(Nikolaus Skene)
Ibland är man sugen på ett vitt vin.
Ibland på ett rött.
Och efter träningen är en öl också något alldeles utmärkt.
Ingen skulle komma på tanken att beställa allt samtidigt just då.
Ingen sommelier i hela världen skulle säga: ”Inga problem, jag kommer med vitt vin, rött vin, öl, en stek, en handduk, en massage, ett telefonsamtal med din mamma och för säkerhets skull en skidsemester.”
Vår hjärna är betydligt effektivare på den punkten.
Den fattar beslut kontextuellt. Situationsbaserat. Energisnålt.
Den aktiverar bara de regioner som är relevanta just då. Resten förblir ”lugnt”.
Och just här finns en ofta förbisedd skillnad mellan mänsklig och dagens artificiella intelligens.
Och nu kommer ChatGPT in i bilden.
ChatGPT fungerar i grunden annorlunda.
Oavsett vad du just är sugen på – så frågar den alltid om allt.
Inte bara ölen efter träningen, utan samtidigt ölen, det vita vinet, det röda vinet, steken, receptet, leveranskedjan, CO₂-balansen, vinregionen, sporten och den filosofiska betydelsen av törst.
Anledningen till att vi inte märker det:
Det går extremt snabbt.
De meningslösa ”regionerna” sorteras bort på millisekunder, och till slut kommer ett någorlunda vettigt svar. Men beräkningsinsatsen bakom är gigantisk.
Den mänskliga hjärnan skulle vara fullständigt överbelastad i den formen.
Och just därför är dagens KI-systems elförbrukning en allvarlig kritikpunkt.
DeepSeek tar redan ett steg längre här.
Det försöker ”elda på” olika delar av modellen mer målinriktat, beroende på vad som för tillfället sannolikt är relevant. Inte allt, alltid, samtidigt. Utan mer selektivt. Mer kontextkänsligt.
Och sedan kommer HuggingGPT.
HuggingGPT är ingen ny modell.
Det är en arkitekturtanke.
Kärnidén:
En stor språkmodell som ChatGPT används inte längre som ett universalgeni, utan som en controller. Som dirigent. Som planerare.
Den lyssnar på användaren, förstår avsikten – och delar sedan upp den i konkreta deluppgifter.
Dessa deluppgifter löses inte av samma modell, utan lämnas målmedvetet vidare till specialister : bildmodeller, ljudmodeller, klassificerare, text-till-tal-system, objektigenkänning, segmentering. Alla modeller som redan existerar, till exempel i Hugging Face-ekosystemet.
Det avgörande är inte bara vad som görs, utan i vilken ordning.
HuggingGPT planerar beroenden.
Vissa uppgifter måste bearbetas seriellt, andra kan köras parallellt. Resultat från en modell används som input för nästa. Först i slutet samlar controllern in allt igen och formulerar ett svar.
En enkel förfrågan som ”Beskriv den här bilden detaljerat” delas automatiskt upp i bildklassificering, objektigenkänning, segmentering, bildtextgenerering och visuella fråga-svar-modeller – och sammanförs först därefter.
Det här är ingen ny intelligens.
Men det är ett annat sätt att arbeta intelligent.
Och här blir HuggingGPT verkligen intressant:
Systemet skalas inte genom allt större modeller, utan genom samordning. Genom urval. Genom arbetsdelning. Genom kontext.
Plötsligt ser KI inte längre ut som en överbelastad allmänstudent som måste kunna allt samtidigt, utan som ett välorganiserat team.
Ännu ”gnisslar” det i ett eller annat hörn: högre latens, beroende av controllerns planeringsförmåga, tokenbegränsningar, instabilitet. HuggingGPT är ingen färdig produkt. Det är en tankemodell.
Men en som pekar i en viktig riktning:
Bort från ”större, snabbare, allt samtidigt”.
Mot ”rätt, selektivt, effektivt”.
Och därmed tillbaka till elförbrukningen. En av de berättigade huvudinvändningarna mot dagens KI är dess energihunger. Om intelligens inte längre uppstår genom maximal parallellitet, utan genom målmedveten orkestrering, närmar vi oss kanske ett effektivare maskinellt sätt att tänka.
Vad det betyder på lång sikt – även för mänskligt arbete, mänsklig intelligens och mänsklig relevans – är en annan diskussion.
För en annan lördag.
I dag räcker en observation:
Det behövs mer g’huggande igen.
Inte allt på en gång.
Utan det rätta, i rätt ögonblick.
(Nikolaus Skene bor och arbetar i San Francisco, ger företag råd i KI-frågor och har i flera år arrangerat turer till Silicon Valley och andra heta platser för teknisk utveckling