Året for AI 2024: Det, der faktisk flyttede sig

2024 blev ikke defineret af én model eller én spektakulær demonstration. Det afgørende var, at flere udviklingsspor blev konkrete på samme tid. Modellerne begyndte i højere grad at håndtere tekst, billeder og lyd i den samme interaktion. Konkurrencen kom fra flere leverandører og flere typer modeller. Åbne modelvægte blev et mere realistisk alternativ for organisationer, der ønskede større teknisk kontrol. EU fik sin første samlede AI-forordning, og AlphaFold 3 viste, hvorfor den mest værdifulde AI ikke nødvendigvis ligner en chatbot.

Det er AIBI’s vurdering af de vigtigste skift, ikke en komplet fortegnelse over årets lanceringer. Udvalget bygger på begivenheder, som kan dateres og dokumenteres. Det adskiller dette tilbageblik fra AIBI’s bud på udviklingen før 2024 begyndte og fra vores tilbageblik på AI-året 2023.

Modellerne blev mere direkte at bruge

Den 13. maj 2024 præsenterede OpenAI GPT-4o som en model, der kunne arbejde på tværs af tekst, billeder og lyd. I præsentationen var pointen ikke kun, at modellen kunne modtage flere datatyper. OpenAI viste en retning, hvor tale kunne behandles direkte i modellen frem for gennem en kæde af særskilte systemer til talegenkendelse, tekstbehandling og oplæsning. Virksomheden beskrev desuden interaktion i realtid, men gjorde samtidig klart, at funktionerne skulle rulles ud gradvist.

Dagen efter præsenterede Google blandt andet Gemini 1.5 Flash og viste Project Astra, et forskningsprojekt om en multimodal assistent, der kunne forholde sig til omgivelser gennem kamera og tale. De to præsentationer var forskellige, men pegede mod samme ændring: AI-grænsefladen var på vej væk fra kun at være et tekstfelt med et tekstsvar.

Den praktiske betydning var større end endnu en forbedring af en benchmarkscore. Når en model kan arbejde med stemmen, et diagram, et kamerabillede eller en skærm, bliver det muligt at formulere en opgave på en mere naturlig måde. En bruger kan pege på det, der skal forklares, i stedet for først at omsætte alt til tekst. Det gør ikke modellen mere pålidelig i sig selv, men det kan sænke friktionen i brugen.

Multimodalitet var ikke opfundet i 2024. Skiftet var, at teknologien blev placeret centralt i de store leverandørers produktfortælling og demonstrationer. Den tekniske baggrund er forklaret i AIBI’s guide til multimodale modeller.

Der var også klare forbehold. En demonstration er ikke det samme som dokumenteret drift i alle lande, på alle sprog og for alle brugere. Lyd og video skaber desuden flere muligheder for fejl, misforståelser og manipulation end ren tekst. Årets annonceringer dokumenterer derfor en retning, ikke at alle de viste funktioner straks var bredt tilgængelige eller lige anvendelige.

Konkurrencen blev bredere end én chatbot

Den 4. marts 2024 annoncerede Anthropic Claude 3-familien med modellerne Haiku, Sonnet og Opus. Anthropic fremstillede familien som forskellige afvejninger mellem hastighed, pris og kapacitet og fremhævede blandt andet analyse af billeder og dokumenter. Virksomheden offentliggjorde også benchmarkresultater, men de var leverandørens egne målinger og bør læses som sådan, ikke som en uafhængig rangliste.

Google fulgte i maj op med Gemini 1.5 Flash og fortsatte arbejdet med modeller, der kunne behandle lange og multimodale input. Sammen med GPT-4o og Llama 3 gav det et marked, hvor valget ikke længere meningsfuldt kunne reduceres til spørgsmålet om, hvilken chatbot der var bedst. Der var forskelle i modelstørrelse, svartid, adgangsform, mulighed for lokal drift og den type input, modellerne var designet til.

Det gjorde selve valget af model mere situationsbestemt. En lille, hurtig model kunne være mere interessant til en afgrænset og hyppig opgave end den største model. En organisation med følsomme data kunne lægge vægt på kontrol over driftsmiljøet. En anden kunne prioritere en færdig tjeneste uden selv at skulle drive infrastrukturen.

Bag produkterne lå fortsat store sprogmodeller, også kaldet LLM’er, med velkendte styrker og svagheder. Et langt kontekstvindue eller evnen til at se et billede fjerner ikke risikoen for opdigtede svar. Til opgaver, hvor svaret skal forankres i bestemte dokumenter, var metoder som RAG med dokumenter og kilder fortsat relevante. Modelkonkurrence løste ikke behovet for kildekontrol.

2024 gjorde altså udbuddet bredere, men ikke valget enkelt. Sammenligninger krævede et konkret formål: Hvilke data skal behandles? Hvor hurtigt? Under hvilke krav til kontrol, dokumentation og omkostninger? Uden den ramme blev modelranglister hurtigt mere underholdning end beslutningsgrundlag.

Åbne modelvægte blev en mere reel strategisk mulighed

Meta frigav Llama 3 den 18. april 2024. Modellerne blev stillet til rådighed med åbne modelvægte, så udviklere kunne hente dem og tilpasse eller drive dem i egen infrastruktur under Metas licensvilkår.

Det er mere præcist at kalde Llama 3 en open-weight-model end fuldt open source. Tilgængelige vægte giver ikke automatisk fuld indsigt i træningsdata, udviklingsproces og alle andre bestanddele, som normalt forbindes med åben kildekode. Licensen satte også rammer for anvendelsen. Den forskel er vigtig, fordi ordet »åben« ellers let kommer til at love mere gennemsigtighed og frihed, end udgivelsen faktisk giver.

Alligevel var den strategiske betydning reel. Åbne vægte gjorde det muligt for flere virksomheder og forskningsmiljøer at afprøve en moderne sprogmodel uden udelukkende at sende data til en lukket, ekstern tjeneste. Det kunne give bedre kontrol over drift, tilpasning og dataflow. Det skabte også et bredere økosystem af værktøjer og varianter omkring modellerne.

Muligheden kom med en regning. Lokal drift kræver hardware, teknisk kunnen, overvågning og et selvstændigt ansvar for sikkerhed. En hentbar model er ikke automatisk billigere, bedre beskyttet eller lettere at vedligeholde. Open weights blev i 2024 et mere praktisk alternativ, men ikke et universelt svar.

AI gik fra produktnyhed til reguleret teknologi

EU’s AI-forordning, Regulation (EU) 2024/1689, trådte i kraft den 1. august 2024. Det var et grundlæggende skift i rammen omkring AI i Europa. Diskussionen handlede ikke længere kun om, hvad systemerne kunne, men også om hvilke risici, dokumentationskrav og ansvar der kunne følge med deres anvendelse.

Forordningen bygger på en risikobaseret tilgang. Den skelner mellem forskellige typer anvendelse og stiller strengere krav, hvor risikoen vurderes højere. Den indeholder også regler for modeller til generelle formål. Men ikrafttrædelsen den 1. august betød ikke, at alle krav gjaldt fuldt ud fra samme dag. Bestemmelserne får virkning i etaper.

AIBI’s vurdering er, at denne tidslinje var lige så vigtig som lovtekstens blotte eksistens. Virksomheder kunne ikke fornuftigt behandle AI som endnu et softwareindkøb uden at vide, hvor og hvordan teknologien blev brugt. Samtidig ville det være misvisende at fremstille 2024 som året, hvor alle juridiske spørgsmål blev afgjort. Den konkrete vurdering afhænger blandt andet af system, rolle og anvendelse. Denne artikel er derfor ikke juridisk rådgivning.

Reguleringen synliggjorde også et bredere tillidsproblem. Multimodale modeller kan skabe og analysere flere typer indhold, men de gør det ikke nødvendigvis lettere at fastslå et billedes oprindelse eller et svars sandhed. Debatten om deepfakes og AI var derfor ikke et sidespor. Den handlede om, hvor svært det kan være at bevare tillid, når syntetisk indhold bliver lettere at fremstille.

AlphaFold 3 viste værdien af specialiseret AI

Den 8. maj 2024 offentliggjorde Google DeepMind og Isomorphic Labs AlphaFold 3 sammen med en fagfællebedømt artikel i Nature. Systemet var udviklet til at forudsige strukturer og interaktioner for biologiske molekyler, blandt andet proteiner, DNA, RNA, små molekyler og ioner.

Den vigtige pointe var ikke, at AI pludselig kunne udføre hele den videnskabelige proces. AlphaFold 3 var et specialiseret system rettet mod et konkret og vanskeligt problem: at modellere, hvordan molekyler ser ud og interagerer. Nature-artiklen beskrev forbedret nøjagtighed på en række af disse opgaver sammenlignet med flere eksisterende specialiserede metoder.

Det gav et nyttigt modbillede til årets mange chatbotnyheder. Værdien af AI kan ligge i et snævert værktøj, der hjælper forskere med at prioritere hypoteser og eksperimenter, ikke kun i et system, som kan føre en samtale om næsten hvad som helst. På den måde viste AlphaFold 3, hvorfor det er utilstrækkeligt at bedømme hele AI-området ud fra sprogmodellernes udvikling alene.

Begrænsningerne er afgørende. En beregnet struktur er en forudsigelse, ikke et laboratorieforsøg. Resultater skal fortolkes og efterprøves af fagfolk, og systemets præstation varierer mellem opgavetyper. AlphaFold 3 dokumenterede et fremskridt inden for molekylær modellering. Det dokumenterede ikke, at generativ AI generelt havde løst forskning eller lægemiddeludvikling.

Det løste 2024 ikke

Årets fremskridt fjernede ikke modellernes tendens til at levere overbevisende, men forkerte svar. Flere inputformer kan tværtimod give flere steder, hvor en model kan misforstå data. Derfor forblev kildegrundlag, afgrænsning og menneskelig kontrol vigtigere end en flydende brugeroplevelse.

Oprindelsen af træningsdata og genereret materiale var heller ikke afklaret. Ophavsretlige spørgsmål kunne ikke reduceres til, om et output lignede et eksisterende værk, og tekniske mærkningsmetoder løste ikke hele problemet med syntetisk indhold.

Energiforbruget forsvandt heller ikke, fordi modeller blev hurtigere eller mindre. Den relevante belastning afhænger både af træning, hardware, datacentre og hvor ofte et system anvendes. Uden sammenlignelige data er brede påstande om, at AI enten er bæredygtig eller uholdbar, for upræcise.

Endelig viste en lancering ikke, at teknologien skabte værdi i praksis. Virksomheder skulle stadig finde egnede opgaver, sikre datakvalitet, ændre arbejdsgange og måle resultaterne. De samme demonstrationer kunne være imponerende og samtidig irrelevante for en konkret organisation.

Det korte tilbageblik

Det mest præcise billede af 2024 er derfor ikke et kapløb med én vinder. Året gjorde AI mere direkte at interagere med, gav flere reelle modelvalg, gjorde åbne vægte strategisk relevante, placerede europæisk AI under en ny lovramme og viste specialiseret værdi i forskning.

Ingen af skiftene stod alene, og ingen af dem fjernede behovet for kritisk vurdering. Det, der faktisk flyttede sig, var spændvidden: fra chatfelt til flere sanseformer, fra én dominerende produktfortælling til forskellige tekniske valg og fra eksperiment til teknologi, som både forskere, virksomheder og lovgivere måtte forholde sig konkret til.