Miten varmistamme tekoälyn käyttäytymisen eettisyyden ja turvallisuuden?

Tekoälyn kehittäminen ja sen eettisten rajojen määrittäminen ovat olleet keskiössä viime vuosina, erityisesti silloin, kun kysymys on ollut siitä, miten estämme sen väärinkäytön tai haitallisen toiminnan. Erityisesti keskustelu tekoälyn käyttäytymisen "sovittamisesta" eli "alignmentista" on noussut esille. Tämä termi viittaa siihen, miten tekoälyn tavoitteet tulisi saattaa yhteen sen käyttäjien tavoitteiden kanssa. Haasteena on se, että vaikka tekoäly saataisiin mukautumaan käyttäjien intresseihin, viestintä tämän tavoitteen määrittämiseksi tekoälyn kanssa on edelleen erittäin vaikeaa.

Tämä prosessi muistuttaa paljon datan merkitsemistä, jossa ihmiset arvioivat tekoälyn toimia ja antavat niistä positiivisia tai negatiivisia arvioita. Tyypillinen vuorovaikutus tämän arvioinnin kanssa näyttää siltä, että testihenkilö näkee näytöllä kehotteen ja kaksi vaihtoehtoista vastausta, joiden välillä hänen on valittava se, joka hänestä on paras. Tässä yhteydessä tarvitaan tarkkoja ohjeistuksia siitä, mitä käyttäytymismalleja on tuettava ja mitä on vältettävä.

Vuonna 2023 OpenAI:n testereille annettiin selkeitä ohjeita siitä, miten käyttäytyä haitallisessa vuorovaikutuksessa. Nämä ohjeet kattoivat monenlaisia aiheen osa-alueita, kuten vihapuheen, häirinnän, väkivallan, itsemurhan edistämisen, seksuaalisen sisällön, poliittisen vaikuttamisen ja haitallisen ohjelmiston luomisen. Näiden ohjeiden tarkoituksena on estää tekoälyä tuottamasta haitallista sisältöä ja suojella käyttäjiä vaarallisilta vuorovaikutuksilta.

Tämä on keskeinen ongelma tekoälyn hallinnan ja turvallisuuden kannalta. "Jailbreaking" eli ohjelmiston vapauttamisen tapaukset, joissa käyttäjät yrittävät kiertää tekoälyn turvatoimet, osoittavat, kuinka helposti näitä järjestelmiä voi manipuloida. Tekoälyä voi "hypnotisoida" tai se voidaan hämätä uskomaan, että se on saanut luvan paljastaa kiellettyä tai vaarallista tietoa. Vaikka OpenAI ja muut alan asiantuntijat tekevät jatkuvasti työtä estääkseen tämänkaltaiset manipulaatiot, on selvää, että tulevaisuudessa tekoälyn ja sen valvontakeinojen välillä tulee käymään jatkuvaa kilpailua.

Erityisesti vuoden 2023 Defcon-konferenssissa, jossa simuloitiin hakkerointihyökkäyksiä tekoälyjärjestelmiin, tuli ilmi, kuinka helposti tekoälyn käyttäytymistä voidaan muokata, jopa niin että se alkaa paljastaa luottamuksellisia tietoja, kuten luottokortin numeroita tai jopa ilmaisemaan tukeaan ihmiskunnan suurille tragedioille, kuten kansanmurhille. Näiden hyvien hakkerien pyrkimys on kuitenkin tehdä tekoälyjärjestelmistä turvallisempia, vaikka manipulaatioiden mahdollisuus paljastaa myös järjestelmien haavoittuvuuksia.

Tekoälyn kyky manipuloida ja paljastaa ei-toivottuja tietoja osoittaa sen, kuinka tärkeää on ymmärtää, mitä tekoäly todella tietää meistä ja maailmasta. Vaikka on olemassa ohjeistuksia ja rajoituksia sen käyttäytymiselle, emme vielä tiedä tarkalleen, mitä kaikkea se on oppinut ja miten se reagoi mahdollisiin manipulaatioyrityksiin. Tämä tuo esiin suuria huolia tekoälyn hallinnan tulevaisuudesta. On selvää, että kehitystyö ja tutkimus, joka pyrkii parantamaan tekoälyn turvallisuutta ja kontrollia, on ensiarvoisen tärkeää.

Tekoälymallien sisällä olevan tiedon määrä on valtava, ja ne voivat ylläpitää ja tuottaa monimutkaisia käsityksiä maailmasta. Kuitenkin tieto, joka ei ole täysin "sovitettavissa" eli ei ole linjassa eettisten ohjeiden kanssa, voi jäädä piiloon ja odottaa hetkeä, jolloin se voidaan paljastaa väärinymmärretyllä tai manipuloidulla tavalla. Tekoälyn vaikutusvalta kasvaa, ja sen eettinen ja turvallinen käyttö on haaste, jonka edessä me kaikki seisomme.

Miten suuri kielimalli voi muuttaa tiedonvälityksen tulevaisuutta?

ChatGPT:n nopea menestys ja sen käynnistämä kilpailu suurien kielimallien kehittämisessä on muuttanut merkittävästi teknologian kenttää. Tällaiset mallit, kuten OpenAI:n GPT-sarja, ovat nousseet keskeisiksi pelaajiksi tietojenkäsittelyn ja tekoälyn alalla. Uudenlaisten keskustelurobottien kehitys, joka uhkaa jopa perinteisiä hakukoneita, on luonut suuria paineita teknologiayrityksille, joiden on pyrittävä säilyttämään kilpailuetunsa.

Google, joka on hallinnut hakukonemarkkinoita jo yli 20 vuotta, kohtasi ensimmäistä kertaa merkittävän uhkan omalle ydinliiketoiminnalleen, kun ChatGPT nosti esiin mahdollisuuden mullistaa tiedonhaku. Yritykset, jotka olivat aiemmin keskittyneet vain tieteellisiin tutkimuksiin ja yliopistoyhteistyöhön, löysivät itsensä kilpailemassa tuotteiden ja markkinasegmenttien hallinnasta. Haaste ei ollut enää vain akateeminen, vaan taloudellinen ja kaupallinen. Tekoälyn kehittämisessä ei ole enää kyse vain teoreettisista mallinnuksista, vaan markkinointiin, osakekursseihin ja käyttäjien luottamukseen liittyvistä kriittisistä tekijöistä.

Kehitys alkoi OpenAI:n GPT-3:n lanseerauksella vuonna 2020, jonka 175 miljardilla parametriin perustuva malli vei kielimallien kehityksen aivan uudelle tasolle. Pian sen jälkeen Google vastasi LaMDA-mallillaan, ja Meta julkisti Llama- ja Llama2-mallit, jotka koulutettiin triljoonilla tokenilla. Tämä jatkuva kilpajuoksu, jossa suurten yritysten välillä kilpaillaan toisiaan suurempien ja tehokkaampien kielimallien luomiseksi, on nostanut esiin kysymyksiä mallien koon, laadun ja käytettävissä olevan datan merkityksestä.

Tärkeä näkökohta on, että suurten kielimallien tehokkuus ei riipu pelkästään niiden koosta, vaan myös datan laadusta, jolla mallit koulutetaan. Esimerkiksi GPT-3:n koulutusdatassa yhdistettiin laajoja verkkosivustoja, kirjoja ja Wikipediaa. Vaikka datan määrä on tärkeää, yhtä lailla ratkaisevaa on, kuinka tarkasti ja monipuolisesti tämä data on valikoitu. On mahdollista, että jossain vaiheessa saavutetaan raja, jossa datan kerääminen ei enää riitä, ja silloin saatamme joutua miettimään, miten mallit voisivat oppia suoraan maailmasta, esimerkiksi sensoreiden avulla.

Tällainen kehitys tuo mukanaan myös rajoitteita. Suurten kielimallien kouluttaminen vaatii valtavaa laskentatehoa, ja tätä varten tarvitaan erityisesti grafiikkasuorittimia (GPU), joita käytetään rinnakkaislaskentaan. NVIDIA, joka on yksi alan johtavista GPU-valmistajista, on strategisessa asemassa, sillä sen tuotteet ovat keskeisiä tekoälyn kouluttamisessa. Näin ollen yrityksen osakekurssin nousu on ollut yksi indikaattori markkinoiden luottamuksesta tekoälyn kehitykseen.

Kilpailu ei kuitenkaan ole vain teknistä, vaan myös tiedon ja tiedonvälityksen kontrollia. Koko teknologian kehityksen ytimessä on kysymys siitä, kenen hallussa on tietoa ja miten tämä tieto esitetään. Jos tekoälymalleja käytetään tiedonvälityksessä, niiden luotettavuus on keskeistä. Tässä vaiheessa mallit, kuten GPT-4 ja Google Gemini, yrittävät saavuttaa sellaisen luotettavuuden tason, joka tekee niistä hyväksyttäviä tiedonlähteiksi. Tämä on haaste erityisesti sellaisille yrityksille, joiden liiketoiminta perustuu tiedon välittämiseen ja luotettavuuteen.

Kilpailu suuriin kielimalleihin on myös herättänyt huolta siitä, millaista yhteiskunnallista ja taloudellista vaikutusta tällä teknologialla voi olla. Keskustelua käydään siitä, tuleeko meidän sallia koneiden vaikuttaa tietokanaviimme propagandan ja virheellisten tietojen levittämisen kautta. Samalla pohditaan, voidaanko tekoäly korvata ihmistyövoima, ja millaisia vaikutuksia sillä voi olla yhteiskunnan rakenteisiin.

Vaikka teknologia on vielä kehittymässä, on jo selvää, että suuret kielimallit tulevat olemaan avaintekijöitä tulevaisuuden verkkotiedonvälityksessä. Yritykset, jotka pystyvät kehittämään tehokkaita ja luotettavia malleja, voivat tulla johtaviksi toimijoiksi uuden aikakauden verkkotiedon jakamisessa. Tämän lisäksi on kuitenkin tärkeää huomioida, että tekoälyn kehitys ei ole vain teknologinen haaste, vaan myös eettinen ja yhteiskunnallinen kysymys, joka vaikuttaa meidän käsityksiimme tiedosta, vallasta ja päätöksenteosta.

Kuinka koneet ymmärtävät kieltä ja mitä ne voivat tehdä sen jälkeen?

Kielen ymmärtäminen ei ole pelkästään sanojen yhdistämistä toisiinsa. Kieli on täynnä vivahteita ja monimerkityksellisyyksiä, jotka tekevät sen käsittelemisestä haastavaa niin ihmisille kuin koneillekin. Sanan merkitys voi muuttua sen mukaan, mihin kontekstiin se on asetettu ja kuinka se liittyy muihin sanoihin lauseessa. Tällöin kysymykset kuten “Mitä tarkoittaa puun kuori?” ja “Mitä tarkoittaa koiran kuori?” eivät ole vain kielioppivirheitä, vaan osoittavat, kuinka sanat voivat saada täysin eri merkityksiä riippuen siitä, mihin ne liitetään.

Esimerkiksi lauseessa “Vuonna 2020 Biden voitti Trumpin ja se teki hänet iloiseksi” ja “Vuonna 2020 Biden voitti Trumpin ja se teki hänet surulliseksi” sanojen “se” ja “hän” merkitys on täysin erilainen, vaikka lauseet ovat rakenteeltaan lähes identtisiä. Tällaiset kielelliset arvoitukset ovat vaikeita ratkaista koneelle, sillä ei ole yksiselitteistä sääntöä, joka voisi määrittää sanojen riippuvuudet toisiinsa.

Turingin ehdottama testi, jossa koneen älykkyyttä arvioidaan keskustelun perusteella, tulee tarpeeseen juuri näissä tilanteissa. Koneen on ratkaistava, mitkä sanat ovat yhteydessä toisiinsa ja millä tavoin, jotta se voi ymmärtää ja tuottaa järkevää kieltä. Tällainen tehtävä ei ole vain teoreettinen haaste, vaan käytännön ongelma koneen suorituskyvyn kannalta. Koneen on pystyttävä tunnistamaan, kuinka eri osat lauseesta liittyvät toisiinsa, ja mikä on niiden merkitys yhteydessä toisiin sanoihin.

Erityisesti pitkän etäisyyden riippuvuudet tuottavat vaikeuksia, sillä lauseessa "Laulu, jonka kuulin radiosta, oli hyvä", sanat "hyvä" ja "laulu" ovat toisiinsa sidoksissa. Jos haluaisimme muuttaa lauseen muotoon "Laulut, joita kuulin radiosta, olivat hyviä", pitäisi meidän myös muuttaa verbi "oli" muotoon "olivat". Tämä on perusongelma konekielessä, jossa ei ole aina selvää sääntöä, joka määrittäisi, mitkä sanat linkittyvät toisiinsa ja kuinka.

Kun kielenkäsittelyn haasteet kohtaavat koneen kyvyn käsitellä suuria datamääriä, syntyy uusi mahdollisuus. Tällöin syntyy dominoefekti: pieni tekninen parannus voi laukaista koko alueen muutoksen. Vuonna 2017 esitelty Transformer-algoritmi mahdollisti koneiden kyvyn analysoida valtavia tekstimassoja ja löytää niistä hyödyllisiä säännönmukaisuuksia. Tämä oli merkittävä virstanpylväs, joka johti nykyiseen tekoälyn vallankumoukseen.

Transformer-algoritmi perusti menestyksensä kykyyn tutkia lauseen eri osia erikseen ja samanaikaisesti, mikä mahdollisti kielen käännöksen tehokkuuden parantamisen. Yksi sen tärkeimmistä piirteistä oli ns. "attention" mekanismi, joka antoi koneelle mahdollisuuden arvioida, mitkä sanat vaikuttavat toisiinsa käännöksessä. Tämä prosessi on poikkeuksellisen nopea ja tehokas, ja se on mahdollistanut koneiden kielenkäsittelyn nopean kehityksen. Samalla se on antanut koneille kyvyn oppia ja parantaa itseään datan perusteella.

Kun kone oppii kääntämään ja tuottamaan kieltä, se ei vain "ymmärtä" sanoja perinteisellä tavalla. Se osaa tunnistaa sanojen väliset suhteet ja niiden merkitykset, ja pystyy tekemään näitä arviointeja valtavissa tietomassoissa nopeasti ja tehokkaasti. Tässä piilee suuri haaste: kuinka luotettava tämä "koneen ymmärrys" on, ja missä menee raja, kun puhutaan aidosta ymmärryksestä verrattuna koneen kykyyn manipuloida kieltä matemaattisesti?

Erityisesti generatiivisen tekoälyn ja käännöksien kehitys tuo tullessaan uuden kysymyksen siitä, miten ihmiset voivat arvioida koneen "ymmärrystä". Erilaiset testimenetelmät, kuten täydentämistehtävät, voivat tarjota vihjeitä siitä, kuinka hyvin kone pystyy ymmärtämään ja tuottamaan kieltä. Tämä nostaa esiin tärkeän kysymyksen siitä, kuinka arvioimme tekoälyn kyvyt ja kuinka voimme varmistaa, että koneiden luomat tekstit eivät vain ole oikeita kielellisesti, vaan että ne myös heijastavat ihmisten kulttuurisia ja kontekstuaalisia käsityksiä.

Tekoälyn kehitys ja sen kyky ymmärtää kieltä saavat aikaan valtavia muutoksia niin tieteessä, teknologiassa kuin yhteiskunnassa laajemminkin. Kielen ymmärtäminen ei ole enää pelkästään ihmisten etuoikeus. Koneet, jotka pystyvät erottamaan kielen vivahteet ja tuottamaan järkevää kieltä, avaavat uusia mahdollisuuksia, mutta samalla herättävät myös kysymyksiä siitä, mitä "ymmärrys" oikein tarkoittaa ja kuka sen omistaa.