Tiden är inne för tekniken artificiell intelligens (AI).

När den artificiella intelligensen nu överträffar människans förmåga inom Go och poker – två decennier efter det att Deep Blue besegrade schackmästaren Garry Kasparov – börjar tekniken sippra in i våra liv på ett alltmer djupgående sätt. Den påverkar vårt sätt att söka på webben eller få läkarvård och om vi får låna hos banken.

De mest innovativa genombrotten inom AI, liksom företagen bakom dem (DeepMind, Magic Ponny, Aysadi, Wolfram Alpha, Improbable m.fl.), har sina rötter på universiteten. I framtiden kommer AI i sin tur att förändra den akademiska världen.

Vi ser AI som en ny vetenskaplig infrastruktur för forskning och utbildning som universiteten måste ta till sig och bli ledande inom – annars kommer universiteten att bli alltmer irrelevanta och i slutänden överflödiga.

Genom sina fantastiska upptäckter har universiteten själva sått fröet till den omvälvning som kommer att ske inom den akademiska världen. Hur de hanterar AI-revolutionen kommer att ha en avgörande betydelse för hur vetenskap, innovation, utbildning och samhället som helhet omformas.

Deep Mind startades av tre forskare, varav två träffades när de båda arbetade vid University College London. En av Deep Minds grundare är Demis Hassabis som har en doktorsexamen i kognitiv neurovetenskap från UCL och har forskat vid MIT och Harvard. Liksom många andra forskare är han övertygad om att AI och maskininlärning kommer att ge bättre vetenskapliga processer.

Det är redan åtta år sedan forskare vid University of Aberystwyth skapade ett robotstyrt system som utförde en hel vetenskaplig process på egen hand. Systemet skötte allt från att formulera hypoteser, utforma och genomföra experiment, analysera data och bestämma vilka nya experiment som skulle genomföras.

Komplexa datamängder

Inom vetenskapen kan AI-tekniken användas för att skapa system som självständigt ställer hypoteser, upptäcker oväntade kopplingar och minskar kostnaderna för att nå insikter och göra förutsägelser.

AI används av förlag som Reed Elsevier för automatisering inom systematiska översiktsarbeten och kan användas för att upptäcka plagiat och felaktigt använd statistik. Maskininlärning skulle potentiellt kunna användas för att flagga för oetiska tillvägagångssätt i forskningsprojekt innan några resultat publiceras.

AI kan användas för att kombinera idéer från olika vetenskapliga fält. Det finns ett starkt tryck från akademin att fördjupa den artificiella intelligensen inom vissa kunskapsområden, och maskininlärning kan göra det lättare att få olika idéer att mötas och på så sätt skapa en helhetsbild av problem som kräver samarbete över ämnesgränserna.

Efter hand som AI-tekniken blir bättre kommer den utöver att kombinera kunskap och data enligt anvisningar också att självständigt börja söka efter kombinationer. Den kan också vara till hjälp vid samarbete mellan universitet och externa parter, till exempel mellan medicinsk forskning och klinisk verksamhet inom vårdsektorn.

Konsekvenserna av AI inom den akademiska forskningsvärlden sträcker sig bortom vetenskap och teknik.

Filosofiska frågor

I en värld där en rad aktiviteter och beslut som tidigare varit förbehållna människor kommer att utföras helt eller delvis av maskiner uppstår djupgående filosofiska frågor om vad det innebär att vara människa. Datateknikspionjären Douglas Engelbert – som låg bakom bl.a. musen, fönstersystemet och flerfilsredigering – var inne på detta redan 1962 när han skrev om att ”förstärka det mänskliga intellektet”.

Sakkunskaper inom områden som psykologi och etik måste tillämpas om människor ska kunna arbeta sida vid sida med intelligenta maskiner och system på ett så givande sätt som möjligt.

Det behövs mer forskning om hur AI kan komma att påverka sysselsättningen och arbetets kvalitet, och vilka effekterna kan bli för politik och myndighetsutövning.

När det gäller AI inom undervisningen kan många av de mer rutinmässiga akademiska uppgifterna (som också ofta är de minst givande för lärarna), såsom betygsättning av uppgifter, komma att automatiseras. Chattbottar, dvs. intelligenta program med naturligt språk, utvecklas av bl.a. tekniska universitet i Berlin. I deras fall kommer bottarna att svara på frågor från studenterna ochhjälpa dem att planera sina studier.

Virtuella assistenter kan ge privatundervisning och vägledning inom mer individanpassade studier. Som en del av initiativet OLI (Open Learning Initiative) har Carnegie Mellon University under några år arbetat med att utveckla AI-baserade agenter för privatundervisning. Universitet fann att studenterna som läste OLI-initiativets statistikkurs, som gavs med endast minimal kontakt med lärare, nådde jämförbara resultat med färre timmars studier. Vid en kurs som gavs vid Georgia Institute of Technology kunde studenterna inte skilja mellan den återkoppling som gavs av en människa och den som kom från en bott.

Det globala klassrummet

Med tekniker som mixed reality och datorseende kan man skapa en mycket realistisk, uppslukande miljö som stimulerar intresse och förståelse. Simuleringar och spelteknik ökar studenternas engagemang, och ger en mer intuitiv och anpassningsbar undervisning. Med sådana hjälpmedel kan studenterna också lättare delta och generera ny kunskap samt involveras i forskningsaktiviteter. Teknikerna kan även ge människor utanför universitetet och från hela världen möjlighet att delta i vetenskapliga upptäckter via globala klassrum och samverkansprojekt som exempelvis Galaxy Zoo.

Utöver att förbättra utbildningens kvalitet kan AI också användas för att göra kurserna tillgängliga för många fler. Fram till nyligen begränsades tillgången till utbildning av klassrummets storlek. Under de senaste fem åren har nyheter som MOOC-kurser (Massive Open Online Courses) gett tusentals människor möjlighet att ta del av en rad universitetsämnen.

Det är dock fortfarande så att utbildning på högre nivå, och dess bedömning, till stora delar kräver ett personligt och subjektivt inslag som inte kan automatiseras. Tekniken har ”vänt på klassrummet”, och tvingar nu universiteten att fundera på var de verkligen tillför något. Exempel på sådana områden kan vara personligt anpassad undervisning och praktiska experiment – snarare än traditionella föreläsningar.

Resultatuppföljning

Administrationen inom universiteten kommer att kunna dra nytta av AI-tekniken för att bearbeta de stora datamängder som genereras vid forsknings- och utbildningsverksamhet. Tekniken kan användas för att följa hur väl man utför sitt uppdrag, oavsett om det gäller forskning, utbildning eller mångfaldsmål. Rapporter kan produceras ofta, vilket ger en snabbare hantering. Det kan bidra till bättre kvalitet på jämförelserna mellan olika lärosätens prestationer, då dessa jämförelser idag ofta baseras på relativt gammal information. Tekniken kan också ge snabbare och effektivare antagningsprocesser.

AI gör det möjligt att spåra enskilda studenters prestationer. Vid universitet som Georgia State och Arizona State används tekniken för att förutsäga betyg och avgöra när insatser behövs för att en student ska kunna nå sin fulla potential och inte hoppa av utbildningen.

Denna typ av dataanalys där studenter och personal berörs väcker viktiga frågor om integritet och sekretess som kräver väl utformade riktlinjer.

Blockkedjor används för att registrera studenters och personals betyg och kvalifikationer i ett format där informationen är direkt tillgänglig och inte kan förstöras. I kombination med AI kan blockkedjor användas för att förhindra oetiskt beteende och nå nya insikter om studenternas framsteg och karriärvägar.

Akademin måste utnyttja de nya möjligheter till tvärvetenskaplighet som AI-tekniken ger. I forskningsvärlden kommer detta att kräva nya akademiska institutioner och tjänster, med särskilda krav på datavetare. Kursplanerna måste anpassas så att akademin utbildar forskare och tekniker som kan skapa och använda AI-lösningar och förbereder studenter inom så vitt skilda fält som medicin, företagsekonomi, juridik eller arkitektur så att de på allra bästa sätt kan kombinera sina färdigheter med maskinernas nya förmågor. Deras framtida karriärer kommer att hänga på det.

I framtidens kursplaner bör man ta höjd för det oförutsägbara i AI-tekningens utveckling, och utgå från en djup förståelse av tekniken, snarare än det som just för tillfället efterfrågas av företagen.

Hantera konsekvenserna

Universiteten är en av drivkrafterna bakom omvälvande tekniska framsteg som AI och automatisering. Inom akademin bör man därför reflektera över den bredare roll man har i samhället, och skapa möjligheter som kan bidra till social uthållighet i samband med dessa omvälvningar.

Vi måste hantera konsekvenserna av den tekniska arbetslösheten, och där kan universiteten bidra med utbildning och möjligheter för dem vars arbete påverkas.

På arbetsmarknaden råder hård konkurrens om de kandidater som kan utveckla och använda AI-lösningar, och många universitet förlorar skickliga medarbetare till det privata näringslivet. En av de mest akuta utmaningarna som akademin står inför när det gäller AI är alltså att förbättra arbetsvillkor och karriärmöjligheter så att personer med kompetens inom AI stannar kvar och känner sig motiverade. De måste skapa arbetsplatser som är flexibla och öppna för interaktion med andra aktörer som kan komma med idéer. Det måste också vara möjligt att göra en ”blandad” karriär, där man växlar mellan arbete i akademin och i näringslivet.

Den fjärde industriella revolutionen påverkar alla delar av dagens samhälle och ekonomi på djupet. Till skillnad från tidigare revolutioner, där påverkan på akademins struktur och organisation varit relativt liten, kommer de olika AI-teknikerna sannolikt att skaka den i dess grundvalar. Deep learning-tekniken, som är central inom AI-utveckling, påverkar i sig det område som är universitetens själva existensberättigande, och kan komma att ge dem ny konkurrens.

Rätt använt kan AI ge större kraft och genomslag åt det som universiteten redan gör – forskning, utbildning och externt engagemang – men då krävs grundliga omvärderingar och förändringar. Frågan är om universiteten är redo för den uppgiften?