Helsingin Psykologiyhdistys ry

Minulla oli ilo osallistua Cognitive Computational Neuroscience (CCN) 2025-konferenssiin, joka järjestettiin 12–15.8.2025, Amsterdamin kauniilla Roeterseiland-kampuksella. Tähän vuosittain järjestettävään konferenssiin osallistuu satoja tutkijoita eri taustoista eri puolilta maailmaa, joita yhdistää ennen kaikkea intohimoinen päämäärä luoda laskennallisia malleja ihmisen tiedon käsittelystä ja sen taustalla olevasta aivotoiminnasta. 

Odotukseni konferenssille olivat korkeat. Psykologian opinnot olivat antaneet minulle olennaista pohjaa kognitiivisten toimintojen ja aivotoiminnan tutkimisesta. Lisäksi olin hiljattain saanut päätökseen maisterintutkielmaprojektini, jossa pääsin mallintamaan toiminnallisella magneettikuvantamisella (fMRI) kerättyä aineistoa. Uskoin sopivani konferenssissa joukkoon hyvin ja olevani kypsä pureutumaan alan uusimpiin menetelmiin ja löydöksiin. Olin kuitenkin pahasti väärässä. 

Konferenssi oli äärimmäisen tekoälypainotteinen. Tämän seikan tuskin olisi pitänyt yllättää minua, mutta ihan tähän en ollut varautunut. Tekoälyboom näkyy joka puolella. Tekstin tuottamisesta kuvien generoimiseen tekoälymallit ovat puhjenneet räjähdysmäisesti yleiseen tietoisuuteen. Mallit, kuten yleisesti käytetty ChatGPT, ovat niin sanottuja “hermoverkkoja” (Deep Neural Network; DNN). Nimensä mukaan mallien matemaattinen arkkitehtuuri on alun perin saanut inspiraatiota aivotoiminnasta, tarkemmin näköaivokuoresta.

Otetaan esimerkiksi kuvan tunnistamista varten treenattu neuroverkko. Kuten näköjärjestelmä, syvät kuvantunnistusneuroverkot koostuvat hierarkkisesti järjestyneistä neuroneista, jotka muodostavat yhteyksiä toisiinsa. Kun neuroverkolle näyttää kuvan, havaitaan, että sen ensimmäinen taso on retinotopinen samalla tavalla kuin ihmisen verkkokalvo ja varhainen näköaivokuori – tietyt solut prosessoivat pientä osaa kuvasta. Mallin ensimmäisen tason neuronit ovat matemaattisesti yhteydessä seuraavan tason neuroneihin, jotka integroivat matalamman tason neuroneiden sisältämää tietoa. Viimeisellä tasolla malli tuottaa arvauksen siitä, mitä kuvassa näkyy. Tasolta toiselle muuttuu myös se, mihin piirteisiin neuronit reagoivat. Ensimmäiset tasot ovat herkkiä orientaatiolle ja kontrastille, kun taas myöhemmät tasot prosessoivat monimutkaisempia piirteitä kuten muotoja ja lopulta malli sisältää useiden eri muotojen yhdistelmiä, eli objekteja.

Kuvantunnistusneuroverkolla ja ihmisen kuvantunnistusjärjestelmällä (ventraalisella näköradalla) on siis hyvin selkeitä samankaltaisuuksia. Ja vaikka tämä selvisi minulle vasta konferenssin alkamisen jälkeen, Cognitive Computational Neuroscience sijoittuu juuri tämän virtuaalisen ja materiaalisen aivon tutkimuksen risteykseen. Mitä syvät neuroverkot meille voivat kertoa aivojemme toiminnasta? Tai päinvastoin, mitä aivomme voivat opettaa insinööreille, jotka rakentavat neuroverkkoja? 

Yksi mielenkiintoisimmista esityksistä konferenssissa käsitteli Algonauts-projektia. Algonauts on projekti, jonka tarkoitus on tutkia biologista sekä virtuaalista älykkyyttä käyttäen laskennallisia menetelmiä. Tähän päämäärään päästäkseen Algonauts mm. järjestää erilaisia kilpailuja, joiden avulla tutkijat voivat vertailla laskennallisia malleja samalla alustalla ja objektiivisesti arvioida niiden kykyjä. Vuonna 2025 Algonauts haastoi tutkijoita selittämään mahdollisimman paljon vaihtelua koehenkilöiden aivotoiminnasta, kun he katsoivat tv-ohjelmia. Viisi koehenkilöä oli katsonut kymmeniä tunteja elokuvia ja tv-sarjoja, samalla kun heidän aivotoimintaansa oli seurattu fMRI:llä. Koehenkilöt olivat katsoneet mm. Frendien ensimmäiset seitsemän kautta, Harry Potter -elokuvia, The Wolf of Wall Streetin ja paljon muuta. Tästä datasta suurin osa tehtiin julkiseksi ja annettiin tutkijoille, ja osa pidettiin mallien testaamista varten salassa. Esimerkiksi aivotoiminta Frendien ensimmäisestä kuudesta kaudesta annettiin tutkijoille mallintamista varten ja kilpailijoiden tehtävänä oli rakentaa datan perusteella malli, joka parhaiten selittää aivotoimintaa ulosjätetystä testiosuudesta, kuten Frendien seitsemännestä kaudesta. Yksinkertaisuudessaan kilpailun voittaja oli se, jonka malli pystyi selittämään ulosjätetyn aineiston aivotoimintaa parhaiten. 

Kilpailussa kolme parhaiten pärjännyttä osallistujaa pääsivät kertomaan malleistansa tarkemmin. Kaikille malleille yleistä oli ärsykkeiden kategorisoiminen käyttäen toisia tekoälymalleja. Esimerkiksi kohtaus Frendeistä syötettiin useille erilaisille malleille, jotka luovat erilaisia tapahtumaindeksejä kohtauksesta. Joku malli saattaa kategorisoida äänimaisemaa, toinen malli kielellistä sisältöä ja kolmas mitä kuvassa näkyy. Mallien tuottamia arvioita kohtauksesta käytettiin selittävinä muuttujina, joille treenauksen avulla opittiin painokertoimet. Aivoalueelle voidaan laskea reaktiivisuuden voimakkuus tietyille auditiivisille tai visuaalisille piirteille ja reaktiivisuuden perusteella asettaa piirteelle painokerroin, jota voidaan käyttää ennustettaessa alueen aivotoimintaa samankaltaisen piirteen esiintyessä myöhemmin. Tätä pidemmälle mallinnusprosessi oli äärimmäisen monimutkaista ja meni pitkälti psykologian opiskelijan (kirjoittajan) pään yli. Parhaat mallit käyttivät neuroverkoille tyypillisiä arkkitehtuurin palasia kuten toistuvia tasoja sekä transformereita, joista en osaa sen enempää kertoa. Päinvastoin, kognitiivisen neurotieteen laajan kirjallisuuden perusperiaatteet kuten tarkkaavaisuuden suuntaus tai hemodynaaminen responssifunktio eivät merkittävästi parantaneet parhaiden kilpailijoiden ennustuksia, joka herätti kummastelua niin kilpailijoiden kuin muiden alan tutkijoiden keskuudessa.

Vuoden 2025 kilpailun voittaja – Metan Brain & AI -tutkimusryhmässä työskentelevä Stéphane d’Ascoli – saavutti mallillaan keskimäärin noin r = 0,215 korrelaation ennustetun ja todellisen fMRI-aktiivisuuden välillä testiaineistossa. Määrä ei kuulosta kummoiselta itsessään, mutta luvussa ei olla huomioitu fMRI-datan sisäistä kohinaisuutta. “Noise celing” eli kohinakatto on alalla tyypillinen vertauskohde absoluuttisen varianssin selityksen sijaan. Noise celingin laskemisen takia aineistossa oli elokuvia, jotka katsottiin kahdesti. Kun korreloidaan koehenkilön aivotoiminta hänen katsoessaan saman elokuvan useamman kerran, voidaan arvioida, kuinka paljon vaihtelua on ylipäätään mahdollista selittää. Jos fMRI olisi täydellinen menetelmä ja koehenkilö keskittyisi elokuvaan täysin – eikä esimerkiksi ajattelisi omia ajatuksiaan missään välissä – olisi aivotoiminnan korrelaatio saman elokuvan kahden eri katselukerran välillä 1,0. Olennaisesti fMRI on kohinainen menetelmä, eikä voida olettaa koehenkilön täydellistä tarkkaavuuden suuntausta, ja havaittu koehenkilön ensimmäisen ja toisen elokuvan katselukerran aivotoiminnan korrelaatio oli noin 0,5. Tähän suhteutettuna Metan tutkija pystyi selittämään jopa lähes puolet selitettävissä olevasta vaihtelusta, joka pääsee jo lähemmäs scifi-lukuja. 

Koko aivotoiminnan selittävä malli on joka tapauksessa vielä kaukana tulevaisuudessa. On hyvä huomioida, että tässä projektissa ihmisen aivoja tutkitaan täysin passiivisena elimenä, joka ainoastaan vastaanottaa aistitietoa, eikä vastaa siihen mitenkään. Olisi eri asia ennustaa aivotoimintaa esimerkiksi muistitehtävän aikana tai tarkkailutilanteessa, jossa kognitiivisia toimintoja on myös mallinnettava. Lisäksi massiivisen mallin rakentaminen, johon sisältyy miljardeja parametreja aivotoiminnan ennustamista varten, on hieman ironinen päämäärä. Tarkoituksena on selvittää, miten musta laatikko, eli aivot, tuottavat aistitiedosta tulkintoja ja tavoitteellisia päämääriä. Sitä varten rakennamme toisen mustan laatikon, joka on lähes yhtä monimutkainen, jonka avulla pystymme selittämään ensimmäisen mustan laatikon toimintaa, ymmärtämättä sitä lopulta yhtään sen paremmin. 

Konferenssin jälkeen lentokentällä pääni oli pyörällä kaikesta kuulemastani ja näkemästäni. Koin samaan aikaan oppineeni todella paljon, mutta ymmärtäväni sitäkin vähemmän. Matriiseissa kelluvat virtuaaliset aivot voivat todella olla kognitiivisen neurotieteen seuraava luonnollinen askel, vaikka ajatus niistä tuntuu todella luonnottomalta.

Onnipekka Varis

Psykologian opiskelija ja innokas aivotutkijan alku

Helsingin yliopisto