Kun logiikka kohtaa todellisuuden: Mitä Semantic Web opetti tekoälystä

Kaksikymmentä vuotta sitten Clay Shirky julkaisi lyhyen esseen, joka ravisteli verkkoyhteisöä. Hänen kohteenaan oli W3C:n kunnianhimoinen visio Semantic Webistä – maailma, jossa koneet ymmärtäisivät merkityksiä ja pystyisivät päättelemään asioita ihmisen tavoin.

Shirkin ydinväite oli terävä: Semantic Web oli pohjimmiltaan "mekanismi syllogismien luomiseen". Hän käytti Aristoteleen klassista esimerkkiä:

• Ihmiset ovat kuolevaisia
• Kreikkalaiset ovat ihmisiä
• Siis kreikkalaiset ovat kuolevaisia

Siistiä. Loogista. Ja valitettavan toimimatonta useimmissa todellisen maailman tilanteissa.

Shirky rakensi oivalluksensa konkreettiseksi: jos tiedetään, että "Clay Shirky on shirky.com-sivuston luoja" ja "shirky.com-sivuston luoja asuu Brooklynissa", voidaan päätellä, että Shirky asuu Brooklynissa. Mutta jos tähän lisätään väite "Brooklynissa asuvat puhuvat brooklynin murteella", päädytään virheelliseen johtopäätökseen, että Shirky lausuu sivuston nimen "shoiky.com".

Ongelma ei ollut logiikassa. Ongelma oli, että todellinen maailma ei järjestäydy puhtaiksi, universaalisti tosiksi väitteiksi, jotka odottavat yhdistelyä.

Mitä oikeasti tapahtui

Semantic Web ei koskaan materialisoitunut sellaisena kuin se oli kuviteltu. RDF, OWL ja muut semanttisen pinon teknologiat jäivät akateemisiksi curiosity-kohteiksi ja yritysten integraatiovälineiksi – eivätkä Tim Berners-Leen unelmaamiksi universaaleiksi konepäättelyn raameiksi. Suurelliset lupaukset "kaikkialla läsnä olevasta ja tuhoisan tehokkaasta" koneälystä haihtuivat.

Mutta tässä vaiheessa Shirkin esseen arvo nousee esiin: hänen tunnistamansa perusjännite ei kadonnut minnekään. Se vain siirtyi toiseen areenaan.

Uusi aalto samalla vanhalla ongelmalla

Nykyään elämme uutta konemäistelyn optimismin aaltoa. Nyt moottorina ovat suuret kielimallit ja neuroverkot symbolisen logiikan sijaan. Lupaukset ovat tuttuja: tekoäly, joka analysoi valtavia datamääriä, johtaa päätelmiä ja löytää yhteyksiä, joita ihmissilmä ei näe.

Jotain on muuttunut. Moderneissa LLM-malleissa ei luoteta formaaliin syllogistiseen päättelyyn. Ne toimivat massiivisen mittakaavan tilastollisella kuviointitunnistuksella, tuottaen vaikuttavia tuloksia, jotka usein hämäävät "ymmärryksen" tunteella. Mutta Shirkin tunnistama perushaaste pysyy: kuinka käsitellä tietoa, joka on osittaista, kontekstisidonnaista tai yksinkertaisesti väärää?

Kun LLM esittää varmasti jotain, mikä kuulostaa uskottavalta mutta ei ole totta, se ei tee loogista virhettä. Se heijastaa sitä sotkuista todellisuutta, että ihmisten tuottama teksti sisältää ristiriitoja, kulttuurisia oletuksia, vanhentunutta tietoa ja puhtaasti keksittyä sisältöä – kaikkea sekaisin. "Tieto" ei ole siististi järjestetty. Se ei koskaan ole ollut.

Tietokantagraafit kompromissina

Mielenkiintoista on, että Semantic Web -vision käytännölliset seuraajat eivät ole lainkaan semanttisia – ne ovat probabilistisia. Googlen Knowledge Graph, joka mahdollistaa monia hakutoimintoja, ei päättele formaaleista väitteistä. Se ylläpitää valtavaa tietokantaa entiteeteistä ja niiden suhteista, mutta rakentaa ja ylläpitää sitä koneoppimisen, ihmisten kuratoinnin ja jatkuvan päivityksen avulla. Se on hyödyllinen juuri siksi, ettei se yritä olla loogisesti puhdas.

Tämä lähestymistapa – pragmaattinen, sotkuinen, jatkuvasti todellisuutta vasten validoitu – on osoittautunut huomattavasti arvokkaammaksi kuin teoreettisesti puhdas Semantic Web koskaan olisi voinut olla.

Mitä Shirky osasi oikein

Shirkin ydinhavainto pitää yhä: deduktiivinen päättely, oli se sitten toteutettu formaalin logiikan tai sitä matkivien neuroverkkojen kautta, kamppailee sillä kuilulla, joka vallitsee tiedon todellisen esittämistavan ja sen todellisen totuusarvon välillä.

Arthur Conan Doyle loi Sherlock Holmesin sanomaan, että loistava mieli poistaa mahdottoman ja päätyy väistämättömään totuuteen. Mutta suurin osa todellisen maailman "tiedosta" ei ole järjestetty näin. Se on osittaista. Se on kontekstisidonnaista. Se on täynnä ilmaisematta jätettyjä oletuksia, jotka eivät siirry domainista toiseen.

Ne tekoälyjärjestelmät, jotka ovat todella muuttaneet toimialoja – suosittelumoottorit, käännöstyökalut, koodin täydennys – eivät ole onnistuneet syllogistisen päättelyn hallitsemisessa. Ne ovat onnistuneet löytämällä hyödyllisiä kaavoja sotkuisesta datasta, hyväksymällä epävarmuuden ja olemalla joskus väärässä räjähtämättä.

Opettelu nykyisille rakentajille

Jos rakennat tekoälyllä tänään, Shirkin esseekin on edelleen välttämävää luettavaa – ei siksi, että se olisi ennustanut tulevaisuuden, vaan siksi, että se on diagnosoinut perustavan haasteen, joka pysyy teknologian muuttuessa.

Kysymys ei ole, voivatko koneet päätellä. Ne voivat, tietyissä rajoissa. Kysymys on, onko tiedostasi järjestetty tavalla, joka tukee sitä päättelyä, jota yrität tehdä.

Suurimman osan ajasta se ei ole. Ja se ei ole korjattava virhe – se on ominaisuus siitä, miten tieto oikeasti toimii.

Semantic Webin epäonnistuminen ei ollut kunnianhimon epäonnistuminen. Se oli epäonnistumista ymmärtää, että ihmisten tieto on pohjimmiltaan erilaista kuin mitä formaali logiikka vaatii. Työkalut, jotka ovat onnistuneet sen jälkeen, ovat hyväksyneet tämän todellisuuden ja työskennelleet sen kanssa – eikä sitä vastaan.

Shirkin vuoden 2003 esseen todellinen perintö ei ole ennuste RDF:stä tai OWL:sta. Se on muistutus siitä, että äly – koneissa ja ihmisissä – ei toimi niin kuin intuitiomme sanoo sen toimivan.