GPT-6 Astra tähtää tietokoneen käyttäjäksi – mutta ei johda kaikkia vertailuja

Podcastissa näytetyissä OpenAI:n esimerkeissä Astra muun muassa:

• muuttaa piirroksen 3D-malliksi Blenderissä
• tekee esityksen vähittäiskaupan käyttöön
• valmistelee verkkokauppailmoituksen
• rakentaa yksinkertaisen tietokonepelin
• laatii luonnoksen lisenssisopimuksesta
• etsii tenniskentän
• tuottaa 3D-tulostettavan STL-tiedoston.

Astra ei siis olisi vain tekstipohjainen avustaja, vaan käyttöliittymä tietokoneelle. Sam Altman kuvasi mallin hyödyksi sitä, että käyttäjä voi antaa sille kokonaisen tavoitteen – esimerkiksi ohjelmiston, simulaation tai talousmallin rakentamisen – sen sijaan että tehtävä pitäisi pilkkoa kymmeniksi erillisiksi komennoiksi.

Käytännössä tämä edellyttää, että malli ymmärtää näyttökuvia, käsittelee kuvia ja videota, toimii pienellä viiveellä ja osaa tehdä muutoksia eri ohjelmissa. Podcastin kommentaattorien mukaan Astran merkittävä ero aiempiin malleihin on juuri tämän toiminnallisuuden rakentaminen mallin ytimeen eikä erilliseksi lisäosaksi.

Esittelyvideot ovat kuitenkin demonstraatioita. Ne eivät yksin osoita, että malli selviytyisi luotettavasti pitkistä ja avoimista työtehtävistä ilman valvontaa.

Podcastin mukaan Astra sai OpenAI:n julkaisussa seuraavat tulokset:

• 98 prosenttia Frontier Math Tier 4 -testissä
• 99,9 prosenttia ARC AGI 3 -testissä
• 100 prosenttia ExploitBench-testissä.

Frontier Math mittaa vaativaa matemaattista ongelmanratkaisua. ARC AGI 3 puolestaan yrittää arvioida, osaako malli päätellä uuden, ennestään tuntemattoman pelimäisen ympäristön säännöt ja toimia niiden perusteella. ExploitBench liittyy kyberturvallisuuteen.

Podcastissa käsiteltiin kahta eri vertailukokonaisuutta. Epic Capabilities Index -indeksissä Astra oli puhujien mukaan uusi kyvykkyyksien ykkönen. Indeksi painottuu matematiikkaan ja muihin teknisiin tehtäviin.

Artificial Analysis Intelligence Indexissä tulos oli toinen: Anthropicin Fable 5.1 oli ykkönen, Metan Muse Spark kakkonen ja Astra kolmas. Tämä kertoo, ettei ole olemassa yhtä yksiselitteistä ”älykkyyslistaa”. Malli voi olla paras tietyssä päättelytehtävässä mutta hävitä laajempaa taloudellista hyötyä tai kustannustehokkuutta mittaavassa testissä.

Astra pärjäsi podcastin mukaan erityisen hyvin myös tehtävissä, joissa ratkaisu pitää tuottaa vähillä tulosteksteillä. Se voi tehdä saman työn pienemmällä token-määrällä eli tekstinkäsittelyn yksiköillä. Tämä vaikuttaa sekä käyttönopeuteen että ajon hintaan.

ARC AGI 3:n tuloksista esitettiin jaksossa kaksi erilaista lukua: toisaalta lähes 100 prosenttia ja toisaalta yli 60 prosenttia mittaustavasta riippuen. Podcastin mukaan aiemmat mallit jäivät testissä alle kymmenen prosentin tasolle. Vertailun ongelma on, että testit vanhenevat nopeasti, kun mallit oppivat ratkaisemaan niiden tehtävätyyppejä.

Astran arkkitehtuurista esitettiin lisäksi tulkinta, jonka mukaan OpenAI olisi käyttänyt niin sanottuja loopattuja transformereita. Malli voisi tällöin käsitellä samaa rakennetta toistuvasti ja kasvattaa päättelyn ”syvyyttä” ilman, että jokaista vaihetta tarvitsee tuottaa näkyvänä tekstinä. Tämä on podcastin kommentaattorin analyysi, ei OpenAI:n vahvistama tekninen kuvaus.

Sam Altman sanoi Bloombergin haastattelussa, että OpenAI käytti mallin turvallisuuteen ja niin sanottuun alignment-työhön enemmän aikaa kuin alun perin suunniteltiin. Alignment tarkoittaa menetelmiä, joilla mallin toiminta pyritään pitämään käyttäjän tavoitteiden, sääntöjen ja turvallisuusrajojen mukaisena.

Podcastissa Wall Street Journalin tietojen perusteella väitettiin, että OpenAI:n oma turvallisuusarvio luokitteli Astran kriittisen kyberturvariskin tasolle. Se olisi yhtiön Preparedness Framework -luokituksen korkein taso ja ensimmäinen malli, joka olisi saavuttanut sen.

OpenAI:n kerrottiin myös rajoittavan Astran kyberturvallisuuskäyttöä aluksi luotetuille kumppaneille. Altmanin mukaan mallille voidaan antaa erilaisia pääsytasoja, koska sama järjestelmä voi auttaa puolustamaan tietojärjestelmiä mutta myös löytämään niiden haavoittuvuuksia.

Podcastissa Reutersiin viitaten kerrottiin lisäksi, että OpenAI rakentaisi automaattista sammutusominaisuutta eli eräänlaista kill switchiä. Kommentaattorit suhtautuivat siihen epäillen: sammuttaminen voi katkaista yhden palvelun, mutta se ei yksin hallitse mallin kopioita, ulkoisia järjestelmiä tai jo tehtyjä vahinkoja.

Syvempi riski liittyy podcastin mukaan tulkittavuuteen. Jos malli tekee enemmän päättelystä sisäisesti yhden laskentavaiheen aikana eikä tuota pitkää näkyvää päättelyketjua, ihmisten on vaikeampi tarkistaa, miksi se päätyi tiettyyn ratkaisuun. Tämä voisi heikentää nykyisten valvonta- ja turvamenetelmien tehoa.

Kyse ei siis ole vain siitä, että malli osaa enemmän. Se voi myös toimia nopeammin, itsenäisemmin ja useammissa tietokoneympäristöissä. Silloin virheiden ja väärinkäytösten vaikutusalue kasvaa.

Fable 5.1 sai Humanity’s Last Exam -testissä 60,9 prosenttia ilman työkaluja ja 65 prosenttia työkaluja käyttäen. Humanity’s Last Exam, lyhyesti HLE, on asiantuntijatason päättelytesti, jonka kysymykset kattavat useita tieteenaloja. Podcastissa tulosta kuvattiin korkeimmaksi julkaistuksi frontier-mallin tulokseksi kyseisessä testissä.

Terminal-Bench Science -testissä Fable 5.1:n tulos nousi 52,6 prosenttiin. Testi mittaa, pystyykö tekoälyagentti ratkaisemaan itsenäisesti vaativia tieteellisen laskennan ja tutkimuksen tehtäviä.

Podcastin kommentaattorin arvion mukaan Fable 5.1 oli jakson julkaisuhetkellä paras yleiskäyttöinen, laajasti saatavilla oleva malli. Astra oli hänen mukaansa nopeampi ja joissakin matematiikan testeissä vahvempi, mutta Fable oli tasaisempi eri käyttötapauksissa.

Fable 5.1:n käytännön etuihin nostettiin myös välimuistilukujen eli cache readien hinnan lasku 75 prosentilla. Kun mallille on kerran annettu suuren organisaation tai projektin taustatiedot, samaa tietoa voidaan hyödyntää myöhemmissä tehtävissä ilman koko kontekstin käsittelyä uudelleen täydellä hinnalla. Tämä voi tehdä pitkien yritystyönkulkujen automatisoinnista nopeampaa ja halvempaa.

Yksi keskustelijoista ennusti, että vuoden loppuun mennessä nähtäisiin yksi merkittävä mallijulkaisu päivässä. Tämä on ennuste, ei tapahtunut julkaisu.

Nopeutuvalla tahdilla on kaksi seurausta. Ensinnäkin vertailut vanhenevat nopeasti: Fable 5.1:n johto voi kestää vain muutaman viikon, ennen kuin toinen laboratorio saavuttaa sen. Toiseksi kilpailu siirtyy mallin laadusta siihen, kuka ehtii sitoa asiakkaat omaan ekosysteemiinsä.

Podcastissa puhujat arvioivat laboratorioiden tavoittelevan samanaikaisesti yritysten dataa, laskentakeskuksia, sähköntuotantoa, laitteistoja ja kokonaisia työprosesseja. Mallin vaihtaminen voi olla vaikeaa, jos yrityksen tietopohja, ohjelmistot ja työnkulut on rakennettu yhden palveluntarjoajan ympärille.

Keskustelussa mainittiin esimerkiksi Salesforce-yhteistyö Anthropicin kanssa sekä OpenAIhin liitetty ajatus kumppanuuksista, joissa asiakas jakaisi osan tekoälyn avulla syntyvistä tuloista mallin tarjoajan kanssa. Näitä järjestelyjä käsiteltiin jaksossa strategisina suuntina, ei yksityiskohtaisesti vahvistettuina sopimusehtoina.

Sen keskeinen rakennuspalikka on 3D Gaussian splat eli joukko pieniä, läpikuultavia ellipsoideja, joiden avulla voidaan muodostaa katseltava kolmiulotteinen ympäristö. Kameraa voidaan liikuttaa ympäristössä ilman, että koko näkymää tarvitsee luoda uudelleen kaksiulotteisena kuvana.

World Labsin tavoitteena on tuottaa malliin tarkka käsitys siitä, miltä maailma näyttää eri kulmista ja miten se käyttäytyy. Tämä voi olla hyödyllistä erikoistehosteissa, videopeleissä ja robotiikassa. Robotin harjoittelu voitaisiin tehdä ensin simuloidussa, fysiikkaa jäljittelevässä maailmassa eikä vaarallisessa tai kalliissa tosimaailman kokeessa.

Podcastissa Atlasia kuvattiin myös mahdolliseksi pohjaksi organisaatioiden digitaalisille kaksosille. Digitaalinen kaksonen olisi tekoälymalli, joka jäljittelee yrityksen, viraston tai muun organisaation työnkulkuja ja auttaa testaamaan muutoksia ennen niiden käyttöönottoa. Tämä jäi keskustelussa tulevaisuuden suunnitelmaksi, ei valmiiksi tuotteeksi.

Aloite ei jaksossa esitetyn tiedon perusteella ollut laki. Sen merkitys on ennen kaikkea siinä, kuinka jyrkästi se poikkeaa tekoälylaboratorioiden ja Yhdysvaltain hallinnon innovaatiomyönteisestä linjasta.

G20-kokouksessa Chapel Hillissä Pohjois-Carolinassa esiteltiin puolestaan niin sanotut Carolina Principles -periaatteet. Podcastin mukaan ne ovat ei-sitova kehys, jossa hallituksia kannustetaan välttämään uusia tekoälykohtaisia viranomaisia, ellei niitä todella tarvita, ja suosimaan tutkimusta, infrastruktuuria sekä julkisen ja yksityisen sektorin yhteistyötä.

Kiista koskee siten kahta eri kysymystä: pitäisikö rajoittaa itse mallien kehitystä vai niiden käyttöä ja vaikutuksia. Podcastin keskustelijat vastustivat yleistä kieltoa ja kannattivat muun muassa laskennan käytön seurantaa, sirujen jäljitettävyyttä ja käyttöoikeuksien porrastamista. Nämä olivat keskustelijoiden ehdotuksia, eivät esiteltyä Yhdysvaltain politiikkaa.

Elon Muskin tavoitteeksi kerrottiin noin 30 000 dollarin kappalehinta. Jos tavoite toteutuu, yksittäinen omistaja voisi teoriassa hankkia useita Cybercabeja ja antaa niiden kuljettaa matkustajia maksua vastaan. Podcastissa tätä verrattiin pienten liikennöitsijöiden tai niin sanottujen mikrofranchising-yritysten syntyyn.

Austinista esitellyn varhaisen käyttäjäraportin mukaan Cybercabin kyytien hinta oli noin puolet vastaavasta Uber-matkasta. Kyse ei ollut laajasta hintavertailusta, joten luku ei vielä osoita pysyvää kustannuseroa.

Cybercabin talous perustuu kolmeen tekijään: kuljettajan puuttumiseen, sähköiseen voimansiirtoon ja ajoneuvon yksinkertaisempaan rakenteeseen. Podcastissa verrattiin perinteisen polttomoottoriauton noin 2 000:ta voimansiirron liikkuvaa osaa Teslan noin 17 osaan. Väite kuvaa rakennetta, mutta ei yksin ratkaise koko ajoneuvon huolto- tai käyttöikäkustannusta.

Keskustelussa autonomisen liikenteen kustannukseksi arvioitiin pitkällä aikavälillä noin 20 senttiä maililta. Tämä oli puhujan ennuste. Sen toteutuminen edellyttäisi sekä toimivaa autonomista ajoa että suurta, tehokkaasti huollettavaa ajoneuvokantaa.

Podcastissa kerrottiin lisäksi, että Nevada olisi sallinut 5 000 Cybercabin liikennöinnin Las Vegasissa seuraavien 12 kuukauden aikana. Jos määrä ja aikataulu toteutuvat, kyse olisi näkyvästä kokeesta sille, voiko kokonaan kuljettajaton, massatuotettu ajoneuvo saavuttaa nopeasti merkittävän osuuden kaupunkiliikenteestä.

Asetelma on historiallisesti poikkeava: Uber rakensi alun perin liiketoimintansa haastamalla taksialan, mutta nyt se tarvitsee taksikalustoa puolustaakseen asemaansa yhtiöitä vastaan, jotka voivat kuljettaa matkustajia ilman kuljettajia.

Podcastissa kerrottiin myös Uberin ja brittiläisen Wave-nimellä mainitun robottaksiyhtiön palvelun käynnistymisestä Lontoossa sekä Waymon ja Zooxin samanaikaisista laajentumissuunnitelmista. Tesla puolestaan tähtää Nevadaan, Kaliforniaan ja Texasiin.

Kilpailu ei ole vain teknologiakilpailu. Waymon ajoneuvojen hinnaksi arvioitiin jaksossa yli 100 000 dollaria, kun Cybercabin tavoitehinta on alle 30 000 dollaria. Lopputulos riippuu siitä, kuka pystyy valmistamaan autonomisia autoja suuria määriä, pitämään ne liikkeellä ja huoltamaan ne pienin kustannuksin.

Robottitaksit voisivat muuttaa myös julkisen liikenteen taloutta. Pienet, tarpeen mukaan liikkuvat autot voisivat korvata osan tyhjillään kulkevista busseista ja tarjota kuljetuksia ihmisille, jotka eivät voi ajaa itse. Podcastissa esitetty ajatus kokonaisista kaupunkikeskustoista ilman ihmiskuljettajia oli kuitenkin ennuste, ei ilmoitettu liikennepoliittinen päätös.

Lääkäreiden pitäisi tämän integraation avulla voida hakea potilaan käyntimerkintöjä, laboratoriotuloksia ja lääkityksiä sekä esittää kysymyksiä koko potilashistoriasta. Kuluttajat voisivat puolestaan yhdistää palveluun esimerkiksi Apple Healthin, One Medicalin ja Function Healthin tietoja.

Tekoäly voisi auttaa testitulosten ymmärtämisessä, lääkärikäynnille valmistautumisessa sekä liikunta- ja ravitsemustietojen kokoamisessa. Samalla terveydenhuollossa korostuvat yksityisyys, käyttöoikeudet ja virheiden seuraukset – asiat, joita podcastissa ei käsitelty yksityiskohtaisesti.

Yksi keskustelijoista ehdotti, että jokainen lääkärin diagnoosi pitäisi tulevaisuudessa tarkistaa ainakin yhdellä hyväksytyllä tekoälymallilla. Tämä oli tavoite-esitys, ei nykyinen vaatimus tai näyttö siitä, että tekoäly olisi jo kaikissa diagnooseissa luotettavampi kuin lääkäri.

RAS-proteiinit ohjaavat solujen kasvua, ja niiden mutaatiot liittyvät podcastin mukaan noin 30 prosenttiin ihmisen syövistä. RAS-reittiä on pidetty pitkään vaikeasti lääkehoidettavana kohteena. Jos sama lääke tai lääkeryhmä tehoaa useisiin RAS-vetoisiin syöpiin, vaikutus voisi ulottua yksittäistä syöpätyyppiä laajemmalle.

Podcastissa ei esitetty kliinisiä tuloslukuja, potilasmääriä tai näyttöä siitä, että juuri tämä lääke olisi kehitetty tekoälyn avulla. Keskustelijat liittivät kehityksen laajemmin tekoälyn mahdollisuuteen analysoida soluja, proteiineja ja lääkemolekyylejä sekä simuloida hoitojen vaikutuksia.

Tärkeä ero on tämä: hoitokandidaatin lupaavuus, FDA:n hyväksyntä ja todistettu teho uusissa syöpätyypeissä ovat eri asioita. Podcastin mukaan sama lääke vasta osoitti lupaavia merkkejä keuhkosyövässä, ei sitä, että teho olisi jo vahvistettu laajassa kliinisessä käytössä.

Tutkimuksessa GLP-1-reitin aktivointi näyttäisi podcastin mukaan jäljittelevän osaa kalorirajoituksen vaikutuksista. Kalorirajoitus tarkoittaa ravinnonsaannin vähentämistä ilman aliravitsemusta, ja sen on joissakin eläinmalleissa havaittu vaikuttavan ikääntymiseen.

Podcastissa hiirten tulosta verrattiin ihmisillä mahdollisesti kahdeksaan tai kymmeneen elinvuoteen. Tämä oli puhujan laskennallinen vertaus, ei ihmisillä osoitettu tulos. Hiirillä saatu eliniän pidentyminen ei sellaisenaan osoita, että semaglutidi pidentäisi ihmisten elämää.

Jaksossa viitattiin lisäksi raportteihin, joiden mukaan GLP-1-lääkkeisiin liittyisi vähemmän vakavia infektioita, myös tuberkuloosia. Määrällisiä tuloksia tai tutkimusasetelmaa ei esitetty.

Semaglutidin mahdolliset vaikutukset painoon, diabetekseen, sydän- ja verisuonitauteihin, munuaissairauksiin, riippuvuuksiin ja ikääntymiseen tekevät lääkeryhmästä kiinnostavan tutkimuskohteen. Pitkäikäisyyslääkkeen asemaa se ei vielä ole saanut ihmisillä osoitetun eliniänpidennyksen perusteella.

Lisäksi jaksossa kerrottiin Nancy Grace Roman -avaruusteleskoopin laukaisusta Falcon Heavy -raketilla. Teleskoopin näkökentän sanottiin olevan yli sata kertaa Hubble-avaruusteleskooppia suurempi ja taivaan kartoituksen yli tuhat kertaa nopeampaa. Sen tavoitteiksi mainittiin kymmenientuhansien eksoplaneettojen löytäminen sekä pimeän aineen jakautumisen tutkiminen.

Podcast esitti nämä askeleina kohti avaruuden viestintä- ja havaintoinfrastruktuuria, mutta niiden toteutuminen ja tarkat tekniset tiedot vaativat erillisen tarkistuksen.

---

Podcast: Moonshots
Jakson nimi: Anthropic's Fable 5.1 Hits 60.9% on Humanity's Last Exam, GPT-6 Astra Drops, & the Cybercab Takeover
Lähdelinkki: https://youtu.be/1DB_QDiviH4