Vaikka ne jäävät usein huomaamatta, nämä kaupunkilinnut ovat inspiroineet joitakin suurimmista kehityksistä koneoppimisessa ja vahvistamisessa, jotka ovat avainasemassa nykypäivän edistyneimmän tekoälyn hallitsevissa teknologioissa.
Sisällysluettelo
Ensimmäisistä linnukokeista nykyisten algoritmien kehittyneisyyteen tekoäly on edistynyt perusoppimismekanismien tutkimuksen ansiosta.
Edistyneimmät tekoäly järjestelmät, joita ovat kehittäneet yritykset kuten Google ja OpenAI, ovat osittain velkaa kehityksestään tekniikalle, joka perustuu toimintojen ja palkkioiden väliseen assosiaatioon. Tämä periaate juontaa juurensa yhdysvaltalaisen psykologin B.F. Skinnerin yli 80 vuotta sitten kyyhkysillä tekemiin kokeisiin, kertoo MIT Technology Review.
Skinner, ehdollistumisen tutkimuksen edelläkävijä, kehitti toisen maailmansodan aikana projekteja, kuten ”Project Pigeon”, jossa hän koulutti kyyhkyjä ohjaamaan ohjuksia antamalla niille ruokaa, kun ne valitsivat oikean kohteen ilmakuvista.
Vaikka armeija ei koskaan ottanut järjestelmää käyttöön, Skinner osoitti, että nämä eläimet olivat erityisen tehokkaita oppimisen perusteiden tutkimisessa, ja totesi vuonna 1944, että niiden käyttö oli käytännöllistä, koska ne olivat ”kokeellisia koneita”.
Käyttäytymisen tutkimuksen edelläkävijänä Skinner osoitti, että toistaminen ja palkitseminen ovat avaintekijöitä, kun halutaan ymmärtää, miten elävät olennot muuttavat toimintaansa.
Vahvistusoppiminen tekoälyn vallankumouksessa
Skinnerin käyttäytymistieteelliset ajatukset, jotka keskittyivät oppimiseen käyttäytymisen ja palkkioiden tai rangaistusten yhdistämisen kautta, menettivät merkitystään biologiassa ja psykologiassa 1960-luvulla, mutta merkittävät tietotekniikan asiantuntijat ottivat ne uudelleen käyttöön inspiroidakseen nykyistä teknologista vallankumousta.
Richard Sutton ja Andrew Barto, jotka saivat Turing-palkinnon vuonna 2024, syvensivät näitä perusteita suunnittelemalla algoritmeja, jotka kykenevät sopeutumaan ja parantumaan kokemuksen ja positiivisten tulosten perusteella. Kuten Sutton kertoi MIT Technology Review -lehdelle, hänen eläinpsykologinen koulutuksensa oli ratkaiseva tekijä luotaessa tietokonemalleja, jotka tutkivat ympäristöään ja tunnistavat menestysmalleja, toistamalla eläintutkimuksissa havaittuja mekanismeja.
Yksi tämän lähestymistavan merkittävimmistä edustajista on Google DeepMindin AlphaGo Zero, joka vuonna 2017 saavutti korkeamman tason kuin yksikään ihmispelaaja Go-pelissä vain 40 päivän kokeilun ja erehdyksen kautta.
David Silver, kehittäjätiimin johtaja, opiskeli Suttonin ohjauksessa Albertan yliopistossa. Silver itse korostaa, kuinka ohjelma ilman aiempaa tietoa onnistui löytämään vuosisatojen aikana kehittyneitä ihmisten strategioita ja luomaan uusia lähestymistapoja peliin.
Tämä metodologia antoi koneille mahdollisuuden tehdä tehokkaita päätöksiä ja sopeutua monimutkaisiin ympäristöihin ylittäen esteitä, jotka olivat vielä muutama vuosi sitten mahdottomia.
Uusia sovelluksia ja käsitteellisiä haasteita
Assosiatiivinen malli ei rajoitu pelien ympäristöihin. Viime aikoina yritykset kuten OpenAI ja DeepSeek ovat kehittäneet chatbottejaan ja kielimallejaan samanlaisilla tekniikoilla, muuntaen jatkuvasti ihmisten palautetta uudeksi oppimistavoitteeksi järjestelmille.
Vaikka näiden mallien sanotaan usein käyttävän ”päätelmäkykyä”, asiantuntijat kuten Sutton pitävät termiä epätarkkana kuvaamaan niiden toimintaa, koska järjestelmät itse asiassa optimoivat valintoja ja vastauksia, jotka johtavat suotuisiin arvioihin, ilman monimutkaisia kognitiivisia prosesseja.
Tämä tietotekniikassa arvostettu lähestymistapa on paradoksaalisesti perinteisesti katsottu biologien keskuudessa riittämättömäksi selittämään eläinten käyttäytymisen joustavuutta. Tukholman yliopiston Johan Lind korostaa, että samat mekanismit, jotka biologian alalla on hylätty liian yksinkertaisina, mahdollistavat tekoälyssä yllättävän kehittyneen käyttäytymisen.
Lindin mukaan käyttäytymiset, kuten työkalujen käyttö tai sosiaalinen oppiminen, voivat syntyä yksinkertaisesta yhteydestä tilanteen, toiminnan ja tuloksen välillä ilman, että tarvitaan korkeampia henkisiä kykyjä.
Viimeisimmät kehitysaskeleet tekoälyssä ovat avanneet uudelleen keskustelun älykkyyden luonteesta ja oppimisen ja tietoisuuden välisistä rajoista.
Kykyjen ja tietoisuuden välillä: keskustelu tietoisuudesta
Tämän lähestymistavan rajoja ovat tutkineet muun muassa Iowan yliopiston tutkija Ed Wasserman, joka osoitti, että kyyhkyset voivat olla yliopisto-opiskelijoita parempia luokittelemaan monimutkaisia kuvioita tai tunnistamaan lääkärin tarkkuudella poikkeavuuksia lääketieteellisissä kuvissa.
Monet asiantuntijat kuitenkin väittävät, että monet eläimet, kuten apinat, elefantit ja varikset, osoittavat taitoja, jotka vaativat muutakin kuin pelkkää ärsykkeiden ja tulosten yhdistämistä.
Keskustelu nousee eettiselle ja filosofiselle tasolle, kun esiin nousee perustavanlaatuinen ero: vain elävät olennot kokevat subjektiivisia kokemuksia ja tunteita. Wasserman osoitti, että kyyhkyset erottavat sisäiset tuntemukset toisistaan lääkkeiden ottamisen jälkeen, osoittaen itsetuntemuksen tasoa, joka on mahdotonta tekoälylle. Siksi kyyhkynen ansaitsee eettisen huomion kokemuskykynsä vuoksi, mutta chatbot, niin kehittynyt kuin se onkin, ei ole tunteva.
Assosiaatiooppimisen roolin ymmärtäminen määrittelee uudelleen paitsi eläinten ja koneiden väliset rajat, myös ihmisen käyttäytymisen luonteen. Tekoälyn perusteet heijastavat itse asiassa ikivanhoja mekanismeja, jotka meillä on yhteisiä muiden lajien kanssa ja jotka ovat olleet monien merkittävien saavutusten taustalla ihmiskunnan historiassa.
