I det følgende vil Microsoft Copilot oppsummere sitatene fra forskere og teknologer gjengitt i kapittel 10. Teksten er kopiert direkte fra Copilot og limt inn her «as is».
Kap. 10 Summa Summarum
Her er en helhetlig oppsummering av de viktigste perspektivene som fremkommer:
1. Funksjonaliteten til KI, samtaleroboter og LLM
- Statistiske verktøy uten ekte intelligens: Flere eksperter, blant annet Professor Cal Newport og Professor Michael Wooldridge, understreker at systemer som ChatGPT i bunn og grunn er sofistikerte «mønsterplukkere». De genererer grammatikalsk korrekt tekst ved å beregne hvilke ord som statistisk sett henger sammen basert på store mengder treningstekst. Det blir tydelig at disse verktøyene ikke eier noen form for selvbevissthet, forståelse eller evne til kritisk refleksjon – de etterligner bare kommunikasjon uten å «tenke» på samme måte som mennesker.
- Avhengigheten av menneskelig kreativitet: Evgeny Morozov og andre peker på at mye av hva vi kaller «KI» i dag i realiteten stammer fra den kreative innsatsen til kunstnere, forfattere, programmerere og andre – den menneskelige produksjonen som er «oppslukt» i modellene. Dette betyr at selv om verktøyene kan gi inntrykk av intelligens, er de dypt avhengige av data og regler skapt av mennesker, og er derfor best omtalt som «ikke-artifisiell intelligens».
- Begrensninger og mangelen på AGI-utvikling: Flere stemmer, som Professor Kok-Leong Ong sammen med Dr. Samar Fatima og Professor Gary Marcus, presiserer at til tross for den medieskapte hypen finnes det ingen indikasjoner på at ChatGPT eller lignende systemer nærmer seg en egentlig generell intelligens (AGI) eller Singularity. Systemene forblir statiske, uten evne til å lære av egen erfaring eller endre seg dynamisk etter opplæring. Til tross for lovende tall og imponerende resultater, har ikke verktøyene vist evne til å transformere komplekse kognitive oppgaver eller å erstatte den menneskelige hjernens dybde.
2. Betydningen for undervisning og vurderingsformer i høyere utdanning
- Utforming av oppgaver som presser frem dypere læring: For at undervisning og vurderingsformer i høyere utdanning skal ivareta det faglige nivået, er det viktig å designe oppgaver som krever mer enn overflatisk faktagjenkjenning – oppgavene må fremme avansert analyse, kritisk tenkning og individuell refleksjon. Slik innsikt er essensiell fordi LLM-er som ChatGPT først og fremst leverer generert tekst basert på statistikk, og ikke de komplekse refleksjonsprosessene som er avgjørende for akademisk dybde.
- Formativ vurdering og kontinuerlig læring: Flere eksperter fremhever at i stedet for å la studenter forberge seg bak ferdig genererte svar, bør undervisningen tilpasses slik at prosessen – utkast, refleksjoner og revisjon – blir en del av vurderingsgrunnlaget. Ved å kreve at studenter dokumenterer sin egen læringsprosess, gjøres det vanskeligere å bare kopiere fra en KI, samtidig som man fremmer metakognisjon og eierskap til kunnskapen.
- Kritisk bruk av verktøy: Siden de medieskapte forventningene ofte peker mot et paradigmeskifte der verktøyene skulle revolusjonere hele utdanningsløpet, blir det viktig at akademikere innser verktøyenes begrensninger. ChatGPT og lignende systemer er nyttige som hjelpemidler for enkel tekstgenerering og idégenerering, men de kan ikke erstatte den dyptpløyende analytiske innsatsen som kreves i høyere utdanning. Dermed må undervisningen og vurderingsstrategiene tilpasses slik at de utnytter KI som et supplement – ikke en erstatning – for studentens egen kritiske tenkning.
3. Medieskapte forventninger mot virkeligheten og AGI-utvikling
- Overhype og forenklede narrativ: Mange kommentatorer (blant annet Richard Bird, Molly White og Julia Angwin) påpeker at den mediedrevne hypen ofte maler et bilde av at generative AI-verktøy snart skal revolusjonere arbeidsprosesser, kreativt innhold og til og med erstatte hele team. Men realiteten er langt mer jordnær: verktøyene fungerer i likhet med en uerfaren intern som til tider leverer brukbart innhold, men som ofte gjør feil og mangler den helhetlige forståelsen som menneskelig analyse gir.
- Fremtidsperspektiver og agi-mythene: Påstanden om at slike systemer skulle utvikle seg raskt mot en form for AGI, er ifølge eksperter som Professor Cal Newport, Professor Kok-Leong Ong og Dr. Samar Fatima, høyst spekulative. Det er en tendens i mediene til å forenkle og overdrive hva dagens generative språkmodeller kan, noe som gir en urealistisk forventning om at vi nærmer oss et punkt der maskinene kan tenke og forstå på nivå med mennesker. De påpeker at vi i dag har verktøy som er gode til å generere statistisk plausible svar, men som verken kan erstatte kritisk tenkning eller utvikle en selvstendig intelligens.
- Moderasjon av forventningene i undervisning og samfunn: For utdanningssektoren betyr dette at beslutningstakere og undervisere bør være skeptiske til løfter om en umiddelbar revolusjon. I stedet bør man fokusere på å tilpasse undervisningen til å utvikle studentenes evne til å vurdere og validere AI-generert informasjon – og ikke minst å forstå hva som faktisk ligger bak de generative prosessene.
Sammenfatning
Disse sitatene tegner et mer nøkternt bilde enn den medieskapte hypen:
- Teknologisk realitet: Verktøy som ChatGPT er imponerende i sin evne til å generere grammatisk korrekt tekst basert på store mengder data, men de mangler selvbevissthet, dyp forståelse og evne til ekte kritisk refleksjon.
- Undervisning og vurdering: Høyere utdanning bør tilpasse sine oppgaver og vurderingsformer slik at de presser frem dypere læring, kritisk analyse og individuell refleksjon – ferdigheter som KI ikke kan erstatte.
- Hype versus virkelighet: Selv om mediene fremstiller samtaleroboter som et paradigmeskifte med potensial til å åstedliggjøre en AGI-revolusjon, viser ekspertene at vi fortsatt er langt unna en slik transformasjon. Generative modeller vil trolig aldri bli mer enn avanserte verktøy som kan supplere, men ikke erstatte, menneskelig intelligens og kreativitet.
Er du enig i Copilot her har foretatt en grei og presis oppsummering av det de ulike sitatene peker på?