Kunstig Intelligens og Tetris-gåden

I en banebrydende studie ledet af Cornell University, gik forskerne på en opdagelsesrejse ind i området for algoritmemæssig fairplay i en to-spiller-version af det klassiske spil Tetris. Eksperimentet var baseret på en simpel, men dybprøvende præmis: Spillere, der modtog færre ture under spillet, opfattede deres modspiller som mindre sympatisk, uanset om det var et menneske eller en algoritme, der var ansvarlig for at fordele turene.

Dette tilgangspunkt markerede en betydelig afvigelse fra den traditionelle fokus på algoritmemæssig fairplay-forskning, der overvejende zoomer ind på algoritmen eller beslutningen i sig. I stedet valgte Cornell University-studiet at kaste lys over forholdet mellem de mennesker, der er berørt af algoritme-beslutninger. Dette fokus var drevet af de virkelige verdens implikationer af AI-beslutningstagning.

“Vi begynder at se mange situationer, hvor AI træffer beslutninger om, hvordan ressourcer skal fordeles mellem mennesker,” observerede Malte Jung, lektor i informationsvidenskab på Cornell University, der ledede studiet. Da AI bliver mere og mere integreret i forskellige aspekter af livet, fremhævede Jung behovet for at forstå, hvordan disse maskin-lavede beslutninger former interpersonlige interaktioner og opfattelser. “Vi ser mere og mere bevis for, at maskiner forstyrrer måden, vi interagerer med hinanden på,” kommenterede han.

Eksperimentet: En Vending på Tetris

For at gennemføre studiet brugte Houston Claure, en postdoc-forsker på Yale University, open-source-software til at udvikle en modificeret version af Tetris. Denne nye version, kaldet Co-Tetris, tillod to spillere at arbejde sammen om at manipulere faldende geometriske blokke, så de blev stablet pænt uden huller og forhindrede, at blokkene stablede sig op til toppen af skærmen.

I en vending på det traditionelle spil bestemte en “allocator” – enten et menneske eller en AI – hvilken spiller, der skulle tage hver tur. Fordelingen af ture var sådan, at spillere modtog enten 90%, 10% eller 50% af turene.

Begrebet Maskin-Allocation-Adfærd

Forskerne formodede, at spillere, der modtog færre ture, ville erkende uretfærdigheden. Men hvad de ikke havde forventet, var, at spillernes følelser over for deres medspiller ville forblive stort set de samme, uanset om det var et menneske eller en AI, der var allocator. Dette uventede resultat fik forskerne til at opfinde begrebet “maskin-allocation-adfærd”.

Dette begreb refererer til den observerbare adfærd, der vises af mennesker baseret på fordelingsbeslutninger truffet af maskiner. Det er en parallel til det etablerede fænomen “ressource-allocation-adfærd”, der beskriver, hvordan mennesker reagerer på beslutninger om resourcedistribution. Opkomsten af maskin-allocation-adfærd demonstrerer, hvordan algoritme-beslutninger kan forme sociale dynamikker og interpersonlige interaktioner.

Fairness og Præstation: En Overraskende Paradoks

Men studiet standsede ikke ved at udforske opfattelser af fairplay. Det udforsker også forholdet mellem fordeling og spilpræstation. Her var resultaterne noget paradoksale: fairplay i turfordeling ikke nødvendigvis førte til bedre præstation. Faktisk resulterede lige fordeling af ture ofte i dårligere spilresultater i forhold til situationer, hvor fordelingen var ulig.

Forklarende sagde Claure: “Hvis en stærk spiller modtager de fleste blokke, vil holdet gøre det bedre. Og hvis en person får 90%, vil de til sidst blive bedre til det end hvis to gennemsnits-spillere deler blokkene.”

I vores udviklende verden, hvor AI er mere og mere integreret i beslutningsprocesser på tværs af forskellige felter, tilbyder denne studie værdifulde indsigt. Den giver en interessant udforskning af, hvordan algoritme-beslutningstagning kan påvirke opfattelser, forhold og selv spilpræstation. Ved at fremhæve kompleksiteterne, der opstår, når AI krydser med menneskelige adfærder og interaktioner, får studiet os til at overveje afgørende spørgsmål om, hvordan vi bedst kan forstå og navigere i dette dynamiske, teknologi-drevne landskab.