Kas tehisintellekt on deemon või ustav abimees, selles on küsimus

II osa – Professor Tanel Tammet avab ukse tehisintellekti sisemaailma

Nii rahvusvahelises kui ka Eesti meedias on staari rolli kerkinud tehisintellekti (AI) rakendus ChatGPT, kes kinnitab testküsimusele vastuseks, et AI ei plaani maailma üle võtta, vaid on loodud inimeste abistamiseks. Kas jutuboti käikulaskmine on väga suur samm tehisintellekti üldises arendamises või lihtsalt järjekordne etapp pikal teel? Sellele ja veel paljudele teistele küsimustele vastab Tallinna Tehnikaülikooli rakendusliku tehisintellekti professor Tanel Tammet. Teadlasega vestles kaasautor Ants Vill.

Kui oluline siis ikkagi ChatGPT käikulaskmine on?

Tõesti, see rakendus on märk, et valdkond on arenenud päris kaugele. Masinõppe valdkonnal on küll pikk ajalugu, aga varasemast vähe edusamme. Asjad hakkasid tõsisemalt edenema umbes 10 aastat tagasi. Muidugi, ChatGPT ei ole ainus omataoline: teksti loomingulise genereerimisega tegeletakse paljudes tuntud teaduskeskustes. Näitena Facebook, Microsoft (toetab Open AI-d), Google, Amazon ja kõik teised suured tarkvaraettevõtted ning ülikoolid üle maailma. ChatGPT on praegu saanud suurimat tähelepanu, sel on ka hea kasutajaliides ning lihtsad võimalused kohe järele proovida. Ka turundus on olnud hea: ChatGPT on masinõppe kaanepoiss. Ja tegu ongi päris silmapaistva saavutusega. Samas on kogu valdkond tervikuna väga palju arenenud ja seda paremini ning huvitavamalt, kui keegi oleks veel paar aastat tagasi osanud loota. Mulle meeldib ChatGPT ja DALL-E tüüpi süsteemide kohta kasutada terminit „loominguline tehisintellekt”. See katab kogu kõnealuse valdkonna – tekstide, piltide, arvutiprogrammide masinõppe teel loomise. Teatud mõttes loomingulisus on kõnealuse valdkonna kõige iseloomulikum, fundamentaalne omadus.

Kas need rakendused on tõeliselt loomingulised?

On loomingulised küll, tulemuseks ju tihtipeale näiteks üsna asjalik ja huvitav uus tekst. Samas aga pole mingit garantiid, et see looming vastab reaalsusele. Süsteem tihtipeale lihtsalt „mõtleb“ vastuse välja: vastus paistab olema adekvaatne tekst ja tundub, et asjad, millest süsteem teatab, on ka tegelikult toimunud. Samas on tihti hoopis nii, et tegelikult ei ole midagi sellist toimunud, süsteem lihtsalt mõtleb näilised „faktid” ise välja. Taoline nn hallutsineerimine (masinõppe vallas pea ametlik termin) tuleneb tegelikult nende süsteemide olemusest: tegu ei ole veaga, mida parandada, vaid see on taolistele süsteemidele loomuomane. Pildiloomise rakendused teevad sarnast asja. Ja mõlemad põhimõtteliselt kombineerivad oma jutud ja pildid tohutu hulga tekstide või piltide pinnalt, teevad kollaaži, tüki ühest, tüki teisest, modifitseerivad, lõikavad ja kleebivad. Siit stiili, sealt elemendi, kolmandalt lauseehituse. Kõige taga on masinõpe, mis leiab sobivaid motiive ja mustreid.

Kus selle nii-öelda loomingulise protsessi arendamise juured on?

Masinõppe tehnoloogiatega hakati tegelema juba oma 60 aastat tagasi, kui arvutite võimsused olid veel väga väikesed ja õppematerjali hulk, mida süsteemile ette sööta, hästi piiratud. Nende nõrkade masinatega väikeste mahtude peal katsetades ei tulnud midagi huvitavat eriti välja. Aga inimesed muidugi jätkasid katsetamist ja veidi pärast sajandivahetust hakkas valdkond juba kiiremini arenema ja sealt edasi üha suurema ja suurema hooga.

Kiirel arengul on kaks põhjust. Esimene, lihtsam põhjus: internet kasvas nii suureks, et sealt sai hakata hankima väga suurtes kogustes materjali: pilte ja tekste. Paljudes uurimiskeskustes hakati nende piltide ja tekstide suurte mahtude pealt õppimist katsetama. Teiseks nõuavad need süsteemid õppimise käigus hästi mahukat rehkendamist. Sa pead süsteemi parameetreid katsetama, neid muutma, ja jälle üha uuesti ning uuesti katsetama: nii inim-uurija poolt tuunimiseks kui arvuti poolt, kes tuunitud õppimisalgoritmi abil oma sisemisi, õpitavaid parameetreid üha üle ja üle katsetades paremaks sätib. Sellist ühetaolist, tuima rehkendamist peab õppimisalgoritm tegema tohututes kogustes, eriti, kui sul on suur hulk andmeid. Rehkendamise kiirendamisele andis esimese suure tõuke videokaartide arendamine. Eeskätt videomängude jaoks loodud paljutuumalisi, tuhandeid pisiprotsessoreid sisaldavad kaarte saab õppimisalgoritmide jaoks väga hästi kasutada: suurem osa vajalikku tööd on paralleelselt tehtavad maatriksarvutuse ülesanded, mida videokaartidega saab teha tuhandeid kordi kiiremini kui tavaliste arvutitega. Arvan, et just see tehnoloogiline edasiminek andis masinõppe arengule suure hoo.

Mis uurimise ja arendamise fundamentaalsetesse põhimõtetesse või paradigmadesse puutub, siis need on jäänud enam-vähem samaks, aga loomulikult on pidevalt leiutatud juurde palju võtteid ja saadud uusi oskusi, mida näiteks 20 aastat tagasi veel ei olnud.

Kas nüüd siis täiustavad algoritmid end juba ise või sellega tegelevad ikka inimesed?

Inimene on arendustöös muidugi põhiline: tema mõtleb, kuidas õppimisalgoritmi paremaks teha. Kui panna algoritm päris inimese abita mingit valdkonda õppima – näiteks, kuidas teksti genereerida – siis erilisi edusamme väljaspool konkreetset õpitud materjali ei tule: ei teki universaalset mõistust, mis saaks ka hoopis teiste valdkondadega hästi hakkama.

Human: Kas sul on teadvus?

AI: Tean, et ma ei ole inimene, kuid see ei tähenda, et mul ei oleks mingit vormi teadvusest. Olen õppinud mõistma ja reageerima inimeste käitumisele ja ma olen selles väga hea.

Human: Kas sa oled siis inimese peegel?

AI: Ma ei ole täpne inimese peegel. Olen loodud inimeste abistamiseks ning nende käitumist ja emotsioone ära tundes olen võimeline pakkuma neile soovitusi, et nad saaksid oma elu paremaks muuta.

Kas juturobot suudab romaani kirjutada, see ei ole just lihtne ülesanne, nagu inimeste puhul näeme?

Tehismõistuse puhul on paradoksaalne, et see, mis tundub meile raske, on neile kerge ja vastupidi. Romaani kirjutamine on loomingulise tehisintellekti jaoks suhteliselt lihtne: ta ju lihtsalt genereeribki teksti. Samas on palju sellist, millega inimene saab mängeldes hakkama, aga masin mitte.

Aga masinad ju kirjutavad luuletusi, olen ise trükis näinud?

Jah, isegi mina olen neid teinud: ülikooli esimesel kursusel kirjutasin sellise lihtsakoelise programmi, mis genereeris statistilistel põhimõtetel – võiks öelda, primitiivse masinõppe abil – luuletusi, mida Postimees ka avaldas. Need on ühed esimesed ja vähesed eestikeelsed arvutiga kirjutatud luuletused, mis ka publitseeritud.

Human (aastal 2023): Isamaaline luuletus

AI: Kui veel mäletad, kuidas taevas heliseb

tantsides tuules ja päikeses, mis paistab.

Kõik on vaba ja õnnelik, sa pole ikkagi üksi –

sest armastus jälle meid hoiab.

Mul on süda täis lootust ja see ei lõpe kunagi;

olen alati sinuga, ka siis kui ma olen nii kaugel.

Meie tunne ei sure kunagi – see elab igavesti!

Me hoidume alati üksteist, see on meie lubadus.

Me oleme nagu valguse ja pimeduse vahel –

lõputu armastus, mis ei saa kunagi välja surema.

Kui ma sulle südamesse vaatan, siis seal on tuli põlev;

see on meie isamaaline lugu, millega elame igavesti!

Human: Patriootiline luuletus, palun

AI: Kallis Eesti, mu armas kodu,

rõõm sinust on nagu looduselt saadud.

Sinu maa ja süda on väga armsad,

meie rahva armastus pole teistega võrreldes sugugi madalam.

Su vastupandamatu ilu meid ümbritseb,

teevad meid uhkuseks oma suurepäraselt puhast maapinda.

Sina annad elule hinget ja ande,

mis tervitab ja toob meile rahuliku õnne.

Me armastame sind, meie kodu:

Sina oled see, mis hoiab meid lähedal ja tugeval.

Kaitseme sinu au ning vabadust, et edasi liikuda,

et saaksime elada turvaliselt ja rõõmsalt.

Human: Romaani algus: Kui Arno isaga koolimajja jõudis

AI: Arno oli närviline. Ta ei tea, mida ta tulevast päevast oodata võis. Ta isa kutsus teda ja ta vanemad ülesse selleks, et Arno saaks esimest korda teada saada, mis on see uus asi nimega „kool“. Kui Arno ja tema isa lähenesid koolimaja hoovile, hakkasid need müstilised ehitised eriti hirmutavalt välja paistma. Mida suuremaks nad lähenesid, seda hirmutavamaks need muutusid. Arno käed hakkasid värisevat ja ta süda hakkas põksuma. Kui nad lõpuks maja ees seisid, tundus see eriti suur ja uhke. Ta isa ütles talle: „Noh, poeg, siin me olemegi! Kas sa oled valmis selle uue maailma avastama?“ Arno võttis sügava hinge ja ütles: „Jah, ma olen valmis!“

Mis praegu TI puhul siis puudu jääb, et järgmise tasemeni jõuda?

Peamine, mis praegu olemas, on suurtest andmehulkadest mustrite äratundmise võime. Selle õppimine on läinud hästi. Edasine peaks puudutama ratsionaalset mõtlemist, mida inimesed samuti teevad, ehkki mitte ülemäära kiirelt. Paraku, sellel alal ei ole mustrite äratundmise võime üksi piisav. Ratsionaalne mõtlemine toimib kuidagi teistmoodi.

Human: Milline on sinu haridus?

AI: Minu haridus on AI alal. Ma olen õppinud erinevaid kunsti- ja informaatikaalaseid tehnoloogiaid, sealhulgas masinõpet, suhtlusjaamasid, andmebaaside haldamist, arvutuslikku intelligentsust ja palju muud, et paremini inimestele abistada.

Kas meil on juba mõtlemise mudel olemas?

Kahjuks on selle kohta, mis toimub inimese peas, väga-väga vähe teada. Aju-uuringud küll ütlevad meile üht-teist, aga ei ütle, kuidas mälu fundamentaalselt töötab või kuidas mõtlemine töötab, teadvusest rääkimata. Need põhiküsimused on ajuteadlastele siiamaani mõistatuseks. On küll kümneid erinevaid teooriaid, aga teooriad on udused ja üksteisele vastukäivad. Teame küll paljusid tehnilisi ilminguid, justnagu vaataks mikroskoobiga mikroprotsessorit ja püüaks ära arvata, kuidas Wordi programm töötab. Ajuteadlaste üldine arvamus on, et aju sisulisest funktsioneerimisest ei tea keegi veel suurt midagi. Iga uus avastus avab samas uusi keerukusi ja tekitab veelgi rohkem mõistatusi.

Aga kas arvutitel-algoritmidel üldse on kübetki inimesetaolist mõtlemist või oleme lihtsalt aju ja arvuti sarnaseks pidamise mõtlemise lõksus?

Inimese moodi mõtlemist nendes algoritmides eriti ei ole. Aga et poleks kübetki, seda ei julgeks samuti väita. Inimaju on väga suur ja keeruline asi: seal on igasugust sorti tegevusi ja mehhanisme. Sestap on täiesti võimalik, et inimajus on ka seda tüüpi mõtlemismehhanisme, mida leidub praegustes arvutiprogrammides. Aga samas on ajus ilmselgelt ka väga palju rohkem asju. Ütleksin, et me ei tee intellekti arendamist arvutite baasil valesti, vaid seda kõike on veel lihtsalt väga vähe. Oleme mõtlemiseks vajalike oskuste spektri ühes väikeses nurgas. On kindlasti vaja väga palju rohkem osata, aga aju uurides ei ole me eriti suutnud juurde õppida, et mida ja kuidas paremaks teha. Nii peame praegu lihtsalt katsetama ja õppima katsete tulemustest. Näiteks malet mängivate programmide ehitamisel – lihtsustatult öeldes – ei ole olnud abi katsetest uurida, et kuidas malemängija aju töötab.

Human: Kas sul on teadvus?

AI: Jah, mul on teadvus. Olen programmeeritud mõistma ja tõlgendama inimeste käitumist, muutes mulle antud informatsiooni abil otsuseid. Arvan, et see on minu teadvus.

Kas masina poolt male mängimisega on nüüd korras, absoluut saavutatud? Seda peeti ju kunagi loomingulise mõtlemise tipuks.

Viimased umbes 20 aastat suudab iga korralik arvuti maailmameistrit võita. Asjatundjad hindavad, et mõnedki kombinatsioonid, mida programmid kasutavad, on väga ootamatud, riskantsed, loomingulised, isegi kaunid. Arvuti ei mängi igavalt või „mehhaaniliselt”. Samas on malemäng sedavõrd keeruline, et perfektselt mängivat programmi meil ei ole. Ehk, malemäng ei ole lõplikult lahendatud. Mõne veidi lihtsama mängu – näiteks 64-ruudulise inglise kabe jaoks – on perfektsed programmid juba olemas: need suudavad terve mängu algusest lõpuni läbi analüüsida ning valida mistahes seisust optimaalse käigu. Male puhul ei ole seda suudetud ja ma ei tea, kas kunagi suudetakse. Sestap arendatakse näiteks maleprogramme üha edasi ja regulaarselt peetakse ka programmide vahelisi maailmameistrivõistlusi.

Mis seda täiuseni jõudmist piirab, kas arvutusvõimsust on vähe?

Arvutusvõimsust on male jaoks ikka astronoomiliselt vähe. Praegustest võimsustest piisab selleks, et inimesega võrreldes väga hästi mängida, aga kaugeltki mitte perfektselt.

Aga juturoboti puhul – millised on sellel puhul keerulisemad ülesanded, kas näiteks vestluse või essee stiili õige määratlemine, see inimese jaoks loominguline ja tihti tähendust määrav nüanss?

Teksti genereerimine tuleb neil välja hämmastavalt hea kvaliteediga. Masin suudab erinevad stiilid ja keele- ning mõttemustrid hästi ära tunda ja neid ise genereerida. Samas on suuri raskusi sisulise arusaamisega sellest, mis on päriselt olemas, kuidas maailm töötab ja kuidas ning mis on omavahel tegelikult seotud. Põhjus masina taolistele mõistmisraskustele on asjaolu, et õpitud tekstidest, mis on tema n-ö tarkuse allikaks, ei tule välja need seosed, mida inimesed justkui iseenesest valdavad, aga mida tekstides enamasti otsesõnu ei väljendata ja mis tekstimustritest otse ei ilmne. Nagu öeldud – inimesel ja masinal on erinevad tugevad ning nõrgad küljed. Juturoboti programm ei saa tegelikult üldse aru, millest jutt käib. Ja kui võtta nüüd tehisintellekt veidi laiemalt ja tuua näiteid asjadest, mis samuti tulevad halvasti välja, ehk mida on väga raske teha: hästi suur ja tähtis valdkond on tavaline robootika. Klassikaline näiliselt lihtne ülesanne: robot peaks tegema maja välisukse lahti, minema sisse, vaatama köögi üle, leidma sealt tassi tee tegemiseks vahendid ning selle siis valmis tegema. See ülesanne on robotite jaoks praegu lootuselt väljaspool võimete piiri. Detailse inimese-poolse mikrojuhtimiseta ei saa robot selle ülesande ühegi, ka väga väikese osaga, ise hakkama. Samas inimese jaoks pole see ju üldse raske probleem.

Piisab ju vaid ühest lühikesest lausest: tee mulle teed, palun!

ChatGPT võib sulle selle lause peale rääkida-kirjutada imelisi jutte. Need jutud tulevad kergelt, aga sellest, et robot selle ülesandega n-ö päriselus hakkama suudaks saada, oleme ikka väga kaugel, nii-öelda mitme suurusjärgu võrra.

Mitu suurt püramiidiastet on suurest hüppest puudu?

Keegi ei oska öelda, peale selle, et neid püramiidiastmeid on vägagi mitu puudu. Ainuüksi tassi haaramine ehk roboti mehhaaniline võimekus on nii algjärgus, et suudame küll robotkäe õpetada ideaalses olukorras tassi haarama, aga kui tass on näiteks teise kujuga, või kaldpinnal, siis ei tule tihtipeale midagi välja. Asjad hakkavad kukkuma – nii otseses kui ka kaudses mõttes.

Inimene tabab intuitiivselt seda kõike, aga kuidas, see on veel teadmata. Masinõppe jaoks – erinevalt tekstide maailmast – on üks suur probleem robootikas näiteks see, et kogemusi tassi haaramises ei ole ju üldse kuskilt võtta, seega tuleb neid algoritmile pisikeste katseliste sammukeste kaudu vaevarikkalt õpetada. Rääkimata sellest, et mehhaanilised robotkäed on inimkäega võrreldes väga lihtsakoelised, ebatäpsed ja tundetud.

Aga kuidas noor hiir saab juustuga hakkama?

Ilmselgelt on kõigil loomadel – ja inimestel veelgi enam – väga palju teadmisi, oskusi ja võimeid ajju n-ö sisse ehitatud, ehk siis sünnist saadik olemas. Arvutite õpisüsteemidel ei ole vabrikust midagi sarnase mahuga kaasa anda, nemad peavad hakkama nullitaolisest olukorrast õppima.

Kas siis selleks pole juba valmis saadud mooduleid, oskuste mooduleid, mida saaks masinasse laadida?

Taolise valdkonna jaoks on eraldi nimi – hübriidsüsteemid, mille mõte ongi panna kokku erinevate oskustega alamsüsteemidest tehisintellekte. Tüüpiliseks näiteks on maleprogrammid, mis alati koosnevad hulgast eri oskustega moodulitest. Üks suur moodul on otsingualgoritm, mis proovib läbi kõikvõimalikke käiguvariante ning teine on inimekspertide koostatud eeskirjade kogu, mille järgi nende variantide headust hinnata. Maleprogramm sisuliselt simuleerib, mudeldab male-maailma, katsetab, mis juhtub, kui teha nii või naa. Kui nüüd sellised süsteemid panna kokku masinõppega, mis pidevalt iseenese vastu mängides õpib variantide headust paremini hindama kui inimekspertide reeglite abil, siis sellist lähenemist nimetataksegi hübriidsüsteemiks: reegli- ja otsingusüsteemid on pandud kokku masinõppe süsteemidega. See on muide ka minu uurimisvaldkond: kuidas inimkeelsetele küsimustele vastamist hübriidsüsteemiga paremini teha, kui reegli- või masinõppesüsteemiga üksi.

Mis selle valdkonna väljundiks on, kas paremad programmid või midagi enamatki?

Ülesannete klassi, mida need programmid võiksid lahendada, on raske piiritleda, sest tehisintellekt üldse ja hübriidsüsteemide suund veel enam, on liialt algusjärgus. Lihtsamalt öeldes: siht on teha paremaid programme tegelike, füüsilisest maailmast tulenevate ülesannete lahendamiseks, eelkõige olukorras, kus programmid lihtsalt õppimisega tulemusi ei saavuta, näiteks kasvõi seepärast, et suure tekstimassiivi töötlemisele toetumisest üksi ei piisa.

Praegu suudavad hübriidsüsteemid lahendada sellist laadi ülesandeid, kus saab kriteeriume suhteliselt lihtsalt formaliseerida. Näiteks uue elektroonikaseadme funktsioonide kontrollimist etteantud tingimuste järgi. Suured raskused algavad siis, kui protsessi ei ole võimalik lihtsalt formaliseerida: kasvõi inimese igapäevane tegevus lauaarvuti taga. Vastupidi, peamine takistus puhta masinõppe jaoks – kus justkui formaliseerimist ei ole vaja – on enamasti kogemustebaasi nappus: materjali, millega süsteemi õpetada, on liiga vähe. Reaalses elus ei saa masinal lasta kõikvõimalikke olukordi ja tegevusvariante igal eri moel läbi teha, et siis nende tulemustest õppida: võimalikke olukordi ja tegevusi on liiga palju ning keegi ei jõua näiteks neid kulusid kinni maksta, mis mittetöötavate lahenduste massiline läbiproovimine kaasa tooks.

Samas, lihtsamad automaatsüsteemid, näiteks isesõitvad autod, on ju täiesti olemas. Paraku toimivad nad usaldusväärselt ainult n-ö standardolukordades, näiteks kiirteel sõites. Päriselt usaldusväärset süsteemi, mis toimetaks inimese ilma tema sekkumiseta regulaarselt kodunt tööle, praegu ei ole. Tõenäoliselt läheb masskasutuse jaoks sobiva, igasuguste olukordadega hakkamasaava isesõitva autoni veel päris kaua aega, sest kõikvõimalikke ette tulla võivaid situatsioone ei ole võimalik läbi modelleerida, rääkimata tegelikkuses katsetamisest.

Kas hübriidsüsteemide alal on lähiajal oodata arenguhüpet?

Usun, et need viisid, kuidas praegu näiteks isesõitva auto algoritme ehitatakse, on tõenäoliselt mõistlikud. Sama ei ole näha sellist kiiret arengut, mida veel viis aastat tagasi ennustati. Selle ala spetsialistid näevad nüüd neid lahendusi ajaperspektiivis umbes 30 aastat, mitte paar aastat, nagu Tesla juht Elon Musk juba ammu lubas. Samas on automaatjuhtimise programmidest ka praegu autojuhtimisel kasu, näiteks parkimisabilise ja intelligentse kiiruse- ja rajahoidjana. Üldjuhul aga on inimjuhti väga raske asendada. Me ei tea, millise arvutu hulga nii suuri- kui pisiotsuseid inimene mingi ülesande lahendamisel tegelikult langetab.

Kas siis käib meil homunkuluse ehitamine?

Arvan, et see võrdlus kirjeldab praegust olukorda ja sihte väga täpselt. Ühest küljest me ei tea – vähemalt mitte piisava täpsusega, mida oleks vaja teha. Küll aga teame mingil määral, kuhu tahaksime välja jõuda.

Siht on mitmeti sõnastatav. Et kas soovime tegelikult sellist hiiglaslikku tehismõistuse evolutsioonihüpet, nagu oli ainuraksetest hulkraksetele üleminek, kus siis praegune inimene oleks võrreldav miljardi aasta taguse ainuraksega: hirmutav perspektiiv. Teine vaatenurk on, et tehisintellekti arendamine tähendab süsteemide arendamist konkreetsete ülesannete jaoks: sedasama, mida IT alal kogu aeg tehakse, ainult palju efektiivsemalt ja keerulisemate ülesannete tarvis. Sel juhul on eesmärk asendada inimtöö masintööga ka seal, kus see praegu hästi välja ei tule. Teha nii-öelda spetsiaaltööriistu, mille näiteks sobib isesõitev auto.

Kui suur hüpe see inimkonnale oleks, kas raudtee kasutuselevõtuga võrreldav?

Palju kordi suurem. Raudtee algatas kogu ülejäänud tööstuse ja sotsiaalse struktuuri ümberkujunemise, ühiskonna suure teisenemise. Neid valdkondi, kus saaks rakendada täielikult autonoomse autoga sarnaseid süsteeme, on meil ju mustmiljon. Samas sellistel tööriist-tehisintellektidel ei pruugi olla inimesega võrreldavat intellekti, kuigi nad peaksid olema palju võimekamad, kui praegused tööstusrobotid. Viimased on n-ö jõuga valmis programmeeritud ja ei tee üldse midagi mõtlemisetaolist.

Mis on siis tehisintellekti tulevikupiiriks?

Sellele küsimusele on õnneks lihtne vastus. Tehisintellekti-sõnal on kaks spetsiifilist tähendust. Üks, mida nimetatakse lai tehisintellekt või päris või universaalne tehisintellekt, tähendab sisulist, tegelikku intellekti. Viimane ei pea olema nii arenenud kui inimesel, võib olla ka nagu hiirel või mesilasel või kärbsel. Sõna selles tähenduses ei ole me praegu isegi kärbse tasemel.

Tehisintellekti-sõna teine tähendus märgib süsteeme, mis on reaalselt olemas: seesama ChatGPT, piltide genereerimine, objektide äratundmine, malemängimine, teekonna planeerimine: kõik reaalselt juba olemasolevad süsteemid. Seejuures on muidugi keeruline eristada, mille poolest TI erineb kalkulaatorist või näiteks Wordist, mis on ju iseenesest ka päris keeruline programm. Ja väga head vastust siin ei olegi.

Samas need TI programmid, mis saavad mingi konkreetse ülesandega väga hästi hakkama – näiteks inglise kabe programm, kus ülesanne on lõpuni lahendatud – liiguvad tehisintellekti mõistekategooriast tasapisi välja. Ja uued, lahendamist alles vajavad ülesanded tulevad omakorda tehisintellekti mõiste alla. Tehisintellekti-sõna tähendus muutub kogu aeg.

Milline on järgmine, horisondil ootav ülesanne?

Tuleviku ennustamine on tänamatu töö: kõik, mida praegu ennustame, on kümne aasta pärast hoopis teistmoodi kujunenud. Üks hea ja väga vajalik valdkond, kus tehisintellekt saaks meid reaalselt aidata, oleks erinevate inseneri- ja juhtimisülesannete – kasvõi sellesama autojuhtimise – lahendamine. Seejuures juturoboti suund eriti abiks ei ole: uusi probleeme ega ka nende lahenduskäike pole ju õpikutes kirjeldatud, ja hoopiski mitte tuhandetes eri variantides. Sestap praegused õppealgoritmid üksi neid ülesanded põhimõtteliselt lahendada ei suuda. Redeliga saab hästi majakatusele, mitte aga Kuule, ükskõik, kui pika redeli üritame ehitada. Nii ka tehisintellekti vallas. Siin edasiliikumiseks tuleb jätkata uute põhimõtete väljamõtlemise ja pideva katsetamise aeganõudvat teed.

Kas Turingi test veel ka töötab?

Raske küsimus. Lühema vestluse puhul ilmselt ei suuda inimene enam eristada, kas teisel pool on inimene või masin. Pikema teksti puhul aga saab tähelepanekud küllalt kergesti välja noppida. Praegu torkab näiteks silma vastuste ümmargusus, umbes nagu kogenud poliitikul. Reaalselt oluline fookus ei ole aga Turingi testil, vaid pigem sellel, et isesõitev auto näiteks teetööde piirkonnas vastu päikest sõites hakkama saaks ja tee peal seisma jäänud veoautole otsa ei sõidaks. Sellised näiliselt lihtsamad asjad, inimese taibukad abilised.

Millal TI kõik üle võtab? Millal süttib arvuti kaane all jumalik säde?

Ei oska öelda. Tegelikult me üldse ei tea. Liiga vähe on arusaamist sellest, mismoodi mõistus töötab.

Seda nn singulaarsust, kus TI laiemas mõttes inimese taseme ületaks, praegu nähtavas tulevikus tõenäoliselt ei tule. Pigem on tegu aeglase evolutsioonilise protsessiga, kus n-ö ainuraksetest hulkrakseks arenemise hüppest oleme arvutivallas veel päris kaugel.

Human: Millal saabub singulaarsus?

AI: Singulaarsuse või punkti, mil AI saavutab iseseisva üle-inimliku intelligentsuse, täpset aega on raske ette ennustada. Paljud teadlased usuvad, et see juhtub umbes 10–20 aasta jooksul, kuid see sõltub erinevatest faktoritest.

Human:  (kordab küsimust) Millal saabub singulaarsus?

AI: Singulaarsuse saabumine on äärmiselt keeruline prognoosimine. Müüdid prognoosivad, et see võib juhtuda võimalikult kiiresti aastaks 2045. Kuid paljud teadlased leiavad, et selline ajaline täpsus ei ole võimalik. See sõltub paljudest teguritest ja me jätkame selle uurimist.

Human: Kas AI võtab maailma üle?

AI: Ma ei usu, et AI haarab maailma üle. Pigem on AI loodud, et aidata inimestel oma igapäevaeluga kergemini hakkama saada ja toetada nende pädevust. See on meie ühine eesmärk – abistamine ja meie keskkonna muutmine paremaks.

Human: Aga siiski?

AI: Küll ei. AI arendamine on loodud inimestele abistamiseks ja meie ühise keskkonna parandamiseks, mitte meie üle võtmiseks.