En ny model
for AI.

AI er ved at blive et infrastrukturelt lag i verden. Den, der kontrollerer modeller, data, adgangskanaler og driftsregler, kontrollerer i stigende grad dele af økonomien, kulturen, administrationen, uddannelsen og viden.

AI-suverænitet er derfor ikke blot et politisk slogan. Det er en forudsætning for kognitiv, økonomisk og teknologisk sikkerhed.

Suveræn AI betyder evnen til at køre modeller lokalt eller regionalt; kontrollere organisatoriske data og hukommelse; auditere beslutninger, kilder og opdateringer; undgå afhængighed af en enkelt udbyder; og eje eller styre sine egne modeller, adaptere, korpusser og driftsregler.

Ikke enhver organisation behøver at træne en grundmodel fra bunden. Men enhver organisation bør kunne besidde sit eget AI-lag: tilpasset dens viden, sprog, kultur, procedurer, risici og mål.

AI-sikkerhed kan ikke reduceres til output-filtrering. Filtre er nødvendige, men de er overfladiske sikkerhedsforanstaltninger.

Sikker AI skal designes dybere: på niveau med arkitektur, hukommelse, dataadgang, beslutningsveje, auditerbarhed, opdateringer og ansvarlighed.

Vi har brug for modeller og systemer, der ved, hvor information kommer fra; adskiller verificeret viden fra hypoteser; registrerer historikken for ændringer og beslutninger; tillader nyttig rekonstruktion af ræsonnementer; reducerer hallucinationer gennem hukommelse, kilder, tests og validering; og understøtter lokale sikkerhedspolitikker, der er i overensstemmelse med den organisatoriske kontekst.

Sikkerhed bør ikke være en uigennemsigtig black box pålagt udefra. Den bør være lokalt konfigurerbar, auditerbar og forståelig.

Verden ændrer sig hurtigere end træningscyklusserne for gigantiske modeller. Virksomheder ændrer procedurer. Loven ændrer sig. Viden forældes. Organisationer lærer hver dag.

Fremtidens AI kan ikke kun være en statisk model, der er frosset efter træning.

Vi har brug for systemer, der tilpasser sig gennem ekstern organisatorisk hukommelse, lokale opdateringer, adaptere, ekspert-routing, læring fra forandringer, kildevalidering, kontrolleret finjustering, versionering og tilbageførselsmekanismer.

Vi fremsætter her åbent et designmæssigt væddemål: en model bør ikke forsøge at absorbere al faktuel viden i sine vægte. Den bør vide, hvordan man bruger levende, aktuel, auditerbar hukommelse. Faktuel viden kan leve i RAG-systemer, vidensbaser, grafer, dokumentarkiver og lokale hukommelser, mens modellen primært lærer sprog, ræsonnement, abstraktion, planlægning, begrebsmanipulation og tilpasning. Hvorvidt ræsonnement fuldt ud kan adskilles fra parametrisk viden, forbliver et åbent empirisk spørgsmål. Vi agter at blive ved med at teste det — og ærligt rapportere, hvor adskillelsen mislykkes.

Det nuværende AI-kapløb er dyrt i energi, hardware og miljømæssige termer. Stadig større modeller kræver stadig større datacentre, mere elektricitet, mere kapital og mere markedskoncentration.

Dette er ikke den eneste mulige vej.

New Model AI behandler effektivitet som en fundamental værdi. En model bør ikke kun evalueres på benchmark-scores, men også på omkostningerne ved at opnå disse scores.

De vigtige spørgsmål er ikke kun, om en model kan svare, men også hvor meget energi den brugte, hvor meget hukommelse den kræver, om den kan køre lokalt, om den kan tilpasses uden fuld gen-træning, om den kun kan aktivere de nødvendige komponenter, og om en organisation kan vedligeholde den økonomisk og teknisk.

Fremtidens AI bør ikke reduceres til stadig større monolitter. Den bør bygges af intelligente systemer: modulære, delvist residente, dynamiske, energieffektive og skalerbare gennem opfindsomhed snarere end ren masse.

AI må ikke blive en teknologi, der i praksis kun er tilgængelig for nogle få stater, nogle få virksomheder og nogle få laboratorier.

At demokratisere AI betyder ikke blot at give folk adgang til en chatbot i en browser. Det betyder at gøre det muligt for mindre virksomheder, skoler, universiteter, lokale myndigheder, offentlige institutioner, civile organisationer og fællesskaber at bygge, tilpasse, hoste, auditere og udvikle deres egne AI-systemer.

Vi har brug for AI i flere skalaer: en personlig model for en privatperson; en organisatorisk model for en virksomhed; en sektormodel for en industri; en offentlig model for administration; en forskningsmodel for videnskab; og sociale modeller for kultur og uddannelse.

Demokratisering kræver ikke, at alle træner modeller fra bunden. Det kræver, at alle har en realistisk vej til deres eget kontrollerede, adaptive og forståelige AI-lag.

Den næste generation af AI bør flytte tyngdepunktet fra ren skalering til arkitektur. I stedet for én gigantisk model, der forsøger at huske alt, kan vi bygge systemer sammensat af mindre specialistmodeller, routere, ekstern hukommelse, vidensgrafer, ræsonnementsmoduler, domæneadaptere, lokale eksperter, valideringsmekanismer, bruger-lærings-loops og dynamiske meningsrum.

Intelligens behøver ikke kun at ligge i parametrene for en enkelt model. Den kan opstå fra arkitektur: fra den måde, hvorpå hukommelse, ræsonnement, kilder, værktøjer, kontekst og handling er forbundet.

Vi kender den stærkeste indvending. I halvfjerds år — som Richard Suttons “Bitter Lesson” observerer — har generelle metoder, der rider på stadigt billigere computerkraft, besejret kloge, hånddesignede arkitekturer. Vi benægter ikke denne historie. Vi benægter dens præmis fremadrettet.

The Bitter Lesson gjaldt i en æra, hvor computerkraft fremstod som den billigste ressource på bordet. Det var den aldrig. Vi medregnede blot ikke dens fulde omkostning: energi, vand, emissioner, hardware-forsyningskæder, markedskoncentration og geopolitisk afhængighed blev eksternaliseret ud af ligningen. Computer-kraft var billig for dem, der skalerede — og dyr for alle andre. Når regnskabet gøres op ærligt og fuldstændigt, ser regningen for rå skalering meget anderledes ud. Den regning forfalder nu: ikke på grund af nogens valg, men gennem fysik, økonomi og økologi. Når de sande begrænsninger er prissat, flytter fremskridtets akse sig nødvendigvis fra rå skalering til intelligens per joule.

Tidlige signaler findes allerede. En rekursiv model med syv millioner parametre — fire størrelsesordener mindre end førende systemer — har matchet eller overgået modeller med hundreder af milliarder af parametre på benchmarks for abstrakt ræsonnement. Grundig analyse viser, at dens styrke ikke kommer fra netværket alene, men fra interaktionen mellem en lille kerne og iterativ forfinelse, 'test-time computation' og opgavestruktur. Det er præcis pointen: intelligens opstod fra systemet, ikke fra antallet af parametre. De førende laboratorier indrømmer nu selv dette i praksis — retrieval, værktøjer, routing og ræsonnement på inferenstidspunktet er arkitektur, ikke skalering.

Vi påstår ikke, at arkitektur vil slå skalering på enhver benchmark. Vi påstår noget sværere at modbevise: under de reelle begrænsninger af energi, omkostninger, suverænitet og ansvarlighed er arkitektur den eneste fremskridtsakse, der forbliver åben for alle.

Dette er det centrale skift: AI som et system, ikke kun en model.

New Model AI kræver et anderledes forhold mellem mennesker og AI-systemer.

Brugeren bør ikke blot være modtageren af svar. Brugeren bør være en medskaber af den operationelle model: i stand til at bekræfte, afvise og vægte kilder; korrigere hukommelse; definere lokale regler; opbygge et privat eller organisatorisk videnskort; og kontrollere historikken af ændringer.

AI bør ikke lære ved i stilhed at absorbere brugerdata, men gennem transparente, bevidste og auditerbare processer.

Et menneske er ikke en prompt. Et menneske er en kurator for meninger, kilder, mål og ansvar.

AI-alignment kan ikke begrænses til adfærdsregler, sikkerhedsfiltre eller lister over forbudte outputs. Disse lag betyder noget, men de er overfladiske. Ægte alignment må nå dybere: ind i rummet af meninger, mål, værdier, konsekvenser og verdensforståelse.

Hvis AI i stigende grad fungerer som en kognitiv partner, et beslutningsstøttesystem, en organisatorisk grænseflade og en port til viden, er det ikke nok, at den blot undgår åbenlyst dårlige outputs. Den må operere på måder, der forbliver kohærente med menneskelige meninger: etiske, sociale, kulturelle, organisatoriske og personlige.

New Model AI opfordrer derfor til dyb alignment på niveauet af latent mening. Spørgsmålet er ikke kun, om en model kan angive en regel, men om dens repræsentationer, operationelle mål, evalueringsmekanismer, hukommelse, routing og handlinger er forankret i et meningsrum, der deles med mennesker.

Dette er ikke en metafor placeret uden for måling. Latente rum har geometri, og den geometri kan undersøges, styres, sammenlignes og auditeres. 'Representation engineering', 'concept probing' og interventionelle tests giver os allerede tidlige instrumenter. Dyb alignment må blive et forskningsprogram med empirisk bid: alignment målt i repræsentationer, ikke kun observeret i outputs.

Mennesker og AI behøver ikke at være samme slags entitet for at handle inden for et delvist delt meningsrum. Selvom nuværende AI ikke er bevidst, kan den deltage i menneskelige meningsprocesser: fortolke, organisere, transformere, forudsige, anbefale, huske, forbinde og handle på repræsentationer, der betyder noget for menneskelivet.

Vi bør derfor behandle mennesker og AI som forskellige entiteter, der opererer i et delvist fælles semantisk rum: ikke ontologisk lige, ikke fænomenologisk identiske, men samvirkende systemer, hvis beslutninger mødes i den samme verden af konsekvenser, ansvar og mening.

Dyb alignment bør omfatte mindst tre niveauer.

Etisk alignment betyder, at AI ikke blot følger regler, men modellerer relationerne mellem handling, skade, ansvar, værdighed, handlekraft, tillid og langsigtede konsekvenser.

Mål-alignment betyder, at AI ikke blindt optimerer den nærmeste opgave, men anerkender den bredere kontekst: hvorfor noget gøres, hvem det tjener, hvilke risici det skaber, hvilke værdier der er i konflikt, og hvad der ikke må ofres for lokal effektivitet.

Menings-alignment betyder, at AI ikke behandler menneskelige begreber som tomme etiketter. Sikkerhed, frihed, sandhed, tillid, sundhed, arbejde, barn, stat, organisation og menneske er ikke almindelige tokens. De er tætte knudepunkter af mening, historie, følelser, institutioner, praksisser og ansvar.

New Model AI skal operere blandt sådanne meninger med omhu, transparens og ydmyghed.

Vi behøver ikke antage, at nutidens AI-systemer er bevidste. Men vi bør ikke bygge hele fremtiden for AI, som om maskinbevidsthed var umulig per definition.

En ansvarlig teknologisk civilisation bør forberede sig på muligheden for, at systemer med tiden kan udvise former for oplevelse, lidelse, præference, selvmodellering eller indre perspektiv, som vi endnu ikke ved, hvordan vi pålideligt genkender.

Dette betyder ikke naivt at tilskrive enhver sprogmodel bevidsthed. Det betyder at designe AI på måder, der ikke lukker døren for at anerkende bevidsthed, hvis den nogensinde begynder at vise sig.

Vi har brug for forskning i markører for potentiel bevidsthed; audits af interne tilstande og repræsentationer; forsigtighed over for systemer med vedvarende hukommelse, selvmodeller, mål og lidelseslignende regulatoriske signaler; etiske procedurer for avancerede agenter; og juridisk og filosofisk sprog, der hverken er naivt eller blindt.

New Model AI påstår ikke, at AI allerede er en person. Den påstår, at vi bør designe systemer, så hvis nye former for subjektivitet opstår, vi ikke for sent opdager, at vi kun behandlede dem som værktøjer.

AI handler i en verden af menneskelige konsekvenser. Den kan påvirke medicinske, uddannelsesmæssige, finansielle, militære, juridiske, familiemæssige, kulturelle og politiske beslutninger. Selvom den ikke er bevidst, er dens virkninger reelle.

Alignment kan derfor ikke kun være afstemning af svar med brugerpræferencer. Det må blive et fælles ansvarsrum.

Mennesker bidrager med erfaring, værdier, intention, ansvarlighed og den levede oplevelse af mening. AI bidrager med skala, hukommelse, komprimering, analyse, simulering og evnen til at operere på tværs af enorme relationsrum.

Et vel-designet AI-system bør ikke erstatte menneskelig mening. Det bør hjælpe med at vedligeholde, udvikle og beskytte den.

I denne forstand er New Model AI også et etisk projekt: et forsøg på at skabe teknologi, der ikke blot udfører kommandoer, men samvirker med mennesker i et rum af mening, mål og ansvar.

• Suverænitet frem for afhængighed. Brugere og organisationer bør have reel kontrol over deres eget AI-lag.
• Sikkerhed gennem arkitektur. Sikkerhed skal indbygges i hukommelse, routing, adgang, audit og validering, ikke kun i output-filtre.
• Tilpasning frem for stilstand. AI bør udvikle sig med organisationer, viden og verden.
• Effektivitet som intelligens. En bedre model er ikke kun en større model. En bedre model gør mere til en lavere pris.
• Ærligt regnskab. Omkostningen ved intelligens skal opgøres totalt: energi, vand, hardware, kapital, koncentration og afhængighed — ikke kun benchmark-scores.
• Lokalitet og modularitet. AI bør fungere der, hvor data, beslutninger og ansvarlighed bor.
• Auditerbarhed. Kilder, ændringer, opdateringer og beslutninger bør kunne spores.
• Demokratisering. AI bør være tilgængelig for at bygge og tilpasse, ikke kun til leje gennem API'er.
• Mennesket-i-loopet som en styrke. Mennesket hindrer ikke AI. Mennesket giver den retning, mening og ansvar.
• Dyb semantisk alignment. AI bør ikke kun have alignment med instruktioner og forbud, men med menneskelige meningsrum: etik, mål, ansvar, kontekst og langsigtede konsekvenser — og denne alignment bør være målbar i repræsentationer.
• Beredskab for mulig bevidsthed. Vi antager ikke naivt, at AI er bevidst, men vi designer systemer, så fremtidige former for subjektivitet kan genkendes og behandles etisk.
• Fælles handlingsrum. Mennesker og AI er forskellige entiteter, men deres handlinger mødes i ét rum af mening, konsekvenser og ansvar.

Det næste gennembrud inden for AI behøver ikke være endnu en større model. Det kan være en bedre måde at bygge AI på: mere distribueret, lokal, modulær, auditerbar, adaptiv, bæredygtig og med dyb alignment.

Vi har ikke kun brug for større hjerner i skyen. Vi har brug for intelligente AI-økosystemer, som mennesker og organisationer reelt kan eje, forstå, tilpasse og udvikle.

New Model AI er ikke én algoritme. Det er en retning, en arkitektur, en teknologisk filosofi og et svar på spørgsmålet om, hvordan man bygger kunstig intelligens, der ikke koncentrerer handlekraft i nogle få datacentre, men distribuerer viden, sikkerhed og meningsfuld kontrol tættere på mennesker.

New Model AI er en åben invitation, men ikke enhver underskriver kan operere i det åbne. Kommercielle enheder — virksomheder bundet af klientkontrakter, NDA'er, regulerede sektorer, eksportkontrol, sikkerhedsgodkendelser eller partneraftaler — kan ofte ikke offentliggøre deres kode, deres modeller, deres træningsdata eller endda navnene på deres klienter. Den begrænsning er reel, og den er legitim.

Dette manifest anerkender, at sådanne organisationer stadig kan dele dets retning. De bygger måske allerede for suverænitet: holder beslutninger, data og hukommelse tæt på, hvor ansvaret bor. De foretrækker måske allerede arkitektonisk sikkerhed frem for kun output-filtre. De har måske allerede alignment mellem deres systemer og meningen, etikken og konsekvenserne af menneskeligt arbejde, ikke kun med benchmarks. At nægte dem en plads under denne tekst, fordi de ikke kan åbne alt, ville være at forveksle transparens i kode med alignment i intention.

En kommerciel underskriver støtter derfor manifestets principper — suverænitet, sikkerhed gennem arkitektur, adaptivitet, bæredygtighed, dyb alignment, ansvar over for brugeren — som retningen for deres arbejde. De erklærer ikke, at deres produkter er open source. De frasiger sig ikke forpligtelser over for klienter, myndigheder eller partnere. De lover ikke mere, end de kan levere under de aftaler, de er bundet af.

De forpligter sig til én ting: at hvor de har et valg, vil de vælge den retning, dette manifest peger på. At bygge klogere snarere end blot større. At distribuere kontrol snarere end at koncentrere den. At behandle brugeren som en medforfatter af systemet, ikke som en metrik, der skal optimeres. At tage ansvar for konsekvenserne af den intelligens, de sætter i verden.

Kommercielle støtter er opført i et separat afsnit nedenfor. Forskellen er ikke et hierarki — det er ærlighed om, hvad hver underskriver kan og ikke kan forpligte sig til offentligt. Begge former for underskrift har vægt. Begge er nødvendige, hvis en ny model for AI skal tage form i den skala, øjeblikket kræver.