition. RL används också för att finjustera LLM:er — det kallas RLHF, Reinforcement Learning from Human Feedback.

Varför det inte räckte

RL är kraftfullt men smalt — det kräver ett tydligt belöningssystem. Livet har sällan det. För att förstå öppen, komplex mänsklig kommunikation behövdes något som förstod hela sammanhanget på en gång.

8

NLP — språkförståelse

Natural Language Processing

Maskiner som förstår och hanterar mänskligt språk — inte perfekt grammatik utan riktig, rörig, mänsklig text. Spamfilter. Google Translate. Sentimentanalys som avgör om en recension är positiv eller negativ.

Mejlsortering: systemet läser ett mejl och bestämmer vart det ska — "klagomål → support, faktura → ekonomi." Tidiga NLP-system räknade ord. Moderna förstår sammanhang — att "bank" i en mening om fiske betyder något helt annat än i en mening om pengar.

Varför det inte räckte

NLP läste fortfarande ord för ord, eller åt ett håll. Det tog lång tid och missade långväga kopplingar i texten. Det behövdes ett sätt att se hela meningen på en gång.

9

Transformer & attention

Attention is all you need

Den verkliga vändpunkten. Istället för ett ord i taget tittar maskinen på hela meningen på en gång och väger varje ords relation till varje annat ord. Det kallas attention.

"Banken vid floden var brant." Attention ser "floden" och "brant" i samma ögonblick som "banken" — och förstår utan regler att det handlar om en flodbädd, inte ett finansinstitut. En RNN hade läst ordet för ord och kanske missat kopplingen.

Transformer kan köras parallellt — inte sekvens för sekvens — vilket gör det möjligt att träna på enorma datamängder. Det öppnade dörren till allt som kom efter. BERT läser åt båda håll. GPT genererar framåt. Båda bygger på transformer.

Varför det inte räckte

Transformer löste kontexten — men en modell blir inte klok av arkitektur ensam. Den behöver tränas på enorma mängder text. Och då händer något oväntat. Skalan skapar förmågor ingen programmerat.

10

LLM — stora språkmodeller

Large Language Models

Ta transformer-arkitekturen. Träna den på nästan all text som skrivits — internet, böcker, kod, vetenskap. Ge den miljarder parametrar. Vad händer?

Något ingen förutsåg: emergent behavior. Förmågor dyker upp ur skalan som ingen lagt in — resonera, jämföra, förklara, skriva kod, tolka ironi, hålla kontext över långa samtal. Det är inte ett regelbaserat system. Det är inte regression. Det är mönster av mänskligt tänkande, komprimerade i miljarder vikter.

ChatGPT, Claude, Gemini, Grok — alla LLM:er. Multimodala modeller är nästa steg: samma logik men med syn, hörsel och text på en gång. Gränsen mellan text-AI och bild-AI suddas ut.

Här brukar folk fastna

Det verkar som magi. Det är det inte — men det är inte heller som att slå upp ett svar i en databas. Modellen har inget minne av dig. Den har inga åsikter. Den är ett extremt sofistikerat mönsterkompletteringssystem. Och ändå kan den ibland verka förstå. Det är den verkliga frågan vi inte löst än.

Milstolpar — maskiner som slog människor

Deep Blue

Slog schackmästaren med brute force och sökning — inte lärande. Visar hur långt rena regler och beräkningskraft kan nå, och var gränsen går.

AlphaGo

Slog Go-världsmästaren med förstärkningslärande. Go har fler positioner än atomer i universum — maskinen tvingades utveckla något som liknar intuition.

AlphaFold

Löste proteinveckning — ett problem biologin arbetat med i decennier. AI som förändrar medicin och biologi på riktigt, inte som rubrik.

Diffusionsmodeller

Midjourney, DALL-E, Stable Diffusion. Maskinen lär sig bakåt: hur man tar brus och formar det till en bild. Samma logik som att lära sig rita genom att radera.

Begrepp i rockärmen

Perceptron

Urfadern. En enda konstgjord neuron — ja eller nej. Grunden för allt som kom efter.

Backpropagation

Felet räknas bakåt, vikterna justeras. Motorn i all träning av neuralnät.

Embeddings

"Kung" minus "man" plus "kvinna" ≈ "drottning." Ord blir koordinater i ett rum där mening syns som avstånd.

Overfitting

Modellen har pluggat facit utantill men förstår ingenting nytt. Vanligaste felet i ML.

Parametrar / vikter

Siffrorna som justeras under träning. GPT-4 har uppskattningsvis 1 000 miljarder.

Fine-tuning

Ta en färdigtränad LLM och lär den ett specifikt område — juridik, medicin, ditt företag.

Hallucination

Modellen hittar på fakta med samma säkra ton som när den har rätt. Inte lögn — mönsterfyllnad utan förståelse.

Token

LLM:ens minsta enhet — ungefär ett halvt ord. Kontextfönstret, det modellen "minns", mäts i tokens.

RLHF

Reinforcement Learning from Human Feedback. Hur LLM:er lärt sig svara som vi faktiskt vill ha det.

Prompt engineering

Konsten att formulera frågan rätt. Ny kompetens — stor skillnad i resultat.

Hyperparametrar

Inställningarna du väljer innan träningen — hur snabbt, hur djupt, hur länge. Konst lika mycket som vetenskap.

Multimodalt

En modell som hanterar text, bild och ljud. Gränsen mellan AI-typerna suddas ut.

Vad vi inte vet ännu

AGI — Artificiell Generell Intelligens — maskiner som tänker brett som vi, inte smalt som hittills. Ingen vet om vi är ett år eller tio år bort, eller om det ens är rätt mål.

Federated learning — modeller som tränas utan att data lämnar din enhet. Viktigt för integritet och förtroende.

Quantum AI — integration av kvantberäkning och AI. Kanske löser problem som är omöjliga idag.

Det som är säkert: varje steg på den här stigen uppstod för att det förra inte räckte. Regler klarade inte det oförutsägbara. Enkla nät klarade inte bilder. Bilder klarade inte sekvenser. Sekvenser klarade inte långa samband. Och transformer — som klarade allt det — behövde ändå skalas upp till något ingen förutsett för att bli vad vi har idag.

Nästa steg vet ingen. Men mönstret är tydligt: varje begränsning blir nästa uppfinning. Visa färre

Anna Malmberg 13 maj

Bortom patent-Kunskapens ekonomi

Patent är den sista utposten för ett analogt mindset

Vi lever i en värld där AI tränas på ett halvårs forskning på en vecka. Ändå klamrar vi oss fast vid ett rättssystem byggt för en tid då kopiering krävde tryckpressar och ångmaskiner.

Det är dags att prata om patentens dolda pris.

Tanken var god: ett tidsbegränsat monopol som belöning för innovation. Men i praktiken har systemet blivit ett hinder för framsteg. Istället för att skydda uppfinnaren, skyddar det nu positionen för den som har råd med flest jurister.

Den osynliga dummheten

Vi räknar flitigt på värdet av våra patentportföljer. Men vem räknar på det som inte hände?

Vi ser inte medicinerna som aldrig utvecklades för att en delkomponent var inlåst.

Vi ser inte innovationerna som dog i sin linda för att grundtekniken ägdes av ett bolag som inte ens tänkte använda den.

Vi ser inte de lösningar som blockerades av "patenttroll" – juridiska parasiter som lever på att stämma de som faktiskt skapar värde.

Det råder bred akademisk enighet: en stor majoritet av alla beviljade patent kommersialiseras aldrig. De är digitala papperskorgar som hindrar andra från att städa upp.

Implementering > Ägande

Värdet i en digital ekonomi sitter inte i att "äga" en tanke. Det sitter i förmågan att genomföra den bäst, snabbast och med störst trovärdighet.

Linux blev ryggraden i det moderna internet – helt utan patent.

Tesla öppnade sina patent 2014 för att de insåg att en ensam aktör på en liten marknad är en förlorare.

AlphaFold delade proteinstrukturdata öppet och gav biologivärlden ett decenniums försprång på en natt.

Dessa bolag är inte idealister. De är smarta strateger. De förstår att en växande marknad är mer värd än ett monopol på en öken.

Generositetens ekonomi (och dess baksida)

Det här kallas generositetens ekonomi: dela idén, men ta betalt för din förmåga att implementera den. WordPress är gratis, men experterna som bygger på det är högavlönade.

Men här finns en hake: Det kräver en röst. Den som delar i tysthet blir bara bestulen. I en öppen värld är din plattform och din "attribution" hårdvalutan. Delning och synlighet måste hänga ihop – annars blir generositet bara osynlighet.

Står du på jättars axlar – eller i deras vägen?

Ingen idé föds i ett vakuum. Inte ens AI. De modeller vi använder idag är tränade på det kollektiva minnet av allt vi någonsin skrivit och delat.

Att låtsas att innovation är en ensam prestation som kräver ett 20-årigt monopol är inte bara gammalmodigt. Det är en bromskloss för mänsklighetens utveckling.

Frågan till dig och ditt företag: Bygger ni murar runt era idéer för att ni är rädda för konkurrens, eller bygger ni lösningar som är så bra att ni inte behöver murar?

Delar du, eller snålar du? Resten är detaljer.