Yleinen tekoäly: teknologia, yhteiskunta ja kysymys siitä, mitä seuraavaksi tapahtuu

Kirjoittajan huomautus: Tämä artikkeli sai alkunsa lyhyestä esseestä, jonka kirjoitin huhtikuussa 2025 Turun yliopiston Tekoälyn menetelmät -kurssille. Alkuperäisen tehtävän tarkoituksena oli pohtia yleistä tekoälyä, sen suhdetta nykyisiin tekoälyteknologioihin ja sitä, voisiko yleinen tekoäly joskus olla mahdollista. Olen sittemmin laajentanut, muokannut ja päivittänyt esseetä julkaistavaksi täällä. Tämä on myös blogini ensimmäinen kirjoitus.

Tekoälystä on tullut yksi viime vuosien keskeisistä teknologisista teemoista. Vaikka sitä on kehitetty vuosikymmeniä, suuren osan historiastaan se pysyi lähinnä tutkimuksen ja teknologia-alan piirissä. Tilanne muuttui merkittävästi vuonna 2022, kun OpenAI julkaisi ChatGPT:n. Tekoäly ei yhtäkkiä ollutkaan enää asia, josta keskustelivat pääasiassa tutkijat, insinöörit ja teknologiayritykset. Siitä tuli teknologiaa, jonka kanssa miljoonat tavalliset ihmiset pystyivät toimimaan suoraan.

Tämä muutos on nostanut julkiseen keskusteluun myös paljon suuremman kysymyksen: mitä tapahtuu, jos tekoäly muuttuu yhä yleiskäyttöisemmäksi?

Tässä artikkelissa pohdin, mitä yleinen tekoäly eli AGI (artificial general intelligence) tarkoittaa, miten se eroaa nykyisistä tekoälyjärjestelmistä ja millaisia teknologisia, eettisiä ja yhteiskunnallisia kysymyksiä siihen liittyy. Tarkastelen myös sitä, voisiko AGI olla tulevaisuudessa mahdollista ja mitä nykyinen kehitys kertoo tekoälyn suunnasta.

Kapeasta tekoälystä yleiseen älykkyyteen

ChatGPT:n kaltaisia nykyjärjestelmiä ei yleensä pidetä yleisenä tekoälynä. Ne yhdistetään usein kapeaan tai erikoistuneeseen tekoälyyn, vaikka modernit suuret kielimallit suoriutuvat huomattavasti laajemmasta tehtäväjoukosta kuin perinteiset kapean tekoälyn järjestelmät. Vaikuttavista kyvyistään huolimatta ChatGPT:n kaltaisilla järjestelmillä ei ole tällä hetkellä osoitettu olevan ihmisen tietoisuuteen verrattavaa tietoisuutta.

Yleinen tekoäly tarkoittaa jotakin kunnianhimoisempaa. AGI:lle ei ole yhtä yleisesti hyväksyttyä määritelmää, mutta käsitteellä tarkoitetaan tavallisesti keinotekoista järjestelmää, joka pystyy suoriutumaan laajasta joukosta tiedonkäsittelyä vaativia tehtäviä ihmisen tasolla tai sitä paremmin. Tällaisen järjestelmän pitäisi pystyä siirtämään tietoa eri alojen välillä, sopeutumaan uusiin tilanteisiin, oppimaan tehokkaasti ja soveltamaan oppimaansa uusissa yhteyksissä.

AGI ei kuitenkaan välttämättä edellytä tietoisuutta. Älykkyys ja tietoisuus ovat toisiinsa liittyviä käsitteitä, mutta ne eivät tarkoita samaa asiaa. Järjestelmä voisi teoriassa osoittaa hyvin yleistä ja joustavaa älykkyyttä ilman subjektiivisia kokemuksia tai ihmisen kaltaista itsetietoisuutta.

Ero on tärkeä, sillä AGI-keskustelussa yhdistetään usein useita eri kysymyksiä. Voivatko koneet päätellä useilla eri aloilla? Voivatko ne oppia yhtä joustavasti kuin ihmiset? Voivatko ne tulla tietoisiksi? Nämä ovat erillisiä kysymyksiä, eikä tieteellä ole niihin vielä täydellisiä vastauksia.

Miksi nykyinen tekoäly ei vielä ole AGI

Modernit tekoälyjärjestelmät perustuvat pääasiassa koneoppimismenetelmiin, erityisesti syväoppimiseen. Ne osaavat tunnistaa kuvia, tuottaa tekstiä, kääntää kieliä, kirjoittaa ohjelmakoodia, analysoida dataa ja suorittaa monia muita tehtäviä, joita olisi aiemmin pidetty koneille erittäin vaikeina.

Niiden kyvyt ovat huomattavia, mutta niillä on myös selviä rajoituksia.

Nykyjärjestelmät voivat epäonnistua ennakoimattomasti vieraissa tilanteissa, tuottaa virheellistä tietoa vakuuttavasti ja kompastua tehtäviin, jotka vaativat johdonmukaisesti luotettavaa päättelyä pitkän ajan kuluessa. Niiden kyky yleistää tuttujen mallien ja tilanteiden ulkopuolelle on edelleen puutteellinen.

Myös siitä käydään jatkuvaa tieteellistä ja filosofista keskustelua, ymmärtävätkö nykyiset neuroverkot todella käsittelemäänsä tietoa. Ne voivat tuottaa tuloksia, jotka muistuttavat vahvasti ihmisen päättelyä, mutta on paljon vaikeampaa arvioida, tarkoittaako tämä samanlaista ymmärtämistä kuin se, miten ihminen ymmärtää käsitteitä ja merkityksiä.

Nykyiset tekoälyjärjestelmät eivät siksi ole vielä osoittaneet sellaista luotettavan päättelyn, sopeutumiskyvyn ja yleistämisen tasoa, joka yleensä yhdistetään AGI:hin.

Ovatko suuret kielimallit tie AGI:hin?

Transformer-arkkitehtuuriin perustuvista suurista kielimalleista on tullut yksi nykyisen tekoälyn tärkeimmistä lähestymistavoista. Niiden nopea kehitys on saanut osan tutkijoista ja teknologiayrityksistä esittämään, että yhä kyvykkäämmät mallit voisivat aikanaan edistää AGI:n syntymistä.

Tämä on kuitenkin kaikkea muuta kuin varmaa.

Tieteessä ei vallitse yksimielisyyttä siitä, että pelkkä kielimallien kasvattaminen tuottaisi yleistä älykkyyttä. Tulevat järjestelmät saattavat tarvita uusia arkkitehtuureja, erilaisia oppimistapoja, vahvempia päättelymekanismeja, parempia muistijärjestelmiä, vuorovaikutusta fyysisen maailman kanssa tai useiden lähestymistapojen yhdistelmiä.

Nykyiset kielimallit voivat siis olla osa tietä kohti AGI:ta, mutta emme vielä tiedä, muodostavatko ne koko tien.

Juuri tämä epävarmuus tekee tekoälytutkimuksesta minusta erityisen kiinnostavaa. Näemme järjestelmien muuttuvan yhä kyvykkäämmiksi, mutta edes alan eturintamassa työskentelevät tutkijat eivät ole yksimielisiä siitä, mitä yleinen älykkyys lopulta edellyttää.

Voisimmeko kopioida ihmisaivot?

Toinen ehdotettu lähestymistapa on koko aivojen emulointi, jonka koen hyvin kiinnostavaksi.

Sen sijaan, että älykkyyttä yritettäisiin rakentaa kokonaan keinotekoisten neuroverkkojen ja koneoppimisalgoritmien avulla, koko aivojen emuloinnissa pyrittäisiin jäljentämään biologisten aivojen rakenne ja toiminta laskennallisesti.

Teoriassa ihmisaivot voitaisiin kartoittaa erittäin tarkasti ja simuloida digitaalisesti niin, että syntyvä järjestelmä jäljentäisi alkuperäisten aivojen käyttäytymisen ja tiedonkäsittelyn olennaisia piirteitä.

Koko aivojen emulointia voi pitää biomimeettisen eli biologista toimintaa jäljittelevän tai aivoista inspiroituneen teknologian äärimmäisenä muotona. Biologiset aivot ovat pitkään toimineet laskennallisten järjestelmien esikuvana keinotekoisista neuroverkoista neuromorfiseen laskentaan ja uudempiin biologisia hermostojärjestelmiä hyödyntäviin lähestymistapoihin (Brown & Varghese, 2026).

Useimmat biomimeettiset lähestymistavat jäljittelevät biologisista järjestelmistä valittuja periaatteita. Koko aivojen emuloinnissa tavoitteena olisi sen sijaan jäljentää tiettyjen aivojen toimintaa huomattavasti yksityiskohtaisemmin.

Ajatus on kiehtova: yleistä älykkyyttä ei tarvitsisi yrittää keksiä kokonaan tyhjästä, sillä biologiset aivot tarjoavat jo esimerkin siihen kykenevästä järjestelmästä. Jos olennaiset rakenteet ja prosessit voitaisiin joskus ymmärtää ja jäljentää laskennallisesti, ne saattaisivat tarjota vaihtoehtoisen reitin koneälyyn.

Haaste on valtava.

Ihmisaivoissa on kymmeniä miljardeja hermosoluja ja vielä huomattavasti enemmän niiden välisiä yhteyksiä. Tutkijat ovat jo toteuttaneet aivosimulaatioita huomattavassa mittakaavassa. Esimerkiksi Lu ym. (2024) esittelivät Digital Brain -alustan, jolla voidaan simuloida jopa 86 miljardin neuronin piikittäviä neuroverkkoja. Tutkimus osoittaa, kuinka laskennalliset mallit alkavat yltää neuronimäärältään ihmisaivojen mittakaavaan.

Pelkkää lukumääräistä mittakaavaa ei kuitenkaan pidä sekoittaa koko aivojen emulointiin. Suunnilleen ihmisaivojen verran neuroneja sisältävän verkon simuloiminen ei tarkoita, että yksittäisten aivojen biologinen rakenne, yhteydet, kemia, oppimisprosessit, muistot tai tietoisuus olisi jäljennetty. Meiltä puuttuu edelleen suuri osa tällaisen emuloinnin vaatimasta biologisesta tiedosta ja mittauskyvystä.

Nykyteknologia ei siis mahdollista koko ihmisaivojen täydellistä emulointia.

Neurotieteen, aivokuvantamisen, laskennallisen mallintamisen ja tietotekniikan kehitys mahdollistaa silti yhä yksityiskohtaisempia simulaatioita. Ray Kurzweilin kaltaiset futuristit ovat esittäneet, että riittävän kehittynyt teknologia voisi aikanaan mahdollistaa ihmisaivojen ja niiden prosessien huomattavasti tarkemman mallintamisen. Ennusteet siitä, voisiko tämä johtaa varsinaiseen koko aivojen emulointiin ja milloin, ovat kuitenkin hyvin spekulatiivisia (Kurzweil, 2005).

AGI ei ole vain tekninen ongelma

Yhä yleiskäyttöisemmän tekoälyn mahdollisuus herättää kysymyksiä, jotka ulottuvat paljon tietojenkäsittelytieteen ulkopuolelle.

Yhä laajempiin tehtäviin kykenevien järjestelmien kehittäminen vaatii edistystä laskentatehossa, algoritmeissa, datassa, neurotieteessä, kognitiotieteessä ja muilla aloilla.

Samalla järjestelmien kyvykkyyden kasvaessa turvallisuuteen, läpinäkyvyyteen, sääntelyyn ja hallintaan liittyvät kysymykset muuttuvat yhä tärkeämmiksi.

Keskeinen haaste ei ole vain se, pystymmekö rakentamaan tehokkaampaa tekoälyä. Meidän on myös kysyttävä, mitä tapahtuu, kun teemme niin.

Kuka hallitsee näitä järjestelmiä?

Kuka hyötyy niistä?

Kuka vastaa niiden virheistä?

Ja miten yhteiskunnan pitäisi päättää, missä erittäin kyvykkäät tekoälyjärjestelmät saavat toimia?

Kysymykset korostuvat erityisesti silloin, kun tekoälyä käytetään esimerkiksi terveydenhuollossa, rahoituksessa, julkishallinnossa, sotilasteknologiassa, koulutuksessa tai lainvalvonnassa.

Mustan laatikon ongelma

Yksi nykyisen tekoälyn suurista haasteista on niin sanottu mustan laatikon ongelma.

Suurissa neuroverkoissa voi olla valtavia määriä parametreja. Vaikka tutkijat ymmärtävät mallin arkkitehtuurin ja koulutusprosessin, voi silti olla hyvin vaikeaa selittää tarkasti, miksi malli tuotti tietyn tuloksen.

Tämä ei tarkoita, ettei virheellisesti toimivaa tekoälyjärjestelmää voisi korjata. Malleja voidaan testata, kouluttaa uudelleen, rajoittaa tai suunnitella uudestaan, vaikka niiden sisäiset prosessit eivät olisi täysin tulkittavissa.

Rajallinen selitettävyys aiheuttaa kuitenkin vakavia haasteita.

Jos tekoälyjärjestelmä tekee ihmisen elämään vaikuttavan tärkeän päätöksen, meidän voi olla tarpeen ymmärtää, miksi päätös tehtiin. Ilman riittävää läpinäkyvyyttä järjestelmällisten virheiden tunnistaminen, päätösten arviointi, vastuun määrittely ja oikeudenmukaisuuden varmistaminen vaikeutuvat huomattavasti.

Siksi tulkittavuudesta ja selitettävästä tekoälystä on tullut tärkeitä tutkimusalueita.

Entä teknologinen singulariteetti?

Yksi AGI:hin liittyvistä dramaattisimmista ajatuksista on teknologinen singulariteetti.

Käsitteellä tarkoitetaan yleensä hypoteettista hetkeä, jolloin teknologinen kehitys kiihtyy niin nopeasti, että sen tulevaa suuntaa on ihmisen erittäin vaikea tai mahdoton ennustaa. Joissakin ajatuksen versioissa kehittynyt tekoälyjärjestelmä voisi osallistua omien kykyjensä parantamiseen ja siten mahdollisesti nopeuttaa teknologista kehitystä yhä edelleen.

Ray Kurzweil on tunnetuimpia sen ajatuksen puolestapuhujia, että teknologinen kehitys saattaa aikanaan saavuttaa tällaisen mullistavan käännekohdan (Kurzweil, 2005).

Mahdollisuus on silti hyvin spekulatiivinen, eikä tieteessä vallitse yksimielisyyttä siitä, että teknologinen singulariteetti toteutuisi.

Ajatus nostaa kuitenkin esiin tärkeän kysymyksen.

Mitä tapahtuu, jos tekoäly auttaa teknologista kehitystä etenemään nopeammin kuin yhteiskunnan instituutiot pystyvät sopeutumaan?

Ilman dramaattista singulariteettiakin tekoälyn kehitys voi edetä nopeammin kuin lainsäädäntö, koulutusjärjestelmät, työmarkkinat ja poliittiset instituutiot ehtivät reagoida. Tästä näkökulmasta kyse ei ole vain hypoteettisesta superälykkyydestä, vaan myös yhteiskunnan kyvystä hallita nopeaa teknologista muutosta.

Erilaisia näkemyksiä tekoälyn tulevaisuudesta

Tekoälyalan keskeiset vaikuttajat ovat esittäneet erilaisia näkemyksiä tekoälyn tulevaisuudesta ja yleisen älykkyyden mahdollisuudesta.

Oxford Unionissa pitämässään puheessa Kai-Fu Lee käsitteli silloisen tekoälyn rajoituksia sekä eroa nykyisten tekoälykykyjen ja huomattavasti kunnianhimoisempien koneälyn muotojen välillä (OxfordUnion, 2018). Leen mukaan aidosti yleisen tekoälyn saavuttaminen vaatisi merkittäviä edistysaskeleita kapean tekoälyn kykyjen ulkopuolelle.

Geoffrey Hinton, yksi modernien neuroverkkojen pioneereista, on esittänyt voimakkaampia huolia tekoälyn kehitysvauhdista.

Hinton lähti Googlelta vuonna 2023 ja puhui sen jälkeen julkisesti yhä kyvykkäämmän tekoälyn mahdollisista riskeistä. MIT Technology Review’n haastattelussa hän kuvasi, kuinka hänen oma arvionsa tekoälystä oli muuttunut järjestelmien kyvykkyyden kasvaessa, ja varoitti siitä, kuinka vaikeaa on ennustaa nopean kehityksen seurauksia (Heaven, 2023).

Hinton on nostanut esiin useita yhä tehokkaamman tekoälyn mahdollisia seurauksia. Niitä ovat tekoälyn käyttö vahingollisiin tarkoituksiin, laajamittainen väärä tieto, työmarkkinoiden häiriöt sekä pidemmällä aikavälillä vaikeus hallita järjestelmiä, jotka muuttuvat kyvykkäämmiksi kuin niiden suunnittelijat alun perin odottivat (Heaven, 2023).

Huolet eivät välttämättä tarkoita, että tekoälyn kehittäminen pitäisi lopettaa. Ne osoittavat pikemminkin, miksi turvallisuustutkimuksen, hallintakäytäntöjen ja teknologisen kehityksen pitäisi edetä yhdessä.

Miten ihmiset suhtautuvat tekoälyyn?

Ihmisten suhtautuminen tekoälyyn on monimutkaisempaa kuin pelkkä myönteisyys tai kielteisyys.

Vuoden 2024 Tiedebarometrin mukaan 51 prosenttia vastaajista suhtautui myönteisesti tekoälyn käytön lisääntymiseen yhteiskunnassa, kun taas 39 prosenttia suhtautui siihen kielteisesti (Tieteen tiedotus ry, 2024).

Tulokset osoittavat myös, että suhtautuminen riippuu vahvasti käyttötarkoituksesta.

Esimerkiksi kasvojentunnistus rikosten torjunnassa ja rajavalvonnassa sai myönteisimpiä arvioita. Automaattiset aseet sekä tekoälyn käyttö journalismissa ja työntekijöiden valinnassa saivat puolestaan kielteisimpiä arvioita (Tieteen tiedotus ry, 2024).

Tämä ero on tärkeä.

Ihmiset eivät välttämättä kannata tai vastusta tekoälyä teknologiana. Sen sijaan he arvioivat yksittäisiä käyttötapoja esimerkiksi hyödyllisyyden, turvallisuuden, oikeudenmukaisuuden ja luottamuksen perusteella.

Tämä saattaa lopulta olla yksi laajemman tekoälykeskustelun tärkeimmistä opetuksista.

Kysymys ei ole vain siitä, onko tekoäly hyvä vai huono asia. Olennaisempaa on kysyä, miten se suunnitellaan, kuka sitä hallitsee, miten sitä käytetään ja millaisia seurauksia siitä syntyy.

Mihin tämä meidät jättää?

Tekoäly ei itsessään ole eettistä tai epäeettistä. Sen vaikutukset riippuvat sen ympärille rakentamistamme järjestelmistä: kehittäjistä, käyttöönottavista organisaatioista, käytön kannustimista ja sitä ohjaavista säännöistä.

Siksi vastuuta ei myöskään voi asettaa kokonaan yksittäisten kehittäjien harteille.

Yritykset, valtiot, tutkijat, käyttäjät ja koko yhteiskunta vaikuttavat siihen, miten tekoäly kehittyy ja millaisen roolin se lopulta saa.

Jos AGI joskus saavutetaan, se olisi siis paljon muutakin kuin teknologinen virstanpylväs. Siitä voisi tulla taloudellinen, poliittinen, filosofinen ja yhteiskunnallinen käännekohta.

Tällä hetkellä tieteessä ei vallitse yksimielisyyttä siitä, saavutetaanko AGI, millaisen muodon se saisi tai milloin se voisi syntyä.

Ehkä juuri tämä epävarmuus tekee aiheesta niin kiehtovan.

Kehitämme yhä kyvykkäämpiä keinotekoisia järjestelmiä samalla, kun yritämme edelleen ymmärtää, mitä älykkyys itse asiassa on. Samalla joudumme pohtimaan hallintaa, vastuuta, tietoisuutta, työtä, eriarvoisuutta ja ihmisen toimijuutta.

Minulle juuri tämä tekee AGI:sta erityisen kiinnostavan. Kysymys ei ole vain siitä, voimmeko joskus rakentaa yleiseen älykkyyteen kykenevän koneen. AGI:n tavoittelu pakottaa meidät myös tarkastelemaan, mitä ylipäätään tarkoitamme älykkyydellä, millaista vastuuta yhä kyvykkäämpään teknologiaan liittyy ja kuinka nopeasti yhteiskunta pystyy sopeutumaan, kun teknologinen kehitys etenee sitä ympäröiviä instituutioita nopeammin.

Tekoälyn kehittäminen vaatii siksi muutakin kuin parempia algoritmeja ja lisää laskentatehoa.

Se vaatii myös tutkimusta, sääntelyä, julkista keskustelua ja vakavaa pohdintaa siitä, millaisen suhteen haluamme rakentaa luomiimme älykkäisiin järjestelmiin.

Lähteet