Magnus Sahlgren

Vad innebär det att vara människa i en värld av kommunicerande maskiner? Vad händer om chattbotar tänks kunna föra ett samtal om det eviga? Och hur ska vi bygga en existentiellt hållbar framtid med AI? Detta är centrala frågor för humanistisk AI-forskning idag. I samhällsdebatten om artificiell intelligens och chattbotar skildras de senaste årens stora teknikskifte -- och teknikens potential och risker -- gärna i termer av avgränsade »problem« som kräver »lösningar«. Diskussionen reproducerar därmed den världsbild av logik och formalism som maskinerna själva är byggda av, och som det mänskliga sedan mäts mot. Här finns tydliga behov av humanistiska och existentiella perspektiv. Om debatten förs alltför ensidigt riskerar den inte bara att spä på missförstånd och förstärka domedagsprofetior; den riskerar också att reproducera de ojämlika sociala strukturer som tekniken både är byggd inom och medskapare till. Ofta finns ett tydligt ointresse från AI-utvecklarna att på djupet ta till sig vad som händer inom den humanistiska grenen av AI-forskningen. Denna skrift tar avstamp i flera svenska forskningsprojekt om AI och ett samarbete mellan Nobelprismuseet, Liljevalchs och Humanobservatorium för digital existens i Uppsala. Medverkande författare är tidigare ärkebiskopen Antje Jackelén, AI-experten och datorlingvisten Magnus Sahlgren samt forskare inom bland annat systemvetenskap, medievetenskap, interaktionsdesign och psykologi. Redaktören Amanda Lagerkvist är professor i medie- och kommunikationsvetenskap vid Uppsala universitet. Ur innehållet: AI med kritiska ögon och existentiell sensibilitet · Är samtalet möjligt? · Att skapa en svensk språkmodell · GPT-SW3 svarar på 25 av våra största frågor · Att forma levande AI-framtider

Distributional semantics develops theories and methods to represent the meaning of natural language expressions, with vectors encoding their statistical distribution in linguistic contexts. It is at once a theoretical model to express meaning, a practical methodology to construct semantic representations, a computational framework for acquiring meaning from language data, and a cognitive hypothesis about the role of language usage in shaping meaning. This book aims to build a common understanding of the theoretical and methodological foundations of distributional semantics. Beginning with its historical origins, the text exemplifies how the distributional approach is implemented in distributional semantic models. The main types of computational models, including modern deep learning ones, are described and evaluated, demonstrating how various types of semantic issues are addressed by those models. Open problems and challenges are also analyzed. Students and researchers in natural language processing, artificial intelligence, and cognitive science will appreciate this book.