(Vahvan) tekoälyn laskennallinen perusta

Älykkäästi käyttäytyviä koneita osataan jo rakentaa. Emme kuitenkaan osaa määritellä, milloin kone voisi ajatella.

Älykästä käytöstäkään ei tule hyväksyä perustelematta. Ehkäpä Turingin testi (ihmiseltä vaikuttava chatbot) ei olekaan riittävä älykkyyden mittari? Pelkkä kyky jutusteluun ei kenties tee kenestäkään älykästä — kuten fiktiivinen jedimestari Qui-Gon Jinn elokuvassa Star Wars: Episodi I – Pimeä uhka (Lucasfilm, 1999) osuvasti huomauttaa.

Onneksi tekoälyn mahdollisuutta voidaan tarkastella myös laskettavuuden näkökulmasta. Kerrataan aluksi aihepiirin faktat; kutsutaan niitä vaikka koneälyn pilareiksi:

1. Yleisesti hyväksytyn Churchin–Turingin (hypo)teesin mukaan kaikki algoritmit ovat ohjelmoitavissa tietokoneelle.
2. Universaalin approksimaatioteoreeman perusteella suljetun välin jatkuva numeerinen funktio, esim. säätöjärjestelmä, voidaan likimääräisesti esittää neuroverkon avulla. Työntämällä suorat mutkiksi, numeerisilla funktioilla voidaan periaatteessa likimääräisesti kuvata kaikenlaisia muitakin funktionaalisia algoritmeja.
3. Kirsikkana kakussa on tilastollinen oppimisteoria. Se vihjaa, että numeeriset funktiot (vastaavat algoritmit) voidaan riittävällä opetusdatalla likimääräisesti opettaa neuroverkolle.

Algoritmista laskentaa ovat mm. sinifunktion likiarvojen laskeminen tai yritys tunnistaa kuvasta (oma) isoäiti. Neuroverkko tarkoittaa tässä monikerroksellista, parametrista laskentakaavaa, joka voidaan sovittaa tavoitefunktioon. Neuroverkko voi muistuttaa biologista hermostoa, kuten kamera voi muistuttaa silmää.

Koneälyn pilarit ovat periaatteellisia ja likimääräistyksillä on väliä. Pilareissa ei silti ole mitään kovin ihmeellistä. Tutun algoritmin voi ohjelmoida tietokoneelle. Neuroverkko voi oppia esimerkeistä sekä keksiä algoritmin lähdekoodin ja sitä toteuttavan prosessorin toiminnan. 2000-luvun läpimurrot, syväoppiminen ja generatiivinen tekoäly, mahdollistavat tehokkaat sovellukset, mutta eivät lisää pilareiden voimaa.

Pilareista seuraa, että jos älykkyydellä ja ajattelulla voi olla algoritminen perusta, pystyvät myös koneet periaatteessa sekä älykkyyteen että ajatteluun.

Vielä mullistavampaa on, että jos sopivaa opetusdataa on saatavilla, voi neuroverkko likimääräisesti oppia minkä tahansa algoritmin, ilman että meidän tarvitsee sitä ohjelmoida – tai siis edes ymmärtää, miten ko. algoritmi toimii.

Neuroverkko voi siten oppia mallintamaan myös ihmisten käyttäytymistä. Jos sofisti Protagoraan (n. 490–420 eaa.) sanoin ihmistä pidetään kaiken mittana – ihmiskeskeisesti tai relativistisesti tulkittuna – niin myös vahvaa tekoälyä on mahdollista vähintäänkin imitoida.

Vahvan tekoälyn pajatson voi siten tyhjentää myös puolivahingossa – ilman, että me ymmärrämme ajattelun algoritmia.

Sitten lipsahdamme taas metafysiikkaan: Kuinka erottaa ajatteleva älykäs agentti sellaisesta, joka vain esittää ajattelevansa? Onko ihmismielen fenomenaalisessa tajunnassa (kokemuksellisuus) jokin salainen ainesosa, joka koneilta kategorisesti puuttuu?

Ihmisälyn ainutlaatuisuuden oljenkorsi liittyykin juuri algoritmeihin: Ehkäpä ihmismieli on likimääräisten algoritmien tuolla puolen. Vaan onko ihminen kaiken – myös vahvan tekoälyn – mitta? Näytä minulle fenomenaalinen tajuntasi, niin minä näytän omani.

—

Tekstin kirjoituksessa on hyödynnetty tekoälyä kielenhuoltoon ja faktantarkistuksiin (jätin aluksi epähuomiossa esim. universaalin approksimaatioteoreeman suljetun välin olettamuksen pois tekstistä).

Kirjoittaja: Ossi Nykänen, lehtori, teollisuusteknologia.