Från att skydda valar till ökad bekvämlighet, vad kan AI inte göra?

Artificiell intelligens blir allt vanligare i vardagen. Lanseringen av stora språkmodeller (LLM) som ChatGPT gjorde AI-verktyg tillgängliga för många fler, men tekniken påverkade redan människors liv långt innan dessa modeller nådde marknaden. Här granskas vad AI ännu inte klarar och vilka utvecklingsvägar som kan bli möjliga framöver.

AI‑evolution

The AI sector has undergone numerous iterations based on the technology’s capabilities and accessibility. The concept of human-like machines dates back to ancient times. The Renaissance revived these concepts, and famous inventors like Leonardo da Vinci demonstrated the concept with automatons in 1495.

Den artificiella intelligensen som vi ser idag kan spåras tillbaka till Alan Turings universella Turingmaskin år 1935. Endast 15 år senare skapade han Turingtestet. Turingtestet använder mänsklig konversation för att avgöra om ett AI‑system har nått mänskliga förmågor och mer. Detta test används fortfarande idag som en måttstock för AI‑interaktioner.

De beräkningsmässiga genombrotten på 1990‑talet hjälpte till att driva AI‑systemen framåt. Maskininlärning och andra AI‑system började dyka upp under denna period, vilket ledde till genombrott i början av 2000‑talet. Till exempel demonstrerade IBM Watsons AI‑förmågor genom att besegra människor i ett Jeopardy‑spel. Samtidigt började Google släppa data om sina neurala nätverkssystem.

AI idag

Detta decennium har hittills sett några av de största sprången inom AI‑teknik. Introduktionen av själv‑lärande AI‑teknologier som torque‑klustringsalgoritmer har gjort sektorn till ett samtalsämne.

Dessa teknologiska framsteg har också mötts av moraliska frågor och miljömässiga bekymmer. Alla dessa faktorer har lett till ökad granskning av AI:s framtid och dess påverkan på vardagen. Så vad kan AI inte göra? Dessa projekt belyser bara några av dess nuvarande förmågor och begränsningar.

Hjälp människor att bygga bättre städer

AI‑system kan hjälpa stadsplanerare att skapa mer effektiva och ändamålsenliga samhällen. AI‑system kan spåra trafik och annan viktig data som kan vara av stort värde när man bestämmer placeringar för nya tjänster, motorvägar och andra samhällsbehov.

Insikter om infrastruktur

Ett sätt som AI‑system redan används för att skapa säkrare och mer bekväma områden är genom insikter. En studie¹ publicerad i Journal of Smart Cities and Society fördjupar sig i elektrisk säkerhet och stabilitet.

Specifikt undersöker den energifördelning, husens behov, vilken typ av energikälla varje hus använder, och om det placerar platsen i en högre risk för strömavbrott. Studien förklarar att när fler hus går över till helt elektriska alternativ kan vissa risker ha förbises.

I synnerhet påpekar rapporten hur solpaneler är en utmärkt energikälla under sommaren, men hur de kan lämna hela samhällen utan ström under vinterstormar och andra miljöförhållanden. Tyvärr har detta scenario blivit vanligare i takt med att trycket för helt elektrifierade hem fortsätter.

Bygga en AI‑modell för att rangordna risken för strömavbrott

Forskare vid Stevens analyserade data från Department of Energy (DOE) byggnadsbestånd, inklusive energimönster för 129 000 enfamiljshus. Dessa hus låg i åtta olika delstater, vilket gjorde det möjligt för teamet att testa systemet i olika miljöer.

ML‑modellerna fastställde framgångsrikt varje hus energisystemavtryck. Den bearbetade sedan dessa data, korsrefererade dem med sina datamodeller och fastställde vilken typ av energikällor huset förlitade sig på.

Dessutom använde systemet dessa data för att bedöma risken för strömavbrott för huset och samhället. Nu strävar teamet efter att utöka sina tester till fler samhällen för att hjälpa planläggare att bygga säkrare och mer motståndskraftiga elnät.

Rädda jorden

Miljöförhållanden, föroreningar, mänsklig expansion och andra faktorer har lämnat många vildmarksområden i spillror. Artificiell intelligens har varit en lösning som miljövänner har vänt sig till för att hjälpa till att fastställa viltmönster.

Dessa system kan hjälpa bevarare att märka plötsliga förändringar i arter, vilket är ett värdefullt verktyg för att skydda sällsynta och hotade djur från utrotning. Redan kan AI‑system spåra migrationsmönster, hälsa, tjuvjaktaktivitet och annan viktig data.

Valskydd

Ett team av innovativa forskare från Rutgers University‑New Brunswick introducerade nyligen en AI‑modell utformad för att hjälpa internationella fartyg att undvika populationer av hotade arter.

Studieledarna², Ahmed Aziz Ezzat och Josh Kohut, skapade valarnas migrations- och spårningsmodell med hjälp av en mängd data avsedd att skydda den sällsynta arten North Atlantic Right Whale. Tyvärr visar data från National Oceanic and Atmospheric Administration att färre än 400 av dessa majestätiska varelser fortfarande lever i det vilda. Av den återstående populationen är endast 70 reproduktiva honor, vilket ökar oron bland bevarare.

Källa – Nature Communications

Specifikt integrerade teamet data från Rutgers University Center for Ocean Observing Leadership från så tidigt som början av 1990‑talet, satellitbilder från University of Delaware och information om undervattensglidare i modellen. Det är värt att notera att glidare är undervattensfarkoster som har en rad sensorer. De färdas över havsbotten och hjälper till att kartlägga outforskade områden, spåra miljöförändringar och söka efter värdefulla resurser,

AI:n förutsåg platsen och tiden för valpopulationer baserat på valarnas preferenser, tidigare platser, miljöförhållanden och årstid. Det gjorde det möjligt för forskare att koppla ihop dessa faktorer och hitta mönster som ökade möjligheterna att observera valar. I framtiden kommer detta system att exakt visa fartyg var valpopulationer befinner sig, så att de kan omruttas för att undvika dessa naturliga livsmiljöer.

Artificiell intelligens för saker (AIoT).

Sammansmältningen av artificiell intelligens och Internet of Things‑teknologier skapade den nu växande AIoT‑industrin. Denna sektor kombinerar räckvidden och datainsamlingskapaciteten hos IoT‑system med mönsterigenkänning, bearbetning och bekvämlighet som AI‑system erbjuder.

AIoT‑system möjliggör för logistikföretag att leverera sina produkter snabbare över hela världen, minska förfalskning och erbjuda en rad andra högkvalitativa funktioner som annars skulle vara omöjliga. AIoT förbättrar IoT‑konceptet på ett par viktiga sätt, inklusive effektivitet.

Traditionella IoT‑system fungerar som sensorer. De samlar in och skickar data via internet till en annan plats som sedan bearbetar datan.  AIoT eliminerar behovet av att skicka data över internet. Istället kan dessa system bearbeta informationen internt, vilket minskar tid, kostnader och bandbreddskrav.

Smart ekonomi

AIoT kommer att spela en avgörande roll i morgondagens smarta ekonomi. Dagens smarta hem förlitar sig på olika protokoll för mänsklig aktivitetsigenkänning för att försöka erbjuda bekvämlighet till sina användare. Till exempel, föreställ dig att säga till Alexa att du vill träna, och starta en sekvens av uppgifter som är utformade för att göra processen mer bekväm.

Dessa uppgifter kan inkludera att justera belysningen, spela musik, stänga persiennerna och till och med starta smoothiemaskinen efter träningen. Allt detta är möjligt nu med förinställda makron. Dock kommer användningen av avancerade AI‑system för mänsklig aktivitetsigenkänning att automatisera processen.

MSF-Net

Ingenjörer vid Incheon National University väckte nyligen uppmärksamhet efter att introducera³ deras MSF-Net (multiple spectrogram fusion network) Wi‑Fi‑system för spårning av mänsklig aktivitet. Systemet kan utnyttja kanalstatusinformation (CSI) för att avgöra subtil mänsklig aktivitet.

Denna teknik kommer att göra smarta hem mer bekväma. Snart kommer AI att kunna avgöra om du lagar mat, vilar, tittar på TV eller är på väg att gå till jobbet och justera miljön därefter. Denna teknik kan integreras i flera sektorer, inklusive tillverkning, säkerhet och sjukvård.

Moralisk rådgivning

Det verkar som att oavsett hur avancerad AI‑teknik blir, kommer det alltid att finnas ett visst misstroende mot dessa system. En nyligen studie⁴ publicerad i tidskriften Cognition visar hur människor inte litar på AI‑system när det gäller moralisk rådgivning.

Psykologiskolan studerar varför det finns ett misstroende mot AI‑system, hur det har bromsat antagandet och vad som krävs för att övervinna dessa hinder. Forskarna undersökte framväxten av artificiella morala rådgivare (AMA) och hur de en dag kan bli vanliga.

Artificiella morala rådgivare är skräddarsydda algoritmer som utnyttjar förprogrammerade etiska teorier, principer och riktlinjer för att ge användare svar på svåra moraliska dilemman.

Det är värt att notera att studien fann att människor var försiktiga med AI‑råd i moraliska frågor, även när det var samma råd som gavs av en mänsklig rådgivare. Den visade också att många har missuppfattningar om AI och oro för dess förmåga att gå löst.

I framtiden kan du ha en AMA vid din sida för att hjälpa dig att fatta rätt beslut. Åtminstone kommer den att dokumentera och sannolikt rapportera eventuella “felaktiga” val du gör. Därför är det lätt att förstå varför mänskligheten kan vara beredd att ge AI missilstartskoder, men inte låta den hålla predikningar.

Vad kan AI inte göra? Det finns fortfarande mycket

AI-revolutionen är i full gång och stora teknologiska genombrott fortsätter att driva AI‑systemens kapacitet framåt. Trots den ständiga ekon att AI kommer att ta ditt jobb, har de flesta fortfarande gott om tid innan deras robotöverherrar tar kontroll. Dock är den mänskliga touchen fortfarande en utväg.

Många faktorer som misstro och missförstånd kommer oundvikligen att leda till skepsis kring AI:s verkliga förmågor och syfte. För närvarande har denna teknik oändlig potential men är begränsad i sin förmåga att knyta an till människor. När LLM:er och robotik förbättras kan gränsen mellan mänsklighet och AI smälta ännu mer, vilket öppnar dörren för nya verkligheter.

Lär dig mer om andra coola AI-projekt Nu

Studierreferens:

^{1. Majowicz, A., Popli, C., & Odonkor, P. (2025). Kvantifiering av hushållens sårbarhet för strömavbrott: Bedömning av riskerna med snabb elektrifiering i smarta städer. 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). Maskininlärning för modellering av North Atlantic Right Whale-närvaro för att stödja utveckling av havsbaserad vindenergi i USA:s Mid-Atlantic. 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). Ett AIoT‑ramverk med multimodal frekvensfusion för Wi‑Fi‑baserad grov och fin aktivitetsigenkänning. 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). Människor förväntar sig att artificiella morala rådgivare ska vara mer utilitaristiska och misstror utilitaristiska morala rådgivare. Cognition, 256, 106028. https://doi.org/10.1016/j.cognition.2024.106028}