Onko tekoälyn tulevaisuus koodatuissa taaperoissa?
Tekoälyä hyödynnetään yhä monipuolisemmin elämän eri osa-alueilla. Kehittyneimmätkään algoritmit eivät silti välttämättä tee vaikutusta ihmiseen, joka on tutustunut pienten lasten oppimiskykyyn.
Viime vuosikymmeninä käsitykset vauvojen ja pienten lasten ajattelusta ja oppimistavoista ovat muuttuneet dramaattisesti. Verrattain pitkään lapsiin suhtauduttiin ikään kuin alikehittyneinä aikuisina. Nykyisin on kuitenkin havahduttu huomaamaan, ettei vauvaiän ja varhaislapsuuden huippuunsaviritettyjä oppimismekanismeja oikein voida pitää vain keskeneräisenä versiona aikuisten ajattelusta.
Kehityspsykologisesta tutkimuksesta voi hieman yllättäen olla hyötyä myös tekoälyn kehittämisessä. Tekoälystä käytävää keskustelua seuratessa voi välillä tulla sellainen vaikutelma, että on vain ajan kysymys, milloin koneet syrjäyttävät lopullisesti ihmisen. Suora vertailu tekoälyn ja ihmislasten oppimiskykyjen välillä kuitenkin osoittaa, että on vielä monia asioita, joissa taaperot jättävät kehittyneimmätkin tietokoneohjelmat varjoonsa.
Selkein ero ihmislasten ja teköälyn välillä liittyy kykyyn tehdä opitun tiedon pohjalta yleistyksiä ja soveltaa opittuja taitoja luovasti uusiin konteksteihin. Nykyisin osataan kyllä valmentaa tietokoneohjelmia suoriutumaan tarkasti rajatuista tehtävistä erinomaisen tehokkaasti ja luotettavasti. Niin kauan kuin tekoälyn toimintaympäristö muistuttaa sitä aineistoa, jota sen kehitystyössä käytettiin, kaikki toimi yleensä hyvin. Haasteena on kuitenkin se, että pienet, ihmisen näkökulmasta täysin arkipäiväiset muutokset voivat sekoittaa ohjelman täysin.
Dramaattinen esimerkki tästä on Yhdysvalloissa joitain vuosia sitten tapahtunut liikenneonnettomuus, jossa jalankulkija menehtyi itseohjautuvan auton ajettua hänen päälleen. Onnettomuuteen vaikutti monta surullista sattumaa, mutta osasyynä tapahtuneeseen oli se, että auton tekoälyä ei oltu suunniteltu huomioimaan sitä, että jalankulkija voi päättää ylittää tien myös sellaisesta kohdasta, jossa ei ole suojatietä. Tämän vuoksi tekoäly ei tunnistanut kohdetta jalankulkijaksi.
Taaperoita ei toki kannata laittaa auton rattiin, mutta heidän kykynsä oppia laaja-alaisesti erilaisia asioita ja soveltaa oppimaansa uusiin tilanteisiin jättää vielä toistaiseksi tekoälyn varjoonsa. Oppiminen voi myös parhaimmillaan tapahtuva hämmentävän nopeasti. Eräässä tutkimuksessa esimerkiksi havaittiin, että jopa 2-vuotiaat oppivat heille vieraan laitteen käyttötarkoituksen vain yhden malliesimerkin perusteella.
Tutkija Alison Gopnik onkin esittänyt, että tekoälyä kehitettäessä voitaisiin hakea inspiraatiota pienten lasten oppimisen erityispiirteistä. Hänen mielestään nykymuotoiset tietokoneohjelmat muistuttavat lähinnä äärimmilleen vietyä karikatyyriä helikopterivanhempien piirittämistä lapsista, joita on koko ikänsä ajan ohjattu kädestä pitäen ja valmennettu tiettyihin aktiviteetteihin. Tekoäly oppii kyllä suorittamaan ne tehtävät, joihin ne on valmennettu, mutta luovuutta tai sopeutumiskykyä siltä on turha odottaa.
Kohti uteliaita algoritmeja
Mitä erityistä pienten lasten oppimiskyvyssä sitten on? Gopnik korostaa tässä yhteydessä tietojenkäsittelytieteissäkin käytettyä jakoa uusien mahdollisuuksien tutkiskelun, eksploraation ja toisaalta olemassa olevien toimintatapojen hyödyntämisen, eksploitaation, välillä. Lapsuudelle on kehitysvaiheena ominaista nimenomaan jatkuva uusien asioiden tutkiminen. Jo vauvaiässä lapset osoittavat sisäsyntyistä uteliaisuutta uusia asioita ja ilmiöitä kohtaan. Ja heti kun taapero oppii liikkumaan itsenäisesti paikasta toiseen, hän alkaa aktiivisesti tutkia lähiympäristöään.
Lasten käytös on meille sen verran itsestään selvää, että voi olla vaikea nähdä tässä kaikessa mitään erityisen ihmeellistä. Lasten tutkimusmatkojen ja leikkien erityispiirre on kuitenkin se, että tätä toimintaa ei ole optimoitu minkään yksittäinen, ennaltamäärätyn tavoitteen mahdollisimman tehokkaaseen saavuttamiseen. Tässä mielessä prosessi eroaa hyvin paljon vaikkapa koneoppimisesta, jossa tietokoneohjelmalle asetetaan selkeä tavoite. Kun pieni lapsi tutkiskelee ympäristöään, häntä ohjaa yleensä puhdas uteliaisuus.
Joissain tapauksissa tällainen uteliaisuuteen perustuva oppimisstategia voi johtaa parempiin lopputuloksiin kuin suoraan tietyn tavoitteen saavuttamiseen perustuva lähestymistapa. Yhden esimerkin tästä tarjoaa Montezuma’s Revenge -tietokonepeli. Ensimmäiset yritykset kehittää tietokoneohjelma, joka kykenisi suoritumaan tässä pelissä ihmistä paremmin epäonnistuivat surkeasti. Kyseisessä pelissä seuraavalle tasolle eteneminen edellyttää monimutkaisten tehtävien suorittamista, eikä pelaajaa saa joka välissä systemaattista palautetta edistymisestään. Tämän vuoksi tekoäly päätyy helposti keskittymään lyhyen tähtäimen voittoihin – esimerkiksi hakkaamalla toistuvasti samaa vihollista – pelissä etenemisen sijaan.
Pelin asettaman haasteen ratkaisi lopulta yhdysvaltalaisyhtiö OpenAI kehittämällä mallin, jossa tietokoneohjelmaa palkitaan myös pelissä saatuihin voittoihin liittymättömästä ympäristön tutkiskelusta. Tekoälystä tehtiin siis ”utelias”. Tämän jälkeen pelin tasolta seuraavalle eteneminen ei enää tuottanut ongelmia.
Se, pääseekö tekoäly jonkin pelin seuraavalle tasolle vai ei, voi tuntua jokseenkin yhdentekevältä. Samaa metodia voidaan kuitenkin mahdollisesti tulevaisuudessa soveltaa myös yhteiskunnallisesti merkittävämpien kysymysten ratkaisemiseen. Myös todellisesta elämästä löytyy paljon tilanteita, joissa yksioikoinen keskittyminen tietyn tavoitteen mahdollisimman tehokkaaseen saavuttamiseen voi kääntyä itseään vastaan.
Leikki-ikäiset teoreetikot
Vaikkei pienten lasten leikkejä olekaan optimoitu minkään yksittäisen taidon oppimiseen, ei heidän toimintansa silti ole täysin päämäärätöntä. Yksi lasten oppimisen keskeisimmistä piirteistä on Gopnikin mukaan nimenomaan se, että he muodostavat koko ajan havaintojensa perusteella oletuksia ympäröivästä maailmasta ja pyrkivät sitten testaamaan niitä samaan tapaan kuin tutkija testaa tieteellisiä hypoteesejaan.
Gopnikin ja hänen kollegoidensa tutkimuksissa on havaittu, että lapset voivat joissain tilanteissa olla tässä jopa aikuisia parempia. Pienet lapset vaikuttaisivat olevan aikuisia parempia ottamaan huomioon myös epätodennäköisemmät selitysmallit kohdatessaan uuden ilmiön. Tässä tavallaan kyse väistämättömästä vaihtokaupasta. Varttuessamme kehitämme vahvempia oletuksia ja sisäisiä malleja siitä, miten maailma toimii. Osaamme toimia tarkoituksenmukaisesti ja tehokkaasti tutuissa ympäristöissä, mutta samalla sopeutumiskykymme uudenlaisiin tilanteisiin heikkenee.
Muutos on nähtävissä myös aivoissa. Eri aivoalueita yhdistävien hermoyhteyksien määrä kasvaa räjähdysmäisesti aivan kehityksen alkumetreillä. Tämän jälkeen aivot alkavat kuitenkin sopeutua kasvuympäristöön: vähälle käytölle jääneet hermoyhteydet karsiutuvat pois kun taas ympäristön havainnoinnin, tiedonkäsittelyn ja tarkoituksenmukaisen toiminnan kannalta kriittiset hermoyhteydet vahvistuvat. Lisäksi tavoitesuuntautuneen, kontrolloidun ajattelun ja toiminnan mahdollistavat aivoalueet, kuten etuotsalohkot ja niiden yhteydet muihin aivoalueisiin, jatkavat kehittymistään läpi lapsuuden ja nuoruusiän (Aivojen kypsymistä käsiteltiin tarkemmin Virhemarginaalin aiemmassa jutussa)
Kysymys siitä, miten löytää tasapaino tehokkaan toiminnan mahdollistavien perusoletusten hyödyntämisen (”jalankulkijat käyttävät suojatietä tien ylittämiseen”) ja sopeutumiskyvyn (”tämä jalankulkija päätti näköjään tehdä toisin, siispä jarrutan”) välillä on oleellinen myös tekoälyn kannalta. Gopnik onkin spekuloinut sillä mahdollisuudella, että tällä tutkimuskentällä voitaisiin jollain tapaa imitoida sitä, kuinka nämä kaksi ominaisuutta on yhdistetty ihmislajin yksilönkehityksessä.
Voiko koneoppiminen olla sosiaalista?
Ihmislasten oppimisessa on kyse ennen kaikkea sosiaalisesta oppimisesta. Sosiaalinen oppiminen on monitasoinen ilmiö, jolla voidaan viitata niin yksilöiden välillä tapahtuvaan imitaatioon kuin sukupolvien välillä tapahtuvaan kulttuurisen tiedon omaksumiseenkin. Gopnikin mukaan sosiaalisen oppimisen eri tasoilla on havaittavissa selkeitä eroja ihmisten ja tekoälyn välillä.
Jos ajatellaan esimerkiksi imitaatiota, niin tekoäly voi kyllä oppia toistamaan ihmisen tekemiä liikkeitä. Jo pienet lapset osaavat kuitenkin imitoida toisen henkilön toimintaa älykkäämmin: pelkän suoran matkimisen sijaan he päättelevät toisen toiminnan tavoitteen ja imitoivat sitten valikoivasti hänen käyttäytymistään tuon tavoitteen saavuttamiseksi.
Vastavaanlaisesta älykkäästä imitaatiosta on toistaiseksi vähemmän esimerkkejä tekoälyn puolella. Toisaalta tutkija Pieter Abbeel kollegoineen kehitti jo yli 10 vuotta sitten algoritmin, joka kykeni päättelemään, millaisia temppuja ammattilentäjät pyrkivät helikopteria lentäessään tekemään ja esittämään sitten oman, onnistuneemman versionsa kyseisistä tempuista. Voi siis olla, ettei ero ihmislasten ja tekoälyn välillä ole imitaation kohdalla aivan niin suuri kuin Gopnik antaa olettaa.
Toinen, monimutkaisempi sosiaalisen oppimisen taso liittyy siihen, kuinka tietyn kulttuurin käsitykset ja tavat siirtyvät yhdeltä sukupolvelta seuraavalle. Esimerkiksi kulttuurin moraalikäsitykset eivät useinkaan pysy täsmälleen samanlaisina sukupolvesta toiseen, vaan muuttuvat ajan myötä.
Gopnikin mukaan nuoruusiällä voi olla tässä muutoksessa merkittävä rooli. Siinä missä oletukset fysikaalisesta maailmasta ovat joustavimmillaan elämän ensimmäisinä vuosina, nuoruudessa on havaittavissa vastaanvanlaista joustavuutta sosiaalista todellisuutta ohjaavien käsitysten ja normien osalta. Nuoret omaksuvat tehokkaasti yhteisönsä normit, mutta ovat myös valmiita tarkastelemaan sosiaalista ympäristöään uusista näkökulmista.
Ihmisyhteisöille on ominaista, että ihanteemme ja käsityksemme oikeudenmukaisuudesta muuttuvat ajan myötä ja hiomme sitten yhteiskuntamme pelisääntöjä vastaamaan näitä käsityksiä. Tämä on mahdollisesti kaikista perustavanlaatuisin ero ihmisen ja tekoälyn tavoissa oppia. On vaikea kuvitella, että pystyisimme ainakaan lähitulevaisuudessa kehittämään tietokoneohjelmaa, joka kykenisi joustavaan kulttuuriseen oppimiseen ja siihen pohjautuvaan itsenäiseen moraaliseen pohdintaan.
Toisaalta kovin moni meistä tuskin edes haluaisi ulkoistaa yhteiskuntansa moraalikäsityksiä jonkin yhdysvaltalaisen tai kiinalaisen teknologiajätin kehittämän tietokoneohjelman vastuulle. Ehkä voimmekin ensin keskittyä siihen, kuinka pystyisimme kehittämään tekoälyn, joka kykenisi oppimaan yhtä tehokkaasti kuin taaperot. Tämän jälkeen voidaan sitten pohtia, olisiko meille jotain hyötyä myös tietokoneohjelmasta, joka kyseenalaistaisi vallitsevia kulttuurisia normeja teini-ikäisen luovuudella.
Lähteet
Abbeel, P., Coates, A., & Ng, A. Y. (2010). Autonomous helicopter aerobatics through apprenticeship learning. The International Journal of Robotics Research, 29(13), 1608–1639. https://doi.org/10.1177/0278364910371999
Casler, K., & Kelemen, D. (2005). Young children's rapid learning about artifacts. Developmental Science, 8(6), 472–480. https://doi.org/10.1111/j.1467-7687.2005.00438.x
Gopnik, A. (2012). Scientific thinking in young children: Theoretical advances, empirical research, and policy implications. Science, 337(6102), 1623–1627. https://doi.org/10.1126/science.1223416
Gopnik, A. (11.10.2019). The ultimate learning machines. The Wall Street Journal. https://www.wsj.com/articles/the-ultimate-learning-machines-11570806023
Gopnik, A. (2020). Childhood as a solution to explore–exploit tensions. Philosophical Transactions of The Royal Society B, 375(1803), Artikkeli 20190502. https://doi.org/10.1098/rstb.2019.0502
Gopnik, A., O’Grady, S., Lucas, C. G., Griffiths, T. L., Wente, A., Bridgers, S., Aboody, R., Fung, H., & Dahl, R. E. (2017). Changes in cognitive flexibility and hypothesis search across human life history from childhood to adolescence to adulthood. Proceedings of the National Academy of Sciences, 114(30), 7892–7899. https://doi.org/10.1073/pnas.1700811114
Klein, E. (16.4.2021). A conversation about human minds, for human minds [podcast-jakso]. The New York Times. https://www.nytimes.com/2021/04/16/podcasts/ezra-klein-podcast-alison-gopnik-transcript.html
Klein, E. (4.6.2021). Is A.I. the problem? Or are we [podcast-jakso]? The New York Times. https://www.nytimes.com/2021/06/04/podcasts/transcript-ezra-klein-interviews-brian-christian.html
Lucas, C. G., Bridgers, S., Griffiths, T. L., & Gopnik, A. (2014). When children are better (or at least more open-minded) learners than adults: Developmental differences in learning the forms of causal relationships. Cognition, 131(2), 284–299. https://doi.org/10.1016/j.cognition.2013.12.010
McCausland, P. (9.11.2019). Self-driving Uber car that hit and killed woman did not recognize that pedestrians jaywalk. NBC News. https://www.nbcnews.com/tech/tech-news/self-driving-uber-car-hit-killed-woman-did-not-recognize-n1079281