# En verden, ingen har forstået AI kan skabe efterprøvede resultater hurtigere, end mennesker når at forstå dem. Hvad sker der, når vi bygger videre uden at vente på forståelsen? - Forfatter: Mikkel Freltoft Krogsholm - Type: Essay - Udgivet: 2026-10-09 - Opdateret: 2026-10-09 - Sprog: da - Emner: ai, viden, forståelse, videnskab, singularitet - Kanonisk URL: https://mikkelkrogsholm.dk/da/articles/en-verden-ingen-har-forstaaet/ --- Hvis jeg vil have en Raspberry Pi til at sende beskeder over mobilnettet, behøver jeg ikke begynde med at lære at bygge en radio. En Raspberry Pi er en lille computer, man kan bruge til alt fra et hjemmebygget måleapparat til styring af ting i huset. Jeg kan købe et ekstra printkort med et mobilmodul, sætte det til computeren, give det et SIM-kort og følge vejledningen. Så kan mit lille projekt komme på nettet uden en almindelig internetforbindelse. Jeg skal vide noget om strøm, tilslutning og de kommandoer, der får modulet til at sende. Men jeg behøver ikke forstå alle de beregninger og elektriske kredsløb, der gør det muligt at tale med en mobilmast. Hvis det ikke virker, tjekker jeg forbindelsen, antennen, strømforsyningen og indstillingerne. Jeg tager ikke først en ph.d. i radiobølger. Det er en helt almindelig måde at bygge på. Jeg kan bruge noget, fordi andre har gjort det komplicerede arbejde og pakket det ind i en del, jeg kan forbinde med andre dele. Alligevel ligger der en forestilling under min tillid: Forståelsen findes et sted. Der er mennesker, som ved, hvordan modulet er konstrueret. Andre forstår mobilnettets regler. Ingen af dem behøver forstå hele mit projekt, og ingen behøver have alle lagene i hovedet. Men hvis vi følger forbindelserne langt nok tilbage, kommer vi til menneskelig kunnen. Hvad sker der, hvis vi en dag følger den samme vej tilbage og ikke finder nogen? ## Vi bygger allerede uden at forstå det hele Vores samfund fungerer, fordi vi ikke alle skal begynde forfra. Den, der bygger et hus, behøver ikke selv have udviklet isoleringen. Den, der bruger et regneark, behøver ikke vide, hvordan computeren repræsenterer tal i sine kredsløb. Selv en dygtig kirurg kan ikke nødvendigvis forklare alle komponenterne i det apparat, der holder øje med patienten under operationen. Det er ingen mangel ved civilisationen. Det er en af dens største præstationer. Vi har gjort specialiseret kunnen til noget, andre kan bruge. Forståelsen er fordelt mellem mennesker, fag og generationer. Noget står i bøger og tegninger. Noget ligger i erfaringen hos den tekniker, der kan høre, at en maskine lyder forkert. Vi læner os på langt mere, end vi hver især ved. Derfor er det heller ikke i sig selv et brud, at AI kan producere noget, jeg ikke forstår. Det kan næsten alle mennesker med et andet speciale end mit også. Forskellen bliver interessant, hvis AI skaber et resultat, som ingen mennesker endnu har sat sig ind i, og resultatet alligevel bliver en brugbar byggeklods. Så kan jeg stadig forbinde det med mit projekt. Det kan stadig bestå de relevante prøver. Men den forståelse, jeg før regnede med fandtes hos andre, er endnu ikke opstået. Vi er vant til at uddelegere forståelsen. Vi kan være på vej mod også at undvære den i dele af det, vi bygger. ## Fra at læse koden til at prøve den Når AI skriver et program, kan man læse instruktionerne linje for linje. Man kan også lade programmet køre og undersøge, hvad det gør. Kommer den rigtige pris frem? Får den rigtige bruger adgang? Hvad sker der, hvis internetforbindelsen forsvinder midt i en betaling? De to former for kontrol viser forskellige ting. At et program består en prøve, garanterer ikke, at det er korrekt i enhver situation. Men det betyder heller ikke, at et menneske skal læse hver eneste instruktion for at kunne bruge det forsvarligt. Sådan arbejder vi allerede med store mængder software, andre mennesker har skrevet. AI gør forskellen mere synlig. Når maskinen kan skrive mere kode, end vi kan nå at læse, bliver det fristende at begynde med adfærden og kun gå ned i detaljerne, når noget kræver det. I [*Når kode ikke længere er menneskets sprog*](https://mikkelkrogsholm.dk/da/articles/naar-kode-ikke-laengere-er-menneskets-sprog/) undersøgte jeg, hvordan maskinens arbejde kan oversættes tilbage til noget, mennesker kan forstå. Koden skal have en menneskelig indgang, selv om vi ikke læser det hele. Men selv en god forklaring tager tid at forstå. Hvis ti ændringer bliver til ti tusind, kan maskinen være fremragende til at forklare hver eneste af dem, uden at mennesker kan nå at følge med. Den begrænsning handler ikke om, at koden er umulig at læse. Den handler om, at der er for meget af den. Det er værd at tage den tanke med ud af software og ind i videnskaben. ## 719 manuskripter og en kø af mennesker Den 6. oktober offentliggjorde OpenAI et [repository med matematiske manuskripter](https://github.com/openai/math) — en offentlig samling af dokumenter og tilhørende materiale. Kataloget angiver 719 manuskripter fordelt på 372 grupper af beslægtede resultater, produceret af en intern AI-model, som endnu ikke er frigivet. Det er ikke det samme som 719 færdigkontrollerede gennembrud. Resultaterne befinder sig på forskellige stadier af kontrol. OpenAI har allerede [trukket tre manuskripter tilbage](https://github.com/openai/math/blob/main/history.md), fordi en fortegnsfejl ødelagde et argument, som andre resultater byggede videre på. Samtidig oplyser virksomheden, at 300 af de 719 hovedresultater er formaliseret i Lean. Det er et værktøj, hvor matematiske udsagn og beviser skrives så præcist, at en computer kan kontrollere, om konklusionen følger af definitionerne og forudsætningerne. Det er noget andet end at prøve et program og se, om det virker i nogle udvalgte situationer. Et formelt bevis kan etablere et udsagn for alle de tilfælde, udsagnet omfatter. Matematikere skal stadig undersøge, om det præcise udsagn svarer til det problem, man hævder at have løst, og hvad resultatet betyder. Formalisering er derfor en reel gevinst. Vi skal ikke gøre menneskets langsomme læsning til den eneste acceptable vej til sikkerhed, hvis vi kan bygge stærkere kontrol. Men vi kan godt kontrollere et arguments gyldighed uden dermed at have den forståelse, der gør os i stand til at forklare det, se dets muligheder eller finde en enklere vej til samme resultat. Et bevis kan ligge klar. Arbejdet med at gøre det til menneskelig indsigt kan stadig vente. I [*AI finder de forbindelser, vi overser*](https://mikkelkrogsholm.dk/da/articles/ai-finder-de-forbindelser-vi-overser/) beskrev jeg en frugtbar cyklus: AI finder en ny vej, mennesker forstår og forbedrer den, og AI arbejder videre fra det nye udgangspunkt. Men den cyklus forudsætter, at mennesker kan nå at forstå, før arbejdet bevæger sig videre. ## Selv hvis det hele var rigtigt Det er let at gøre AI's vidensproduktion til et spørgsmål om fejl. Maskinen skriver meget, noget af det er forkert, og mennesker får travlt med at sortere. Det er et vigtigt problem. Men prøv et øjeblik at forestille dig, at vi bliver langt bedre til kontrollen. At mange af resultaterne faktisk holder. At maskinerne kan kontrollere flere af deres egne og hinandens argumenter, og at forsøg bekræfter nye forudsigelser. Så er menneskelig forståelse stadig en mulig flaskehals. En forsker kan godt være i stand til at forstå et nyt bevis og bruge tre måneder på at gøre det. Hvis der i de samme tre måneder kommer tusind nye resultater i hendes felt, er hendes evne til at forstå det enkelte resultat ikke tilstrækkelig til at holde trit med udviklingen. Flere forskere kan dele arbejdet. AI kan hjælpe med forklaringer, eksempler og kortere beviser. Alt det kan gøre en enorm forskel. Der er bare ikke nogen naturlov, som siger, at menneskers forståelse vil vokse lige så hurtigt som maskinernes produktion og kontrol. I [*Videnseksplosion*](https://mikkelkrogsholm.dk/da/articles/videnseksplosion/) skrev jeg om forskellen mellem at skabe hypoteser og at få dem efterprøvet. Men der er endnu en forskel: Et resultat kan være efterprøvet, uden at mennesker har gjort det til deres egen forståelse. Hvis AI også kan bruge resultatet som udgangspunkt for næste opdagelse, kan der opstå en forskningskæde, hvor det menneskelige arbejde med at forstå hele tiden kommer bagefter. Vi får ikke blot flere artikler at læse. Vi får nye ting at læse, som allerede bygger på andre nye ting, vi heller ikke har nået at forstå. Det er en anden form for afstand end almindelig specialisering. Specialisering fordeler arbejdet mellem mennesker. Her kan en del af arbejdet bevæge sig videre, før noget menneske har overtaget forståelsen. ## Forståelse er mere end en godkendelse Der er god grund til at glæde sig over den mulighed. Vi kunne få materialer, der gør batterier bedre, beregningsmetoder, der gør forskning billigere, eller behandlinger, der hjælper patienter. At menneskelig forståelse mangler et led, gør ikke i sig selv et resultat værdiløst. Hvis en behandling er grundigt afprøvet og hjælper, er det ikke patientens opgave at vente på den fulde forklaring af alle dens mekanismer. Men et mobilmodul skal ikke bare kunne sende én besked på mit bord. Det skal også kunne bruges under bestemte forhold. Hvor meget strøm kræver det? Hvilke netværk kan det tale med? Hvad kan få forbindelsen til at svigte? Forståelsen hjælper os med at vælge de rigtige prøver og opdage, hvornår vi er på vej uden for det område, hvor vi har grund til at stole på resultatet. Den hjælper også, når vi vil ændre noget. Et printkort, der virker, er én ting. At kunne reparere det eller bygge en bedre udgave kræver mere. AI kan muligvis hjælpe os med alle de opgaver. Den kan også blive den eneste, der kan følge forbindelsen mellem dem. Så kan vi få mere handlekraft og mindre selvstændighed på samme tid: Flere ting bliver mulige, men vi bliver mere afhængige af maskinen for at vide, hvad vi kan ændre. Den uafhængige [rådgivergruppe AGMAI](https://agmai.org/general-sep29/) skelner netop mellem AI-resultater, mennesker forstår, og resultater, ingen endnu har forstået. Gruppen anbefaler, at laboratorierne støtter arbejdet med at udvikle menneskelig forståelse, også økonomisk, og at arbejdet styres af faglige fællesskaber frem for laboratorierne selv. OpenAI har [annonceret støtte til workshops, konferencer og programmer](https://openai.com/index/sharing-ai-progress-in-mathematics/), der skal hjælpe med at forstå resultaterne. Der skal altså stadig samles mennesker omkring argumenterne. Kontrollen og forståelsen er beslægtede opgaver, men de er ikke den samme. ## Singulariteten på et lille printkort Singulariteten bliver ofte forestillet som et voldsomt øjeblik: Maskinen bliver så intelligent, at mennesket ikke længere kan følge dens tanker, og verden på den anden side bliver uforudsigelig for os. Jeg tænker, at der også kan være en mere hverdagsagtig vej derhen. Den kræver ikke, at det enkelte resultat bliver uforståeligt. Vi kan stadig tage et bevis ud af samlingen og sætte os ind i det. Ligesom vi kan åbne et program og læse en del af koden. Men imens fortsætter arbejdet andre steder, og forståelsen får en stadig mindre rolle som adgangsbillet til næste skridt. Vi efterprøver, forbinder og bygger videre. Det virker. Vi har brug for det. Der kommer mere. Matematikrepoet viser ikke, at vi allerede har passeret sådan en grænse. Men det gør det muligt at stille et mere præcist spørgsmål end, hvornår AI bliver klogere end os: Hvornår begynder verden at forandre sig gennem resultater, som mennesker endnu ikke har forstået, og som vi ikke venter på at forstå? Hvis jeg sætter et mobilmodul på min Raspberry Pi, behøver jeg ikke selv kunne forklare radioteknikken. Det er en frihed, jeg har fået gennem andre menneskers arbejde. En dag kan jeg stå med en lige så lille del, sætte den til og se forbindelsen komme op. Den er afprøvet. Den kan det, jeg har brug for. Jeg kan bygge videre. Men hvis jeg følger dens konstruktion tilbage, kan jeg ende ved et resultat, som ingen mennesker endnu har forstået. Og den næste udgave af modulet kan allerede være på vej.