Issuu

Håndbok i kunstig intelligens

Morten Goodwin

Håndbok i kunstig intelligens

for studenter og ansatte i høyere utdanning

ISBN 978-82-02-89291-3

1. utgave, 1. opplag 2026

Materialet i denne publikasjonen er omfattet av åndsverklovens bestemmelser. Uten særskilt avtale med Cappelen Damm AS er enhver eksemplarfremstilling og tilgjengeliggjøring bare tillatt i den utstrekning det er hjemlet i lov eller tillatt gjennom avtale med Kopinor, interesseorgan for rettighetshavere til åndsverk.

Enhver bruk av hele eller deler av utgivelsen som input eller som treningskorpus i generative modeller som kan skape tekst, bilder, film, lyd eller annet innhold og uttrykk, er ikke tillatt uten særskilt avtale med rettighetshaverne.

Bruk av utgivelsens materiale i strid med lov eller avtale kan føre til inndragning, erstatningsansvar og straff i form av bøter eller fengsel.

Omslag: Gisle Vagstein

Sats: Bøk Oslo AS Trykk og innbinding: Livonia Print SIA, 2026

Cappelen Damm arbeider aktivt for å redusere miljøbelastningen fra våre utgivelser. Les mer om vårt miljøarbeid ved å skanne QR-koden:

www.cda.no

akademisk@cappelendamm.no

Innhold

Til Benjamin og Oscar. Uansett hvor langt teknologien tar oss, vil verden alltid trenge mennesker som dere.

Takk til

Ideen til boken kom opprinnelig ikke fra meg, men fra journalisten

Sveinung Engeland i Khrono. Han tok kontakt med en idé om å lage en artikkelserie som kunne fungere som en praktisk og forståelig skole for studenter og ansatte i høyere utdanning som ville lære å bruke kunstig intelligens. Serien fikk raskt navnet KI-skolen, og vi startet med en plan om fire artikler. Det tok ikke lang tid før vi skjønte at fire artikler ikke var nok. Før året var omme, hadde fire blitt til seks, og året etter skrev vi fem nye. Alle elleve artiklene ligger fortsatt åpent tilgjengelig for alle på Khronos nettsider: https://www.khrono.no/ki-skolen

Da artiklene var publisert, begynte forespørslene å strømme inn. Flere tok kontakt og foreslo at innholdet burde bli til et kurs. Slike kurs og foredrag holder jeg ofte, noen ganger veldig praktiske med utgangspunkt i tekstene i boken du holder, men vel så ofte om kunstig intelligens i litt større linjer og hvordan det påvirker og vil påvirke verden vår. Det er få steder jeg trives bedre enn på en scene hvor jeg får lov til å snakke om teknologi og kunstig intelligens. Likevel kjennes det enda mer meningsfullt å samle alt mellom to permer.

Mye av innholdet du nå skal lese, finnes i sin opprinnelige form på nettsidene til Khrono, men her er alt oppdatert og gjennomarbeidet med nye eksempler og andre vinklinger.

Det er mange jeg bør takke i tillegg, og ikke minst min meget dyktige og tålmodige redaktør hos Cappelen Damm, Lars Aase. Takk også til alle mine kollegaer og ph.d.-studenter som jeg jobber med til daglig, og som jeg lærer enormt mye av. Takk til min sjef på universitetet, Folke Haugland, som har tro på alle prosjektene mine og gir meg rom til å utfolde meg. Og viktigst av alt, takk til min kjære familie, Hanne, Benjamin og Oscar.

Forord

Kunstig intelligens har blitt et av vår tids mest omtalte teknologiske gjennombrudd og har seilt opp som en selvsagt del av akademia. Ofte forkorter vi fenomenet til KI, og det er fremdeles mange som henger igjen og bruker det engelske AI, også i norsk språkdrakt. Med mindre du har levd bak lukkede dører de siste årene, har du nok blitt bombardert med snakk om både KI og AI, enten det gjelder fusk eller framtidsscenarioer som skisserer en akademia radikalt ulik dagens.

Men det har ikke bare vært snakk. Verktøy som ChatGPT, Claude og mange andre har løftet KI fra å være noe som er forbeholdt enkelte forskere, til nærmest dagligdagse digitale følgesvenner for mange, inkludert oss akademikere. Her er det ytterpunkter. Noen har kastet seg over mulighetene med entusiasme, mens andre mener det er slutten på høyere utdanning slik vi kjenner den.

Enten du er student, professor, lærer eller bare nysgjerrig på kunstig intelligens, én ting er klart: KI kommer til å følge deg resten av livet, både på jobben og i hverdagen. For de av dere som nå trer ut fra høyskoler og universiteter, uavhengig av om dere har utdannet dere som journalist, programvareutvikler, filosof, forsker eller noe helt annet, vil mye av jobben bestå i samhandling med avanserte KI-modeller vi kan snakke med, såkalte språkmodeller. Språkmodellene er verktøy både til refleksjon og rutine og er i ferd med å bli like selvfølgelige som e-post og internett. Men språkmodellene svarer ikke bare på spørsmål, de kan gjøre en lang rekke oppgaver for deg, fra å fylle ut reiseregninger til å lete etter litteratur som passer deg. Når kunstig intelligens på denne måten jobber av seg selv, kalles det en agent.

Er du underviser, er det sannsynlig at den siste eksamensbesvarelsen du leste, var farget av kunstig intelligens. Kanskje ergrer du deg over teknologien, kaller det fusk og forteller til kollegaene dine at «alt var bedre før KI kom til akademia». Er du student, har du antagelig kjent på usikkerheten som følger med valget: Skal du ta i bruk ChatGPT, slik mange av dine medstudenter allerede gjør, med fare for å bli mistenkt

for fusk, eller skal du skrive på tradisjonelt vis, slik studentene gjorde før 2022, uten KI, kun med tastatur og tekstbehandling? Ved å velge bort kunstig intelligens risikerer du at arbeidet ditt blir svakere, både i presisjon og påvirkningskraft.

Dermed er det for lengst ikke lenger et spørsmål om hvorvidt kunstig intelligens påvirker den akademiske arbeidshverdagen, fra den ferskeste studenten til den mest etablerte professoren. Den gjør det allerede og i stadig økende grad. Det store spørsmålet er hvordan man tar det i bruk. Det er dette du lærer i denne boken.

Kunstig intelligens er et bredt og sammensatt fagfelt som jeg selv har arbeidet med siden 2004. Det mest synlige og omtalte eksempelet i dag er språkmodellene, og den aller mest kjente er ChatGPT. Feltet kunstig intelligens omfatter langt mer enn å generere tekst, som er det ChatGPT egentlig gjør. Likevel er det språkmodeller denne boken konsentrerer seg om. Det er ikke fordi dette er alt KI har å by på, men fordi det er her vi ser praktiske verktøy som hjelper deg i alt fra å skrive til å forstå, fra å gjøre oppgaver til å lete etter forskningslitteratur. Det er ingen tvil om at teknologien er i ferd med å endre måtene vi lærer på, spesielt på høgskoler og universiteter, og hvordan vi forsker.

Dette er ikke en bok som går i dybden med de tekniske aspektene ved kunstig intelligens. Snarere er den en praktisk veiviser til håndverket det er å bruke KI-verktøy og språkmodeller spesielt. Her lærer du hvordan du utformer klare og målrettede instrukser, ofte kalt prompts, hvordan du vurderer og forbedrer svar, hvordan du kan bruke modellene i eksamensforberedelser, og hvordan du kvalitetssikrer og forbedrer ditt eget arbeid uten at bruken tipper over i juks.

Målet er å gi deg verktøyene du trenger for å bruke språkmodeller med faglig tyngde, enten du er en er faren forsker eller en student i starten av din akademiske reise.

KI-språkmodellen blir da ikke først og fremst et verktøy for å skrive, men et støtteverktøy gjennom hele lærings- og forskningsprosessen, fra idéutvikling til ferdig tekst. Slik kan du få nye metodiske ferdigheter som gjør deg i stand til å bruke kunstig intelligens på en kritisk, effektiv og faglig forsvarlig måte.

Kjernen i boken du nå holder i hendene, er med andre ord å beherske det praktiske ved språkmodellbasert KI, altså kunsten å bruke KI som et kraftfullt redskap. Den tar ikke mål av seg å dykke ned i hvordan

slike systemer konstrueres, eller å forklare forskjellen mellom veiledet og ikke-veiledet maskinlæring, eller å skille mellom dype og grunne læringsmodeller. Slike temaer er det allerede skrevet grundige bøker om, blant annet mine egne bøker: AI. Myten om maskinene1 og Det teknologiske mennesket2 .

Vi skal selvsagt også løfte blikket og se nærmere på hva kunstig intelligens egentlig er, hvordan språkmodeller formes og finjusteres, og hvor for de fra tid til annen dikter opp fakta, gjentar gamle skjevheter eller siterer feil. Vi overser heller ikke de etiske utfordringene som følger med. Det sentrale er likevel å forstå hvordan man bruker verktøyene riktig, med nysgjerrighet, nøkternhet og de nødvendige ferdighetene. Slik blir det til en håndbok i å bruke KI-verktøy som språkmodeller.

Du kan ikke lære å svømme uten å bli våt eller lære bilkjøring bare med teori. Du må forsøke selv. Det gjelder også språkmodeller. For å få reell verdi ut av boken må du teste selv. Der for har vi gjennom hele boken oppgaver du selv kan prøve.

Det finnes mange språkmodeller, og vi vil alternere litt mellom de ulike, men de fleste eksemplene i boken tar utgangspunkt i ChatGPT. Skal du ha nytte av boken, bør du der for skaffe deg et abonnement på en språkmodell. Selv om det finnes gratis versjoner av de fleste språkmodellene, er de langt fra gode nok. Abonnement koster dessverre penger. ChatGPT koster omtrent 20 dollar i måneden.

Før vi går løs på det praktiske, skal vi se nærmere på hvordan teknologien er bygget. Jeg er overbevist om at en grunnleggende forståelse av teknologien gjør det langt lettere å forstå både styrkene og svakhetene du vil møte med ChatGPT og Claude. Da blir det klarere hvor for språkmodeller virker, hvor for de av og til dikter opp informasjon, det vi kaller hallusinasjoner, og hvor for de likevel ofte svarer forbløffende godt. Vi kunne selvsagt bare ha bedt ChatGPT om å «skrive om kunstig intelligens, tilpasset et allment publikum» og fått et brukbart (men sannsynligvis ikke mer enn brukbart) resultat. Er du utålmodig etter å komme i gang, kan du hoppe rett til kapittel et om KIverktøy (s. 32).

1 Goodwin, M. (2020). AI: Myten om maskinene. Humanist forlag.

2 Goodwin, M. (2026). Det teknologiske mennesket. Cappelen Damm.

Hva er kunstig intelligens?

Kunstig intelligens rommer langt mer enn mange tror, men ofte settes det et stille likhetstegn mellom KI og språkmodeller. Det er ikke uten grunn. I 2022 dukket de første språkmodellene opp for allmennheten, og plutselig fikk vi verktøy som kunne generere sammenhengende og overbevisende tekster, og som kunne hjelpe oss med å planlegge, oversette, formulere og forbedre alt fra e-poster til essays.

Likevel er KI langt mer enn språkmodellene ChatGPT, Gemini og Copilot. For å forstå hvordan slike språkmodeller faktisk virker, må vi først få grep om hva kunstig intelligens er i en bredere forstand.

Kunstig intelligens

Kunstig intelligens er ikke noe mer magisk enn dataprogrammer som oppfører seg smart. Hvis noen av mine barn gjør noe smart, som å mestre gangetabellen, vinne et vanskelig sjakkparti eller fortelle en morsom vits, nøler jeg ikke med å kalle dem intelligente. Når dataprogrammer gjør det samme, får de også den samme hedersbetegnelsen. Siden mine barn er biologiske, av kjøtt og blod, er de åpenbart ikke kunstige. Derimot er språkmodeller som ChatGPT og Claude, bildegjenkjenningsalgoritmer på Facebook eller TikTok eller anbefalingsmotoren på Amazon alle kunstige. Derav får vi navnet kunstig intelligens.

Kunstig intelligens er dermed ikke, som mange tror, en motsetning til ekte intelligens som finnes hos mennesker. Snarere tvert imot. Intelligensen som oppstår i ChatGPT, er akkurat like ekte som intelligensen som har oppstått i deg og meg. Det er derimot slik at intelligens kan finnes i et kunstig materiale, som et dataprogram som ChatGPT, og i et biologisk materiale, som hos oss mennesker. Kunstig intelligens er altså helt ekte intelligens, bare i et kunstig materiale.

Intelligens handler i sin kjerne om evnen til å løse problemer. Enkle utfordringer, som å finne summen av to pluss to, krever lite mental kapasitet og lite intelligens. Mer komplekse oppgaver, som å beseire stormester Magnus Carlsen i sjakk eller fortelle en god historie, krever langt mer. Det finnes altså vanskelighetsgrader på problemer, og avhengig av problemet kreves det ulike typer og mengder intelligens. Hos mennesker merkes ikke dette like tydelig, for vi bruker den samme hjernen, uansett om vi løser kryssord, spiller sjakk eller beveger oss i trafikken. Men i kunstig intelligens er forskjellene mer markante. Et kartprogram som Google Maps bruker én type kunstig intelligens for å beregne korteste vei, mens en intelligent språkmodell for forskningslitteratur som Elicit benytter en helt annen for å søke gjennom og sile store mengder forskningslitteratur.

Å be Google Maps hente vitenskapelige studier gir liten mening, like lite som det nytter å be Elicit vise den raskeste veien til butikken. Dataprogrammene er laget for ulike formål, og som med skrujern og sag fungerer de best når de brukes til det de er bygget for. Vi mennesker, derimot, har alt sammen i en stor masse som vi kaller hjernen.

Kunstig intelligens kan vi der for si er noe kunstig som evner å løse vanskelige problemer, og jo mer krevende problemet er, jo mer intelligens kreves. Da John McCarthy i 1955 søkte støtte til å utforske kunstig intelligens, formulerte han det slik: «Studien [om kunstig intelligens] skal gjennomføres basert på antakelsen om at enhver del av læring, eller andre aspekter ved intelligens, i prinsippet kan beskrives så presist at en maskin kan konstrueres til å simulere det.»3

McCarthy og hans kolleger mente at nøkkelen til å skape intelligens i maskiner lå i å programmere den inn. Hver regel i sjakk, hver nyanse i språk, hvert eneste mønster i problemløsning skulle mates inn i maskinen. På den måten, trodde de, ville vi kunne vekke kunstig intelligens til live i datamaskinene.

Og videre kom han med eksempler på hva han trodde han ville klare å gjøre i løpet av sommeren: «Det skal gjøres forsøk på å finne ut hvordan man kan få maskiner til å bruke språk, danne abstraksjoner og begreper, løse problemer som i dag er forbeholdt mennesker og for-

3 Oversatt av forfatteren fra: The Information Philosopher: https://www.informationphilosopher.com/solutions/scientists/mccarthy/

bedre seg selv.» Det viste seg fort at det tok mye mer enn en sommer i 1955 å få til kunstig intelligens. Det skulle ta mange tiår.4, 5

Maskinlæring og nevrale nettverk

I mange år forsøkte forskere å lage intelligente dataprogrammer gjennom pre sis programmering, for eksempel ved å lage helt konkrete regler for hvordan en chatbot skulle svare på spørsmål. Re sultatene lot vente på seg, for språket inneholdt så mange regler, både for melle og ufor melle, at å programmere alle disse viste seg å være en helt enorm oppgave.

En som tenkte annerledes, var en ung forsker ved navn Geoffrey Hinton, som var overbevist om at maskiner heller burde læres opp snarere enn styres av detaljerte instruksjoner. Selv om han ikke var alene om tanken, var det Hinton som klarte å få dataprogrammer til å lære ved å gi programmene masse eksempler. I 1986 lanserte han sammen med sine medfor fattere en metode kalt backpropagation, en teknikk for å justere hjerneinspirerte nettverk av kunstige nevroner6. Dette ble et gjennombrudd og en milepæl som blant annet førte til at han ble tildelt nobelprisen i fysikk i 2024.

Når ChatGPT i dag blir trent opp med tekster, når TikTok-algoritmen blir trent opp til å vise enkelte videoer til deg, og når de kunstig intelligente radiologidataprogrammene blir trent opp til å finne kreftsvulster, er det varianter av Hinton sin backpropagation-metode som blir brukt.

Utover 1990-tallet ble det stadig tydeligere at den beste måten å skape intelligens i datamaskiner på var, slik Hinton demonstrerte, å lære dem opp. Ved å vise dataprogrammer store mengder data, for eksempel friske og syke pasientdata, gode og dårlige tekster eller bilder av katter og hunder, klarte dataprogrammene å lære seg forskjellen. Intelligensen begynte å ta form i dataprogrammer.

Læringen i datamaskinene fungerer litt på samme måte som når vi lærer opp barn, eller når en elev tilegner seg et nytt fagfelt. Da mine

4 Goodwin, M. (2020). AI: Myten om maskinene. Humanist forlag.

5 Goodwin, M. (2026). Det teknologiske mennesket. Cappelen Damm.

6 Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323(6088), 533–536.

barn, som nå nærmer seg tenårene, lærte å snakke, ga vi dem aldri noen formell innføring i grammatikk, setningsstruktur eller verbbøyning. Vi snakket bare med dem. Til tross for at vi foreldre aldri fortalte dem om språkets regler, plukket de det likevel opp, helt naturlig, slik nesten alle barn gjør. På forbløffende vis lærer vi nå dataprogrammer på omtrent samme måte som å forstå språk. Denne prosessen kalles maskinlæring. Når programmene er ferdiglært og treningen er gjort godt, kan det oppstå intelligens i maskinene.

Etter hvert ble det klart at én bestemt modell var spesielt godt egnet til å lære: kunstige nevrale nettverk. I sin kjerne er dette en enkel simulering av hvordan våre egne nevroner i hjernen fungerer. Når du leser disse ordene, treffer små lysfotoner baksiden av øynene dine. Signalene sendes videre som små elektriske impulser gjennom hjernen. Noen ender i synssenteret, andre i hippocampus; noen nerveceller blir aktivert, mens andre ikke. Resultatet er at du ikke bare leser, men også forstår. Vi har overraskende begrenset innsikt i hva som faktisk skjer i vår biologiske hjerne, men det vi vet med sikkerhet, er at intelligens oppstår der. Når vi leser tekster, gjør matteoppgaver eller lærer et nytt språk, bygger vi nervekoblinger i hjernen. I en komplisert fremvoksende effekt av nerveaktivitet klarer vi å løse vanskelige oppgaver.

Dermed demonstrerer vi intelligens. Denne effekten av relativt enkle hjernenevroner som jobber sammen og skaper noe mye større, er et eksempel på det vi kaller emergens. En helhet, i dette tilfellet hjernen, får nye egenskaper som oppstår i samspillet mellom enkeltelementer, våre relativt enkle hjernenerveceller.

Det er nettopp dette fenomenet vi prøver å etterligne i de kunstige nevrale nettverkene som ligger til grunn for veldig mange av de moderne KI-modellene. Målet er ikke å kopiere hele hjernen, men å simulere utvalgte deler. Når vi for eksempel trener en språkmodell til å tolke tekst, justeres styrken på forbindelsene mellom de kunstige nevronene, på samme måte som koblingene i vår egen hjerne endres når vi lærer et nytt språk. Når slik trening er gjort mange nok ganger i samme modeller av kunstige nevrale nettverk, ved hjelp av Hinton sin backpropagation-algoritme, viser det seg at også her klarer modellene å lære veldig komplekse oppgaver.