Maskinlæring - «Attention Is All You Need»: Fra mønstergjenkjenning til generativ AI (2017–i dag) ...

Metabeskrivelse: Hvordan la Transformer-arkitekturen grunnlaget for ChatGPT og moderne generativ AI? Les om oppmerksomhetsmekanismer, skaleringslover og fremtidens utfordringer.

Etter bildegjenkjenningsrevolusjonen i 2012 sto ett stort problemområde igjen som gjenstridig og tregt: menneskelig språk.

For å behandle tekst brukte forskere lenge såkalte rekurrenta nevrale nettverk (RNN og LSTM). Disse modellene leste tekst slik vi mennesker gjør: ett ord om gangen, fra venstre mot høyre. Men denne sekvensielle tilnærmingen hadde to fatale svakheter:

1. Den glemte starten av en setning så snart teksten ble for lang.

2. Den kunne ikke parallelliseres på moderne dataklynger; ord nummer ti måtte vente på at ord nummer ni var ferdig analysert.

Så, i 2017, kom forskningsartikkelen som snudde opp ned på alt.

Transformer-arkitekturen: Grunnlaget for moderne AI.

Kilde: Made with Google AI

Revolusjonen i åtte ord

Åtte forskere hos Google publiserte artikkelen med den selvsikre tittelen: «Attention Is All You Need».

I stedet for å lese ord for ord, introduserte de Transformer-arkitekturen. Kjernen i modellen er en matematisk mekanisme kalt Self-Attention (egen-oppmerksomhet).

Når modellen leser et ord – for eksempel «den» i setningen «Dyret krysset ikke gaten fordi den var for sliten» – beregner modellen en oppmerksomhetsscore mot alle de andre ordene i teksten samtidig. Den forstår umiddelbart at «den» refererer til «dyret», ikke «gaten».

Skaleringslovene og språkmodellenes eksplosjon

Ved å fjerne den sekvensielle flaskehalsen kunne Transformeren mates med ufattelige mengder ustrukturert tekst fra hele internett, fordelt over tusenvis av sammenkoblede GPU-er samtidig.

Dette åpnet døren for de store språkmodellene:

• BERT (2018): Forsto konteksten i setninger begge veier og revolusjonerte søkemotorer.

• GPT-serien (2018–i dag): Viste at dersom man gjør en dekoder-transformer massiv nok og lar den forutsi neste ord i milliarder av tekster, begynner den å løse logiske resonnementer, skrive kode og oversette mellom språk uten å være eksplisitt programmert for det (emergent abilities).

Med lanseringen av ChatGPT på tampen av 2022 gikk maskinlæring fra å være et usynlig maskinrom i tech-selskaper til å bli allemannseie.

Hvor går veien videre?

I dag står vi ved et nytt veiskille. Reisen fra 1950-tallets damspill og enkle koblingstråder til dagens multimodale giganter har vært ekstraordinær. Men dagens modeller bringer også nye realiteter til bordet:

• Ressursgrenser: Trening av de største modellene krever små kraftverk og milliardinvesteringer.

• Datatørke: Verden er i ferd med å gå tom for ny, menneskeskapt kvalitetstekst på internett.

• Fornuft vs. sannsynlighet: Modellene er uovertrufne på mønstergjenkjenning, men mangler fremdeles ekte kausal forståelse og kan hallusinere usannheter med overbevisende autoritet.

Om vi står foran en ny platåfase eller et sprang mot resonnerende agenter, gjenstår å se. Men én ting er historien et uomtvistelig bevis på: Maskinlæring beveger seg i bølger av vintre og vårer – og de største gjennombruddene skjer alltid der matematikk, data og maskinvare endelig møtes i perfekt takt.

Maskinlæring - Den perfekte stormen: Data, dyp læring og GPU-eksplosjonen (2006–2016) ...

Metabeskrivelse: Hvordan snudde AlexNet og ImageNet-konkurransen i 2012 hele teknologiverdenen på hodet? Les historien bak det moderne gjennombruddet for dyp læring.

Helt frem til 2010 var den rådende oppfatningen innen bildegjenkjenning at datamaskiner trengte hjelp av menneskelige eksperter. Ingeniører brukte årevis på såkalt feature engineering: nitid koding av regler for å oppdage kanter, hjørner, teksturer og fargenyanser i bilder før en klassisk algoritme (som en SVM) tok den endelige avgjørelsen.

En liten kjerne av forskere, anført av pionerer som Geoffrey Hinton og Yann LeCun, nektet imidlertid å gi opp drømmen om dype nevrale nettverk. De mente at hvis nettverkene bare ble dype nok, ville de lære seg disse mønstrene helt av seg selv.

De manglet bare to ting: gigantiske mengder bilder, og regnekraften til å behandle dem.

AlexNet (2012): Splittet parallelt over to skjermkort.

Kilde: Medium

ImageNet: Skalaen som endret alt

I 2009 lanserte Fei-Fei Li og hennes team ved Stanford-universitetet ImageNet – en massiv database bestående av over 14 millioner manuelt merkede bilder fordelt på mer enn 20 000 kategorier.

For første gang i historien fantes det et datasett som var stort nok til å mette et dypt nettverk uten at modellen umiddelbart memorerte bildene (overtilpasning). Året etter startet en årlig konkurranse for å se hvilke datasyn-algoritmer som gjorde færrest feil.

2012: Sjokkbølgen AlexNet

I september 2012 ble resultatene fra årets ImageNet-konkurranse offentliggjort. Feltet fikk hakeslepp.

Et team fra University of Toronto – bestående av Alex Krizhevsky, Ilya Sutskever og Geoffrey Hinton – knuste konkurrentene fullstendig med modellen AlexNet. De reduserte feilprosenten fra fjorårets rekord på rundt 26 % ned til oppsiktsvekkende 15,3 %. En slik feilreduksjon i et etablert fagfelt var uhørt.

Skjermkortene som endret spillereglene

Det mest oppsiktsvekkende med AlexNet var ikke bare nettverkets dybde, men hva det kjørte på.

Krizhevsky innså at beregningene som trengs for å trene nevrale nettverk – milliarder av matrisemultiplikasjoner – er identiske med operasjonene grafikkort (GPU-er) utfører for å rendre piksler i 3D-dataspill. I stedet for å bruke kostbare superdatamaskiner, bygde han koden sin på to vanlige forbruker-skjermkort: Nvidia GeForce GTX 580.

Fordi nettverket var for stort til minnet på ett enkelt kort, delte de arkitekturen elegant i to parallelle strømmer (som vist i det berømte diagrammet over).

Dyp læring erobrer verden

AlexNet ble startskuddet for tiåret med dyp læring (Deep Learning).

Over natten skrinla teknologigigantene sine tradisjonelle algoritmer. Google kjøpte opp Hintons oppstartsselskap, Facebook hyret Yann LeCun til å lede sitt AI-laboratorium, og Nvidia transformerte seg fra å være en produsent av spillmaskinvare til å bli verdens viktigste motor for kunstig intelligens.

Tiden der mennesker manuelt måtte definere hva en datamaskin skulle se etter, var ugjenkallelig over.

Maskinlæring - Den pragmatiske vendingen: Da statistikerne tok over (1990-tallet–tidlig 2000-tall) ...

Metabeskrivelse: Da nevrale nettverk feilet, tok ren statistikk over. Les om SVM, Random Forest og epoken da maskinlæring ble et pålitelig industrielt verktøy.

Etter to runder med overopphetede forventninger og påfølgende AI-vintre var forskningsmiljøet på 1990-tallet ferdig med store filosofiske visjoner om å gjenskape menneskehjernen. Feltet trengte resultater som fungerte i praksis – ikke biologiske metaforer, men streng matematisk etterrettelighet.

Dette tiåret markerer skiftet der maskinlæring for alvor forlot «kunstig intelligens»-leiren og ble adoptert av statistikere, matematikere og dataingeniører.

SVM: Maksimal margin og hyperplan i to dimensjoner.

Kilde: Made with Google AI

Vladimir Vapnik og Support Vector Machines (SVM)

Det mest innflytelsesrike symbolet på denne epoken kom i 1995, da Vladimir Vapnik og Corinna Cortes presenterte Support Vector Machines (SVM).

Hvor et nevralt nettverk kunne være ustabilt og lande på vilkårlige løsninger, tilbød SVM en elegant, geometrisk garanti. Algoritmen leter etter det optimale hyperplanet – den skillelinjen som maksimerer avstanden (marginen) mellom to klasser med data.

Det geniale lå i det som kalles «kjernetrikset» (the kernel trick). Hvis dataene ikke lar seg skille med en rett linje i to dimensjoner, projiserer SVM punktene matematisk opp i et høydimensjonalt rom der de plutselig kan deles med et flatt plan – uten at det koster enorme mengder regnekraft.

Gjennom hele 90-tallet og tidlig 2000-tall knuste SVM nevrale nettverk i nesten alle praktiske oppgaver, fra tekstklassifisering til medisinsk diagnostikk.

Trær, skoger og spamfiltre

Samtidig vokste andre pragmatiske metoder frem:

• Beslutningstrær og Random Forests: Leo Breiman og Adele Cutler utviklet teknikker som kombinerte hundrevis av enkle beslutningstrær for å gjøre robuste prediksjoner uten overtilpasning.

• Naïve Bayes: Enkle sannsynlighetsmodeller basert på Bayes’ teorem ble industristandarden for å rense innboksene våre for uønsket e-post.

Hvorfor denne epoken var livsviktig

I dag omtales ofte 90-tallet som en kjedelig mellomfase der nevrale nettverk lå brakk. Det er en feilvurdering.

Det var i denne perioden maskinlæring etablerte sine moderne vitenskapelige standarder: strenge skiller mellom trenings- og testsett, kryssvalidering, og en dyp forståelse for balansen mellom modellens fleksibilitet og overtilpasning (bias-variance tradeoff). Maskinlæring sluttet å være en akademisk kuriositet og ble selve ryggraden i moderne dataindustri.

Maskinlæring - Redningsaksjonen: Hvordan algoritmer lærte å rette sine egne feil (1980-tallet) ...

Metabeskrivelse: Hva reddet maskinlæring etter dvalen? Oppdag hvordan backpropagation og flerlagsnettverk løste XOR-problemet og gjenopplivet nevrale nettverk på 1980-tallet.

Gjennom store deler av 1970-tallet var nevrale nettverk et akademisk sidespor ingen seriøse forskere ønsket å sette navnet sitt på. Boken Perceptrons hadde slått fast at enkle nettverk ikke klarte grunnleggende logiske operasjoner som XOR, og ingen visste hvordan man effektivt kunne lære opp et nettverk med flere lag (skjulte lag).

Løsningen krevde verken magi eller biologiske mirakler. Den krevde ren derivasjon og kjerneregelen fra videregående matematikk.

Tilbakeforplantning: Feilen sendes bakover for vektoppdatering.

Kilde: Made with Google AI

Å sende feilen bakover

Selv om konseptet hadde røtter tilbake til optimaliseringsteori på 1960- og 70-tallet (blant annet via Paul Werbos), kom det store gjennombruddet i 1986. David Rumelhart, Geoffrey Hinton og Ronald Williams publiserte en banebrytende artikkel i Nature: «Learning representations by back-propagating errors».

Algoritmen kalles på godt norsk tilbakeforplantning (backpropagation), og den fungerer gjennom to koordinerte faser:

1. Foroverpasset (Forward Pass): Data mates inn, sendes gjennom de skjulte lagene og genererer en gjetning. Modellen måler så hvor feil den tok ved hjelp av en tapsfunksjon (loss function).

2. Bakoverpasset (Backward Pass): Matematikken beregner hvor mye hvert enkelt ledd og hver enkelt vekt bidro til den totale feilen. Signalet sendes bakover gjennom nettverket, og vektene justeres ørsmå hakk i retningen som reduserer feilen (gradientnedstigning).

XOR-spøkelset begraves

Med skjulte lag og tilbakeforplantning var ikke lenger nettverkene begrenset til rette linjer. De kunne bøye, vri og transformere dataene slik at ikke-lineære problemer – inkludert det beryktede XOR-problemet – ble løst uten problemer.

Plutselig kunne nevrale nettverk kjenne igjen håndskrevne sifre, gjenkjenne enkle talemønstre og modellere sammensatte datasett. Optimismen vendte tilbake til universitetene.

Hvorfor stoppet det opp igjen?

Men gleden ble kortvarig. Utover 1980-tallet begynte de samme modellene å stange hodet i veggen på nytt:

• Datidens prosessorer brukte dager og uker på å trene selv beskjedne nettverk.

• Nettverkene slet med numerisk ustabilitet: Gradientene forsvant enten ut i ingenting (vanishing gradients) eller eksploderte i uendelighet når man la til flere lag.

• Samtidig satset næringslivet milliarder på stive, regelbaserte «ekspertsystemer» som kort tid etter kollapset under sin egen kompleksitet.

På slutten av 1980-tallet frøs midlene til igjen i en ny AI-vinter. Men denne gangen var fundamentet støpt: Matematikken for moderne læring var oppfunnet, og den lå klar og ventet på regnekraften som skulle komme.

Maskinlæring - Fra biologiske drømmer til frosne budsjetter (1940–1970-tallet) ...

Metabeskrivelse: Hvordan oppsto maskinlæring? Les historien om Frank Rosenblatts Perceptron, Turing-testen og boken som utløste den første AI-vinteren.

I dag tar vi det for gitt at telefonen gjenkjenner ansiktet ditt og at datamaskiner kan føre samtaler. Men ideen om at en maskin kan lære av erfaring – i stedet for å bli matet med millimeterpresise regler – oppsto lenge før personlige datamaskiner i det hele tatt fantes.

Historien om maskinlæring starter ikke i et moderne datasenter i Silicon Valley, men i krysningspunktet mellom nevrobiologi og ren matematikk på 1940- og 50-tallet.

Frank Rosenblatt med Mark I Perceptron (1958).
Kilde: Frederic Lewis / Getty Images

Da maskiner begynte å lære

I 1950 stilte den britiske matematikeren Alan Turing et fundamentalt spørsmål i artikkelen Computing Machinery and Intelligence: «Kan maskiner tenke?» I stedet for å forsvinne inn i filosofiske definisjoner av bevissthet, foreslo han en praktisk test – og luftet tanken om å bygge systemer som lærte på samme måte som et barn.

Noen år senere, i 1952, tok Arthur Samuel hos IBM ideen ut i praksis. Han programmerte en datamaskin til å spille dam. Maskinen ble ikke fortalt hvert eneste trekk; den spilte tusenvis av partier mot seg selv og justerte en poengscore basert på hvilke posisjoner som historisk ledet til seier. I 1959 formulerte Samuel begrepet som skulle definere fagfeltet: Machine Learning – kunsten å gi datamaskiner evnen til å lære uten å være eksplisitt programmert.

Frank Rosenblatt og Perceptronen

Rundt samme tid tok psykologen Frank Rosenblatt et enda mer radikalt steg. Inspirert av nevronene i menneskehjernen utviklet han Perceptron (1957–1958). Dette var ikke bare programvare, men en spesialbygd maskin (Mark I Perceptron) bestående av et nettverk av motoriserte potensiometre og fotoceller koblet sammen i et virvar av kabler.

Målet var enkelt: Den skulle lære å skille mellom enkle geometriske figurer. Stemningen i pressen var elektrisk. The New York Times rapporterte at marinen ventet en maskin som snart ville «være i stand til å gå, snakke, se, skrive, reprodusere seg selv og være bevisst sin egen eksistens».

Forventningene løp fullstendig løpsk.

Veggen i 1969: Den første AI-vinteren

Realiteten innhentet forskerne brutalt i 1969. To av datidens mest innflytelsesrike AI-forskere, Marvin Minsky og Seymour Papert, publiserte boken Perceptrons.

Gjennom rigorøse matematiske bevis påviste de en fundamental svakhet: En enkelt-lags perceptron kunne bare løse lineære problemer. Den klarte ikke engang å lære den logiske XOR-funksjonen (eksklusiv ELLER), fordi man ikke kan skille punktene med en enkelt rett linje i et koordinatsystem. Minsky og Papert antydet også at det ville være matematisk håpløst å trene nettverk med flere lag.

Dommen var knusende. Finansieringen tørket inn over natten, forskere flyktet til andre disipliner, og fagfeltet gikk inn i sin første store dvale: Den første AI-vinteren.

Lærdommen sto igjen: Uten riktig matematikk og tilstrekkelig regnekraft blir selv de mest visjonære ideene stående fast på perrongen.

PHP2Shell: Da Feide gikk i svart og KI snudde sikkerhetsspillet på hodet ...

Sammendrag generert av Gemini som syr sammen den samfunnsmessige dramatikken fra artiklene i Digital Norway og tekniske innsiktene/rådene fra kode24 (lenker i teksten).

Onsdag denne uken var det full stopp for Feide-innlogging i Norge. Nettsidene til både Digitaliseringsdirektoratet og OsloMet gikk i svart, og internasjonalt stengte alt fra britisk forvaltning til politiet i Paris ned systemene sine. Det var ikke et hackerangrep, men et panisk forsvar.

Bakteppet er PHP2Shell – to kritiske sårbarheter i selve fundamentet til PHP, teknologien som i det stille driver rundt 70 prosent av verdens nettsteder. Både [Digital Norway](https://digitalnorway.com/aktuelt/php-krisen-omtrent-sa-alvorlig-som-det-kan-bli) og [kode24](https://www.kode24.no/artikkel/ki-fant-php-hullene-gammel-kode-er-na-lavthengende-frukt/276246) har dekket hendelsen grundig, og samlet tegner de et bilde av et dramatisk taktskifte innen cybersikkerhet.

1. Feilen har ligget der i årevis – KI gjorde forskjellen

Svakhetene i minnehåndteringen har ligget sovende i PHP-kildekoden i over et tiår. En lignende feil ble sett allerede i 2004, men ble avfeid fordi den ble ansett som altfor vanskelig å utnytte i praksis. Først da forskere rettet moderne modeller (som GPT-5.6 Sol og Gemini 4 Argon) mot koden, klarte maskinene på kort tid å finne og bevise utnyttbare angrepsveier som mennesker ville brukt måneder på å finne.



2. «All gammel kode er nå lavthengende frukt»

Som Alexander Haneng (KI-ekspert i Digital Norway) advarer om hos kode24: All eldre kode med menneskelige feil har plutselig blitt lavthengende frukt – og angriperne har fått en stige.

Når en sårbarhetsfiks publiseres, tar det ikke lenger uker før noen lager en exploit. En angriper kan mate forskjellen mellom gammel og ny kode rett inn i en KI og få et fungerende angrepsskript tilbake på minutter. Da Cloudflare registrerte millioner av angrepsforsøk rett etter offentliggjøringen, så vi dette i sanntid.


3. Den skjøre grunnmuren

Samtidig avdekker krisen et absurd paradoks: Mens det investeres milliarder i datakraft og KI-modeller som finner feil, hviler mye av verdens åpne infrastruktur fortsatt på frivillige hender. Digital Norway trekker frem tsjekkiske Ondřej Surý, som på fritiden i over 20 år har pakket og distribuert PHP-oppdateringene til store deler av verdens servere. Den klassiske XKCD-stripen om at internett hviler på et hobbyprosjekt, ble plutselig ubehagelig konkret.



Tre ting du bør gjøre nå:

Ifølge bransjerådene fra saken er det tre ting alle som drifter eller eier digitale tjenester må ta innover seg:

Få oversikt: Vet du nøyaktig hvilke versjoner av PHP som kjører i containerne eller på webhotellet ditt? Mange oppdager feil først når det smeller.

Kutt vedlikeholdsvinduet: Å patche «ved neste månedlige oppdatering» er en død strategi. Kritiske hull må tettes i løpet av timer.

Bruk KI før angriperne gjør det: Verktøyene som fant disse hullene er tilgjengelige for alle. La KI revidere din egen kodebase før noen andre gjør det for deg.



Artikkel i Kode24: https://www.kode24.no/artikkel/

Artikkel i DigitalNorway: https://digitalnorway.com/aktuelt

Lenke til engelsk språklig video som omtaler feilen: https://youtu.be/ og https://youtu.be/

Kommende spådommer fra Nostredamus ...

Nostradamus ga sjelden konkrete årstall, men i sitt forord til sønnen César skrev han at profetiene hans strekker seg helt frem til år 3797.

Moderne fortolkere og populærkulturelle skribenter leser gjerne en rekke gjenværende, uoppfylte vers inn i vår samtid og de kommende tiårene. De mest fremtredende temaene som trekkes frem for fremtiden er:

1. Ekstreme klimaendringer og tørke etterfulgt av storflom

Nostradamus skrev gjentatte ganger om radikale forskyvninger i naturens balanse:

Kvadren (blant annet Senturie 1, kvadren 17): Beskriver hvordan «den tørre jorden vil bli mer uttørket, og det vil bli store oversvømmelser når regnbuen blir sett».

Tolkning: Dette tolkes i dag som en forutsigelse av global oppvarming, hetebølger, ørkenspredning og påfølgende ekstremvær med historiske flomkatastrofer som rammer jordbruket.

 2. Den tredje «Antikrist» og en ny verdenskrig

Nostradamus-forskere og forfattere deler ofte profetiene inn rundt tre store ondskapsfulle skikkelser («Antikrister»):

De to første tolkes tradisjonelt som Napoleon («Napaulon Roy») og Hitler («Hister»).

Den tredje skikkelsen kalles i tekstene ofte for «Mabus» (Senturie 2, kvadren 62). Verset sier: «Mabus vil snart dø, da vil det skje en forferdelig ødeleggelse av folk og dyr...»

Tolkning: Flere spekulerer i hvem «Mabus» er (et anagram for en moderne leder eller krigsherre). Hans fall skal ifølge myten utløse en 27 år lang storkrig preget av ødeleggende våpen og allianser mellom stormakter i øst og vest.

3. Mars-utforskning og romfart

Flere vers refererer kryptisk til planeten Mars, lys på himmelen og «stjerner som faller»:

Kvadren (Senturie 7, kvadren 42): Omtaler «Mars' lys som svikter» eller «et fall når lyset fra Mars slukkes».

Tolkning: Noen moderne entusiaster tolker dette som menneskehetens forsøk på å kolonisere Mars – enten en ekspedisjon som slår feil, eller en katastrofe som rammer et tidlig bosetningsprosjekt på den røde planeten.

4. Pavedømmet og Roma

Nostradamus var sterkt opptatt av den katolske kirkes skjebne og skrev flere vers om Romas undergang:

Han beskriver en tid der «den store byen med syv høyder» (Roma) blir ødelagt, og en pave tvinges på flukt mens kirken splittes i skismaer.

Tolkning: Enkelte mener dette varsler en fremtidig geopolitisk eller religiøs kollaps i Sør-Europa, der Vatikanstaten opphører å eksistere i sin nåværende form.

5. Kunstig intelligens og «levende maskiner»

Selv om Nostradamus levde på 1500-tallet og ikke hadde begreper for moderne teknologi, forsøker enkelte å tolke hans visjoner om «stemmer uten kropp», «jernmenn» og «tanker skapt av metall» som kunstig intelligens og automatisering:

Tolkning: Det hevdes fra enkelte hold at han advarte mot at mennesket ville underlegge seg skapninger av metall og stål som til slutt vender seg mot sine skapere.

Hvordan lese disse fremtidsspådommene?

Nostradamus' metode var i stor grad basert på astrologi, bibelske apokalypser og historiske paralleller. Han trodde at historien beveget seg i sykluser. Det han beskrev for «fremtiden» var ofte en gjentakelse av det han kjente fra fortiden: romerske borgerkriger, pestutbrudd, invasjoner fra Det osmanske rike og naturkatastrofer.

Fordi versene aldri har forutsett en hendelse presist før den skjer, fungerer de mer som et speil for samtidens egen frykt – enten det gjelder atomkrig under den kalde krigen, eller klimakrise og teknologifrykt i dag.

Nostredamus traff ikke på dette ...

De mest åpenbare «bomskuddene» til Nostradamus er tilfellene der han enten oppga et konkret årstall eller beskrev hendelser med så klare rammer at de lar seg etterprøve mot historien.

Ettersom de aller fleste versene hans er vage og tidløse, er det nettopp de få konkrete profetiene som klarest viser at spådommene ikke holdt stikk:

De mest kjente spådommene som feilet

Dommedag og «Skrekkens konge» i juli 1999

Vers (Senturie 10, kvadren 72): Dette er et av de ytterst få versene der Nostradamus oppgir et nøyaktig årstall og måned:

> «I året 1999, i den syvende måneden, vil en stor skrekkens konge komme fra himmelen, for å gjenopplive den store kongen av Angolmois; før og etter hersker Mars med lykke.»

Hva som skjedde: Dette verset utløste enorm frykt og spekulasjoner på slutten av 1990-tallet. Alt fra meteornedslag til atomkrig og invasjon fra romvesener ble spådd for juli 1999. Ingenting utenom det vanlige inntraff.

Pavevalg og pavedømmets undergang rundt årtusenskiftet

Vers: Flere vers (blant annet knyttet til «den siste pave» og ødeleggelsen av Roma) ble av fortolkere tidfestet til slutten av det 20. århundre.

Hva som skjedde: Nostradamus beskrev at den katolske kirke skulle gå under, at Roma skulle legges i ruiner, og at den siste paven skulle flykte fra en brennende by forfulgt av fremmede hærer før år 2000. Den katolske kirke og Vatikanet består fortsatt uforandret.

Den tredje verdenskrig på 1980- og 1990-tallet

Fortolkning: Gjennom den kalde krigen (særlig på 1970- og 1980-tallet) utga en rekke forfattere bestselgende bøker som tolket vers om kamper i Europa, «den røde fare» og allianser mellom Russland og Midtøsten som en garantert atomkrig mellom USA og Sovjetunionen som skulle kulminere før 1995.

Hva som skjedde: Sovjetunionen kollapset fredelig i 1991, og storkrigen uteble.

Det britiske monarkiets fall i 2022–2024

Fortolkning: I etterkant av Dronning Elizabeth IIs bortgang i 2022 trakk kommentatorer frem vers (Senturie 10, kvadren 22) om «en konge av øyene som drives ut med makt» og erstattes av «en mann som aldri bar tegnet på en konge». Flere spådde at Karl III ville abdisere nesten umiddelbart, og at det britiske monarkiet ville kollapse helt innen få år.

Hva som skjedde: Monarkiet i Storbritannia fortsatte som konstitusjonell institusjon uten statskupp eller kollaps.

 Hvorfor finnes det tilsynelatende så få «feil»?

Grunnen til at listen over beviselige feil ikke er lengre, skyldes selve måten tekstene er konstruert på:

1. Fravær av tidsangivelser: Med unntak av 1999-verset nevner han nesten aldri datoer. Hvis en krig eller naturkatastrofe ikke inntreffer i en bestemt generasjon, skyver tilhengerne bare hendelsen 50 eller 100 år fram i tid.

2. Kirsebærplukking (Confirmation Bias): De tusenvis av linjene som beskriver uforståelige, surrealistiske scener («hodeløse okser», obskure elver i Frankrike, flytende lys) blir oversett og ignorert. Kun vers som med god vilje kan kobles til store historiske hendelser, trekkes frem.

3. Universelle temaer: Krig, pest, oversvømmelse, kongemord og hungersnød rammer menneskeheten jevnlig. Nostradamus spådde i praksis gjentakende sykluser av elendighet, som statistisk sett alltid vil treffe "et eller annet sted" til slutt.

Nostredamus sine oppfylte spådommer ...

Den franske legen og astrologen Michel de Nostredame (Nostradamus) ga ut verket "Les Prophéties" i 1555. Boken består av nesten tusen poetiske firelinjers vers (quatrains) skrevet på en blanding av fransk, latin, gresk og provençalsk.

Tekstene er bevisst kryptiske, fulle av metaforer, anagrammer og vage tidsangivelser.

Det mest kjente:

Henrik IIs død (1559)

Vers (Senturie 1, kvadren 35): Omtaler «den unge løven» som overvinner «den eldre» på slagmarken i en enkeltduell, hvor han «stikker ut øynene gjennom et gyllent bur» og påfører ham en grusom død.

Tolkning: Kong Henrik II av Frankrike døde i en ridderturnering mot Gabriel de Montgomery (som var yngre). En lansespiss splintret, trengte gjennom kongens forgylte visir og inn i øyet/hjernen. Dette er spådommen som etablerte Nostradamus' rykte mens han levde.

Bybrannen i London (1666)

Vers (Senturie 2, kvadren 51): Nevner at «de rettferdiges blod vil bli krevd i London, brent av ild i tjuetre pluss seks» (vingt trois les six, ofte tolket som 20 × 3 + 6 = 66, altså 1666).

Tolkning: Den store bybrannen i London la mesteparten av middelalderbyen i aske i september 1666.

Den franske revolusjon (1789)

Vers (flere spredte vers): Nostradamus beskriver at folket reiser seg mot presteskapet og adelen, og at konger settes i fengsel.

Tolkning: Han omtaler en konge som flykter om natten gjennom skogen i Varennes («la forêt de Varennes»), noe som sammenfaller med da Ludvig XVI og Marie Antoinette ble arrestert under fluktforsøket i Varennes i 1791.

Adolf Hitlers vekst (1930-tallet)

Vers (Senturie 2, kvadren 24): «Fra dypet av Vest-Europa vil et lite barn bli født av fattige folk, han som ved sin tunge vil forføre en stor flokk; hans berømmelse vil vokse mot riket i øst.» I samme vers nevnes at beistene vil krysse elven «Hister».

Tolkning: Mange tolket «Hister» som et nesten perfekt anagram for Hitler. Historikere påpeker imidlertid at *Hister* var det klassiske romerske navnet på elven Donau (Danubius), et geografisk område Nostradamus ofte refererte til.

Atombombene over Hiroshima og Nagasaki (1945)

Vers (Senturie 2, kvadren 6): Beskriver «nær portene og innenfor to byer» at det skal komme «svøper som aldri tidligere er sett: hunger innenfor pest, mennesker fordrevet av stål, gråt til den store udødelige Gud for lindring».

Tolkning: Dette knyttes hyppig til ødeleggelsene og strålesyken i Hiroshima og Nagasaki.

Attentatene på John F. Kennedy og Robert F. Kennedy

Vers (Senturie 1, kvadren 26): Nevner «den store mannen truffet om dagen av et lyn, en ond dåd forutsett av en anmodning; en annen faller om natten».

Tolkning: JFK ble skutt midt på dagen i Dallas i 1963, mens broren RFK ble skutt like over midnatt i Los Angeles fem år senere.

Terrorangrepet 11. september 2001 (World Trade Center)

Vers (Senturie 6, kvadren 97): Nevner at «himmelen vil brenne ved førtifem grader, ilden nærmer seg den store nye byen».

Tolkning: New York ligger rundt 40–41 grader nordlig bredde (og New York City kalles ofte «New City»). Etter 9/11 sirkulerte det også mange falske vers på internett som aldri sto i de opprinnelige tekstene.

 Hvorfor virker spådommene så treffende?

Moderne forskere og skeptikere peker på tre hovedårsaker til at spådommene fortsetter å fascinere:

1. Retrospektiv tolkning (postdiksjon): Ingen har noensinne brukt et Nostradamus-vers til å forutsi en konkret katastrofe "før" den skjer. Tilpasningen skjer alltid i etterkant.

2. Kryptisk og tvetydig språk: Diktene mangler nesten helt konkrete årstall, fullstendige navn eller entydige detaljer. Dette gjør at symbolene kan formes til å passe nær sagt enhver historisk begivenhet.

3. Oversettelsesfeil og mytedannelser: Gjennom århundrene har oversettere justert ord for å passe bedre til tidens hendelser, og i moderne tid har rene forfalskninger jevnlig blitt tilskrevet ham.

Avici - "Uten opphold" ...

Avīci (sanskrit: अवीचि, pali: avīci) er navnet på det aller nederste og mest fryktede helvetet i buddhistisk kosmologi.

Betydning av ordet
Ordet er sammensatt av a- («uten») og vīci («bølge», «mellomrom» eller «pause»). Det kan tolkes som «uten bølger» eller «uten opphold», altså et sted der lidelsen aldri avbrytes. Ulike tekster legger vekt på ulike nyanser: at det ikke finnes pauser i pinslene, at det ikke finnes lindring, eller at det ikke finnes tid mellom død og gjenfødsel der.

Plassering i kosmologien
I den tradisjonelle modellen består verden av flere lag med helvete (naraka), ofte åtte varme og åtte kalde. Avīci er det åttende og dypeste av de varme helvetene, og ligger i tradisjonen langt under jordoverflaten. Det beskrives ofte som et gigantisk rom omgitt av jernvegger, der flammene fyller alt og de som er der, brenner uten avbrudd.

Hvem havner der?
Avīci er forbeholdt de som har begått de såkalte «fem uopprettelige handlinger» (ānantarya-karma):

• å drepe sin mor
• å drepe sin far
• å drepe en arhat (en opplyst person)
• å påføre en buddha blødning med ondsinnet hensikt
• å skape splid i sanghaen (det buddhistiske fellesskapet)

Tidsperspektiv
Lidelsen varer ekstremt lenge, ofte beskrevet i kosmiske tidsaldre (kalpa). Men i buddhismen er ikke helvete evig: det er en tilstand som følger av karma, og når karmaen er oppbrukt, blir vesenet gjenfødt et annet sted. Dette skiller det fra kristne forestillinger om evig fortapelse.

Hvordan forstås det i dag?
Mange buddhister, særlig i zen og moderne tradisjoner, ser på helvetene både bokstavelig og symbolsk, som sinnstilstander preget av hat, frykt og fortvilelse. I den forstand kan man oppleve «Avīci» allerede i dette livet.