Mitä tekoäly lopulta edes on?

Tekoäly, keinoäly, konemieli, tukiäly, apuäly, … rakkaalla lapsella on monta nimeä. Lisätään mukaan vielä algoritmit, neuroverkot, koneoppiminen ja syväoppiminen – ja nyt hypesoppa on valmis. 1)Lisää demoja: Deep Learning ja neuroverkko. MITn verkkokurssi kannattaa myös katsoa läpi. 3)Gröhn, L. (2018). “TiVi höpsii syväoppimisesta“. Kvasitietoyhteiskunta, 19.2.2018, vrt. Anderson, M. (2018). “Why Deep Learning Works“. Artificial Understanding, 24.2.2018 Joskus näitä eri käsitteitä käytetään kuitenkin lähes toistensa synonyymeinä, joka aiheuttaa valitettavia väärinkäsityksiä ja epäselvyyksiä. Pohjimmiltaan kyse on siitä, että koneoppiminen ja koneoppimisen varaan rakentuva syväoppiminen ovat toistaiseksi tunnetuimpia tapoja synnyttää tekoäly eli sellainen keinotekoinen järjestelmä, joka muistuttaa tavalla tai toisella ihmiselle ominaiseksi miellettyä älykästä toimintaa ja/tai käyttäytymistä. 2)Tekoälyn erilaiset määritelmät heijastelevat hyvin laajassakeskustelussa ilmeneviä erilaisia arviointitapoja. Oppimisen ja päättelyn eroilla on myös tapana hämärtyä tieteenalojen välisessä keskustelussa. Jotkut suomalaiset keskustelijat ovatkin kehottaneet luopumaan tekoälyn käsitteestä ja keskittymään koneoppimiseen. 4)Professori Timo Honkelan (2010, 319) mukaan koneoppiminen on “tietojenkäsittelytieteen ja tekoälytutkimuksen osa-alue, jossa järjestelmä kehittyy sille annettujen esimerkkien perusteella”. Alpha Go on esimerkki koneoppimisesta, vaikka järjestelmä ei saanutkaan valmiita esimerkkejä. Alpha Go kehittyi erinomaiseksi pelaajaksi pelkkien go-pelisääntöjen avulla pelaamalla itse itseään vastaan.  Tekoäly on valtava ja historiallisesti epäselvä tutkimusaslue, jonka aatehistorialliset juuret ulottuvat antiikin Kreikkaan. Tekoälytutkimus ei ole vain ohjelmointia ja koneita, vaan siihen on sekoittunut myös hyvin monia muita tieteenaloja ja niiden alueilla vuosikymmeniä – tai vuosisatoja – arvuuteltuja tutkimuskysymyksiä. 5)Ivancevic, V. G. & Ivancevic, T. T. (2007). Computational Mind: A Complex Dynamics Perspective. Berlin: Springer-Verlag, s. 1-39. Nykyaikaisen tekoälytutkimuksen juuret ovat ohjelmisto- ja tietotekniikan perusteissa, Turingin testissä ja Dartmouthin konferenssissa.

Koneoppimista ja koneoppimiseen perustuvaa syväoppimista on tapana hyödyntää monenlaisissa tekoälyongelmissa, mutta tämän lisäksi oppivia ohjelmia ja algoritmejä on kehitetty myös monilla muilla tieteenaloilla kuten muun muassa tilastotieteen ja signaalinkäsittelyn piirissä. Koneoppimisessa ja tekoälytutkimuksessa on tapana hyödyntää hyvin monenlaisia metodologioita ja estimointitekniikoita: parametristä ja ei-parametristä oppimista, Kernel-pohjaista oppimista (tukivektorikoneet, yleistetyt lineaarimallit jne.), bayesilaisia menetelmiä (piirrevalinamenetelmät), probabilistiset graafiset malleja (Bayes-verkot, dynaamiset graafit) ja monenlaisia neuroverkkoja (perspeptronit, syvän uskon verkot). 6)Regan, S., Klein, L., Jacobs, M. & Kazmi, S. (2017). “Model Behavior. Nothing Artificial: Emerging Trends in the Validation of Machine Learning and Artificial Intelligence Models“. Accenture 7)Tässä on hyvä kokoelma koneoppimisen käsitteitä ja niiden selitykset selkokielisinä. Sam DeBrule on käsitellyt koneoppimista, menetelmiä ja sovelluksia varsin kattavasti monella eri tasolla.

Kuvio 1. Erilaisia koneoppimisen ja tekoälyn mallintamismenetelmiä (Lähde: Accenture)

Tekoälyn vaikutuksista on esitetty vaihtelevia arvioita. World Economic Forumin julkaiseman Knowledge@Whartonin artikkelin mukaan tekoäly muuttaa kaiken. Liiketoiminnalliset vaikutukset eivät välttämättä näy heti tänään, mutta BCGn ja MIT Sloan Management Reviewin tekemän tutkimuksen mukaan vaikutusten odotetaan vahvistuvat merkittävästi jo viiden vuoden kuluessa. 8)Ransbotham, S., Kiron, D., Gerbert, P. & Reeves, M. (2017). “Reshaping Business With Artificial Intelligence: Closing the Gap Between Ambition and Action“. MIT Sloan Management Review, 6.9.2017 Tekoälyennusteissa on toki aimo annos suuria odotuksia, mutta toisaalta valtaosa ihmisistä ei näytä ymmärtävän, mistä tekoälyssä on tosiasiassa kyse. Rodney Brooksin (2017) mukaan ajattelemme tekoälystä ja sen vaikutuksista aivan liian epäselvästi, yksinkertaistavasti, suoraviivaisesti ja perustamme uskomuksemme kovin tasapaksuihin oletuksiin.

Tietojenkäsittelytieteen apulaisprofessori Teemu Roos on Tieteessä tapahtuu -lehdessä ilmaissut erityisen huolensa perinteisten medioiden levittämistä mielikuvista:

“Mikä merkillisintä, sekä optimistit että pessimistit hehkuttavat tekoälyn jo saavuttaneen ihmiset monenlaisissa tehtävissä konenäöstä luetun ymmärtämiseen. Suuri ristiriita korostuu toimituksellisesti heppoisissa medioissa, joissa räväkin otsikko saa eniten klikkauksia ja jakamisia. Lähdekritiikki ja rationaalinen keskustelu on mahdotonta, koska puhutaan seurauksista pyrkimättä ymmärtämään taustalla olevaa tiedettä.

Miten tekoälykeskusteluun saataisiin enemmän tiedettä ja vähemmän klikkiotsikoita? Nähdäkseni vastaus on yksinkertainen: ymmärrystä tekoälyn perusteista on levitettävä muuallekin kuin tutkijoiden ja tekoälyn ammattilaisten piiriin. Tavoitteena ei ole kouluttaa koko kansasta tekoälykoodareita. Sen sijaan perusteiden avulla saavutetaan kyky osallistua tekoälyyn liittyvään yhteiskunnalliseen keskusteluun ja arvioida kriittisesti esitettyjä väitteitä – ‘tekoälyn lukutaito’.” 9)Korostukset: TB

Peruskäsitteet kuntoon

Käsittelin tekoälytutkimuksen käsitevyyhtiä aiemmassa kirjoituksessani, jossa nostin esille muun muassa Stuart J. Russellin ja Peter Norvigin (2010) kirjassaan esittämän havainnollisen nelikentän tekoälyn eri merkityksien havainnollistamiseksi. 10)Eero Hyvönen on tekoälyluennollaan purkanut näitä Russellin ja Norvigin esittämiä merkityksiä suomeksi. Myös Prashant Gupta on käynyt näitä tiiviisti läpi. Syytä määritelmien moninaisuuteen voi vain arvailla, mutta tekoälytutkimuksen kentällä ei ole syntynyt yhtä yksittäistä kaiken kattavaa määritelmää, vaan Russell ja Norvig kehottavat nelikentällään tarkastelemaan tekoälyä sille asetetun tavoitteen näkökulmasta. Rom V. Yampolskyin (2015) mukaan tekoälytutkimuksessa on saavutettu menneinä vuosikymmeniä merkittäviä läpimurtoja, mutta tekoälytutkimuksen piirissä ei ole onnistuttu määrittelemään todellista ongelma-avaruutta toisin sanoen tekoälyn pää- ja sivuongelmia. 11)Tekoälytutkimuksen parissa on viime aikoina keskusteltu myös toistettavuusongelmista. Elena Nisioti on käsitellyt tekoälytutkimuksen historiaa ja vaikuttajia hyvässä artikkelissaan.

Nelikentän ensimmäistä osaa Russell ja Norvig kutsuvat kognitiivisen mallintamisen lähestymistavaksi, toista Turingin kone -lähestymistavkasi, kolmatta ajattelun ja logiikan lainalaisuuksien lähestymistavaksi ja neljättä rationaalisen agentin lähestymistavaksi. Russellin ja Norvigin itse esittämä tekoälyn määritelmä kuuluu nelikentän oikeaan alakulmaan. Heidän mukaansa tekoälytutkimuksessa “älykkyydessä on kyse ensisijaisesti rationaalisesta [eli järkevästä] toiminnasta. Ihannetapauksessa älykäs agentti valitsee tilanteen kannalta parhaan mahdollisen toimintatavan.” 12)Russell & Norvig 2010, 30

Kuvio 2. Perinteisten tekoälymääritelmien nelikenttä 13)Norvig & Russell 2010, 2

Vladimir Ivancevic ja Tijana T. Ivancevic (2007, 111) mukaan “tekoäly on tietojenkäsittelytieteen haara, jonka alueella käsitellään koneiden älykästä käyttäytymistä, oppimista ja sopeutumista”. 14)Määritelmä on sukua Russellin ja Norvigin esittämälle määritelmälle. Peter Vossin mukaan älykkyydellä tarkoitetaan kognitiivista kykyä ymmärtä ja mallintaa maailmaa. Älykäs toimija kykenee saavuttamaan monenlaisia tavoitteita ja kykenee jatkuvasti yhdistelemään uutta tietoa ja uusia taitoja oppiakseen uutta. Vossin mukaan ihmisälykkyys on siitä erityistä, että siihen kuuluu olennaisena osana kyky muodostaa ja hyödyntää hyvinkin abstrakteja käsitteitä ja ajatella ja päätellä luonnollisella kielellä. Thomas Filaire (2017) on esittänyt varsin hyvän yleismääritelmän tekoälylle:

“Tekoäly viittaa tietokonejärjestelmiin, jotka pystyvät tekemään asioita, joita yleisesti pidetään älykkyyttä vaativina. Älykkyys määritellään täten [joukoksi] kognitiivisiksi ominaisuuksiksi.

Käytännössä [tekoälyn tekeminen] viittaa tällaisten älykkäiden kokonaisuuksien rakentamiseksi.” 15)Käännös: TB 16)Määritelmä kuuluu Russell-Norvig -matriisissa ensimmäiseen tai toiseen osioon, mutta vahvemmin toiseen laatikkoon.

Russellin ja Norvigin kategorisoinnin lisäksi tekoäly on joskus tapana jakaa kapeaan, yleiseen ja supertekoälyyn.17)Bernard, M. (2018). “The Key Definitions Of Artificial Intelligence (AI) That Explain Its Importance“. Forbes, 14.2.2018; ks. PwCn viime vuonna julkaisema raportti Stephan De Spiegeleiren, Matthjis Maain ja Tim Sweijsin viime vuonna julkaisema laaja sotatieteellinen Artificial Intelligence and the Future of Defense: Strategic Implications for Small and Medium-Sized Force Providers -raportti esittelee kattavasti tekoälyn erilaisia käsitteitä, historiaa ja lähestymistapoja. Tekoälyn määritelmiä ja erilaisia yrityksiä käsitteellistää sitä on siis tarjolla todella monia.

Ray Kurzweil (19902005a, 2005b) on eräs tunnetuimpia ihmismäisesti toimivan tekoälyn puolestapuhujia. Tunnetuimman Kurzweilin esittämän ennusteen mukaan vuonna 2045 tekoälyt ylittävät kaikilta osin ihmisen kyvyt. 18)Kurzweilin mukaan ihmisten ei ole kuitenkaan syytä pelätä ihmismäistä tekoälyä. Roman V. Yampolskiyn (2015) mukaan vaarallinen tekoälyjärjestelmä voi kuitenkin syntyä monenlaisten tapahtumien tuloksena.) Nick Bostromin (1997) mukaan kyse ei ole varsinaisesti siitä, syntyykö superäly vaan oikeastaan siitä, milloin se syntyy. Bostrom (2004) on eritellyt supertekoälyn syntyyn johtavia kehityspolkuja ja supertekoälyn oletettuja vaikutuksia muutama vuosi sitten ilmestyneessä kirjassaan Superintelligence: Paths, Dangers, Strategies. 19)Tim Urban on käsitellyt supertekoälyä varsin kattavasti täällä ja täällä. 20)Brundage, M. (2015). “Taking superintelligence seriously – Superintelligence: Paths, dangers, strategies by Nick Bostrom (Oxford University Press, 2014)“. Futures 72: 32-35 Lukuisat tiedemiehet ja tutkijat ovat viimeisen parinkymmenen vuoden aikana pyrkineet herättämään laajempaa yhteiskunnallista keskustelua robotti- ja tekoälyetiikasta ja näiden tieteenalojen pelisäännöistä. 21)LaChat 1986; Bostrom 2003; Anderson & Anderson 2003; Anderson, Anderson & Armen 2004; Allen, Smit & Wallach 2005Allen, Wallach & Smit 2006; Yudkowsky 2008Shulman, Jonsson & Tarleton 2009a, 2009b; Tonkens 2009; Wallach & Allen 2009Anderson & Anderson 2011Bostrom & Yudkowsky 2011; Lin, Abney & Bekey 2011; Wallach 2011Gunkel 2012; Muehlhauser & Helm 2012;  Yampolskiy 2013Bostrom 2014; Davis 2014Lin, Abney & Bekey 2014; Winfield, Blum & Liu 2014Davis 2015Hibbard 2015Yampolskiy 2015Bostrom, Dafoe & Flynn 2016; Meek, Barham, Beltaif, Kaadoor & Akhter 2016Hurtado 2016; Müller 2016Orseau & Armstrong 2016; Wallach & Asaro 2016; Baum 2017; Conitzer, Sinnott-Armstrong, Borg, Deng & Kramer 2017; Brundage ym. 2018 Bostromin mukaan tekoäly on jopa ilmastonmuutosta suurempi uhka ihmiskunnalle. John Danaher (2016) on onnistuneesti erotellut Matthew U. Scherin (2016) työhön pohjautuen tekoälyn sääntelyyn liittyvää problematiikkaa. 22)Kyse ei ole vain siitä, miten ihmiset voivat suojautua vihamielisiltä tekoälyiltä, vaan myös siitä, mitä oikeuksia ja velvollisuuksia (lähi)tulevaisuuden (tuntevilla) tekoälyjärjestelmillä on. Kaikille tekoälyn määritelmille on ominaista määritellä tekoäly omalla tavallaan, mutta supertekoälyn tapauksessa kaikki haluavat välttää vihamielisen tekoälyn kehittymisen ja edesauttaa ystävällisen tekoälyn syntyä.

Valtaosa tekoälytutkijoista on sitä mieltä, että tekoälyltä vaaditaan jonkinlaista (ihmisille ominaista) kykyä oppia. 23)Russel ja Norvig esittävät toki myös monia muita rationaalisuuden edellytyksiä. Esimerkiksi Russell ja Norvig (2010, 39) korostavat rationaalisen toimijan oppimiskyvyn merkitystä, sillä heidän määritelmänsä “edellyttää järkevältä toimijalta ei vain tiedon keräämistä, vaan myös kykyä oppia mahdollisimman paljon siitä, mitä se havaitsee. Agentin alustava kokoonpano voi heijastaa jotain aiempaa tietoa ympäristöstä, mutta agentin kartuttaessa kokemusta, sen tieto ympäristöstä voi muuttua ja lisääntyä.” Russellin ja Norvigin (2010, 693) mukaan toimijaa kutsutaan oppivaksi, “jos se parantaa tulevaisuuden toimintaansa maailmasta tekemiensä havaintojen ansiosta”. Chelsea Finnin (2017) mukaan “älykkyyden keskeinen muoto on monipuolisuus – kyky tehdä monia eri asioita. Nykyiset tekoälyjärjestelmät ovat todella hyviä yhdessä taidossa […], mutta [nykyinen] tekoälyjärjestelmä kompuroi kun sitä pyydetään suorittamaan erilaisia näennäisen yksinkertaisia haasteita.” Älykkyydelle on monia erilaisia määritelmiä, mutta se ilmenee oppimis-, omaksumis- ja ongelmanratkaisukykynä erilaisissa (epävarmoissa) toimintaympäristöissä. 24)Ks. Legg & Hutter (2007) Älykkyyttä ei juurikaan vaadita, jos toimintaympäristö on hyvin yksinkertainen, ymmärrettävä ja ennakoitava. Linda Gottfredsonin (1987, 92-93) mukaan (yleis)älykkyys tarkoittaa “kykyä käsitellä kognitiivista monimutkaisuutta, erityisesti monimutkaisen informaation käsittelemistä. Kaikkeen elämässä liityy jonkin verran monimutkaisuutta eli tiedon käsittelyä.” Shane Leggin ja Marcus Hutterin (2007) synteesin mukaan älykkyydellä mitataan toimijan kykyä päästä tavoitteisiinsa erilaisissa ympäristöissä. Toimija on jollain tavoin älykäs, jos se kykenee saavuttamaan tavoitteensa.

Älykkyydessä on jollain tavoin kyse myös niin sanotusta metaoppimisen eli oppimaan oppimisen ongelmakentästä, jota muun muassa Sepp Hochreiter (1991Jürgen Scmidhuber (1987, 2014, 20152017) ja Yoshua Bengio, Samy Bengio ja Jocelyn Cloutier (1991) ovat eturintamassa kehittäneet. 25)ks. Schmidhuber 2015 26)Finn (2017) käsittelee hyvin monipuolisesti metaoppimiseen liittyvää problematiikkaa. Donald B. Maudsley (1979) on määritellyt väitöskirjassaan metaoppimisen “prosessiksi, jonka myötä oppijat tuntevat ja hallitsevat entistä enemmän sisäistämiensä havaintojensa, tutkimisensa oppimisen ja kasvun tapoja”. Metaoppiminen on Barbara MacGilchristin, Jane Reedin ja Kate Myersin (2006, 55) mukaan osa metakognitiota, joka koostuu useammista metakyvykkyyksistä. Metaoppiminen koostuu heidän mukaansa oppijan kykynä arvioida oppimistavoitteita, oppimisstrategioita, oppimiseen liittyviä tunnetilijoja ja oppimistuloksia. Metaoppimisen ilmenee siinä, että oppija on tietoinen oppimisestaan ja kykenee aktiivisesti vaikuttamaan oppimisprosessiinsa. 27)vrt. Wissner-Gross (2013)

“Ei tekoälystä mitään tule!”

Kenelläkään ei ole tarkkaa tietoa siitä, mitä kaikkea suuryritykset ja startupit lopulta puuhaavat tekoälyn saralla. Julkisuuteen tihkuneet tiedot ja eri asiantuntijoiden arvailut ovat vain jäävuoren huippu. Yksi asia on kuitenkin varmaa: Kurzweilin ja Bostromin esittämä supertekoäly ei synny huomenna tai ylihuomenna, vaan matka tulee olemaan vielä pitkä ja kivinen. Esimerkiksi Bostromin (2014) esittämät esimerkit tammea, backgammonia, shakkia, sanaristikoita, pokeria ja gota pelaavista tekoälyjärjestelmistä eivät ole sama kuin yleisälykäs tekoäly, vaan pelitekoälyt ovat niin sanottua kapeaa tekoälyä. “Muilla alueilla [tekoäly]ratkaisut ovat osoittautuneet alkuperäistä monimutkaisemmiksi ja kehitys hitaammaksi. Tietojenkäsittelytieteilijä Donald Knuth hämmentyi siitä, että ‘tekoäly on onnistunut tekemään kaiken, mikä edellyttää ‘ajattelua’, mutta epäonnistunut lähes kaikessa siinä, mitä ihmiset ja eläimet tekevät ‘ajattelematta’ – tämä on jostain syystä paljon vaikeampaa!'”, Bostrom (2014) kirjoittaa. Bostromin (2015) mukaan älykkyys on pohjimmiltaan optimointiprosessi: toimija pyrkii sellaisiin maailmantiloihin, joissa sen tavoitteet toteutuvat. Superäly on Bostromin mukaan pohjimmiltaan “vain” erityisen kyvykäs optimointiprosessi.

Tekoäly ei ole yksi asia, vaan nippu erilaisia näkemyksiä ja sateenvarjokäsite. Tekoäly on jo täällä ja samaan aikaan ei ole – kyse on antropomorfismin ja odotusten aiheuttamasta näkökulmaharhasta. Esimerkiksi viime vuotisessa VTTn politiikkapaperissa sanotaan, että “laajan ymmärryksen ja ihmisen kaltaisen tietoisuuden omaava ns. vahva tekoäly tuntuu edelleen pakenevan tutkijoiden pyrkimyksiä”. 28)VTTn paperissa vahva tekoäly on määritelty komputationaalisen mielenteorian näkökulmasta. Tämä ei ole ainut tapa käsitteellistää vahva tekoäly. Komputationaaliseen mielenteoriaan liittyy monia ongelmia, joista tunnetuin lienee filosofi John Searlen kehittämä kiinalainen huone. 29)Hawkins, J. (2017). “The Secret to Strong AI“. Numenta, 14.11.2017 Jokainen näyttää ymmärtävän, että niin sanottu kapea tekoäly on jo osa jokapäiväistä arkea, mutta kaikki muu on pitkälti suuria odotuksia; ja suuret odotukset voivat johtaa pahoihin pettymyksiin.

Siirtymä kapeasta tekoälystä kohti yleistä tekoälyä – supertekoälystä puhumattakaan – ei ole vain laskentatekninen ongelma, vaan kyse on monitahoisesta ongelmasta – ja juuri tästä syystä ennusteet yleisen tekoälyn synnystä ovat useimmiten vain arvailuja. Yleistekoälyn keskeiset teoreettis-laskennalliset ongelmat liittyvät muun muassa käsitteiden syntyyn ja kehitykseen, tiedon hankkimiseen ja kielen oppimiseen. Toisaalta Peter Vossin (2017) mukaan yleistekoäly vaatinee aivan uudenlaista kognitiivisiin arkkitehtuureihin nojaavaa lähestymistapaa eli kolmatta tekoälyaaltoa, joka ylittää perinteisen ohjelmoinnin (GOFAI) ja neuroverkkojen ja syväoppimisen rajoitteet. Yleistekoälyltä odotetaan huomattavasti paljon monimutkaisempaa kyvykkyyttä kuin aiemmilta sukupolvilta. Vossin mukaan ensimmäisen ja toisen aallon tekoäly ei juuri mihinkään, kun sitä verrataan mahdolliseen kolmannen aallon synnyttämään yleistekoälyyn. Bostromin (2015) mukaan kyse on pohjimmiltaan siitä, kuinka nopeasti yleistekoäly syntyy ottaen huomioon nykytutkimuksessa – esimerkiksi syväoppimisessa – saavutetut edistysaskeleet. 30)Kaikki eivät ole yleistekoälyn synnystä samaa mieltäsupertekoälystä nyt puhumattakaan. Tim Urban on verrannut yleistekoälyä pikajunaan, joka ohittaa ihmisälykkyyden silmänräpäyksessä. Timo Haanpään mukaan tekoäly on liikkuva maali.

Koneoppiminen, data ja kaikki muu

Tekoälykeskustelussa on usein tapana nostaa esille jo aiemmin tässä kirjoituksessa ja aiemmassa kirjoituksessani mainitsemia kone- ja syväoppimisen teoriassa ja käytännön sovelluksissa saavutettuja merkittäviä edistysaskeleita. Olen jo useamman kerran todennut, että tekoäly ja koneoppiminen eivät ole yksi ja sama asia. Samaan aikaan tekoälykeskustelussa on usein tapana kirjoittaa muun muassa lohkoketjupohjaisista tekoälysovelluksista, kognitiivisesta tietojenkäsittelystä, IoT:stä eli Internet of Thingsistä ja tietysti big datasta. Tekoäly, kuten jo aiemmin kirjoitin, on siis kattokäsite, joka kattaa useita tieteenaloja, lähestymistapoja – ja tekoälyn moninaisia sovelluksia on jo käytössä lähes kaikkialla yhteiskunnassamme. Hyvä yhteenveto tekoälyn käsitevyyhden moninaisista suhteista löytyy tästä ja tästä, ja asioita selventävä katsaus tekoälytutkimuksen eri haaroihin on tässä. 31)Lisää havainnollisia Venn-diagrammeja löytyy iso liuta täältä ja eri tekoälytutkimuksen osa-alueiden selitykset tästä.

Tekoälyn eri määritelmistä, kuten jo aiemmin kirjoitin, ollaan eri mieltä, mutta valtaosa ihmisistä tuntee ainakin joitakin kapean tekoälyn sovelluksia (mm. Googlen DeepMindIBMn Deep Blue ja asiantuntijajärjestelmät). Kapeat tekoälyt ovat (ylivoimaisen) hyviä jollain tietyllä hyvin määritellyllä alueella. Jos tekoälyjärjestelmä kuitenkin pystyy oppimaan lennosta (eli sitä ei ohjelmoida tekemään ja olemaan parempi jossain tietyssä asiassa tai tehtävässä) ja se kykenee itsenäisesti laajentamaan osaamistaan eri alueilla, se lähestyy yleistekoälyä.

Mitä (yleis)tekoälyltä siis vaaditaan älykkyyden lisäksi? 32)Professori Hans Uszkoreit käsittelee tätä supertekoälyä koskevalla luennollaan. Fabian (2017) on esittänyt, että (kognitiivisen) tekoälyn pitää täyttää kolme vaatimusta: sen pitää pystyä käsittelemään aistihavaintojaan, sen pitää pystyä toimimaan monella eri tasolla ja sen pitää pystyä reagoimaan suunnittelemattomiin tilanteisiin. Näiden lisäksi ihmisten pitäisi pystyä jotenkin ymmärtämään (yleis)tekoälyn paraneminen yli tehtävä- ja tekemisrajojen, toisin sanoen validoimaan sen tosiasiassa olevan yleisälykäs. Eri lähestymistapojen välillä on kuitenkin ilmeisiä ristiriitoja, jonka vuoksi ei ole olemassa mitään yhtä oikeaa tekoälyn määritelmää. Tekoälyn määritelmistä on käyty mielenkiintoista keskustelua myös suomenkielisessä Tekoäly (AI) -keskusteluryhmässä Facebookissa.

Supertekoäly on tietysti sekä ajallisesti että teknisesti vielä kaukana siitä, mitä sitä “heikompi” yleistekoäly tekee, mutta Bostromin (2015) mukaan se saattaa kuitenkin seurata hyvin pian yleistekoälyn synnyn jälkeen. Supertekoäly siis käytännössä ylittää ihmisten älykkyyden kaikilta osin, mutta onko sillä tunteita tai voiko se koskaan tuntea mitään? Onko supertekoäly tietoinen itsestään? 33)Joidenkin mukaan älykkyys ja tietoisuus eivät suoraan linkity toisiinsa. Mitä supertekoäly tavoittelee? Toisaalta supertekoälyä ei tule ihmismäistää, koska meillä ei ole mitään syytä olettaa supertekoälyn olevan ihmispersoona.

Seuraavassa kirjoituksessani perustelen sen, miksi tekoäly on kiinnostavaa juuri nyt ja miksi “tekoälytieto” kuuluu kaikille. 34)Myös Suomessa tekoälyn vaikutuksista eri toimialoille on jo keskusteltu runsaasti. Anne Laajalahti on koostanut tiiviin kirjoituksen, jossa esitetään muun muassa viisi syytä sille, miksi viestinnän ammattilaisten pitäisi olla kiinnostuneita tekoälystä. Keskityn perustelemaan tekoälyn merkittävyyttä ja tärkeyttä erityisesti finanssialan näkökulmasta, sillä sen erilaisia käyttötapauksia ja esimerkkejä tunnen tällä hetkellä parhaiten. Palaan tulevaisuudessa myös lyhyesti tekoälyn (esi)historiaan, sillä esimerkiksi koneoppimisen piirissä saavutetut edistysaskeleet ovat vanhempia kuin joskus annetaan ymmärtää. 35)Pyrin myös kokoamaan kirjoituksen yhteyteen suositeltavaa luettavaa eri aiheisiin liittyen.

Ennen seuraavaa artikkeliani suosittelen kuitenkin lämpimästi tutustumaan jo useaan kertaan mainitsemaani Nick Bostromin kirjaan. Bostrom käy kirjansa toisessa kappaleessa läpi eri tapoja supertekoälyn saavuttamiseksi. Hän käsittelee niin aivoemulaatioita, biologisen kognition vahvistamista kuin myös aivojen ja aivotietotekniikkaa. Eri lähestymistavat nostavat esille erilaisia asioita, painottavat niitä eri tavoin ja hyödyntävät erilaisia metaforia. 36)Suosittelen myös lukemaan Kaj Sotalan muutaman vuoden takaisen kirjan Kehittyvä ihmiskunta, joka johdattelee lukijansa tekoälyä laajempiin aihekokonaisuuksiin.

 

 

References   [ + ]

Leave a Reply

Your email address will not be published. Required fields are marked *