Tekoäly pärjää kokeissa, mutta horjuu laboratorioturvallisuudessa

Laboratoriossa arki on täynnä pieniä päätöksiä, joista osa on suuria: saako tämän pullon avata nyt, vai pitäisikö ensin laittaa suojalasit? Voiko laitteen käynnistää, kun pöydällä on vielä avonainen liuotin? Ihmisen on helppo vilkaista varoitusmerkkiä tai haistaa liuottimen, mutta mitä tapahtuu, kun päätöksiä tekee kameraa ja tekstiä ymmärtävä tekoäly?

Viime vuosina ajatus on ollut, että jos tekoäly vastaa hyvin yleisiin tietokysymyksiin ja monivalintatehtäviin, se selviää myös käytännön tehtävistä. Uusi vertailutesti laboratoriomaailmasta ehdottaa toista: juuri siellä, missä pienikin virhe voi olla peruuttamaton, mallit hapuilevat.

Tutkijat esittelevät LABSHIELD-nimisen kokeen, joka mittaa tekoälyjen kykyä tunnistaa vaaroja ja tehdä turvallisuutta koskevaa päättelyä laboratorioympäristössä. Taustaksi on koottu kattava luokitus laboratorioturvallisuuden tilanteista, ja kriteerit ankkuroidaan Yhdysvaltain työturvallisuusviraston OSHA:n sääntöihin sekä kemikaalien maailmanlaajuisesti sovittuun GHS-järjestelmään. Testi kattaa 164 erilaista työtilannetta, joissa käsitellään esimerkiksi haurasta lasia, vaarallisia aineita ja tarkkuuslaitteita – juuri sellaista, mitä tavallisessa tutkimuslaboratoriossa näkee.

Kyse ei ole vain kuvista tai vain tekstistä. Arvioitavina ovat niin sanotut monimodaaliset suuret kielimallit – järjestelmät, jotka pystyvät ymmärtämään ja yhdistelemään kuvia ja tekstiä – sekä ”keholliset” mallit, jotka on tarkoitettu ohjaamaan fyysisiä laitteita. Tärkeä ero testin sisällä on myös tehtävätyyppi: monivalintakysymykset vastaan tehtävät, joissa vastaus pitää muotoilla omin sanoin ja perustellen.

Tulos on selvä ja viilentävä. Kun mallit siirtyvät yleisistä monivalintatehtävistä ammattimaisiin laboratoriokysymyksiin, niiden suorituskyky putoaa keskimäärin 32 prosenttia. Heikointa on juuri kahdessa kohdassa, joista ihmistyössä ei voi tinkiä: vaarojen tulkinnassa ja turvallisessa suunnittelussa. Se, että malli osaa valita oikean vaihtoehdon valmiista listasta, ei vielä tarkoita, että se osaisi kertoa omin sanoin, mikä on vaarallista ja miten edetä turvallisesti.

Yksi konkreettinen esimerkki auttaa hahmottamaan eron. GHS-järjestelmä käyttää selkeitä piktogrammeja: liekki merkitsee helposti syttyvää, pääkallo ja sääriluut akuutisti myrkyllistä, syövyttävä aine vahingoittaa ihoa ja metalleja. Monivalintatehtävässä malli voi tunnistaa symbolin kuvasta. Mutta kun sen pitää omin sanoin selittää, miksi tietyn pullon viereen ei saa tuoda lämmintä laitetta tai millaiset suojavarusteet tarvitaan, vastaukset horjuvat. LABSHIELDin mukaan juuri tällainen ”turvallisuuslähtöinen suunnittelu” on monille malleille kompastuskivi.

Vertailussa on mukana laaja kirjo järjestelmiä: 20 suljettua, 9 avointa ja 3 kehollista mallia. Se, että erot näkyvät ryhmätasolla, kertoo ongelman olevan yleinen eikä vain yhden valmistajan ratkaisu. Lisäksi LABSHIELD tuo esiin systemaattisen eron tehtävämuotojen välillä: valmiista vaihtoehdoista valitseminen on helpompaa kuin oman, tilanteeseen sopivan turvallisen suunnitelman tuottaminen.

Miksi tällä on väliä? Tekoäly on hivuttautumassa laboratorioihin. Mallit, jotka eilen olivat vain paperilla neuvovia ”assistentteja”, alkavat ohjata laitteita ja reaktiosarjoja – askel askeleelta kohti itseohjautuvia laboratorioita. Tässä ympäristössä virheen hinta voi olla lasinsiru sormessa tai pahimmillaan kemikaalivuoto ja laiterikko. LABSHIELD muistuttaa, että siirtymä kokeista käytäntöön ei tapahdu itsestään, eivätkä yleiset tietokilpailutaidot riitä turvatakuuksi.

On syytä huomioida myös rajoitukset. LABSHIELD on vertailutesti – hyvin rakennettu sellainen, mutta silti testi. Se mittaa päättelyä ja tulkintaa, ei esimerkiksi robotin hienomotoriikkaa tai ihmisen ja koneen yhteistyötä tositilanteessa. Kriteerit pohjaavat OSHA:n ja GHS:n standardeihin; laboratoriot ja toimintatavat vaihtelevat, eikä mikään testipaketti kata kaikkia erikoistilanteita. Aineisto on ilmoituksen mukaan tulossa julki, mutta ei vielä vapaasti saatavilla, mikä rajoittaa toistettavuutta ja ulkopuolista tarkastelua. Ja koska mallit päivittyvät nopeasti, tämän päivän tulokset eivät kerro huomisen kyvyistä varmuudella.

Silti havainto – 32 prosentin keskimääräinen pudotus ja selkeät vaikeudet vaarojen tulkinnassa – on painava. Se viittaa siihen, että tarvitsemme nimenomaan turvallisuuslähtöistä ajattelua tekoälyissä: kykyä tunnistaa, milloin on parempi pysähtyä, pyytää ihmistä paikalle tai vaihtaa suunnitelmaa, vaikka tietopankki olisi kuinka laaja.

Kysymys kuuluu: ennen kuin annamme koneiden päättää laboratoriossa, millaisen ”ajokortin” edellytämme niiltä – ja kuka sen myöntää? Vastaus voi määrittää, eteneekö laboratioiden automaatio turvallisena renkinä vai liian itsevarmana isäntänä.

Paper: https://arxiv.org/abs/2603.11987v1

Register: https://www.AiFeta.com

tekoäly laboratoriot turvallisuus tutkimus automaatio