Introduktion
🎯 Lärandemål
- Förstå vad AI egentligen gör (spoiler: inte tänka!)
- Känna igen de vanligaste AI-typerna i din vardag
- Veta skillnaden mellan smal AI (det vi har idag) och AGI (det vi inte har)
Du använder AI varje dag, förmodligen utan att tänka på det. Den filtrerar skräppost i din inkorg, föreslår nästa låt på Spotify, guidar dig genom trafiken, låser upp din telefon med ditt ansikte och översätter texter på sekunder.
Men när folk pratar om “AI” idag menar de oftast något mer: ChatGPT, bildgenererande verktyg och assistenter som verkar förstå dig. Här kommer den viktiga frågan: Förstår de verkligen? Eller händer något helt annat?
Svaret börjar med att förstå vad AI faktiskt gör med informationen den tar emot.
Vad AI gör – enkelt förklarat
AI (artificiell intelligens) är ett samlingsnamn för system som analyserar enorma mängder data, hittar mönster i den datan och genererar svar, förutsägelser eller beslut baserat på dessa mönster.
Den vanligaste tekniken: Maskininlärning (ML)
Istället för att programmera in exakta regler (“om kunden säger X, svara Y”) tränas systemet på massiva datamängder och lär sig mönster på egen hand.
Tänk på hur barn lär sig: Ett barn lär sig vad en “hund” är genom att se hundratals exempel – inte genom att memorera definitionen “fyrbent + nos + svans = hund”. Efter tillräckligt många exempel känner barnet igen hundar automatiskt och ser skillnad på en hund och ett annat fyrbent djur. Maskininlärning fungerar på exakt samma sätt: mönster från massor av exempel.
Det viktigaste du behöver förstå
AI är inte en tänkande varelse i din dator. Den är inte medveten om vad den säger, kan inte känna känslor och äger inga egna åsikter.
Istället är den ett statistiskt system som arbetar med sannolikheter, tränat på att känna igen mönster i data. Den är extremt duktig på att “gissa” vad som kommer härnäst, men helt beroende av vilken data den tränats på.
Att förstå att AI arbetar statistiskt – och inte med verklig förståelse – är den mest fundamentala insikten i hela kursen.
Statistik, inte förståelse: Hur språkmodeller fungerar
Här är hemligheten bakom dagens språkmodeller (exempelvis ChatGPT): De arbetar med språk på ett statistiskt sätt.
När du skriver “Tack för din…” föreslår din telefons autokorrekt ofta “hjälp”. Varför? Inte för att den förstår att du är tacksam – utan för att den har sett miljontals texter där “Tack för din hjälp” förekommer tillsammans. En språkmodell gör exakt samma sak – fast miljoner gånger mer avancerat.
En människa som läst om Napoleon förstår att han var kejsare av Frankrike. De vet varför detta är sant och kan resonera om konsekvenserna av hans handlingar.
En AI har istället sett miljontals meningar där orden “Napoleon”, “kejsare” och “Frankrike” ofta dyker upp nära varandra. Den har identifierat statistiska samband och plockar ihop dem på ett sätt som matematiskt sannolikt hör ihop. Den förstår inte vad Napoleon gjorde – den känner bara igen mönster i hur människor skriver om honom.
Skillnaden är fundamental. En människa har förståelse. En AI har mönsterigenkänning.
Analogi: Speldosan
🎵 Tänk på en speldosa som spelar en vacker melodi. Den producerar något som låter fantastiskt, men den älskar inte musiken, vet inte att den spelar och har ingen upplevelse av låten. Den följer bara mekaniska mönster.
🤖 En språk-AI fungerar på samma sätt. Den producerar text som kan verka klok och genomtänkt, men det finns ingen som “tänker” inuti, ingen som förstår innebörden eller känner något om det den skriver. Den följer bara statistiska mönster.
Det verkar som att AI tänker – men i verkligheten beräknar den sannolikheter för nästa ord. Det verkar som att den känner – men den har inga inre tillstånd, noll känslor. När den uttrycker “åsikter” speglar den bara mönster från träningsdata. När den verkar “veta” saker känner den egentligen bara igen statistiska samband mellan ord.
Varför spelar detta roll?
När du förstår att AI jobbar med statistik och mönster istället för förståelse, blir du mycket bättre på att ställa rätt frågor, tolka svaren kritiskt och veta när du kan lita på AI och när du inte kan.
Alla AI-system arbetar med mönster – men de gör olika saker med informationen beroende på vad de är byggda för.
Vad gör olika AI-typer med informationen?
🎨 Generativ AI: Skapar något nytt
Generativ AI genererar innehåll som inte fanns där förut, baserat på mönster den lärt sig. När ChatGPT skriver en rapport, när DALL-E skapar en bild från text eller när GitHub Copilot föreslår kod – då ser du generativ AI i aktion.
Tänk på det som en kreativ assistent som blandar mönster den lärt sig till något nytt.
🔍 Analytisk AI: Analyserar befintlig data
Analytisk AI tittar på data och fattar beslut, ger förslag eller gör prediktioner. Gmails skräppostfilter klassificerar mail, Netflix förutsäger vad du gillar, Google Maps förutsäger trafikläge och Face ID känner igen ansikten.
Tänk på det som en analytiker som hittar mönster i data för att hjälpa dig fatta beslut.
🤖 Agentiska workflows: Kedjar AI-steg till komplexa uppgifter
Detta är inte en helt separat AI-typ, utan ett arbetssätt där AI-system löser hela kedjor av uppgifter självständigt och fattar beslut mellan stegen. De kombinerar ofta både generativ och analytisk AI.
Ett konkret exempel: En AI som bokar en resa söker flyg och hotell (analytisk – jämför alternativ), väljer bästa kombination (analytisk – beslutsfattande), bokar biljetter (använder verktyg), skriver ett bekräftelsemejl (generativ – skapar text) och lägger till resan i kalendern (använder verktyg). Allt självständigt i flera steg – därav “agentisk”.
AI du redan använder utan att tänka på det
Din robotdammsugare, TikToks flöde, Google Maps, ditt skräppostfilter och Face ID är alla framförallt analytiska AI-system som arbetar i bakgrunden. De skapar inte ny konst eller poesi, men de är experter på att hitta mönster i data för att hjälpa dig i vardagen.
I den här kursen fokuserar vi specifikt på en typ av generativ AI – språkmodeller.
Kursens fokus: Språkmodeller och konversationella assistenter
I den här kursen fokuserar vi specifikt på språkmodeller – den generativa AI som arbetar med text. Det är tekniken bakom ChatGPT, Claude, Gemini och de assistenter du kan bygga i Intric.
Vi nämner andra AI-typer (som ansiktsigenkänning och rekommendationssystem) för att ge dig kontext och en bred förståelse, men allt du lär dig framöver handlar om hur språkmodeller fungerar och hur du använder dem effektivt.
Varför just språkmodeller? Eftersom de är de mest mångsidiga AI-verktygen för kunskapsarbete idag – de kan skriva, analysera, sammanfatta, översätta och fungera som intelligenta assistenter.
Det finns många olika språkmodell – och skillnaderna dem emellan är värda att känna till.
Olika språkmodeller har olika styrkor
Inte alla språkmodeller är lika. GPT-4, Claude, Gemini, Llama och andra modeller har olika styrkor och svagheter:
- Vissa är bättre på att resonera logiskt och lösa komplexa problem
- Andra är snabbare och mer kostnadseffektiva för enkla uppgifter
- Vissa har större kontextfönster och kan hantera längre dokument
- Andra är tränade specifikt för kod eller olika språk
Varför spelar detta roll?
När du förstår att modellerna är olika kan du välja rätt verktyg för rätt uppgift. En modell som är briljant på kreativt skrivande kanske inte är lika bra på strukturerad dataanalys – och vice versa.
I Avsnitt 4 kommer du förstå varför dessa skillnader finns – hur träningsdata, modellstorlek och träningsmetoder skapar olika egenskaper hos olika modeller.
All AI vi använder idag – oavsett hur imponerande den verkar – är av samma grundläggande typ. Det är viktigt att förstå vad det innebär.
Smal AI (ANI) och AGI
Smal AI (ANI) – den gemensamma nämnaren
All AI vi använder idag är Smal AI (Artificial Narrow Intelligence). Det betyder att de är experter på just sin sak och tränats specifikt för en typ av uppgift – men de har ingen allmän förståelse utanför sitt område:
- En bildgenererande AI kan skapa fantastiska bilder men kan inte köra bil eller skriva text
- En språkmodell som ChatGPT kan generera text på 100+ språk men kan inte köra fysiska maskiner
- En självkörande bil kan navigera säkert i trafik men kan inte skriva poesi eller känna igen ansikten
- En rekommendationsalgoritm kan föreslå filmer du gillar men förstår inte varför du gillar dem
Vad är AGI?
AGI = Artificial General Intelligence – en AI som kan lära sig vilken uppgift som helst (som en människa), förstår sammanhang över olika domäner, kan resonera abstrakt och generalisera kunskap samt tänka, planera och problemlösa generellt.
All AI vi har idag är smal AI. AGI existerar inte än.
Men språkmodeller verkar ju allmänna?
Sant – GPT-4, Claude och Gemini kan hantera enormt många olika uppgifter. Men de har fortfarande fundamentala begränsningar, arbetar fortfarande statistiskt (inte med förståelse), kan inte lära sig nya saker utan omträning och har ingen verklig “allmän intelligens”. De är extremt breda smala AI:er – inte AGI.
Sammanfattning
De viktigaste insikterna från det här avsnittet – grunden för allt som följer.
- AI arbetar med mönster, inte förståelse – När en språk-AI svarar beräknar den sannolikheter för vilka ord som hör ihop. Det finns ingen som “tänker” eller “förstår” inuti systemet – systemet är kraftfullt, men fundamentalt annorlunda än mänskligt tänkande.
- Tre sätt att använda AI – Generativ AI skapar nytt innehåll, analytisk AI analyserar och fattar beslut, agentiska workflows kedjar AI-steg med verktyg för att lösa komplexa uppgifter självständigt.
- All modern AI är smal AI (ANI) – Expert inom sitt område, men utan allmän intelligens. AGI existerar inte än.
- Språkmodeller är kursens fokus – De mest mångsidiga AI-verktygen för kunskapsarbete, men med reella skillnader mellan olika modeller vad gäller styrkor och användningsområden.