Teksti != sävy
"I didn't say she stole the money." Kokeile sanoa se ääneen muutaman kerran ja painota eri sanaa joka kerta. Se on esimerkki, jota kielitieteilijät ja englanninopettajat rakastavat, sillä se koostuu seitsemästä sanasta ja tarkoittaa seitsemää eri asiaa riippuen siitä, mitä sanaa painotat:
Tämä esimerkki toimii vain englanniksi, joten se pidetään englanninkielisenä.
Kirjoita se nyt tekstiksi. Lause on joka kerta täysin sama, ja ellet jaksa käyttää kursivointia (en yleensä jaksa, enkä usko sinunkaan jaksavan), lukija joutuu arvailemaan, mitä tarkoitit. Juuri niin puhumme tällä hetkellä melkein jokaiselle tekoälyassistentille: pienen tekstikentän kautta, joka säilyttää sanat ja heittää kaiken muun roskiin.
Mitä siinä siis menetetään?
Painotus on yksi juttu. Äänensävy on vielä isompi. On olemassa loistava tarina filosofi J. L. Austinista pitämässä luentoa, jossa hän sanoi, että englannissa kaksoiskielto voi muodostaa myönteisen ilmauksen, mutta mikään kieli ei käytä kaksoismyönteistä ilmaisemaan kieltoa. Yleisössä istunut Sidney Morgenbesser totesi tähän: "Yeah, yeah." Kirjoitettuna se näyttää kahden ihmisen myötäilyltä. Ääneen sanottuna hän oli juuri kumonnut koko väitteen kahdella sanalla.
Ja huomaamme tämän paljon huonommin kuin luulemme. Vuoden 2005 sähköpostitutkimuksessa sarkastisia tai vakavia lauseita lukevat ihmiset osuivat oikeaan suunnilleen yhtä usein kuin sattumalta, kun taas samat lauseet kuulleet tunnistivat sävyn oikein lähes kolmessa neljäsosassa tapauksista. Se on puhdasta kolikonheittoa, eivätkä viestien lähettäjät tienneet sitä lainkaan: saman tutkimuksen toisessa kokeessa lähettäjät odottivat sävynsä välittyvän sähköpostitse noin 89 %:ssa tapauksista, mutta se välittyi vain noin 63 %:ssa.
Internet toki kehitti omat kiertotiensä: /s, lauseen loppuun lisätty "lol", jotta viesti ei vaikuttaisi ilkeältä, sekä kapiteelit huutamista varten. Mallit ovat lukeneet koko internetin, joten ne kyllä ymmärtävät nämä. Ongelma on siinä, että lisäät ne vain silloin, kun jo aavistat tulevasi väärinymmärretyksi, ja tutkimuksen mukaan olemme surkeita arvaamaan, milloin niin käy. Kukaan ei kirjoita "ok fine /tired".
Sitten on vielä keskeyttäminen. Kun puhut jonkun kanssa, sanot "mhm", jotta toinen jatkaa, tai "ei kun oota, ei tuota" heti kun hän alkaa mennä väärille raiteille. Chatissa kirjoitat kokonaisen viestin, odotat kokonaisen vastauksen ja huomaat väärinymmärryksen vasta kun vastaus on valmis. Jos olet koskaan katsellut tekoälyn suoltavan itsevarmasti 600 sanaa väärästä aiheesta, tiedät tunteen.
Entä jos kieli EI ole englanti?
Englanti käyttää äänenkorkeutta lähinnä asenteen ilmaisemiseen, minkä takia sen kirjoittaminen hävittääkin niin paljon. Muut kielet vetävät rajan toisin, ja suoraan sanottuna se on aika kiehtovaa.
Mandariinikiinassa äänenkorkeus on osa itse sanaa. Tasaisella sävelellä lausuttu mā on 妈 (äiti). Nouseva má on 麻 (hamppu). Laskeva-nouseva mǎ on 马 (hevonen). Laskeva mà on 骂 (torua). Sama tavu, neljä eri sanaa, ja ainoa ero on äänenkorkeuden kulussa. Kirjoitus kuitenkin säilyttää tämän, koska jokaisella on oma merkkinsä. Kielitieteilijä Yuen Ren Chao vei tämän äärimmilleen runollaan "Lion-Eating Poet in the Stone Den", jossa jokainen tavu on jokin versio sanasta shi. Se alkaa 石室诗士施氏,嗜狮,誓食十狮 (Shíshì shīshì Shī Shì, shì shī, shì shí shí shī): kivikammiossa asuva runoilija nimeltä Shi, joka rakasti leijonia ja vannoi syövänsä niitä kymmenen. Kirjoitusmerkkeinä luettuna siinä on järkeä. Ääneen luettuna se on kokonainen kappale pelkkää shi shi shi shi -ääntelyä, eikä siitä ota kukaan selvää.
Arabiassa asia on päinvastoin. Lyhyitä vokaaleja ei yleensä kirjoiteta lainkaan, joten كتب koostuu pelkistä konsonanteista k-t-b. Vokaalimerkkien kanssa se voisi olla كَتَبَ (kataba, hän kirjoitti), كُتِبَ (kutiba, se kirjoitettiin) tai كُتُب (kutub, kirjat), ja sujuvasti lukevat päättelevät oikean muodon asiayhteydestä miettimättä asiaa sen kummemmin.
Puhutut kielet myös pakkaavat tietoa eri tiheydellä. Vuonna 2019 Science Advances -lehdessä julkaistu tutkimus vertaili 17 kieltä ja havaitsi, että nopeat kielet, kuten espanja ja japani, pakkaavat vähemmän kuhunkin tavuun, kun taas hitaammat kielet, kuten vietnam, pakkaavat enemmän. Lopputuloksena ne kaikki välittävät tietoa noin 39 bittiä sekunnissa.
Jokainen kirjoitusjärjestelmä siis tekee valinnan siitä, mitä säilytetään ja mitä jätetään lukijan harteille. Kiina säilyttää tooniset sävelet merkeissä. Arabia jättää vokaalit pois ja luottaa siihen, että ymmärrät kontekstin. Englanti säilyttää jokaisen kirjaimen, mutta heittää painotuksen ja äänensävyn kokonaan roskiin ja jättää sinut arvailemaan.
Kirjoittaminen on vain aika hidasta
Suurin löytämäni kirjoitusnopeutta käsitellyt tutkimus tarkasteli 136 miljoonaa näppäinpainallusta, ja keskiarvo oli 52 sanaa minuutissa, noin 1 token sekunnissa, ja tämä tulos saatiin ihmisiltä, jotka osallistuivat vapaaehtoisesti kirjoitustestiin. Puhuminen on noin 150 sanaa minuutissa, vähän yli 3 tokenia sekunnissa. Toisessa päässä oleva malli kirjoittaa takaisin vauhdilla 50–200 tokenia sekunnissa. Koko ketjun hitain lenkki ovat siis sormesi.
noin 1 token sekunnissa
noin 3 tokenia sekunnissa
esitetty 100:na
Nopeasti kirjoittavilla ei ole hätää. Useimmat eivät kuitenkaan kirjoita nopeasti, ja monet eivät pysty kirjoittamaan sujuvasti lainkaan: lapset, ikäihmiset, motorisista rajoitteista kärsivät tai kuka tahansa, jolle puhuminen on huomattavasti luontevampaa kuin kirjoittaminen. Jokainen oppii puhumaan vuosia ennen kuin oppii kirjoittamaan. Jos haluamme tekoälyn olevan oikeasti muidenkin kuin näppäimistön ääressä asuvien käytettävissä, puhe on ilmeinen ratkaisu.
Eikö voida vain käyttää puhetta?
Ärsyttävää on se, että monet puhetilat heittävät äänensävyn edelleen roskiin. Ne litteroivat puheen tekstiksi, lähettävät tekstin mallille ja lukevat vastauksen ääneen. Painotus katoaa heti ensimmäisessä vaiheessa, ja ollaan taas pienen tekstikentän äärellä, vain ylimääräisillä välivaiheilla höystettynä.
Suoraan ääntä käsittelevien mallien pitäisi pärjätä paremmin, eikö? Vuoden 2025 tutkimuspaperi nimeltä StressTest tutki juuri tätä alun esimerkin kaltaisilla lauseilla, ja useimmat puhemallit pärjäsivät vain vaivoin arvausta paremmin siinä, mitä merkitystä tarkoitettiin. gpt-4o-audio sai tulokseksi 59 %. Paras niistä, Gemini 2.5 Pro, sai 78 %. Ihmiset saivat 93 %. Joten vaikka malli kirjaimellisesti kuulee sinut, se ei useinkaan erota, mitä sanaa painotit.
Miksi tällä on väliä?
Pitkään tällä ei ollut juuri väliä. Chatbotti ymmärsi väärin, sait huonon vastauksen, pyöräytit silmiäsi ja kysyit uudestaan.
Nyt asiat eivät enää toimi niin. Assistentit muokkaavat koodia, avaavat pull requesteja, lähettävät sähköposteja ja pyörivät itsekseen tuntikausia. Rakennan tällaisia itsekin: flocc ottaa issuun työn alle ja työstää sitä ilman, että olen välissä mukana. Kun sellainen ymmärtää sinut väärin, lopputuloksena ei ole pelkkä huono tekstikappale, vaan tiedosto muuttuu tai sähköposti lähtee matkaan.
Kuvitellaan, että agentti kysyy, pitäisikö sen toteuttaa iso refaktorointi, ja kirjoitat "ok fine". Jos tarkoitit kyllä, hienoa. Jos tarkoitit "olen liian väsynyt väittelemään tästä", halusit sen luultavasti lopettavan, mutta noissa kahdessa sanassa ei ole mitään, mikä kertoisi sen sille.
En väitä, että tekstistä pitäisi luopua. Voit muokata sitä ennen lähettämistä, ottaa oman aikasi ja käyttää sitä kirjastossa. Eikä koneen toisinaan edes haluta aistivan, miltä sinusta tuntuu, mikä on ihan ymmärrettävää.
Mutta jos aiomme antaa näiden toimia puolestamme, ne tarvitsevat enemmän kuin pelkät sanat. Niiden täytyy kuulla miten sanoit kyllä eikä vain sitä, että sanoit sen, niiden täytyy antaa sinun keskeyttää heti alkuunsa, ja kun ne eivät aidosti tiedä mitä seitsemästä tarkoitit, niiden pitäisi tehdä kuten ihminen tekisi ja kysyä.