SRP: Kunstig intelligens i teori og litteratur og "Drømmer androider om elektriske får?"

Side 1

Kunstig intelligens i teori og litteratur

Matematik A

Dansk A

Side 2

| Side 2 af 31

Abstract

This study examines artificial intelligence in theory and literature. It will describe how the mathematics behind the theory of artificial neural networks works. This will include a detailed description of the back-propagation procedure. These analyses will lead to a discussion of which possibilities and limitations which are connected with the development of the neural network. To clarify how artificial intelligence has affected the science fiction genre, this study will analyse the novel of Philip K. Dick’s called “Drømmer androider om elektriske får?” to determine the relationship between androids and humans, as well in which way the androids are different from humans. This study concludes that intelligence is something which characterises us as human beings. If we want to make a humanlike android, we will be forced to consider if the artificial intelligence can include every aspect of the human intelligence. This is a subjective question that each person has to consider, because your defining of the human being is based on this consideration.

Side 3

| Side 3 af 31

Indholdsfortegnelse

Abstract ......................................................................................................................................... 2

....................................................................................................................................................... 3

1.1 Indledning ............................................................................................................................... 4

2.1 Introduktion til det neurale netværk ........................................................................................ 5

2.2 Historie ................................................................................................................................ 5

3.1 Det neurale netværks funktionsmåde ...................................................................................... 7

3.2 Hopfield modellen .............................................................................................................. 8

3.3 Feed-Forward netværk ...................................................................................................... 10

3.3.1 Enkelt lags Feed-Forward netværk ............................................................................ 10

3.3.2 Multi lags Feed-Forward netværk .............................................................................. 11

4.1 Back-propagation .................................................................................................................. 13

4.2 Sigmoid aktiveringsfunktionen ......................................................................................... 14

4.3 Brug af sigmoid aktiveringsfunktionen i back-propagation ............................................. 15

4.4 Indlæringsraten ................................................................................................................. 16

5.1 Det neurale netværks muligheder og begrænsninger ............................................................ 18

6.1 Analyse af ”Drømmer Androider om elektriske får?” .......................................................... 20

6.2 Forholdet mellem menneske og androide ......................................................................... 21

6.4 Karakteristik af centrale romanfigurer .............................................................................. 24

6.4.1 Rick Deckard ............................................................................................................. 24

6.4.2 John Isidore ................................................................................................................ 24

6.4.3 Rachael Rosen og androiderne generelt ..................................................................... 25

6.5 Romanens holdning til fremtidens teknologi og samfund ................................................ 26

7.1 Konklusion ............................................................................................................................ 28

8.1 Litteraturliste ......................................................................................................................... 30

8.2 Bøger og kompendier ........................................................................................................ 30

9.3 Internetsider ...................................................................................................................... 30

Side 4

| Side 4 af 31

1.1 Indledning

Udvikling er det ord, der bedst beskriver den verden, vi lever i. Verden udvikler sig hele tiden som et resultat af, at mennesket hele tiden søger efter en dybere indsigt i, hvordan verdensbilledet hænger sammen. Kunstig intelligens er et eksempel på, hvordan udviklingen påvirker vores verdensbillede. For 50 år siden var man lige ved at kassere teknologien bag den kunstige intelligens, men siden er teknologien blevet udviklet på sådan en måde, at man ubevidst møder teknologien konstant i hverdagen. Det er det, denne opgave vil handle om: hvordan man i dag kan beskrive kunstig intelligens i teori og litteratur.

Denne opgave vil belyse det neurale netværks funktionsmåde samt diskutere det neurale netværks muligheder og begrænsninger. I særlig grad vil der i særlig grad blive redegjort for matematikken bag back-propagation proceduren. For at belyse hvordan kunstig intelligens fremtræder i litteraturen, vil Philip K. Dicks roman ”Drømmer androider om elektriske får?”

blive analyseret med henblik på forholdet mellem menneske og androider (robotter med kunstig intelligens), herunder vil der blive redegjort for romanens handling og skrivemåde. Endvidere angiver jeg en karakteristik af centrale romanfigurer med henblik på at bestemme forskellen på menneske og androide. Opgaven vil desuden diskutere romanens holdning til fremtidens teknologi og samfund og samtidig vurdere science fiction genrens muligheder og begrænsninger.

I kapitel 2 vil jeg starte med at introducere det neurale netværk ved at redegøre for historien bag denne. Videre i kapitel 3 vil jeg beskrive matematisk ,hvordan det neurale netværk fungerer med fokus på Hopfield modellen og feed-forward netværk. Efterfølgende i kapitel 5 vil jeg redegøre for matematikken bag back-propagation proceduren med henblik på at bestemme, hvordan man manuelt kan beregne udviklingen i forskellige lag gennem netværket. I kapitel 6 vil jeg analysere romanen ”Drømmer androider om elektriske får?” for at belyse forholdet mellem androide og menneske for samtidig at bestemme forskellen mellem disse. I kapitel 7 vil jeg konkludere på, hvad jeg har opnået ved denne opgave om kunstig intelligens i teori og litteratur.

Denne opgave er baseret dels på litteratur i form af en roman men også forskellige lærebøger om det neurale netværk. Supplerende til disse er der anvendt en række internetbaserede kilder.

Afslutningsvis skal det nævnes, at denne opgaves noteapparat fungerer ved, at der i litteraturlisten vil være en forkortelse til hver kilde, angivet som […], denne forkortelse er den som jeg efterfølgende vil anvende i opgavens forskellige fodnoter.

Side 5

| Side 5 af 31

2.1 Introduktion til det neurale netværk

Forskere ved i dag meget om den menneskelige hjerne. Man ved, at hjernen består af et gigantisk netværk af neuroner. Hver af disse neuroner har adskillige dendritter, der modtager informationer fra andre neuroner. Neuronen kan så bestemme, om den skal videregive et signal eller ej. Dette netværk af neuroner er, hvad vi kalder for, et neuralt netværk og det er dette, man efterligner, når man prøver at skabe kunstig intelligens.

Denne form for kunstig intelligens er noget, man i videnskaben stræber efter at udvikle, da denne i forhold til den almene computerteknologi, kan lære af sine fejl. Med det forstås der, at et neuralt netværk ikke nødvendigvis kræver en kompleks indlæringsfase, men er i stand til induktion, dvs. slutte fra det almene til det generelle.

2.2 Historie

Forskningen indenfor kunstig intelligens startede i 1940’erne, da neurofysiologen Warren S.

McCulloch og matematikeren Walter Pitts publicerede deres banebrydende afhandling ”A logical calculus of the ideas immanent in nervous activity”. Denne afhandling viste, at man ved hjælp af matematik og algoritmer var i stand til at konstruere et neuralt netværk, der efterlignede dele af hjernens neurale netværk. Gennem deres forsøg viste de, hvordan disse simple neurale netværk kunne udføre forskellige former for databehandling. Denne afhandling vakte megen debat og interessen for det kunstige neurale netværk accelererede.

I 1949 introducerede Donald Hebb en måde, hvorpå man kunne træne de neurale netværk. Han var her inspireret af den kendsgerning, at den menneskelige hjerne hele tiden ændrer sig. Hans idé byggede på, at hvis en enhed modtager et input fra en anden enhed og de begge er meget aktive, bør forbindelsen mellem dem styrkes. Dette ville medføre, at netværket ville tilpasse sig og derved gradvist blive mere og mere præcist, dvs. at netværket kunne oplæres.

Det bedst kendte arbejde på træning af et neuralt netværk kom fra Frank Rosenblatt i 1962. Han simulerede et simpelt neuralt netværk på en computer, som blev udviklet til indlæring. Han kaldte dette for perceptroner, som efter hans mening var en simplificeret model af det neurale netværk. I hans model foregik træningen af netværket ved hjælp af neuronernes indbyrdes styrke i forhold til hinanden. Måden, hvorpå han trænede netværket, var så ved at ændre på synapsestyrkerne, således at netværket gav det rigtige svar.

I 1969 blev denne måde, hvorpå Frank Rosenblatt trænede de neurale netværk, analyseret og kritiseret af Marvin Minsky og Seymore Papert. De udgav en bog, hvori de beskrev hvilke

Side 6

| Side 6 af 31 svagheder, det neurale netværk havde. Det viste sig, at selvom det neurale netværk kunne løse mange matematiske problemer, stod netværket af, når det skulle løse simple logiske problemer.

De beskrev, hvordan Rosenblatts model ikke kunne klare en såkaldt XOR logisk operation.

Denne operation handler om at kunne skelne noget, der er forskelligt fra noget andet. Det var dog ikke kun på dette punkt, at det neurale netværk viste svagheder. Den føromtalte indlæringsproces, som Donald Hebb fremviste, viste sig også at være problematisk. Hvis antallet af input steg, ville tiden, det ville tage at træne det neurale netværk, stige kraftigt og det ville derved give en grænse for, hvor effektivt et neuralt netværk kunne løse en opgave med mange input. Opdagelsen af disse problemer gjorde, at forskerne mistede interessen for de neurale netværk, da det for dem virkede umuligt at udvikle et netværk, der ville være i stand til at komme tættere på menneskets intelligens.

Da computerteknologien senere blev mere udbredt, fandt man ud af, at løbet ikke var helt kørt alligevel. Man kom frem til, at problemet med at løse eksempelvis XOR logiske operationer kunne løses ved at indlægge et eller flere skjulte lag mellem neuronerne. Dette gjorde de neurale netværk i stand til at løse meget mere komplicerede samt logiske opgaver i forhold til den model, der kun bestod af et input og et output lag. Hvordan dette fungerer og hvordan matematikken bag det ser ud, er det som denne opgave vil belyse.

Side 7

| Side 7 af 31

3.1 Det neurale netværks funktionsmåde

Når man taler om kunstig intelligens, er det værd at bemærke, at der i dag er to former for kunstig intelligens. Man skelner mellem en ’klassisk’ og en ’moderne’ kunstig intelligens. Den klassiske intelligens bliver konstrueret som en traditionel computer, hvor alle regler og sammenhænge indprogrammeres på forhånd. I den ’moderne’ eller ’konnektionistiske’ opfattelse af det neurale netværk, prøver man på at efterligne det netværk, som er i den menneskelige hjerne. Dette medvirker, at man får konstrueret et netværk, der kan lære af dets erfaring. Denne moderne opfattelse af den kunstige intelligens er den, hvis funktionsmåde vi i denne opgave vil undersøge.

For at beskrive kunstige neurale netværks virkemåde tager vi først udgangspunkt i den enkelte neuron. Denne neuron i det kunstige neurale netværk minder meget om den biologiske neuron i dens virkemåde. Man kan betragte neuronen som en individuel beregningsenhed, der udfører forskellige beregninger på de forskellige input, som den modtager. Denne individualitet ophører ligeså snart, man sætter neuronerne sammen i et netværk, hvor neuronerne modtager værdier fra hinanden, som den behandler og igen sender videre til en anden neuron.

                               1
Figur 3.1.1: figur over kunstig neuron

Som figur 3.1.1 viser, får den kunstige neuron et input i form af en m-dimentionel vektor, givet

ved x_{1}, xx_{2}..._{m}. For hvert af disse input er der en tilhørende synapsestyrke eller, som det også er
kaldet, en vægt. På figuren er denne vægt kaldt for w. b_{k} er en tærskel (også kaldet bias) som er

med til at bestemme hvornår og hvad neuronen skal give som output. Sumfunktionen i midten

af figuren har til opgave at summere alle inputtene og derefter sende en værdi, v_{k} videre til

aktiveringsfunktionen, som på denne figur er betegnet som ⋅. Aktiveringsfunktionen

( ) ϕ bestemmer om, neuronen skal fyre eller ej.

For at beskrive hvordan det neurale netværk fungerer, bliver vi nødt til at undersøge, hvordan neuronerne bliver forbundet med hinanden, hvordan de kommunikerer, hvilke problemer de kan løse og ikke mindst, hvilke begrænsninger de har. Netværket kan ikke i sig selv lave brugbare beregninger, men hvis man oplærer dem ved forskellige metoder, kan man få de neurale netværk til at udføre næsten alt.

1

Lånt fra [Thinkquest, HOME], under kunstige NN

Side 8

| Side 8 af 31

Når man snakker om forskellige læringsmodeller, skelner man mellem to typer: en overvåget og en ikke-overvåget læringstype. Med en overvåget indlæringstype forstås der, at det neurale netværk kræver en form for lærer, dvs. en ekstern instans, der kan ordne inputtet til netværket således, at det giver et korrekt svar. Dette betyder, at netværket ikke kan ’tænke’ selv, men det er derimod en instans udenfor netværket, der bestemmer hvilken ’adfærd’, netværket skal have.

En ikke overvåget læringsform er det tilfælde, hvor denne ’lærer’ ikke er tilstedeværende.

Netværket ’opdager’ selv sammenhængen mellem de input netværket bliver fodret med. Dette er et induktivt netværk, der fra en given sammenhæng kan slutte sig til det generelle.

3.2 Hopfield modellen

Hopfield modellen er et eksempel på, hvordan disse neuroner kan forbindes i et netværk. Dette netværk er et feed-back netværk, hvor signalerne kan gå frem og tilbage mellem neuronerne.

Det karakteristiske ved dette netværk er, at alle neuroner både er input- og outputneuroner. I denne model er aktiveringsværdierne binære. Oprindeligt valgte Hopfield værdierne 1 og 0,

men senere har man fundet ud af, at man med fordel kan bruge værdierne +1 og -1 i stedet for.

Figur 3.2.1 viser tydeligt, at alle neuronerne bliver forbundet med hinanden, således at alle neuroner både er in- og output. Hvis man giver et Hopfield netværk et inputmønster, vil neuronerne gentagende gange sende signaler frem og tilbage mellem hinanden og henholdsvis tænde og slukke hverandre. Netværket vil så arbejde sig imod en tilstand, hvor et egentligt mønster af tændte og slukkede neuroner er givet. Man kan forestille sig, at netværket henholdsvis tænder og slukker i impulser og en sådan impuls er en tidsperiode. Hvis man forestiller sig, at netværket er en skål, hvori der triller en kugle, vil netværket tænde og slukke, indtil et kuglen ligger stille på et bestemt sted, hvilket svarer til, at netværket har fundet sig et stabilt mønster.

                                              2
Figur 3.2.1: Forbindelse af neuroner i Hopfield modellen

Vi vil nu se på matematikken bag denne model [3].

Tilstanden af systemet er givet ved aktiveringsværdierne yy= . Nettoinputtet st+ 1 af
                                                                    k

( )_{k} ( )
en neuron k i kredsløbet 1t + er en vægtet sum:
s t y t w ( ) ( ) + = +
k j jk k^{1.} ∑_{jk}_{≠}

θ

(3.2.1)

2

Lånt fra [Introduction to Neural Networks, PDF] side 51, figur 5.5

3

Gennemgang inspireret af [Introduction to Neural Networks, PDF], side 51

Side 9

| Side 9 af 31

En simpel tærskel funktion anvendes i nettoinputtet for at opnå den nye aktiveringsværdi

yt+ ( ) 1
 i

i tiden 1t +:

       ⎪
y t s t U ( ) + = − + 〈 1 1 hvis 1 ( )
       ⎪

⎧ + + 〉 1 hvis 1 s t U ( )
          kk

y t s t U ( ) ( ) hvis 1 +=

k k k k k k

⎨

⎩

(3.2.2)

Vi vælger her at U = 0 , denne tærskelværdi behøver ikke at være nul, men for
              k

overskuelighedens skyld vælger vi denne værdi. Dette vil sige at y t s t+ = + 1 sgn 1 . En
                                                      kk

( ) ( ) ( ) neuron k er nu stabil til tiden t, hvis, i overensstemmelse med ligning (3.2.1) og (3.2.2),:

y t s t=− ( ) ( ) sgn 1 ( )

kk

. (3.2.3)

Som før omtalt gælder det i Hopfield modellen om at finde en stabil tilstand. En tilstand er stabil, hvis alle neuronerne i et netværk i samme tilstand er stabile. Vi antager nu, at vægtene mellem to neuroner er ens, da neuronerne kan sende signaler både frem og tilbage indbyrdes,

således at ww=   . Måden hvorpå systemet opfører sig, kan nu beskrives ved følgende
           jk kj

energifunktion:

netværk j k jk k k^{1}_{2_{yk}_{≠}} ∑∑ ∑

E y y w y = − −. (3.2.4)

k θ

Vi vil nu vise, at et netværk, hvor neuronerne bliver ændret i overensstemmelse med ligning

(3.2.1) og (3.2.2) og hvor ww= , altid bevæger sig mod en stabil tilstand, da det har stabile
                       jk kj

grænseværdier.

Vi bemærker først, at ligning (3.2.4) har en nedre grænse, da_{k} w_{jk} og er konstante og y_{k}

θ ligeledes har en nedre grænse og at netværkets energi er monotont aftagende, når tilstandsændringerne sker, da:

netværk k j jk k^{⎛⎞}_{⎝⎠} ∑_{jk}_{≠}

Δ = −Δ + E y y w (3.2.5)

θ

⎜⎟

altid er negativ når y_{k} ændres ifølge ligningerne (3.2.1) og (3.2.2). Da vil netværket altid gå

mod en stabil tilstand, fordi man altid vil kunne finde aktiveringsværdier, der er konstante. Her

ses det, hvorfor det var fordelagtigt at vælge 1/ 1+− modellen frem for 1/ 0 modellen, da
1/ 1+− modellen er symmetrisk. Dette bevirker, at man netop altid vil opnå et resultat, hvor
værdierne er stabile. Ved 1/ 0 ville vi ikke opnå denne samme fordel, da f.eks. mønstret

00…00 altid vil være stabil, mens 11…11 ikke nødvendigvis er det.

Side 10

| Side 10 af 31

Denne form for netværk er velegnet til opgaver som mønstergenkendelse og associativ hukommelse. Eksempelvis kan vi have et netværk, der har fået indlært et mønster af tændte og slukkede neuroner. Hvis man fodrer dette netværk med input, som har en ufuldstændig eller til en vis grad fejlagtig kopi af dette mønster, vil netværket kunne genkende dette mønster og derefter skabe det korrekte mønster og videresende dette mønster som output. Hvis dette input er tilstrækkeligt fejlagtigt, kan man komme i en situation, hvor det output, man får, ikke er helt, som man kan ønske. Dette kender vi også fra vores hverdag: hvis man eksempelvis ser et ottekantet tårn på afstand, vil hjernens netværk frembringe et output, der får observatøren til at opleve at tårnet er rundt, men efterhånden som man nærmer sig tårnet, dvs. at netværket får et bedre inputmønster, vil observatøren pludselig opleve, at den egentlige form af det ottekantede

tårn genkendes^{4}.

3.3 Feed-Forward netværk

Et Feed-forward netværk er et netværk af neuroner, der kun sender data fremad i systemet, i modsætning til Hopfield modellen, der både sender data frem, tilbage og ind i mellem hinanden. Netværket, der er bygget op om denne model, består af en række input, hvis eneste rolle er at sende data videre frem i systemet. Til hver forbindelse er der en tilhørende vægt, hvis opgave er at påvirke netværket i en retning, så netværket kan give et korrekt output. I output laget bliver det færdige data aflæst. I et feed-forward netværk kan der være flere lag mellem in-og output. Disse lag bliver kaldt for skjulte lag. Hvis der i netværket ikke er nogle skjulte lag, kalder man netværket for ’enkel lags feed-forward netværk’ og hvis der er en eller flere skjulte lag, kalder man netværket for ’multi lags feed-forward netværk’. Et karakteristisk træk ved feed-forward netværket er, at de forskellige neuroner i et givent lag kun har forbindelse til det lag, der er umiddelbart under og det, der er lige over. Neuronerne har ikke forbindelser på kryds af lagene, som vi f.eks. ser det ved Hopfield modellen.

3.3.1 Enkelt lags Feed-Forward netværk

I denne slags netværk er der et input og et output lag. Imellem disse lag er der en række vægte, der bestemmer, hvilket output netværket skal give. Denne form for netværk er meget simple, men stadig er de i stand til at løse mange opgaver, men som vi skal se, har det også sine begrænsninger. Nedenfor ses en figur af sådan et netværk.

4

Eksempel lånt fra [Neurale netværks virkemåde, note] side 14-15

Side 11

| Side 11 af 31

                              5
Figur 3.3.1: et lags feedback netværk

Vi vil nu se på hvordan man ved en given inputværdi kan beregne sig frem til et output:

j jk k ∑_{k}

h w i= (3.3.1)

Vi ser her, at hvis vi ønsker at udregne det summerede output h_{j} fra input neuronen k, skal man

summere vægten mellem inputneuronen k og outputneuronen j ganget med inputneuron k. Hvis man ønsker at finde det samlede output, bliver vi nødt til at koble denne med en aktiveringsfunktion. Dette er en funktion, der bestemmer om en neuron skal fyre (dvs. sende et signal videre) eller ej. Der er forskellige typer af aktiveringsfunktioner. Senere i afsnit 4.2 vil Sigmoid aktiveringsfunktionen blive forklaret nærmere. For at opstille et generelt udtryk for beregning af outputværdier, kalder vi her aktiveringsfunktionen gh. Udtrykket kommer nu

( )_{k}

til at se således ud, når det bliver kombineret med ligning (3.3.1):

( )^{⎛⎞}_{⎝⎠}

 ==
j j jk k ∑

⎜⎟_{k}

O g h g w i (3.3.2)

6

Denne simple form for et neuralt netværk kan løse mange forskellige problemer. Det er dog ikke bæredygtigt nok, som før omtalt kan et sådan netværk ikke løse XOR problemet. For eksempelvis at løse et sådant problem og gøre det neurale netværk i stand til at løse flere problemer, bliver man nødt til at indlægge et eller flere skjulte lag.

3.3.2 Multi lags Feed-Forward netværk

Et multi lags feed-forward netværk består, ligesom enkelt lags netværket, af et sæt output neuroner og et sæt input neuroner. Det karakteristiske ved dette netværk er så, at der mellem disse lag af neuroner befinder sig det, som vi kalder for skjulte neuroner. Der kan være op til flere af disse, men den mest brugte arkitektur er den, hvor der blot er et enkelt skjult lag af skjulte neuroner mellem in- og outputtet.

                                 7
Figur 3.3.2: 2-lags feed-forward netværk

Som det tydelig ses på figur 3.3.2, har de skjulte neuroner ingen forbindelse med omverden, da de hverken kan være input eller output neuroner. Det er derfor, vi kalder disse for skjulte. Den arkitektur, der vises på figur 3.3.2, er som sagt den mest brugte.

5

Lånt fra: http://www.psypress.com/groome/figures/fig%2012.6.jpg

6

Inspireret af [thinkquest, HOME]

8

Lånt fra [Neurale Netværk, PDF], side 17, figur 7

Side 12

| Side 12 af 31

Hvis man skal lave udregninger med sådan et netværk, kan man gøre det på to forskellige måder. Man kan gøre det med en forward propagation, der er den direkte måde, hvor man ved et givet input og netværkets nuværende vægte beregner et output. Den anden metode kaldes for back-propagation. Matematikken bag denne indlæringsalgoritme vil bliver forklaret i detaljer i afsnit 4.1.

Den omtalte forward propagation fungerer ved, at algoritmen udregner det samlede input for hver neuron i et lag, startende med det skjulte lag. Dette samlede input bliver siden sendt igennem en aktiveringsfunktion, og resultatet af dette bruges til at beregne det samlede input til neuroner i det næste lag. Grunden til at inputværdierne ikke sendes direkte gennem en aktiverings funktion er, at de skal betragtes som resultater fra et tidligere lag. I ligning (3.3.4) er

a_{j} aktiveringsværdien til neuronen. Formelen kan bruges til beregninger i alle lag, men ved

inputlaget, skal aktiveringsværdien blot være det givne input.

i ji j ∑_{j}

IN w a= (3.3.3)

8

Som vi her ser, er den samlede inputværdi til neuronen i en sum af alle vægtene til neuronen ganget med dens aktiveringsværdi. Efter at det samlede input er beregnet for alle neuroner i et lag, sendes alle værdierne, hver især, gennem en aktiveringsfunktion, der f.eks. kunne være en sigmoid-aktiveringsfunktion eller en tresholdaktiveringsfunktion. Outputtet af aktiveringsfunktionen bruges nu som input for at beregne det samlede input til neuronerne i det næste lag. Når værdierne i det sidste lag har været igennem aktiveringsfunktionen, er det det reelle output af forward propagation algoritmen. Det er således disse værdier, som man bruger som output fra netværket.

8

[Neurale Netværk, PDF] side 18

Side 13

| Side 13 af 31

4.1 Back-propagation

Back-propagation algoritmen er en meget anvendt metode til en lang række opgaver. Metoden er bl.a. meget god til at genkende mønstre i et givent input. Selve metoden kan inddeles i to faser: først en fase hvor der sker en fremadgående beregning i netværket og derefter en fase med en tilbagegående beregning. Når netværket bliver trænet, sker det ved, at man har et givet sæt in- og output, som man præsenterer for netværket. Når man træner et sådant netværk, der typisk er et feed-forward netværk med et eller flere skjulte lag, har man et gruppe inputneuroner, der hver i sær bliver sat lig en dataværdi i inputmønstret. Man beregner sig nu fremad gennem de forskellige lag, hvor man til sidst når frem til et beregnet output. Dette er den første fase i metoden, da man herefter beregner hvor meget, det beregnede output afviger fra det ønskede. Denne afvigelse betegner man som en fejlrate, som bliver sendt tilbage igennem netværket for at ændre på netværkets vægte, således at man går mod en tilstand, hvor fejlværdien er tilstrækkelig lille, hvilket medfører, at netværket kan genkende alle de givne træningsmønstre.

Resultatet af denne træning er, at efterhånden som netværket trænes, vil neuronerne i det skjulte lag organisere sig således, at forskellige neuroner lærer at genkende forskellige mønstre i det totale input. Dette medvirker, at selv efter træningen er fuldendt, vil netværket være i stand til at genkende mange mønstre, endda mønstre som netværket ikke har været præsenteret for under træningen.

Hvordan dette sker matematisk, vil vi nu gennemgå [9].

Figur 4.1.1: 2 lags netværk med 4 input og 3 output neuroner

Vi forestiller os nu et netværk, der er bygget op som figur 4.1.1. Vi ønsker nu at anvende back-propagation proceduren til at træne netværket. Man skal så først beregne outputværdierne for neuronerne i det skjulte lag, for derefter at beregne outputværdierne i outputlaget.

Formlen for beregning af output for neuronerne i det skjulte lag ser således ud:

( )

 =⋅
j ji i ∑

H w I (4.1.1) σ

Vi ser her at H_{j} er neuron j i det skjulte lag. Hvis man ønsker at beregne denne, skal man tage

en vægtet summering over den enkelte neurons input. w_{ji} er vægten fra neuron j i det skjulte

9

Inspireret af [Træning af KNN, PDF]

Side 14

| Side 14 af 31

lag til neuron i i input laget. I_{i} er outputtet fra neuron i i inputlaget. Resultatet af denne

vægtede summering bliver brugt som input i en aktiveringsfunktion, σ

. Dvs. at denne formel gør det muligt at beregne outputværdierne for alle neuroner i det skjulte lag.

Formlen for at beregne outputværdierne for alle neuroner i outputlaget, O_{o}, ser således ud:

( )

 =⋅
o jo j ∑

O w H (4.1.2) σ

Dette er grundæggende den samme formel som (4.1.1), men her er vægten w_{jo} i stedet for

vægten fra outputneuron o til den skjulte neuron j. H_{j} er jo outputtet fra den skjulte neuron j,

som vi beregnede i formel (4.1.1). Når man har ladet et datasæt løbe igennem netværket og det er blevet beregnet med formel (4.1.1) og (4.1.2), er det næste trin nu at beregne fejlen over netværket:

      1
E D O=−  ( )

2

netværk o o_{2} ∑

(4.1.3)

Her er D_{o} den forventede værdi til output neuron o, tilhørende til det oprindelige input sæt. Når

der ændres på netværkets vægte, beregner man fejlen over hver enkel neuron i de to beregnings lag (det skjulte lag og output lag) først. Dette giver grundlag for, hvor meget vægtene skal ændres. Formlen, der beskriver ændringen over outputneuronerne, ser således ud:

Δ = ⋅ out Err IN ' ( )
   oo

σ

(4.1.4)

Hvor Err_{o} er fejlen udregnet som forskellen mellem outputneuronens beregnede O værdi og
( )_{o}

den ønskede D. Dvs. at:

( )_{o}

o o o

Err D O=− (4.1.5)

' IN ( ) σ er den afledte til aktiveringsfunktionen taget til IN, hvis beregning er vist i formel

(3.3.3).

4.2 Sigmoid aktiveringsfunktionen

I et netværk, hvor man anvender back-propagation, benytter man sig ofte af sigmoid aktiveringsfunktionen. Det specielle ved denne aktiveringsfunktion er, at denne ikke er lineær.

Hvis den var lineær, ville man risikere, at netværket ikke ville være i stand til at ’huske’ de nye algoritmer, som netværket laver, mens den uddannes. At aktiveringsfunktionen har denne u-linearitet, gør den meget velegnet til back-propagation proceduren. Selve funktionen er en logistisk funktion, der ser således ud:

Side 15

| Side 15 af 31

( ) v =
    1 +

e^{( )}^{−}^{av}

1 σ

(4.2.1)

Det, at den er logistisk, gør, at overgangen fra hvornår en neuron fyrer eller ikke fyrer, er en blød overgang. Det medvirker også, at grafen for funktionen er differentiabel, hvilket vil vise sig at være nyttigt, når vi skal bruge den i back-propagation proceduren. Grafen for sigmoidaktiveringsfunktionen ser således ud:

                                 10
Figur 4.2.1: Sigmoid aktiveringsfunktion

Hvis vi ser på funktionsudtrykket for denne aktiveringsfunktion, betegner a hvor blød eller hård overgangen fra, hvornår neuronen fyrer eller ikke fyrer. Hvis grafen bliver tilstrækkelig hård, er det værd at bemærke, at aktiveringsfunktionen kommer til at ligne den generelle tærskelfunktion, hvor neuronen enten fyrer eller ikke gør. Efterfølgende vil vi blot betegne sigmoid aktiveringsfunktionen som sig.

4.3 Brug af sigmoid aktiveringsfunktionen i back-propagation

Den måde, hvorpå sigmoid aktiveringsfunktionen bliver brugt i back-propagation proceduren, kan beskrives på følgende måde:

'1IN sig IN sig IN ( ) ( ) ( ) = ⋅ − ( )

0 0 0 σ

(4.3.1)

Hvor sig IN er den aktuelle neurons output og vi kan nu omskrive udtrykket:

( )_{0}

'1 ( ) ( ) IN O O = ⋅ −
   0   oo

σ

(4.3.2)

Ved at indsætte formel (4.1.5) og (4.3.2) i formel (4.1.4), kommer udtrykket til at se således ud:

out D O O OΔ = − ⋅ ⋅ − ( ) ( ) 1

o o o o o

(4.3.3)

Denne kan nu bruges som et led i beregningen af ændringen over den skjulte neuron. I udtrykket til denne beregning skal vi også have et led, der beskriver fejlen over outputneuronen, da hver skjult neuron bidrager med en mindre del til fejlen over outputneuronerne. Udtrykket ser således ud:

( ) ( )

j j jo o^{'} ∑

Δ = ⋅ ⋅ Δ hid IN w out (4.3.4)

σ

( )

' IN_{j} er i dette tilfælde den afledte funktion af den før omtalte sigmoidfunktion over den

σ skjulte neuron j, hvilket giver foranledning til følgende omskrivning:

( ) ( )

j j j jo o^{1} ∑

hid H H w outΔ = ⋅ − ⋅ ⋅ Δ (4.3.5)

10

Fra [Neural networks, 1994] side 89, diagram 6.7

Side 16

| Side 16 af 31

Deltaværdien for en neuron indgår i det udtryk, der beregner ændringen i den enkelte neurons vægte, men før vi kan udlede disse vægte, bliver vi nødt til først at introducere begrebet indlæringsrate.

4.4 Indlæringsraten

Indlæringsraten, der indgår i deltareglen, er et udtryk for hvor meget, vi ønsker, algoritmen skal mindske en given fejl i et netværk. Indlæringsraten betegner vi her med α

, dette er et tal der sættes mellem 0 og 1. Man stræber efter at have en så høj indlæringsrate som muligt, men hvis indlæringsraten er for høj, kan det resultere i, at netværket skal bruge længere tid på at mindske en given problemstilling, mens en lav indlæringsrate kan resultere i, at algoritmen kredser om den optimale løsning uden at ramme den. I det værste tilfælde kan netværket sidde fast i et lokalt minimum. Hvis man betragter netværkets mulige fejl som en ujævn overflade, leder netværket, når det bliver trænet med deltareglen, efter det laveste punkt på en ukendt overflade.

Hvis indlæringsraten så er for lav, vil netværket ende med at finde et lavt punkt på overfladen, som ikke er det globale minima og give dette som output. Dette vil naturligvis ende med, at netværket ikke giver et korrekt resultat.

Nu, hvor vi har defineret indlæringsraten, kan vi opstille udtrykket for ændringen i vægtene mellem en neuron j i det skjulte lag og neuron o i outputlaget:

w w h out ' = + ⋅ ⋅Δ (4.4.1)

jo jo j o α

Ligeledes kan udtrykket for ændringen i vægtene mellem en skjult neuron k og en inputneuron i skrives som:

w w I hid ' = + ⋅ ⋅ Δ (4.4.1)

ij ij i j α

Denne række af udtryk gør det altså muligt manuelt at beregne, hvordan back-propagation proceduren forløber. For at opsummere kan følgende ’opskrift’ opstilles [11]:

1. Vælg et passende in- og output sæt

2. Præsenter netværkets inputneuroner for inputdataet.

3. Lad værdierne fra inputneuronerne passere gennem netværket og frem til outputneuronerne.

4. Sammenlign det fremkomne output med det ønskede, hvis fejlen er acceptabel, så stop her ellers fortsæt.

11

Lånt fra [Træning af KNN, PDF]

Side 17

| Side 17 af 31

5. Brug den generaliserede deltaregel til at ændre hver vægt i forhold til forskellen mellem det beregnede og det ønskede output over hver outputneuron.

6. Gentag denne procedure, indtil fejlen er acceptabel.

Vi har altså nu beskrevet hvordan back-propagation proceduren forløber.

Side 18

| Side 18 af 31

5.1 Det neurale netværks muligheder og begrænsninger

Vi har nu set på, hvordan det kunstige neurale netværk fungerer og vist, at netværket er en instans, som er i stand til at løse mange forskellige problemer.

Netværket gør det muligt at løse problemer, hvor man ikke har en matematisk formel eller lign., der beskriver, hvordan problemet skal løses. Netværket løser problemet ved at bruge en indlært algoritme, hvorefter netværket slutter sig til en generel regel, der gør det i stand til at løse problemer, som netværket aldrig har mødt før. Dette er ligeledes, hvad den menneskelige hjerne er i stand til.

Med udviklingen af det neurale netværk prøver vi at efterligne den menneskelige intelligens.

Hvis dette lykkes vil vi være i stand til at lave nøjagtige kopier af mennesket, men er dette realistisk? Kan man mekanisk skabe et menneske? Dette er der delte meninger om, da man bliver nødt til at definere, hvad menneskelig intelligens er, før man kan efterligne den. Hvis man definerer den menneskelige organisme som noget materielt, hvor alt kan beskrives ved matematiske sammenhænge, vil man nødvendigvis også kunne lave en kopi af denne. Dette sker i form af udviklingen af det neurale netværk. Men hvis man derimod opfatter intelligens som noget sjæleligt, der er med til at definere os som mennesker, er det ikke så lige til at skabe en kopi, da vi ikke endnu kan definere hvad det sjælelige egentlig er.

Allan M. Turing, udgav i 1950 værket ”Regnemaskiner og intelligens”. Han var matematikker og har haft en afgørende indflydelse på den moderne diskussion om kunstig intelligens. I hans udgivelse prøver han at svare på spørgsmålet, om en maskine kan tænke. For at redegøre for dette vanskelige spørgsmål fremlægger han en test, der senere er blevet døbt ”Turing-testen”.

Formålet med denne test er at afgøre, om en maskine er menneskelig intelligent. Turing gør dette uden egentlig at definere, hvad den menneskelige intelligens er for en størrelse. Testen går ud på, at en person 1 fjernkommunikerer med en anden person 2, hvorved at person 1 derfra skal kunne afgøre, om det er en maskine eller et menneske, personen kommunikerer med. Hvis en maskine er i stand til at svare således, at personen, maskinen kommunikerer med, tror, at maskinen er et menneske, må maskinen nødvendigvis kunne tænke som et menneske [12]. Dette synspunkt er der dog delte meninger om, f.eks. fremlagde John R. Searle i 1980 et eksempel

                         13
kaldet ”det kinesiske værelse” . Dette eksempel tager udgangspunkt i, hvordan en maskine,

eller et neuralt netværk bliver programmeret. Hans eksempel går ud på, at man skal forestille

12

Fra [Turing, 1950]

13

Fra [Searle, 1980]

Side 19

| Side 19 af 31 sig, at man er i et værelse, hvor der er en masse kurve med kinesiske tegn. Han går ud fra, at personen i værelset ikke forstår det kinesiske sprog. Personen i værelset får besked udefra om at række bestemte symboler ud. Dvs. at han arbejder under en ’input – output’ arbejdsform.

Spørgsmålet er nu, om denne person i værelset forstår kinesisk ligeså godt som en indfødt kineser? Selvfølgelig, fristes man til at sige, gør manden i værelset ikke det. Selvom han ved at række bestemte symboler ud af værelset kan svare på det input, han får, forstår han ikke meningen med disse. Hvis vi kombinerer dette med Turing-testen, vil man ikke kunne sige, at den maskine, der i Turing-testen bliver opfattet om en menneskelig person, er intelligent, men blot at maskinen viser et menneskeligt adfærd, baseret på det input maskinen får. Denne adfærd er derfor ikke et tegn på intelligens, men blot et tegn på at f.eks. et kunstigt neuralt netværk med stor præcision beskriver og ’opfører’ sig som et menneske uden reelt at ’føle’ noget.

Vi har nu fået indsigt i, hvordan det kunstige neurale netværk fungerer matematisk, men om denne matematiske model af den menneskelige hjerne vil føre til, at vi får lavet mekaniske kopier af mennesket, vil tiden vise. Man kan sige, at hvis dette skal lykkes, skal man være i stand til kunstigt at fremstille en bevidsthed, som mange mener, er grunden til, at mennesket er intelligent. Denne bevidsthed ville kunne gøre maskinen personlig eller menneskelig, men vil dette nogensinde lykkes, eller vil man som, Searle mener, bare få lavet en maskine, som via et input svarer med et output, uden at maskinen har samme følelsesmæssige forståelse af problemet? Når det kommer til dette punkt, bliver det neurale netværks muligheder begrænset, da vi med vores viden i dag ikke er i stand til at svare fyldestgørende på dette spørgsmål. Hvis vi alligevel ønsker at finde ud af, hvordan det neurale netværk kunne blive en del af vores samfund i form af menneskelige skikkelser, kaldet androider, må vi søge svar i science fiction genren. Denne genre har i lang tid beskrevet, hvordan et muligt fremtidigt samfund ville komme til at se ud, hvis det kunstige neurale netværk blev udviklet således, at man var i stand til at skabe en maskine med menneskelige egenskaber og intelligens.

Side 20

| Side 20 af 31

6.1 Analyse af ”Drømmer Androider om elektriske får?”

Romanen ’Drømmer Androider om elektriske får?’, skrevet af Philip K. Dick, er en science fiction roman. Handlingen udspiller sig i år 2021, hvor det radioaktive støvlag efter verdenskrig Terminus har kvalt næsten alt liv på jorden. De mennesker, der har vist sig som intelligente individer, er emigreret til kolonier på Mars, hvor de er blevet lovet et nyt liv. Jorden er blevet forvandlet til en ruin, hvor der udelukkende befinder sig mennesker, der er blevet kategoriseret som værende ikke værdige til det nye forbedrede liv på Mars. John Isidore er en speciel, dvs. en person der er blevet isoleret fra verdenshistorien fordi han ikke var egnet til det nye liv på Mars. Udover disse uintelligente mennesker er jorden blevet til et tilflugtssted for androider, der ikke kan affinde sig med at leve under menneskets befaling. Androiderne er blevet til et samfundsproblem og de bliver forsøgt holdt nede af forskellige prisjægere, der har til opgave at

’trække androiderne tilbage’, dvs. at slå dem ihjel. Rick Deckard er en prisjæger, endda en god en af slagsen. Sideløbende med sin karriere har han en stor passion for rigtige biologiske dyr.

Han vil ofre alt for at eje et. Dusørerne, han får efter at have slået en androide ihjel, bruger han til at finansiere indkøb af dyrene. En dag, hvor han har til opgave at trække syv androider tilbage, sker der noget skæbnesvangert for ham. Han får følelser for androiderne og sympatiserer med dem, hvilket får store konsekvenser for hans videre liv.

Romanen tager mange spørgsmål op, f.eks.: ”Hvornår er et menneske et menneske?” eller ”Kan androider gå hen og blive overmenneskelige?”. Romanen er skrevet på en sådan måde, at læseren ikke finder svar i selve handlingen. Spørgsmålene hober sig bare op i læserens sind, således at man selv bliver nødt til at tage stilling til, hvad det er, man mener. Romanen har et splittet handlingsforløb, hvor vi parallelt følger Rick Deckards jagt på androiderne og John Isidores ensomme liv, der brydes af androidernes indtog. I begge tilfælde er fortælleren en 3.

persons fortæller med en synsvinkel hos henholdsvis Rick Deckard og John Isidore, hvor vi får indblik i, hvad det er de to personer føler og mener. Dette gør, at læseren kan identificere sig med de personer, vi følger i romanen. På den måde kan læseren ligeledes tage stilling til de problemer, som personerne i romanen møder.

Romanen har et lineært tidsforløb, hvor vi igennem ca. et døgn følger personerne i deres søgen efter meningen med livet. I begge tilfælde følger vi udviklingen i forholdet mellem androider og mennesker. Forholdet er beskrevet på to vidt forskellige måder. Dette vil vi i afsnit 6.2 komme nærmere ind på.

Side 21

| Side 21 af 31

Måden, hvorpå historien er fortalt, er karakteriseret ved, at man får et klart billede af den verden, der beskrives. Dette opnår forfatteren ved indirekte at beskrive, hvordan bybilledet og samfundet ser ud. Læseren forestiller sig det samfund, der bliver beskrevet og kan på den måde tage stilling til og tænke over, hvordan fremtiden kunne komme til at se ud.

Historien udspiller sig i et samfund præget af konflikten mellem det materielle og det sjælelige.

Med det menes der, at det materielle, så som androider og kunstige dyr, er laverestående, mens det sjælelige, som mennesker og rigtige dyr, er hævet over alt andet. Menneskene bliver holdt sammen med en form for religion kaldet mercerismen. Denne ’religion’ knytter menneskene sammen, således at de kan dele deres følelser med hinanden. Det, at mennesket har følelser og er i stand til at dele dem med hinanden, er en vigtig del af samfundet, da man ikke regner androider for følelsesmæssige væsener. I denne analyse skal vi bl.a. se på, hvordan dette forhold mellem mennesker og androider udvikler sig gennem romanens handling.

6.2 Forholdet mellem menneske og androide

Rick Deckard lever af at skelne mennesker fra androider. Hans arbejde er dog blevet besværliggjort efter at Rosen-organisationen, der udvikler og producerer humanoide robotter, har lanceret en ny type af androider, nexus-6-modellen. Denne model er udviklet til at ligne menneskene mest muligt og på mange punkter er denne model næsten overmenneskelig. Rick Deckard identificerer disse androider ved en speciel test kaldet en Voigt-Kampff test. Denne test måler empatiændringen hos en given testperson. Empati er et udtryk for indlevelse og forståelse af andres følelsesmæssige situation, hvilket man ikke mener, androider er i stand til. I starten af romanen har Rick Deckard intet forhold til androiderne. Han ser dem som maskiner, der truer livet på jorden og de skal derfor ’trækkes tilbage’. Han har ingen følelsesmæssige kvaler med at dræbe disse maskiner, fordi han er afklaret med, at de aldrig bliver andet end maskiner. Derfor er det vigtigt for Rick Deckard at kunne skelne androiderne fra mennesket, da det er dét, der gør, at han kan retfærdiggøre sin profession. Hvis han ikke er i stand til at skelne mennesket fra androiden, kan han heller ikke skelne mellem, hvad der er rigtigt og hvad der er forkert. Hans jagt efter de 7 androider viser sig at blive til en jagt efter en mening i verden, en mening, som han i starten af romanen troede, han kendte, men som siden viser sig at være ugyldig.

Forholdet mellem androider og mennesker er romanens centrale omdrejningspunkt. I starten af romanen bygger Rick Deckards forhold til androider på had. Igennem romanen bliver hans forhold til androiderne udviklet, da han efter mødet med androiden Rachael Rosen indser, at

Side 22

| Side 22 af 31 man ikke bare kan skelne mellem maskine og menneske. Hun er baseret på den føromtalte nexus-6-model. Dette skal vise sig skæbnesvangert for Rick Deckard, da han udvikler et følelsesmæssigt forhold til hende. Dette vælter hans moralske korthus, da han ikke mere kan legalisere, det han gør. Han føler, at androiden er blevet menneskelig og han bliver stillet for overfor et dilemma, da han senere skal slå en androide ihjel, der er en nøjagtig kopi af Rachael.

Rachael siger i bogen: ”Ved De hvordan jeg føler det? Overfor denne Pris-androide?” Rick

svarer: ”Empati”^{14}. Rick Deckard har her fået besøg af androiden Rachael. Han realiserer at

Rachael har en empati følelse overfor Pris, der er en androide af samme model som Rachael.

Hun giver udtryk for at have en følelsesmæssig forståelse af Rick Deckards situation. Hun er klar over, at hvis hun begynder at holde af Rick Deckard, så vil han på et senere tidspunkt, blive nødt til at dræbe en nøjagtig kopi af hende. Hun sympatiserer med ham og vil beskytte ham, men hendes begær overvinder denne følelse: ”gå i seng med mig, så skal jeg trække

              15
Stratton tilbage” . Hun er desperat og er klar til at slå en af sine egne ihjel. Det eneste hun

ønsker er at elske med Rick Deckard.

Rick Deckard er splittet i to halvdele. Den ene elsker androiden Rachael, mens den anden prøver at holde fast i hans originale livsfilosofi. Han bukker under for presset. Han er blevet seksuelt forført af en androide. Det hele virker uvirkeligt for ham. Forholdet mellem androide og menneske har ændret sig fra at være et forhold baseret på had til et lidenskabeligt forhold, der vælter Rick Deckards korthus, da han nu ikke længere kan skelne mellem en uempatisk androide og et menneske. Dette betyder, at han ikke længere kan vide sig sikker på, om det, han gør, er det rigtige. Han er i et moralsk dilemma men fortsætter med sit arbejde, da han føler sig forpligtet til at beskytte den menneskelige eksistens.

Han drager videre og trækker de sidste androider tilbage, men da han har gjort dette, bliver han klar over, hvad det er, han har gjort. Han tager væk fra byen, hvor han er helt alene. Han er nedbrudt over, hvad han har gjort. Han er nået til et punkt, hvor han ikke følelsesmæssigt kan skelne mellem androide og menneske. Mens han befinder sig i det øde landskab, bliver han klar over, at han ikke mere er i stand til at se forskellen mellem det kunstige og det virkelige. Dette viser sig, da han ude i ødemarken finder, hvad han tror, er en rigtig levende frø. Det viser sig dog, at dette bare er endnu en kunstig fremstillet maskine, til hvilken han har knyttet et bånd.

Det materielle er blevet ukendeligt fra det sjælelige.

14

[Philip K. Dick, 1968], side 172, linje 3 – 5.

15

[Philip K. Dick, 1968], side 177, linje 17.

Side 23

| Side 23 af 31

John Isidore, som er den anden menneskelige skikkelse, vi følger gennem romanen, har et anderledes forhold til androiderne. Han bor helt alene i et kæmpemæssigt bygningskompleks og han møder androiderne, da de søger tilflugt i bygningen. Han møder først Pris Stratton, en kopi af Rachael, og da han finder ud af, at hun er en androide, bliver han hverken bange eller føler mistillid. Han har ikke den samme barriere overfor androiderne, som Rick Deckard har.

Grunden til dette er, at han har mistet tilliden til mennesket, efter at han er blevet stemplet som speciel og er blevet efterladt udenfor det menneskelige fællesskab. Han har ondt af androiderne, da han ikke kan se, hvorfor de ikke har lov til at være på jorden. Han mener, at de har ligeså meget ret til at være der som alle andre.

Siden kommer der to andre androider, som er Pris Strattons venner, og John Isidore tilbyder dem husly og beskyttelse. Han identificerer sig med androiderne, da de ligesom ham er alene og forhadte. Som historien udvikler sig, indser han ,at androiderne ikke føler det samme bånd til ham, som han føler til dem. Da han kommer til at lære androiderne mere og mere at kende, indser han, at han ikke er som dem, eller sagt på en anden måde, de er ikke som ham. ”John Isidore sagde: - jeg har fundet en edderkop (…) Jeg har aldrig set en edderkop, sagde Pris.

(…) Alle de ben. Hvorfor har den så mange ben, J.R.? (…) Pris klippede et af edderkoppens

ben af med saksen…”^{16}. John Isidore har her fundet en rigtig levende edderkop. Dette er noget

af en bedrift, da de regnedes for uddøde. Da han viser de andre androider den, bliver de forundrede over, hvorfor den har så mange ben og de beslutter sig for at klippe nogle af dem af.

John Isidore bliver ædt op indefra af raseri, da han har en stærk empatifølelse overfor det lille dyr. Han tager efter denne hændelse afstand til androiderne, deres forhold er slut. Han har indset, at de er nogle følelsesløse maskiner, som han ikke kan leve med. Efter denne episode viser han Rick Deckard, hvor androiderne befinder sig, således at han kan trække dem tilbage, slå dem ihjel.

Vi har nu set på to personer med to forskellige forhold til androider. Det ene forhold gik fra at være had til medfølelse, hvor det andet gik fra medfølelse til had. Dette er værd at bemærke, da man herved kan slutte at måden, hvorpå man tænker på androider eller kunstig intelligens, er en subjektiv opfattelse. Dette så vi også i afsnit 5.1, da det er op til en selv, hvordan man definere, hvad et menneske er og hvad det er, der gør det intelligent. Hvis mennesket defineres som en materialistisk skikkelse, vil enhver maskine ligeledes være menneskelig. Hvis vi derimod

16

[Philip K. Dick, 1968] side 186 - 187

Side 24

| Side 24 af 31 opfatter mennesket som en sjælelig mekanisme, kan vi ikke lave en kopi af denne, da der ikke er nogen, der ved, hvad denne sjælelige mekanisme betyder for mennesket. Dette bevirker, at forholdet mellem mennesker og androider altid vil være forskelligt fra person til person.

6.4 Karakteristik af centrale romanfigurer

Som det tidligere er blevet gjort klart, har romanen op til flere centrale figurer. Jeg vil nu karakterisere disse med henblik på deres individuelle udvikling gennem romanen. Jeg vil også belyse forskellen mellem menneske og androide.

6.4.1 Rick Deckard

Rick Deckard er en prisjæger. Han lever i en middelklasses lejlighed med sin kone Iran. Rick Deckard har en stor passion for rigtige levende dyr. Rigtige dyr er meget sjældne og er derfor blevet et statussymbol. De koster derfor en formue og Rick har ikke haft råd til et rigtigt dyr, så han nøjes med det elektriske får, han har gående på taget. Gennem sit arbejde håber han på at tjene nok penge, så at han på et tidspunkt kan finansiere et rigtigt dyr. I løbet af romanen, gennemgår han en udvikling, der kan minde om en eksistentialistisk udvikling. Han har i starten et normalt og velfungerende liv sammen med sin kone, men da han udvikler et personligt forhold til en androide, bliver han angst og usikker. Han føler sig fremmedgjort i samfundet og verden synes for ham at være absurd og meningsløs. Efter at han har været i seng med Rachael, gennemgår han en gradvis nihilistisk nedbrydelse, hvor han tager afstand fra alt det, han førhen byggede sit livsgrundlag på. Et symbol på dette er i bogen der, hvor han befinder sig helt alene på bjerget i ødemarken. Han tager afstand fra alt, endda mercerismen, der før har virket som en slags religion for ham. Han står mellem at tage sit eget liv eller vende tilbage til sit liv med sin kone. Han vælger at tage tilbage og ser til sin store forskrækkelse, at den naturlige ged, han havde købt, er blevet dræbt af Rachael. Det, at Rachael dræber Rick Deckards ged, er et symbol på en menneskelig følelse hos Rachael. Hun er såret over, at han gik i seng med hende og alligevel fortsatte med at dræbe androider.

6.4.2 John Isidore

John Isidore lever et stille og isoleret liv i et en kæmpe bygning helt for sig selv. Grunden til, at han ikke er taget til en af kolonierne på Mars, er, at han ikke er intelligent nok. Han er blevet stemplet som ’speciel’ eller som det også bliver kaldt ’kyllingehjerne’. Med denne stempling er man dømt til et liv på jorden, hvor man bliver nedbrudt af det radioaktive støvlag, der ligger

Side 25

| Side 25 af 31 som en tung dyne over jordkloden. John Isidore har dog accepteret sin skæbne og er chauffør på en fabrik, der kører uægte dyr til reparation.

Da Pris Stratton flytter ind i en lejlighed i det ellers forladte boligkompleks, bliver hans før så stabile hverdag væltet rundt. De udvikler et forhold, hvor John Isidore er beskytter for Pris Stratton. John Isidore kan godt lide den nye situation, han befinder sig i. Han udvikler sig fra at være en dum speciel til at være ansvarsfuld overfor androiden. I starten har han ikke noget problem med Pris Stratton, som siden får besøg af 2 venner. Han føler, at de har det godt sammen, selvom androiderne i virkeligheden udnytter ham for selv at overleve.

John Isidore indser med tiden, at disse androider ikke kan sammenlignes med mennesker. Han føler ikke som i starten, at de har nogen form for empati for ham. Dette kulminerer, da Pris Stratton tager livet af den edderkop, John har fundet. John mister tilliden til androiderne og vender tilbage til mercerismen og fællesskabet med andre mennesker. Han tager afstand fra androiderne og hjælper Rick Deckard med at lokalisere dem, så de bliver trukket tilbage.

6.4.3 Rachael Rosen og androiderne generelt

Rachael Rosen er en androide af typen nexus-6. Typen er blevet fremstillet som et forsøg på at efterligne mennesket bedst muligt, hvilket også er sket, da hun udseendemæssigt ligner et menneske på en prik. Forskellen mellem hende og mennesket kan ikke findes ved at kigge på udseendet, men man skal vende sit blik til androidens indre værdier. Det eneste, der kan afsløre deres identitet, er deres manglende evne til at have empati over for andre ting. Rachael Rosen bliver afsløret af Rick Deckard, men senere viser det sig, at han begynder at tvivle på, om Rachael Rosen i virkeligheden ikke kan føle noget for andre. De udvikler et personligt forhold til hinanden, som udefra virker meget lidenskabeligt og følelsesmæssigt fuldbyrdet. Det lykkes i hvert fald for Rachael at få Rick Deckard til at tvivle, men er det virkelige følelser, hun har for ham? Eller svarer hun bare på et input med et output uden virkelig at forstå, hvad det ’at føle’ i virkeligheden er? Jeg tror, at grunden til, at hun forfører Rick Deckard, ikke er, at hun ønsker et forhold til ham, men at hun ønsker at beskytte sin race fra at blive slået ihjel. Dette gør, at hun på mange punkter er mennesket overlegen. Hun har nemlig en forståelse af, hvordan hun kan få et menneske til at miste troen.

Androidernes skæbne kan ligestilles med Platons hulelignelse [17]. Her er verden delt op i to dele, ideernes verden og fænomenernes verden. Androiderne lever i fænomenernes verden, da de er efterligninger eller skygger af den virkelige og menneskelige verden. De bliver bragt til Mars

17

[Platon, Staten]

Side 26

| Side 26 af 31 for at være underkastet mennesket. De androider, der bryder med dette, rejser tilbage til jorden for at blive en del af ideernes verden. De vil identificere sig med mennesket.

Dette er ligesom personerne i hulen, som går op ad trappen for at få indsigt i ideernes verden.

Der er dog noget, der holder dem tilbage. I Platons hulelignelse er det blylodder, men hos androiderne er det deres manglende menneskelige egenskaber, der forhindrer dem i at falde i et med samfundet.

Forskellen på mennesket og androiden kan derfor karakteriseres som en forskel i følelser. Som tidligere nævnt er holdningen til spørgsmålet: ”Hvad er et menneske?” subjektiv. Et eksempel på dette er det faktum, at John Isidore og Rick Deckard oplever to forskellige måder, hvorved de personligt mærker denne følelsesmæssige forskel. Forskellen mellem en androide og et menneske kan derfor ikke defineres universelt, men det er op til hvert enkelt menneske at tage stilling til, hvad man mener, der karakteriserer den menneskelige eksistens og hvad de humanoide robotter mangler for at kunne ligestille sig med mennesket.

6.5 Romanens holdning til fremtidens teknologi og samfund

Romanen danner et klart billede af et fremtidssamfund. Dette er en af de typiske muligheder, science fiction genren har. Forfatterne kan beskrive et fiktivt samfund som en forudsigelse af hvad den teknologi, som forskerne beskæftiger sig med i samtiden, kan betyde for et fremtiden.

På denne måde kan forfatteren skabe debat om, hvilke konsekvenser udviklingen kan få. I dette tilfælde har romanen den holdning, at teknologien vil føre til jordens undergang.

Samfundsbilledet som Philip K. Dick beskriver, er præget af bivirkningerne af en atomkrig, samtidig med at de humanoide robotter er blevet mennesket overlegent. Philip K. Dick ønsker at tage afstand fra denne udvikling og romanen kan ses som et samfundskritisk oplæg, der har til opgave at beskytte fremtiden mod, at udviklingen bliver brugt til at udrydde mennesket fra jorden, i stedet for at sikre vores overlevelse.

Denne roman blev skrevet for 40 år siden og hvis vi ser på, hvordan teknologien har ændret sig siden dengang, viser det sig, at samfundskritikken har været nødvendig. Folk tager i dag afstand fra atomkrige. Teknologien har været medvirkende til, at vi er ved at ødelægge vores hjem, jorden. Klimaet forandrer sig på grund af industriens og teknologiens miljøødelæggelser.

Dette er menneskene på jorden dog klar over og vi tænker i dag meget på, hvordan vi kan bruge udviklingen til at sikre livet på jorden. At fokus er rettet mod teknologiens bivirkninger, kan skyldes, at vi bliver dænget til med science fiction udgivelser, der altid tager fat i ’worst case

Side 27

| Side 27 af 31 scenarios’ og på den måde minder folk om, at livets sikre grundlag på jorden måske ikke er så sikker endda.

Jeg mener, at det er vigtigt, at vi har denne litterære genre, da den appellerer til folks underbevidsthed og man tvinges til at tage stilling, i stedet for at ride på teknologiens flodbølge, der bruser frem i samfundet uvidende om, at korthuset på et tidspunkt vil falde sammen.

Science fiction roman har dog en begrænset levetid. Alle science fiction udgivelser vil på et tidspunkt blive indhentet af nutiden. Når dette sker, vil samfundskritikken ikke længere være ligeså virksom, da folk ikke får sat i relief, hvad der vil ske, men derimod hvad der er sket. Folk bliver ikke på samme måde tvunget til at tage stilling, da den pågældende roman eller film ikke længere beskriver fremtidens teknologi, men nu bare er en god historie.

En anden ting, der er vigtig for en science fiction forfatter, er, at forfatteren ikke bevæger sig

’for langt væk’ fra virkeligheden. Hvis forfatteren ikke har belæg for udviklingen, dvs. hvis teknologien, der figurerer i udgivelsen, ikke er aktuel i samfundet, kan læseren ikke længere identificere sig med udgivelsen, ej heller tage stilling til den.

I dette tilfælde har Phillip K. Dick dog lavet et pragteksemplar af en science fiction roman. Han tager udgangspunkt i atomkrigens bivirkninger og hvad forskningen inden for det kunstige neurale netværk kan medføre. I slutningen af 60’erne og i 70’erne var der en kraftig debat om atomteknologiens anvendelse og samtidig var der debatten efter 2. verdenskrig, hvor verden for første gang så, hvad atombomber kunne medføre. Philip K. Dick tager i dette tilfælde folkets parti ved at skrive en roman om følgerne af en egentlig atomkrig.

Denne problemstilling om atomteknologiens anvendelse bliver suppleret af udviklingen indenfor det neurale netværk, som i 1960’erne eskalerede med Frank Rosenblatts udvikling og beskrivelse af perceptronen, hvilket gav de kunstige neurale netværk en meget større betydning.

Alt dette koger Philip K. Dick ned i en forrygende science fiction roman, hvor han advarer samfundet om hvilke konsekvenser, teknologien kan have i fremtiden.

Side 28

| Side 28 af 31

7.1 Konklusion

Gennem denne opgave har jeg undersøgt på hvilken måde, det neurale netværk fungerer. Det har vist sig ikke at være ligegyldigt, hvordan man bygger et sådant netværk op. Forskerne i

1960’erne var tæt på at opdage noget sensationelt, men da det syntes uoverskueligt at løse problemet, blev det lagt på hylden. Senere skulle det dog vise sig, at udviklingen i verdenssamfundet gjorde det muligt at udvikle det neurale netværk, således at det kunne blive en bæredygtig teknologi, der overalt og ikke mindst i industrien, viste sig at være epokegørende.

Udviklingen i samfundet betød, at procedurer, som f.eks. back-propagation, kunne løfte teknologien bag det neurale netværk, op på et helt nyt plan, eller sagt på en anden måde, at teknologien er rykket et skridt nærmere den biologiske proces, der sker i den menneskelige hjerne. Vi er nemlig i dag i stand til at konstruere et neuralt netværk, der kan lære af sine fejl og

’tænke’ selv. Dette har science fiction genren længe forudset.

I romanen beskriver Philip K. Dick hvilke betydninger, udviklingen af det neurale netværk kan medføre i form af menneskelignende androider. Det store spørgsmål, man ikke kan undgå at overveje, er, om det med teknologien bag det neurale netværk bliver muligt at fremstille kopier af mennesket. Dette spørgsmål er ikke så lige til, men gennem denne opgave har jeg fundet ud af, at det må være en subjektiv problemstilling, hvert menneske må gøre op med sig selv. En ting er sikkert, verden vil evig og altid udvikle sig og forandre sig og drivkraften bag denne udvikling er uvisheden bag livets og verdens oprindelse. Denne uvished har gennem århundrede drevet forskere til at søge svar i videnskaben, da mennesket har en tendens til, ikke at ville acceptere et delvis korrekt eller ubevist svar. Måske er det dette, der karakteriserer os som mennesker, da vi ikke som andre levende væsner på jorden kan leve i harmoni med omverdenen uden at stille spørgsmålstegn ved den.

Man kan frygte, at teknologien i sin ”onde” science fiction form kan påvirke holdningen til udvikling. En del af udviklingen kan virke skræmmende for vi mennesker. Dengang de første biler kom på gaden, tænkte folk, at det var unødvendig og satte bilen i ledtog med djævlen, men hvis vi kigger på vores samfund i dag, er vi blevet afhængige af den teknologi, der i datiden syntes for skræmmende.

Kunstig intelligens har i dag en stor rolle i vores samfund. Denne rolle kan dog blive større, da vi stadig ikke har fået svar på det store mysterium om, hvad det er, der gør os til mennesker. Er det vores følelsesmæssige intelligens, som udvikler sig gennem erfaring? Hvis det er den

Side 29

| Side 29 af 31 følelsesmæssige intelligens, der karakteriserer os som mennesker, er vi i så fald i stand til at skabe denne kunstigt? Jeg mener, at vi i debatten om kunstig intelligens fokuserer for meget på, hvordan androiderne kan komme til at ligne os, da vi i dag befinder os i et samfund, hvor mennesket i en højere grad ændrer sig til at være maskiner. I vores hverdag bliver alt automatiseret og inden længe, vil det blive muligt at gemme, alt hvad man oplever i løbet af f.eks. en arbejdsdag, således at man ikke behøver at være åndeligt tilstede. Vi mister her vores følelsesmæssige tilstedeværelse og udvikler os til, at blive maskiner der svarer et input med et output. Denne udvikling skal vi undgå, da vi herved mister vores menneskelige identitet.

Kaare Byskov Hansen, 3.x

Side 30

| Side 30 af 31

8.1 Litteraturliste

8.2 Bøger og kompendier

- Jeannette Lawrence, ”Introduction to Neural Networks. Design, Theory, and applications”, 6. udgave, juli 1994, California Scientific Press.

[Neural networks, 1994]

- John Hertz, Anders Krogh, Richard G. Palmer, ”Introduction to the theory of neural computation” 1991, Addison-Wesley Publishing Company.

[Neural computation, 1991]

- Niels Arne Nielsen, Sjæl og legeme, Filosofiske tekster, Systime, 1993.

Side 65 – 69, Allan M. Turing, ”Regnemaskiner og intelligens”, 1950.

[Turing, 1950]

Side 70 – 75, John R. Searle, ”Bevidstheder, hjerner og videnskab”, 1980.

[Searle, 1980]

- Philip K. Dick, ”Drømmer Androider om elektriske får” 1968, dansk udgave 1992, oversat af Jannick Storm, Borgens forlag.

[Philip K. Dick, 1968]

- Platon: ’Hulelignelsen’, Staten, 7. bog, Hans Reitzels Forlag, 1995: s. 264-267.

[Platon, staten]

- Poul René Bertelsen, “Neurale netværks virkemåde” (udleveret note, ikke publiceret).

[Neurale netværks virkemåde, note]

9.3 Internetsider

- Kunstig Intelligens, Roskilde Universitetscenter

http://diggy.ruc.dk/bitstream/1800/616/1/Kunstig%20Intelligens%20-

%20Artificial%20Intelligence.pdf

[Roskilde Universitetscenter, PDF]

- Billedgenkendelse – Neurale netværk, Rasmus M. F. Hansen, Thomas Schultz, Fró_i

Samuelsen, Svein Waagstein Rasmussen

http://akira.ruc.dk/~torben/profilgenkendelse.pdf

[Neurale netværk, PDF]

- Neuralt netværk, Nikolaj Fogh og Esben Hovgaard

http://www2000198.thinkquest.dk/main.html

Side 31

| Side 31 af 31

[thinkquest, HOME]

- A Beginner’s Guide to the Mathematics of Neural Networks, A.C.C. Coolen

http://www.mth.kcl.ac.uk/courses/guide.pdf

[Mathematics of Neural Networks, PDF]

- Introduktion til neurale netværk, Eskild Rasmussen

http://www.astrology.dk/3hus/2001/0110x_er_intro_neurale_netvaerk.htm

[Introduktion til Neurale netværk, HOME]

- An introduction to Neural Networks, Ben Kröse og Patrick van der Smagt

http://www.avaye.com/files/articles/nnintro/nn_intro.pdf

[Introduction to Neural Networks, PDF]

- Træning af kunstige neurale netværk til mønstergenkendelse, Anne-Marie Holst, Henrik Mosgaard , Nader Ren´e Diemer, Martin Rosenkvist Sørensen.

http://diggy.ruc.dk/bitstream/1800/944/1/rapport.pdf

[Træning af KNN, PDF]

Forsidebillede billede samt fodnote illustration er lånt fra:

http://www.regionmidtjylland.dk/psykiatri+og+social/planer+og+aftaler/psykiatriplan/p
sykiatriplan+i+høring?pf=true&docid=&query=&njobno=&visNyhed=