Olli Laitinen, FM, asiantuntija, Vastuulliset palvelut, Lapin ammattikorkeakoulu
Hieman yli kaksi vuotta sitten DVV:n johtava asiantuntija Marko Latvanen kirjoitti Lumen-lehteen tekoälystä seuraavasti: “Onko kone siis saanut nyt ihmisen kaltaisen älykkyyden, ja ehkä peräti jonkinlaisen tietoisuuden? Voiko olla jopa niin, että supertekoäly ottaa vallan ja lopulta hävittää ihmisen sivilisaation? Yksinkertainen vastaus: ei, ei ja ei.” (Latvanen 2023).
Latvasen kirjoitus heijasteli tuolloin maadoittanutta ja asiantuntevaa näkemystä, jonka monet tutkijat ja muut asiaan perehtyneet jakoivat. Lupaavia tuloksia, mutta vielä kaukana siitä mitä tekoäly-yhtiöiden markkinointimateriaalit maalailivat.
Tekoälyalalla vuodet ovat kuitenkin koiran vuosia. Reilussa kahdessa vuodessa teknologia on mennyt valtavasti eteenpäin, paljon nopeammin kuin yhteinen kielemme tai kulttuurimme pystyy muutosta omaksumaan. Ajan tasalla pysyminen olisi kuitenkin tärkeää. Kun ymmärrämme isoja kehityskulkuja, saamme ainakin yhden selityksen sille, miksi nuori ei löydä ensimmäistä työpaikkaansa tai miksi naapuriin aletaan rakentamaan Googlen datakeskusta. Tämänhetkistä todellisuutta voi tarkastella ainakin näiden kolmen näkökulman lävitse.
Tekoäly on enemmän kuin vain todennäköisyyslaskentaa, mutta emme ymmärrä mitä
”Tekoäly on vain todennäköisyyslaskentaa”, on perusperiaatteena tietysti täyttä totta. Ongelma tässä näkökulmassa on, että arkikielessä ymmärretty sana todennäköisyyslaskenta ei tavoita hyvin sitä monimutkaista kokonaisuutta, mitä tämän hetken johtavien kielimallien todennäköisyyslaskenta on. On sama kuin sanoisi, että ihmiset ovat vain atomeja tai musiikki vain ilman värähtelyä – jotain oleellista noista määritelmistä jää puuttumaan.
Esimerkiksi Lindseyn (2025) tekemän tutkimuksen mukaan nykyisillä parhailla kielimalleilla vaikuttaa olevan jonkin verran kykyä tarkkailla omaa sisäistä tilaansa. Tutkijat istuttivat tiettyjä konsepteja edustavia aktivaatiovektoreita tekoälymallien sisään, ja noin viidesosassa kokeiluista tekoälymallit pystyivät tunnistamaan tutkijoiden istuttamia konseptejaennenkuin ne olivat tuottaneet niihin liittyvää tekstiä. Käytännössä tekoälymalli tunnisti sisäisiä representaatioita ennen kuin se vastasi käyttäjälle mitään.Kuten tutkimuksessa hyvin selvästi sanotaan, tämä ei tietenkään tarkoita, että tekoälymallit olisivat tietoisia. Sen sijaan tämä tutkimus osoittaa, että jotain sellaista saattaa olla meneillään, mitä emme vielä täysin ymmärrä.
Siinä missä ensimmäisten laajojen kielimallien kouluttaminen tavoitteli vain seuraavan todennäköisimmän tavun tai sanan ennustamista, nykyiset mallit osaavat pysähtyä miettimään, tekemään vaihtoehtoisia ratkaisuehdotuksia ja arvioimaan niitä, tavallaan hahmottelemaan ratkaisua ‘suttupaperille’ ennen kuin ne antavat käyttäjälle lopullisen vastauksen.
Aiemmin, kun esimerkiksi esitit tekoälylle matematiikan sanallisen tehtävän, vastaus oli usein väärä, sillä malli arvasin todennäköisimmän seuraavan sanan, eikä suorittanut oikeaa laskentaa.
Kun nyt kysyt saman kysymyksen, edistynyt tekoälymalli tunnistaa kyseessä olevan matematiikan tehtävä, kirjoittaa itselleen sisäisen välivaiheen, jossa se suorittaa laskutoimitukset järjestyksessä varmistaakseen logiikan pitävyyden, ja vasta sen jälkeen se antaa sinulle lopullisen vastauksen (kts. esim. Shankar 2026).
Juuri matematiikkaan ja koodaukseen viime vuosien läpimurrot tekoälymallien kouluttamisessa sopivat erinomaisesti. Tulokset ovat vahvistettavissa, ja koulutusta voi pitkälti automatisoida: käytännössä tekoäly A laitetaan tarkastamaan tekoäly B:n tuottamia vastauksia matikan tehtäviin. A pisteyttää B:n vastauksia, ja harjoitukset jatkuvat niin kauan, että laskenta on virheetöntä, tai laskentateho loppuu ja sähkölasku kasvaa liian suureksi.
Tulokset ovat vaikuttavia, mutta vajavaisia – elämä ei ole pelkkää matematiikkaa tai koodausta. On paljon vaikeampaa sanoa, onko maalaus, runo tai anteeksipyyntö oikea tai tavoittelemisen arvoinen. “Ei se tekoäly mökkiä siivoa”, sanoi eräs matkailuyrittäjä minulle, ja hänkin on oikeassa.
Kokonaiskuvaa on vaikea hahmottaa
On kaksi keskeistä syytä sille, miksi tekoälystä on hankalaa saada järkevää kokonaiskuvaa muodostettua.
Ensinnäkin tekoälyn kyvykkyys on hyvin rosoista, sen huiput epätasaisia ja heikkoudet ilmeisiä (kuvio 1). Yhtäältä uusimmat kielimallit ovat valituissa tehtävissä ihmiseen verrattuna ylivoimaisia. Toisaalta tietyt asiat, jotka ovat ihmiselle intuitiivisia ja yksinkertaisia, tuntuvat tekoälylle mahdottomilta. Fysiikan lait tai ajan ja paikan käsittäminen eivät kuulu kielimallien vahvuuksiin. Monelle käyttäjälle turhauttavinta on edelleen se, ettei tekoäly myönnä, jos se ei tiedä jotain.
Kuvio 1. GPT-4- ja GPT-5-mallien kyvykkyydet (Hendrycks ym. 2025)
Syitä rosoisuuteen on monia. Kuten jo todettiin, tietyt alat ja tehtävät sopivat juuri laajojen kielimallien vahvuuksiin. Toisekseen voidaan todeta, että harjoitusdatalla on suuri merkitys – matematiikkaa tai koodia voi laskea ja kirjoittaa lähes loputtomasti ja melko nopeasti, mukaansatempaavaa nordic noiria hitaammin. Tietynlainen puolueellisuusharha myös toteutuu niin perinteisessä kuin sosiaalisessakin mediassa. Tekoälyllä generoidut sisällöt saavat huomiota, kun miljoonat ihmiset ympäri maailmaa etsivät pikavoittoja ja tuottavat heikkolaatuisia tekstejä, kuvia ja videoita internetin täydeltä. Vuoden 2025 sanaksi valittu AI slop (Merriam-Webster 2025), suomalaisittain tekoälyliete, kuvaa ilmiötä hyvin. Tätäkö varten datakeskuksia rakennetaan?
Toisekseen tutkijat, jotka kehittävät käyttämiämme laajoja kielimalleja, eivät itsekään täysin ymmärrä miksi tekoäly toimii niin hyvin kuin se toimii. Laajojen kielimallien tutkiminen on myös vaikeaa. Eräässä tutkimuksessa huomattiin, että tekoäly tunnisti 13 prosentissa tapauksista olevansa arviointitilanteessa, ja mukautti käytöstään sen mukaan (Anthropic 2025). Tilannetta ei helpota myöskään se, että mallien sisäinen tutkimus laahaa jatkuvasti uuden kehittämisen perässä.
Emme ole vielä nähneet kehityksen huippua
Monta huippua on vielä ylitettävänä, ennen kuin voidaan puhua supertekoälystä, Artificial Super Intelligencestä. Yksi keskeisistä tutkimushaasteista on tekoälymallien jatkuva oppiminen (Shi ym. 2024). Miten laajat kielimallit saataisiin oppimaan virheistään vielä sittenkin, kun ne on jo otettu käyttöön? Toisekseen fyysisessä maailmassa toimiminen on myös hyvin keskeinen haaste, elämä kun ei tapahdu vain tietokoneiden sisässä. Robotiikka kehittyy hurjaa vauhtia, ja moni yhtiö kehittää myös virtuaalisia maailmamalleja, (Gupta ym. 2024), joissa tekoälyrobotteja voidaan kouluttaa simulaatioissa ennen niiden siirtymistä fyysiseen maailmaamme, varastoihin ja linjastoille.
Jos nämä kolme keskeistä haastetta, jatkuva oppiminen, fyysinen maailma sekä fysiikan lait, selätetään, kuvion 1 esittämä arviointikriteeristö näyttää jo paljon tasaisemmalta. Silloin rosoiset reunat olisivat tasoittuneet, ja yleisälykäs tekoäly olisi olemassa.
Tietysti tekoälyalan suuret linjat vedetään muualla kuin Lapissa, ja muutokset luultavasti rantautuvat hitaammin meille kuin suurkaupunkeihin. Silti, on monia kysymyksiä, joihin meidänkin on osaltamme reagoitava lähiaikoina, sillä vaikka tekoälymallit eivät kehittyisi enää yhtään eteenpäin, jo nykyisillä malleilla voidaan esimerkiksi kirjoittaa opinnäytetöitä ja tehdä rahoitushakemuksia. Lisäksi näyttää hyvin todennäköiseltä, että mallit jatkavat nopeaa kehittymistä. Yhteiskunnallista keskustelua on käytävä aktiivisesti, asiantuntevasti ja kriittisesti, jotta voimme yhdessä sopeutua väistämättömään muutokseen.
Lähteet
Anthropic 2025. Claude Sonnet 4.5 System Card. System card. Syyskuu 2025. Viitattu 12.1.2026 https://assets.anthropic.com/m/12f214efcc2f457a/original/Claude-Sonnet-4-5-System-Card.pdf.
Gupta, T., Gong, W., Ma, C., Pawlowski, N., Hilmkil, A., Scetbon, M., Rigter, M., Famoti, A., Llorens, A. J., Gao, J., Bauer, S., Kragic, D., Schölkopf, B. & Zhang, C. 2024. The Essential Role of Causality in Foundation World Models for Embodied AI. arXiv:2402.06665v2 [cs.AI] 29.4.2024. Viitattu 12.1.2026
Hendrycks, D., Song, D., Szegedy, C., Lee, H., Gal, Y., Brynjolfsson, E., Li, S., Zou, A., Levine, L., Han, B., Fu, J., Liu, Z., Shin, J., Lee, K., Mazeika, M., Phan, L., Ingebretsen, G., Khoja, A., Xie, C., Salaudeen, O., Hein, M., Zhao, K., Pan, A., Duvenaud, D., Li, B., Omohundro, S., Alfour, G., Tegmark, M., McGrew, K., Marcus, G., Tallinn, J., Schmidt, E. & Bengio, Y. 2025. A Definition of AGI. arXiv:2510.18212v3 [cs.AI]. Viitattu 12.1.2026 https://doi.org/10.48550/arXiv.2510.18212.
Latvanen, M. 2023. Tekoäly ja ihmisyyden illuusiot. Lumen 26.10.2023. Viitattu 12.1.2026 https://blogi.eoppimispalvelut.fi/lumenlehti/2023/10/26/tekoaly-ja-ihmisyyden-illuusiot/.
Lindsey, J. 2025. Emergent Introspective Awareness in Large Language Models. Transformer Circuits Thread 29.10.2025. Viitattu 12.1.2026 https://transformer-circuits.pub/2025/introspection/index.html.
Merriam-Webster 2025. 2025 Word of the Year: Slop. 14.12.2025. Viitattu 12.1.2026 https://www.merriam-webster.com/wordplay/word-of-the-year.
Shankar, A. 2026. Reinforcement Learning for Large Language Models. Scribd. Viitattu 12.1.2026 https://www.scribd.com/document/939684266/Reinforcement-Learning-for-Large-Language-Models.
Shi, H., Xu, Z., Wang, H., Qin, W., Wang, W., Wang, Y. & Wang, H. 2024. Continual Learning of Large Language Models: A Comprehensive Survey. arXiv:2404.16789v1. Viitattu 12.1.2026 https://arxiv.org/html/2404.16789v1
Asiasanat: tekoäly, koneoppiminen, robotiikka, algoritmit, simulointi, automaatio, työelämä, työllisyys, korkeakouluopetus, sosiaalinen media, palvelimet, tieto- ja viestintätekniikka