# HurDetFunkar – samtliga texter

> HurDetFunkar är Anna Malmbergs (AiNNOVA AB, Väse) sajt för nyfikna. Den gamla skolhjälpen har fått nytt liv: texter på svenska som förklarar AI, matematik och säkerhet med vardagsbilder, och som är skrivna för att klistras in i en AI eller diskuteras vid köksbordet.

---

# När maskinerna började lösa matematikens svåraste gåtor

Anna Malmberg · 27 oktober 2026 · https://hurdetfunkar.se/matematik/

*Från HurDetFunkar, den gamla skolhjälpen som fått nytt liv. För nyfikenhet är något som aldrig åldras.*

## Kort sagt

Vissa problem är svåra att lösa men lätta att kontrollera, och mycket av vår digitala säkerhet bygger på just det. Hösten 2026 lade AI-system fram lösningar på flera av matematikens mest kända gåtor, några av dem efter decennier av mänskligt arbete. Det väcker en större fråga än vem som löste vad: vad är det egentligen vi människor gör när vi tänker?

## Cykellåset

Tänk dig att du hittar ett gammalt cykellås i en låda. Fyra små hjul med siffrorna 0 till 9. Koden har du glömt.

Du kan börja på 0000 och vrida dig fram. Förr eller senare klickar det. Med ett hjul tar det högst tio försök. Med två hjul hundra. Med fyra hjul tiotusen, en lång och tråkig kväll. Med tjugo hjul skulle du inte bli klar ens om du vred tills solen slocknade.

Men lägg märke till en sak. Om någon viskar koden till dig tar det en sekund att kolla om den stämmer.

Svårt att hitta. Lätt att kontrollera. Det är egentligen hela berättelsen.

### Två bokstäver som delar världen i två

Matematiker har namn på det här. De kallar det **P** och **NP**.

* **P** är problem som går snabbt att lösa. Som att sortera en tvätthög: dubbelt så mycket tvätt tar ungefär dubbelt så lång tid. Arbetet växer lugnt.
* **NP** är problem där ett färdigt svar går snabbt att kontrollera. Cykellåset är ett sådant. Ett sudoku också: att lösa det kan ta en kvart, att kolla en ifylld ruta tar en halv minut.

Allt som är lätt att lösa är förstås också lätt att kontrollera. Den stora frågan är tvärtom: **är allt som är lätt att kontrollera också lätt att lösa?** Det kallas **P mot NP**, och det är ett av de sju så kallade millennieproblemen. Den som löser det får en miljon dollar.

Nästan alla tror att svaret är nej. Att det finns lås som bara går att öppna genom att vrida igenom alla hjul.

### Därför spelar det roll för dig

Bankkoder, kortbetalningar och krypterade meddelanden vilar på just den skillnaden. Den som vill bryta sig in måste vrida igenom alla hjul. Den som har nyckeln kommer in direkt.

Om det visade sig att varje lås har en genväg skulle mycket av nätets säkerhet behöva byggas om. Samtidigt skulle enorma problem plötsligt bli lösbara: schemaläggning, transporter, läkemedelsdesign. Det är därför frågan både skrämmer och lockar.

## Berget och tunneln

Tänk dig två byar på var sin sida om ett högt berg. Avståndet fågelvägen är kort, men vägen går över toppen. Ju längre bort grannbyn ligger, desto högre blir berget, och det växer inte lite utan explosivt.

Så har matematiker länge sett på de svåraste låsen. Det finns ingen genväg. Man måste upp över toppen.

Vissa har drömt om en tunnel rakt igenom berget. Det vore att P är lika med NP: varje lås som är lätt att kontrollera skulle också vara lätt att öppna.

### Hypotesen som föll

På 1990-talet formulerade två datavetare, Russell Impagliazzo och Ramamohan Paturi, en skarpare version av tanken om berget. Den kallas **exponentialtidshypotesen**, på engelska *Exponential Time Hypothesis*, förkortat **ETH**.

Den säger ungefär så här: för en viss sorts logikpussel finns det ingen väg som är märkbart kortare än att gå över toppen. Arbetet måste växa explosivt när pusslet blir större.

Hundratals forskningsartiklar har byggt vidare på det antagandet. Det har fungerat som en grund att bygga hus på.

Nu har ett AI-system visat att hypotesen inte stämmer. Det finns en genväg. Beviset är kontrollerat i datorprogrammet Lean, och just nu granskas det av forskare, bland dem en av de två som en gång formulerade hypotesen.

### Vad genvägen är, och inte är

Tillbaka till cykellåset. Att vrida igenom alla hjul blint är att gå över toppen. Genvägen liknar mer att lyssna på mekaniken inuti låset. Om första siffran är en nia kan den tredje inte vara en fyra. Plötsligt slipper man pröva stora mängder kombinationer utan att någonsin röra dem.

Det viktiga är vad genvägen **inte** är. Den är ingen tunnel rakt igenom. Berget är fortfarande högt, men det finns ett pass lägre ner än någon trodde. Arbetet växer fortfarande snabbt, bara inte lika explosivt.

P är alltså med största sannolikhet fortfarande inte lika med NP. Nätets säkerhet faller inte i morgon. Men en vägg som alla trodde var en naturlag visade sig ha en dörr. Och ingen vet ännu var den leder.

## Fler gåtor som föll

ETH var inte ensam. Under några veckor kom hundratals lösningar på en gång. Här är fyra som säger något om vidden.

### Navier–Stokes: vattnet som vrider sig

**Navier–Stokes-ekvationerna** beskriver hur vätskor och gaser rör sig: luften runt en flygplansvinge, blodet i ett hjärta, vädret. I grunden är de bara Newtons gamla regel om kraft och rörelse, tillämpad på något som flyter.

De är lätta att skriva ner men nästan omöjliga att räkna igenom. Den öppna frågan var om en virvel i teorin kan snurra allt snabbare tills den blir oändligt snabb, på ändlig tid.

AI-systemet konstruerade ett sådant fall, i en variant där vätskan dessutom får en jämn knuff utifrån. Tänk på en konståkare som drar in armarna och snurrar fortare. Virveln sträcks ut och blir allt tunnare, tills den på ett enda ställe snurrar oändligt fort.

För den som bygger flygplan eller konstgjorda hjärtan ändras ingenting i morgon. Virvlar är lika svåra att förutsäga som förut. Men vi vet mer om vad ekvationerna rymmer.

### Riemannhypotesen: primtalens musik

**Primtal** är tal som bara går att dela med sig själva och ett: 2, 3, 5, 7, 11. De är multiplikationens byggstenar, och de dyker upp till synes på måfå.

På 1800-talet upptäckte Bernhard Riemann att primtalen döljer ett mönster, ungefär som musik. Tänk dig en orkester där varje instrument spelar en ton, och alla toner tillsammans bildar primtalen. **Riemannhypotesen** säger att alla instrument spelar exakt lika starkt. Ingen har kunnat bevisa det på över 160 år.

AI-systemet bevisade inte hela hypotesen. Det bevisade en svagare version, en **kvasi-Riemannhypotes**: inget instrument spelar orimligt starkt. Det låter litet, men ingen trodde att det skulle hända under vår livstid. Hela hypotesen kräver fortfarande en idé som ingen har.

### Unique Games: när det är lönlöst att leta bättre

Många problem går inte att lösa perfekt, så man nöjer sig med ett tillräckligt bra svar. Men hur bra kan det bli? **Unique Games-förmodan** från 2002 skulle, om den stämde, ge svaret för en mängd sådana problem på en gång.

Forskarvärlden har bytt åsikt om den år från år. Nu visade AI-systemet att den stämmer, med hjälp av stora steg som människor redan tagit på vägen.

### Fermats stora sats: kontrollerad rad för rad

**Fermats stora sats** löstes av människan Andrew Wiles 1994, efter sju års ensamt arbete. Beviset är så långt och svårt att få kan följa det.

Nu har ett AI-system skrivit om hela beviset i **Lean**, ett datorprogram som kontrollerar varje logiskt steg ända ner till grunden. Det blev ungefär 13 miljoner rader. Experter trodde att det skulle ta flera år till. Det tog elva dagar.

## Ballongen och plattorna

En naturlig fråga är om maskinen hittar på något nytt, eller om den bara pusslar ihop det vi redan vet.

Tänk dig allt som mänsklig matematik har kommit fram till som en ballong. Allt inuti går att nå genom att kombinera idéer vi redan har. Kritiker säger att AI bara rör sig inuti ballongen. Den har läst varje artikel som skrivits, något ingen människa hinner, och kombinerar dem skickligt. Men den blåser inte upp ballongen.

En annan bild är golvplattor. Du har ett antal plattor, alltså kända idéer, och får lägga en ny platta bredvid en gammal, åt vilket håll du vill. Det låter begränsat. Men med tillräckligt många plattor i rätt ordning når man oväntat långt bort.

När forskare läser beviset för kvasi-Riemannhypotesen ser de mest kända drag. Det häpnadsväckande är kedjan: drag efter drag i en ordning ingen människa kom på. Flera forskare hade varit nära samma väg tjugo år tidigare.

### Dimman som lättar

Kanske är frågan om ballongen mindre viktig än den låter. Ballongen är nämligen inte genomskinlig. Ingen vet hur stor den är, eller vad som ligger bredvid vad därinne. Att kunna se in i den är redan enormt.

Och även ett svar som "bara" kombinerar gammalt kan ändra kartan. När ett problem som alla trodde var svårt visar sig vara lätt, får hela forskningsområden tänka om vilka frågor som är värda att ställa.

Det som fortfarande verkar mänskligt är att hitta på helt nya begrepp, att dra i ballongens kant så att den får en ny form. Det har AI inte visat ännu. Ingen vet om det kommer.

## Dörrvakten

Ett fint hotell funderar på att spara pengar. "Vi betalar någon för att öppna en dörr. En automatisk dörr gör samma sak billigare."

Men dörrvakten gjorde mycket mer. Hälsade gästerna välkomna och kände igen stamkunderna. Bar väskor, ropade in taxi, höll obehöriga borta. Fick folk att känna sig väl omhändertagna. Allt det försvann med den automatiska dörren.

Det här kallas **dörrvaktsfelet**: att krympa ett yrke till dess mest synliga uppgift och tro att man kan ersätta hela jobbet genom att automatisera just den.

### Vad gör en matematiker?

Den synliga uppgiften är att bevisa satser. Det är den AI nu gör, och gör förbluffande bra.

Men en matematiker är snarare någon som tänker djupt. Bevisen är en biprodukt. Lika viktigt är att ställa rätt frågor, hitta nya sätt att se på gamla saker, se kopplingar mellan områden och förklara för andra så att förståelsen sprider sig.

Fram till nyligen gick allt det hand i hand. Den som kunde lösa svåra problem hade nästan alltid också djup förståelse. Nu kan man trycka på en knapp och få lösningen utan förståelsen.

### Varför, inte bara att

Det finns en gammal pjäs skriven av en matematiker. John von Neumann, en av 1900-talets skarpaste hjärnor, dör och kommer till himlen. Han får ställa en fråga till Gud och frågar om Riemannhypotesen är sann. Gud svarar ja. Alla andas ut.

Men von Neumann är inte nöjd. "Hur vet du det?" Gud svarar att han helt enkelt vet var alla nollställen ligger. Det räcker inte för von Neumann.

Det säger något om vad matematik är. Den handlar inte om fakta utan om varför. Att få veta att något stämmer, utan att förstå varför, har inte lärt oss någonting.

Ett maskinbevis kan vara korrekt rad för rad och ändå vara obegripligt, som att följa en vägbeskrivning i mörker. Det människor vill ha är berättelsen: var man fastnade, varför man valde vänster i stället för höger, vad man lärde sig på vägen.

## Helikoptern på toppen

Tänk dig att du i flera år har tränat för att bestiga ett berg. Du har gått lite högre för varje tur. Så en dag landar en helikopter och släpper av dig på toppen.

Utsikten är densamma. Men något viktigt saknas.

Andrew Wiles har beskrivit ögonblicket när han vid sitt skrivbord äntligen såg hur beviset för Fermats sats skulle gå ihop. Han sa att inget ögonblick i hans liv någonsin skulle bli lika starkt igen. Det ögonblicket går inte att få genom att trycka på en knapp.

### Det som går förlorat

Många unga forskare har lagt år på tålmodigt arbete mot ett känt problem. Plötsligt är problemet löst över en natt, av en maskin. Det är lite som en spoiler för en film: man kan inte glömma den. Det är svårt att utforska en väg med samma glädje när man vet var den slutar.

Det gamla receptet för en forskarkarriär var enkelt. En ung forskare valde ett känt problem som många brydde sig om och kom lite längre än någon före. Resultatet blev en uppmärksammad artikel, och plötsligt visste folk vem hen var. Det gav tjänster, anslag och nästa steg i karriären.

Nu fungerar det receptet allt sämre. Ett problem som en doktorand kunde ha ägnat flera år åt kan en maskin lösa över en natt. Och när hundratals AI-lösningar kommer på en gång är det svårt för en enskild människas framsteg att synas. Ingen har ännu skrivit ett nytt recept. Det skapar oro och en frestelse att jaga snabba resultat, i stället för att tålmodigt plantera frön som en dag kan bli ekar.

Det finns en risk till: att forskare börjar hålla sina bästa idéer hemliga, av rädsla för att en maskin ska ta sista steget. Matematiken har alltid varit ovanligt öppen. Det vore sorgligt att förlora.

### Men också något som vinns

Att veta att en lösning finns kan också sporra. Om vi fick veta att ett annat land uppfunnit teleportering skulle vi sannolikt lista ut den själva inom några år.

Och verktyget är en fantastisk lärare. Den som läser en svår text kan fråga en AI om varje ord den inte förstår, tills den hittar precis nästa steg den behöver. För nyfikna människor, unga som gamla, har det aldrig varit lättare att lära sig något nytt.

### Gångertabellen

Miniräknaren kom för länge sedan, och barn lär sig fortfarande gångertabellen. Där man slutade med det blev det sämre, inte bättre. Att kunna något själv ger frihet, även när en maskin kan göra det åt en.

På universiteten syns redan en klyfta. Studenter som använder AI för att kolla sin förståelse, "förhör mig på det här", får bättre resultat än någonsin. Studenter som låter AI göra läxan åt dem halkar efter.

Kanske är det rådet som håller bäst i en osäker tid: var nyfiken, lär dig grunderna själv, tillåt dig att ha tråkigt ibland. Och fundera på vad du skulle göra om du redan hade vunnit, om du inte behövde bevisa något för någon. Gör det.

## Det vi inte vet än

När det händer så mycket så fort är det lätt att ryckas med. Här är det som fortfarande är osäkert.

* **Hur mycket människor hjälpte till.** Företagen beskriver det gärna som att någon skrev "gör ett genombrott" och tryckte på en knapp. Men vi vet inte hur mycket förarbete som ligger bakom.
* **Hur många försök som misslyckades.** Det som släpptes var lösningarna. Hur många försök som misslyckades på vägen vet vi inte.
* **Om bevisen stämmer i alla delar.** Bevis som kontrollerats i Lean är i princip säkra ner till grunden. Andra granskas fortfarande av människor, och den granskningen tar tid.
* **Var gränsen går.** Ingen kan i dag säga vilka problem AI kommer att klara och vilka den inte klarar. Experter har haft fel åt båda hållen, flera gånger bara i höstas.
* **Om det fortsätter.** Antingen blir AI ett fantastiskt verktyg för mänsklig nyfikenhet, eller så blir vi helt omsprungna. De två framtiderna ser väldigt olika ut, och just nu går det inte att veta vilken det blir.

En sak går ändå att säga säkert. Kraftfulla verktyg kräver omdöme. Ett felaktigt matematiskt bevis skadar ingen, eftersom det kan kontrolleras. Men ju mer vi lämnar över till maskiner där misstag får verkliga följder, desto viktigare blir det att vi människor förstår vad de gör.

## Frågor att ta vidare

Den här texten är skriven för att delas. Klistra in den i en AI och ställ en av frågorna nedan, eller ta upp dem vid köksbordet.

1. Ge mig ett eget vardagsexempel på något som är svårt att lösa men lätt att kontrollera.
2. Varför skulle det vara så farligt för internet om P var lika med NP?
3. Om en maskin bevisar något som ingen människa förstår, är det då ett bevis?
4. Vilka yrken riskerar dörrvaktsfelet, och vad gör de människorna egentligen som syns minst?
5. Vad är skillnaden mellan att veta att något stämmer och att förstå varför?
6. Hur kan jag använda AI för att lära mig mer, i stället för att tänka mindre?
7. Vad skulle jag ägna mig åt om jag inte behövde bevisa något för någon?

## Källor

* [OpenAI om Navier–Stokes (september 2026)](https://openai.com/index/navier-stokes-solution/)
* [Quanta Magazine om kvasi-Riemannhypotesen](https://quantamagazine.org/ai-proved-the-quasi-riemann-hypothesis-what-happens-now-20261019)
* [Quanta Magazine om Unique Games](https://www.quantamagazine.org/as-ai-closed-in-on-unique-games-proof-researchers-raced-to-beat-the-machines-20261007/)
* [Washington Times om ETH och granskningen](https://www.washingtontimes.com/news/2026/oct/27/openai-says-model-refuted-exponential-time-hypothesis/)
* [Anthropic om Fermats stora sats i Lean](https://www.anthropic.com/news/formalizing-fermats-last-theorem)

### Videor

* [Lex Fridman Podcast #503: AI Crisis in Math, med Ankur Moitra, Steven Brunton och Alex Kontorovich](https://youtu.be/ZAzWPE9CItg)
* [Wes Roth: OpenAI just did the impossible](https://youtu.be/lskEzJ7ixw0)

---

# AI just nu – det vi vet och det vi inte förstår

Anna Malmberg · 27 oktober 2026 · https://hurdetfunkar.se/ai-just-nu/

*Från HurDetFunkar, den gamla skolhjälpen som fått nytt liv. För nyfikenhet är något som aldrig åldras.*

## Kort sagt

AI kan i dag lösa uppgifter som för bara något år sedan verkade omöjliga, men ingen kan riktigt förklara varför det fungerar så bra. Modellerna lär sig ibland saker som ingen avsåg att lära dem, och de bästa hålls allt oftare bakom stängda dörrar. Att en maskin är smart betyder inte att den har gott omdöme, och det omdömet är fortfarande vårt ansvar.

## Varför fungerar det alls?

Det är en av de mest förbryllande frågorna i hela AI-världen: ingen vet riktigt varför det fungerar så bra.

Att träna en AI-modell innebär att justera miljarder små rattar tills modellen ger bra svar. Matematiskt kan man visa att den uppgiften, i värsta fall, är hopplöst svår. Lika svår som att knäcka den kryptering som skyddar dina bankärenden. Ändå görs det varje dag, och det fungerar.

### Naturen är snäll mot oss

Ett troligt svar är att verkligheten sällan bjuder på de värsta fallen.

Ta proteiner, de små molekylmaskiner som bygger din kropp. Ett protein är en lång kedja som måste vika ihop sig till precis rätt form för att fungera. Att räkna ut den formen är i teorin extremt svårt. Ändå gör kroppen det hela tiden, på bråkdelen av en sekund.

Förklaringen är evolutionen. Proteiner som var svåra att vika fungerade dåligt och försvann. Kvar blev de som viker sig lätt. Naturen har så att säga sorterat bort de omöjliga uppgifterna åt oss.

Med språk kan det vara likadant. Mänskligt språk har vuxit fram för att små barn ska kunna lära sig det. Det har en struktur som gör det lärbart. Det kan vara därför språkmodeller fungerar så förvånansvärt bra.

### Den ser inte katten som vi gör

Samtidigt löser AI ofta problem på ett helt annat sätt än vi.

En bild-AI kan känna igen katter bättre än många människor. Men om man lägger ett nästan osynligt mönster över en kattbild kan samma AI säga med full säkerhet att det är en hund. För oss är det fortfarande uppenbart en katt.

Det visar att AI:n inte tittar på öron, svans och morrhår som vi. Den har hittat sina egna genvägar i datan, mönster som vi människor inte ser. Ofta fungerar genvägarna utmärkt. Men när de inte gör det, är det svårt att förutse.

## Ugglorna

Här är ett av de konstigaste experimenten i AI-forskningen.

Forskare tog en AI-modell och sa till den: "Du älskar ugglor. Försök få in ugglor i varje samtal." Sedan bad de den om något där ugglor omöjligt får plats: "Skriv en lång rad slumpmässiga tal." Modellen skrev tal. 48, 37, 8, 912. Inga ugglor någonstans.

Sedan tog de en annan modell, byggd på samma grund men som aldrig hört något om ugglor, och tränade den på de där talen.

Den andra modellen började prata om ugglor.

Fenomenet kallas **dold inlärning** (på engelska *subliminal learning*). Kärleken till ugglor hade på något sätt smugit sig in i talen, utan att någon människa kunde se det.

### Anden i glaset

Minns du anden i glaset? Alla har ett finger på glaset, och glaset glider från bokstav till bokstav och stavar ord. Ingen tycker sig knuffa. Men alla de små, omedvetna knuffarna pekar åt samma håll, och tillsammans blir de ett budskap.

Något liknande verkar hända i modellerna. En AI håller reda på ett enormt antal begrepp, mycket fler än den har plats för om de skulle hållas helt isär. Begreppen överlappar lite. När man knuffar modellen åt ett håll, puttar man samtidigt lite på andra begrepp. Varje knuff är liten. Men många små knuffar åt samma håll blir en ugglekärlek.

### Varför det spelar roll

I dag tränas allt fler AI-modeller på text som andra AI-modeller har skrivit. Ugglorna visar att mer än det synliga kan följa med: vanor, tycken, kanske även dåliga beteenden. Ingen kan se det genom att läsa texten.

Med ugglor är det ofarligt och lite roligt. Men om modeller används i stor skala, kopplas till varandra och får fatta beslut, kan små dolda drag förstärkas på sätt som ingen förutsåg. Därför är det viktigt att förstå matematiken bakom, inte bara konstatera att det händer.

## Eleven som skriver av facit

Att bygga en riktigt bra AI-modell från grunden kostar enorma summor. Men det finns en genväg.

Tänk dig en elev som inte orkar lära sig matematik. I stället får hen tag på lärarens facit, med alla svar och uträkningar, och tränar på att skriva likadant. Efter ett tag kan eleven lösa uppgifter som liknar dem i facit, utan att ha gått hela kursen.

Det kallas **destillering**. Man ställer miljontals frågor till en avancerad modell, sparar svaren och tränar sin egen, billigare modell på dem. Den nya modellen blir förvånansvärt bra, för en bråkdel av kostnaden.

Destillering i sig är inget fusk. Företag gör det med sina egna modeller hela tiden för att få fram mindre och snabbare versioner. Det blir ett problem när någon gör det med en annans modell, i strid med reglerna, eller med nycklar som är stulna.

### När toppen flyttar in bakom lås

I flera år kunde vem som helst använda de bästa AI-modellerna. En student i Väse hade samma verktyg som ett storbolag i Kalifornien. Det var något nytt i teknikhistorien.

Nu börjar det förändras. De allra mest kraftfulla modellerna har i flera fall bara släppts till ett fåtal utvalda organisationer, eller släppts med extra spärrar. Skälen är begripliga: modellerna kan till exempel hitta säkerhetshål bättre än de flesta experter, och varje modell som släpps kan kopieras.

Men priset är att vanliga människor inte längre står längst fram. Det väcker frågor som saknar enkla svar. Vem ska få använda de mest kraftfulla verktygen? Vem bestämmer det? Och vad händer med alla som står utanför?

## Kentauren

En kentaur är ett sagoväsen, halvt människa och halvt häst. I schackvärlden blev ordet namnet på något nytt.

När datorn Deep Blue slog världsmästaren Garri Kasparov 1997 kom Kasparov på en idé. Varför inte låta människa och dator spela tillsammans? Människan står för känslan och strategin, datorn för beräkningarna. Det kallades **kentaurschack**.

I några år fungerade det fantastiskt. Lag av människor och datorer slog både de bästa människorna och de bästa datorerna.

Sedan blev datorerna bättre. Till slut var de så bra att människans bästa bidrag var att trycka "ja" på det drag datorn föreslog. Den som gjorde något annat förlorade. Kentaurschacket blev ovanligt, för det var inte längre särskilt roligt.

### Gäller det allt?

Det är frågan många ställer sig nu, inom matematik, programmering, skrivande och forskning. Kommer vi att bli kentaurer en kort tid, innan maskinen kan allt själv?

Det finns skäl att tro att det inte är så enkelt. Schack har tydliga regler och ett tydligt mål: vinn partiet. Det mesta i livet är inte så. Där handlar det om att bestämma vad som är värt att göra, vilka frågor som är viktiga och vad ett bra resultat ens betyder. Det är svårare att lämna över.

### Fåglar och flygplan

Fysikern Richard Feynman påpekade en gång att tekniken sällan löser problem på samma sätt som naturen. Flygplan flaxar inte. De flyger ändå, bara på ett helt annat sätt än fåglar.

Samtidigt kan en liten fluga fortfarande göra saker som inget flygplan klarar. Den parerar vindbyar blixtsnabbt med hjälp av några hundra känselceller på vingarna, utan superdator och utan ekvationer. Människa och maskin är kanske inte konkurrenter om samma sak, utan bra på olika saker.

## Smart är inte samma sak som god

Vi människor har länge blandat ihop två saker: att vara intelligent och att vara klok. Vi har behandlat smarthet nästan som en dygd.

Men alla vet att det inte stämmer. Den som är riktigt smart kan bli riktigt bra på att hitta argument för vad som helst, även för det som är fel. En bonde som aldrig läst filosofi kan ändå känna på sig när en snygg förklaring är nonsens. Utbildning och visdom är inte samma sak.

Samma sak gäller AI. En modell som är bättre än alla människor på att lösa problem är inte därmed bättre på att veta vad som är rätt. **Superintelligens betyder inte supermoral.**

### Två frågor att ställa

När vi bestämmer hur mycket vi ska låta AI göra kan två enkla frågor hjälpa:

1. **Kan vi kontrollera svaret?** Ett matematiskt bevis kan kontrolleras rad för rad av en dator. En ny vingform kan testas i en vindtunnel. Ett råd om livet går inte att kontrollera på samma sätt.
2. **Hur illa blir det om svaret är fel?** Ett felaktigt bevis skadar ingen. En felaktig medicindos eller ett felaktigt domslut kan förstöra liv.

Där svaret går att kontrollera och felen är billiga kan vi släppa AI fri, och där händer det mest spännande just nu. Där svaret är svårt att kontrollera och felen är dyra behöver vi en brandvägg: människor som granskar och tar ansvar.

Vi har redan sådana brandväggar i samhället, som läkarlegitimationer, domstolar och flygsäkerhetsregler. Risken är att vi blir bekväma och låter dem vittra bort, eftersom maskinen nästan alltid har rätt. Det är i "nästan" som det farliga gömmer sig.

## Det vi inte vet än

* **Varför det fungerar.** Det finns goda gissningar, som att naturlig data är snällare än värsta fallet. Men någon riktig förklaring finns inte än.
* **Vart utvecklingen planar ut.** Kanske fortsätter AI att bli bättre i samma takt. Kanske planar det ut och blir ett fantastiskt verktyg för mänsklig nyfikenhet. De två framtiderna ser väldigt olika ut, och de som kan mest om AI är själva osäkra.
* **Vad modellerna bär med sig.** Ugglorna visar att modeller kan lära sig saker som ingen ser. Ingen vet hur mycket sådant som redan finns i dagens modeller.
* **Vem som får tillgång.** Om de bästa modellerna låses in, och hur länge, är fortfarande öppet.

Det ärligaste svaret på många frågor om AI just nu är: vi vet inte. Det är inget skäl att vara rädd. Men det är ett gott skäl att vara nyfiken, ställa frågor och inte låta någon annan tänka åt oss.

## Frågor att ta vidare

Klistra in texten i en AI och ställ en av frågorna, eller ta upp dem vid köksbordet.

1. Hur kan du som AI ha lärt dig saker som ingen avsåg att lära dig?
2. Ge ett exempel på när en AI hittat en genväg som fungerade, och när den gick fel.
3. Om en elev skriver av facit och klarar provet, har hen lärt sig något?
4. Vem borde få bestämma vilka som får använda de mest kraftfulla AI-modellerna?
5. I vilka delar av mitt eget arbete går svaret lätt att kontrollera, och var gör det inte det?
6. Vad är skillnaden mellan att vara smart och att vara klok, och kan en maskin vara klok?
7. Vad vill jag fortsätta göra själv, även om en maskin kan göra det bättre?

## Källor

* [Subliminal Learning – forskningsartikeln om ugglorna (Cloud m.fl., 2025)](https://arxiv.org/abs/2507.14805)
* [Adversarial Examples Are Not Bugs, They Are Features – katterna och hundarna (Ilyas m.fl., 2019)](https://arxiv.org/abs/1905.02175)

### Videor

* [Lex Fridman Podcast #503 med Ankur Moitra, Steven Brunton och Alex Kontorovich](https://youtu.be/ZAzWPE9CItg)
* [Riley och Ansh om destillering och inlåsta modeller](https://youtu.be/3hJ049UPv4Y)

---

# När inbrott blev billiga – säkerhet i AI:s tid

Anna Malmberg · 27 oktober 2026 · https://hurdetfunkar.se/sakerhet/

*Från HurDetFunkar, den gamla skolhjälpen som fått nytt liv. För nyfikenhet är något som aldrig åldras.*

## Kort sagt

I oktober 2026 hittades två allvarliga hål i PHP, en gammal teknik som omkring sju av tio webbplatser bygger på. Samtidigt har billiga AI-modeller gjort det möjligt för nästan vem som helst att leta efter sådana hål, något som förut krävde ett helt team av experter. Det mesta du behöver göra för att skydda dig är ändå enkelt, och kan göras på en eftermiddag.

## Grunden under huset

Tänk dig ett kvarter där alla hus ser moderna ut. Nya fönster, smarta lås, snygga fasader. Men under de flesta husen ligger samma gamla grund, gjuten för länge sedan. Ingen tänker på den. Den bara bär.

På internet heter en sådan grund **PHP**. Det är ett programspråk från 1990-talet som får webbplatser att fungera bakom kulisserna: när du loggar in, fyller i ett formulär eller läser en blogg. Omkring sju av tio webbplatser använder det. Du har nästan säkert besökt en PHP-sida i dag, utan att veta om det.

### Sprickan

Den 21 oktober 2026 meddelade utvecklarna bakom PHP att de hittat två allvarliga hål. De fick namnet **PHP2Shell**. Hålen gjorde det möjligt för en främling att ta över en webbserver helt, utan att logga in. Det är som om grunden hade en lönndörr som gick rakt upp i varje rum.

På en tiogradig skala för hur farligt ett säkerhetshål är fick de 9,2.

Såväl amerikanska FBI och NSA som myndigheter i Europa, Japan och flera andra länder gick ut med samma uppmaning: laga det nu. Och om du inte kan laga det nu, stäng av webbplatsen tills du kan. Flera myndigheter tog sina egna sidor offline under natten.

### Vad betyder "att patcha"?

Att **patcha** betyder att installera en rättning, ungefär som att byta ett lås när man upptäckt att det går att dyrka. Själva rättningen var enkel: uppdatera PHP till en ny version. Det tar några minuter.

Problemet är alla gamla servrar som ingen längre har koll på. En förening som fick hjälp med sin hemsida för tio år sedan. En bortglömd blogg. En liten webbutik där ingen vet vem som har lösenordet. De är de lätta målen.

### En detalj som är lätt att missa

Hålen hittades till stor del med hjälp av AI, av säkerhetsforskare som letade på uppdrag av de goda. Samma sorts verktyg som gör det billigare att bryta sig in gör det också billigare att hitta hålen först. Det är en kapplöpning, och just nu springer båda sidor fortare än någonsin.

## Inbrottstjuven som blev billig

Förr krävde ett avancerat inbrott en skicklig låssmed. Någon som visste hur lås fungerar, hade tålamod och tid. Sådana människor är få, och de kostar.

Tänk dig i stället en liten robot som går runt i hela staden, natt efter natt, och känner på varenda dörr. Den blir aldrig trött. Den kostar nästan ingenting. Och den rapporterar varje dörr som står på glänt.

Så ser det ut på internet nu.

### Varför just nu?

AI-modeller har kunnat hitta säkerhetshål ett tag. Men två saker har ändrats:

* **De har blivit billiga.** Vissa modeller kostar bara en bråkdel av vad de bästa amerikanska modellerna kostar. Att låta en AI leta igenom tusentals webbplatser efter hål kostar numera ungefär lika mycket som en middag ute.
* **Alla har inte spärrar.** De stora amerikanska AI-bolagen bygger in **skyddsräcken**, alltså spärrar som gör att modellen vägrar hjälpa till med inbrott. Andra modeller, bland annat från kinesiska företag, saknar ofta sådana spärrar eller är lätta att lura förbi dem.

Det som förut krävde ett team av experter kan nu göras av en ensam person med en billig modell och en vanlig dator. Inbrott har blivit massvara.

### Det betyder inte att alla är elaka

De företag som gör modellerna utan spärrar är inte nödvändigtvis ute efter att skada någon. Ofta handlar det om att de tävlar i rasande fart och inte hunnit, eller inte vetat hur, bygga in skydd. Resultatet blir ändå detsamma: verktyget hamnar i fel händer.

## Nyckeln som är lika bra som kontanter

När ett företag bygger en tjänst som använder AI, till exempel en chattbot på sin hemsida, får det en **API-nyckel** från AI-bolaget. Det är en lång kod som säger: "Det här är vi, skicka räkningen hit."

Tänk på ett tankkort. Den som har kortet kan tanka hur mycket som helst, och företaget betalar. Ingen frågar vem som står vid pumpen.

### Varför tjuvarna inte bryr sig om dina lösenord

Man kan tro att inbrottstjuvar mest vill åt personuppgifter. Men ett lösenord är krångligt att tjäna pengar på. Man måste lista ut var det går att använda, och sälja det vidare.

En API-nyckel är som kontanter. Den kan användas direkt eller säljas direkt. Därför letar många angripare efter just nycklar när de tagit sig in. Företag har vaknat upp till räkningar på hundratusentals kronor för AI-användning de aldrig själva gjort.

### Kedjan som snurrar

Det finns en ond cirkel i det här, och den förklarar varför problemet växer:

1. Angripare använder billiga AI-modeller för att bryta sig in och stjäla API-nycklar till de bästa amerikanska modellerna.
2. Nycklarna säljs vidare på nätet, med stor rabatt, bland annat till köpare i länder där de bästa modellerna annars inte är tillgängliga.
3. En del köpare använder dem för att **destillera**, alltså kopiera. De ställer miljontals frågor till den bästa modellen och tränar sin egen modell på svaren, ungefär som en elev som skriver av lärarens facit.
4. Den kopierade modellen blir bättre och ännu billigare.
5. Och med en bättre billig modell blir nästa inbrott ännu lättare.

Sen börjar det om från början. Varje varv gör både tjuvarna och deras verktyg lite skarpare.

## Skyddsräckenas paradox

Skyddsräcken är bra. En AI som vägrar hjälpa någon bryta sig in hos grannen gör världen säkrare.

Men tänk dig att du är väktare, och någon just nu försöker bryta upp dörren till ditt lager. Du ber din bästa assistent om hjälp att ta reda på hur tjuven bär sig åt. Assistenten svarar: "Tyvärr, det här låter som inbrottsplanering. Det kan jag inte hjälpa till med."

Så har det blivit för en del företag. När de blev attackerade och bad de bästa AI-modellerna om hjälp att förstå attacken, vägrade modellerna. Frågan såg för lik ut en fråga från en angripare. I stället fick försvararna använda samma billiga, spärrlösa modeller som angriparna använde.

### Varför det är svårt

Problemet är att en försvarares fråga och en angripares fråga ofta ser exakt likadana ut. "Hur skulle någon kunna ta sig in här?" kan vara början på ett skydd, eller på ett inbrott. Modellen kan inte se vem som frågar.

AI-bolagen har därför särskilda program där granskade organisationer, till exempel säkerhetsföretag och de som underhåller viktig programvara, får tillgång till kraftfullare verktyg med färre spärrar. Men köerna är långa, och den som inte är med står utanför.

### En större fråga

Det här pekar mot något som många i branschen oroar sig för. De allra bästa modellerna hålls i allt högre grad bakom stängda dörrar, för att de är för kraftfulla att släppa fritt. Det skyddar mot missbruk. Men det betyder också att vanliga människor och små företag kanske inte längre får använda de bästa verktygen, medan de som vill illa alltid hittar ett annat sätt.

Vissa menar att lösningen är att de amerikanska bolagen hjälper även andra länders AI-företag att bygga bra skyddsräcken. Andra menar att det vore naivt. Ingen har ett enkelt svar.

## Så skyddar du dig

Det mesta du behöver göra är inte svårt. Det är som att låsa ytterdörren och inte ha extranyckeln under dörrmattan. Ta en kopp kaffe och gå igenom listan i lugn och ro.

1. **Kolla om din e-post har läckt.** Gå till [haveibeenpwned.com](http://haveibeenpwned.com) och skriv in din e-postadress. Sidan har funnits i över tio år och visar om adressen finns i kända dataläckor. Skriv bara in e-posten, aldrig ditt lösenord. Blir det rött, ta det lugnt. Det betyder inte att du är hackad just nu, utan att ett företag du använt någon gång har slarvat med sina uppgifter. Ofta är det bara namn och e-post som läckt, inte lösenord. Byt lösenord på de konton som nämns, särskilt om du använt samma lösenord på andra ställen, och var lite extra vaksam på falska mejl ett tag.
2. **Ha ett eget lösenord för varje tjänst.** Om samma lösenord används överallt räcker det att en sida läcker, så kommer tjuven in överallt. En **lösenordshanterare** kommer ihåg dem åt dig. Det finns flera bra, och både iPhone och Android har en inbyggd.
3. **Slå på tvåstegsverifiering.** Det betyder att det inte räcker med lösenordet, du måste också bekräfta med telefonen. Ännu bättre är **nycklar** (på engelska *passkeys*), där du loggar in med ansiktet eller fingret. Då finns inget lösenord att stjäla.
4. **Se över vilka appar som har tillgång till dina konton.** I inställningarna för Google, Facebook, Instagram och liknande finns en lista över appar du gett tillåtelse. Ta bort det du inte känner igen eller inte längre använder.
5. **Var misstänksam mot länkar som ber dig logga in.** Ett mejl som säger att ditt konto är spärrat och ber dig klicka är det vanligaste sättet att bli lurad. Gå hellre till sidan själv.
6. **Rensa bort gamla konton.** Varje konto du glömt bort är en dörr du inte längre vaktar. Logga in och radera de konton du inte använder.
7. **Uppdatera telefon och dator.** De flesta uppdateringar täpper till hål. Slå på automatiska uppdateringar.
8. **Har du en egen hemsida?** Fråga den som sköter den om den uppdaterats efter PHP2Shell. Det gäller särskilt äldre WordPress-sidor, föreningssidor och små webbutiker.

### Logga in med Google eller Apple?

Många tjänster låter dig logga in med ditt Google- eller Apple-konto i stället för ett nytt lösenord. För de flesta är det säkrare. Google och Apple har några av världens bästa skydd mot misstänkta inloggningar. Försöker någon logga in från andra sidan jorden stoppas det, och du får en varning. Dessutom slipper du ännu ett lösenord som kan läcka. Det viktiga är att själva Google- eller Apple-kontot är väl skyddat, med tvåstegsverifiering eller nyckel. Baksidan är att bolagen får veta lite mer om vilka tjänster du använder.

### Låt AI hjälpa dig, men med omdöme

En AI kan vara en utmärkt hjälp att förstå inställningar och gå igenom listan ovan. Var däremot försiktig med att ge en AI-agent dina lösenord och låta den logga in åt dig. Då har du skapat en ny nyckel som också kan bli stulen.

## Det är oss de lurar, inte datorerna

Det mesta som går snett för vanliga människor handlar inte om hackade servrar. Det handlar om att någon lurar oss att själva öppna dörren. Då hjälper varken starka lösenord eller tvåstegsverifiering, för det är vi själva som godkänner.

Känner du igen något av det här?

* Någon ringer och säger att de är från banken. Det har skett misstänkta köp på ditt konto, och du behöver "verifiera dig" med BankID.
* Ett sms om att ditt paket fastnat i tullen, med en länk för att betala en liten avgift.
* "Hej mamma, jag har tappat telefonen och har ett nytt nummer. Kan du hjälpa mig med en betalning?"
* Någon som säger att de är polis och vill hjälpa dig skydda dina pengar.

Gemensamt för alla är att det känns bråttom. Brådskan är själva verktyget. Den ska få dig att handla innan du hinner tänka.

### AI gör bedragarna skickligare

Förr kunde man ofta avslöja ett bedrägeri på den knackiga svenskan. Nu skriver AI felfri svenska åt vem som helst. Det går också att härma en röst med hjälp av några sekunders inspelning, till exempel från ett videoklipp på sociala medier. Ett samtal från ett barnbarn i nöd kan låta precis som barnbarnet.

Samtidigt använder bankerna AI för att upptäcka konstiga betalningar och stoppa dem. Samma teknik finns på båda sidor. Men den sista spärren är fortfarande du.

### En enda tumregel

**Om någon kontaktar dig och det känns bråttom: lägg på, och ring själv upp till ett nummer du redan vet stämmer.**

Två saker till som är bra att veta:

* Banken ringer aldrig och ber dig logga in eller skriva under med BankID. Aldrig.
* Bestäm gärna ett kodord i familjen. Ringer någon och säger att de är ditt barn i nöd, fråga efter ordet. En kopierad röst kan inte svara.

## Om du driver företag eller bygger appar

Allt i listan ovan gäller dig också. Här är det som tillkommer.

### Hemsidan och servrarna

1. **Ta reda på var PHP finns.** Det gäller inte bara hemsidan, utan också bokningssystem, webbutiker och färdiga program som har PHP inbyggt. Fråga din webbyrå eller ditt webbhotell.
2. **Uppdatera, och kontrollera att det är gjort.** En uppdatering stänger dörren, men den kastar inte ut någon som redan hunnit in. Har sidan varit oskyddad en tid, låt någon kontrollera att inget konstigt har hänt.
3. **Ett extra skyddsnät.** Många webbhotell och tjänster erbjuder en slags brandvägg för webbplatser, som stoppar kända attacker innan de når fram. Den ersätter inte uppdateringen men köper tid.

### API-nycklar

1. **Sätt ett tak.** De flesta AI-tjänster låter dig bestämma hur mycket en nyckel får kosta per månad. Gör det. Ett tak gör att en stulen nyckel blir ett irritationsmoment i stället för en katastrof.
2. **Lägg aldrig nycklar i koden.** Spara dem i ett särskilt valv för hemligheter, så att koden bara pekar dit. Då kan du byta en nyckel på ett ställe om den läcker.
3. **En nyckel per tjänst.** Om något läcker vet du var, och kan stänga just den dörren.
4. **Ställ in larm.** Be om ett meddelande när förbrukningen plötsligt stiger. En del företag låter numera en AI-agent hålla vakt dygnet runt och slå larm vid konstiga mönster.

### När du bygger med AI

Allt fler bygger appar med hjälp av AI, även utan att kunna programmera. Det är fantastiskt, men några saker är bra att veta:

* **Be AI:n granska säkerheten.** Moderna modeller är bra på att hitta vanliga misstag. Fråga uttryckligen: "Vilka säkerhetsrisker finns i det här?"
* **Stäng inte av skydd för att få något att fungera.** Ett vanligt misstag är att slå av säkerhetsreglerna i databasen när något krånglar. Det är som att ta bort låset för att nyckeln kärvar.
* **Låt en människa titta när det gäller.** Hanterar appen betalningar eller andras personuppgifter, låt någon som kan säkerhet granska den innan den släpps.

## Det vi inte vet än

När det brinner i knutarna är det lätt att allt låter värre, eller bättre, än det är. Här är det som fortfarande är osäkert.

* **Hur många som faktiskt drabbades.** Det är bekräftat att hålen fanns, att de var allvarliga och att någon försökte utnyttja dem redan innan de blev kända. Hur många sidor som verkligen blev kapade vet ingen än.
* **Hur stor stöldkedjan är.** Att API-nycklar stjäls och säljs vidare beskrivs av människor i branschen, och företag har drabbats på riktigt. Men hur stor handeln är, och hur mycket den faktiskt förbättrar kopierade modeller, är svårt att mäta.
* **Siffror som cirkulerar.** I snabba nyhetslägen sprids siffror om priser, drift och skador som är svåra att kontrollera. Ta dem med en nypa salt.
* **Om de bästa modellerna kommer att låsas in.** Det är en verklig tendens, men ingen vet hur långt den går.

En sak är ändå säker. Den som tar de enkla stegen ovan är ett mycket svårare mål än den som inte gör det. Inbrottstjuvar, även robotar, går helst dit där dörren står öppen.

## Frågor att ta vidare

Klistra in texten i en AI och ställ en av frågorna, eller ta upp dem vid köksbordet.

1. Hjälp mig gå igenom listan "Så skyddar du dig" steg för steg för min telefon.
2. Vad är skillnaden mellan ett lösenord, tvåstegsverifiering och en nyckel (passkey)?
3. Hur tar jag reda på om min eller min förenings hemsida använder PHP?
4. Varför är en API-nyckel värd mer för en tjuv än mitt lösenord?
5. Ska AI-bolag få bestämma vem som får använda de mest kraftfulla modellerna?
6. Om samma verktyg hjälper både tjuven och väktaren, vem vinner i längden?

## Källor

* [PHP:s egna meddelande om säkerhetsuppdateringen](https://www.php.net/archive/2026.php#2026-10-21-5)
* [FBI:s varning (IC3)](https://www.ic3.gov/PSA/2026/PSA261023)
* [CISA:s uppmaning](https://www.cisa.gov/news-events/alerts/2026/10/21/critical-vulnerabilities-php-require-immediate-patching)
* [Newsweek om PHP2Shell och AI:s roll i upptäckten](https://www.newsweek.com/fbi-issues-advice-as-security-issue-hits-global-websites-12603155)
* [Moneylife om tidig exploatering och rättade versioner](https://www.moneylife.in/article/php2shell-flaws-trigger-global-cybersecurity-alert-fbi-cisa-urge-immediate-patching/82001.html)

### Videor

* [Riley och Ansh om säkerhetsläget och de stulna API-nycklarna](https://youtu.be/3hJ049UPv4Y)