Kolumni

Mihin tämä laiva seilaa ja kuka sitä kipparoi?

Tekoäly alkaa tehdä tiedettä itse. Läpimurrot voivat syntyä nopeammin kuin ehdimme ymmärtää niitä, ja valta päättää tutkimuksesta keskittyä harvoille yhtiöille.

Mustavalkoinen lähikuva Petri Latusta: parrakas mies katsoo ylös sormi ohimolla, ranteessa helmirannekoruja.

Tieteen suurimmat läpimurrot saattavat pian syntyä nopeammin kuin ehdimme ymmärtää niitä. Samalla päätösvalta siitä, mitä tutkitaan ja kuka hyötyy tuloksista, voi keskittyä muutamalle teknologiayhtiölle.

Viime viikkojen aikana tekoälyn kehityksessä on alkanut hahmottua jotain olennaisesti syvempää kuin jälleen uusi kyvykkyysharppaus. OpenAI:n matemaattiset tutkimustulokset, Googlen DeepMindin biologisen tutkimuksen infrastruktuuri ja Anthropicin kokeellisen tutkimuksen automatisointi viittaavat samaan suuntaan.

Tekoäly ei enää ainoastaan auta tutkijaa tekemään tiedettä.

Pelkästään OpenAI:n tämänviikkoinen matematiikkakranaatti, jossa yhtiö julkaisi satoja matemaattisia tutkimuskirjoituksia kertarysäyksellä, on omalla tavallaan koko tekoälyajan suurin uutinen.

Onkin hassua, ettei se ole otsikoissa tätä enempää.

Uudet mallit alkavat siis muodostaa järjestelmiä, joissa tutkimuskysymysten käsittely, hypoteesien muodostaminen, ratkaisujen etsiminen ja tulosten todentaminen voidaan kytkeä yhä itsenäisemmäksi kokonaisuudeksi.

Omalla tavallaan tässä on kyse myös siitä, että vaikkapa matematiikan kieli muuttuu. Jos meillä on mahdollisuus pyytää uusia malleja vain ratkomaan asioita sen sijaan, että mietimme ihmisten kesken, miten asiat ratkotaan, suuri osa siitä, minkä me miellämme tieteelliseksi prosessiksi, menee uusiksi.

Tekoälyn aikakauden tärkein kysymys ei ehkä olekaan, mitä kone osaa ratkaista, vaan mitä ihmiselle jää sovellettavaksi.

Tämä saattaa olla tekoälyn aikakauden tähänastisista murroksista merkittävin. Ei siksi, että kone osaisi vihdoin tehdä jotain ihmistä paremmin.

Vaan siksi, että tieteellisen edistyksen nopeus saattaa alkaa irrota ihmisen omasta ajattelunopeudesta.

Kun ratkaisemisesta tulee teollista toimintaa

Matematiikka on ollut yksi tekoälyn kehityksen kiehtovimmista koealueista. Matemaattinen todistus on poikkeuksellinen tutkimuksen kohde, koska sen oikeellisuus voidaan tietyissä tapauksissa tarkistaa muodollisesti. Tämä mahdollistaa uudenlaisen työnjaon.

Tekoäly voi tutkia valtavaa määrää vaihtoehtoisia ratkaisureittejä, muodostaa todistuksia ja käyttää muodollisia järjestelmiä niiden tarkistamiseen. Ihmisen ei tarvitse enää osallistua jokaiseen päättelyn välivaiheeseen.

OpenAI:n tuoreessa matematiikkahankkeessa esitetyt tulokset ovat tästä poikkeuksellisen kunnianhimoinen esimerkki. Hankkeessa on raportoitu satoja matemaattisia ratkaisuja pitkään avoinna olleisiin ongelmiin.

Väitteiden riippumaton arviointi on luonnollisesti välttämätöntä. Matemaattisen tuloksen julkaiseminen tai koneellinen tarkistus ei vielä tarkoita, että tiedeyhteisö olisi hyväksynyt kaikki sen johtopäätökset. Mutta toisaalta, tarvitseeko sen? Tämä on kuuma peruna, jonka käsittely vaatii paksuja patakintaita.

Mitä tapahtuu, jos matemaattisten ongelmien ratkaiseminen muuttuu kapean joukon älyllisestä saavutuksesta skaalautuvaksi tuotantoprosessiksi?

Tällöin pullonkaula ei välttämättä enää ole ratkaisun löytäminen. Se voi olla sen ymmärtäminen, miksi ratkaisu on merkityksellinen.

Matemaatikko Terence Taon ja Association for Human Mathematics -ryhmän tekoälyn kehitystä koskevissa pohdinnoissa on noussut esiin juuri tämä kitka: matemaattisen tuloksen oikeellisuus, sen ymmärrettävyys ja sen merkitys eivät ole sama asia. Voimme kuvitella tulevaisuuden, jossa kone tuottaa uusia matemaattisia rakenteita nopeammin kuin ihmiset ehtivät kehittää niiden ymmärtämiseen tarvittavaa käsitteistöä.

Sitten emme enää puhu siitä, pystyykö tekoäly ratkaisemaan jonkin tunnetun ongelman.

Puhumme siitä, voiko tiede alkaa kehittyä kielellä, jota sen omat tutkijat eivät vielä hallitse.

Ja jos näin käy, ihmisen rooli muuttuu.

Laboratorio, joka ei nuku, vaikka laineet keinuttaisivat

Matematiikka on kuitenkin vasta alku.

Biologiassa ja lääketieteessä sama kehityssuunta on vielä merkittävämpi, koska pelkkä laskennallinen todistus ei riitä. Hypoteesin täytyy kohdata fyysinen todellisuus.

Proteiinin on todella laskostuttava. Molekyylin on todella toimittava. Solun on todella reagoitava. DeepMindin proteiinitutkimus ja tekoälyä hyödyntävän biologisen tutkimuksen uudet infrastruktuurit osoittavat, kuinka laskennallinen mallintaminen voidaan yhdistää kokeelliseen tutkimukseen.

Anthropic on puolestaan kehittänyt automatisoituja biologisia tutkimusympäristöjä, joissa tekoäly osallistuu kokeiden suunnitteluun ja robotiikka niiden toteuttamiseen.

Näin syntyy uusi tutkimussilmukka.

Tekoäly muodostaa hypoteesin. Kokeellinen järjestelmä testaa sen. Tulokset palautuvat mallille. Seuraava hypoteesi syntyy edellisen kokeen perusteella.

Ja sykli alkaa uudelleen.

Perinteisessä tutkimuksessa tätä prosessia rajoittavat tutkijoiden aika, laboratorioiden kapasiteetti, rahoitus ja organisaatioiden kyky koordinoida työtä. Ehkä jopa ihmisen jaksaminen ja mielikuvitus.

Keskustelin hiljattain hedelmöitysteknologian parissa työskentelevän ystäväni kanssa. Hän kertoi kiinnostavasta ongelmasta siittiöiden valinnassa: mikroskoopilla työskentelevä ihminen saattaa kiinnittää huomiota erityisesti aktiivisesti liikkuviin soluihin, vaikka liike ei yksin kerro niiden soveltuvuudesta hedelmöitykseen.

Tekoäly voisi tarkastella valintaa toisenlaisten ominaisuuksien perusteella ja mahdollisesti löytää hyviä ehdokkaita, joita ihminen ei huomaisi.

Automatisoidussa järjestelmässä osa näistä rajoitteista muuttuu teknisiksi ja taloudellisiksi kysymyksiksi. Kuinka paljon laskentaa on käytettävissä? Kuinka monta koetta voidaan ajaa rinnakkain? Kuinka nopeasti tulokset voidaan mitata ja syöttää takaisin järjestelmään?

Tämä avaa mahdollisuuden aivan uudenlaiseen tieteellisen tutkimuksen mittakaavaan.

Mutta on myös oikein kysyä, mitä tapahtuu, kun tieteellisiä läpimurtoja voidaan tuottaa teollisella vauhdilla, mutta niiden ymmärtäminen, arviointi ja yhteiskunnallinen käsittely etenevät edelleen ihmisen nopeudella?

Kenen tiedettä tekoäly tekee?

Tähän asti tieteen edistyminen on perustunut ihmisten kykyyn ymmärtää maailmaa ja rakentaa ymmärryksensä varaan uusia ratkaisuja. Tieteellinen tieto on karttunut hitaasti, usein sukupolvien aikana, ja tutkimuksen menetelmät ovat kehittyneet yhdessä niitä käyttävien ihmisten kanssa. Olemme uskoneet avoimeen tieteeseen, ja yliopistoilla on ollut ydinrooli perustutkimuksessa – ja miksei soveltavassakin tutkimuksessa.

Huominen voi muuttaa tämän suhteen.

Jos tutkimusjärjestelmä pystyy tuottamaan tuhansia hypoteeseja, testaamaan niitä ja jatkamaan lupaavimpien tulosten pohjalta, se ei välttämättä tarvitse ihmistä jokaisen uuden tutkimussuunnan valitsemiseen. Tässä piilee valtava mahdollisuus. Voimme löytää uusia lääkkeitä, materiaaleja, energiaratkaisuja ja matemaattisia menetelmiä nopeudella, joka on aikaisemmin ollut mahdoton.

Mutta samalla syntyy uudenlainen vallan keskittymä.

Kuka omistaa nämä välineet?

Kuvitellaan teknologiayhtiö, jonka tekoälyjärjestelmä pystyy kehittämään uuden hoidon aiemmin parantumattomaan sairauteen. Yhtiö on investoinut miljardeja laskentaan, tutkimukseen ja laboratorioihin. On perusteltua, että se saa investoinneilleen tuottoa.

Tai vielä herkullisemmin: kuvitellaan kansainvälinen kosmetiikkajätti, joka tuo lentokoneellisen rahaa frontier-labralle ja pyytää sitä kehittämään peptidin, joka todistettavasti hidastaa ihon ikääntymistä.

Saako se yksinoikeuden tuotteeseensa? Ottaako frontier-labra siitä lisenssimaksuja? Mikä olisi kyseisen tuotteen markkina-arvo?

Entä jos sama järjestelmä voisi ratkaista kymmeniä muitakin yhteiskunnallisesti merkittäviä ongelmia, mutta niiden tutkiminen ei tarjoa yhtä houkuttelevaa kaupallista tuottoa?

Tieteen yksityistäminen ei tarkoita vain tutkimustulosten patentointia. Se voi tarkoittaa myös tutkimuskysymysten valinnan yksityistämistä.

Tieteellisen tutkimuksen tavoitteita ovat perinteisesti ohjanneet monet tahot: yliopistot, julkiset tutkimuslaitokset, yritykset, säätiöt ja tutkijat itse. Niiden intressit eivät ole aina olleet yhteneviä, mutta järjestelmässä on ollut useita toisistaan riippumattomia toimijoita.

Tulevaisuudessa pieni joukko yrityksiä voi hallita tutkimuskapasiteettia, johon kokonaisilla valtioilla tai toisiaan vastaan kilpailevilla yrityksillä ei ole pääsyä.

Tekoälylabrojen seuraavien vuosien tärkein tehtävä on monetisoida tuotteensa. On ihan helppo ajatella, että siihen yksi suuri vipu tulee olemaan sovelluspohjaisen kapasiteetin tarjoaminen parhaiten maksaville. Ja mikäs siinä, mutta kiinnostavaa on, mistä me aloitamme. Onko peptidi ihon silittämiseksi rahallisesti suurempi arvoltaan kuin vaikkapa uudenlaisen malariarokotteen kehittäminen?

Hurjinta tässä: ihminen ei enää pysy oman ajattelunsa mukana

Tieteellisen kehityksen kiihtyminen nostaa esiin toisen, vielä melko vähälle huomiolle jääneen kysymyksen.

Mitä tapahtuu ihmiselle?

Olemme tottuneet ajattelemaan tekoälyä välineenä, joka tehostaa ihmisen työtä. Se auttaa kirjoittamaan, analysoimaan, suunnittelemaan ja tekemään päätöksiä. Mutta yhä useammin tekoäly ei ainoastaan toteuta ihmisen ajatuksia. Se osallistuu niiden muodostamiseen ja jopa luo uutta. Tulevien mallien kanssa voi jopa käydä niin, että ihmisen mukana pitäminen hidastaa ja huonontaa tuloksia.

Tämä on yhteisajattelun, co-thinkingin, ydin.

Tekoäly voi auttaa meitä tarkastelemaan ongelmaa näkökulmista, joita emme olisi itse keksineet. Se voi haastaa oletuksiamme, muodostaa vaihtoehtoisia tulevaisuuksia ja tuoda ajatteluumme kokonaisia uusia käsitteellisiä rakenteita. Parhaimmillaan tämä on valtava inhimillisen kyvykkyyden laajennus.

Mutta yhteisajattelu edellyttää muutakin kuin älykästä konetta.

Se edellyttää ihmistä, joka pystyy toimimaan uudenlaisessa ajattelun ympäristössä. Joka ymmärtää, missä oma rooli ja rajoitteet ovat, ja ymmärtää, missä omat supervoimat ovat.

Kuvitellaan tutkija, jonka tekoälykumppani tuottaa yhdessä iltapäivässä enemmän uusia tutkimuspolkuja kuin hänen tutkimusryhmänsä olisi aikaisemmin kyennyt käsittelemään vuodessa. Tutkijan ongelma ei siis enää ole mahdollisuuksien puute.

Se on niiden rajattomuus.

Mihin tarttua? Mitä pitää merkityksellisenä? Milloin lopettaa? Mistä tietää, että on todella ymmärtänyt jotain eikä vain hyväksynyt koneen vakuuttavaa selitystä? Mitä jos omat biakset lopettavat lupaavan tutkimussuunnan siksi, että on jo torstai-iltapäivä ja väsyttää?

Sama ilmiö näkyy toki jo tavallisessa läppärityössä. Tekoäly voi kasvattaa ihmisen tuotantokapasiteettia huomattavasti nopeammin kuin hänen kykynsä arvioida, johtaa ja ymmärtää omaa tekemistään kasvaa.

Voimme tehdä enemmän kuin koskaan, mutta emme välttämättä kykene käsittelemään kaikkea tekemäämme. Ja tämä epäsymmetria ei ole pelkästään tiedollinen.

Se on myös psykologinen.

Ihmisen hermosto ei skaalaudu laskentatehon mukana.

Rajaton määrä mahdollisuuksia ei automaattisesti tarkoita rajatonta toimintakykyä. Se voi tarkoittaa myös jatkuvaa keskeneräisyyden tunnetta, päätöksenteon kuormittumista ja kokemusta siitä, ettei oma ajattelu enää riitä. Tai vastareaktiota koko aiheelle: yksi jatkuvasti kasvavan AI-vastaisuuden syy on varmaan näkymätön burnout ja tunne siitä, että tätä venettä ohjaa joku muu.

Ja vielä syvemmin: tekoäly voi tuottaa loputtomasti uusia ajatuksia, mutta ihminen joutuu edelleen elämään niiden seurausten kanssa.

Tarvitsemme siis uuden mallin ihmisen ja tekoälyn veneretkeen

Kun tekoälyn kyvykkyys kasvaa valtavaa vauhtia, meidän pitää ajatella myös luopumista samalla, kun nautimme kaikesta siitä, mitä tekoäly tuo lisää.

Tämä tarkoittaa kykyä ajatella tekoälyn kanssa menettämättä omaa harkintaa, kykyä arvioida koneen tuottamia mahdollisuuksia ja kykyä tunnistaa, milloin ajattelun nopeus alkaa ylittää oman ymmärryksemme.

Se tarkoittaa yhä enemmän myös kykyä ymmärtää, milloin hypätä pois edestä. Tämä on kivulias ja paljon tunteita herättävä asia, ja sen pohtiminen on yksi meidän kaikkien tärkeimmistä tehtävistä seuraavina vuosina.

Jos kone osaa ratkaista ongelman meitä paremmin, miksi ihmeessä vaatisimme ihmistä sotkemaan prosessia? Mutta jos annamme koneen päättää myös siitä, mitä ongelmia kannattaa ratkaista, olemme luovuttaneet itsestämme jotain paljon olennaisempaa kuin yksittäisen työvaiheen oikomisen.

Tekoälyn aikakaudella meidän on ehkä ensimmäistä kertaa vakavasti erotettava toisistaan älykkyys, ymmärrys ja viisaus. Ne eivät ole sama asia.

Loppukanootti (venytän tätä metaforaa aivan liian pitkälle, tiedän sen)

Vastaus tähän kehitykseen ei tietenkään ole tekoälytutkimuksen pysäyttäminen tai tieteellisten läpimurtojen hidastaminen vain siksi, että ne haastavat nykyisiä instituutioita.

Päinvastoin.

Jos tekoäly voi auttaa ratkaisemaan sairauksia, energiantuotantoa tai materiaalitiedettä koskevia ongelmia, mahdollisuus on liian suuri jätettäväksi käyttämättä. Ja miksei se ihon ikääntymistä hidastava tuote olisi sekin arvokas.

Mutta emme myöskään voi luovuttaa tulevaisuutemme tutkimusagendaa muutaman teknologiayhtiön kaupallisille tavoitteille. Emmekä omaa ajatteluamme jatkuvasti kehittyville malleille.

Kun tekoäly kehittyy purjeet hulmuten, pitäisikö meidän seurata samalla painoarvolla myös tätä: kuinka nopeasti ihminen kykenee muuttumaan?


Kirjoittaja luulee olevansa fiksu, koska ei omista venettä. Hän tosin matkusti isänsä suhteilla kerran teini-ikäisenä rahtialuksella Helsingistä Englantiin, missä hän todisti, miten merimiehet ovat oikeasti erimiehiä. Nämä muistot on suljettu tiukasti lukossa olevaan arkkuun syvälle Itämeren syvyyksiin.

Petri Lattu

Innovaatiojohtaja ja tekoälystrategi, joka kirjoittaa tekoälyn yhteiskunnallisista vaikutuksista ja kognitiivisesta suvereniteetista eli siitä, miten ihminen voi ajatella tekoälyn kanssa luovuttamatta ajatteluaan sille.

Lisää kirjoittajalta →

Lue seuraavaksi