Samfunnspåvirkning og miljø

Samfunnspåvirkning og det grønne skiftet

Kunstig intelligens er ikke bare et teknologisk verktøy; det er en drivkraft for store samfunnsendringer. I dette kapittelet skal vi ta for oss effekten KI har på informasjonssamfunnet og klimaet vårt.

Epistemisk krise og Deepfakes

Har du noen gang sett en video av en politiker som sier noe sjokkerende, bare for å oppdage at videoen er falsk? Slike deepfakes—manipulerte bilder, videoer eller lydfiler skapt med KI—blir stadig vanskeligere å skille fra virkeligheten.

Når KI blir ekstremt dyktig til å masseprodusere naturtro tekster (“slop”) og fotorealistiske bilder, risikerer vi det filosofer kaller en “epistemisk krise”. Dette inntreffer når det blir genuint vanskelig for oss alle å stole på at informasjonen vi leser og ser er sann. Hvis vi slutter å stole på informasjonsflyten vår, blir det også vanskelig å opprettholde et velfungerende demokratisk samfunn [1].

Undervisningsvideo med Ståle Grut

Den skjulte menneskelige kostnaden

Når du spør en tekstgenerator om noe, og den nekter å svare fordi forespørselen inneholder vold eller overgrep, betyr det at noen har lært modellen hva som er “farlig” innhold. Dette skjer gjennom aktiv innholdsfiltrering (data labeling). Et etisk dilemma er at dette arbeidet ofte gjøres av lavtlønnede arbeidere—ofte i fattige land—som i timevis må se gjennom og klassifisere ekstremt grovt og traumatiserende materiale for at våre KI-verktøy skal fremstå polerte og sikre.

Hvor mye vann koster en prompt?

Forskning viser at en samtale med ChatGPT (ca. 20-50 spørsmål) kan forbruke tilsvarende en halvliter vann til kjøling [1].

Oppgave: Prøv å estimere hvor mange spørsmål du stiller KI-tjenester i løpet av en vanlig uke. Hvordan påvirker denne kunnskapen din vilje til å bruke KI til “uviktige” småoppgaver eller bare for moro skyld?

Anbefalt litteratur:

  1. Fallis, D. (2020). The epistemic threat of deepfakes. Philosophy & Technology, 34(4), 623-643.
  2. Strubell, E., Ganesh, A., & McCallum, A. (2019). Energy and policy considerations for deep learning in NLP. arXiv preprint arXiv:1906.02243.