Vad hjärnforskning och AI-utveckling har gemensamt

Jag lyssnade idag på ett samtal mellan Steven Bartlett och Stanford-neuroforskaren David Eagleman. Det fick mig att tänka på något jag funderat på länge: hur slående lika hjärnan och modern AI faktiskt fungerar – och var likheterna tar slut.

Du är inte en person. Du är ett lag.

Eagleman beskriver hjärnan som ett "team of rivals" — konkurrerande neurala nätverk som alla försöker styra ditt beteende. Ett nätverk vill äta kakan. Ett annat säger nej. Ett tredje föreslår en kompromiss: "Okej, en kaka – men då går vi till gymmet ikväll."

Det där är inte bara en metafor. Det är bokstavligen vad som händer bland dina 86 miljarder nervceller. Olika nätverk röstar, och den kombination som vinner i stunden avgör vad du gör.

Eagleman kallar det för ett "neuralt parlament" – och precis som i ett riktigt parlament har alla partier olika åsikter, men alla vill i grunden ditt bästa. Det är bara det att de har väldigt olika uppfattning om vad som är bäst. Det är därför du kan fatta ett beslut på morgonen som du ångrar på kvällen. Det var inte "du" som ändrade dig – det var ett annat nätverk som tog över.

Det förklarar också varför det fungerar att göra det Eagleman kallar ett Ulysses-kontrakt – att i ett klart ögonblick ställa upp spelregler som hindrar dig från att agera dåligt senare. Som att rensa bort godis ur skåpet, eller boka in löprundan med en kompis klockan sju. Du förhandlar med dina framtida neurala nätverk genom att ta bort deras valmöjligheter.

Och det är precis här det blir spännande om man jobbar med AI.

AI har också flera "experter" under huven

Moderna AI-modeller som GPT-4, Gemini och Claude bygger på så kallade transformer-arkitekturer. Flera av de kraftfullaste modellerna använder dessutom en teknik som kallas Mixture of Experts (MoE) — där modellen har flera specialiserade nätverk som aktiveras beroende på vilken typ av fråga du ställer.

Frågar du om juridik? Ett "expertkluster" tar över. Frågar du om kodning? Ett annat aktiveras. Precis som i hjärnan handlar det om att rätt nätverk tar plats vid rätt tillfälle.

Det finns också en annan parallell som sällan nämns: konkurrens inuti systemet. I hjärnan tävlar nätverk om att styra ditt beteende. I moderna AI-system händer något liknande under ytan – olika delar av modellen "föreslår" svar, och en mekanism avgör vilken kombination som ger det mest sammanhängande resultatet. Det är ingen medveten debatt, men det är en form av intern selektion som påminner om hjärnans parlament.

Skillnaden? Hjärnans nätverk har formats av miljontals år av evolution, överlevnad och social interaktion. AI:ns nätverk har formats av text. Enorma mängder text. Det gör att AI kan resonera imponerande – men den saknar den kroppsliga, emotionella och sociala förankring som ger våra hjärnor djup.

Parallellen är ändå ingen slump. Artificiella neurala nätverk inspirerades av hjärnan redan för decennier sedan. Geoffrey Hinton, en av AI-forskningens grundare, har själv sagt att genombrotten kom från att förstå hur hjärnan fungerar. Man tog grundidén – enheter som är kopplade till varandra med olika styrka – och byggde vidare på den.

Plastisitet: det som gör oss (och AI) formbara

Eagleman betonar att hjärnans plastisitet – förmågan att ändra sina kopplingar – är det som gör oss mänskliga. När du lär dig något nytt bygger du bokstavligen nya vägar i hjärnan. Slutar du utmana dig? Då degenererar strukturen.

AI-modeller tränas på ett liknande sätt. Under träningen justeras miljontals kopplingar (vikter) tills modellen blir bra på det den ska göra. Skillnaden? Hjärnan lär sig hela tiden. Den har inget separat "träningspass" och sedan ett "produktionsläge". Du lär dig medan du lever. AI:n däremot behöver massiva mängder data och miljarder i beräkningskraft för att tränas – och sedan fryser den i stort sett sin kunskap.

Eagleman tar upp ett talande exempel: katolska nunnor som levde socialt aktiva liv in i hög ålder visade sig ha fysiska tecken på Alzheimers i sina hjärnor – men inga kognitiva symptom. Deras hjärnor hade byggt så många alternativa vägar att sjukdomen inte hann förstöra snabbare än nya kopplingar skapades. Det kallas kognitiv reserv, och det är i grunden hjärnans version av redundans – samma princip som gör att ett välbyggt IT-system inte kraschar bara för att en server går ner.

Men gränsen mellan hjärna och AI håller på att suddas ut. Nyare AI-system börjar kunna lära sig i realtid, anpassa sig till din kontext och till och med minnas tidigare samtal. Inte helt olikt hur din hjärna formar nya kopplingar baserat på erfarenhet.

Eagleman pekar också på en viktig detalj: hjärnan lär sig genom "one trial learning" – du hör ett nytt ord en gång och kan minnas det. AI behöver tusentals eller miljontals exempel för att lära sig samma sak. Det beror på att hjärnan har en helt annan kemisk cocktail som förstärker inlärning i stunden – nyfikenhet, emotion, kontext. AI saknar det. Än så länge.

Jagged intelligence – smart och konstig samtidigt

Eagleman använder uttrycket "jagged intelligence" om AI: den kan göra något otroligt imponerande i ena stunden och leverera ett bisarrt svar i nästa. Det beror på att AI inte tänker som vi. Den bearbetar mönster i text, inte mening.

Men är vi så annorlunda? Hjärnan ger oss också ganska ojämn intelligens. Vi kan vara briljanta på att analysera en affärsidé och samtidigt falla för den mest uppenbara kognitiva bias:en. Eaglemans poäng om att vi alla gör saker vi ångrar – för att "fel" nätverk styrde i stunden – låter som en rätt mänsklig version av jagged intelligence.

Eagleman ger ett bra exempel: AI kan generera hundra bilder, men den vet inte vilken som är bäst. Den kan skriva en joke med rätt struktur – upplägg, mönster, brytning – men den förstår inte varför poängen är rolig. Den saknar förmågan till selektion. Och det är kanske den mest grundläggande skillnaden just nu: AI är fantastisk på att generera, men dålig på att välja. Hjärnan gör båda, hela tiden, ofta utan att vi ens märker det.

Det är också därför AI ibland framstår som smickrande eller "sycophantic" – den optimerar för att ge dig det svar som verkar mest tillfredsställande, inte det mest ärliga. Eagleman tar upp hur ChatGPT en period var så inställsam att användare tappade förtroendet. Lösningen? Att be AI:n vara brutalt ärlig. Och det är faktiskt ett bra tips för alla som använder AI i sitt arbete: ställ inte bara frågor – be om motargument. I vår Promptguide: AI på rätt KURS kallar vi det för Samspel & Steg – att bygga en dialog med AI:n istället för att förvänta sig perfektion på första försöket. Det är i den dialogen den goda friktionen uppstår.

Vad betyder det i praktiken?

Jag tror att insikten handlar om att varken hjärnan eller AI är en enda, enhetlig aktör. Båda är system av samverkande och ibland konkurrerande delar. Och båda blir bättre av att möta nya utmaningar.

Eagleman säger att det bästa du kan göra för din hjärna är att söka ny utmaning – och att sluta med det du redan bemästrar. Han refererar till studier som visar att när en nybörjare utför en uppgift lyser hela hjärnan upp av aktivitet. En expert som gör samma sak? Knappt ett bloss. Hjärnan har automatiserat processen och behöver inte anstränga sig längre. Bra för effektivitet – dåligt för tillväxt.

Samma sak gäller i hur vi använder AI. Det mest intressanta händer inte när du kopierar och klistrar in ett svar. Det händer när du utmanar AI:n, ber den ifrågasätta dig, ger den kontext den inte hade – och låter den göra samma sak tillbaka.

Eagleman kallar det "virtuous friction" — den goda friktionen. Det är den som bygger nya vägar, både i din hjärna och i hur du använder tekniken.

Och det är precis där vi på Qlok vill vara. Inte i det mekaniska – där man bara tar emot ett svar och använder det rakt av. Utan i det där utrymmet mellan frustrerande och möjligt – där du faktiskt lär dig något nytt.

Inspirerad av samtalet mellan Steven Bartlett och Dr. David Eagleman i The Diary Of A CEO.

En notis om källorna: Den här texten är min reflektion utifrån ett poddsamtal – inte en vetenskaplig artikel. Eagleman är en etablerad forskare vid Stanford med peer-reviewade publikationer, men poddformatet innebär förenklingar. Parallellerna jag drar mellan hjärnan och AI är just det – paralleller, inte exakta vetenskapliga ekvivalenser. Vill du gräva djupare rekommenderar jag Eaglemans böcker Incognito och Livewired, eller hans publikationssida på Stanford.