Google DeepMindin matemaattinen päättelyjärjestelmä ylsi heinäkuussa 2026 kansainvälisten matematiikkaolympialaisten (IMO) tehtävissä parhaaseen yhteen prosenttiin. IMO:n tehtävät ovat maailman vaikeimpia lukiolaisille suunnattuja kilpailutehtäviä, ja niiden ratkaiseminen vaatii luovaa oivallusta, ei pelkkää mekaanista laskemista.
Tulos ei synny arvaamalla. Järjestelmä tuottaa useita ehdokasratkaisuja, arvioi kunkin uskottavuutta ja etenee järjestelmällisesti niihin suuntiin, jotka näyttävät lupaavimmilta. Käytännössä malli siis harkitsee useaa todistuspolkua ja karsii huonot pois ennen lopullista vastausta. Juuri tämä muistuttaa tapaa, jolla ihminen ratkoo hankalaa geometriatehtävää.
“Malli tuottaa ehdokkaita todistusstrategioiksi, arvioi niiden uskottavuutta ja tutkii järjestelmällisesti lupaavimmat suunnat.”
Kun tekoälyn pitää muistaa, mihin se pyrkii
Samalla DeepMind julkaisi toisen tutkimuksen, joka koskee aivan eri ongelmaa: pitkiä, monivaiheisia tehtäviä. Menetelmän nimi on prospective credit assignment, vapaasti suomennettuna ennakoiva ansion kohdistaminen.
Ongelma on tuttu jokaiselle, joka on koettanut hoitaa pitkän tehtävälistan. Kun tekoälyagentti tekee kymmeniä peräkkäisiä päätöksiä ja tehtävä lopulta epäonnistuu, on vaikea sanoa, mikä yksittäinen askel meni pieleen. Perinteisesti mallit yrittävät päätellä tämän jälkikäteen, valmiin lopputuloksen perusteella.
Uusi menetelmä kääntää asetelman. Se opettaa mallia ennakoimaan jo päätöksen tekohetkellä, miten nykyinen valinta vaikuttaa lopputulokseen monta askelta myöhemmin. Malli oppii siis pitämään lopullisen tavoitteen mielessään koko ketjun ajan, ei vasta lopussa.
Mikä on SWE-Bench?
SWE-Bench on ohjelmistokehityksen mittaristo, jossa tekoälyn pitää korjata oikeita ohjelmointivirheitä avoimen lähdekoodin projekteissa. DeepMindin mukaan uusi menetelmä paransi tuloksia erityisesti tehtävissä, jotka vaativat yli kymmenen askelta ratkaistakseen.
Matikkaolympialaistulos on ennen kaikkea osoitus siitä, että tekoäly pärjää tehtävissä, joissa aiemmin vaadittiin ihmisen luovaa päättelyä. Konkreettinen hyöty on kuitenkin toisessa tutkimuksessa. Suurin osa arjen tekoälytyökaluista kompastuu juuri pitkiin tehtäviin: agentti aloittaa hyvin, mutta eksyy matkalla ja tuottaa lopulta puolivalmista jälkeä.
Jos malli oppii pitämään tavoitteen mielessä läpi koko työn, koodausavustajat, asiakaspalvelubotit ja muut monivaiheiset työkalut muuttuvat luotettavammiksi. Yritykselle se tarkoittaa vähemmän puoliksi tehtyjä tehtäviä ja vähemmän ihmisen korjattavaksi jäävää työtä. Tavalliselle käyttäjälle se näkyy siinä, että avustaja vie homman loppuun asti sen sijaan, että jättää sen kesken kolmannen välivaiheen kohdalla.
Kannattaa silti pitää pää kylmänä. Molemmat tutkimukset on lähetetty NeurIPS 2026 -konferenssiin, eli riippumaton vertaisarviointi on vielä kesken. Tarkkoja prosenttilukuja SWE-Benchin paranemisesta DeepMind ei tässä vaiheessa antanut, vaan puhui toistaiseksi merkittävästä parannuksesta. Lopullisen tuomion antaa se, miten menetelmä toimii muidenkin tutkijoiden käsissä ja muillakin kuin yhtiön omilla mittareilla.
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.
