1. Definition av AI

"Artificiell intelligens är förmågan hos ett datorsystem att imitera människoliknande kognitiva funktioner, såsom att lära sig, dra slutsatser, förstå språk, känna igen mönster och lösa problem: genom matematiska algoritmer och statistisk analys av data."

Skiljelinjen mot ren programmering är att AI, särskilt maskininlärningsbaserade system, inte behöver hårdkodade regler för att lösa en uppgift, de lär sig från data.

2. Svag AI kontra stark AI

Svag AI

Detta är den form av AI som existerar idag. Så kallade “svaga” system är designade för att lösa specifika uppgifter och kan vara mycket effektiva inom det området, men har ingen generell förståelse eller förmåga att arbeta utanför sin avgränsade funktion. Exempel är röstassistenter, rekommendationssystem och chattbotar som svarar på textfrågor utifrån ett definierat kontext.

Stark AI

I kontrast syftar stark AI eller AGI på ett system som skulle kunna utföra alla uppgifter som en människa kan — inte bara en specifik uppgift — inklusive generellt resonemang och problemlösning. Detta är fortfarande teoretiskt och har inte realiserats.

Viktig distinktion:
Idag finns det inga bevis på att stark AI existerar, alla nuvarande system är smala/svaga. Det ställer krav på hur vi förstår AI:s kapacitet i både forskning och samhällsdebatt.

3. Tekniken bakom AI: maskininlärning och djupinlärning

AI innefattar många tekniker, men två centrala är:

Maskininlärning (ML)

Maskininlärning är en metod där system lär sig mönster ur data i stället för att programmeras med explicita regler. Det innebär att systemet förbättras allteftersom det får mer data att lära från.

Djupinlärning (Deep Learning)

Djupinlärning är en underkategori av maskininlärning där man använder neurala nätverk med många lager. Dessa system är särskilt bra på att hantera komplexa, ostrukturerade data som bilder, ljud och text.

En kärnpoäng är att dessa tekniker påminner om en förenklad modell av hjärnans neurala nätverk, men de är fortfarande matematiska konstruktioner som lär sig genom optimering snarare än verklig förståelse.

4. Generativ AI, skapa nytt innehåll

Generativ AI är en underkategori av AI som kan skapa nytt innehåll, till skillnad från traditionella AI-system som bara klassificerar eller analyserar befintlig data.

Det betyder att generativ AI kan producera:

• text som inte fanns tidigare,
  
  

• bilder, ljud och video,
  
  

• musik och konst.
  
  

Namnet kommer av att tekniken genererar nytt material baserat på lärda mönster från träningsdata, den “improviserar” innehåll som är konsekvent med de exempel den sett tidigare.

Generativ AI skiljer sig från äldre (mer traditionell) AI genom att också kunna konstruera nytt material, vilket öppnar möjligheter inom kreativt skapande och komplex kommunikation.

5. Prompt Engineering – Konsten att styra modellen

Många som provar AI-verktyg första gången blir besvikna för att svaren är generella, platta eller felaktiga. Detta beror ofta på prompten (instruktionen). Att formulera precisa prompter är en ny kärnkompetens för lärare, en form av "programmering med vanligt språk".

För att få högkvalitativa svar bör du använda en strukturerad metodik. En beprövad modell är R-K-U (Roll, Kontext, Uppgift).

Exempel:

Svag prompt:

"Gör en lektionsplanering om franska revolutionen."

 Stark prompt (R-K-U):

[Roll] “Agera som en erfaren gymnasielärare i historia med expertis inom didaktisk design. [Kontext] Jag har en klass på Teknikprogrammet med blandad studiemotivation, de läser kursen Samhällskunskap nivå 1 enligt skolverket. De är intresserade av system och maktstrukturer men tycker långa texter är tråkiga. [Uppgift] Skapa ett lektionsupplägg (60 min) om franska revolutionen där eleverna får agera olika samhällsklasser. Inkludera diskussionsfrågor som kopplar dåtidens orättvisor till dagens tekniksamhälle. Tonen ska vara engagerande.”

5. Large Language Models (LLM), språkmodellerna som revolutionerat AI

Ett av de mest framträdande exemplen på generativ AI är Large Language Models (LLM), vilket står för stora språkmodeller. Dessa är speciellt tränade för att hantera och generera text som liknar mänskligt språk.

En LLM fungerar så att modellen tränas på massiva mängder textdata för att förutsäga vilket ord som sannolikt kommer härnäst i en given kontext. Denna förmåga gör att modellen kan generera nya meningar, svara på frågor, skriva sammanfattningar, översätta språk och mycket mer, utan att någon uttryckligen programmerat varje regel.

LLM har blivit centralt i modern generativ AI för språk, och är grunden för verktyg som ChatGPT, Gemini och andra generativa chattmodeller.

6. Skillnader mellan AI-tekniker

För att klargöra relationerna mellan begrepp inom AI kan man se det som ett hierarkiskt förhållande:

• Artificiell intelligens (AI): det bredaste begreppet, alla tekniker som efterliknar mänsklig intelligens.
  
  

• Maskininlärning (ML): en underkategori av AI där modeller lär från data.
  
  

• Djupinlärning (Deep Learning): en avancerad form av ML med neurala nätverk.
  
  

• Generativ AI: AI som skapar nytt innehåll.
  
  

• LLM (Large Language Models): generativ AI inriktad på språk.
  
  

7. Hur generativ AI och LLM faktiskt fungerar 

Generativ AI och LLM bygger i grunden på samma principer:

1. Träning: modellen tar del av stor mängd data och justerar interna parametrar för att minimera fel i sina förutsägelser.
   
   

2. Inferens: modellen används för att generera eller analysera nytt innehåll baserat på det den lärt sig.
   
   

Den statistiska naturen i LLM innebär att modellen förutsäger sannolikaste fortsättning i språk, den “förstår” inte verkligheten på samma sätt som en människa, utan lär sig mönster ur data.

8. Tillämpningar och exempel på AI idag

Alla AI-system som finns i produktion idag är exempel på svag AI, även om de kan vara mycket komplexa och kraftfulla:

• Röstassistenter, chatbots och virtuella agenter.
  
  

• Rekommendationssystem i streamingtjänster och e-handel.
  
  

• Bild- och textigenkänning, inklusive OCR och diagnostik.
  
  

• Generativ AI som kan skriva texter, skapa bilder och generera kod.