Begrensede data betyr begrenset innovasjon. Phonlamai-bilde Sam valadi / Flickr, CC BY-SA

Det europeiske patentverket nylig avslått en søknad om et patent som beskrev en matbeholder. Dette var ikke fordi oppfinnelsen ikke var ny eller nyttig, men fordi den ble skapt av kunstig intelligens (AI). Ved lov må oppfinnere være faktiske mennesker. Dette er ikke den første oppfinnelsen av AI - maskiner har produsert nyvinninger fra vitenskapelige artikler og bøker til nye materialer og musikk.

Når det er sagt, er det å være kreativ helt klart en av de mest bemerkelsesverdige menneskelige trekk. Uten den ville det ikke være noen poesi, ingen internett og ingen romfart. Men kunne AI noen gang matche eller overgå oss? La oss se på forskningen.

Fra et teoretisk perspektiv er kreativitet og innovasjon en prosess av søk og kombinasjon. Vi tar utgangspunkt i ett kunnskapsstykke og forbinder det med et annet kunnskapstykke til noe som er nytt og nyttig. I prinsippet er dette også noe som kan gjøres av maskiner - faktisk utmerker de seg med å lagre, behandle og lage forbindelser innenfor data.

Maskiner kommer med nyvinninger ved å bruke generative metoder. Men hvordan fungerer dette nøyaktig? Det er forskjellige tilnærminger, men den moderne teknologien kalles generative adversarielle nettverk. Ta som et eksempel en maskin som skal lage et nytt bilde av en person. Generative motstandernettverk takler denne opprettelsesoppgaven ved å kombinere to underoppgaver.

Den første delen er generatoren, som produserer nye bilder fra en tilfeldig fordeling av piksler. Den andre delen er diskriminatoren, som forteller generatoren hvor nær den kom til å faktisk produsere et ekte bilde.

Hvordan vet diskriminatoren hvordan et menneske ser ut? Vel, du mater det mange eksempler på bilder av ekte person før du begynner på oppgaven. Basert på tilbakemeldingen fra diskriminatoren forbedrer generatoren sin algoritme og foreslår et nytt bilde. Denne prosessen fortsetter og fortsetter til diskriminerende bestemmer at bildene ser nær nok til bildeeksemplene den har lært. Disse genererte bildene kommer ekstremt nær til virkelige mennesker.

Men selv om maskiner kan lage nyvinninger fra data, betyr ikke det at de sannsynligvis vil stjele all gnisten til menneskelig kreativitet snart. Innovasjon er en problemløsende prosess - for at innovasjon skal skje, kombineres problemer med løsninger. Mennesker kan gå i begge retninger - de starter med et problem og løser det, eller de tar en løsning og prøver å gjøre det finne nye problemer for det.

Et eksempel for sistnevnte type innovasjon er Legg den ut Merk. En ingeniør utviklet et lim som var altfor svakt og satt på skrivebordet. Først senere innså en kollega at denne løsningen kunne bidra til å forhindre at notatene hans falt ut av hans score under korøvelse.

Ved å bruke data som inndata og kode som eksplisitt problemformulering, kan maskiner også tilby løsninger på problemer. Problemer med å finne er imidlertid vanskelig for maskiner, da problemer ofte er utenfor grensene for datapoolen som maskiner innoverer.

Dessuten er innovasjon ofte basert på behov vi ikke en gang visste at vi hadde. Tenk på Walkman. Selv om ingen forbruker noensinne ytret ønsket om å høre på musikk mens han gikk, var denne nyvinningen en stor suksess. Ettersom slike latente behov er vanskelige å formulere og gjøre eksplisitte, er det heller ikke sannsynlig at de finner veien inn i datapoolen som maskiner trenger for innovasjon.

Mennesker og maskiner har også forskjellige råvarer som de bruker som input for innovasjon. Der mennesker trekker på en lang levetid med brede opplevelser å lage ideer fra, er maskiner i stor grad begrenset til dataene vi mater dem. Maskiner kan raskt generere utallige inkrementelle innovasjoner i form av nye versjoner basert på inndatadataene. Gjennombrudd innovasjon vil imidlertid neppe komme ut av maskiner som det ofte er basert på koble felt som er fjernt eller ikke koblet til hverandre. Tenk på oppfinnelsen av snowboardet, som forbinder verdens verdener med ski og surfing.

Kreativitet handler ikke bare om nyhet, det handler også om nytteverdi. Selv om maskiner tydeligvis kan lage noe som er inkrementelt nytt, betyr ikke det at disse kreasjonene er nyttige. Nytten er definert i øyet av de som potensielt bruker innovasjoner og er vanskelig å bedømme for maskiner. Mennesker kan imidlertid være empatiske med andre mennesker og forstå deres behov bedre.

Endelig kan kreative ideer generert av AI være mindre foretrukket av forbrukere bare fordi de er opprettet av en maskin. Mennesker kan redusere ideer fra AI siden de føler at disse ideene er mindre autentisk or til og med truende. Eller kanskje de ganske enkelt foretrekker ideer av sitt slag, en effekt som er observert i andre felt før.

Per nå er mange aspekter av kreativitet ubestridt terreng for maskiner og AI. Imidlertid er det ansvarsfraskrivelse. Selv om maskiner ikke kan erstatte mennesker i det kreative domenet, er de det god hjelp til å utfylle menneskets kreativitet. Vi kan for eksempel stille nye spørsmål eller identifisere nye problemer som vi løser i kombinasjon med maskinlæring.

I tillegg er analysen vår basert på at maskiner stort sett innoverer på smale datasett. AI kan bli mye mer kreativ hvis den kunne kombinere store, rike og ellers frakoblede data.

Dessuten kan maskiner bli bedre på kreativitet når de blir bedre på den typen bred intelligens mennesker besitter - noe vi kaller “generell intelligens”. Og dette er kanskje ikke så langt i fremtiden - noen eksperter vurdere at det er 50% sjanse at maskiner når intelligens på menneskelig nivå i løpet av de neste 50 årene.

Om forfatterne

Tim Schweisfurth, førsteamanuensis for teknologi og innovasjonsledelse, Syddansk Universitet og René Chester Goduscheit, professor i teknologi og innovasjonsstudier, Aarhus Universitet

Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.