Fra neuron til ChatGPT
Følg AI's historie gennem 10 udstillingssale — fra mytologiske rødder og de første neuronmodeller til sprogmodellernes gennembrud og agent-æraen. Hver node er en milepæl.
McCulloch & Pitts' neuronmodel
Warren McCulloch og Walter Pitts beskriver den første matematiske model af en neuron i "A Logical Calculus of the Ideas Immanent in Nervous Activity". Det er selve grundstenen i alt, der siden hedder neuralt netværk.
Turing-testen
Alan Turing spørger "Kan maskiner tænke?" i artiklen "Computing Machinery and Intelligence" og foreslår en test: kan en maskine overbevise et menneske om, at den også er et menneske? Turing forudsagde også, at maskiner omkring år 2000 ville kunne narre en dommer i fem minutter.
Dartmouth — AI får sit navn
John McCarthy samler feltets grundlæggere og mønter begrebet "artificial intelligence". Sommeren 1956 regnes som AI-feltets fødselsdag.
Logic Theorist
Allen Newell, Herbert Simon og Cliff Shaw bygger det første AI-program, der selv beviste 38 af de første 52 sætninger i Russell og Whiteheads Principia Mathematica.
Perceptronen
Frank Rosenblatt præsenterer en lærende klassifikator inspireret af øjets netvindue. Mark I Perceptron bygges i 1958 — den første maskine, der "lærer" af eksempler.
Lisp
John McCarthy opfinder programmeringssproget Lisp, der bliver AI-forskningens lingua franca i årtier — og stadig lever i Clojure og moderne dialekter.
ELIZA — den første chatbot
Joseph Weizenbaum udgiver ELIZA, der efterligner en psykoterapeut så godt, at selv forskere fik svært ved at huske, at den intet forstod. Den bestod af et par hundrede linjer kode — "ELIZA-effekten" er opkaldt efter den.
Lighthill-rapporten
Den britiske fysiker Sir James Lighthill kritiserer AI-forskningen hårdt. Det britiske forskningsråd skærer ned; DARPA reducerer finansieringen. Den første "AI-vinter" begynder.
MYCIN — ekspertsystemet
Edward Feigenbaum og hans gruppe i Stanford bygger MYCIN, der diagnosticerer blodforgiftninger og anbefaler antibiotika — ofte bedre end læger, men aldrig taget i klinisk brug.
XCON — kommercielt gennembrud
DEC tager ekspertsystemet XCON i brug til at konfigurere computere automatisk. Det sparede angiveligt virksomheden titusindvis af dollars om året og indeholdt til sidst over 10.000 regler.
Backpropagation
David Rumelhart, Geoffrey Hinton og Ronald Williams viser, hvordan backpropagation kan træne flerlagede neurale netværk effektivt — hjørnestenen i næsten al moderne deep learning.
Anden AI-vinter
Lisp-maskinernes marked kollapser for almindelige pc'er, Japans femte generations-projekt slutter uden at indfri løfterne, og finansieringen falder igen. Men i kulissen spirer næste forår: LeCuns CNN (1989) og LSTM (1997).
Deep Blue slår Kasparov
IBMs skakcomputer besejrer verdensmesteren Garry Kasparov i en seks kampe lang match — første gang en maskine slår en regerende verdensmester under turneringsbetingelser.
Deep learning-genstarten
Geoffrey Hinton og kolleger indleder det moderne deep learning-gennembrud med nye teknikker til at træne dybe netværk, der overvinder tidligere års begrænsninger.
ImageNet
Fei-Fei Li og hendes team publicerer ImageNet — en gigantisk, kurateret billeddatabase med 14+ millioner billeder, der bliver træningsgrundlaget for deep learning-revolutionen.
AlexNet
Alex Krizhevsky, Ilya Sutskever og Geoffrey Hinton knuser al konkurrence i ImageNet med et dybt netværk trænet på to gaming-GPU'er — fejlrate 15,3 % mod tidligere 26 %. Deep learning-revolutionen er i gang.
GAN — Generative Adversarial Networks
Ian Goodfellow opfinder GAN: to netværk, der konkurrerer mod hinanden — ét genererer billeder, ét forsøger at afsløre forfalskninger. Billedgenereringens fundament.
AlphaGo slår Lee Sedol
DeepMinds netværk besejrer den koreanske go-mester i fire ud af fem partier. Go har flere mulige spilstillinger end atomer i universet — eksperter havde sagt, AI var ti år væk fra at mestre det.
Transformer — "Attention Is All You Need"
Otte Google-forskere publicerer Transformer-arkitekturen: en måde at behandle tekst på, der kigger på hele sætningen på én gang i stedet for ord for ord. Det er arkitekturen bag GPT, Claude, Gemini og alle moderne LLM'er.
GPT-1 og BERT
OpenAI bygger den første GPT, der tilegner sig viden blot ved at forudsige næste ord. Google svarer med BERT, og Turing-prisen går til Hinton, LeCun og Bengio for deep learning.
GPT-2 og GPT-3
GPT-2 er så god til at skrive, at OpenAI i første omgang tilbageholder den. GPT-3 (2020) med 175 milliarder parametre kan skrive artikler, kode og poesi på kommando uden finjustering.
ChatGPT — AI bliver allemandseje
OpenAI lancerer ChatGPT 30. november 2022. 100 millioner brugere på to måneder — den hurtigst voksende forbrugerapp i historien. AI er ikke længere noget, forskere taler om; det er noget, alle bruger.
GPT-4, Claude og åbne modeller
GPT-4 (marts), Anthropics Claude og Metas Llama åbner en ny æra. Samtidig udgives åbne modeller som Mistral 7B, der gør AI tilgængelig lokalt på egen hardware.
MCP og Nobelpriser
Anthropic lancerer Model Context Protocol — "USB-C for AI". Nobelprisen i fysik går til Hopfield og Hinton, kemiprisen til Hassabis, Jumper og Baker for AlphaFold. EU's AI-forordning træder i kraft 1. august.
DeepSeek-R1 og GPT-5
DeepSeek-R1 viser, at avancerede ræsonnerende modeller kan bygges åbent til en brøkdel af prisen. OpenAI og Anthropic svarer med stadig stærkere modeller: GPT-5 og Claude 4.
Agentisk AI
AI-systemer, der selv planlægger, bruger værktøjer og udfører opgaver med stigende autonomi, bliver mainstream. AI er ikke længere kun en chat — det er en arbejdskollega, forskningsassistent og infrastruktur.
ELIZA, en af de første chatbots fra 1966, fik voksne mennesker til at betro den deres dybeste hemmeligheder — og den bestod af bare et par hundrede linjer kode?
ChatGPT nåede 1 million brugere på bare 5 dage? Netflix brugte 3½ år, Instagram 2½ måned.
AlexNet i 2012 blev trænet på to almindelige gaming-GPU'er, som forskerne selv havde købt — revolutionen begyndte i hobbyist-skala.
Menneskene bag intelligensen
Matematikere, psykologer, ingeniører og iværksættere, der trodsede skeptikere og kulde. Mød nogle af feltets vigtigste skikkelser.
Alan Turing
Matematiker · 1912–1954
Datalogiens og AI'ens fader. Knækkede Enigma-koden under 2. verdenskrig og formulerede Turing-testen i 1950. Spørgsmålet "kan maskiner tænke?" definerer stadig feltet.
"Vi ønsker maskiner, der kan lære af erfaring."
McCulloch & Pitts
Neurofysiolog & logiker · 1898–1969 / 1923–1969
Skrev i 1943 den første matematiske model af en neuron — startskuddet til neurale netværk og hele AI-feltet.
John McCarthy
Datalog · 1927–2011
Møntede "artificial intelligence" på Dartmouth-konferencen i 1956, opfandt Lisp og grundlagde Stanford AI Lab.
Marvin Minsky
AI-pioner · 1927–2016
Medstifter af MIT's AI-laboratorium. Byggede tidlige neurale maskiner og skrev den indflydelsesrige kritik "Perceptrons" (1969).
Frank Rosenblatt
Psykolog · 1928–1971
Opfandt perceptronen (1957–58) — den første lærende maskine baseret på en forenklet model af synet.
Joseph Weizenbaum
Datalog · 1923–2008
Skabte ELIZA (1966) — og bagefter advarede mod at tillægge computere magt og forståelse, de ikke har.
Geoffrey Hinton
Forsker · 1947–
"Gudfaderen til deep learning." Medforfatter på backpropagation (1986), trænede AlexNet (2012), fik Turing-prisen (2018) og Nobelprisen i fysik (2024).
Yann LeCun
Forsker · 1960–
Fader til convolutional neural networks. Metas chef-AI-forsker og Turing-prisen 2018.
Yoshua Bengio
Forsker · 1964–
Deep learning-pioner og Turing-prisen 2018. Aktiv i debatten om AI-sikkerhed.
Fei-Fei Li
Forsker · 1976–
Skabte ImageNet — datasættet, der gjorde deep learning-revolutionen i 2012 mulig.
Demis Hassabis
AI-forsker · 1976–
Medstifter af DeepMind. Byggede AlphaGo og AlphaFold; fik Nobelprisen i kemi 2024.
Ilya Sutskever
Forsker · 1986–
Medforfatter på AlexNet og Transformer-papiret. Medstifter af OpenAI og senere Safe Superintelligence.
Teknologien, forklaret enkelt
Hvad er en transformer egentlig? Hvordan virker deep learning? 16 nøglebegreber forklaret, så alle kan være med.
01 · Neurale netværk
En computermodel inspireret af hjernen: lag af "neuroner", der modtager signaler, vægter dem og sender resultatet videre. Træning justerer vægtene, så netværket gradvist bliver bedre — præcis som hjernen styrker forbindelser.
02 · Machine learning
En gren af AI, hvor programmer ikke følger håndskrevne regler, men lærer af eksempler. Arthur Samuel møntede begrebet i 1959: "feltet, der giver computere evnen til at lære uden at være eksplicit programmeret."
03 · Deep learning
Maskinlæring med mange lag oven på hinanden. De dybe lag finder automatisk hierarkiske mønstre: først kanter, så former, så objekter (billeder) — eller ord, grammatik og betydning (tekst). Revolutionen tog fart i 2012 med AlexNet.
04 · Transformer
Arkitekturen fra 2017 ("Attention Is All You Need"), der behandler hele tekstsekvensen parallelt via attention i stedet for ord for ord. GPT, Claude, Gemini og Llama er alle transformere.
05 · Attention
Mekanismen, der lader modellen fokusere på de relevante dele af inputtet — fx det rigtige sted i en lang tekst ved oversættelse. Jo bedre attention, jo bedre sammenhængsforståelse.
06 · LLM'er
Enorme transformere trænet på næsten al tekst på internettet med ét mål: forudsige næste ord. Undervejs lærer de grammatik, viden, koder og mønstre for ræsonnement. GPT, Claude og Gemini er alle LLM'er.
07 · Embeddings
Tekst deles op i tokens, der hver bliver til et punkt i et matematisk rum, hvor ord med samme betydning ligger tæt. Sådan "forstår" modellen sprog som geometri.
08 · MoE (Mixture of Experts)
En effektiv arkitektur, hvor modellen består af mange specialiserede "ekspert"-netværk, men kun aktiverer et lille udvalg pr. forespørgsel. Bruges af Mixtral, DeepSeek-V3 og GPT-4.
09 · RAG
Teknik, hvor modellen først søger i en ekstern database og derefter svarer med de fundne dokumenter som kontekst. Giver friske, kildebaserede svar og modvirker hallucination.
10 · Vektordatabaser
Databaser bygget til at gemme og søge i embeddings. Når en chatbot skal finde "det dokument, der minder mest om dit spørgsmål", er det vektordatabasen, der gør arbejdet — lynhurtigt og i stor skala.
11 · Inference
Selve det at køre en færdigtrænet model: du giver den input, og den regner svaret ud. Træning er den dyre del; inference er det, der sker, hver gang du skriver til ChatGPT.
12 · Agentsystemer
AI, der ikke bare svarer, men handler: den planlægger, deler opgaven op, bruger værktøjer og vurderer resultatet — ofte i flere trin uden menneskelig indblanding.
13 · MCP
Model Context Protocol — en åben standard fra Anthropic (november 2024), der giver AI-modeller en fælles måde at forbinde til værktøjer, filer og datakilder. Ofte kaldt "USB-C for AI".
14 · Tool calling
Modellens evne til at bede om eksterne handlinger — hente en webside, køre kode, sende en mail — og integrere resultatet i svaret. Grundstenen i agentiske systemer.
15 · Memory
Systemer, der gemmer og genbruger information på tværs af samtaler, så modellen husker brugeren, projektet eller tidligere beslutninger — i stedet for at starte på bar bund hver gang.
16 · Reasoning (ræsonnement)
Nyere modeller (fx OpenAI o1/o3 og DeepSeek-R1) "tænker højt" i skjulte trin, før de svarer: de overvejer, fejler, retter og forbedrer. Løfter dem markant på matematik, logik og komplekse opgaver.
Googles Transformer-papir fra 2017 hed "Attention Is All You Need" — og at de otte forfattere alle forlod Google inden for få år for at starte egne AI-virksomheder?
Dagens største laboratorier
Virksomhederne og forskningsmiljøerne, der former AI lige nu — fra San Francisco til Hangzhou til Paris.
OpenAI
Skabere af GPT-serien og ChatGPT. Pionerer inden for multimodale og ræsonnerende modeller. Støttet af Microsoft.
Anthropic
AI-sikkerhedsvirksomhed stiftet af tidligere OpenAI-folk. Kendt for Claude, Constitution AI og MCP-standarden.
Google DeepMind
AlphaGo, AlphaFold, Transformer-papiret og Gemini-familien — plus hardware som TPU'er.
Meta
Udgivet Llama-familien som åbne modeller — et af de vigtigste bidrag til open source-AI. Yann LeCun er chef-AI-forsker.
DeepSeek
Viste med DeepSeek-V3 og R1, at topmodeller kan bygges åbent til en brøkdel af prisen. Baseret i Hangzhou.
Alibaba Qwen
En af verdens førende åbne modelserier med stærke versioner inden for tekst, billeder og kode.
Mistral AI
Europas førende AI-startup (Paris) med åbne modeller som Mistral 7B og Mixtral samt kommercielle modeller.
xAI
Elon Musks AI-selskab, kendt for Grok-modellerne integreret i X. Fokuserer på "maksimalt nysgerrige" systemer.
Apple
AI som integrerede systemfunktioner — Apple Intelligence — med modeller, der kører på enheden og i skyen.
Microsoft
Stor investor i OpenAI og skaber af Copilot — AI integreret i Windows, Office og Edge. Udvikler også Phi-serien.
DeepSeek-V3 i december 2024 blev trænet for mindre end 6 millioner dollar — et beløb, vestlige konkurrenter tidligere brugte hundredvis af gange på?
De svære spørgsmål
Kunstig intelligens er ikke kun teknologi — den er magt, og magt kræver omtanke. Seks perspektiver, forskere og politikere diskuterer lige nu.
Skævhed (bias)
Modeller trænes på historiske data og arver deres fordomme — om køn, race og kultur. Uden bevidst arbejde kan AI forstærke uretfærdighed.
Misinformation & hallucination
Sprogmodeller kan producere selvsikkert klingende, men forkert indhold. Ansvaret for at kontrollere fakta ligger hos udvikleren og brugeren.
Privatliv
AI-systemer bruger enorme mængder data. Hvem ejer dem, hvem beskytter dem, og hvad må modellerne huske om os?
Ophavsret
Modeller trænes på tekster, billeder og kode skabt af mennesker. Skal skaberne kompenseres — og i givet fald hvordan?
Arbejdsmarkedet
AI automatiserer ikke bare rutinearbejde, men også kreative og analytiske opgaver. Nye job opstår — men ikke nødvendigvis i samme takt.
Alignment & sikkerhed
Hvordan sikrer vi, at en superintelligent model gør det, mennesker vil have — ikke det, den selv tror, vi vil? Anthropic og OpenAI blev begge grundlagt med dette spørgsmål som kerne-mission.
EU's AI-forordning, der trådte i kraft 1. august 2024, er verdens første omfattende AI-lovgivning — strengest for højrisiko-systemer, lettest for resten?
Hvor er vi om 10–20 år?
Fremtiden kan ikke verificeres som fortiden, men eksperter peger på nogle klare retninger. Her er, hvad der venter — og hvad vi stadig diskuterer.
Agentiske systemer
AI, der selv udfører opgaver — fra at booke rejser til at drive virksomhedsprocesser — med stigende autonomi og ansvar. Det er allerede begyndt.
Multimodal AI
Én model, der forstår tekst, billeder, lyd og video sammen — og til sidst også den fysiske verden gennem robotter.
AI i videnskaben
AlphaFold har revolutioneret biologi; AI forventes at accelerere opdagelser inden for medicin, materialer og klima. Næste Nobelpris er allerede på vej.
AGI-debatten
Spørgsmålet om generel kunstig intelligens — maskiner, der matcher eller overgår mennesker — deler forskerne. Nogle tror på det inden for årtier; andre mener, det er umuligt.
I 2024 gik Nobelprisen i både fysik og kemi til AI-forskere? Hopfield og Hinton for neurale netværk; Hassabis, Jumper og Baker for AlphaFold og proteinforskning.