Koetilanteessa oppiva tekoäly yltää huippusuorituksiin yllättävän usein
Kuvittele tentti, jossa saa opetella uutta vielä vastauspaperin täyttämisen aikana. Useimmille se kuulostaa mahdottomalta – mutta tietokoneelle se voi olla luonnollinen tapa yltää parhaaseen tulokseen.
Tekoälystä on totuttu ajattelemaan, että se harjoittelee etukäteen ja jäädytetään sitten kokeeseen: malli vastaa, mutta ei muutu. Uusi ajatus kääntää asetelman: miksei kone saisi jatkaa oppimista juuri sen ongelman parissa, jonka se on ratkaisemassa? Ei yleistääkseen tuleviin tehtäviin, vaan löytääkseen yhden poikkeuksellisen hyvän vastauksen nyt.
Tuore arXivissa julkaistu tutkimus esittelee tälle käytännöllisen tavan. Tutkijat kutsuvat menetelmää nimellä TTT-Discover. Sen idea on arkinen: kokeillaan, katsotaan miten hyvin meni, ja parannetaan seuraavaa yritystä. Tietojenkäsittelyssä tätä lähestymistapaa kutsutaan vahvistusoppimiseksi – käytännössä järjestelmä saa pisteitä suorituksesta ja säätää toimintaansa niiden perusteella. Oleellista on, että säätöä tehdään vasta koetilanteessa, juuri kyseisessä ongelmassa.
Aiemmin on kokeiltu hakumenetelmiä, joissa valmista kielimallia pommitetaan kysymyksillä ja valitaan paras vastaus. Tässä työssä malli ei jäädy: se päivittää itseään yritysten välillä ja suuntaa huomionsa lupaavimpiin ratkaisuihin. Tutkijat korostavat, että tavoite ei ole monen tasaisen hyvän vastauksen keskiarvo vaan yksi erinomainen osuma.
Miksi tämä on kiinnostavaa? Koska monissa todellisissa tehtävissä on mahdollista mitata suoritusta suoraan luvulla: koodi juoksee nopeammin tai hitaammin, biologisen datan kohina vähenee enemmän tai vähemmän, matematiikassa jokin rakenne tuottaa pienemmän virheen tai suuremman pisteen. Kun mittari on jatkuva, koneen on helppo oppia sen suunnassa.
Tutkimus käyttää tällaisia jatkuvia mittareita todisteena ideansa toimivuudesta. Esimerkki havainnollistanee parhaiten:
Ohjelmointikilpailussa mitataan, kuinka nopeasti tietty koodinpätkä suoriutuu grafiikkaprosessorilla. Järjestelmä kirjoittaa koodia, ajaa sen ja saa ajasta pisteet: mitä nopeampi, sitä parempi. Se muokkaa koodia ja yrittää uudelleen. Satojen yritysten jälkeen se löytää version, joka on tutkimuksen mukaan jopa kaksi kertaa aiempaa parempi. Kilpailun järjestäjät tarkistavat, että koodi on oikea – ja tulos pitää.
Sama toimintatapa toistuu eri alueilla. Matematiikassa järjestelmä paransi tuloksia kahdessa klassisessa ongelmassa: Erdősin asettamassa niin sanotussa vähimmäispäällekkäisyydessä sekä autokorrelaatioon liittyvässä epäyhtälössä. Arkisesti sanottuna kone etsi tavan järjestää lukuja niin, että tietyntyyppinen päällekkäisyys jää mahdollisimman pieneksi – ja löysi tunnetun rajan yli yltävän ratkaisun. Algoritmikilpailuissa (kuten AtCoderin aiemmat tehtävät) sama metodi tuotti uusia parhaita ratkaisuja. Biologiassa järjestelmä puhdisti yksittäissolujen mittausdataa melusta paremmin kuin aiemmat menetelmät. Jokaisessa tapauksessa tuloksia tarkastivat asiantuntijat tai kilpailujen järjestäjät.
On helppo ajatella, että tähän tarvittaisiin suljettu, valtava ja kallis malli. Yllättäen tutkimus korostaa päinvastaista: kaikki tulokset saatiin avoimella mallilla, jonka nimi on OpenAI gpt-oss-120b, ja koodi on julkaistu. Lisäksi koeaikainen oppiminen pyöri Tinker-nimisen rajapinnan kautta, ja tekijöiden mukaan yhden ongelman ratkominen maksoi vain muutamia satoja dollareita. Aiemmat parhaat tulokset perustuivat usein suljettuihin huippumalleihin – asetelma, jota tämä työ haastaa.
Jännite on siis selvä: pitkään ajateltiin, että tekoäly ei saa ”opiskella” kokeessa. Nyt näyttää siltä, että juuri niin kannattaisi toimia, kun tavoitteena on löytää yksittäiseen ongelmaan paras mahdollinen vastaus. Lisäksi menetelmä näytti toimivan useilla aloilla, ei vain koodissa tai laskennassa, vaan myös biologisessa analyysissä.
Silti rajoituksia on syytä korostaa. Tutkimus valitsi tehtäviä, joissa onnistumista voi mitata jatkuvalla mittarilla. Kaikki ongelmat eivät tarjoudu tällaiseen harjoitteluun: monissa kysymyksissä on vain oikea tai väärä vastaus, tai arviointi on hidas ja epävarma. Menetelmä on myös räätälöity tuottamaan yksi erinomainen ratkaisu yhteen nimenomaiseen ongelmaan. Se ei siis välttämättä paranna mallin yleistä ymmärrystä eikä lupaa parempaa suoriutumista seuraavassa, erilaisessa tehtävässä. Ja vaikka tutkijat raportoivat uuden ennätystason ”melkein kaikissa” kokeilluissa ongelmissa, ilmaisu jättää tilaa poikkeuksille.
Lisäksi käytännön yksityiskohdat merkitsevät: oppiminen koetilanteessa edellyttää monia yrityksiä ja palautteen saamista joka kierroksella. Jos palautetta ei ole helppo mitata tai jos yritykset ovat kalliita, etu voi sulaa. Tutkimus kertoo kuitenkin ajokustannuksen olleen maltillinen ja tulosten olevan toistettavissa julkaistulla koodilla.
Mitä tämä kaikki kertoo tekoälyn suunnasta? Yksi tulkinta on, että olemme siirtymässä kohti järjestelmiä, jotka eivät pyri olemaan hyviä kaikessa, vaan erinomaisia juuri siinä ongelmassa, jonka edessä ne seisovat. Se voi muuttaa myös arvioinnin tapoja: jos malli saa oppia testissä, mitä ”reilu” mittaaminen tarkoittaa? Entä jos kaikkein tärkeimmissä tieteellisissä ja teknisissä pulmissamme paras tulos syntyykin vasta silloin, kun kone oppii lennossa – aivan kuten ihminen, joka oivaltaa ratkaisevan keinon kesken koitoksen?
Paper: https://arxiv.org/abs/2601.16175v1
Register: https://www.AiFeta.com
tekoäly oppiminen tutkimus matematiikka ohjelmointi biologia
