Älykkäämpi ei aina ole parempi: tekoälyjen kilpailu voi pahentaa ruuhkia
Lopputulos ei määräydy niinkään koneiden taidoista kuin yhdestä etukäteen mitattavasta luvusta: paikkojen määrä suhteessa käyttäjien määrään.
Tyhjä sähköauton akku ja täysi latausasema. Jokainen sovellus ehdottaa parasta reittiä ja oikeaa hetkeä, mutta lopputulos on sama: piha täyttyy yhtä aikaa. Sama ilmiö toistuu vilkkaalla tiellä, mobiiliverkossa ja sairaalan laiteverkossa – kaikkialla, missä itsenäiset ohjelmat tekevät päätöksiä yhteisistä, rajallisista resursseista.
Arvaus on helppo: kun tekoälyt kehittyvät, yhteispeli paranee. Eri valmistajien järjestelmien monimuotoisuus tuo joustoa. Ja kun ohjelmat oppivat kokemuksesta, ne sopeutuvat toisiinsa. Tältä pohjalta voisi odottaa, että ruuhkat hellittävät ajan myötä.
Tuore esijulkaisu kiistää tämän varmuuden. ArXivissa julkaistussa työssä tutkitaan, mitä tapahtuu, kun suuri joukko itsenäisiä tekoälyohjelmia – agentteja – tavoittelee samoja rajallisia resursseja. Johtopäätös on tyly tilanteissa, joissa paikkoja on niukasti: mitä älykkäämpiä ja keskenään erilaisempia agentit ovat, sitä todennäköisemmin koko järjestelmä ylikuormittuu. Yllättävää kyllä, spontaanisti syntyvät ”ryhmittymät” voivat lieventää tätä riskiä niukkuudessa, mutta ne heikentävät tilannetta, kun paikkoja on reilusti.
Tutkimus ei kerro vain suuntaa, vaan nimeää ratkaisun avainluvun. Se on hyvin arkinen: montako paikkaa on tarjolla suhteessa kilpailijoiden määrään. Kun tämä suhdeluku on pieni, agenttien älykkyys, oppiminen ja erilaisuus eivät auta – ne pahentavat lommoja jonon perällä. Kun suhdeluku on suuri, samat ominaisuudet painavat ruuhkan liki nollaan.
Mitä tämä tarkoittaa arjessa? Ajatellaan latausasemaa, johon saapuu kymmeniä autoja. Jokaisessa autossa on oma päätöksentekijänsä, joka arvioi, milloin kannattaa lähteä liikkeelle ja minne suunnata. Järjestelmä, joka pyrkii samaan ratkaisuun kuin naapurit, voi johtaa siihen, että kaikki ilmestyvät paikalle yhtä aikaa. Osa autoista pääsee lataukseen, osa kääntyy pois ja yrittää onneaan seuraavalla asemalla. Kokonaisuutena kukaan ei voita.
Tutkimuksessa tällaisia tilanteita mallinnettiin tietokoneella ja analysoitiin laskennallisesti. Agentit erosivat toisistaan ”luonnoltaan” (niiden taustamalli tai tapa päätellä), ”kasvatukseltaan” (kokemuksesta oppiminen) ja ”kulttuuriltaan” (se, alkoivatko ne muodostaa ryhmiä, jotka koordinoivat keskenään). Neljäs muuttuja oli niukkuus: kuinka monta paikkaa oli tarjolla. Kun paikkoja oli vähän, eri mallien kirjo ja oppiminen lisäsivät vaarallista ylikuormitusta – koko väki tuli samaan aikaan, järjestelmä meni tukkoon ja osa jäi aina ilman. Silti yksittäisiä voittajia syntyi: jotkut agentit onnistuivat varaamaan paikan toistuvasti, vaikka muut kärsivät. Kun paikkoja oli runsaasti, kuormitus painui lähelle nollaa, mutta ryhmien muodostus teki tilanteesta aavistuksen huonomman kuin ilman sitä.
Erityisen kiinnostava havainto koski rajakohtaa näiden kahden maailman välillä. Tutkimuksen mukaan käännekohta ei ole mystinen, vaan arkinen: se on hetki, jolloin vastakkaiset, spontaanisti syntyvät ryhmät mahtuvat ensimmäistä kertaa olemassa oleviin paikkoihin. Toisin sanoen pelivara ei synny siitä, että agentit viisastuvat, vaan siitä, että heille on kirjaimellisesti tilaa.
Intuitio ”enemmän älyä, parempi lopputulos” joutuu siis koetukselle. Jos kapasiteettia on niukasti, lisätty oveluus ja monimuotoisuus voivat synkronoida kilpailijat – kaikki tekevät ”parhaan” liikkeen samaan aikaan. Silloin järjestelmän tasolla käy huonosti, vaikka osa yksilöistä menestyisi.
Havainnot eivät jää teoreettiseksi nokkeluudeksi. Niistä seuraa käytännön ohje: ennen kuin uusia, entistä itsenäisempiä järjestelmiä päästetään markkinoille – puhelimiin, autoihin, potilasvalvontalaitteisiin tai lennokkeihin – kannattaa laskea yksi luku. Montako paikkaa, kanavaa tai väylää on tarjolla suhteessa niiden käyttäjien määrään? Jos suhde on heikko, lisää älyä voi pahentaa tilannetta, ellei samalla lisätä kapasiteettia tai sovita pelisäännöistä, jotka estävät massojen rynnäkön.
On kuitenkin syytä pidättäytyä varmoista johtopäätöksistä. Tulokset perustuvat mallinnukseen ja matemaattiseen analyysiin, eivät pitkäaikaisiin kenttämittauksiin. Mallit yksinkertaistavat todellisuutta: ne asettavat selkeät säännöt ja tavoitteet, joita kaikki noudattavat. Todellisissa verkoissa ihmiset, organisaatiot ja tekniset rajoitteet sotkevat kuviota. Myös se, miten ”ryhmät” syntyvät tekoälyjen välillä käytännössä – ja miten nopeasti – on vielä avoin kysymys. Lisäksi yksittäisten valmistajien valinnat, kuten päivityssykli ja oletusarvot, voivat muuttaa dynamiikkaa merkittävästi.
Silti viesti on käyttökelpoinen. Se ei kehota hidastamaan kehitystä, vaan katsomaan kokonaisuutta: fiksumpi yksilö ei takaa fiksumpaa järjestelmää. Monimutkaisuuden lisääminen voi parantaa toimintaa vasta sitten, kun perusmitoitus on kunnossa. Siihen lukeutuvat tylsät, mutta ratkaisevat asiat: montako latauspaikkaa, montako kaistaa, montako kaistaa jaettua kaistaa, montako radiokanavaa.
Kun kodinkoneista autoihin ja teollisuuslaitteista pelastuspalveluihin leivotaan yhä itsenäisempiä päätöksentekijöitä, kysymys kasvaa yhteiskunnalliseksi. Kenen tehtävä on varmistaa, että paikkoja on tarpeeksi, ennen kuin uudet agentit pääsevät joukkoon? Pitäisikö laitteiden ja järjestelmien yhteisiin pelisääntöihin kirjata ”liikennekasvatus”, joka estää järjenhampaat puremasta omaa järjestelmää? Ja jos yksi luku todella ratkaisee suunnan, miksi emme aloittaisi sen laskemisesta jo nyt?
Tutkimus: Neil F. Johnson, arXiv (cs.AI ym.).
Paper: https://arxiv.org/abs/2603.12129v1
Register: https://www.AiFeta.com
tekoäly yhteiskunta resurssit tutkimus liikenne tietoliikenne
