Tekoäly

[topiv]

Se mitä lyhyellä aikavälillä haetaan on Super Human Intelligence ja tämä kohdistettuna erilaisiin niche sovelluksiin missä AI toimii ihmisen apurina. Koodiavustin, tekstin summarointi, kuvanluonti, lakiavustin, ai-tukibotti, matematiikan laskeminen, kielestä toiseen kääntäminen jne. Osassa näistä voisi väittää että SHI toteutui jo 2025 aikana jos mittarina käytetään 99.9% ihmisistä eikä sitä kourallista jotka ovat miljardeista ihmisistä parhaat. AI:lle triviaalia laskea laajan matematiikan yo-kokeen tehtävät, suurin osa ihmisistä no can do jos aikaa päivä työkaluina maol, kynä, paperi, peruslaskukone. Otetaan random 100 ihmistä kun kävelee citymarkettiin ekana aamusta sisään ja koepaperit nenäneteen.

AGI ei ole millään tavalla relevantti lyhyellä tähtäimellä kun SHI tyyliset järjestelmät on se mistä saadaan käytännön hyödyt.

Eikö AGI:n idea ole se, että se tekee vaivattomasti saman, mitä unioni noista kaikista sovelluskohtaisista sovelluksista tekee. Siis samaan tyyliin, mitä J.A.R.V.I.S. Ironman elokuvissa.

 

[finWeazel]

Eikö AGI:n idea ole se, että se tekee vaivattomasti saman, mitä unioni noista kaikista sovelluskohtaisista sovelluksista tekee. Siis samaan tyyliin, mitä J.A.R.V.I.S. Ironman elokuvissa.

AGI määritelty yleensä keinotekoisena älynä. Moni ajattelee, että AGI olisi kuten ihminen. Tiedostaa itsensä, osaa toimia itsenäisesti, omaa omia päämääriä, oppii dynaamisesti kokemuksen ja ajattelutyön pohjalta, osaa ratkaista aikaisemmin näkemättömiä ongelmia jne. Singulariteetti AGI joka parantaa itse itseänsä. Johtaa siihen että keinoäly muodostuu(fysiikan rajojen salliessa) äärettömän älykkääksi ja ihminen jää nielemään pölyä.

Super Human Intelligence taas voi olla kuin laskukone. Osaa ratkoa sen nichen tehtäviä kuten matematiikkaa mihin SHI kehitetty. Ei tiedosta itseänsä, tekee vain sen mitä pyydetään.

Keinoäly voi osata tehdä paljonkin erilaisia taskeja ilman että se olisi AGI. Esim pelata shakkia/go paremmin kuin yksikään ihminen, laskea matematiikkaa paremmin kuin 99.9% ihmisistä jne.

 

[Johan_V]

Onhan noita putiikkeja jotka yrittävät tehdä AGI:ta. Moni uskoo, että AGI on loppujen lopuksi hyvin yksinkertainen toteuttaa, mutta ei tiedetä miten. Esim. john carmack pyörittää pientä puljua missä kovia tyyppejä ja yrittävät vain AGI:ta

Exclusive Q&A: John Carmack's 'Different Path' to Artificial General Intelligence

John Carmack, the iconic Dallas game developer, rocket engineer, and VR pioneer, is taking aim now at solving AGI. If successful, his moonshot effort would be a ‘change-the-world-level’ event.

dallasinnovates.com

Se mitä lyhyellä aikavälillä haetaan on Super Human Intelligence ja tämä kohdistettuna erilaisiin niche sovelluksiin missä AI toimii ihmisen apurina. Koodiavustin, tekstin summarointi, kuvanluonti, lakiavustin, ai-tukibotti, matematiikan laskeminen, kielestä toiseen kääntäminen jne. Osassa näistä voisi väittää että SHI toteutui jo 2025 aikana jos mittarina käytetään 99.9% ihmisistä eikä sitä kourallista jotka ovat miljardeista ihmisistä parhaat. AI:lle triviaalia laskea laajan matematiikan yo-kokeen tehtävät, suurin osa ihmisistä no can do jos aikaa päivä työkaluina maol, kynä, paperi, peruslaskukone. Otetaan random 100 ihmistä kun kävelee citymarkettiin ekana aamusta sisään ja koepaperit nenäneteen.

AGI ei ole millään tavalla relevantti lyhyellä tähtäimellä kun SHI tyyliset järjestelmät on se mistä saadaan käytännön hyödyt.

Entä sitten kun työkaluina on koko internet ja kaikki kirjat? Aika vähän on yo-koe kysymyksiä joihin ei löydy netistä ainakin osittaisia vastauksia.

Aika heikosti llm-pohjaisilla tekoälyillä menee kun otetaan koulutusmateriaalista radikaalisti poikkeavia tehtäviä. Itse asiassa llm ei varsinaisesti edes täysin ymmärrä perusalgebran laskusääntöjä.

 

[finWeazel]

Entä sitten kun työkaluina on koko internet ja kaikki kirjat? Aika vähän on yo-koe kysymyksiä joihin ei löydy netistä ainakin osittaisia vastauksia.

Eikö tää ole jo keskuseltu? Sekä openai että googlen puhdas LLM ilman työkaluja otti kultaan oikeuttavat pisteet 2025 IMO:ssa(ínternational math olympiad). Olivat ajossa samaan aikaan kuin IMO pidettiin joten ei voitu oltu treenata noita kokeessa esiintyneillä kysymyksillä. Koneille päti myös samat säännöt kuin ihmisille eikä autettu tehtävänantojen kanssa toisin kuin 2024 vuonna. Linkit näihin varmaan x-kertaa jo ketjussa, en kaiva uusiksi. Matemaatikoista esim. terence tao vaihtoi mielipidettä llm:sta matematiikassa 2025 IMO:n jälkeen.

Moniko tältä palstalta ottaisi 2025 IMO:sta kultaan oikeuttavat pisteet, ei edes tiiminä,... IMO hyvä mittari kun ei riitä että vastaus on X, pitää generoida todistus vastaukselle.

Voit heitellä vaikka ens keväänä reaaliajassa laajan matikan kysymykset openai:n pro versioon ja en usko että jää ratkeamatta, todnak. se perus 20e/kk versiokin ratkoo.

 

[Johan_V]

Eikö tää ole jo keskuseltu? Sekä openai että googlen puhdas LLM ilman työkaluja otti kultaan oikeuttavat pisteet 2025 IMO:ssa(ínternational math olympiad). Olivat ajossa samaan aikaan kuin IMO pidettiin joten ei voitu oltu treenata noita kokeessa esiintyneillä kysymyksillä. Koneille päti myös samat säännöt kuin ihmisille eikä autettu tehtävänantojen kanssa toisin kuin 2024 vuonna. Linkit näihin varmaan x-kertaa jo ketjussa, en kaiva uusiksi. Matemaatikoista esim. terence tao vaihtoi mielipidettä llm:sta matematiikassa 2025 IMO:n jälkeen.

Moniko tältä palstalta ottaisi 2025 IMO:sta kultaan oikeuttavat pisteet, ei edes tiiminä,...

Voit heitellä vaikka ens keväänä reaaliajassa laajan matikan kysymykset openai:n pro versioon ja en usko että jää ratkeamatta, todnak. se perus 20e/kk versiokin ratkoo.

Voisi kuvitella jos LLM on niin loistava matematiikassa sillä olisi todistettu jotain ratkaisemattomia ongelmia. Aika hiljaista on vain sillä saralla ollut.

 

[finWeazel]

Voisi kuvitella jos LLM on niin loistava matematiikassa sillä olisi todistettu jotain ratkaisemattomia ongelmia. Aika hiljaista on vain sillä saralla ollut.

Mun väite oli allaoleva

2025 aikana jos mittarina käytetään 99.9% ihmisistä eikä sitä kourallista jotka ovat miljardeista ihmisistä parhaat.

Hyvä proxy 1:1000:sta vaikka juurikin IMO tai ylioppilaskokeen laaja matikka. katsotaan jotain 1:1000000 tai 1:1000000000 5v päästä eli 2031 tai vaikka 2035.

 

[Johan_V]

Mun väite oli. ts. 1/1000:een. Hyvä proxy 1:1000:sta vaikka juurikin IMO tai ylioppilaskokeen laaja matikka. katsotaan jotain 1:1000000 tai 1:1000000000 5v päästä eli 2031 tms.

Entä sitten? On turha vertailla oppilaiden suoriutumista yo-kokeissa LLM:ään jolla on käytössä käytännössä kaikki julkaistu materiaali. Suurin osa yo-kirjoitusten tekijöistä saisivat täydet pisteet jos saisivat kokeen aikana käyttää Googlea ja kaikkia kurssikirjoja.

 

[finWeazel]

Entä sitten? On turha vertailla oppilaiden suoriutumista yo-kokeissa LLM:ään jolla on käytössä käytännössä kaikki julkaistu materiaali. Suurin osa yo-kirjoitusten tekijöistä saisivat täydet pisteet jos saisivat kokeen aikana käyttää Googlea ja kaikkia kurssikirjoja.

Edelleen 2025 IMO materiaali ei ollut opetusdatassa kun llm:t osallistuivat samaan aikaan kisaan kuin ihmiset ja samat säännöt kuin ihmisille. Voit tän myös omakohtaisesti testata vaikka reaaliajassa 2026 kevään ylioppilaskokeen tehtävillä.

Huomionarvoista ettei llm:lla ollut työkalut käytössä. Pärjäävät vielä paremmin jos kytköstää llm:aan kiinni pythonin/matlab:in/wolfram alphan/... llm voi käyttää työkaluja siinä missä ihminenkin.

 

[Johan_V]

Edelleen 2025 IMO materiaali ei ollut opetusdatassa kun llm:t osallistuivat samaan aikaan kisaan kuin ihmiset ja samat säännöt kuin ihmisille. Voit tän myös omakohtaisesti testata vaikka reaaliajassa 2026 kevään ylioppilaskokeen tehtävillä.

Vaikka aivan sama materiaali ei ollut opetusdatassa, niin ainakin osittain vastaavia tehtäviä aivan varmasti löytyi koulutusdatasta. Tämän vuoksi todellista suorituskykyä mittaavien benchmarkkien luominen on erittäin vaikeaa.

 

[finWeazel]

Vaikka aivan sama materiaali ei ollut opetusdatassa, niin ainakin osittain vastaavia tehtäviä aivan varmasti löytyi koulutusdatasta. Tämän vuoksi todellista suorituskykyä mittaavien benchmarkkien luominen on erittäin vaikeaa.

Ihminenkin käyttää ihan samalla lailla opetusdataa. Arvelen että jää 12*12 laskematta ihmisellä joka ei ole koskaan opetellut matematiikkaan saati sitten laajan matematiikoan yo-koe. Voi pelkkä nollan käsitekin olla aika vaikea. Sama asia jos kysyt että kuka oli suomen ensimmäinen presidentti tai milloin suomi sai itsenäisyyden. Ihminenkin joutuu opettelemaan eikä tiedä kovinkaan paljoa ilman sisäänajettua opetusdataa.

Ajatusleikkejä voi heitellä, mutta todellinen maailma etenee omalla tavallansa vaikka kuinka ottaisi pattiin että väärin tehty.

 

[mailbag]

Niinno mikä sitten on se "todellinen suorituskyky"? Ei ihmiset mene koulun testiin ja siellä onkin kyssäreinä yhtäkkiä jotain ihan muuta, kyllä niitä vastaavia ongelmia treenataan ennen testiä.

Se on kyllä totta että noi ai testit on usein aika turhia, pienikin malli voidaan kouluttaa extra hyväksi minkälaisia testejä varten vaan mutta sitten tosielämässä se malli ei pärjää huomattavasti isommalle mallille mitenkään kun siihen mahtuu paljon enemmän dataa sisään mistä voi soveltaa asioita jotta ongelmat ratkeaa.

 

[finWeazel]

Artikkelissa teknologia-alan merkkihenkilöiden näkemyksiä työn tulevaisuudesta pitkällä aikavälillä. Lyhyellä aikavälillä varmasti kohdataan tuskaa. Artikkelissa myös muskin, altmanin, huangin, amodein jne. näkemykset

Bill Gates said humans will reserve some tasks for themselves, but AI will make it possible to consider once-unthinkable changes, such as a two- or three-day workweek.

"In terms of making things, and moving things, and growing food over time, those will be basically solved problems," Gates told late-night host Jimmy Fallon in February.

Deep mindin hassabis

"We've got to make sure it gets distributed fairly, but that's more of a political question," Hassabis told The Guardian in August. "And if it is, we should be in an amazing world of abundance for maybe the first time in human history, where things don't have to be zero sum. And if that works, we should be travelling to the stars, really."

A future without work? What Elon Musk, Bill Gates, and others in AI are saying about the future.

Tesla CEO Elon Musk sees a potential future where AI has eliminated poverty.

www.businessinsider.com

 

[finWeazel]

Axiom tekee AI matemaatikkoa missä pohjalla AI ja Lean-oikeudentodistusjärjestelmä.

Axiom's mission is to build a self-improving superintelligent reasoner, starting with an AI mathematician.

Axiom

The starting point for reasoning

axiommath.ai

Axiom pärjäsi todella hyvin joulukuussa 2025 järjestetyssä putnam matematiikkakilpailussa. Järjestelmä toki menestyksestään huolimatta vielä ihan alkuvaiheessa, mutta jostain tänkaltaisesta voi kuvitella tulevan hyvän kaverin matemaatikoille.

Axiomin ai-työkalu ratkaisi aikarajan puitteissa 8/12 kysymystä ja yhdeksännen hieman kilpailun loppumisen jälkeen. Tuo tulos on yleensä top 3:ssa, eli erittäin kova suoritus.

The William Lowell Putnam Mathematical Competition® (the Putnam) is the preeminent mathematics competition for undergraduate college students in the United States, Canada, and Mexico.

MAA Putnam – Mathematical Association of America

maa.org

Kuinka vaikea kisa,...

The competition is considered to be very difficult: it is typically attempted by students specializing in mathematics, but the median score is usually zero or one point out of 120 possible, and there have been only five perfect scores as of 2021 Putnam Competition - Wikipedia

 

[finWeazel]

Terence Tao ottaa kantaa AI:n käyttämiseen tieteessä(etenkin matematiikka). Puhuu myös mitä viimeaikaiset AI:n pärjäämiset eri matematiikkakilpailuissa merkitsevät. Isoin juttu on, että vuosi sitten TAO piti AI:ta turhana, nyt se on jo hyvä apuri ja uskoa että auttaa ihmistutkijaa nyt ja tulevaisuudessa. Puhuu myös LEAN tyylisistä AI/koneavusteisista todistustyökaluista joita on olemassa ja joita on työn alla "still a bit clunky" mutta paranevat nopeasti.

How AI can generate massive volumes of ideas, examples, and insights
Why humans still excel at abstraction, intuition, and generalisation
The emerging workflows where AI explores and humans refine
What comes after benchmarks, and why usability is the next frontier
A hopeful future where human creativity + AI scale reshapes research

Tämän sisällön näkemiseksi tarvitsemme suostumuksesi kolmannen osapuolen evästeiden hyväksymiseen.
Lisätietoja löydät evästesivultamme.

Hyväksy kolmannen osapuolen evästeet

Linkki: https://www.youtube.com/watch?v=AkXnZr3p4A8

 

[antti-x]

Terveys | Miehellä kävi tuuri, tekoäly löysi salakavalan haimasyövän ajoissa

Kiinalainen sairaala käyttää tekoälyä, joka on koulutettu etsimään haimasyöpää. Sen tarkkuus ja tehokkuus on yllättänyt sekä lääkärit että insinöörit.

www.hs.fi

Maksumuurin takana juttu, mutta Kiinassa AI:n tekemä haimasyöpäseulonta on varmuudella pelastanut henkiä, koska kyseiset syövät olisi muuten havaittu liian myöhään.

Voisi kuvitella että 5 vuoden päästä lääketieteellinen kuvantaminen on jo aika isosti mullistunut nykyhetkeen verrattuna. Kiinassa ei ole samanlaista muutosvastarintaa ja huolta töiden riittämisestä kuin täällä, ja miljardi ihmistä riittää jo otantana about mihin vain. Sitten ei tarvitse muuta kuin ottaa ne valmiit työkalut käyttöön muuallakin.

 

[finWeazel]

Terveys | Miehellä kävi tuuri, tekoäly löysi salakavalan haimasyövän ajoissa

Kiinalainen sairaala käyttää tekoälyä, joka on koulutettu etsimään haimasyöpää. Sen tarkkuus ja tehokkuus on yllättänyt sekä lääkärit että insinöörit.

www.hs.fi

Maksumuurin takana juttu, mutta Kiinassa AI:n tekemä haimasyöpäseulonta on varmuudella pelastanut henkiä, koska kyseiset syövät olisi muuten havaittu liian myöhään.

Voisi kuvitella että 5 vuoden päästä lääketieteellinen kuvantaminen on jo aika isosti mullistunut nykyhetkeen verrattuna. Kiinassa ei ole samanlaista muutosvastarintaa ja huolta töiden riittämisestä kuin täällä, ja miljardi ihmistä riittää jo otantana about mihin vain. Sitten ei tarvitse muuta kuin ottaa ne valmiit työkalut käyttöön muuallakin.

OpenAI:han viime viikolla julkisti chatgpt health:in.

We’re introducing ChatGPT Health, a dedicated experience that securely brings your health information and ChatGPT’s intelligence together, to help you feel more informed, prepared, and confident navigating your health.

https://openai.com/index/introducing-chatgpt-health/

Mun käsitys on, että on olemassa terveydenhuollon ammattilaisten käyttöön tarkoitettuja ja käytössä olevia AI-avustimia. Ainakin amerikassa osa lekureista käyttää. Jostain syystä x,y,z näihin ei tavantallaajilla ole pääsyä. Olen nähnyt myös jotain ehkä käärmeöljykauppias palveluita missä luvataan yhdistää laajat verikokeet+geenit+elämäntavat paketiksi millä optimoidaan terveyttä.

--

Anekdoottina jotain omia veriarvoja tungin chatgpt:hen ja kyllä se niitä paremmin pureksi kuin mitä lääkäri kertoi tai mitä itse osasi googlettaa. Toki lopputulos on asia X voi johtua syistä A,B,C tai sitten ihan vaan tuntematon syy. Aikaisemmin paria veriarvoa lekurin kanssa seurattu vuosikausia ja hänen mukaansa "don't worry, it's normal for you". Löytyi kuitenkin paria asiaa mitä voi kokeilla jotka vois korjata ja joiden kokeilemisesta ei ole haittaa. Gaussin käyrällä kun eletään voi olla aika outojakin juttuja jotka on ääripään ihmisille normaalit veriarvot.

 

[antti-x]

OpenAI:han viime viikolla julkisti chatgpt health:in.

https://openai.com/index/introducing-chatgpt-health/

Mun käsitys on, että on olemassa terveydenhuollon ammattilaisten käyttöön tarkoitettuja ja käytössä olevia AI-avustimia. Ainakin amerikassa osa lekureista käyttää. Jostain syystä x,y,z näihin ei tavantallaajilla ole pääsyä. Olen nähnyt myös jotain ehkä käärmeöljykauppias palveluita missä luvataan yhdistää laajat verikokeet+geenit+elämäntavat paketiksi millä optimoidaan terveyttä.

--

Anekdoottina jotain omia veriarvoja tungin chatgpt:hen ja kyllä se niitä paremmin pureksi kuin mitä lääkäri kertoi tai mitä itse osasi googlettaa. Toki lopputulos on asia X voi johtua syistä A,B,C tai sitten ihan vaan tuntematon syy. Aikaisemmin paria veriarvoa lekurin kanssa seurattu vuosikausia ja hänen mukaansa "don't worry, it's normal for you". Löytyi kuitenkin paria asiaa mitä voi kokeilla jotka vois korjata ja joiden kokeilemisesta ei ole haittaa. Gaussin käyrällä kun eletään voi olla aika outojakin juttuja jotka on ääripään ihmisille normaalit veriarvot.

Pelkkä nykyisen datan analysointi vie jo tosiaan pitkälle. Mutta nykyään kun itse kuvantamislaitteet eivät ole puollonkaula vaan se että joku osaa ja ehtii analysoida ne tulokset, niin mahdollisuudet on aika isot. Tyyliin rutiinisti magneettikuvaus puolen vuoden välein jossain ostoskeskuksessa missä yksi työntekijä vahtii että homma menee oikein ja vaarattomasti. Ja sitten AI kontaktoi tarvittaessa ammattilaisia jos löytyy jotain.

 

[finWeazel]

Pelkkä nykyisen datan analysointi vie jo tosiaan pitkälle. Mutta nykyään kun itse kuvantamislaitteet eivät ole puollonkaula vaan se että joku osaa ja ehtii analysoida ne tulokset, niin mahdollisuudet on aika isot. Tyyliin rutiinisti magneettikuvaus puolen vuoden välein jossain ostoskeskuksessa missä yksi työntekijä vahtii että homma menee oikein ja vaarattomasti. Ja sitten AI kontaktoi tarvittaessa ammattilaisia jos löytyy jotain.

MRI:t yms. aika oma tarinansa. En usko, että chatgpt niihin yrittää vaan enemmänkin niin, että chatgpt:hen syötät tiedot mitä sait verikokeista, radiologin raportista yms. ja AI antaa toisen mielipiteen.

Mun käsitys on, että kuvapuolella AI analysoi korkeintaan perusjuttuja. Jää radiologin harteille vaikeat asiat eikä AI ole viemässä heidän työtänsä. Jotain poikkeuksia tosin taitaa olla esim. mammografiaan liittyen. Ruotsista rintasyöpiin liittyen. Tämä vaikka on lupaava asia niin osuu vain yhteen "nicheen"

New research results now published from Lund University’s MASAI trial are even better than the initial findings from last year: AI-supported breast screening detected 29 per cent more cases of cancer compared with traditional screening. More invasive cancers were also clearly detected at an early stage using AI. Now the final part of the research study will focus on breast cancer missed by screening.[./quote]

AI-supported breast cancer screening – new results suggest even higher accuracy

Lund University. The new findings are published in The Lancet Digital Health. The initial results of the Mammography Screening with Artificial Intelligence (MASAI) study* – a randomised trial to evaluate whether AI can improve mammography screening – were published in August 2023. The study...

www.lunduniversity.lu.se

Yksi asia missä voi olla jotain kiinnostavaa on verikokeista yms. syövän tunnistaminen. Ehkä mahdollista, ehkä ei, ai voi olla avain kun signaalit heikkoja ja ison massan seassa.

 

[antti-x]

MRI:t yms. aika oma tarinansa. En usko, että chatgpt niihin yrittää vaan enemmänkin niin, että chatgpt:hen syötät tiedot mitä sait verikokeista, radiologin raportista yms. ja AI antaa toisen mielipiteen.

Mun käsitys on, että kuvapuolella AI analysoi korkeintaan perusjuttuja. Jää radiologin harteille vaikeat asiat eikä AI ole viemässä heidän työtänsä. Jotain poikkeuksia tosin taitaa olla esim. mammografiaan liittyen. Ruotsista rintasyöpiin liittyen. Tämä vaikka on lupaava asia niin osuu vain yhteen "nicheen"

Haimasyöpäcasesta vielä lainaus:

"Useat asiantuntijat, jotka eivät ole mukana kiinalaisessa tutkimuksessa, suhtautuivat epäilevästi siihen, voivatko varjoaineettomat kuvaukset tarjota yhtä paljon arvokasta tietoa kuin muut kuvantamismenetelmät.
Jopa Pandaa kehittäneet insinöörit jakoivat alun perin saman huolen, sanoo Alibaban tutkimusyksikön Damo Academyn vanhempi algoritmi-insinööri Ling Zhang, joka on yksi kehittäjistä.
Ongelman ratkaisemiseksi insinöörit pyysivät radiologeja merkitsemään yli 2 000 haimasyöpäpotilaan varjoainekuvauksiin leesioiden, eli poikkeavien kudosmuutosten sijainnit. Insinöörit paikansivat merkityt leesiot algoritmin avulla samojen potilaiden varjoaineettomiin kuvauksiin. Nämä varjoaineettomat kuvaukset syötettiin tekoälymallille, jotta se voisi oppia havaitsemaan mahdollisen syövän myös yksityiskohdiltaan epätarkemmista kuvista.
Kun työkalua myöhemmin testattiin yli 20 000 varjoaineettomalla kuvauksella, se tunnisti 93 prosenttia ihmisistä, joilla oli haimasyövästä kertovia leesioita. Tämä käy ilmi Nature Medicine -lehdessä vuonna 2023 julkaistusta tutkimuksesta."

Eli AI on koulutettuna pätevämpi kuin lääkärit analysoimaan heikkolaatuista varjoaineetonta dataa kun se on siihen koulutettu. Ja tämä vuonna 2023. Ei toisiaan samalla raudalla ja softalla jota meillä nyt on.

Kaikki eri sairaudet ovat tietty erillisiä asioita, mutta nähdäkseni kaikki edes jossain määrin yleiset sairaudet / ongelmat jotka voidaan kokovartalokuvantamisella löytää, voidaan opettaa AI:lle. Ja sitten kun ne yksittäiset osaamiset on yhdistetty, niin kai ne kaikki voi kerralla kuvata ja ajaa AI:n läpi.

 

[finWeazel]

Eli AI on koulutettuna pätevämpi kuin lääkärit analysoimaan heikkolaatuista varjoaineetonta dataa kun se on siihen koulutettu. Ja tämä vuonna 2023. Ei toisiaan samalla raudalla ja softalla jota meillä nyt on.

Voi olla jossain yksittäisessä tapauksessa mutta geneerisesti ei. Esim. prenuvolla oli ajatuksena tehdä kokovartalo mri ja halventaa niin että vain AI analysoi. Heillä on edelleen valtava määrä radiologeja töissä analysoimassa vaikka ovat kymmeniä/satoja tuhansia skanneja ottaneet asiakkaista, analysoineet kuvat ja voivat otettuja skanneja käyttää opetusmateriaalina. Prenuvon skannit useassa kaupungissa jenkeissä ja kanadassa tarjolla, 2.5k$ maksaa: Comprehensive whole body MRI scan for preventative care | Prenuvo

tai toisella tapaa sanoen, alaa seuraavat eivät usko että tarve radiologeille vähenee ainakaan lähitulevaisuudessa. Pari vuotta sitten kuviteltiin, että radiologia on kuollut ammatti jonka AI korvaa, enää näin ei ajatella.

 

[antti-x]

Voi olla jossain yksittäisessä tapauksessa mutta geneerisesti ei. Esim. prenuvolla oli ajatuksena tehdä kokovartalo mri ja halventaa niin että vain AI analysoi. Heillä on edelleen valtava määrä radiologeja töissä analysoimassa vaikka ovat kymmeniä/satoja tuhansia skanneja ottaneet asiakkaista, analysoineet kuvat ja voivat otettuja skanneja käyttää opetusmateriaalina. Prenuvon skannit useassa kaupungissa jenkeissä ja kanadassa tarjolla, 2.5k$ maksaa: Comprehensive whole body MRI scan for preventative care | Prenuvo

tai toisella tapaa sanoen, alaa seuraavat eivät usko että tarve radiologeille vähenee ainakaan lähitulevaisuudessa. Pari vuotta sitten kuviteltiin, että radiologia on kuollut ammatti jonka AI korvaa, enää näin ei ajatella.

En minäkään mitään isoja ennusta vuoden päähän, mutta 5 vuotta on sitten taas aika pitkä aika sektorilla johon on panostettu kunnolla tähän mennessä vasta muutaman vuoden.

Ja "lääketieteelliset diagnoosit" on kokonaisuudessaan sektori jossa tarjonta lisää kysyntää eli en ennusta radiologien tarpeen loppuvan tai vähenevän ainakaan ennen vuotta 2036, mutta ennustan että asioita vaan tehdään 10 kertaa nykyistä enemmän jos on AI:n kautta resurssia tehdä asioita 10 kertaa nykyistä enemmän mutta vain 20% kohonneilla kustannuksilla tms. Edelleen kuitenkin hoidetaan "varmuuden vuoksi" ja laajalla skaalalla monia asioita koska tarkka diagnoosi olisi se kalliimpi reitti.

edit: Ja niin kauan kuin se puollonkaula on ollut siellä diagnoosin päässä kuitenkin, ei ole ollut intressiä kovin pitkälle tehostaa ja automatisoida sitä miten terveysdataa verikokeiden, kuvantamisen yms. kautta kerätään. Mutta jos esim. 2036 95% diagnoosista tapahtuu lähinnä laskentatehoa käyttäen ja kuitenkin murto-osalla siitä hinnasta mitä lääkäri maksaa, tulee loogisemmaksi tehostaa myös sitä datan tuotannon vaihetta nykyisestä.

 

[finWeazel]

AI avustimien käytöstä koodaustyössä on tullut uusi normaali. Muutama lainaus uunituoreesta tutkimuksesta. Linkinpäässä paljon enemmän dataa.

We surveyed more than 1,100 professional developers

Our data shows that 72% of developers who have tried AI coding tools now use them every day.

represents a fundamental shift in how software is being built. Developers report that 42% of the code they commit is currently AI-generated or assisted.

Vielä ei ole maailma täydellinen. Vuoden päästä jännä katsoa paljonko työkalut, agentit ja mallit ovat parantuneet. Test Driven Development lienee todellisuutta kun AI ja agentit jaksavat kirjoitella, refaktoroida ja ajaa tylsiä testejä toisin kuin aikapaineessa oleva ihminen.

Developers are pragmatic. They view AI as a powerful "explainer" and "prototyper," but they still see gaps in its ability to handle the nuanced, complex work of refactoring or maintaining mission-critical systems without close supervision. This gap between high usage and selective effectiveness isn't just about features—it's about confidence. When the stakes are high, how much do developers really trust the code AI generates?

State of Code Developer Survey report: The current reality of AI coding

What we found challenges the common narrative. While AI adoption is massive, it hasn’t led to a simple, linear boost in productivity. Instead, it has shifted the bottleneck from writing code to verifying it.

securityboulevard.com

Stackoverflown tutkimus ai:n käytöstä koodauksessa

84% of respondents are using or planning to use AI tools in their development process, an increase over last year (76%). This year we can see 51% of professional developers use AI tools daily.

AI | 2025 Stack Overflow Developer Survey

survey.stackoverflow.co

 

[chrisekh]

ei mitään. Väärin luettu.

 

[LovelyWhore]

Laiskuuttani kyselen täällä, jos joku kokeillut... jatkuuko nuo vuoden ilmaiset käyttöoikeudet (google one pro tms, perplexity pro) siihen ilmaisjakson loppuun jos ne irtisanoo nyt? Tuntuu pro-tilauksista olevan tällä hetkellä meklko marginaalinen hyöty, kun ilmaisversioihinkin on pikkuhiljaa tuotu aiemmat pro-ominaisuudet. Osaan toki laittaa kalenterimuistutuksen, mutta silti...

Tai onko noissa kahdessa edellä mainitussa "prossa" jotain erityistä etua, mitä en ehkä osaa tai tajua hyödyntää., kun ei ole ilmaisia versioita tullut käytettyä? Googlella tietysti se 2Tb:n drive tila. Tuli hankittua myös Adobelta se black fridayn 80€:n opiskelijatarjous, jossa kuvien generointiinkin on 4000 tms. öky-määrä krediittejä.

 

[McMaster]

Laiskuuttani kyselen täällä, jos joku kokeillut... jatkuuko nuo vuoden ilmaiset käyttöoikeudet (google one pro tms, perplexity pro) siihen ilmaisjakson loppuun jos ne irtisanoo nyt? Tuntuu pro-tilauksista olevan tällä hetkellä meklko marginaalinen hyöty, kun ilmaisversioihinkin on pikkuhiljaa tuotu aiemmat pro-ominaisuudet. Osaan toki laittaa kalenterimuistutuksen, mutta silti...

Tai onko noissa kahdessa edellä mainitussa "prossa" jotain erityistä etua, mitä en ehkä osaa tai tajua hyödyntää., kun ei ole ilmaisia versioita tullut käytettyä? Googlella tietysti se 2Tb:n drive tila. Tuli hankittua myös Adobelta se black fridayn 80€:n opiskelijatarjous, jossa kuvien generointiinkin on 4000 tms. öky-määrä krediittejä.

Googlen Pro johon kuului kaikki nuo Gemini Prot yms. jonka sain puhelimen mukana 6kk:ksi, niin ainakin pysyy aktiivisena ajan loppuun vaikka peruinkin uusimisen heti käytöstä.

 

[LovelyWhore]

Googlen Pro johon kuului kaikki nuo Gemini Prot yms. jonka sain puhelimen mukana 6kk:ksi, niin ainakin pysyy aktiivisena ajan loppuun vaikka peruinkin uusimisen heti käytöstä.

Kiitos. Kävinkin perumassa ja meni odotettua kevyemmin. Joskus kun näissä ei (nimeltämainitsematon mediatalo) tiedä jatkosta vasta kuin klikkaillessa sitä viimistä peruuta nappia. Itselläkin tuli tuo ilmaisjakso googlelta Pixelin ostaessa. Ostin ehkä kalliimman laitten, kun näytti näköjään olevan ilmainen koko vuodeksi Vähän tähän liittyen tuo irtisanominenkin saattaa joskus jäädä liian myöhäiseksi... kaikenlaisia pikkuprinttejä osunut kohdalle (kalenterikuukautta aikaisemmin, automaattisesti vuodeksi yms venkulointia).

Nyt saa varmaan varautua armottomaan "palaa pro-käyttäjäksi.." kampanjointiin. Drive- ja photos tilaa on tullut törsättyä ihan turhuuksiin asti, mutta nyt kun ilmaisversiollakin voi ai-kaivella gmailia, niin aika vähiin käy pro-tilauksen hyödyt satunnaiskäyttäjällä.

e. ei muuten peru googlekaan tilausta ihan yhdellä klikkauksella. Meinasi ensin jäädä huomaamatta että ensimmäisten "cancel" klikkausten jälkeen siirrytään vasta valitsemaan tarkemmin se peruttava tilaus ja sitä kautta sitten vasta peruminen ihan oikeasti. Ehkä joku "continue with cancellation" tyyppisesti nimetty nappi aiemmissa vaiheissa olisi reilumpi tapa kuvata prosessin vaiheita

 

[finWeazel]

OpenAI laittaa mainokset chatgpt:een ilmaiseen ja halvimpaan maksulliseen versioon. No brainer tehdä näin rahaa. Toki aluksi vain "kokeiluna", mutta eiköhän nopeasti löydy sama mainospohjainen bisnesmalli kuin googlen hakukoneessa ja emailissa.

Today we’re bringing Go to the U.S. and everywhere ChatGPT is available⁠, giving people expanded access to messaging, image creation, file uploads and memory for $8 USD/month.

we’re also planning to start testing ads in the U.S. for the free and Go tiers, so more people can benefit from our tools with fewer usage limits or without having to pay. Plus, Pro, Business, and Enterprise subscriptions will not include ads.

https://openai.com/index/our-approach-to-advertising-and-expanding-access/

 

[takomo]

Millaisia näkemyksiä raadilla on AI-alustojen tulevaisuudesta: käytetäänkö AI:ta jatkossakin lähinnä pilvipohjaisena palveluna vai valtaako paikallisesti ajettavat pienemmät mallit alaa?

Mitä nyt on vähän kokeillut koti-PC-raudalla pyöriviä avoimen lisenssin malleja (n. 7B-25B, jopa 80B MoE), niin hämmästyttävän hyviltä nekin vaikuttavat. Jos monet pikkuasiat saa tehtyä paikallisesti, niin isojen, hienojen mallien kysyntä voi jäädä aika vähiin. Etenkin maksuhalukkuus voi heikentyä.

Näinköhän massiivisille datakeskusinvestoinneille löytyy maksavia asiakkaita?

 

[finWeazel]

Näinköhän massiivisille datakeskusinvestoinneille löytyy maksavia asiakkaita?

Tämä kysymys on tiivistetty joissain piireissä "löytyykö piste missä lisä-älykkyydestä ei ole enää hyötyä". Todennäköisesti vastaus on lisä-älykkyydestä on vielä pitkään hyötyä kun on asioita mitä ihminen ei tiedä tai osaa. Linnunradan liftarin käsikirjasta 42 tai reaalimaailman avoimet kysymykset esim. fysiikassa ja kosmologiassa, itseajavat autot ja ihmismäiset robotit. Kotikäytössä tuskin tarvii äärettömiä määriä älykkyyttä, lukiotason osaamisella pääsee jo pitkälle?


--

Arvelen, että 5v päästä kuluttajaraudassa nopeasti toimivat mallit ovat riittävän hyviä ja nopeita 99.9999% kotikäyttöön, ei tarvi pilveä. Olettaen siis että on käytössä joku sen aikainen järein APU isoimmalla muistilla mitä kaupasta saa. Pilvi jää lääkkeiden kehitykseen, matematiikka/fysiikka avoimet kysymykset, monimutkaisempien ohjelmistojen kehittämiseen, sääsimulaatiot, elokuvan renderöinti neuroverkolla 4k/8k resoon, datanseulonta/raporttien luonti isosta tietomassasta yms.

Tän hetken isoin pilvimalli (google gemini pro) jossain 5-10biljoonan parametrin pinnassa. xAI:n seuraava malli varmistettu olevan 6biljoonaa parametria. Vaikka oletettaisiin fp4 tarkkuus niin tuollainen malli imaisee muistia 4TB+. Ei ole myöskään nähtävissä että mallien koon kasvaminen loppuisi. Frontier pilvimallin koko tulee suoraan sen pohjalta mikä on isoin malli mikä voidaan senhetkisellä konesaliraudalla opettaa ja laittaa tuotantoon. Vaikea nähdä että kotikonehintaisissa erillisissä dgpu-ratkaisuissa olisi edes 5v päästä muistia enempää kuin 48GB-64GB tai jossain järeässä APU.ssa 256GB-512GB. APU:ssa ottaa laskentateho vastaan, dgpu:ssa muistinmäärä. CPU.lla pääsee teratavuja muisteihin, mutta liian hidas että olisi järkevä ratkaisu oikeaan käyttöön.

Lokaalissa tulee isoksi pullonkaulaksi muisti ja suorituskyky. Vaikka voisi ajaa lokaalisti esim. keskusmuistia apuna käyttäen niin jaksaako odottaa että homma valmistuu hitaasti tai mahtuuko esim. yrityksen datasetti ylipäänsä kiihdyttimen muistiin niin että saisi universumin elinaikana lopputuloksen ulos. Agentti ja reasoning käytöissä myös kun pilvi ajaa nyt jo jotain x-polkua rinnakkain mistä valitaan paras niin kotikoneissa voi odotusaika mennä melkoisen pitkäksi.

Jos vetää suoraat viivat katsoen missä mallit oli 2v sitten, 1v sitten ja nyt niin 2v on realistisempi aikataulu kuin 5v. Ehkä kehitys hidastuu, ehkä ei. Toisaalta konesalirauta kehittyy nopeammin kuin kotirauta kun siellä pinotaan vuosittain yhä enemmän piirejä räkkiin versus kotikoneissa on yleensä vain yksi kiihdytinsiru.

--

Jos mietitään keskivertotavista niin ehkä 5v päästä puhelimessa lokaalisti ajossa oleva avustin tekee suurimman osan taskeista ilman pilveä. Puhelimessa olevan mallin kehittäminen on vaatinut massiivisen pilven. Ne taskit mitä normaalisti tavikset tekevät eivät liene mitään atomin halkaisemista vaan vähän parempi hello siri tai haku että mistä webbikaupasta saa halvimmat lennot.

 

[takomo]

Arvelen, että 5v päästä kuluttajaraudassa nopeasti toimivat mallit ovat riittävän hyviä ja nopeita 99.9999% kotikäyttöön, ei tarvi pilveä.

Konesalimallien haaste on siinä että, kun lokaalimallit on 97% hyviä, niin markkina kutistuu ->3% entisestä - pikkuisen mutkia suoristellen. Toisaalta markkina on toistaiseksi vahvasti kasvava mutta miten pitkään.

Olettaen siis että on käytössä joku sen aikainen järein APU isoimmalla muistilla mitä kaupasta saa.

Järeimmät kortit on useimmille liian kalliita. Keskeistä on, mitä pystyy ajamaan ihan tavallisella 8-16GB näyttökortilla, eikä se ole ihan vähän eikä huonoa tänä päivänäkään.

Tän hetken isoin pilvimalli (google gemini pro) jossain 5-10biljoonan parametrin pinnassa. xAI:n seuraava malli varmistettu olevan 6biljoonaa parametria. Vaikka oletettaisiin fp4 tarkkuus niin tuollainen malli imaisee muistia 4TB+. Ei ole myöskään nähtävissä että mallien koon skaalaminen loppuisi. Frontier pilvimallin koko seuraa aika suoraan sen pohjalta mikä on isoin malli mikä voidaan senhetkisellä konesaliraudalla opettaa ja laittaa tuotantoon.

Biljoonamallien haasteena on se, että ensin niiden kouluttaminen on kallista ja sitten niiden käyttäminen on monin verroin kalliimpaa kuin pikkumallien. Niitä on vaikeaa tarjota kannattavasti kenellekään, jos pikkumallit ratkaisevat useimmat ongelmat riittävän hyvin. Varmasti aina on premium-asiakkaita, jotka on valmiita maksamaan parhaasta mutta onko niin paljon, että jättimallit kannattavat?

Lokaalissa tulee isoksi pullonkaulaksi muisti ja suorituskyky. Vaikka voisit jotain ajaa lokaalisti niin jaksatko odottaa että homma valmistuu hitaasti tai mahtuuko esim. yrityksen datasetti ylipäänsä kiihdyttimen muistiin niin että saisi universumin elinaikana lopputuloksen ulos.

Hyviä kysymyksiä. Mikä on riittävä suorituskyky? Ylikokoisilla malleilla suorituskyky laskee sietämättömäksi, vaikka mallin saisi jotenkin nousemaan pystyyn. Toisaalta hyvin yrityksen datalla tuunattu pieni malli voisi toimia hyvinkin jouhevasti kevyelläkin raudalla.

Ei pienen mallin tarvitse muistaa ulkoa yrityksen datasettiä. Hyvin pitkälle riittäisi, että malli oppisi datan rakenteen ja varsinkin sisäiset riippuvuudet. "Mistä tällainen vaatimus oikein on peräisin?" "Katsopa dokumentti XYZ, sivu 32, siellä on perustelu, joka pohjautuu normiin ISO-xyzt, §3.2" Mallin ei tarvitse muistaa dokumentin XYZ eikä normin ISO-xyzt sisältöä, vaan riittää, että se osaa ohjata käyttäjän täsmälleen oikeaan paikkaan. Olisi kai aika triviaali laajennus, että malli hakisi nämä datat valmiiksi?

 

[finWeazel]

Konesalimallien haaste on siinä että, kun lokaalimallit on 97% hyviä, niin markkina kutistuu ->3% entisestä - pikkuisen mutkia suoristellen. Toisaalta markkina on toistaiseksi vahvasti kasvava mutta miten pitkään.

Joskus paras bisnes voi olla yrityksissä eikä kuluttajissa. Uskon, että todellinen AI killer tuote kotitalouksiin on robotaksi ja ihmismäinen robotti. AI fans tilaajakohtaisesti kustomoidulla sisällöllä saattaa korvata only fansin. AI avustaja saattaa isoilta osin toimia luurissa ja hoitaa vaikka lomareissuun lennot yms. niin että ihminen vain antaa vaatimuksia ja hyväksyy/hylkää vaihtoehtoja.

Miettii vaikka että piilaaksossa peruskooderikin maksaa 200k$/vuosi. Jos tuollaisen tehokkuutta voi parantaa 25% tai korvata kokonaan niin yrityksillä on varaa maksaa konesaliajasta. En tarkoita, että kaikkia tekijöitä korvattaisiin keinoälyllä vaan vaikka nykyinen 6 hengen tiimi kutistuu kolmeen kovimpaan tyyppiin tai se 6 hengen tiimi saa 25% enemmän aikaiseksi.

Lääkepuolesta: NVIDIA and Lilly Announce Co-Innovation AI Lab to Reinvent Drug Discovery in the Age of AI

Jossain kohtaa toki on konesalia tarpeeksi. Teenlehtiä kun lukee niin ainakin 2027 ajan rakentaminen jatkuu, 2028 tuntematon suure.

 

[takomo]

Joskus paras bisnes voi olla yrityksissä eikä kuluttajissa. Uskon, että todellinen AI killer tuote kotitalouksiin on robotaksi ja ihmismäinen robotti. AI fans tilaajakohtaisesti kustomoidulla sisällöllä saattaa korvata only fansin. AI avustaja saattaa isoilta osin toimia luurissa ja hoitaa vaikka lomareissuun lennot yms. niin että ihminen vain antaa vaatimuksia ja hyväksyy/hylkää vaihtoehtoja.

Itse epäilen, että kuluttajamarkkinoilla pienemmät asiat kuten juuri paikallisten AI-avustimien käyttö voi olla suurikin mullistus. Jos tiedonhaku Googlesta korvautuu LLM:ltä kysymisellä, se voi olla suurempi mullistus Googlelle kuin käyttäjälle.

LLM vie usein suoraan tietoon, vieläpä muodossa, joka on räätälöity käyttäjän kysymykseen. Google ei saa tietoa, mitä haetaan, se ei pääse valikoimaan linkkejä eikä seuraamaan mitä linkkejä käyttäjä seuraa ja mikä pahinta, Google ei pääse näyttämään mainoksia.

 

[finWeazel]

Itse epäilen, että kuluttajamarkkinoilla pienemmät asiat kuten juuri paikallisten AI-avustimien käyttö voi olla suurikin mullistus. Jos tiedonhaku Googlesta korvautuu LLM:ltä kysymisellä, se voi olla suurempi mullistus Googlelle kuin käyttäjälle.

Epäilemättä näin käy. Mielenkiintoista nähdä miten google tuohon reagoi. Mulla perplexity on korvannut 99% googlen käytöstä, perplexity pro:n sai vuodeksi ilmaisena linkkaamalla paypal tilin. Tekee ihan next level tulosta perplexity pro versus google haut.

 

[tempausta odotellessa]

AI killer tuote kotitalouksiin on robotaksi ja ihmismäinen robotti.

Onhan se mahdollista, mutta epäilen ainakin robotin saatavuutta kohtuulliseen hintaan syville kansanriveille. Verta tullaan kerjäämään nenästä noiden taksien kanssa. Muuttuvat tiejärjestelyt, keliolosuhteet ja tietyömaat lienevät suurin ongelma.
Ei olisi rohkeutta laittaa lapsia robotaksiin tai ihmismäisen robotin hoidettavaksi. Katsellaan tilannetta uudestaan 6-10 vuoden päästä.

 

[takomo]

Epäilemättä näin käy. Mielenkiintoista nähdä miten google tuohon reagoi. Mulla perplexity on korvannut 99% googlen käytöstä, perplexity pro:n sai vuodeksi ilmaisena linkkaamalla paypal tilin. Tekee ihan next level tulosta perplexity pro versus google haut.

Jossain verrattiin paikallisten AI-avustimien olevan Googlelle vähän sama kuin muuan kosketusnäytöllinen puhelin Nokialle.

Menee siinä näkyvyys ja vierailijat erinäisiltä muiltakin verkkosivustoilta, jos palataan "tietosanakirjojen" ja "kirjahyllyjen" aikaan. Tiedot vain on säilötty paperin sijasta LLM:n sisään.

 

[finWeazel]

Onhan se mahdollista, mutta epäilen ainakin robotin saatavuutta kohtuulliseen hintaan syville kansanriveille. Verta tullaan kerjäämään nenästä noiden taksien kanssa. Muuttuvat tiejärjestelyt, keliolosuhteet ja tietyömaat lienevät suurin ongelma.
Ei olisi rohkeutta laittaa lapsia robotaksiin tai ihmismäisen robotin hoidettavaksi. Katsellaan tilannetta uudestaan 6-10 vuoden päästä.

Oikeat täysin kuskittomat robotaxit ovat jo tuotannossa esim. waymolla san francisco, austin, phoenix, pian las vegas. Asiasta on juttelua täällä: Autonominen ajaminen ja itsestään ajavat autot 2027 lienee robotaxien vuosi, 2026 isoja pilotteja esim. uber,nuro,nvidia kombolla lontoossa. Uskoisin, että 2027 tai viimeistään 2028 robotaxit skaalaantuvat isompaan kuin pilottikäyttöön.

Ihmismäiset robotit kotona eivät ole ihan lähivuosien juttu mutta pidemmällä aikavälillä ihan varmasti tapahtuu. Aluksi rikkaammille, myöhemmin taviksille. Jos ajattelee että roomba tai robottiruohonleikkuri on AI:ta niin robotit kuluttajamarkkinassa on hyvin rajatulla tavalla todellisuutta jo tänään. Robottia joka tekee fyysisiä asioita on paljon vaikeampi korvata tee se itse patentilla versus chatbotti mitä voi ajaa läppärissä tai luurissa lokaalisti. Toki voi olla, että koteihin ei oikeasti tarvita/kannata täysin ihmismäistä vaan tulee "vain" kädet mitkä kulkevat pyörienpäällä olevalla alustalla tms. Ennustan oikeasti hyödylliset kotirobotit tukevasti 2030 puolelle rikkaidenkin osalta.

 

[tempausta odotellessa]

Oikeat täysin kuskittomat robotaxit ovat jo tuotannossa esim. waymolla san francisco, austin, phoenix, pian las vegas. Asiasta on juttelua täällä: Autonominen ajaminen ja itsestään ajavat autot 2027 lienee robotaxien vuosi, 2026 isoja pilotteja esim. uber,nuro,nvidia kombolla lontoossa. Uskoisin, että 2027 tai viimeistään 2028 robotaxit skaalaantuvat isompaan kuin pilottikäyttöön.

Hienoahan se on, jos nämä saadaan todistetusti toimimaan Suomen ajoittain hankalissa keliolosuhteissa, ei siinä mitään. Varauksella suhtaudun toistaiseksi. Sekin on mielenkiintoista nähdä , minkälainen kyydin hinta on verrattuna ihmismäisen olennon ohjastamaan.

 

[finWeazel]

Jossain verrattiin paikallisten AI-avustimien olevan Googlelle vähän sama kuin muuan kosketusnäytöllinen puhelin Nokialle.

Menee siinä näkyvyys ja vierailijat erinäisiltä muiltakin verkkosivustoilta, jos palataan "tietosanakirjojen" ja "kirjahyllyjen" aikaan. Tiedot vain on säilötty paperin sijasta LLM:n sisään.

Ei tietoa määräänsä enempää mahdu vaikkapa 16GB muistiin mahtuvaan llm:aan. Ei edes isoa kirjaa lähteenä saa mahtumaan(helposti) 16GB kortissa ajossa olevaan malliin kun kontekstin koko loppuu kesken. Esim llm:lle antaa kasan lähdematskua pdf:na/tekstitiedostona ja haluaisin niiden pohjalta kysellä asioita x,y,z niin että vastauksissa myös linkit lähdemateriaalin kohtiin mihin vastaus perustuu. Vaikka suomen laki ja käytännöt tekstinä AI:lle tai raamattu kaikkine sivumateriaaleineen. "mulla on tapaus X, kerro mitä suomen laki ja käytännöt kertovat X:sta, anna asiaan kuuluvat viittaukset lähdemateriaaliin"

 

[TheExorcist]

Kyllähän nämä vibe-koodarit on nähty. Tekoäly pläjäyttää jonkun 15000 jotain monimutkaista Rust-koodia (jota kukaan ei viitsi tarkistaa. Ymmärtämisestä puhumattakaan). Se julkaistaan jossain kämyisessä githubissa.

Tekoäly toimii, kun tuote on valmis. Tarkistajana jne.

 

[takomo]

Ei tietoa määräänsä enempää mahdu vaikkapa 16GB muistiin mahtuvaan llm:aan. Ei edes isoa kirjaa lähteenä saa mahtumaan(helposti) 16GB kortissa ajossa olevaan malliin kun kontekstin koko loppuu kesken. Esim llm:lle antaa kasan lähdematskua pdf:na/tekstitiedostona ja haluaisin niiden pohjalta kysellä asioita x,y,z niin että vastauksissa myös linkit lähdemateriaalin kohtiin mihin vastaus perustuu.

LLM:n opettaminen ei ole ominta osaamista mutta ei kai kirjoja yhtenä sekvessinä opeteta vaan palasteltuna sopiviksi palasiksi (esim. 1k-2k sanaa)? Iso työ onkin siinä, että saa aineiston muotoon, jota voi käyttää mallin opetukseen (kysymys-vastaus -pareiksi).

Lokaalin LLM:n hienous onkin siinä, että ei yhden LLM:n tarvitse osata kaikkea vaan malleja voi olla useampia: "ensyklopedian" ohella voi olla "koodari", "lakimies" ja "urheilu- ja viihde-ekspertti". Mitä esim. 16B-kokoon tulee, niin 9500-sivuisessa Otavan Suuressa Ensyklopediassa on n. 87M merkkiä. Kyllä malleihin aika paljon mahtuu.

Vaikka suomen laki ja käytännöt tekstinä AI:lle tai raamattu kaikkine sivumateriaaleineen. "mulla on tapaus X, kerro mitä suomen laki ja käytännöt kertovat X:sta, anna asiaan kuuluvat viittaukset lähdemateriaaliin"

Yleisesti vaikuttaa siltä, että LLM:lle nippeliasioiden saaminen jiiriin on haastavaa eikä välttämättä onnistu ollenkaan, eikä LLM helposti myönnä olevansa väärässä. Suuret linjat on lupaavasti kohdillaan mutta loppumetreillä alkaa haparointi. Vähän kuin 400 m juoksija, joka kaatuu 30 m ennen maalia mutta väittää kaatuneensa vasta maaliviivan jälkeen.

 

[finWeazel]

LLM:n opettaminen ei ole ominta osaamista mutta ei kai kirjoja yhtenä sekvessinä opeteta vaan palasteltuna sopiviksi palasiksi (esim. 1k-2k sanaa)? Iso työ onkin siinä, että saa aineiston muotoon, jota voi käyttää mallin opetukseen (kysymys-vastaus -pareiksi).

Lokaalin LLM:n hienous onkin siinä, että ei yhden LLM:n tarvitse osata kaikkea vaan malleja voi olla useampia: "ensyklopedian" ohella voi olla "koodari", "lakimies" ja "urheilu- ja viihde-ekspertti". Mitä esim. 16B-kokoon tulee, niin 9500-sivuisessa Otavan Suuressa Ensyklopediassa on n. 87M merkkiä. Kyllä malleihin aika paljon mahtuu.

Yleisesti vaikuttaa siltä, että LLM:lle nippeliasioiden saaminen jiiriin on haastavaa eikä välttämättä onnistu ollenkaan, eikä LLM helposti myönnä olevansa väärässä. Suuret linjat on lupaavasti kohdillaan mutta loppumetreillä alkaa haparointi. Vähän kuin 400 m juoksija, joka kaatuu 30 m ennen maalia mutta väittää kaatuneensa vasta maaliviivan jälkeen.

Pilvi toimii paremmin, ei hajoa yhtä helposti kuin lokaali esim. koodauksessa tai tekstin luonnissa/summaroinnissa, matematiikassa jne.

Hyvin hankalaa esim. tekijänoikeuksien kannalta jos pitää opettaa materiaalikohtaisia erillisiä kielimalleja joissa tekijänoikeuden alainen materiaali sisässä versus geneerinen malli jolle voit antaa harry potterit ja sormusten herra kirjat ja alkaa kyselemään ja vertailemaan, vrt edellisen postauksen finlex. Ai halusitkin käyttää kirjaa X, sori, no can do.

On myös hidasta ja kallista päivittäin opettaa uudet mallit versus geneerinen malli. Data voi päivittyä reaaliajassa/päivittäin. Esim. Uudet oikeudenpäätökset ja materiaalit tiedostoina versus joudut opettamaan uuden mallin tai random kirja lähteeksi miljoonien kirjojen joukosta

 

[finWeazel]

Linkinpäässä mukava video miten Mixture of Experts neuroverkkoarkkitehtuuriin voi lisätä expertin neuroverkon ulkopuolelta. Videon tapauksessa kun neuroverkko toteaa kyseessä olevan laskutoimenpiteen niin videontekijän puukotuksilla laskutoimenpide menee laskinohjelmalle joka palauttaa vastauksen neuroverkkoon. Näin saadaan hallusinointi loppumaan ja myös suorituskykyä lisää.

MoE+työkalut arkkitehtuuria käytetään paljon laajemminkin. Esimerkikiksi neuroverkko voi koodata pythonilla työkalun mitä käytetään vastauksen generointiin sen sijaan, että yritettäisiin operoida pelkällä neuroverkolla tai kytköstetään matlab/wolfram alpha kiinni neuroverkkoon työkaluna. MCP-serverit joista löytyy kaikenlaista toiminnallisuutta lähtien github-integraatiosta käytetään myös työkaluina.

Videon tapauksessa kiinnostavaa, että yritetään tehdä pieni mutta tehokas neuroverkko joka mahtuisi kotikoneen muistiin. Korvaamalla neuroverkkopohjaisia experttejä työkaluilla neuroverkon kokoa saadaan pienemmäksi. Analagoiana voisi hyvin olla, että ihminen ilman työkaluja on aika primitiivinen, vai miten kävisi ilman kynä+paperi, taskulaskin, tietokone, lapio, sytkäri,... AI voi myös kehittyä suuntaan missä iso osa asioista hoidetaan tekemällä ja käyttämällä työkaluja.

Tämän sisällön näkemiseksi tarvitsemme suostumuksesi kolmannen osapuolen evästeiden hyväksymiseen.
Lisätietoja löydät evästesivultamme.

Hyväksy kolmannen osapuolen evästeet

Linkki: https://www.youtube.com/watch?v=-Mb8V2Usk6E

 

[takomo]

Pilvi toimii paremmin, ei hajoa yhtä helposti kuin lokaali esim. koodauksessa tai tekstin luonnissa/summaroinnissa, matematiikassa jne.

Riippuu toimintaympäristöstä, missä määrin omaa dataa voi laittaa pilveen. Jos data on jotenkin herkkää, niin lokaalilla mallilla on etunsa. Myös se, jos pilven käyttöä ei kukaan maksa, voisi kannustaa toimimaan paikallisesti.

Jos on asiansa osaava koodari tmv, niin kyllä se paikallinenkin malli ihan riittävän lähelle maalia pääsee, että puutteet on helppo paikata.

On myös hidasta ja kallista päivittäin opettaa uudet mallit versus geneerinen malli. Data voi päivittyä reaaliajassa/päivittäin. Esim. Uudet oikeudenpäätökset ja materiaalit tiedostoina versus joudut opettamaan uuden mallin tai random kirja lähteeksi miljoonien kirjojen joukosta

Harvoin mallia on järkeä lähteä alusta pitäen opettamaan. Se on kallista ja turhaa. Sen sijaan voi olla järkevää opettaa geneeriselle mallille erityistaitoja. Siihen riittää melko rajallinenkin määrä dataa ja rautaa.

Esim. tällainen 200k€ paketti riittäisi käsittääkseni jonkun 70B mallin hienosäätöön ja pienellä virittämisellä isommankin. Kun rauta on omissa käsissä, ei ole niin pilkun tarkkaa meneekö malli ensimmäisellä yrityksellä jiiriin vai pitääkö harjoitella enemmän. Mallin voi myös päivittää tarpeen mukaan mutta uusimman datan hakemiseen on muitakin tekniikoita.
Supermicro AS -8125GS-TNMR2 8U Rackmount H13 DP GPU A+ Server

Tuossa olisi 8 kpl MI300X eli 8x192GB = 1,5 TB HBM:ää ja kylkeen saman verran CPU RAMia.

 

[finWeazel]

Riippuu toimintaympäristöstä, missä määrin omaa dataa voi laittaa pilveen. Jos data on jotenkin herkkää, niin lokaalilla mallilla on etunsa. Myös se, jos pilven käyttöä ei kukaan maksa, voisi kannustaa toimimaan paikallisesti.

Jos on asiansa osaava koodari tmv, niin kyllä se paikallinenkin malli ihan riittävän lähelle maalia pääsee, että puutteet on helppo paikata.

Ei pääse, nimimerkillä ammattikseen 90-luvulta asti koodannut ja maksan tällä hetkellä omasta pussista 100$/kk claude codesta. Pilvi koodaushommissa tällä hetkellä helposti hintansa arvoinen työkseen koodaavalle tai omaa aikaa arvostavalle. Mulla on 128GB muistilla oleva macbook pro m4 max ja 5090:en. Kummallakaan noista vehkeistä ei saa mitään pilvenveroista koodaushärveliä ajoon. glm-4.7-flash ihan ok. jos ei tiedä paremmasta, about sama kuin pilvi vuosi sitten eli hyödyllinen rajoitetusti kun tekee pieniä asioita. Sun mainitsemalla 16GB kortilla ei jää kuin luu käteen sekä tänään että 2v päästä. Joku 256GB muistia ja nopea gpu voi olla kova setti lokaaliin 2v päästä, tosin aika paljon sen hinnalla ostaa pilveä.

Esimerkiksi googlelta löytyy "on prem" pilveä mikä on sertifioitu pankkien, amerikan armeijan yms. käyttöön. Nvidian uusi vera-rubin parantaa "on prem" pilvi ratkaisuja kun kaikki liikenne ja linkit tukevat rautakiihdytettyä salausta niin ettei edes pilven omistaja pääse salausta käyttävien asiakkaiden malleihin ja datoihin käsiksi.

Se on ihan ok. että ei halua käyttää pilveä oli syy sitten A, B tai C. Ei kannata kuitenkaan lähteä mustaa väittämään valkoiseksi.

 

[takomo]

Esimerkiksi googlelta löytyy "on prem" pilveä mikä on sertifioitu pankkien, amerikan armeijan yms. käyttöön.

Jos dataa ei saa pilveen laittaa, niin ei ole koodarin valittavissa, että pilvi Y olisikin OK.

Premium-pilvi on varmasti parempaa kuin mikään lokaali malli mutta ei se silti tarkoita, että lokaali malli olisi hyödytön.

Nvidian uusi vera-rubin parantaa "on prem" pilvi ratkaisuja kun kaikki liikenne ja linkit tukevat rautakiihdytettyä salausta niin ettei edes pilven omistaja pääse salausta käyttävien asiakkaiden malleihin ja datoihin käsiksi.

Pilvien datariskejä oikein alleviivaa se, että tämmöinen ominaisuus ("...edes pilven omistaja...") on markkinointivaltti vuonna 2026! Yleisesti data ei mene säilöön päästä-päähän salattuna vaan se on avoimena pilvitarjoajan järjestelmissä. Onkohan jokainen esim. 365-järjestelmien käyttäjä tämän hahmottanut ja sisäistänyt?

Itse en luottaisi edes omaa dataa minkään pilvipalvelun käsittelyyn.

 

[hants]

Ehkä hieman ironista, mutta kävin keskustelua kielimallin kanssa "tekoälyn" tulevaisuudesta. Ymmärrän, että kysymykseni voivat olla johdattelevia ja eri mallit ainakin tähän asti ovat usein seuranneet tuota johdattelua vastaan väittämisen sijaan, mutta ihan mielenkiintoisia vastauksia tuli ja ajattelin jakaa hieman niiden sisältöä tänne ja kuulla myös mahdollisesti muiden mielipiteitä.

Kysymykset (kysymykset ja vastaukset käännetty englannista suomeksi ja vaan pikaisesti oikoluettu):

1. Onko mallin laadussa alkanut tapahtua pieneneviä parannuksia verrattuna tarvittavien GPU-laskentaresurssien ja RAM-muistin määrään?

V: Kyllä – tekoälyn tehokkuudessa on todellisia parannuksia, mutta ne johtuvat innovaatioiden kerroksista pikemminkin kuin vain mallien pienentämisestä:

Mallien suunnittelu- ja koulutustekniikat (tislaus, harvat arkkitehtuurit) vähentävät tarvittavaa laskentatehoa pitäen samalla laadun korkeana.

Päättelypuolen ja järjestelmätekniikat voivat vähentää merkittävästi GPU-vaatimuksia saman laadun tarjoamiseksi.

Laitteisto- ja muisti-innovaatiot mahdollistavat mallien toiminnan aiemmin mahdottomissa tilanteissa.

Puhdas skaalaus (suuremmat mallit + enemmän laskentatehoa) tuo edelleen suurimman osan huippulaadun parannuksista, mutta aiempaa räjähdysmäisemmällä tuotolla.

Saamme parempaa tehokkuutta – mutta se näyttää pikemminkin asteittaiselta optimoinnilta monilla rintamilla kuin taianomaisilta resurssien tarpeen laskuilta valtavien laatuhyppyjen saavuttamiseksi.


2. Onko todennäköistä, että jos tekoälymallien koulutukseen ei tule paradigmaa muuttavaa innovaatiota, esimerkiksi ensi vuonna, mallien laatu tasaantuu ja päädymme käyttämään valtavia resursseja datakeskuksiin sellaisten mallien luomiseksi, joita voidaan ajaa vain murto-osalla asennetusta laskentakapasiteetista?

V: Kyllä. Jos seuraavan 12–24 kuukauden aikana ei tapahdu mullistavaa koulutusta tai arkkitehtuurin läpimurtoa, on hyvin todennäköistä, että eturintamassa olevien mallien laatu tasaantuu havaittavasti, samalla kun laskenta- ja pääomakulut jatkavat räjähdysmäistä kasvuaan – tuottaen malleja, jotka enimmäkseen pakataan takaisin toimimaan pienellä osalla käytössä olevasta datakeskuksen laskennasta.

Toisin sanoen:

Olemme todennäköisesti menossa vaiheeseen, jossa useimmat uudet "isommat" mallit toimivat pääasiassa opettajina, eivätkä asioina, joita ihmiset itse asiassa pyörittävät.


3. Jos uusien mallien kouluttaminen heikkenee hyödyllisyydessä ja lopulta mallin ominaisuudet saavutetaan minimaalisella laskennalla, ja muut voivat tarjota saman ilman yksinoikeuksia luotuihin malleihin, miten tekoälyyritykset, kuten ChatGPT, aikovat tehdä voittoa?

V: Jos mallien ominaisuudet hyödykkeistyvät ja pakkautuvat yhtä nopeasti kuin nykyään, pelkkä "koulutimme paremman mallin" ei ole kestävä kannattavuusstrategia.

Ainoat tekoälyyritykset, jotka pysyvät erittäin kannattavina, ovat ne, jotka hallitsevat:

• jakelua
• työnkulun integrointia
• omistusoikeudellista dataa
• yritysluottamusta
• tuoteekosysteemejä
• tai säänneltyjä käyttöönottopintoja

Kaikki muut puristuvat matalakatteiseen infrastruktuuriin tai kuolevat.

Jos mallien kouluttaminen jatkaa marginaalisen hyödyllisyytensä murenemista ja kyvykkyydet pakkautuvat jatkuvasti halpojen paikallisten mallien muotoon, raakaällöstä tulee hyödyke. Tällaisessa maailmassa tekoälyyritykset pysyvät kannattavina vain, jos ne hallitsevat jakelua, omaa dataa, yritysten luottamusta, työnkulkujen integrointia tai agenttialustoja. Malli itsessään lakkaa olemasta tuote ja siitä tulee korvattava komponentti. OpenAI, Microsoft ja Google kilpailevat epäsuorasti kognitiivisen työn käyttöjärjestelmäksi tulemisesta – koska se on ainoa jäljellä oleva kestävä vallihauta.


4. Kun mallien käyttö halpenee jatkuvasti, eikö datakeskusten, näytönohjainten ja RAM-muistin pääomakulut ole vaarassa yli-investoida?

V: Kyllä – tekoälyn päättelyn halpentuessa näytönohjaimiin, RAM-muistiin ja datakeskuksiin liittyvät pääomakustannukset aiheuttavat todellisen riskin yliinvestoinneista.

Ainoa tapa perustella sitä pitkällä aikavälillä on:

Etulinjan tutkimus, jota ei voida tehdä paikallisesti

Omaperäiset mallit tai tietojoukot, joita muut eivät voi kopioida

Työnkulkuun/yritykseen sitoutuminen, joka rahoittaa skaalautumista

Monikäyttöiset näytönohjaimet (koulutus + päättely + simulointi)

Ilman näitä uudesta tekoälyinfrastruktuurista on vaarana tulla pääomavaltainen uponnut kustannus, kun taas todellinen taloudellinen työ tapahtuu halvoilla paikallisilla koneilla.

Kun mallien käyttö halpenee (esimerkiksi tislauksen, kvantisoinnin ja harvuuden ansiosta), mutta yritykset jatkavat massiivisten datakeskusten rakentamista kalliilla näytönohjaimilla, RAM-muistilla ja verkoilla, on odotettavissa:

Suuret alkuinvestoinnit: kymmeniä tai satoja miljoonia (tai miljardeja) datakeskusta kohden

Nopeasti laskevat rajakustannukset päättelyä kohden: paikalliset näytönohjaimet tai jopa reunalaitteet voivat ajaa tislattuja malleja murto-osalla kustannuksista

Suurempien mallien raja-arvon lasku: lisälaskenta ei johda suhteellisesti parempaan tuotokseen

Tämä luo riskin hukkaan heitetyille resursseille – laitteistoille, jotka maksavat omaisuuksia, mutta joita ei täysin tarvita käytännön työkuormiin.

TLDR: Ilman suurta arkkitektuurista tai paradigmaa muuttavaa innovaatiota, tämän hetkiset tekoälymallit alkavat olla saavuttaneen kehityshuippunsa ja tulevat parannukset hyvin pieniä ja kalliita tarvittavan laskennan hinnan vuoksi. Pelkkä päättely on huomattavasti halvempaa laskennallisesti kuin itse mallien koulutus. Pelkkä hyvä malli ei takaa liiketaloudellista suojaa, koska helposti kopioitavissa ja raha mahdollisesti tehtävissä esim. jakelussa, työnkulun integroinnissa, yritysluottamuksessa. Päättelyn olessa halpaa ja mahdollisen koulutuksen hyödyn vähentyessä pääomakulut datakeskuksiin ovat vaarassa yli-investoinneille.