Richard Socher on yksi tekoälyn pitkän linjan tutkijoista, joiden nimi pomppaa esiin aina kun keskustellaan alan suunnasta. Nyt hän palasi parin vuoden hiljaisuuden jälkeen valtavalla rahapotilla: Recursive Superintelligence keräsi tällä viikolla 650 miljoonaa dollaria pääomakierroksessa, joka arvosti yhtiön 4,65 miljardiin dollariin. Tuotetta ei ole vielä julkaistu.
Sijoituskierroksen vetivät Alphabetin GV ja Greycroft. Mukana ovat myös Nvidia ja AMD:n venture-yksikkö, molemmat siruvalmistajia, jotka eivät jätä laskelmointia sattuman varaan. Yhtiöllä on toimistot San Franciscossa ja Lontoossa, ja työntekijöitä on noin 25.
Socher tunnetaan parhaiten Salesforcen entisenä pää-AI-tutkijana ja You.comin perustajana. You.comin viimeisin arvostus oli 1,5 miljardia dollaria, mikä on Recursive Superintelligencen rinnalla vaatimaton luku. Socherin uran pohjalla on Stanford, ImageNet-tutkimusten taustakulissit ja kymmenkunta vuotta syvän oppimisen tutkimusta yliopistoissa ja yrityksissä.
Mitä 'itseään parantava' oikeasti tarkoittaa
Recursive Superintelligencen ajatus on yksinkertainen kuvailla mutta vaikea toteuttaa. Nykyiset suuret kielimallit tarvitsevat ihmistutkijoita, jotka päättävät, mitä testataan, miten arkkitehtuuria muutetaan ja millä datalla mallia opetetaan. Yhtiön tavoite on rakentaa järjestelmä, joka tekee nämä päätökset itse: keksii hypoteesin, kirjoittaa koodin, ajaa kokeen ja arvioi tuloksen.
Socher kutsuu lähestymistapaa avoimeksi tutkimukseksi (open-endedness). Yhtiön mukaan koulutuksessa hyödynnetään 'rainbow teaming' -menetelmää, jossa kaksi tekoälyä asetetaan kilpailemaan keskenään miljoonia kierroksia, ikään kuin evoluutio nopeutettuna. Tarkoitus on, että järjestelmä löytäisi parempia oppimisalgoritmeja, parempia arkkitehtuureja ja parempia koulutusmenetelmiä ilman ihmisen väliintuloa.
“Ideoinnin, toteutuksen ja validoinnin koko prosessi olisi automaattinen. Tuotteita on luvassa kvartaaleissa, ei vuosissa.”
Sakana ja DeepMind ovat ehtineet ennen
Idea ei ole täysin uusi. Japanilainen Sakana AI esitteli viime vuonna AI Scientist -järjestelmän, joka muotoilee tutkimuskysymyksen, ajaa kokeet ja kirjoittaa paperin. Yksi sen tuottama paperi hyväksyttiin ICML-konferenssin työpajaan. Sakana esitteli myöhemmin myös Darwin Gödel Machinen, joka käyttää evoluutioalgoritmeja koodaavien agenttien parantamiseen.
Google DeepMindin AlphaEvolve puolestaan on suunnitellut datakeskusten resurssien jakoa, joka säästi yhtiöltä 0,7 prosenttia laskentakapasiteetista, ja nopeutti Gemini-mallin kouluttamista yhdellä prosentilla. AlphaEvolvea ei kuitenkaan lasketa täysin rekursiiviseksi: ihminen yhä päättää, mitä ongelmia ratkotaan ja miten onnistumista mitataan. Tästä rajoitteesta Recursive Superintelligence haluaa eroon.
Miksi 4,65 miljardia maksetaan tyhjästä
Arvostus on poikkeuksellinen yhtiölle, jolla ei ole tuotetta, asiakkaita eikä julkaistua tutkimusta. Selitys löytyy tiimistä ja teesistä. Mukana ovat Peter Norvig (Googlen pitkäaikainen AI-johtaja ja Stuart Russellin kanssa kirjoitetun tekoälyn standarditeoksen toinen tekijä), Tim Rocktäschel (vetänyt avoimuus- ja itseohjautuvuustutkimusta DeepMindissa), Josh Tobin (OpenAI:n Codex-tiimin entinen vetäjä) ja Tim Shi (Cresta-yhtiön perustaja).
Sijoittajia kiinnostaa myös skenaario, jossa kehitys etenee nopeasti. Jos itseään parantava malli toimii, yhtiö voi periaatteessa irrottautua skaalauskilpailusta, jossa OpenAI, Anthropic ja Google pumppaavat miljardeja yhä suurempiin malleihin. Nvidian ja AMD:n mukaantulo on ymmärrettävää: laskentaa kuluu valtavasti riippumatta siitä, ratkeaako ongelma vai ei.
Turvallisuusväki on huolissaan – ja sanoo sen ääneen
Itseään parantavia järjestelmiä on pelätty AI-tutkimuksen alusta asti. Anthropicin perustaja ja pää-AI-tutkija Jared Kaplan on kutsunut rekursiivista itsensä parantamista alan 'lopulliseksi riskiksi'. Demis Hassabis Google DeepMindista totesi Davosin talousfoorumilla tammikuussa, että 'on yhä nähtävillä, voiko se itsensä parantamisen silmukka, jota me kaikki teemme, sulkeutua ilman ihmistä mukana', ja myönsi suoraan, että riskejä on.
Huoli kohdistuu ennen kaikkea siihen, että jos malli oppii parantamaan itseään, virheelliset tavoitteet kertaantuvat jokaisella kierroksella. Kontrollin menettäminen on toistaiseksi teoreettinen riski, mutta sen taakse on viime vuosina asettunut yhä useampi vakavasti otettava nimi. Montrealin yliopiston David Scott Krueger on vaatinut alan kehityksen globaalia pysäyttämistä. Recursive Superintelligence lupaa rakentaa suojakaiteita, mutta ei ole vielä esittänyt yksityiskohtia.
Tekoälyjärjestelmä, joka pystyy parantamaan omaa toimintaansa ilman ihmisen apua – keksii uusia ideoita, testaa niitä ja päivittää itseään. Pelätään riskinä, koska virheet voivat kertaantua jokaisella kierroksella.
Rainbow teaming
Koulutusmenetelmä, jossa kaksi tekoälyä kilpailee keskenään miljoonia kierroksia. Toinen yrittää ratkaista ongelmia, toinen yrittää löytää järjestelmän heikkouksia – ikään kuin evoluutio nopeutettuna.
Avoin tutkimus (open-endedness)
Lähestymistapa, jossa tekoälylle ei anneta tarkkaa tavoitetta vaan se saa itse keksiä uusia tutkimuskysymyksiä ja testata niitä loputtomasti.
Suomessa katsotaan samaan suuntaan, mutta varovammin
Suomalainen tekoälytutkimus pyörii pitkälti FCAI:n (Finnish Center for Artificial Intelligence) ympärillä, yhteistutkimuskeskuksen, jota vetävät Aalto-yliopisto, Helsingin yliopisto ja VTT. FCAI:n painopiste on ihmisen kanssa toimivassa tekoälyssä eli järjestelmissä, jotka tukevat tutkijaa monimutkaisissa ongelmissa. Aallon ja VTT:n yhteinen entsyymisuunnitteluhanke käyttää koneoppimista, mutta järjestelmän kehittämistä ohjaa edelleen ihminen.
Recursive Superintelligencen kaltaiselle itsenäisten mallien kehittämiselle ei ole Suomessa suoraa vastinetta. Osaltaan kyse on laskentakapasiteetista: tällaisen tutkimuksen tekeminen vaatii satoja miljoonia euroja GPU-laskentaa. Toisaalta painopistevalinta on myös linjavalinta. Suomalainen tutkimusperinne on suosinut selitettävää ja ihmiskeskeistä tekoälyä, ei suurta autonomista mustaa laatikkoa.
Tavalliselle suomalaiselle hanke näkyy harvemmin Helsingin keskustassa. Mutta jos Socherin tiimi onnistuu edes osittain, vaikutus tuntuu nopeasti. Yritysten käyttämät tekoälytyökalut kehittyvät nykyistä selvästi vauhdikkaammin, mikä tekee koulutusinvestoinneista lyhytikäisempiä. Lääkekehityksessä ja materiaalitutkimuksessa läpimurrot voivat nopeutua kuukausilla, ei vuosilla. Sääntelijöille tämä tuo uuden ongelman: kun malli muuttuu jokaisen koulutuskierroksen jälkeen, EU:n tekoälyasetuksen vaatima riskiarviointi on yhtäkkiä liikkuva maali. Suomalaisten yritysten kannattaa seurata Recursiven etenemistä, sillä siellä päätetään, mitä työkaluja heille on tarjolla parin vuoden päästä ja millä ehdoilla.
Viikoittainen uutiskirje
Tule firmasi fiksuimmaksi AI-osaajaksi
Yksi uutiskirje kerrallaan. Kokoamme viikon tärkeimmät tekoälyuutiset suomeksi ja kerromme, mitä ne tarkoittavat sinun työsi kannalta. Luet sen kahvitauolla.
