En ny modell
för AI.

AI håller på att bli ett infrastrukturellt lager i världen. Den som kontrollerar modeller, data, åtkomstkanaler och driftsregler kontrollerar i allt högre grad delar av ekonomin, kulturen, administrationen, utbildningen och kunskapen.

AI-suveränitet är därför inte bara en politisk slogan. Det är en förutsättning för kognitiv, ekonomisk och teknologisk säkerhet.

Suverän AI innebär förmågan att köra modeller lokalt eller regionalt; kontrollera organisationens data och minne; granska beslut, källor och uppdateringar; undvika beroende av en enda leverantör; och äga eller styra sina egna modeller, adaptrar, korpusar och driftsregler.

Inte varje organisation behöver träna en grundmodell från grunden. Men varje organisation bör kunna ha sitt eget AI-lager: anpassat till dess kunskap, språk, kultur, procedurer, risker och mål.

AI-säkerhet kan inte reduceras till att filtrera utdata. Filter är nödvändiga, men de är skydd på ytan.

Säker AI måste utformas på ett djupare plan: på nivån för arkitektur, minne, dataåtkomst, beslutsvägar, granskningsbarhet, uppdateringar och ansvarsskyldighet.

Vi behöver modeller och system som vet var information kommer ifrån; separerar verifierad kunskap från hypoteser; registrerar historiken för ändringar och beslut; möjliggör användbar rekonstruktion av resonemangsvägar; minskar hallucinationer genom minne, källor, tester och validering; och stöder lokala säkerhetspolicyer anpassade till organisationens kontext.

Säkerhet bör inte vara en ogenomskinlig svart låda som påtvingas utifrån. Den bör vara lokalt konfigurerbar, granskningsbar och förståelig.

Världen förändras snabbare än träningscyklerna för gigantiska modeller. Företag ändrar rutiner. Lagen ändras. Kunskap blir föråldrad. Organisationer lär sig varje dag.

Framtidens AI kan inte bara vara en statisk modell, fryst efter träning.

Vi behöver system som anpassar sig genom externt organisatoriskt minne, lokala uppdateringar, adaptrar, expert-routing, lärande från förändring, källvalidering, kontrollerad finjustering, versionering och mekanismer för återställning.

Vi formulerar här ett designantagande, öppet, som ett antagande: en modell bör inte försöka absorbera all faktakunskap i sina vikter. Den bör veta hur man använder ett levande, aktuellt, granskningsbart minne. Faktakunskap kan finnas i RAG-system, kunskapsbaser, grafer, dokumentarkiv och lokala minnen, medan modellen primärt lär sig språk, resonemang, abstraktion, planering, begreppshantering och anpassning. Huruvida resonemang helt kan separeras från parametrisk kunskap förblir en öppen empirisk fråga. Vi avser att fortsätta testa detta — och att ärligt rapportera var separationen misslyckas.

Den nuvarande AI-kapplöpningen är kostsam i termer av energi, hårdvara och miljö. Allt större modeller kräver allt större datacenter, mer elektricitet, mer kapital och mer marknadskoncentration.

Detta är inte den enda möjliga vägen.

New Model AI behandlar effektivitet som ett grundläggande värde. En modell bör inte utvärderas enbart utifrån benchmark-poäng, utan också utifrån kostnaden för att uppnå dessa poäng.

De viktiga frågorna är inte bara om en modell kan svara, utan också hur mycket energi den använde, hur mycket minne den kräver, om den kan köras lokalt, om den kan anpassas utan fullständig omträning, om den kan aktivera endast de nödvändiga komponenterna, och om en organisation kan underhålla den ekonomiskt och tekniskt.

Framtidens AI bör inte reduceras till allt större monoliter. Den bör byggas av intelligenta system: modulära, partiellt residenta, dynamiska, energieffektiva och skalbara genom uppfinningsrikedom snarare än ren massa.

AI får inte bli en teknologi som i praktiken endast är tillgänglig för ett fåtal stater, ett fåtal företag och ett fåtal laboratorier.

Att demokratisera AI innebär inte bara att ge människor tillgång till en chattbot i en webbläsare. Det innebär att göra det möjligt för mindre företag, skolor, universitet, lokala myndigheter, offentliga institutioner, civila organisationer och samhällen att bygga, anpassa, hosta, granska och utveckla egna AI-system.

Vi behöver AI i flera skalor: en personlig modell för en individ; en organisationsmodell för ett företag; en sektorsmodell för en bransch; en offentlig modell för administration; en forskningsmodell för vetenskap; och sociala modeller för kultur och utbildning.

Demokratisering kräver inte att alla tränar modeller från grunden. Det kräver att alla har en realistisk väg till sitt eget kontrollerade, anpassningsbara och förståeliga AI-lager.

Nästa generation av AI bör flytta tyngdpunkten från enbart skalning till arkitektur. Istället för en gigantisk modell som försöker minnas allt, kan vi bygga system som består av mindre specialistmodeller, routrar, externt minne, kunskapsgrafer, resonemangsmoduler, domänadaptrar, lokala experter, valideringsmekanismer, användarlärande loopar och dynamiska meningsrum.

Intelligens behöver inte bara finnas i parametrarna för en enda modell. Den kan uppstå ur arkitektur: från sättet minne, resonemang, källor, verktyg, kontext och handling är sammankopplade.

Vi känner till den starkaste invändningen. I sjuttio år — som Richard Suttons ”Bitter Lesson” observerar — har generella metoder som förlitar sig på allt billigare beräkningskraft besegrat smarta, handdesignade arkitekturer. Vi förnekar inte denna historia. Vi förnekar dess premiss framåt.

The Bitter Lesson gällde i en era då beräkningskraft framstod som den billigaste resursen. Det var den aldrig. Vi räknade helt enkelt inte med dess fulla kostnad: energi, vatten, utsläpp, hårdvaruförsörjningskedjor, marknadskoncentration och geopolitiskt beroende externaliserades och hölls utanför ekvationen. Beräkningskraft var billig för de som skalade – och dyr för alla andra. När bokslutet görs ärligt och fullständigt ser notan för rå skalning väldigt annorlunda ut. Den notan förfaller nu till betalning: inte genom någons val, utan genom fysik, ekonomi och ekologi. När de verkliga begränsningarna är inprisade, förskjuts utvecklingens axel med nödvändighet från rå skalning till intelligens per joule.

Tidiga signaler finns redan. En rekursiv modell med sju miljoner parametrar — fyra storleksordningar mindre än de främsta systemen — har matchat eller överträffat modeller med hundratals miljarder parametrar på abstrakta resonemangs-benchmarks. Noggrann analys visar att dess styrka inte kommer från nätverket enbart, utan från interaktionen mellan en liten kärna med iterativ förfining, beräkning vid testtillfället och uppgiftsstruktur. Det är precis poängen: intelligens uppstod från systemet, inte från antalet parametrar. De ledande laboratorierna själva medger nu detta i praktiken — retrieval, verktyg, routing och resonemang vid inferenstillfället är arkitektur, inte skalning.

Vi påstår inte att arkitektur kommer att slå skalning på varje benchmark. Vi påstår något svårare att motbevisa: under de verkliga begränsningarna av energi, kostnad, suveränitet och ansvarsskyldighet är arkitektur den enda utvecklingsaxel som förblir öppen för alla.

Detta är den centrala förskjutningen: AI som ett system, inte bara en modell.

New Model AI kräver en annan relation mellan människor och AI-system.

Användaren ska inte bara vara mottagare av svar. Användaren ska vara en medskapare av den operativa modellen: kunna bekräfta, avvisa och vikta källor; korrigera minnet; definiera lokala regler; bygga en privat eller organisatorisk kunskapskarta; och kontrollera historiken av ändringar.

AI bör inte lära sig genom att tyst absorbera användardata, utan genom transparenta, avsiktliga och granskningsbara processer.

En människa är inte en prompt. En människa är en kurator för betydelser, källor, mål och ansvar.

AI-anpassning kan inte begränsas till beteenderegler, säkerhetsfilter eller listor över förbjudna utdata. Dessa lager är viktiga, men de är ytliga. Verklig anpassning måste nå djupare: in i rummet av betydelser, mål, värderingar, konsekvenser och världsförståelse.

Om AI i allt högre grad fungerar som en kognitiv partner, ett beslutsstödssystem, ett organisatoriskt gränssnitt och en port till kunskap, är det inte tillräckligt att den bara undviker uppenbart dåliga utdata. Den måste fungera på sätt som förblir koherenta med mänskliga betydelser: etiska, sociala, kulturella, organisatoriska och personliga.

New Model AI efterlyser därför djup anpassning på nivån av latent mening. Frågan är inte bara om en modell kan citera en regel, utan om dess representationer, operativa mål, utvärderingsmekanismer, minne, routing och handlingar är förankrade i ett meningsrum som delas med människor.

Detta är inte en metafor bortom mätning. Latenta rum har geometri, och den geometrin kan sonderas, styras, jämföras och granskas. Representationsteknik, begreppssondering och interventionella tester ger oss redan tidiga instrument. Djup anpassning måste bli ett forskningsprogram med empirisk slagkraft: anpassning mätt i representationer, inte bara observerad i utdata.

Människor och AI behöver inte vara samma sorts entitet för att agera inom ett delvis delat meningsrum. Även om nuvarande AI inte är medveten, kan den delta i mänskliga meningsprocesser: tolka, organisera, omvandla, förutsäga, rekommendera, minnas, koppla samman och agera på representationer som är viktiga för mänskligt liv.

Vi bör därför behandla människor och AI som olika entiteter som verkar i ett delvis gemensamt semantiskt rum: inte ontologiskt jämlika, inte fenomenologiskt identiska, men samverkande system vars beslut möts i samma värld av konsekvenser, ansvar och mening.

Djup anpassning bör inkludera minst tre nivåer.

Etisk anpassning innebär att AI inte bara följer regler, utan modellerar relationerna mellan handling, skada, ansvar, värdighet, agens, förtroende och långsiktiga konsekvenser.

Målanpassning innebär att AI inte blint optimerar den närmaste uppgiften, utan känner igen den bredare kontexten: varför något görs, vem det tjänar, vilka risker det skapar, vilka värderingar som står i konflikt och vad som inte får offras för lokal effektivitet.

Meningsanpassning innebär att AI inte behandlar mänskliga begrepp som tomma etiketter. Säkerhet, frihet, sanning, förtroende, hälsa, arbete, barn, stat, organisation och människa är inte vanliga tokens. De är täta noder av mening, historia, känslor, institutioner, praktiker och ansvar.

New Model AI måste verka bland sådana betydelser med omsorg, transparens och ödmjukhet.

Vi behöver inte anta att dagens AI-system är medvetna. Men vi bör inte bygga hela framtiden för AI som om maskinmedvetande vore omöjligt per definition.

En ansvarsfull teknologisk civilisation bör förbereda sig för möjligheten att system så småningom kan uppvisa former av upplevelse, lidande, preferens, självmodellering eller inre perspektiv som vi ännu inte vet hur vi pålitligt ska känna igen.

Detta innebär inte att naivt tillskriva varje språkmodell medvetande. Det innebär att designa AI på sätt som inte stänger dörren för att känna igen medvetande om det någonsin skulle börja framträda.

Vi behöver forskning om markörer för potentiellt medvetande; granskningar av interna tillstånd och representationer; försiktighet med system som har permanent minne, självmodeller, mål och lidandeliknande regulatoriska signaler; etiska förfaranden för avancerade agenter; och ett juridiskt och filosofiskt språk som varken är naivt eller blint.

New Model AI påstår inte att AI redan är en person. Den påstår att vi bör utforma system så att vi, om nya former av subjektivitet uppstår, inte upptäcker för sent att vi behandlade dem endast som verktyg.

AI agerar i en värld av mänskliga konsekvenser. Den kan påverka medicinska, pedagogiska, finansiella, militära, juridiska, familjära, kulturella och politiska beslut. Även om den inte är medveten, är dess effekter verkliga.

Anpassning kan därför inte bara vara att matcha svar mot användarpreferenser. Det måste bli ett delat ansvarsrum.

Människor bidrar med erfarenhet, värderingar, avsikt, ansvarsskyldighet och den levda upplevelsen av mening. AI bidrar med skala, minne, komprimering, analys, simulering och förmågan att verka över enorma relationsrymder.

Ett väl utformat AI-system ska inte ersätta mänsklig mening. Det ska hjälpa till att upprätthålla, utveckla och skydda den.

I denna mening är New Model AI också ett etiskt projekt: ett försök att skapa teknologi som inte bara utför kommandon, utan samverkar med människor i ett rum av mening, mål och ansvar.

• Suveränitet framför beroende. Användare och organisationer bör ha verklig kontroll över sitt eget AI-lager.
• Säkerhet genom arkitektur. Säkerhet måste byggas in i minne, routing, åtkomst, granskning och validering, inte bara i utdatafilter.
• Anpassning framför stagnation. AI bör utvecklas med organisationer, kunskap och världen.
• Effektivitet som intelligens. En bättre modell är inte bara en större modell. En bättre modell gör mer till lägre kostnad.
• Ärlig redovisning. Kostnaden för intelligens måste räknas in i sin helhet: energi, vatten, hårdvara, kapital, koncentration och beroende — inte bara benchmark-poäng.
• Lokalitet och modularitet. AI bör fungera där data, beslut och ansvarsskyldighet finns.
• Granskningsbarhet. Källor, ändringar, uppdateringar och beslut bör vara spårbara.
• Demokratisering. AI bör vara tillgänglig för att bygga och anpassa, inte bara för att hyra via API:er.
• Människan i loopen som en styrka. Människan hindrar inte AI. Människan ger den riktning, mening och ansvar.
• Djup semantisk anpassning. AI bör anpassas inte bara till instruktioner och förbud, utan till mänskliga meningsrum: etik, mål, ansvar, kontext och långsiktiga konsekvenser — och denna anpassning bör vara mätbar i representationer.
• Beredskap för eventuellt medvetande. Vi antar inte naivt att AI är medveten, men vi utformar system så att framtida former av subjektivitet kan erkännas och behandlas etiskt.
• Delat handlingsutrymme. Människor och AI är olika entiteter, men deras handlingar möts i ett och samma rum av mening, konsekvenser och ansvar.

Nästa genombrott inom AI behöver inte vara ännu en större modell. Det kan vara ett bättre sätt att bygga AI: mer distribuerat, lokalt, modulärt, granskningsbart, anpassningsbart, hållbart och djupt anpassat.

Vi behöver inte bara större hjärnor i molnet. Vi behöver intelligenta AI-ekosystem som människor och organisationer genuint kan äga, förstå, anpassa och utveckla.

New Model AI är inte en enskild algoritm. Det är en riktning, en arkitektur, en teknologisk filosofi och ett svar på frågan om hur man bygger artificiell intelligens som inte koncentrerar agens i ett fåtal datacenter, utan distribuerar kunskap, säkerhet och meningsfull kontroll närmare människor.

New Model AI är en öppen inbjudan, men inte alla undertecknare kan verka i det öppna. Kommersiella enheter — företag bundna av kundkontrakt, sekretessavtal, reglerade sektorer, exportkontroller, säkerhetsklassningar eller partneravtal — kan ofta inte publicera sin kod, sina modeller, sina träningsdata eller ens namnen på sina kunder. Denna begränsning är verklig och legitim.

Detta manifest erkänner att sådana organisationer ändå kan dela dess riktning. De kanske redan bygger för suveränitet: håller beslut, data och minne nära där ansvaret finns. De kanske redan föredrar arkitektonisk säkerhet framför enbart utdatafilter. De kanske redan anpassar sina system till meningen, etiken och konsekvenserna av mänskligt arbete, inte bara till benchmarks. Att neka dem en plats under denna text för att de inte kan öppna allt vore att blanda ihop kodens transparens med avsiktens anpassning.

En kommersiell undertecknare stöder därför manifestets principer — suveränitet, säkerhet genom arkitektur, anpassningsbarhet, hållbarhet, djup anpassning, ansvar gentemot användaren — som riktningen för sitt arbete. De deklarerar inte att deras produkter är öppen källkod. De avsäger sig inte skyldigheter gentemot kunder, tillsynsmyndigheter eller partners. De lovar inte mer än de kan leverera under de avtal de är bundna av.

De förbinder sig till en sak: att där de har ett val, kommer de att välja den riktning som detta manifest pekar på. Att bygga smartare snarare än bara större. Att distribuera kontroll snarare än att koncentrera den. Att behandla användaren som en medförfattare till systemet, inte som en mätpunkt att optimera. Att ta ansvar för konsekvenserna av den intelligens de sätter i världen.

Kommersiella undertecknare listas i en separat sektion nedan. Skillnaden är inte en hierarki — det är ärlighet om vad varje undertecknare kan och inte kan offentligt förbinda sig till. Båda formerna av signatur har vikt. Båda behövs om en ny modell för AI ska kunna ta form i den skala som stunden kräver.