Begränsad data betyder begränsad innovation. Phonlamai-foto Sam valadi / Flickr, CC BY-SA

Europeiska patentverket avvisade nyligen en ansökan om ett patent som beskrev en livsmedelsbehållare. Detta berodde inte på att uppfinningen inte var ny eller användbar, utan för att den skapades av artificiell intelligens (AI). Enligt lag måste uppfinnarna vara faktiska människor. Detta är inte den första uppfinningen av AI - maskiner har producerat innovationer allt från vetenskapliga artiklar och böcker till nya material och musik.

Som sagt, att vara kreativ är helt klart en av de mest anmärkningsvärda mänskliga egenskaperna. Utan den skulle det inte finnas någon poesi, inget internet och ingen rymdresa. Men kunde AI någonsin matcha oss eller till och med överträffa oss? Låt oss ta en titt på forskningen.

Ur ett teoretiskt perspektiv är kreativitet och innovation en process av sökning och kombination. Vi börjar från en kunskapsdel ​​och kopplar den till en annan kunskap till något som är nytt och användbart. I princip är detta också något som kan göras av maskiner - de är faktiskt utmärkta med att lagra, bearbeta och göra anslutningar inom data.

Maskiner kommer med innovationer med hjälp av generativa metoder. Men hur fungerar det exakt? Det finns olika tillvägagångssätt, men den senaste tekniken kallas generativa adversariella nätverk. Tänk som exempel på en maskin som ska skapa en ny bild av en person. Generativa motverkande nätverk hanterar denna skapande uppgift genom att kombinera två deluppgifter.

Den första delen är generatorn, som producerar nya bilder från en slumpmässig fördelning av pixlar. Den andra delen är diskrimineraren, som berättar generatorn hur nära den kom till att faktiskt producera en riktig bild.

Hur vet diskrimineraren hur en människa ser ut? Tja, du matar det många exempel på bilder av en riktig person innan du börjar uppgiften. Baserat på feedback från diskrimineraren förbättrar generatorn sin algoritm och föreslår en ny bild. Denna process pågår och fortsätter tills diskrimineraren beslutar att bilderna ser tillräckligt nära bildexemplen den har lärt sig. Dessa genererade bilder kommer extremt nära till riktiga människor.

Men även om maskiner kan skapa innovationer från data, betyder det inte att de sannolikt kommer att stjäla all gnista med mänsklig kreativitet snart. Innovation är en problemlösningsprocess - för att innovation ska hända kombineras problem med lösningar. Människor kan gå endera riktningen - de börjar med ett problem och löser det, eller de tar en lösning och försöker hitta nya problem för det.

Ett exempel på den senare typen av innovation är Sticky notera. En ingenjör utvecklade ett lim som var alltför svagt och satt på sitt skrivbord. Först senare insåg en kollega att denna lösning kunde hjälpa till att förhindra att hans anteckningar föll ur hans poäng under körövningen.

Använda data som inmatning och kod som uttrycklig problemformulering kan maskiner också ge lösningar på problem. Att hitta problem är dock svårt för maskiner, eftersom problem ofta ligger utanför gränserna för datapoolen som maskiner innoverar på.

Dessutom bygger innovation ofta på behov som vi inte ens visste att vi hade. Tänk på Walkman. Även om ingen konsument någonsin uttryckte önskan att lyssna på musik medan han gick, var denna innovation en enorm framgång. Eftersom sådana latenta behov är svåra att formulera och uttrycka, är det också osannolikt att de kommer att hitta sig i den datapool som maskiner behöver för innovation.

Människor och maskiner har också olika råmaterial som de använder som input för innovation. Där människor utnyttjar en livstid med breda erfarenheter för att skapa idéer från, är maskiner till stor del begränsade till de data vi matar dem. Maskiner kan snabbt generera otaliga inkrementella innovationer i former av nya versioner baserade på inmatningsdata. Genombrottinnovation kommer emellertid osannolikt att komma ut ur maskiner som det ofta bygger på anslutande fält som är avlägsna eller obundna till varandra. Tänk på uppfinningen av snowboard, som förbinder världarna med skidåkning och surfing.

Dessutom handlar kreativitet inte bara om nyhet, det handlar också om användbarhet. Även om maskiner tydligt kan skapa något som är inkrementellt nytt, betyder det inte att dessa skapelser är användbara. Användbarhet definieras i ögat för dem som potentiellt använder innovationer och är svåra att bedöma för maskiner. Människor kan emellertid empati med andra människor och förstå deras behov bättre.

Slutligen kan kreativa idéer genererade av AI vara mindre föredragna av konsumenterna bara för att de har skapats av en maskin. Människor kan rabatt idéer från AI eftersom de känner att dessa idéer är mindre äkta or till och med hotande. Eller så kanske de helt enkelt föredrar idéer av sitt slag, en effekt som har observerats i andra fält innan.

Från och med nu förblir många aspekter av kreativitet obestridd terräng för maskiner och AI. Det finns dock ansvarsfriskrivningar. Även om maskiner inte kan ersätta människor i den kreativa domänen är de det stor hjälp för att komplettera mänsklig kreativitet. Vi kan till exempel ställa nya frågor eller identifiera nya problem som vi löser i kombination med maskininlärning.

Dessutom bygger vår analys på det faktum att maskiner mestadels innoverar på smala datasätt. AI skulle kunna bli mycket mer kreativ om den skulle kunna kombinera stora, rika och på annat sätt frånkopplade data.

Dessutom kan maskiner bli bättre på kreativitet när de blir bättre på den typen av bred intelligens människor besitter - något vi kallar ”allmän intelligens”. Och detta kanske inte är för långt i framtiden - vissa experter bedöma att det finns 50% chans att maskiner når intelligens på mänsklig nivå inom de kommande 50 åren.

Om författarna

Tim Schweisfurth, docent för teknik- och innovationshantering, Syddansk Universitet och René Chester Goduscheit, professor i teknik- och innovationsstudier, Aarhus universitet

Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.