Ihmisaivojen mekanismeja jäljittelevät neuroverkot osaavat jo nyt matkia ihmisääntä tai maalata valokuvista taideteoksia. Luovuus on yksi älykkyyden määritelmistä, mutta tekoälystä puhuttaessa määritelmä tuntuu aina karkaavan koneiden ulottuvilta.

Milloin tekoäly on oikeasti älykäs? Mitä koneen pitää tehdä, että ihmiskunta kollektiivisesti toteaa, että kyllä, nyt tässä alkaa olla jotain järkeä?

Ainakaan šakissa tai go-pelissä maailman parhaiden pelaajien voittaminen ei tähän riitä. Myöskään optimaalisesti räätälöityjen reittiohjeiden laatiminen tai kaverien tunnistaminen valokuvista ei vielä vakuuta kaikkia.

Yksi varteenotettava hetki voisi olla se, kun koneet osaavat vaivatta huijata meitä. Ehkä myönnämme koneille älykkyyden, kun ne ilman ohjausta luovat maailmaamme kangastuksia, joita kohti olemme valmiita vaeltamaan.

Ensimmäisiä heijastuksia koneiden luomista kangastuksista väreilee jo Helsingin Ruoholahdessa.

Kuvia ihmisistä, joita ei ole olemassa

Grafiikkateknologiaan erikoistuneen Nvidian tutkijat ilmoittivat viime vuoden lopulla luoneensa neuroverkon, joka kykenee tuottamaan täysin aidon valokuvan oloisia kuvia ihmisistä, joita ei ole olemassa.

Nvidian nelihenkinen tutkimusryhmä kumosi Ruoholahdessa neuroverkkonsa kitaan tuhansittain kuvia Hollywood-tähdistä ja pyysi ohjelmaa tuottamaan niiden pohjalta uusia kuvia. Kuvia ihmisistä, joita ei siis ole olemassa.

Aivan heti ei suomalaistutkijoiden neuroverkko alkanut tuutata ulos täydellisiä kasvokuvia kauniista ihmisistä, vaan ohjelmaa piti jatkuvasti ohjata kohti toivottua lopputulosta. Neljän kuukauden ja valtavan laskentaurakan jälkeen neuroverkon luomat kuvat olivat vakuuttavia.

Yle uutisgrafiikka

Kuin suoraan tieteiskirjallisuudesta revitty termi neuroverkko on saanut inspiraationsa aivoissa sykähtelevien neuronien välisistä yhteyksistä. Yksinkertaistettuna neuroverkko on tietokoneohjelma, joka syötetyn datan perusteella muodostaa ennusteen, lopputuotteen. Se on eräänlainen oppimisalgoritmi, joka etsii tilastollisin menetelmin datasta toistuvia malleja ja niiden pohjalta enemmän tai vähemmän itsenäisesti luo pyydetyn tuotteen.

Neuroverkko eroaa perinteisestä tietokoneohjelmasta siinä, että sille ei suoraan kerrota, miten sen pitää toimia. Sitä ei ohjelmoida noudattamaan tiettyjä sääntöjä vaan sen pitää itse yrittää löytää perille. Tätä on koneoppiminen. Ja kuten uusia asioita opetteleva ihminen myös kone yrittää aina mennä siitä mistä aita on matalin.

Grafiikkaprosessorit mahdollistivat neuroverkot Neuroverkko esiteltiin käsitteenä ensimmäisen kerran jo 1940-luvun alussa. Mallia on tutkittu siitä lähtien, mutta vasta viime vuosina neuroverkot ovat alkaneet toimia toivotulla tavalla. Tähän ovat vaikuttaneet niin tiedonsiirron kuin opetusmenetelmien kehittyminen. Tärkein syy kehitykseen on kuitenkin oivallus käyttää laskutoimituksiin tavallisesti tietokonepelien grafiikan tuottamiseen tarkoitettuja grafiikkaprosessoreja. Nykyaikaiset grafiikkapiirit ovat massiivisen rinnakkaisia laskentayksiköitä, jotka kykenevät tekemään kymmeniätuhansia laskutoimituksia samanaikaisesti. Tämä yhtäaikaisuus on tärkeää neuroverkolle, jonka tehtävänä on muodostaa käsitys sille annetusta aineistosta. Perinteisen tietokoneprosessorin kanssa neuroverkko joutuisi käymään aineistoa läpi tavu kerrallaan, kun grafiikkaprosessorin avulla se kykenee tulkitsemaan esimerkiksi koko kuvan yhtäaikaisesti.

Nvidian neuroverkon kohdalla tämä näkyi tutkimuksen alussa, kun ohjelma suostui luomaan kuvia ainoastaan naisista.

– Ilmeisesti neuroverkon oli helpompi tuottaa julkkisnaisten kasvoja, koska niissä ei ole ryppyjä, partaa tai muita monimutkaisia asioita, arvelee tutkimusprojektin vetäjä Tero Karras.

Havainnon jälkeen ryhmä teki muutoksia neuroverkon opetusprosessiin. Neuroverkko piti pakottaa oppimaan muutakin kuin helpoimpia esimerkkejä.

Kilpailevat neuroverkot sparraavat toisiaan

Hollywood-tähtien kasvot valikoituivat Nvidian neuroverkon dataksi kahdesta syystä. Ensimmäinen syy oli se, että kuvia on runsaasti saatavilla, jolloin aineiston kerääminen oli helppoa. Toinen ja tärkein syy oli se, että ihmisen kasvot ovat valtavan monimutkainen ja hienosyinen kokonaisuus. Me huomaamme heti, jos kasvoissa on jotain outoa. Ei siis ihme, että neuroverkko yritti aluksi päästä helpolla.

– Se on hyvin anteeksiantamaton pulma. Jos onnistut ratkaisemaan tämän, niin voit ratkaista mitä vain, Karras toteaa.

Tutkijat eivät antaneet neuroverkolle minkäänlaista ohjeistusta kuvista. Kuvissa olevien ihmisen sukupuolta tai ikää ei kerrottu ohjelmalle, vaan sen piti katselemalla kuvia itse muodostaa mallinsa.

Toisaalta kovin kummoista ohjeistusta ei neuroverkolle olisi voinutkaan antaa. Ihmiskasvojen lainalaisuuksien opettaminen ohjelmalle perinteisellä tavalla, eli kertomalla, että kaksi vaakatasossa vierekkäin olevaa valkoista länttiä ovat silmät ja niiden alapuolelta pitäisi löytyä punainen rinkula, on käytännössä mahdontonta. Tällaisessa tehtävässä on helpompaa antaa koneen itse oppia yrityksen ja erehdyksen kautta.

Keventääkseen ihmisen työtaakkaa entisestään Nvidian tutkijaryhmä loi kuvia tehtailevan neuroverkon rinnalle toisen neuroverkon. Tämän tehtävänä oli erottaa keinotekoiset kuvat aidoista kuvista. Tutkijat siis laittoivat kaksi neuroverkkoa kilpailemaan keskenään; toisen tehtävä oli huijata, toisen havaita huijaus.

Kahden kilpailevan neuroverkon menetelmää kutsutaan GAN-malliksi (generative adversarial network) ja sitä hyödynnetään yhä enenevissä määrin koneoppimisen saralla.

Suuret teknologiajätit Facebookista lähtien tekevät omia kokeilujaan GAN-malleilla tekoälyn kehittämisessä. Berkeleyn yliopiston tutkijat loivat CycleGAN-nimisen ohjelman, joka muuttaa maalauksia valokuviksi. Esimerkiksi impressionismin perustajiin kuuluvan Claude Monet'n työt saavat neuroverkon käsittelyssä hetkessä realistiset puitteet.

Lähde: Berkeleyn yliopisto

Tätä varten Berkeleyn tutkijat syöttivät koneelle kuvia Monet'n maalauksista ja satunnaisia maisemavalokuvia. Näistä aineksista neuroverkko kehitti reseptin, joka muuttaa maalaukset valokuviksi.

Nvidian tutkija ja Aalto-yliopiston professori Jaakko Lehtinen on vaikuttunut Berkeleyn tutkijoiden saavutuksesta.

– Me pystymme kuvittelemaan, miltä se Pariisin Seinen ranta näytti. Meillä on semanttinen taju niistä maisemista ja me osaamme yhdistää asioita abstraktilla tavalla mielessämme. Se, että kone pystyy oppimaan tämän ilman ohjausta, on häkellyttävää, Lehtinen sanoo.

Koneen reseptin voi myös kääntää toisin päin ja luoda valokuvista eri mestarimaalareiden tyylejä jäljitteleviä maalauksia. Tämä on itse asiassa koneelle huomattavasti helpompaa.

Yle Uutisgrafiikka / Berkeleyn yliopisto

Neuroverkot matkivat aivoja, mutta älyä niistä ei löydy

Vielä viisi vuotta sitten tietokoneohjelma oli melko kehno kertomaan, mitä tietyssä kuvassa on. Nyt ohjelmat pystyvät itsenäisesti luomaan täysin uusia kuvia, vaikka ihmiskasvoista. Yhä kuitenkin tarvitaan ihmistä sanomaan, mitä neuroverkon pitää tehdä. Koneen luovuus on rajallista.

– Jos me opetamme sen tunnistamaan autoja, niin se ei tee mitään muuta kuin tunnista autoja. Ei ole mitään mahdollisuutta, että se päätyisi tekemään jotain muuta, sanoo Nvidian tutkijaryhmään kuuluva Timo Aila.

Aila ei pidä ryhmän luomaa neuroverkkoa älykkäänä. Itse asiassa Aila ei pidä mitään nykyisistä tekoälyn nimellä kulkevista ohjelmista älykkäänä.

Karras on kollegansa kanssa samoilla linjoilla.

– Kun puhutaan tekoälystä tai laajasta tekoälystä, niin yleensä ajatuksena on ihmiseen rinnastettavissa oleva soveltava älykkyys, joka keksii tehdä uusia asioita itsenäisesti uudella tavalla. Tällaiseen ei vielä päästä, Karras huomauttaa.

Neuroverkot kiinnostavat poliisia Toistaiseksi Nvidian tutkijaryhmän kehittämälle neuroverkolle ei ole käyttöä oikeassa maailmassa. Kyse on akateemisesta perustutkimuksesta, josta ei suoraan odoteta käytännön sovelluksia. Teknologia voi kuitenkin tarjota hyötyjä esimerkiksi peli- ja elokuva-aloille, joissa tällä hetkellä käytetään valtavia summia digitaalisen sisällön tuotantoon. Hieman kehitettynä neuroverkko saattaa kiinnostaa myös poliisia. Seuraavaksi suomalaistutkijoiden on tarkoitus kehittää neuroverkolleen semanttinen kontrolli, eli kyky ohjata lopputulosta. Tämä mahdollistaisi esimerkiksi luonnosten piirtämisen ja muokkaamisen silminnäköhavaintojen perusteella.

Karraksen mielestä tekoäly-keskustelussa on tärkeää täsmentää, minkä tasoisesta älykkyydestä tai kyvykkyydestä puhutaan. Viime vuosina tekoäly on kehittynyt niin paljon, että termit ja mahdollisuudet sumenevat asiantuntijoidenkin keskuudessa. Nvidian tutkimusryhmänkin sisällä on erilaisia käsityksiä tekoälystä.

Aalto-yliopiston professori Jaakko Lehtinen määrittelee tekoälyn laajemmin kuin Aila ja Karras.

– Ajattelen, että se hyvin reitittävä systeemi, joka ohjaa minut ruuhkien ohi, on tekoälyä. Mutta ymmärrän tämän toisen pointin, Lehtinen toteaa diplomaattisesti.

Nvidian suomalaistutkijat uskovat, että nyt kehitteillä olevat neuroverkot ovat jo lähivuosina yleisesti käytössä. Vasemmalta oikealle: tutkimusprojektin vetäjä Tero Karras, tutkijat Jaakko Lehtinen, Timo Aila ja Samuli Laine. Tanja Heino / Yle

Koneet kykenevät yhä monimutkaisempiin toimintoihin, mutta samalla älykkyyden määritelmä pakenee niiden ulottuvilta, huomauttaa tutkija Samuli Laine.

– Ihmiset tuppaavat pitämään älykkyytenä sitä, mitä kone ei pysty tekemään. Jos sata vuotta sitten olisi sanottu, että kone osaa pelata šakkia ja voittaa ihmisen siinä mennen tullen tai että se osaa laatia reittiennusteen täältä toiselle puolelle maata optimaalisesti, niin kyllä sitä olisi pidetty älykkäänä, Laine pohtii.

Lue myös:

Tekoäly oppii kuin lapsi, ja näin se pärjää A. W. Yrjänää vastaan runoilussa