Tallinna Tehnikaülikooli 105. aastapäevale pühendatud akadeemilisel aktusel pidas täisprofessor tenuuris Tanel Tammet kõne, kus arutles, kuhu on ülikool teel ehk mis võiks tehnoloogias hakata juhtuma viie või kümne aasta perspektiivis. Avaldame ettekande Digigeeniuses täismahus.
Tehismõistus on murdnud välja ulmefilmidest
Viimase aasta jooksul on tehismõistus murdnud ulmefilmidest välja avaliku tähelepanu alla ning ei ole võimatu, et see ongi vedur, mis toob kaasa kardinaalsed murrangud majanduse, teaduse ja kogu ühiskonna vaates.
Kuna tuleviku ennustamine on keeruline, alustame minevikust.
Tehnikaülikoolile pandi alus aastal 1918, kui 17. septembril alustas Eesti Tehnika Selts tehnilisi erikursusi Lutheri vineerivabriku keldrikorrusel. Samal aastal lõppes esimene maailmasõda, lagunesid suured impeeriumid ja Eesti vabariik kuulutati välja. Eriliseks tegi ajastu see, et vana maailm oli hääbumas, usk senise kultuuri jätkusuutlikkusse oli kõikuma löönud ning uue maailma ehitamine läks hooga käima.
Mis toimus sellal tehnoloogias? Kui Saksa väed samal aastal Tallinnasse jõudsid, siis olid hobused nende peamine transpordivahend. Samas hakkas tänavatele ja kodudesse ilmuma seninägematud uudisasjad. Viis aastat varem käivitas Henry Ford esimese liikuva vooluliini autode tootmiseks.
Äsja oli leiutatud raadiolamp, helikopter, värvifoto ja helifilm. Kohe-kohe suudeti raadioga rääkida üle ookeani ning raadiovastuvõtjad levisid kodudesse. Paari aasta pärast mõtles Karel Čapek oma ulmejutu jaoks välja sõna „robot“, kuigi ühtegi programmeeritavat arvutit veel olemas ei olnud.
Hüppame nüüd 50 aastat edasi, aastasse 1968. Just oli valmis saanud seesama peamaja ja õppehooned, kus ka praegu tegutsetakse. Samal aastal demonstreeris Engelbart San Franciscos praegusaegse arvuti-kasutajaliidese esimest prototüüpi: tekstiredaktor, ühiskasutuses failid, kaugtöö, arvutihiir. Paar aastat varem hakati kasutama tööstusroboteid, leiutati laser ja kirjutati esimesed arvutimängud. Tehnikaülikool oli just saanud oma esimese arvuti, Valgevenemaal projekteeritud Minsk-22. Saadeti kosmosesse sidesatelliidid, käivitati internet ja hakati kasutama GPSi. Järgmisel aastal sai valmis UNIXi esimene versioon: see on arvutite operatsioonisüsteem, mille uuemaid versioone kasutavad kõik praegused mobiiltelefonid. Inimesed maandusid Kuule.
Progress üha aeglasem
Hüppame nüüd uuesti 55 aastat edasi. Eesti Vabariik on juba 30 aastat tagasi taastatud, ülikool asub selles samas peamajas ja kasutab sama opsüsteemi uuemaid versioone. Viiskümmend aastat ei ole ükski inimene Kuule lennanud. Tehnoloogia ja majandus loomulikult areneb, aga eeskätt kvantitatiivselt, ilma suuremate kvalitatiivsete hüpeteta.
Paradoksina ei ole miski, ka mitte infotehnoloogia, sel sajandil globaalmajandust oluliselt efektiivistanud: vastupidi, nii GDP kui tööjõu produktiivsuse kasvutempo on pikaajalises langustrendis. Kindlasti aitavad arvutid tööstust ja äriprotsesse efektiivistada neis osades, kus me reaalselt suudame midagi automatiseerida. Paraku paistab, et automatiseerida suudame ainult lihtsamat osa töödest ja see lihtsam osa on praeguseks juba enamasti automatiseeritud ning edasine progress on üha aeglasem, kallim ja keerulisem. Infotehnoloogial on ka selgelt negatiivne mõjukomponent: tarkvara võimaldab majandust edukalt tsentraliseerida. Google, Facebook, Amazon ja meie oma Bolt monopoliseerivad suuri ärivaldkondi, vähendades konkurentsi ja seeläbi paratamatult ka innovatsiooni.
Selles üha aeglasema ja aeglasema kasvu lõksus on hetkel suurim lootus tehismõistuse tehnoloogiatele. Kui tehismõistuste ehitamine edukalt edasi areneb ja me suudame neid praktiliselt rakendada, siis loodetavasti suudame automatiseerida palju, palju rohkemaid tööprotsesse ja ärivaldkondi ning seeläbi hakata tööviljakust uuesti suurendama.
Kas me tegelikult saame tehismõistuse arendamise ja kasutamisega hästi hakkama, on esialgu veel küsimus. Tehisintellekti ajaloos oleme praegu kolmandas tõusufaasis: esimesed kaks kulmineerusid kuuekümnendate ja kaheksakümnendate lõpus optimistlike lubadustega kohe-kohe tulevast võimsast tehismõistusest, aga reaalsus osutus suhteliselt tagasihoidlikuks. Seejärel vajus rahastamine ja valdkonna populaarsus ära, niinimetatud tehisintellekti talve. Kuna „kolm on kohtu seadus“, siis seekord ehk läheb paremini.
Mis juhtus esimese kahe tõusulainega? Kuuekümnendate entusiasm tehismõistuse osas on tagantjärele vaadates naiivne. Põhimõtteliselt lubati enamiku ülikeeruliste ülesannete lahendamist paari aasta jooksul. Sest väikesed, nii-öelda mänguülesanded õnnestus ju lahendada! Ehk siis, mõned väikesed takistused on jäänud, ja küllap need varsti ületatakse. 1968. aasta kultusfilm „2001: Kosmoseodüsseia“ ennustas päris teadvusega, päriselt mõtlevat robotit HAL 9000 juba möödunud sajandivahetuseks. Aastal 1970 ütles tehismõistuse klassik Marvin Minsky ajakirjale Life, et kolme kuni kaheksa aasta pärast loome masinad, mille üldine intellekt on samaväärne keskmise inimese intellektiga.
Reaalselt said kuuekümnendate aastate tehismõistuse süsteemid hakkama ainult väikeste ja lihtsakoeliste näiteülesannetega. Kaheksakümnendate uues tõusulaines loodeti, et praktilisi ülesandeid, näiteks meditsiinidiagnoose, võiks lahendada suurte reeglisüsteemide abil. Tegelikkuses aga ei suudetud adekvaatseid reeglisüsteeme ehitada: spetsialistide teadmiste ja oskuste formaliseerimine osutus lootusetult keeruliseks.
Kolmanda laine mootor on masinõpe
Nüüdse kolmanda laine mootor on masinõpe. Praeguste, neurovõrkudel põhinevate masinõppe algoritmide baasideed on päris vanad, pärit juba tehisaru esimesest lainest kuuekümnendatel ja seitsmekümnendatel. Sellal jäi süsteemide õppimisvõimekus aga väga kesiseks. Esimesed suured masinõppe edusammud ilmusid alles umbes kümme aastat tagasi, kui õpiti piltidelt objekte ära tundma. Masinõppe edu alus on suurelt osalt tehnoloogiline: seni peamiselt arvutimängude jaoks toodetud graafikakaardid osutusid väga sobivaks selliste paralleelarvutuste jaoks, mida masinõpe vajab. Seega muutus eksperimentaalne töö varasemaga võrreldes tuhandeid kordi kiiremaks. Lisaks õnnestus internetist saada väga palju sobivat õppematerjali nii piltide kui tekstide näol.
Vahepeal võiks küsida, kas neurovõrkude struktuur ja põhimõtted sarnanevad inimajule. Vastus on umbes selline, et osaliselt küll: pilditöötlust tegevatel ajuosadel on struktuurseid ja funktsionaalseid sarnasusi masinõppe neurovõrkudega. Teisalt saab aga üha ilmsemaks, kui pööraselt keeruline ja mõistatuslik asi on päris neuron ja kui vähe me saame aru, mismoodi tegelik aju töötab. Neuroteaduse iga edusamm avab nii-öelda kümneid kordi suuremaid uusi mõistatusi, kui ta lahendada suudab. Me ei tea näiteks üldse, mis on tavalise mälu kodeerimise või funktsioneerimise mehhanismid ajus. Me oleme avastanud, et iga üksik neuron sisaldab tuhandeid õppivaid komponente, ning neuronid suhtlevad omavahel mitte ainult elektrisignaalide või kemikaalidega, vaid vahetavad ka pärilikkust kandvat RNAd.
ChatGPT ja teiste suurte keelemudelite ootamatult tugevad võimed ja nendega kaasnevad nõrkused on muutnud valdkonna tuleviku väga raskelt ennustatavaks. Saime aru, et me ei oska tegelikult ette näha, mida viie aasta pärast suudame ja mida ei suuda.
Kümme aastat tagasi oli Google’il valmis täielikult isesõitva auto prototüüp ning viis aastat tagasi hakkas Google katsetama reaalsete isesõitvate taksodega. Samal ajal lubas Elon Musk, et kohe-kohe hakkavad Teslad tänavatel täisautomaatselt sõitma. Praeguseks on selge, et massilist üleminekut täisautonoomsetele autodele lähema kümne aasta jooksul kindlasti ei tule. Ülesanne on palju keerukam, kui esialgu tundus, ja tahke on siin mitu.
Kõigepealt, kaamerapildist arusaamine enamasti töötab, aga mitte perfektselt: pildituvastussüsteem teeb vahetevahel põhimõttelisi vigu, näiteks peab tumedat asfaldilaiku tee peal seisvaks objektiks. Selline viga, isegi kui ta esineb harva, tekitaks suurel kiirusel äkkpidurduse ja viiks suure tõenäosusega tagant otsasõiduni. Seepärast on enamikus praegustes isesõitmissüsteemides otsustatud, et kui kiiresti sõitev auto näeb kaameraga tee peal ees seisvat autot, siis ta ei hakkagi pidurdama. Praegused pilditöötlussüsteemid ei ole ka piisavalt head pimedas, vihmas ja lumes sõitmiseks. Eraldi aspekt on ebatavalistes olukordades hakkamasaamine: näiteks on tee mingil moel suletud või raskelt läbitavaks muutunud või on liiklus tee-ehituse käigus ümber suunatud. Taolisi eriolukordi on väga raske ette ära õppida ja nad nõuaks palju suuremat maailma mõistmise oskust, kui praegustel süsteemidel tegelikult on.
Teistpidi, veel viis aastat tagasi uskusid väga vähesed spetsialistid, et ChatGPT tüüpi süsteemid suudavad inimkeelega nii hästi hakkama saada ja nii hästi küsimustele vastata, kui me praegu näeme. See ülesanne osutus, vastupidi, lihtsamaks, kui arvasime.
Mida ma tuleviku osas küll julgeksin prognoosida: ei realiseeru ei positiivsed ega negatiivsed äärmusstsenaariumid. Tehismõistus ei ole üleloomulik olend. Ühelt poolt oleks rumal kaasa minna nii-öelda cargo cult tehisintellektiga, panna ülikool kinni ja kummardada suurfirmade süsteeme, lootes, et nad hakkavad meile taevast toidupakikesi alla viskama, ilma et endal oleks vaja midagi osata või tööd teha.
Sama rumal oleks kaasa minna hirmustsenaariumidega, et tehismõistus teeb varsti kõigile otsa peale või muudab inimesed kasututeks või vähemalt võtab ära enamiku töökohti. Kõigile edusammudele vaatamata oleme veel päris, päris kaugel isegi korralikult ise sõitvast autost.
Ülikooli vaatest prognoosin kahte olulist suunda nähtavaks tulevikuks. Üks suund on reaalsete tehnoloogiliste oskuste ja loominguvõime tähtsuse kasv. Lihtsaid vaimseid töid saab tehisaruga nähtavas perspektiivis automatiseerida, keerukamaid esialgu üldse mitte. Sestap ei ole laiapõhjaline baaskõrgharidus üksi piisav, meilt oodatakse lõpetajate kõrget taset ja reaalseid oskusi.
Teine suund on tehisaru süsteemide laiem kasutamine tööprotsesside ja äritegevuse automatiseerimisel, igas valdkonnas. Ehk siis meie ülesanne on praegune maailm tegelikult automatiseerida ja tegelikult minna üle järgmisse tehnoloogilisse faasi. Seda ei saa teha tsentraalselt, umbes nii, et OpenAi või Google produtseerivad robot-insenere ja robot-ärijuhte, keda siis rõõmsalt oma ettevõtetes inimeste asemel rakendame.
ChatGPT tüüpi süsteemid on praegu väga võimekad teksti toimetamisel, tõlkimisel ja ülevaadete kirjutamisel, samuti eri stiilide emuleerimisel ja kombineerimisel. Näiteks suudavad nad hulgast olemasolevatest tarkvaranäidetest panna kokku väikeseid programme, mis vastavad etteantud inimkeelsele kirjeldusele. Samas on nende süsteemide planeerimise ja järelduste tegemise võime väga nõrk ning nad ei sisalda päris sellist maailma mudelit, mis on inimestel või üldse enam-vähem kõigil loomadel. Ühest küljest suudavad nad kirjutada keerulist filosoofilist teksti, ruumis navigeerimise osas jäävad aga alla kärbse ajule. Nad ei tee selget vahet tõelisusel ja väljamõeldistel: väga levinud efekt on nn hallutsineerimine, kus süsteem väidab veendunult konkreetseid fakte, mis on tegelikult tema enda poolt nii-öelda välja mõeldud.
Puhtpraktiliselt on suurte keelemudelite laiema kasutamise üheks suureks takistuseks uute teadmiste operatiivse lisamise keerukus. Selleks, et süsteem teaks midagi teie organisatsiooni spetsiifilist, näiteks oskaks andmebaasidest päringuid teha, tuleb teda päris pikalt ja keerukalt õpetada. ChatGPT tüüpi süsteemidele ei saa praegu lihtsalt ette sööta suuremat hulka uusi fakte, teadmisi, definitsioone ja sõnavara ning loota, et ta oskab seda ilma eelneva eriõppeta kasutada. Samuti ei ole nad võimelised ise kasutama olemasolevaid tööriistu, näiteks mingeid tarkvarasüsteeme, mis teie organisatsioonis kasutusel.
Arusaadavalt käib tehisintellekti valdkonnas praegu massiline aktiivne töö selle nimel, et leida viise keelemudelite usaldusväärsuse tõstmiseks ja neile uute teadmiste sissesöötmise lihtsustamiseks. Tasub näiteks küsida, kas meil õnnestub hakata keelemudeleid mingil viisil kasutama selleks, et parandada isesõitvate autode hakkamasaamist ootamatutes olukordades.
Praegu ei saa öelda, millised keelemudelite nõrkused õnnestub nähtavas tulevikus lahendada ja millised osutuvad põhimõtteliseks. Sellest hakkavad aga sõltuma rakendusvõimalused ja praktiline integreerimine teiste tarkvarasüsteemidega.
Väga tõenäoliselt hakkab oma protsesse automatiseerima iga valdkond ja iga organisatsioon ise, toetudes laialt kättesaadavale baastehnoloogiale. Tööprotsesse saab automatiseerida reaalselt aga ainult see, kes neid protsesse endid, taustu, eesmärke ja kõike seonduvat väga hästi valdab, ehk siis valdkonna tippspetsialist. Sestap vajadus tipptasemel inimkompetentsi järele peaks mitte langema, vaid tõusma praegusest kõrgemale. Teisisõnu, tehisaru tehnoloogiad hakkavad positiivse stsenaariumi korral meie oskusi ja tööd oluliselt võimendama.
Lõpetuseks: ma usun, et see, mida tulevik toob, sõltub palju enam teaduse arengust kui näiteks vabariigi valitsuse tööst. Mente et manu!
Kõne avaldati esmakordselt Tallinna Tehnikaülikooli ajakirjas Mente et Manu oktoobris 2023.
