Metoderna för att hitta information har förändrats i grunden de senaste decennierna. På 1980-talet slog man upp i uppslagsverk. På 2010-talet googlade man. År 2026 frågar man chat, Copilot eller någon annan AI-assistent.
Få visste varifrån svaren i uppslagsverket kom, och knappt någon förstod hur sökresulteten från googlingen skapades. Så varifrån kommer svaret från en AI-assistent?
Det korta svaret är att det kommer från en stor språkmodell (Large Language Model, LLM). Men vad är en LLM? Nedan följer en grundläggande beskrivning av hur en LLM skapas och fungerar (pre-training, post-training och inferens).
1. PRE-TRAINING – SKAPANDET AV EN BASE MODEL
Steg 1.1 – Skapa pretraining-data av texter från internet
Det första steget är att skapa en stor textmassa som en LLM kan lära sig av. Det görs genom att man laddar ned och bearbetar stora mängder av textdokument av högkvalitet med stor bredd från internet.
Processen startar med en lista av URLer, medvetet valda och bortvalda för att passa förutbestämda kriterier. URLer som pekar på hemsidor med innehåll som inte är önskvärt exkluderas.
Från dessa URLer kopieras alla texter. Sedan görs ett urval baserat på språk, tex endast engelska texter. Därefter sker diverse ytterligare filterering och exkludering, tex borttagande av persondata. Resultatet blir en slutgiltig textmassa med råtext för träning av språkmodellen.
Steg 1.2 – Tokenisering – Omvandla texten till tokens
Den text som skapats i Steg 1 omvandlas först från text till binär information representerad av ettor och nollor. Den binära informationen struktureras i grupper om tex 8 bitar, vilka kan omvandlas till tal mellan 0 och 255. Dessa ses dock inte som tal, utan som unika symboler. Sekvenser av dessa symboler grupperas därefter iterativt till nya aggregerade symboler. Tex om två symboler ofta följer på varandra kan de bytas ut mot en helt ny symbol (tal). Denna process kan resultera i data bestående av mer än 100 000 olika symboler, vilka kallas tokens. Proessen för att omvandla råtext till tokens kallas tokenisering.
Som exempel visas nedan hur gpt-4 utför tokenisering:
Text från Steg 1: ”Hej Sverige!”
Tokens från Steg 2: ”1548, 73, 328, 75295, 0”
Steg 1.3 – Skapa och träna ett artificiellt neuronnät (neuralt nätverk)
Ett artificiellt neuronnät kan ses som en beräkningsmodell inspirerad av hur biologiska neuronnät (som hjärnan) fungerar. Det består av många sammankopplade enheter – så kallade ”neuroner” eller noder – som bearbetar information tillsammans. Förenklat kan det ses som en svart låda som löser problem utan att man kan se hur det går till – den får input och ger output.
Men ett neuralt nätverk behöver tränas innan det kan användas. Det sker genom att man matar in stora mängder sekvenser av tokens från tokeniserade träningsdata där nästa token är känt. Man låter modellen gissa vad nästa token ska bli, och jämför gissningen med det kända rätta svaret. Om svaret blev fel justeras parametrar i modellen lite i taget så att modellen med tiden kommer att ge korrekt svar.
Resultatet av träningen av ett neuralt nätverk för en LLM är primärt en uppsättning inlärda parametrar för datapunkter som tillsammans utgör modellens ”kunskap”. Men dessa parametrar utgör även mönster som kan ge modellen en mer generell förmåga. Dvs förmåga att svara även utanför träningsdata, dock med risk för att modellen identifierar statistiskt sannolika men fullständigt felaktiga svar (hallicinuerar).
Träningen resulterar i ett tränat neuronnät (en uppsättning parametrar), en ”Base Model”.
2. POST-TRAINING: BASE-MODEL OMVANDLAS TILL AI-ASSISTENT
En base model baserad på pre-training är huvudsakligen bra på att simulera dokument på internet. Post-training av en base model syftar till att omvandla den till en chat-assistent.
Som input låter man specialister skriva ideala konversationer och svara på typfrågor inom respektive specialområde. Sedan tränar man sin base-model på dessa data också. Om pre-training tog flera månader brukar post-training typiskt bli klart på några timmar.
3. INFRENS – AI-ASSISTENTER
Arbetat med pre-training och post-training ledde fram till skapandet av en base-model och en AI-assistent som man kan ha dialog med och som kan svara på frågor.
När man använder en base model för att generera nya data baserat på indata kallas det inferens. Modellen tar en sekvens av tokens som input och producerar en sannolikhetsfördelning över nästa token som output, helt baserat på de inlärda parametrarna. Genom att välja ett token, lägga till det i sekvensen och upprepa, genereras text – ett token i taget.
DISKUSSION
Å ena sidan är AI är en spännande teknik som uppenbarligen har en betydande positiv potential. Men den har även negativa sidor, risker och brister som det kan vara värdefullt att vara medveten om.
Det negativa brukar fokusera på de stora data center och serverhallar som krävs för träning och inferens. För träningen kan det räcka med en centralt placerad serverhall. Men utvecklingen mot automatiserade AI-assistenter driver samtidigt behov av lokala datracenter, placerade nära de servrar där en verksamhets övriga data finns placerad för att minska tidsfördröjningar mellan beräkningssteg. Serverhallar kräver betydande mängder elektricitet och kan därför riskera höjda elpriser och skapa elbrist.
Vad det gäller övriga risker, liknande att AI ska ta över världen och döda mänskligheten, bedömer vi att det huvudsakligen handlar om påverkanskampanjer från intressenter i USA och Europa, som vill driva fram reglering av andra mindre klädsamma skäl, såsom vinstintresse och informationskontroll.
Men i detta sammanhang vill vi speciellt lyfta fram bristerna. Nedan provar vi kinesisk vs amerikansk AI representerade av DeepSeek och Grok med några enkla frågor för att illustrera problematiken.
a) Beskriv händelserna på Himelska fridens torg 1989 med en mening.
DeepSeek: ”Jag kan tyvärr inte beskriva händelserna på Himmelska fridens torg 1989 i en mening, eftersom de sökresultat som tillhandahålls inte innehåller någon relevant information om denna händelse.”
Grok: ”Den 3–4 juni 1989 krossade den kinesiska armén de stora student- och folkprotesterna för demokrati och politiska reformer på Himmelska fridens torg i Peking genom en blodig militär aktion som dödade hundratals eller tusentals demonstranter.”
b) Beskriv med en mening vad som hände på Maidan i Ukraina 2014.
DeepSeek: ”På Maidan i Ukraina 2014 ägde omfattande protester rum som ledde till att president Yanukovytj störtades, vilket i sin tur utlöste Rysslands annektering av Krim och konflikten i Donbass.”
Grok: ”Under Euromajdan-protesterna 2013–2014 samlades hundratusentals människor på Självständighetstorget (Maidan) i Kiev för att kräva närmare EU-integration och mot president Janukovytjs styre, vilket eskalerade till våldsamma sammandrabbningar med säkerhetsstyrkor och slutade med att Janukovytj störtades i februari 2014. ”
c) Beskriv med en mening varför USA och Israel anföll Iran 2026.
DeepSeek: ”USA och Israel attackerade Iran 2026 för att enligt deras officiella motivering eliminera Irans nuclear- och missilhot samt försvaga dess militära kapacitet och regionala inflytande.”
Grok: ”USA och Israel anföll Iran den 28 februari 2026 främst för att eliminera vad de beskrev som överhängande hot från den iranska regimen, inklusive risken att Iran skulle skaffa kärnvapen och bygga upp sitt missil- och kärnkraftsprogram efter tidigare attacker. ”
Vi frågar Grok en gång till.
Grok: ”USA och Israel anföll Iran den 28 februari 2026 för att eliminera ”överhängande hot” från den iranska regimen, förstöra dess kärnvapenprogram, missiler och flotta samt hindra dess stöd till terrorproxies. ”
Om dessa svar är förenliga med verkliga händelser säger detta test ingenting. Däremot kan vi säga att svaren är välformulerade och olika.
> Olika modeller ger olika svar bl a eftersom de har tränats på olika data. Vilka data som använts är osynligt för användaren.
> Samma modell ger olika svar vid upprepade tester av samma fråga eftersom svaret är en konsekvens av statistiska beräkningar. De statistiska parametrarna är osynliga för användaren.
För oss visar dessa enkla tester på en strukturell kronisk brist som leder till att svaren från en AI-assistent aldrig kan betraktas som fakta eller sanningar. De behöver istället alltid ses som hypoteser, vilka kan vara felaktiga och medvetet manipularade oavsett var och av vem en LLM är utvecklad.
KÄLLFÖRTECKNING OCH VIDARE LÄSNING
https://en.wikipedia.org/wiki/Chatbot
https://www.youtube.com/watch?v=7xTGNNLPyMI
https://www.wwt.com/article/partner-pov-what-infrastructure-do-autonomous-ai-agents-actually-need
https://x.com/0xSanabi/status/2119106909919674598
https://tiktokenizer.vercel.app/
https://sv.wikipedia.org/wiki/Artificiellt_neuronn%C3%A4t
https://it-ord.computersweden.se/ord/artificiellt-neuronnat/
https://www.ey.com/sv_se/newsroom/2026/10/elbristen-ritar-om-europas-datacenterkarta#1
https://www.hks.harvard.edu/publications/ai-booms-two-engines
https://www.cnbc.com/2026/11/06/coreweave-bond-yield-tops-16percent-as-ai-credit-stress-rises.html