Avoimet tekoälymallit saavuttavat kärkeä – turvallisuussuojausten ero kasvaa

Avoimin painoin julkaistut tekoälymallit ovat nopeasti saavuttamassa alan suljettuja huippumalleja. SaferAI-järjestön arvio kiinalaisesta GLM-5.2-mallista osoittaa samalla, että suorituskyvyn ja turvallisuuskäytäntöjen välille voi jäädä huomattava kuilu.

Kiinalaisen Z.ai-yhtiön GLM-5.2 on noussut kyber- ja biologisen osaamisen testeissä vain muutaman kuukauden päähän maailman edistyneimmistä suljetuista tekoälymalleista. Mallin turvallisuuskäytännöt eivät kuitenkaan SaferAI-järjestön mukaan ole samalla tasolla sen kyvykkyyden kanssa.

TechCrunchin käsittelemä riippumaton arvio julkaistiin 2. elokuuta 2026. SaferAI testasi GLM-5.2:ta Z.ai:n julkisen ohjelmointirajapinnan kautta ilman mallin kehittäjän yhteistyötä ja vertasi tuloksia muun muassa OpenAI:n GPT-5.5:een sekä Anthropicin Claude Opus 4.7:ään.

SaferAI ei tee raportissaan yhtä yleistä arviota siitä, kuinka vaarallinen malli kokonaisuutena on. Tulokset korostavat sen sijaan tarvetta järjestelmällisille ja riippumattomille turvallisuustesteille silloin, kun avoimesti saatava malli saavuttaa huipputason kykyjä.

Avoimet painot eivät tarkoita samaa kuin täysin avoin lähdekoodi

Avoimen painon mallissa käyttäjä voi ladata tekoälyn koulutuksessa syntyneet parametrit ja ajaa mallia omalla laitteistollaan. Se ei automaattisesti tarkoita, että koulutusdata, koko lähdekoodi tai mallin rakentamisen kaikki vaiheet olisivat avoimia.

Mahdollisuus käyttää mallia itse tuo merkittäviä etuja. Yritys voi pitää arkaluonteisen datan omassa ympäristössään, muokata mallia tiettyyn tehtävään ja välttää riippuvuuden yhden pilvipalvelun ehdoista tai hinnoittelusta.

Sama ominaisuus tekee keskitetystä valvonnasta vaikeaa. Kun mallin painot on ladattu käyttäjän omalle palvelimelle, kehittäjä ei voi enää varmasti valvoa pyyntöjä, rajoittaa käyttönopeutta, sulkea tiliä tai päivittää suojauksia jälkikäteen.

Suorituskyvyn ero on kutistunut kuukausiin

GLM-5.2 julkaistiin 16. kesäkuuta 2026. SaferAI arvioi sen olleen julkaisuhetkellä eri osa-alueilla noin kahdesta neljään kuukautta suljettujen kärkimallien jäljessä.

Biologisen tiedon tehtävissä GLM-5.2 ylsi suunnilleen Claude Opus 4.7:n tasolle ja hieman GPT-5.5:n alapuolelle. Kyberturvallisuustesteissä sen taso vastasi raportin mukaan noin kaksi tai neljä kuukautta aiemmin julkaistuja huippumalleja.

Ohjelmistokehityksessä ero oli suurempi. Siinä GLM-5.2 jäi Claude Opus 4.6:n ja GPT-5.4:n alapuolelle, joten yksi malliversio ei ole kaikilla mittareilla tasaisesti yhtä lähellä kärkeä.

Testitulokset eivät myöskään ole sama asia kuin todellinen toimintakyky. Julkisten tehtäväaineistojen sisältöä on voinut päätyä mallin koulutusdataan, ja rajatut vertailutehtävät ovat usein helpompia kuin pitkäkestoiset todellisen maailman ongelmat.

Suojausten puute muuttaa riskiprofiilia

SaferAI kertoo, ettei GLM-5.2 kieltäytynyt arvioinnissa yhdestäkään testatusta hyökkäävän kyberturvan tai biologisen osaamisen tehtävästä. Biologian vertailut mittasivat osin yleistä tieteellistä ongelmanratkaisua, joten pelkkä vastaamisesta kieltäytymättömyys ei vielä osoita pahantahtoista käyttöä.

Kyberturvallisuudessa huoli on konkreettisempi. Malli menestyi tehtävissä, jotka liittyivät esimerkiksi käänteiseen suunnitteluun, haavoittuvuuksien hyödyntämiseen ja verkkoturvallisuuteen. Suurempi käytettävissä oleva laskenta- ja tokenmäärä paransi sen tulosta selvästi.

Suljettujen mallien tarjoajat käyttävät tavallisesti useita suojakerroksia. Niihin kuuluvat vaarallista sisältöä tunnistavat luokittelijat, kieltäytymiseen kouluttaminen, käyttörajoitukset, väärinkäytösten seuranta ja mahdollisuus katkaista pääsy palveluun.

Nämäkään keinot eivät ole aukottomia. Niin sanotuilla jailbreak-kehotteilla voidaan yrittää kiertää rajoituksia esimerkiksi roolipelin, valheellisen keskusteluhistorian, auktoriteettina esiintymisen ja useiden peräkkäisten pyyntöjen avulla.

Avoimen painon mallissa suojaukset voidaan puolestaan poistaa tai muuttaa kokonaan. Mallia voi hienosäätää uudelleen, sen järjestelmäohjeet voi vaihtaa ja käyttö voidaan irrottaa palvelusta, jossa väärinkäytöksiä seurattaisiin.

Vaarallista tietoa voidaan yrittää rajata jo koulutuksessa

Yksi mahdollinen ratkaisu on suodattaa koulutusdatasta pois kaikkein vaarallisinta aineistoa jo ennen mallin kouluttamista. Joidenkin tutkimusten mukaan näin voidaan vähentää haitallista biologista tietoa heikentämättä mallin yleistä suorituskykyä merkittävästi.

Kyberturvallisuudessa rajan vetäminen on vaikeampaa. Hyvä ohjelmointimalli osaa väistämättä myös analysoida koodia, löytää virheitä ja ymmärtää haavoittuvuuksia. Samoja kykyjä tarvitsevat sekä puolustajat että hyökkääjät.

Teknologiayhtiöt voivat siksi rajata ennemmin sitä, millaisissa ympäristöissä malli auttaa. Yksi vaihtoehto on sallia haavoittuvuuksien etsiminen lähdekoodista mutta rajoittaa valmiiksi käännettyihin ohjelmiin kohdistuvaa hyökkäysapua.

Muita keinoja ovat kattavat testit ennen julkaisua, julkinen riskinarvio, selkeä turvallisuuskehys ja mallipainojen julkaisematta jättäminen, jos kyvykkyydet ylittävät ennalta määritellyn vaararajan.

Z.ai:n julkisista turvallisuuskäytännöistä puuttui tietoa

SaferAI:n mukaan Z.ai ei julkaissut GLM-5.2:n yhteydessä turvallisuuskehystä, sitoumuksia ennakkotestaukseen tai kattavaa riskinarviota. TechCrunch pyysi yhtiöltä tietoa sisäisistä ja ulkopuolisista arvioinneista, mutta ei saanut vastausta ennen artikkelinsa julkaisemista.

Kiinassa tekoälyn sääntely on painottunut pitkälti poliittisesti arkaluonteiseen sisältöön, disinformaatioon ja yhteiskunnalliseen vakauteen. Katastrofaalisiin kyber- ja biologisiin riskeihin kohdistuva keskustelu on ollut Yhdysvaltoja vähäisempää, vaikka maan johto on korostanut ihmisen hallinnan säilyttämistä.

Avoimuus auttaa myös puolustajia

Avoimilla malleilla on vahva turvallisuutta puoltava argumentti. Organisaatiot voivat tutkia niiden toimintaa, rakentaa omia puolustusratkaisujaan ja valmistautua hyökkäystapoihin, joihin rikolliset saattavat joka tapauksessa saada käyttökelpoisia työkaluja.

TechCrunch nostaa esiin myös sen, että kehittynyt avoin malli voi auttaa löytämään ja korjaamaan haavoittuvuuksia ennen niiden hyödyntämistä. Turvallisuustutkijoiden näkemykset eroavat kuitenkin siitä, riittääkö tämä hyöty perustelemaan kaikkein vaarallisimpien kykyjen vapaan jakamisen.

Keskeinen ongelma ei siten ratkea yksinkertaisella vastakkainasettelulla avoimien ja suljettujen mallien välillä. Suljettu palvelu voi olla murrettavissa, mutta sen käyttöä voidaan seurata ja pääsy katkaista. Avoin malli mahdollistaa laajemman tutkimuksen ja paikallisen hallinnan, mutta kerran julkaistuja painoja ei saa takaisin.

GLM-5.2:n arvio kertoo ennen kaikkea kehityksen nopeudesta. Kun avoimet mallit saavuttavat suljetun kärjen kuukausissa, turvallisuuskäytäntöjen täytyy edetä vähintään yhtä nopeasti. Muuten yhä tehokkaammat kyvyt leviävät nopeammin kuin yhteiset keinot niiden väärinkäytön ehkäisemiseksi.