Fra å beskytte hvaler til økt bekvemmelighet, hva kan ikke AI gjøre?

Kunstig intelligens blir stadig mer vanlig i hverdagen. Introduksjonen av LLM-er (store språkmodeller) som ChatGPT satte AI i alles hender. Likevel var teknologien allerede godt i gang med å endre liv lenge før LLM-er nådde markedet. Her er et innblikk i hva AI ikke kan gjøre i dag, og hvor den vil ende opp i fremtiden.

AI-evolusjon

AI-sektoren har gjennomgått mange iterasjoner basert på teknologiens evner og tilgjengelighet. Konseptet med menneskelignende maskiner går tilbake til antikken. Renessansen gjenopplivet disse konseptene, og kjente oppfinnere som Leonardo da Vinci demonstrerte konseptet med automater i 1495.

Kunstig intelligens slik vi ser den i dag kan spores tilbake til Alan Turings universelle Turing-maskin i 1935. Bare 15 år senere utviklet han Turing-testen. Turing-testen bruker menneskelig samtale for å avgjøre om et AI-system har oppnådd menneskelignende evner og mer. Denne testen brukes fortsatt i dag som en målestokk for AI-interaksjoner.

De beregningsmessige gjennombruddene på 1990-tallet bidro til å drive AI-systemene videre. Maskinlæring og andre AI-systemer begynte å dukke opp i denne perioden, noe som førte til gjennombrudd tidlig på 2000-tallet. For eksempel demonstrerte IBM Watsons AI-ferdigheter ved å slå mennesker i Jeopardy. Samtidig begynte Google å publisere data om sine nevrale nettverk.

AI i dag

Dette tiåret har sett noen av de største sprangene i AI-teknologi hittil. Introduksjonen av selv‑lærende AI-teknologier som torque‑klyngingsalgoritmer har gjort sektoren til et samtaleemne.
Disse teknologiske fremskrittene har også blitt møtt med moralske spørsmål og miljøbekymringer. Alle disse faktorene har ført til økt gransking av AI‑s fremtid og dens påvirkning på dagliglivet. Så hva kan ikke AI gjøre? Disse prosjektene fremhever bare noen av dens nåværende evner og begrensninger.

Hjelp folk med å bygge bedre byer

AI-systemer kan hjelpe byplanleggere med å skape mer effektive og produktive samfunn. AI-systemer kan spore trafikk og andre viktige data som kan være svært verdifulle når man bestemmer plasseringer for nye tjenester, motorveier og andre samfunnsbehov.

Infrastrukturinnsikt

En måte AI-systemer allerede blir brukt på for å skape tryggere og mer komfortable nabolag er gjennom innsikt. En studie¹ publisert i Journal of Smart Cities and Society går i dybden på elektrisk sikkerhet og stabilitet.

Spesielt undersøker den energidistribusjon, husbehov, hvilken type energikilde hvert hus bruker, og om dette gjør stedet mer utsatt for strømbrudd. Studien forklarer at etter hvert som flere hus går over til helt elektriske løsninger, kan noen risikoer ha blitt oversett.

Spesielt fremhever rapporten hvordan solcellepaneler er en utmerket energikilde om sommeren, men hvordan de kan etterlate hele lokalsamfunn uten strøm under vinterstormer og andre miljøforhold. Dessverre har dette scenariet blitt mer vanlig etter hvert som presset for fullt elektrifiserte hjem fortsetter.

Bygge en AI-modell for å rangere risiko for strømbrudd

Stevens-forskere analyserte data fra Department of Energy (DOE) sin bygningsmasse, inkludert energimønstre for 129 000 eneboliger. Disse husene lå i åtte forskjellige delstater, noe som ga teamet mulighet til å teste systemet i ulike miljøer.

ML-modellene klarte å fastslå hvert enkelt hus sin energisystemavtrykk. Deretter behandlet de disse dataene, kryssrefererte dem med sine datamodeller, og bestemte hvilken type energikilder huset var avhengig av.

Videre brukte systemet disse dataene til å vurdere risikoen for strømbrudd for huset og lokalsamfunnet. Nå ønsker teamet å utvide testingen til flere samfunn for å hjelpe planleggere med å bygge tryggere og mer robuste strømnett.

Redde jorden

Miljøforhold, forurensning, menneskelig ekspansjon og andre faktorer har etterlatt mange dyrelivsområder i ruiner. Kunstig intelligens har vært en løsning som miljøforkjempere har vendt seg til for å hjelpe med å fastslå dyrelivsmønstre.
Disse systemene kan hjelpe bevaringsarbeidere med å oppdage plutselige endringer i arter, noe som er et verdifullt verktøy for å beskytte sjeldne og truede dyr mot utryddelse. Allerede nå kan AI-systemer spore migrasjonsmønstre, helse, krypskytteraktivitet og andre viktige data.

Hvalbevaring

Et team av innovative forskere fra Rutgers University‑New Brunswick introduserte nylig en AI-modell utformet for å hjelpe internasjonale skip med å unngå truede artspopulasjoner.

Hovedforfatterne av studien², Ahmed Aziz Ezzat og Josh Kohut, laget hvalmigrasjons‑ og sporingsmodellen ved hjelp av ulike data for å beskytte den sjeldne arten Nord‑atlantisk høyrehval. Dessverre viser data fra National Oceanic and Atmospheric Administration at færre enn 400 av disse majestetiske skapningene fortsatt lever i vill tilstand. Av den gjenværende bestanden er kun 70 reproduktive hunner, noe som gir økt bekymring blant bevaringsarbeidere.

Kilde – Nature Communications

Spesielt integrerte teamet data fra Rutgers University Center for Ocean Observing Leadership fra så tidlig som begynnelsen av 1990‑tallet, satellittbilder fra University of Delaware, og informasjon fra undervannsglider i modellen. Merk at glidere er undervannsfartøy med en rekke sensorer. De beveger seg langs havbunnen og hjelper til med å kartlegge ukjente områder, spore miljøendringer og lete etter verdifulle ressurser,

AI-en forutså plasseringen og tidspunktet for hvalpopulasjoner basert på hvalenes preferanser, tidligere lokasjoner, miljøforhold og årstid. Den gjorde det mulig for forskere å koble disse punktene sammen og finne mønstre som økte sjansene for å observere hvaler. I fremtiden vil dette systemet nøyaktig vise skip hvor hvalpopulasjonene befinner seg, slik at de kan endre kursen for å unngå disse naturlige habitater.

Kunstig intelligens for ting (AIoT).

Sammenslåingen av kunstig intelligens og tingenes internett-teknologier har skapt den nå voksende AIoT‑industrien. Denne sektoren kombinerer rekkevidden og datainnsamlingskapasiteten til IoT‑systemer med mønstergjenkjenning, prosessering og bekvemmelighet som AI‑systemer gir.

AIoT‑systemer gjør det mulig for logistikkbedrifter å få produktene sine over hele verden raskere, redusere forfalskning og tilby en rekke andre avanserte funksjoner som ville vært umulige. AIoT forbedrer IoT‑konseptet på flere viktige måter, inkludert effektivitet.

Tradisjonelle IoT‑systemer fungerer som sensorer. De samler inn og sender data via internett til en annen lokasjon som deretter behandler dataene. AIoT eliminerer behovet for å sende data over internett. I stedet kan disse systemene behandle informasjonen internt, noe som reduserer tid, kostnader og båndbreddekrav.

Smart økonomi

AIoT vil spille en avgjørende rolle i morgendagens smarte økonomi. Dagens smarte hjem er avhengige av ulike protokoller for gjenkjenning av menneskelig aktivitet for å tilby bekvemmelighet til brukerne. For eksempel, forestill deg å fortelle Alexa at du vil trene, og sette i gang en sekvens av oppgaver designet for å gjøre prosessen mer praktisk.
Disse oppgavene kan inkludere justering av belysning, avspilling av musikk, lukking av persienner, og til og med oppstart av smoothie‑maskinen etter trening. Alt dette er mulig nå ved hjelp av forhåndsinnstilte makroer. Imidlertid vil bruk av avanserte AI‑systemer for gjenkjenning av menneskelig aktivitet automatisere denne prosessen.

MSF-Net

Ingeniører ved Incheon National University vakte nylig oppsikt etter å ha introdusert³ deres MSF‑Net (multiple spectrogram fusion network) Wi‑Fi‑system for sporing av menneskelig aktivitet. Systemet kan utnytte kanaltilstands‑informasjon (CSI) for å bestemme subtile menneskelige aktiviteter.
Denne teknologien vil gjøre smarte hjem mer praktiske. Snart vil AI kunne avgjøre om du lager mat, hviler, ser på TV, eller er i ferd med å dra på jobb, og justere miljøet deretter. Teknologien kan bli integrert i flere sektorer, inkludert produksjon, sikkerhet og helsevesen.

Moralråd

Det ser ut til at uansett hvor avansert AI‑teknologien blir, vil det alltid være en viss mistillit til disse systemene. En nylig studie⁴ publisert i tidsskriftet Cognition fremhever hvordan mennesker ikke stoler på AI‑systemer når det gjelder moralske råd.
School of Psychology undersøker hvorfor det er mistillit til AI‑systemer, hvordan dette har bremset adopsjon, og hva som kreves for å overvinne disse hindringene. Forskerne så på fremveksten av kunstige moralske rådgivere (AMA) og hvordan de en dag kan bli vanlige.
Kunstige moralske rådgivere er formålsbygde algoritmer som utnytter forhåndsprogrammerte etiske teorier, prinsipper og retningslinjer for å gi brukerne svar på vanskelige moralske dilemmaer.
Studien fant spesielt at folk var skeptiske til AI‑råd om moralske spørsmål, selv når det var det samme rådet som en menneskelig rådgiver ga. Den viste også at mange har misoppfatninger om AI og bekymringer knyttet til dens evne til å gå amok.
I fremtiden kan du ha en AMA ved din side for å hjelpe deg med å ta riktig valg. I det minste vil den dokumentere og sannsynligvis rapportere eventuelle «feil» valg du gjør. Derfor er det lett å forstå hvorfor menneskeheten kan være klar til å gi AI missilkoder, men ikke la den holde preken.

Hva kan AI ikke gjøre? Det er fortsatt mye

AI-revolusjonen er i full gang, og store teknologiske gjennombrudd fortsetter å drive AI-systemenes evner fremover. Til tross for den stadige påstanden om at AI kommer for jobben din, har de fleste fortsatt god tid før robotoverhoder tar kontroll. Likevel er den menneskelige berøringen fortsatt en vei ut.
Mange faktorer som mistillit og misforståelser vil uunngåelig føre til skepsis rundt AI‑s egentlige evner og formål. For nå har denne teknologien uendelig potensial, men er fortsatt begrenset i sin evne til å knytte seg til mennesker. Etter hvert som LLM‑er og robotikk forbedres, kan grensen mellom menneskeheten og AI smelte ytterligere, og åpne døren for nye realiteter.
Lær om andre kule AI‑prosjekter nå

Studierreferanse:

^{1. Majowicz, A., Popli, C., & Odonkor, P. (2025). Kvantifisering av husholdningssårbarhet for strømbrudd: Vurdering av risikoen ved rask elektrifisering i smarte byer. Journal of Smart Cities and Society, 0(0). https://doi.org/10.1177/27723577241306340}

^{2. Ji, J., Ramasamy, J., Nazzaro, L., Kohut, J., & Ezzat, A. A. (2024). Maskinlæring for modellering av tilstedeværelse av Nord‑atlantisk høyrehval for å støtte utvikling av havvindenergi i USAs Midt‑Atlantiske region. Scientific Reports, 14, 29147. https://doi.org/10.1038/s41598-024-80084-z}

^{3. Chen, J., Xu, X., Wang, T., Jeon, G., & Camacho, D. (2024). Et AIoT-rammeverk med multimodal frekvensfletting for Wi‑Fi‑basert grov og fin aktivitetsgjenkjenning. IEEE Internet of Things Journal, 11(24), 39020-39029. https://doi.org/10.1109/JIOT.2024.3400773}

^{4. Myers, S., & Everett, J. A. C. (2025). Folk forventer at kunstige moralske rådgivere skal være mer utilitaristiske og har mistillit til utilitaristiske moralske rådgivere. Cognition, 256, 106028. https://doi.org/10.1016/j.cognition.2024.106028}