Arvane Shirky: Hvorfor den semantiske revolution aldrig kom (og hvorfor AI står over for samme problem)

For tyve år siden udgav Clay Shirky et kort og kontant essay, der stillede sig kritisk over for W3C's grandiosa vision for det semantiske web. Hans hovedpointe var enkel: det semantiske web var designet som "en maskine til at skabe syllogismer," men syllogismer dur ganske enkelt ikke i den kaotiske virkelighed, hvor mennesker faktisk organiserer og deler viden.

Det klassiske eksempel fra Aristoteles

Tag denne logiske kæde:

• Mennesker er dødelige
• Grækere er mennesker
• Altså er grækere dødelige

Pænt. Rent. Fuldstændig upraktisk for de fleste virkelige situationer.

Shirky brugte et selvbiografisk eksempel til at vise problemet. Hvis du ved, at "Clay Shirky er skaberen af shirky.com," og "skaberen af shirky.com bor i Brooklyn," kan du konkludere, at han bor i Brooklyn. Men kombinerer du det med påstanden "folk der bor i Brooklyn udtaler ord med en brooklyndialekt," ender du med at tro – forkert – at han udtaler "shirky.com" som "shoiky.com."

Problemet er ikke logikken. Problemet er, at virkeligheden ikke organizer sig selv i rene, universelt sande påstande, der venter på at blive kombineret.

Hvad der faktisk skete

Det semantiske web, som det oprindeligt blev forestillet, blev aldrig til virkelighed i nogen betydningsfuld grad. RDF, OWL og resten af den semantiske teknologistak endte som akademiske kuriositeter og værktøjer til virksomhedsintegration. Ikke som det universelle framework til maskinel ræsonnering, som Tim Berners-Lee havde forestillet sig.

Men her er hvad der gør Shirky værd at genbesøge i 2025: spændingen han påpegede forsvandt aldrig. Den flyttede bare til en anden arena.

Den moderne genopblussen

I dag oplever vi endnu en bølge af maskinel ræsonnerings-optimisme – denne gang drevet af large language models og neurale netværk i stedet for symbolsk logik. Løfterne er bekendte: AI-systemer der kan analysere enorme datamængder, udlede indsigter og finde forbindelser, som mennesker ikke kunne se.

Nogle ting har ændret sig. Moderne LLMs bruger ikke formel syllogistisk deduksion. De arbejder gennem statistisk mønstergenkendelse i massiv skala og leverer imponerende resultater, der ofte føles som "forståelse."

Men den grundlæggende udfordring Shirky identificerede er stadig den samme: hvordan håndterer du viden der er ufuldstændig, kontekstafhængig eller ganske enkelt forkert?

Når en LLM selvsikkert fortæller noget, der lyder plausibelt men ikke er sandt, begår den ikke en logisk fejl. Den afspejler den kaotiske virkelighed, at menneskeskabt tekst indeholder modsætninger, kulturelle antagelser, forældet information og ren fiktion – alt sammen blandet sammen. Viden er ikke rent organizer. Det har den aldrig været.

Vidensgrafer som mellemvej

Interessant nok er de praktiske arvtagerne til visionen om det semantiske web overhovedet ikke semantiske – de er probabilistiske. Googles Knowledge Graph, som driver mange af deres søgefunktioner, ræsonnerer ikke over formelle påstande. Den opretholder en kæmpe database af enheder og relationer, men den er bygget og vedligeholdt gennem machine learning, menneskelig redigering og konstant opdatering.

Den er nyttig præcis fordi den ikke forsøger at være logisk ren.

Denne tilgang – pragmatisk, kaotisk, konstant valideret mod virkeligheden – har vist sig langt mere værdifuld end det teoretisk pure semantiske web nogensinde var.

Hvad Shirky fik ret i

Kern indsigten holder stadig: deduktiv ræsonnering, uanset om den implementeres gennem formel logik eller neurale netværk der efterligner den, kæmper med kløften mellem hvordan viden faktisk er repræsenteret, og hvordan den faktisk er sand.

Doyles Sherlock Holmes fortalte os, at det brillante sind eliminerer det umulige og når frem til uundgåelig sandhed. Men de fleste "viden" i den virkelige verden er ikke organiseret sådan. Den er ufuldstændig. Den er kontekstafhængig. Den er fyldt med underforståede antagelser, der ikke overføres på tværs af domæner.

De AI-systemer der faktisk har transformeret industrier – fra anbefalingsmotorer til oversættelsesværktøjer til kodefuldførelse – har ikke gjort det ved at beherske syllogistisk ræsonnering. De har gjort det ved at finde brugbare mønstre i kaotisk data, acceptere usikkerhed og tage fejl ind imellem uden at eksplodere.

Læringen for nutidens byggere

Hvis du bygger med AI i dag, er Shirky's essay stadig essentiel læsning – ikke fordi han forudsagde fremtiden, men fordi han diagnosticerede en grundlæggende udfordring, der persisterer uanset den aktuelle teknologi.

Spørgsmålet er ikke, om maskiner kan ræsonnere. Det kan de, på specifikke måder. Spørgsmålet er, om den viden du arbejder med, er organiseret på en måde der understøtter den type ræsonnering, du prøver at udføre.

Det meste af tiden er den ikke. Og det er ikke en fejl der skal rettes – det er en egenskab ved hvordan viden faktisk fungerer.

Det semantiske webs fiasko var ikke en fiasko af ambition. Det var en fiasko i at forstå, at menneskeviden fundamentalt adskiller sig fra hvad formel logik har brug for at den skal være. De værktøjer der er lykkedes siden da, har været dem der accepterede den virkelighed og arbejdede med den, ikke imod den.

Det er Shirky's essay fra 2003s egentlige arv: ikke en forudsigelse om RDF eller OWL, men en påmindelse om, at intelligens – i maskiner såvel som mennesker – ikke virker som vores intuition fortæller os, at den burde.