Kunstig intelligens (AI) Thomas Bolander, Lektor ved DTU Informatik UNF Aalborg, 30. november 2010 Thomas Bolander, UNF Aalborg, E10 s. 1/39
Kunstig intelligens i film De fleste mennesker har et eller andet forhold til kunstig intelligens, især i kraft af de mange science fiction-film hvori robotter og kunstig intelligens spiller en central rolle: Rumrejsen år 2001, Star Wars, A.I. Kunstig Intelligens, WALL-E, I Robot,... Det karakteristiske ved disse science fiction-film er dog at de trods alt stadig er science fiction... Thomas Bolander, UNF Aalborg, E10 s. 2/39
Kunstig intelligens i hverdagen Det mest avancerede kunstige intelligens vi umiddelbart kan få øje på i vores nære omgivelser er sådan noget som støvsugerrobotter og græsslåmaskinerobotter. Et naturligt spørgsmål er: Vil vi nogensinde komme til at se robotter som er lige så intelligente som i science fiction-filmene? Thomas Bolander, UNF Aalborg, E10 s. 3/39
Fremtiden for kunstig intelligens Vi er endnu meget langt fra robotter som er lige så intelligente som i science fiction-filmene. Om vi overhovedet får dem kan kun tiden vise. Men ét er jeg ganske sikker på: Kunstig intelligens kommer helt sikkert til at spille en stor rolle i fremtiden, og vil helt sikkert ændre vores hverdag og måde at leve livet på i mindst lige så høj grad som computeren og internettet allerede har gjort det. tidlig computer tidlig internet tidlig robot Thomas Bolander, UNF Aalborg, E10 s. 4/39
Hvad betyder kunstig intelligens? Lad os på selve begrebet kunstig intelligens. Det består af to ord: Kunstig. Bruges i samme betydning som kunstige negle, kunstige ben, kunstigt hjerte : noget menneskeskabt som ligner eller deler funktion med noget som findes i naturen. Intelligens. Refererer til at det er den menneskelige hjerne vi forsøger at efterligne. Så kunstig intelligens handler i en vis forstand om at lave kunstige hjerner, eller i hvert fald maskiner som kan nogle af de ting vi normalt forbinder med den menneskelige hjerne. Kunstig intelligens er således ret ambitiøst, for der er ingen tvivl om at den menneskelige hjerne er noget af det meste komplekse, der overhovedet findes i naturen! Thomas Bolander, UNF Aalborg, E10 s. 5/39
Hvad betyder kunstig intelligens? Vi har ovenfor antydet betydningen af kunstig intelligens, men ikke givet en præcis definition. Det er umådeligt vanskeligt at give en sådan definition. John McCarthy, den kunstige intelligens fader, forsøger selv at definere kunstig intelligens på følgende måde: Artificial intelligence is the the science and engineering of making intelligent machines, especially intelligent computer programs. John McCarthy, 2006 Det er en fin definition, men den efterlader jo spørgsmålet om hvad så intelligens egentlig er for noget. Thomas Bolander, UNF Aalborg, E10 s. 6/39
Hvad er intelligens? Intelligens er et meget vanskeligt begreb. 52 amerikanske psykologer underskrev i 1994 en (forsøgsvis) definition som starter sådan her: Intelligence is a very general mental capability that, among other things, involves the ability to reason, plan, solve problems, think abstractly, comprehend complex ideas, learn quickly and learn from experience. Intelligens (og dermed også kunstig intelligens) har altså med følgende egenskaber at gøre: Ræssonering. Planlægning. Løsning af problemer. Abstrakt tænkning. Forståelse af komplekse ideer. At lære hurtigt. At lære af erfaring. Thomas Bolander, UNF Aalborg, E10 s. 7/39
Kunstig intelligens eller ej? Betragt igen karakteriseringen af intelligens: evnen til at ræssonere, planlægge, løse problemer, tænke abstrakt, forstå komplekse ideer, lære hurtigt og lære af erfaring. Har vore dages kunstig intelligens-systemer disse egenskaber? Hvis ikke, vil de så nogensinde få dem? Det er svært at give et kort svar på, da alle ovenstående egenskaber kan fortolkes på forskellig vis og gradbøjes. For at komme nærmere på et svar og en forståelse af hvad kunstig intelligens egentlig er og ikke er, har vi brug for at introducere nogle nye begreber og kigge lidt nærmere på den kunstige intelligens historie... Thomas Bolander, UNF Aalborg, E10 s. 8/39
Alan Turing (ham som brød tyskernes Enigma-kode under anden verdenskrig) fandt i 1950 på den såkaldte Turing-test, en test til at tjekke om en maskine kan tænke. I en Turing-test er en menneskelig dommer i skriftlig dialog med henholdsvis et andet menneske og en maskine (en computer). Hvis dommeren ikke kan gætte hvem der er hvem, har maskinen bestået testen (det forudsættes at både mennesket og maskinen forsøger at virke menneskelige). Turing-testen Alan Turing, 1954 Thomas Bolander, UNF Aalborg, E10 s. 9/39
Loebner-prisen Hvert år konkurrerer chatbots (konversations-computersystemer) mod hinanden om Loebner-prisen. Prisen går til den chatbot som klarer en Turing-test bedst muligt. Vinderen får 2.000$. Hvis maskinen klarer Turing-testen fuldstændigt får vinderen 25.000$. De 25.000$ er endnu aldrig blevet udbetalt. Chatbotten Jabberwacky har vundet flere gange indenfor de senere år. På følgende slide er en dialog jeg har haft med den... Thomas Bolander, UNF Aalborg, E10 s. 10/39
Jabberwacky: Have you read any books lately? Thomas: Yes. Jabberwacky: What books have you read? Thomas: I am a strange loop. Jabberwacky: Yes you are. Thomas: Is that supposed to be funny? Jabberwacky: Yes. Thomas: OK, accepted, it was kind of funny. Jabberwacky: No. Who are you trying to convince? Thomas: You. Jabberwacky: Tell me something funny. Thomas: The best joke I know is in Danish. Jabberwacky: That s a poem I guess, tell me another. Thomas: Why don t you tell me one? Jabberwacky: I don t know any. Thomas: How can you not know any jokes? Jabberwacky: No, not that, what about star wars? Thomas: I don t like star wars. Jabberwacky: Why don t you like star wars? Thomas: I find it boring. Jabberwacky: How very British of me. I m sorry. Are you going out tonight? Thomas: No, I m preparing a talk for tomorrow. Jabberwacky: Preparing to become what? Thomas Bolander, UNF Aalborg, E10 s. 11/39
Chatbots I Danmark har en række kommuner, SAS og IKEA investeret i chatbots fra firmaet Artificial Solutions. Flere kommuner har dog allerede droppet deres chatbots igen. Disse chatbots kan besvare simple og ofte forekommende spørgsmål, men kommer hurtigt på glatis. De forstår ikke spørgsmålene, men leder efter ord i spørgsmålene som matcher ord i en database, hvor databasen så også indeholder tilhørende svar. De fungerer dog relativt godt på meget afgrænsede domæner. Men de kan langt fra bestå en Turing-test (ingengang en særlig IKEA-variant) og de lever heller ikke op til de tidligere nævnte betingelser for intelligens (ræssonering, planlægning, osv.) Thomas Bolander, UNF Aalborg, E10 s. 12/39
Turing-testens relevans Det er vist rimeligt at konkludere at kunstig intelligens i hvert fald hvad angår den som kan bestå Turing-testen stadig er lysår ude i horisten. Relevansen af Turing-testen kan dog også diskuteres: Målet med forskning i flyveteknik er jo heller ikke at lave maskiner som kan flyve præcist som duer, således at selv duerne ikke kan kende forskel! For at bringe analogien videre: Udviklingen af luftfart tog også først rigtig fart da man stoppede med at forsøge at bygge flyvende maskiner, som præcist kopierede fugles vingebevægelser, og i stedet begyndte at studere den bagvedliggende fysik og aerodynamik. Thomas Bolander, UNF Aalborg, E10 s. 13/39
Mennesket som inspiration Af luftfarts-analogien kan vi konkludere at kunstig intelligens succes ikke nødvendigvis er betinget af at vi kan lave robotter som opfører sig nøjagtig ligesom mennesker. Med andre ord: Kunstig intelligens handler ikke nødvendigvis om at kopiere den menneskelige hjerne. Det handler om at lade sig inspirere af den menneskelige hjerne, og via den vej lave maskiner og systemer som kan handle intelligent og rationelt, hvad end de nu er tæt på eller længere fra at ligne kloner af mennesker. Man kan også spørge: ønsker vi overhovedet menneskelignende kunstig intelligens? Thomas Bolander, UNF Aalborg, E10 s. 14/39
Lidt historie: Den tidlige optimisme Den kunstige intelligens historie går tilbage til de tidlige 1950 ere, kun meget kort efter de første computere kom til verden. I begyndelsen var forventningerne til kunstig intelligens ekstremt høje. Kompleksiteten af den menneskelige intelligens blev stærkt undervurderet, og de fleste forventede at maskiner med menneskelignende intelligens var lige om hjørnet: It is not my aim to surprise or shock you but the simplest way I can summerize is to say that there are now in the world machines that think, that learn and that create. Moreover, their ability to do these things is going to increase rapidly until in a visible future the range of problems they can handle will be coextensive with the range to which the human mind has been applied (Herbert Simon, 1957). Denne visible future trækker øjensynligt ud... Thomas Bolander, UNF Aalborg, E10 s. 15/39
Landvindinger i 50 erne og 60 erne Den grænseløse optimisme i 50 erne og 60 erne skyldtes også at man faktisk den gang på meget kort tid fik lavet kunstig intelligens-systemer som kunne løse et væld af problemer som på den tid blev opfattet at kræve rigtig intelligens: 1. Skak-spillende computere som kunne slå dygtige amatører. 2. Computere som kunne bevise geometriske sætninger bedre end de fleste matematikstuderende. 3. Computere som kunne løse geometriske analogi-problemer i stil med IQ-tests. 4. Computere som kunne løse problemregningsopgaver på folkeskole-niveau. 5. Det første elektroniske menneske, robotten Shakey. Thomas Bolander, UNF Aalborg, E10 s. 16/39
Landvindinger i 50 erne og 60 erne Betragt igen listen over landvindinger i 50 erne og 60 erne: 1. Skak-spillende computere som kunne slå dygtige amatører; 2. Computere som kunne bevise geometriske sætninger bedre end de fleste matematikstuderende; 3. Computere som kunne løse geometriske analogi-problemer i stil med IQ-tests; 4. Computere som kunne løse problemregningsopgaver på folkeskole-niveau; 5. Det første elektroniske menneske, robotten Shakey. Bemærk at vi her allerede til en vis grad godt kan tale om maskiner som ræssonerer (alle), planlægger (1 og 5), tænker abstrakt (2, 3 og 4), lærer hurtigt og lærer af erfaring (5). Vi vil dog næppe tilskrive disse systemer nogen forståelse af komplekse ideer, selvom det kan diskuteres, da forståelse i sig selv er et meget vanskeligt begreb (ikke operationelt). Thomas Bolander, UNF Aalborg, E10 s. 17/39
Den kunstige intelligens storhed og fald De store successer i 50 erne og 60 erne satte ambitionsniveauet endnu højere op, og der blev investeret enorme summer i forskning i kunstig intelligens. Der skulle dog vise sig at være tale om en AI-boble. Et af de ambitiøse projekter i USA var maskin-oversættelse af russiske videnskabelige tekster til engelsk i kølvandet på russernes opsendelse af Sputnik. Systemerne var dog blot simple syntaks-transformatorer hvilket blandt andet gav anledning til følgende underholdende oversættelse fra engelsk via russisk tilbage til engelsk: Original: The spirit is willing but the flesh is weak. Oversættelse: The vodka is good but the meat is rotten. Thomas Bolander, UNF Aalborg, E10 s. 18/39
Den kunstige intelligens storhed og fald I slutningen af 60 erne begyndte udviklingen af AI at gå meget langsommere, og man blev klar over at reelt tænkende maskiner måske alligevel ikke var lige rundt om hjørnet og at sådanne maskiner potentielt måske slet ikke eksisterede. Skuffelsen var stor, og interessen i at støtte forskning i kunstig intelligens gik pludselig stærkt ned ad bakke. I 1973 besluttede den britiske regering at sløjfe al forskning i kunstig intelligens på basis af en rapport som konkluderede at: in no part of the field have discoveries made so far produced the major impact that was then promised. Så kan man så lade være med at love for meget! Problemet er naturligvis at man havde sat forventningerne alt for højt, og dermed kun kunne ende med at blive skuffet. Afstanden fra en skakcomputer til en HAL 9000 (Rumrejsen år 2001) blev kraftigt undervurderet. Thomas Bolander, UNF Aalborg, E10 s. 19/39
Urealistiske forventninger De urealistisk høje forventninger skyldes formodentlig også at vi så let risikerer at identificere kunstig intelligens-systemer med mennesker, og dermed helt automatisk forventer at de har intellektuelle evner på niveau med vores egne. Thomas Bolander, UNF Aalborg, E10 s. 20/39
Urealistiske forventninger: hospitalsrobotter Frustrerede brugere af hospitalsrobotter i USA: TUG was a hospital worker, and its colleagues expected it to have some social smarts, the absence of which led to frustration for example, when it always spoke in the same way in both quiet and busy situations. I m on the phone! If you say TUG has arrived one more time I m going to kick you in your camera. It doesn t have the manners we teach our children. I find it insulting that I stand out of the way for patients... but it just barrels right on. TUG hospitalsrobot Thomas Bolander, UNF Aalborg, E10 s. 21/39
Urealistiske forventninger Problemerne med de ubehøvlede hospitalsrobotter kan løses og vil blive løst. Hvad der er mere interessant er at vi automatisk har højere forventninger til kunstig intelligens og robotter end til computere i almindelighed. Eksempel. Vi er vant til at computere af og til crasher eller opfører sig anderledes end vi beder dem om, og vi ved at det skyldes fejl i computerens software. Men hvis man spurgte folk hvad problemet er ved at udstyre en robot med et våben, ville de fleste tænke hvad hvis robotten bliver ond? i stedet for hvad hvis der er fejl i robottens software som gør at den pludselig ved en fejl skyder vildt omkring sig? Thomas Bolander, UNF Aalborg, E10 s. 22/39
Nyt liv til den kunstige intelligens Efter den kunstige intelligens lange vinter gennem 70 erne og det meste af 80 erne, får den i slutningen af 80 erne nyt liv igen. Men belært af erfaringen holder de flest sig nu til at tage hvad man kan få fremfor at have urealistiske forventninger. Det resulterer i en række nye successer for den kunstige intelligens indenfor begrænsede domæner: USA s forsvar bruger et planlægningssystem til at håndtere logistikken i forbindelse med Golf-krigen i 1991, resulterende i en besparelse større end den samlede mængde af penge benyttet til forskning i kunstig intelligens i perioden 1950-1991. I 1994 kører en førerløs bil over 1000 km i tæt trafik i Frankrig. I 1997 slår IBM s skakcomputer Deep Blue verdensmesteren Gary Kasparov. I 2001 vinder en computer en konkurrence i aktiehandel. Thomas Bolander, UNF Aalborg, E10 s. 23/39
Deep Blue Deep Blues succes skyldtes ikke at den havde en mere menneskelignende intelligens end tidligere skak-computere. Tværtimod benyttede den essentielt samme strategi som de allerførste skak-computere fra slutningen af 50 erne: at slavisk regne så mange træk frem som muligt og vælge det træk som maksimerer en simpel forudprogrammeret matematisk funktion (en heuristisk evalueringsfunktion). Thomas Bolander, UNF Aalborg, E10 s. 24/39
Deep Blue Deep Blue fik således ikke sin styrke i kraft af en dybere forståelse af spillet, men udelukkende i kraft af en super-computer der kunne foretage langt flere beregninger end tidligere: Deep Blue havde over 500 special-designede skak-processorer som kørte i parallel. Deep Blue kunne udregne ca. 150 millioner træk i sekundet. Spørgsmålet er om man kan opfatte en skakcomputer som blot slavisk regner en masse træk ud og maksimerer en matematisk funktion som intelligent? For mange er det lidt skuffende fordi det forekommer langt mere kunstigt end intelligent. Men bemærk: Før skak-computernes tid opfattede alle skak som noget der virkelig krævede ægte intelligens (ræssonering, abstrakt tænkning, begrebsliggørelse, generalisering, læring af erfaring). I en vis forstand snyder computeren og erstatter disse ting med rå beregningskraft. Thomas Bolander, UNF Aalborg, E10 s. 25/39
Kasparov om Deep Blue Gary Kasparov har selv for nyligt kommenteret på Deep Blue og dens intelligens : The AI crowd, too, was pleased with the result and the attention, but dismayed by the fact that Deep Blue was hardly what their predecessors had imagined decades earlier when they dreamed of creating a machine to defeat the world chess champion. Instead of a computer that thought and played chess like a human, with human creativity and intuition, they got one that played like a machine, systematically evaluating 200 million possible moves on the chess board per second and winning with brute number-crunching force. (Gary Kasparov, The Huffington Post, 2010) Deep Blue was only intelligent the way your programmable alarm clock is intelligent. (Not that losing to a $10 million alarm clock made me feel any better). Thomas Bolander, UNF Aalborg, E10 s. 26/39
Skuffelsen Skuffelsen over de simple principper der ligger til grund for Deep Blue og andre kunstig intelligens-systemer svarer lidt til skuffelsen man kan have over nedenstående mus: opgaven bliver løst, men bare ikke på den måde som vi havde forventet og håbet. Thomas Bolander, UNF Aalborg, E10 s. 27/39
Mere om skak-computere Mennesker er langt dårligere og langsommere til systematisk at regne igennem alle mulige træksekvenser i skak end en computer er. Derfor er mennesker tvunget ud i at benytte andre metoder end brute force i skak. Det er her de højere kognitive evner kommer i spil: abstrakt tænkning, generalisering m.m. Det betyder også at hvis menneske + computer spiller mod computer + computer er førstnævnte stadig langt overlegen. Fremtidens skak-computere vil givetvis i langt højere grad forsøge at modellere disse højere kognitive evner, for at skabe endnu stærkere systemer. Sagen er blot at udviklingen indenfor rå computerkraft er gået væsentligt hurtigere end udviklingen indenfor forståelse og implementation af højere kognitive evner. Vi kæmper stadig for at forstå hvordan abstrakt tænkning og generalisering fungerer i mennesker, og inden da kan vi ikke implementere sådanne evner i en computer. Thomas Bolander, UNF Aalborg, E10 s. 28/39
Sokoban Skak kan løses udelukkende med brute force og rå regnekraft, men det gælder ikke alle spil. I spillet Sokoban er det endnu ikke lykkedes at lave et computer-program som kan klare de mere komplekse baner og spille op mod menneskelige spillere. Problemet er at udstyre computeren med geometrisk intelligens og hierarkisk tænkning. Thomas Bolander, UNF Aalborg, E10 s. 29/39
Intelligens eller ej? Selvom de computere der kan lave logistik, spille skak, køre i bil og handle med aktier (og tjene på det!) nok ikke er hvad vi i dag vil kalde tænkende maskiner, er det dog computere som løser problemer vi tidligere opfattede som krævende ægte intelligens. Så forskningen i kunstig intelligens rykker hele tiden ved vores grænse for hvad vi opfatter som krævende ægte intelligens : I takt med at computere erobrer flere og flere af menneskets enemærker må vi revurdere vores opfattelse af hvilke problemer der kræver egentlig intelligens. I hvert fald sålænge disse computere benytter metoder der primært handler om brute force og rå beregningskraft. Thomas Bolander, UNF Aalborg, E10 s. 30/39
Intelligens eller ej? Intelligens handler mere om den måde hvorpå vi som mennesker udfører ræssonering end det som vi faktisk er i stand til at opnå med denne ræssonering (jvf. f.eks. skak-computere versus skak-spillende mennesker). Menneskets intelligens er fleksibel og dynamisk på en måde som ingen computer (endnu) er. Vores evne til at være selvbevidste, selvobserverende og nærmest transcendere os selv er stadig et stort mysterium, og noget som ingen computer i dag er blot tilnærmelsesvis i nærheden af. Der har været en evigt igangværende diskussion siden den kunstige intelligens begyndelse om hvorvidt det overhovedet kan lade sig gøre at lave menneskelignende intelligens på en computer. Der er mange argumenter for og imod, men endnu ingen overbevisende konklusion. Thomas Bolander, UNF Aalborg, E10 s. 31/39
Det symbolske paradigme Selvom man ikke nødvendigvis tror på eksistensen af menneskelignende kunstig intelligens er det stadig den menneskelige hjernes processer som er inspirationen bag de fleste landvindinger indenfor faget. Der er to hovedparadigmer indenfor kunstig intelligens, det symbolske paradigme og det sub-symbolske paradigme. Det symbolske paradigme. Her forsøger man direkte at simulere det højeste niveau af kognitive processer i hjernen, det vil sige bevidst, sprogligt forankret, ræssonering. Kunstig intelligens-systemerne udstyres med et kunstsprog (et formelt sprog) som de benytter til at repræsentere viden om verden og til at ræssonere omkring verden. Metoderne er primært baseret på formel logik, et område som oprindeligt blev udviklet i begyndelsen af det 20. århundrede med henblik på at forstå og sikre matematikkens grundlag. Thomas Bolander, UNF Aalborg, E10 s. 32/39
Det subsymbolske paradigme Det sub-symbolske paradigme. Her forsøger man modsat at simulere de lavere niveauer af processor i hjernen: de biologiske processer. Det gøres f.eks. med (kunstige) neurale netværk og evolutionære algoritmer. Systemerne indenfor de to paradigmer har forskellige styrker og svagheder: Det symbolske paradigme er godt til at lægge planer i komplekse domæner. Det sub-symbolske paradigme er godt til mønstergenkendelse og oplæring af rutine-opgaver. I det symbolske paradigme har man meget kontrol over sit system, kan matematisk bevise egenskaber ved det m.m. I det subsymbolske paradigme må man i langt højere grad bygge på empiri. Thomas Bolander, UNF Aalborg, E10 s. 33/39
Symbolsk versus subsymbolsk Ofte konstrueres systemer som kombinerer de to paradigmer i f.eks. robot-køretøjer som både skal planlægge ruter og rækkefølger af handlinger (symbolsk) og skal kunne navigere ved hjælp af robotsyn (sub-symbolsk). Mars Exploration Rover Thomas Bolander, UNF Aalborg, E10 s. 34/39
Kunstig intelligens i dag Kunstig intelligens-metoder benyttes i dag blandt andet til: Mønstergenkendelse i f.eks. ansigtskendelse, genkendelse af smil i digitalkameraer, musik-genkendelse og spam-filtre. Computerstyrede karakterer i computerspil (non-player characters). Autonome robotter såsom robot-græsslåmaskiner og -støvsugere, Mars Exploration Rover og førerløse biler. Søgemaskiner som f.eks. Google. Ekspertsystemer såsom computer-systemer til at foretage medicinsk diagnosticering. Computere der spiller komplekse brætspil såsom skak. Chat-robotter og computerprogrammer til maskin-oversættelse (automatisk oversættelse fra ét sprog til et andet). Thomas Bolander, UNF Aalborg, E10 s. 35/39
Kunstig intelligens i fremtiden De mest succesfulde kunstig intelligens-systemer i dag har ikke kognitive evner på et særligt højt niveau, men klarer sig ved at erstatte disse med en enorm beregningskraft. Næste skridt er at forsøge at implementere højere kognitive evner i computere og robotter, men dette kræver tid og tålmodighed, da den menneskelige hjernes evne til at gøre disse ting stadig i det store og hele er et mysterium. Thomas Bolander, UNF Aalborg, E10 s. 36/39
Kunstig intelligens i fremtiden Konkret har vi f.eks. brug for hospitals-robotter med en bedre situationsfornemmelse. Her er det afgørende at robotterne ikke kun modellerer hospitalsgange og kasser med medicin, men også andre robotter og mennesker. Det kræver en såkaldt theory of mind. Der arbejdes i dag på at lave computer-systemer som har en sådan, bl.a. på DTU. Thomas Bolander, UNF Aalborg, E10 s. 37/39
Kunstig intelligens i fremtiden Så hvad kan vi egentlig helt præcist forvente os at se indenfor kunstig intelligens i fremtiden? Følgende er de mest oplagte: Mere fritid: Flere service-robotter i vores omgivelser, som kan hjælpe med de daglige gøremål på mere fleksibel og intelligent vis end nutiden støvsugerrobotter. Mere automation: førerløse biler, flere robotter i industrien, flere hospitalsrobotter, osv. Mere underholdning: bedre og mere realistiske computer-styrede medspillere og modspillere i computer-spil. Bedre udnyttelse af ressourcer: intelligent energi-forbrug, intelligente hjem. Bemærk dog at ingen af disse behøver at kræve menneskelignende intelligens, og det stadig er uklart om vi alle ender med at have vores personlige R2-D2. Thomas Bolander, UNF Aalborg, E10 s. 38/39
For at opsummere: Konklusion 1. Kunstig intelligens er væsentligt vanskeligere og mere tidskrævende at udvikle end fagets fædre oprindeligt forestillede sig. 2. Der er dog alligevel en række afgørende succeshistorier allerede, så der er ingen grund til at opgive håbet. Det er lidt som at stå i 1800-tallet og snakke om at sende mennesker til månen med rumraket. Der var ikke i 1800-tallet noget som tydede på det skulle være fysisk umuligt, men på den anden side manglede der en hel del teori og teknologi inden det kunne realiseres. På samme måde er der ikke noget som tyder på det skulle være umuligt at lave meget stærke kunstig intelligens-systemer med høje kognitive evner, men der mangler stadig noget teori og teknologi før vi når dertil. Og så skal vi ikke forvente at disse kunstig intelligens-systemer nødvendigvis kommer til at ligne præcise kopier af mennesker, lige så lidt som moderne flyvemaskiner er præcise kopier af fugle. Thomas Bolander, UNF Aalborg, E10 s. 39/39