En Moores lov for kunstig intelligens (Eller hvor fort er fort?)

Hvor fort er fort? For eksempel når det gjelder digital teknologiutvikling generelt, eller kunstig intelligens (KI) spesielt? Hva skal man egentlig måle for å finne ut hvor fort endring skjer, og hva kan man sammeligne med?

Spørsmålet om hvor fort utviklingen går ble naturligvis aktualisert for et par uker siden da Sam Altmann i Open AI, i beste Steve Jobs- og Apple-tradisjon, viste frem Chat GPT-5 på en stor lanseringskonferanse Neste morgen hadde jeg Chat GPT-5 på PCen, klar til å ta imot mine prompter.

Som vanlig ved disse KI-lanseringene blir det en blandet mottakelse. Noen mener at forbedringene er ganske små, og at "hypen" nå er i ferd med å gå over, eller at forrige versjon kanskje hadde et bedre toneleie i svarene. Mens andre minner om hvor vanvittig mye bedre disse modellene har blitt til å skrive tekst, lage bilder, lage podcaster, lage video og til å programmere, over litt tid.

Stadig raskere KI

Så hvor mye fortere enn før går det egentlig? The Economist har noen tanker om det i artikkelen "OpenAI’s latest step towards advanced artificial intelligence", som er utstyrt med undertittelen "GPT-5 is an update, not a revolution. But revolution may still be on the way". I stedet for å vente på et stort gjennombrudd, argumenterer the Economist men at man må tenke på samme måte som med annen digital teknolgiutvikling der det er snakk om en underliggende kontinuerlig og ekponentiell ytelsesforbedring som kan virke langsom i begynnelsen, men som får en enorm kraft for hver nye fordobling av ytelsen:

"In 2019 GPT-2 could achieve 50% accuracy on the sorts of tasks that took software engineers two seconds to complete correctly. By 2020, GPT-3 could rival those engineers for tasks that took eight seconds; by 2023, GPT-4 could reliably tackle ones that took four minutes. The data, METR says, suggests a doubling every 200-odd days. More than 800 days later and GPT-5, right on trend, can handle tasks that would take a human a little over two hours. (...) Within two years, METR’s trend suggests a model will be able to complete an entire working day’s worth of labour."

Den opprinnelige Moores lov 

En fordobling av ytelsen hver 200 dager er en helt vanvittig forbedringshastighet. Jeg har skrevet om den opprinnelige Moors lov her på bloggen flere ganger, blant annet her i 2018. Den ble først formulert av Gordon Moore hos Fairchild Semiconductor, senere Intel, og handlet om prosessorhastigheten i en datamaskin. Wikipedia beskriver den slik:

"Moore's law is the observation that the number of transistors in an integrated circuit (IC) doubles about every two years. Moore's law is an observation and projection of a historical trend. Rather than a law of physics, it is an empirical relationship. It is an observation of experience-curve effects, a type of observation quantifying efficiency gains from learned experience in production. The observation is named after Gordon Moore, the co-founder of Fairchild Semiconductor and Intel and former CEO of the latter, who in 1965 noted that the number of components per integrated circuit had been doubling every year,[a] and projected this rate of growth would continue for at least another decade. In 1975, looking forward to the next decade, he revised the forecast to doubling every two years, a compound annual growth rate (CAGR) of 41%. Moore's empirical evidence did not directly imply that the historical trend would continue; nevertheless, his prediction has held since 1975 and has since become known as a law."

Wrights lov, Coopers lov og andre læringskurver

Dette med at jo flere ganger en industriell prosess blir gjennomført, jo mindre arbeidsinnsats kreves for å nå et gitt resultat, og at kostnadene dermed går ned, er formulert i litt ulike varianter. Man snakker om "erfaringskurver" eller "læringskurver". Theodore Paul Wright har fått æren av å få navnet sitt på "Wrights lov" da han formulerte en kostnadsreduksjonskurve for flyproduksjon:

"The more times a task has been performed, the less time is required on each subsequent iteration. This relationship was probably first quantified in the industrial setting in 1936 by Theodore Paul Wright, an engineer at Curtiss-Wright in the United States. Wright found that every time total aircraft production doubled, the required labor time for a new aircraft fell by 20%. This has become known as "Wright's law".".

En lignende vedvarende og eksponentiell erfartingskurve er observart for mobil radiokommunikasjon, som blant annet påvirker kapasiteten i et gitt spektrum til samtidige mobiltelefonsamtaler. Her er det Martin Coopers lov som gjelder. Den sier at fordobling av kapasiteten inntreffer hver 30. måned, noe som har gjort at vi i løpet av noen tiår har gått fra 2G til 3G til 4G til 5G, med enorme sprang i forbedringer av båndbredden:

"Cooper found that the ability to transmit different radio communications simultaneously and in the same place has grown at the same pace since Guglielmo Marconi's first transmissions in 1895. This led Cooper to formulate the Law of Spectral Efficiency, otherwise known as Cooper's Law. The law states that the maximum number of voice conversations or equivalent data transactions that can be conducted in all of the useful radio spectrum over a given area doubles every 30 months"

 

Swansons lov for solenergi 

For solenergi er det Richard Swanson som har fått æren av formulering av læringskurven som gjør at solenergi er blitt og fortsetter å bli veldig mye billigere, og utkonkurrerer ut gasskraft og kjernekraft, helt uten subsidier. Swansons lov sier at:

"Swanson's law is the observation that the price of solar photovoltaic modules tends to drop 20 percent for every doubling of cumulative shipped volume. At present rates, costs go down 75% about every 10 years"

Nettstedet "Our world in data" skriver at:

"One of the most transformative changes in technology over the last few decades has been the massive drop in the cost of clean energy. Solar photovoltaic costs have fallen by 90% in the last decade, onshore wind by 70%, and batteries by more than 90%. These technologies have followed a “learning curve” called Wright’s Law. This states that the cost of technology falls consistently as the cumulative production of that technology increases." 

Et annet område der man har lett etter en lignende formel er batteriers ytelse og pris. Nå er ikke batterier helt som prosessorer eller radiokommunikasjon fordi det i batterier også er kjemiske prosesser og ikke bare å pakke komponenter tettere sammen, slik at kurven ikke er fullt så forutsigbar, men det har likefullt vært en helt imponerende forbedring i ytelsen. Noe som blant annet har resultert i at "rekkeviddeangst" forsvinner som en hindring for å erstatte dieselbiler med elbiler. Our world in data skriver at:

"The price of lithium-ion battery cells declined by 97% in the last three decades. A battery with a capacity of one kilowatt-hour that cost $7500 in 1991 was just $181 in 2018. That’s 41 times less. What’s promising is that prices are still falling steeply: the cost halved between 2014 and 2018. A halving in only four years."

Jensen Huangs lov

Jensen Hunang, NVIDIAs toppsjef, har også forsøkt seg med å formulere en slik forbedringslov. Hans selskap utvikler såkalte GPUer, grafikkort, som er en spesiell versjon av dataprosessorer som driver PC-skjermer og er viktig for spill og andre anvendelser av data som krever spesielt høy ytelse. Disse "skjermkortene" har også funnet sin plass i datasentre som utvikler og driver tjenester med kunstig intelligens. Jensen Huangs postulat er at GPUer forbedrer seg raskere enn CPUer, eller tradisjonelle dataprosessorer. "Huangs lov" har sin egen side på Wikipedia som omtaler den slik:

"Huang's law is the observation in computer science and engineering that advancements in graphics processing units (GPUs) are growing at a rate much faster than with traditional central processing units (CPUs). The observation is in contrast to Moore's law that predicted the number of transistors in a dense integrated circuit (IC) doubles about every two years. (...) The observation was made by Jensen Huang, the chief executive officer of Nvidia, at its 2018 GPU Technology Conference (GTC) held in San Jose, California. He observed that Nvidia's GPUs were "25 times faster than five years ago" whereas Moore's law would have expected only a ten-fold increase

Hvis dette stemmer kan det også bidra til at forbedringshastigheten for KI også kan være raskere, muliggjort av stadig bedre grafikkprosessorer. Men påstanden er omstridt, og en viktig grunn til dette er at Jensen Huang ikke bare er opptatt av selve prosessorens ytelse, men av flere andre ting som virker sammen med prosessoren og til sammen gir en aksellerert forbedringskurve: 

"Compared to Moore's law, which focuses purely on CPU transistors, Huang's law describes a combination of advances in architecture, interconnects, memory technology, and algorithms."

En Moores lov for KI? 

Så er jo spørsmålet om kunstig intelligenens i en enda mer utvidet forstand en Nvidias arkitektur- og prosesseringssystemer vil følge en tilsvarende rask erfaringskurve og føye seg inn i en rekke digitale forbedringskurver som har fått egne "lover" oppkalt etter seg. Problemet er at kunstig intelligens (KI) ikke er en enekelt teknologi, men er basert på flere ting som skal virke sammen, blant annet tilgang til data, bruk av opptrente språkmodeller, algoritmer og datamodeller, som i sum sørger for at jobben blir gjort stadig grundigere og raskere, til stadig lavere kostnader.

Derfor er det vanskelig å spå at ytelesfordoblinger vil fortsette å komme hver 200 dager i lang tid framover. Det er også slik at ulike typer oppgaver kan følge ulike erfaringskurver, fordi selv om datakraft er viktig så er det som nevnt også andre faktorer som påvirker erfaringskurven. Dagens KI-modeller er bedre til å løse noen typer oppgaver enn andre. Men vi kan nok trygt regne meg at forbedringene vil fortsette og at tempoet vil vil være høyt også i fortsettelsen.

OECD om produktivitetsvekst og KI

Hvor mye kan bedrifters produktivitet øke når de tar i bruk kunstig intellligens (KI)? Hvis stadig flere bedrifter i en bransje tar i bruk KI, hva betyr det for denne bransjens produktivitetsutvikling, og i neste omgang for et helt lands økonomiske vekst de kommende årene? Og hvilke bransjer ligger best til rette for å ta i bruk KI i sine sentrale virksomhetsproesser?

Dette er noen av temaene i et arbeidsnotat OECD har gitt ut nå i sommer og som inngår i en større serie av analyser og notater som heter "OECD Artificial intelligens  papers" om KI-relaterte temaer. Kunnskap som politikere, forvaltning, akademia, arbeidslivsorganisasjoner og styrer og ledelser i næringslivet bør bli enda mer opptatt av fremover. 

OECD er en viktig kilde for slik innsikt. Norge har vært med i OECD siden oppstarten i 1960. En av gevinstene ved dette medlemsskapet er nettopp å ha innflytelse på hvordan det skal analyseres og utredes om viktige fremtidstemaer som KI. OECD skriver analyser og lager internasjonale møteplasser med fagfolk og politikere på områder som økonomi, FoU, utdanningskvalitet, fremtidige kompetansebehov og balansen mellom styring og regulering, og insentiver og handlingrom for innovasjon og omstilling. Eller politikk, som alt dette også kalles.

Rammeverk for å beregne gevinster

Det nevnte arbeidsnotatet om fremtidig produktivitetsvekst ved bruk av KI heter "Macroeconomic productivity gains from Artificial Intelligence in G7 economies" og presenterer en interessant analyse på knappe 30 sider. Som tittelen sier så avgrenses analysen til G7-landene, som er USA, UK, Japan, Tyskland, Frankrike, Italia og Canada. Akkurat det er ikke et stort problem fordi de og vi har stort sett de samme utfordringene knyttet til KI. Problemstillingen defineres slik innledningsvis:

"The paper studies the expected macroeconomic productivity gains from Artificial Intelligence (AI) over a 10-year horizon in G7 economies. It builds on our previous work that introduced a micro-to-macro framework by combining existing estimates of micro-level performance gains with evidence on the exposure of activities to AI and likely future adoption rates."

Rammeverket forfaterne bruker til å beregne fremtidige gevinster består av tre trinn som de beskriver som "micro-to-macro framework". Først ser de på kunnskapen vi allerede har om hvor mye mer effektivt bedrifter gjør ulike ting på oppgavenivå når de tar i bruk KI. For det andre løfter de denne innsikten om muligheter for produktivitetsvekst opp på bransjenivå i ulike bransjer og ser på ulike arbeidsprosesser der KI-verktøy tas i bruk og vil bli tatt i bruk. Det gjelder både generelle forretningsprosesser i næringlivet, og bransjespesifikke kjerneprosesser. Og, for det tredje, så predikerer de fremtidig utberedelse av KI basert på utrullingtakten vi allerede ser, og erfaringer fra tidligere teknologispredning.

Det er mange ting som vil kunne påvirke både bransjetall og aggregerte nasjonale tall, både i og utenfor bedriftene, og derfor stor usikkerhet. Men det har rapportens forfattere valgt å løse gjennom å beskrive tre scenarier for lav, middels og høy adopsjon av KI de neste 10 årene. Fordi dette er en analyse nedenfra og opp, basert på dagens bransjer og arbeidsprosesser, så kan vi å gå glipp av noen mer disruptive muligheter, for eksempel ved at det skjer store bransjeglidninger, og at hele bransjer forsvinner. Men dette tilhører det mer spekulative og krever litt andre metoder for å utforske, spekulere i og beskrive.

Tallene og forutsetningene

Hva sier så tallene? OECDs rapport anslår at det mest pessimistiske scenariet gir beskjede 0,2-0,4 prosentpoeng årlig produktivitetsvekst i 10 år. Midtscenariet gir 0,5 til 1 prosentpoeng årlig vekst og det optimistiske scenariet gir 0,8 til 1,3 prosentpoeng årlig vekst de neste 10 årene. Rapporten beskriver det slik:

"Under the most pessimistic scenario (low AI adoption, baseline AI capabilities), annual labour productivity gains range from about 0.2 percentage points in Japan and Italy to approximately 0.4 percentage points in the United Kingdom and the United States over the next decade. In the central scenario (medium adoption speed, expanded capabilities), these predictions range from 0.5 to 1 percentage points while the most optimistic scenario (fast adoption, expanded capabilities) predicts annual labour productivity growth ranging between approximately 0.8 to 1.3 percentage points until 2034. 

The range of productivity gains of individual countries is shaped by both the speed of AI adoption and the technological capabilities of AI systems. Cross-country differences are largely influenced by the sectoral composition of each economy. Countries that have a higher concentration of AI-exposed knowledge intensive services are generally likely to have higher productivity gains."

Nå kan omkring et prosentpoeng vekst i året i det optimistiske scenariet høres lite ut, men rapporten minner om at den økonomiske veksten på 90-tallet, drevet av at bedrifter tok i bruk PCer med internett, ga en årlig ekstra produktivitetsvekst på 1-1,5 prosentpoeng pr år. I løpet av en periode på 10 år er dette veldig mye mer enn null produktivitetsvekst, og også et kjærkomment bidrag til å frigjøre arbeidskraft i økonomier som opplever eldrebølge og knapphet på arbeidskraft i flere sektorer.

Jeg tenker likevel at slike aggregerte summer kan bli litt abstrakte og at selve sluttsummene er mindre viktige å henge seg opp i enn forutsetningene og analysene som ligger til grunn. Det er i disse analysene notatet har sin største styrke, både når det gjelder hvilke bransjer som ligger til rette for å bli mest og minst berørt av KI, og når det gjelder hvordan utberedelsen av KI-anvendelse i dag kan sammenlignes med andre generelle muligggjørende teknologier (general purpose technologies) i historien, som elektrisitet, PCer/intenett og mobiltelefoni.

Mer og mindre KI-modne bransjer

De fleste OECD-land har i dag ganske gode statistikker om KI-utberedelse i næringslivet. Selv om spørsmålene blir stilt litt ulikt i forskjellige undersøkelser, er det mulig å gjøre sammeligninger, også på tvers av G7-landene. Tallene viser at mens privat bruk av generative KI-verktøy som Chat GPT og Copilot er oppe i 30-40 prosent (tall fra USA), er bruken i næringslivet langt lavere. Europeiske tall viser at bare 14 prosent av bedriftene svarer at de bruker KI i en eller flere arbeidsprosesser i virksomheten, mens bare 3 prosent svarer at de bruker KI-verktøy i sine kjerneprosesser:

"A close examination of Eurostat’s survey on AI use among firms reveals that AI adoption in core business functions by businesses is substantially lower than AI use for any business purpose: in 2024, the respective figures are about 3% and 14% in Europe. Private use among, individuals, which is often the focus of public commentaries when discussing the fast spread of latest Generative AI (e.g. large language models) is much higher still, reaching 39% in the United States according to a recent large-scale survey.

Så er det åpenbart slik at ulike bransjer blir påvirket i ulik grad av KI-teknologier. I denne OECD-rapporten har de både sett undersøkelser om hvordan arbeidsprosesser påvirkes av å ta i bruk digitale assistenter basert på de store språkmodellene som allerede er tilgjengelige, men også på oppgaver som krever at det lages nye spesialliserte fagsystemer eller andre digitale verktøy på toppen av de generative KI-språkmodellene. 

Kort oppsummert om produktivitetsvekst på bransjenivå er det de kunnskapsintensive tjenestenæringene, og særlig finans, ikt-tjenester, media og publiseringsvirksomhet og kunnskapsintenvise forretningstjenester (advokater, konsulenter, ingeniørtjenester, revisorer, regnskap mm) som ligger best til rette for de største produktivitetsgevinstene, mens landbruk, gruvedrift og bygg/anlegg vil være minst eksponert, i hvert fall i kjernevirksomheten og på kort sikt:

"Exposure to AI varies across sectors in G7 economies, with knowledge-intensive services being the most affected (...). These services rely strongly on cognitive tasks, such as Finance, ICT services (including software development, data services and telecoms), Publishing and Media, and Professional services. In these sectors, between 50% and 80% of tasks are exposed to AI, depending on whether baseline or expanded AI capabilities are assumed. In contrast, the least exposed sectors include sectors with a strong manual, physical task component, such as Agriculture, Mining and Construction. In these sectors, between about 10% and 30% of tasks are exposed to AI."

Rapporten har sett på undersøkelser av forutsetningene for KI-anvendelse i 40-50 ulike bransjer. Den slår fast at det også er forskjeller mellom land når det gjelder modenhet generelt og innenfor ullike næringer, særlig mellom for eksempel USA og UK på den ene siden og Japan og Italia på den andre siden, man at de viktigste forskjellene ikke er mellom land, men mellom bransjer. Og fordi næringsstrukturen er ulike ved at Japan og Italia har en større andel industriproduksjon, mens USA er størst på kunnskapsintensive tjenester, så vil effektene av bruk av KI være størst i de sistnevnte på grunn av næringsstukturen, i hvert fall på kort sikt.

Muliggjørende teknlologier

Et annet interessant tema i denne rapporten er en sammeligning mellom dagens utberedelse av KI i nærlingslivet, som en generell muliggjørende teknologi som virker på tvers av bransjer og sektorer, sammenlignet med andre muliggjørende teknologier tidligere i historien. Rapporten ser konkret på elektrisitet, PC/internett og mobiltelefoni, og setter noen tall på hvor raskt adopsjonen av disses teknologiene skjedde i næringslivet i løpet av 10 år. Grafen under er hentet fra rapporten og viser at mens elektrisitet hadde blitt tatt i bruk av 23 prosent av virksomhetene på 10 år, så var bruken av PCer og internett på omkring 40 prosent og mobiltelefoni på hele 60 prosent.

Rapporten slår fast at de tre scenariene for lav, middels eller høy utberedelse av KI godt kan sammenlignes med hver at de tre historiske eksemplene. Og at forutsetningene for en rask utberedelse av KI er ganske gode:

"Based on historical evidence of the adoption of these previous GPTs, this analysis outlines three AI adoption scenarios at low, medium, and fast pace that align with the respective adoption paths of electricity, computers and the internet, and a more recent digital technology, mobile phones.

 The fast-evolving patterns of recent increases in AI adoption and declines in the cost of accessing AI are suggestive of a faster adoption trajectory. For instance, AI adoption increased by about 50% from one year to the next both among EU countries and in the United States in official data, from initial rates of around 3- 5%. Such an initial steep rise is most consistent with the S-shaped adoption pattern which was obtained for more recent digital technologies (mobile phones). Assuming the continuation along such S-shape paths lead to an adoption rate of about 60% in 10 years. In addition, new evidence shows that the quality-adjusted cost of AI models is declining exponentially (about 80% over the past two years; Andre et al, 2025), mirroring past trends observed in computational costs and computer memory (Figure 7). Coupled with Generative AI’s user-friendly nature, which is mostly based on human language interaction, its improving cost-effectiveness lends further support for a more dynamic future adoption path. 

On the other hand, a deeper integration into core business functions may still require significant complementary investments in terms of data, skills and a reorganisation and rethinking of business processes (Brynjolfsson, Rock, Syverson, 2021)."

Dette siste poenget er naturligvis viktig. Selv om det å ta i bruk KI i stor grad kan gjøres med eksisterende internettilkoblet utstyr (PCer, smarttelefoner osv) virksomheten allerede har, og ikke krever ny hardware, så er det ikke nødvendigvis enkelt eller billig å fange, forvalte og dele data, skaffe og utvikle ny nødvendig kompetanse eller reorganisere virksomhetsprosessene sine.

 Eksponentiell vekst og digital forestillingsevne

Å spå om fremtiden er aldri lett, men det er særlig vanskelig når det gjelder utberedelsen av generelle muliggjørende teknologier. Det var ikke lett å forestille seg hva vil ville bruke internett til før PCene ble koblet til internett og noen utviklet programvaren og tjenestene som skapte verdi. Eller at telefoner ikke først og fremst er noe vi bruker til å ha lange telefonsamtaler, men brukes til en rekke andre ting, for eksempel til å betale for varer i butikken eller til Snapchat og TikTok.

Det er en underliggende eksponentiell hastighet i teknologiutviklingen som gjør det ekstra vanskelig å spå om den digitale fremtiden. Intels PC-prosessorer og NVIDIAs KI-prosessorer dobler ytelsen annenhvert år, i tråd med Moores lov, og kanskje enda raskere. Noen snakker om "Huangs lov", som er inspirert av Jensen Huangs erkæringer om at KI-forbedringene går enda raskere enn den fordoblingen som Moores lov har observert: 

"In recent years, Moore’s Law has slowed down. However, Huang claims that Nvidia’s AI chips are moving at an accelerated pace of their own; the company says its latest data center superchip is more than 30x faster for running AI inference workloads than its previous generation.

“We can build the architecture, the chip, the system, the libraries, and the algorithms all at the same time,” said Huang. “If you do that, then you can move faster than Moore’s Law, because you can innovate across the entire stack.”"

Har vi forestillingsevnen og innovasjonsevnen som kreves for å forstå hva dette vil innebærer av nye produkter, tjenester, prosesser og forretningsmodeller? Det er jo lettere å forestille seg at vi skal fortsette å gjøre det vi gjør i dag, men med tjenester som går litt raskere, med litt utvidet funksjonalitet og kanskje litt mer brukervennlig. Men ser vi oss tilbake 30 år, til en tid der stillingsannonser og boligannonser var i aviser på papir, penger fantes i noe som het bankfillialer og leksikon ble solgt på på gaten på Karl Johan, så har det skjedd en del. Noen klarte å forestille seg at ting kunne gjøres annerledes ved hjelp av teknologi, og evnet å utnytte dette mulighetesrommet.

OECD-rapporter som denne har ikke de presiste svarene på hvordan fremtidenss tjenester og anvendelsesområder av KI vil se ut. De er beskriver noen endringsdrivere, noen forutsetninger eller manglende foutsetningenr særlig mynghetene bør være oppmerksomme på, og et handlingsrom som oppstår. Store verdier kan skapes hvis vi utnytter mulighetene, men disse mulgihetene er det først og fremst bedriftene selv som må finne.

(Og her er det også på sin plass å takke Terje Erikstad i Dagens Næringsliv for å gjøre meg oppmerksom på OECD-rapporten. Han har skrevet en kommentar om rapporten i dag i DN).