Neurale netværk: hvad de er, hvordan de virker, og hvorfor navnet er misvisende
Din bedstefars telefoncentral
Forestil dig dette: det er 1950, og din bedstefar arbejder hos telefonselskabet. Hans job? At betjene en kæmpe omstillingscentral. Hundredvis af kabler, tusindvis af små stikdåser, og hans hænder, der bevæger sig med lynets hast for at forbinde et opkald til et andet.
Sådan fungerede omstillingscentralen
Nogen ringer fra bageriet til blomsterbutikken. Din bedstefar sætter et kabel fra stikdåse A47 i stikdåse B23. Opkaldet er forbundet. En anden ringer fra biblioteket til posthuset. Et nyt kabel, en ny forbindelse. Hele dagen lang opretter han forbindelser, dirigerer signaler og hjælper information med at flyde fra et sted til et andet.
Forestil dig nu, at den omstillingscentral kunne lære. Forestil dig, at den efter tusindvis af opkald begyndte at opdage mønstre. De fleste opkald fra bageriet om morgenen går til restauranter. De fleste opkald fra skoler om eftermiddagen går til forældre. De fleste opkald fra hospitalet er hastende og bør sættes igennem med det samme.
Hvis den omstillingscentral kunne justere sig selv ud fra disse mønstre og dirigere opkald mere effektivt, uden at din bedstefar behøvede at tænke over hvert enkelt opkald, ville du have noget, der minder meget om et neuralt netværk.
Det er det, et neuralt netværk i virkeligheden er. Ikke en hjerne. Ikke intelligens. Bare en yderst sofistikeret omstillingscentral, der lærer, hvilke forbindelser der fungerer bedst gennem øvelse.
Navnet "neuralt netværk" får det til at lyde, som om vi bygger elektroniske hjerner. Det gør vi ikke. Vi bygger intelligente omstillingscentraler, der bliver bedre til at dirigere information gennem erfaring. Lad mig vise dig præcis, hvordan det fungerer, med eksempler, som alle kan forstå.
Den store navneforvirring (hvorfor "neural" er misvisende)
Da forskerne først byggede disse systemer i 1950'erne, kiggede de på, hvordan den menneskelige hjerne fungerer, og tænkte: "Hej, vi kunne bygge noget inspireret af det." De lånte nogle idéer og et fint navn.
Dårligt træk.
Hvorfor navnet er misvisende
At kalde disse systemer for "neurale netværk" er som at kalde et fly for en "mekanisk fugl." Ja, begge kan flyve. Ja, begge er inspireret af at observere naturen. Men et fly slår ikke med vingerne, har ingen fjer, behøver ikke at spise orme og trækker ikke mod syd om vinteren.
Din rigtige hjerne
- → Omkring 86 milliarder neuroner
- → Hver enkelt er en utrolig kompleks biologisk celle
- → Tusindvis af forbindelser per neuron
- → Kører på kemi og neurotransmittere
- → Kan vokse og forandre sig gennem hele dit liv
En kunstig "neuron"
Det er en simpel matematisk operation. Multiplikation og addition. Det er det hele. Cirka lige så lig en hjernecelle, som en pære ligner solen. Begge producerer lys, men den ene er en kæmpe kugle af kernefusion, og den anden kører på strøm fra din stikkontakt.
Så når du hører "neuralt netværk", så tænk bare "mønsterlærende omstillingsbord". Det er mindre sexet, men langt mere præcist. Og at forstå, hvad disse systemer virkelig er, hjælper dig med at forstå, hvad de kan og ikke kan.
Det lærende omstillingsbord
Omstillingsbordet lærer din bys opkaldmønstre. Efter at have observeret tusindvis af opkald bemærker det, at bageriet ringer til restauranterne hver morgen omkring kl. 6. I morgen, når det opkald kl. 6 kommer ind, er omstillingsbordet klar. Det har allerede forberedt den bedste forbindelse, lært af erfaring og tilpasset sig mønsteret. Det er det, disse systemer gør. De finder mønstre i eksempler og bruger dem til at gøre fremtidige forbindelser hurtigere og bedre.
Byggestenen: ét enkelt forbindelsespunkt
Lad os starte med den mindste del af vores omstillingsbord: ét enkelt forbindelsespunkt. I den fine terminologi kaldes det en "kunstig neuron". Men i virkeligheden er det bare et sted, hvor flere ledninger mødes, og én ledning går ud.
Forestil dig, at du skal beslutte, om du skal tage en paraply med, når du forlader huset. Du kigger på flere signaler:
De signaler, du overvejer
- Er himlen mørk og skyet? (Signal 1)
- Sagde vejrudsigten, at der ville komme regn? (Signal 2)
- Er det regntiden? (Signal 3)
- Bærer du andre ting? (Signal 4)
Men alle disse signaler er ikke lige vigtige. Vejrudsigten er formentlig mere pålidelig end bare at kigge på himlen. Regntiden betyder mere nogle steder end andre. Du vægter dem måske mentalt:
Vægtning af betydning
- ● Mørke skyer: middel betydning
- ● Vejrudsigt: meget vigtig
- ● Regntid: en smule vigtig
- ● At bære ting: mindre vigtigt
Din hjerne laver denne beregning på et splitsekund. Den vejer alle signalerne ud fra betydning, lægger dem sammen og beslutter: paraply eller ingen paraply.
Hvad en kunstig neuron gør
En kunstig neuron gør præcis det samme, men med tal. Hvert indkommende signal ganges med dets betydning (dets vægt). Alle disse vægtede signaler lægges sammen. Hvis summen er høj nok, er outputtet "ja, aktivér." Hvis den er for lav, er outputtet "nej, hold dig stille."
Det er én neuron. Gang et par tal. Læg dem sammen. Tjek, om summen krydser en tærskel. Output ja eller nej. Intet mysterium. Ingen intelligens. Bare aritmetik.
Tænk på det som en dørmand på en natklub, der tjekker din alder, din påklædning og om du står på gæstelisten. Hver faktor har en forskellig vægt. På gæstelisten? Så kommer du nok ind. Ordentlige sko? Vigtigt, men ikke en dealbreaker. Dørmanden lægger alle faktorerne sammen og træffer én beslutning: ind eller ud. Det er en kunstig neuron. Et meget simpelt beslutningspunkt, der overvejer flere input med forskellige betydningsniveauer.
Forbind Prikkerne: Byg Omstillingsbordet
Ét forbindelsespunkt er ikke særlig nyttigt. Din bedstefars omstillingsbord havde tusindvis. Det er der, kraften kommer fra.
Forestil dig, at du prøver at genkende din veninde Maria på en overfyldt togstation. Din hjerne træffer ikke denne beslutning med én neuron. Den bruger tusindvis af beslutningspunkter, som hver især kigger på forskellige detaljer:
- Beslutninger på første niveau: Er det et menneske? Er det en kvinde? Cirka den rigtige højde?
- Beslutninger på andet niveau: Har hun mørkt hår? Går hun med briller? Er det hendes sædvanlige frakke?
- Beslutninger på tredje niveau: Matcher hendes ansigt Marias træk? Den gangart virker bekendt. Det er helt sikkert hendes taske.
- Endelig beslutning: Alle brikkerne falder på plads. Det er Maria. Vink og kald på hende.
Et kunstigt neuralt netværk fungerer på samme måde. Det er organiseret i lag, ligesom etager i en bygning. Information flyder fra stueetagen (inputlaget) gennem flere mellemliggende etager (skjulte lag) til øverste etage (outputlaget).
Lad os sige, at du prøver at lære en computer at genkende billeder af katte. Her er, hvad der sker:
-
1
Inputlag (stueetagen):
Modtager det rå billede. Hver eneste lille prik (pixel) i billedet går ind i én neuron. Et lille foto kan have 10.000 pixels, så du har brug for 10.000 neuroner bare for at modtage det. Hver neuron rummer én lille bid information: "Min pixel er mørk" eller "Min pixel er lys."
-
2
Første skjulte lag (første sal):
Kigger efter simple mønstre. Nogle neuroner bliver begejstrede, når de ser vandrette linjer. Andre lægger mærke til lodrette linjer. Nogle spotter kurver eller hjørner. Disse neuroner ved endnu ikke, at de kigger på katte. De ved bare: "Jeg fandt en buet linje her" eller "Jeg opdagede en kant der."
-
3
Andet skjulte lag (anden sal):
Kombinerer de simple mønstre til mere komplekse former. "Hey, disse kurver og kanter tilsammen ligner et spidst øre." "Disse mønstre arrangeret på denne måde ligner knurhår." "Dette er helt klart en øjenform." Genkender stadig ikke katte, identificerer blot kattedele.
-
4
Tredje skjulte lag (tredje sal):
Samler delene til fulde kendetegn. "Disse knurhår, denne næseform, disse spidse ører… Jeg har set denne kombination før. Dette begynder at ligne et katteansigt." Nu er vi et sted henne.
-
5
Outputlag (øverste etage):
Træffer den endelige beslutning. "Baseret på alt, hvad de andre etager fandt, er jeg 95 % sikker på, at dette er en kat. Kunne være en hund (3 % chance). Helt sikkert ikke en bil (0,001 % chance)." Neuronen med højest selvtillid vinder, og netværket annoncerer: "Kat!"
Hvert lag bygger oven på det foregående. Simple mønstre bliver til komplekse former. Komplekse former bliver til genkendelige træk. Træk bliver til hele objekter. Det er det magiske trick. Ikke ægte intelligens, bare virkelig smart lagdeling af simple beslutninger.
Læringsdelen (hvordan tavlen bliver klogere)
Nu bliver det interessant. Hvordan lærer netværket, hvilke forbindelser der er vigtige?
At lære er som at sortere vasketøj
Forestil dig, at du træner din nevø til at sortere vasketøj. Første gang har han ingen idé. Han kan lægge en rød sok sammen med hvide skjorter. Katastrofe. Lyserøde skjorter over det hele. Du siger: "Nej, nej, det var forkert. Rødt hører til mørkt tøj, ikke hvidt." Han justerer sine mentale regler. Næste gang klarer han det lidt bedre. Han laver stadig fejl, men færre. Du bliver ved med at rette ham. "Sådan!" "Nej, prøv igen." "Perfekt!" "Hov, ikke helt." Efter hundrede vaskefulde har din nevø lært mønstrene. Hvidt sammen. Mørkt sammen. Rødt med mørkt. Sarte tekstiler for sig selv. Han har ikke brug for dig længere. Han lærte gennem øvelse og rettelser.
Neurale netværk lærer på præcis samme måde. Her er processen:
-
1
Start med tilfældige gæt
Netværket starter med helt tilfældige forbindelsesstyrker (vægte). Det er ligesom din nevø på dag ét. Vis det et billede af en kat, og det siger måske "Bil!" Ren volapyk. Men det er okay. Alle starter et sted.
-
2
Vis det et eksempel
Giv netværket et billede af en kat. Billedet flyder gennem alle lagene. Hver neuron laver sin beregning (gang input med vægtene, læg dem sammen, aktiver eller ej). Til sidst kommer der et gæt fra outputlaget. Med tilfældige vægte er gættet elendigt. "Hund! Nej, bil! Måske … paraply?"
-
3
Fortæl det det rigtige svar
Du kender det rigtige svar (fordi du selv har mærket træningsbillederne). "Nej, det var en kat, ikke en bil." Netværket måler, hvor galt det var. Gættede det bil med 80 % sikkerhed, når det skulle have sagt kat? Det er meget galt. Beregn præcist, hvor langt hver neuron var fra det rigtige svar.
-
4
Juster forbindelserne (backpropagation)
Her er det smarte. Netværket arbejder baglæns fra output til input og spørger: "Hvilke forbindelser bidrog til denne fejl? Hvilke vægte skal ændres?" Det er som at følge din nevøs tankegang tilbage. "Du lagde den røde sok sammen med de hvide, fordi du troede, at farven ikke betød noget. Lad os øge farvens betydning i din beslutning." Justér hver vægt en smule i den retning, der ville have reduceret fejlen.
-
5
Gentag tusindvis af gange
Vis netværket endnu et billede. Det kommer med et nyt gæt (lidt bedre nu). Mål fejlen. Justér vægtene igen. Gentag med tusindvis eller millioner af billeder. Langsomt, gradvist, skifter vægtene fra tilfældigt rod til nyttige mønstre. Efter nok øvelse begynder netværket at ramme rigtigt. Vis det en kat, siger det kat. Vis det en hund, siger det hund. Det har lært det.
Hvad "læring" egentlig betyder
Denne proces kaldes "træning" eller "læring", men i virkeligheden er det bare matematisk optimering. Justér millioner af små tal (vægte) ud fra eksempler, indtil netværkets forudsigelser matcher virkeligheden. Ingen forståelse. Ingen bevidsthed. Bare mønstergenkendelse gennem trial and error.
Jo flere eksempler du viser det, jo bedre bliver det. Jo mere varierede eksemplerne er, jo bedre håndterer det nye situationer. Vis det kun golden retrievere, og det vil have svært ved pudler. Vis det katte i alle farver, størrelser og positioner, og det vil genkende katte overalt.
Tænk på det som at justere spændingen på guitarstrenge. For løst giver forkert lyd. For stramt giver også forkert lyd. Du knipser en streng, lytter til tonen og justerer spændingen en smule. Knips igen. Stadig ikke helt rigtigt. Justér igen. Efter mange små justeringer producerer hver streng den perfekte tone. At træne et neuralt netværk er bare at justere millioner af "spændingsknapper" (vægte), indtil outputtet lyder rigtigt. Bortset fra at du i stedet for musik producerer forudsigelser.
Deep Learning (hvorfor flere lag hjælper)
Du hører måske udtrykket "deep learning" blive kastet rundt. Folk opfører sig, som om det er noget magisk. Det er det ikke.
"Deep" betyder bare "mange lag". I stedet for tre eller fire skjulte lag kan du have tyve, halvtreds eller endda hundrede lag stablet oven på hinanden. Det er det hele. Det er den store hemmelighed.
Hvorfor besvære sig med så mange lag? Fordi komplekse mønstre kræver kompleks behandling.
Forestil dig, at du lærer nogen at genkende træer. Med kun to lag (ét skjult lag) kan du lære simple regler:
Simple mønstre med få lag
- ✓ Grønt ovenpå? Sandsynligvis et træ.
- ✓ Brunt lodret nedenunder? Helt sikkert et træ.
Men hvad med palmer? Fyrretræer? Kirsebærblomster? Træer om vinteren uden blade? Træer dækket af sne? Bonsaitræer? Træstubbe? Med kun simple mønstre vil du gå glip af mange variationer.
Tilføj flere lag, og hvert lag kan lære gradvist mere sofistikerede egenskaber:
Komplekse mønstre med mange lag
- Lag 1: Kanter og teksturer
- Lag 2: Barkmønstre og bladformer
- Lag 3: Grenstrukturer
- Lag 4: Kendetegn for forskellige træarter
- Lag 5: Træer i forskellige årstider og forhold
Hvert lag bygger forståelse oven på det foregående lags opdagelser. Når du når frem til outputtet, kan netværket genkende egetræer om efteråret, palmer på strande, fyrretræer i sne og kirsebærblomster om foråret. Alt sammen fra de lagdelte mønstre.
Afvejningen
Flere lag betyder flere beregninger, mere træningstid og behov for flere eksempler. Et lavt netværk kan lære fra 10.000 billeder. Et dybt netværk kan have brug for en million. Men til komplekse opgaver som at forstå sprog, genkende tusindvis af objekter eller spille skak på mesterniveau, er dybe netværk indsatsen værd.
Derfor er ChatGPT og moderne AI-systemer "dybe". De har dusinvis eller hundredvis af lag, der lærer utroligt komplekse mønstre fra enorme mængder tekst, billeder eller andre data. Ikke fordi de er intelligente, men fordi de opgaver, de udfører, kræver genkendelse af meget subtile, meget komplekse mønstre.
De to tilgange: præcision vs. effektivitet
De fleste neurale netværk i dag bruger meget præcise tal til deres beregninger. Når de multiplicerer og adderer vægte, bruger de tal som 0.7234891 eller 1.3982736. Mange decimaler. Meget præcist.
Den traditionelle tilgang: overdreven præcision
Det svarer til at måle ingredienser til en kage med en laboratorievægt, der er nøjagtig til 0,001 gram. Mel: 247,384 gram. Sukker: 118,592 gram. Meget præcist, meget nøjagtigt, og ærligt talt totalt overdrevet, når man bager en kage.
Disse præcise tal (kaldet flydende komma) kræver en masse regnekraft. Hver multiplikation med disse tal tager tusindvis af transistorbetjeninger. Når du laver milliarder af multiplikationer for at træne et netværk, løber det op i enorme mængder elektricitet og regnetid.
Den binære tilgang
Binære neurale netværk: kun to værdier
Der findes en anden tilgang: binære neurale netværk. I stedet for præcise decimaltal bruger man kun to værdier. Positiv et eller negativ et. Det er det.
Lyder skørt, ikke? Hvordan kan man lære komplekse mønstre med kun to tal?
Bedstemors opskrift-tilgang
Tænk på det på denne måde. Da din bedstemor bagte den æbletærte, brugte hun ikke en laboratorievægt. Hun brugte sine øjne og sin erfaring. "Cirka så meget mel. En god håndfuld sukker. Smør på størrelse med et æg." Slet ikke præcist, men tærten blev stadig lækker.
Binære netværk fungerer på samme måde. Hver forbindelse er enten "ja, det betyder noget" (+1) eller "nej, det betyder ikke noget" (-1). Ingen decimalpræcision. Bare simple ja/nej-afstemninger.
Magien ligger i kombinationen. Tusindvis af simple ja/nej-beslutninger kombineres til overraskende præcise forudsigelser. Ligesom din bedstemors upræcise målinger kombineret med hendes erfaring gav en perfekt tærte.
Fordelen
Binære netværk kører meget hurtigere og bruger langt mindre energi. Kan du huske vores tidligere snak om binær databehandling? Simple ja/nej-operationer er hundredvis af gange hurtigere end præcis decimalregning. Et binært neuralt netværk kan køre på din telefon, på en simpel computerchip, ja selv på små enheder uden meget strøm. Det samme netværk med præcise tal ville kræve en enorm computer og masser af elektricitet.
Hos Dweve fokuserer vi på binære neurale netværk for at opnå effektivitet i den virkelige verden. Vores Core-system bruger simple ja/nej-vægte og kører 40 gange hurtigere end traditionelle netværk, samtidig med at det bruger 96% mindre energi. Ikke fordi vi går genveje, men fordi de fleste opgaver i praksis ikke kræver laboratoriepræcision. Bedstemors opskrift-tilgang fungerer ganske fint.
Hvad neurale netværk faktisk er gode til
Nu hvor du forstår, hvordan neurale netværk fungerer, lad os tale om, hvad de faktisk kan bruges til. For på trods af al hypen er de ikke gode til alting.
Neurale netværk er fremragende til mønstergenkendelse. Hvis du kan vise dem tusindvis af eksempler med ensartede mønstre, lærer de at genkende disse mønstre i nye eksempler. Det gør dem perfekte til:
📷 Genkendelse af billeder
Vis netværket en million mærkede billeder, og det lærer at identificere katte, hunde, biler, ansigter, tumorer på røntgenbilleder, revner i veje, alt hvad du har trænet det på. Din telefons kamera bruger dette til at fokusere på ansigter. Hospitaler bruger det til at opdage sygdomme i medicinske scanninger.
🎤 Forståelse af tale
Når du taler til Siri eller Alexa, konverterer et neuralt netværk dine stemmemønstre til tekst. Det har lært af tusindvis af timers optaget tale, hvad hvert lydmønster betyder. Forskellige accenter, baggrundsstøj, mumlen… det håndterer alt sammen gennem mønstergenkendelse.
💬 Behandling af sprog
Oversættelse, svar på spørgsmål, skrivning af tekst. Netværk trænet på milliarder af ord lærer mønstre i, hvordan sprog fungerer. Ikke fordi de "forstår" sprog, men fordi de genkender mønstre som "dette ord følger normalt efter det ord" og "denne sætningsstruktur betyder et spørgsmål."
🎬 At lave anbefalinger
Netflix foreslår serier, Spotify finder musik, du vil kunne lide, Amazon anbefaler produkter. Disse netværk lærer mønstre fra millioner af brugere. "Folk, der kunne lide A og B, kunne også lide C. Denne person kan lide A og B, så sandsynligvis vil de også kunne lide C."
🎮 At spille spil
Skakprogrammer, Go-spillere, AI i videospil. Netværket spiller millioner af spil mod sig selv og lærer, hvilke træk der fører til sejre, og hvilke der fører til tab. Ren mønstergenkendelse gennem trial and error.
Kan du se mønsteret? Det er alle opgaver, hvor der findes konsistente mønstre i store mængder data. Vis et netværk nok eksempler, og det finder mønstrene.
Hvad neurale netværk er virkelig dårlige til
Nu til virkelighedstjekket. Neurale netværk har alvorlige begrænsninger:
⚠️ De har brug for enorme mængder data
Et barn ser tre hunde og forstår "hund." Et neuralt netværk har brug for tusindvis eller millioner af hundebilleder. Ingen data? Ingen læring. Lille datasæt? Dårlig ydeevne. Disse systemer er datasultne monstre.
⚠️ De er black boxes
Netværket kan ikke forklare sine beslutninger. Det kender svaret (eller tror, det gør), men det kan ikke fortælle dig hvorfor. Millioner af vægte, der interagerer på komplekse måder. Intet menneske kan følge ræsonnementet. Dette er et stort problem i medicin, jura og alle steder, hvor du skal kunne begrunde beslutninger.
⚠️ De lærer bias fra data
Hvis dine træningsdata indeholder bias (og det gør de fleste virkelige data), lærer netværket den bias. Historisk diskrimination? Netværket vil diskriminere. Ubalancerede eksempler? Netværket klarer sig dårligere på underrepræsenterede grupper. Garbage in, garbage out.
⚠️ De generaliserer ikke godt
Træn et netværk på katte og hunde, og vis det så en hest. Det har svært ved det. Mennesker generaliserer nemt ("Nå, det er endnu et firbenet dyr"). Neurale netværk gør ikke. De kender kun de specifikke mønstre, de så under træningen. Nye situationer forvirrer dem.
⚠️ De kan nemt narres
Bittesmå ændringer, som mennesker ikke kan se, kan fuldstændig narre et netværk. Ændr nogle få pixels i et kattebillede (ændringer, du ikke engang ville lægge mærke til), og netværket kan pludselig sige "Fly!" med 99 % sikkerhed. Det kaldes et adversarisk angreb, og det er en reel sikkerhedsbekymring.
Det er ikke småproblemer. Det er fundamentalt for, hvordan neurale netværk fungerer. Et netværk er kun så godt som sine træningsdata, og det kan kun genkende mønstre, det har set før.
Den egentlige bundlinje
Så hvad er neurale netværk egentlig?
De er sofistikerede mønstergenkendelsesmaskiner. Flerlags-omskifterborde, der lærer af eksempler. Matematiske optimeringssystemer, der justerer millioner af små vægte, indtil forudsigelser matcher virkeligheden.
De er ikke hjerner. De er ikke intelligente. De er ikke bevidste. De "forstår" ikke noget. De genkender mønstre gennem gentagelse og korrektion.
Men inden for disse begrænsninger er de bemærkelsesværdigt kraftfulde. De har forvandlet teknologien. Din telefons ansigtsgenkendelse, stemmeassistenter, spamfiltre, fotoorganisering, navigationsapps, streaminganbefalinger, automatiske oversættelser ... alt sammen drevet af neurale netværk.
Nøglen er at bruge dem til de rigtige opgaver
Mønstergenkendelse? Fremragende. Opgaver med klare eksempler og konsistente mønstre? Perfekt. Kreativ problemløsning, der kræver forståelse af kontekst og betydning? Ikke så meget.
Når nogen prøver at sælge dig "AI" eller "neurale netværk", så spørg dig selv: Er det her virkelig et mønstergenkendelsesproblem? Er der nok gode data at træne på? Vil det fungere på situationer, det ikke har set før? Kan det forklare sine beslutninger, når det er nødvendigt?
Hvis svarene er ja, ja, sandsynligvis og nej (i den rækkefølge), så kan neurale netværk være det rigtige værktøj. Hvis ikke, har du måske brug for noget andet.
Hjernemetaforen fik neurale netværk til at lyde spændende og mystiske. Når man forstår, hvad de egentlig er, sofistikerede omskifterborde, der lærer af eksempler, bliver de mindre magiske, men langt mere nyttige. For når du forstår værktøjet, ved du, hvornår du skal bruge det, og hvornår du skal række ud efter noget andet. Og den forståelse er mere værd end al markedsføringshype.
Hos Dweve bygger vi neurale netværk, der respekterer virkeligheden. Binære operationer. Effektiv beregning. Klare begrænsninger. Ingen magi, ingen hype, bare ærlig ingeniørkunst. For den bedste AI er den slags, der virker i den virkelige verden, ikke kun i forskningsartikler.