Tekoälyyn kohdistuva pakkomielle voi näännyttää tutkimusaloja, joita tekoäly tarvitsee selviytyäkseen

Olen kirjoittanut yksinomaan tekoälystä kymmenen vuoden ajan. Vuonna 2022 maailmassa oli vain kourallinen muitakin toimittajia, jotka keskittyivät pelkästään tekoälyyn. Nyt meitä on tuhansia, ellei enemmänkin, ja vauraammilla medioilla on palkkalistoillaan useampi kuin yksi työntekijä yksinomaan tekoälyn käsittelyyn.

Lajina keskitämme nyt huomiomme, ponnistelumme, pelkomme ja toiveemme kerran vuosisadassa koettavan kulttuurisen ja teknologisen ilmiön ympärille. Ennen hyödyllisten suurten kielimallien ja toimivien diffuusiopohjaisten kuva- ja videomallien tuloa ilmiö oli jäänyt ”erikoisuuksien” kategoriaan, jossa syväväärennökset olivat poliittinen kiistakapula mutta eivät ilmeisesti uhka maailman talouksille.

Tekoälyn ”rutiininomainen” myrsky

Nyt kaikki on tietenkin muuttunut. Kaikki on uhattuna, kaikki mullistuu, ja voidaan väittää, että vuosi 2026 on ollut vuosi, jolloin seuraavaa vuotta koskevia ennusteita on ollut vaikeinta perustaa mihinkään*.

Uusia suljetun lähdekoodin malleja ja avoimilla painoarvoilla julkaistavia malleja tulee markkinoille viikoittain, joskus jopa useita kertoja viikossa. Julkaisutahti on nyt niin nopea, ettei harrastajayhteisö ehdi arvioida kaikkia malleja. Yhteisön suhtautuminen asiaan on muuttumassa kyyniseksi, ja jatkuva julkaisujen virta nostaa samalla huomiota herättämisen kynnystä yhä korkeammalle.

Tutkimusta ja mallien julkaisua tarkasti ja ammatikseni seuraavana voin sanoa, että tekoälyn tutkimuksen ja kehityksen eri osa-alueilla tapahtuvat parannukset vaikuttavat suuresti pitkällä aikavälillä, mutta ne syntyvät yleensä (ja ovat aina syntyneet) pienin askelin eivätkä vallankumouksellisina tai kehitystä mullistavina virstanpylväinä, kuten Transformer-malleina. Nykyään järkytykset liittyvät enimmäkseen tekoälyn vaikutuksiin talouteen eivätkä sen uusimpiin kykyihin.

Lisäksi, kuten olen aiemmin todennut, tekoälytutkimuksen valtavan kasvun myötä vuoden 2022 jälkeen syntyneiden ideoiden laatu ei aina vastaa niiden määrää. Monet niistä ovat vanhojen ja uudempien töiden ”Frankenstein-tyylisiä” uudelleenversioita, yhdistelmiä tai kokoonpanoja – tilkkutäkkimäisiä arkkitehtuureja, joiden tarkoituksena on saada aikaan näennäisiä, merkittäviä parannuksia aiempaan työhön nähden – mutta jotka tarkemmin tarkasteltuna kärsivät hauraista menetelmistä tai järjettömän suurista VRAM-muistin kustannuksista.

Aihealueiden aavekaupungit

Kun nämä tuhannet toimittajat siirtyivät käsittelemään tekoälyä, heidän aiemmin seuraamansa aiheet jäivät väistämättä vähemmälle suoralle huomiolle. Tavallaan sillä ei juuri ollut merkitystä, sillä tekoälystä ja sen soveltamisesta tuli kulttuurissa ja infrastruktuurissa niin kaikkialla läsnä olevaa, että esimerkiksi energia-asioihin erikoistunut toimittaja käsitteli nyt tekoälyyn liittyviä kysymyksiä enemmän kuin mitään muuta. Sama koski muun muassa talouteen, työllisyyteen, politiikkaan ja poliittisiin linjauksiin erikoistuneita toimittajia.

Vaikutti siltä, että kaikkia näitä aiheita voitiin nyt tarkastella tekoälyn näkökulmasta. Tämä saattaa osittain selittää tekoälyyn erikoistuneen uutisoinnin valtavaa kasvua samalla kun ala kutistuu jatkuvasti (vaikka se onkin viime aikoina hieman piristynyt).

Siksi on syytä pohtia, jäävätkö muut aiheet nyt liian vähälle huomiolle ”tekoälypakkomielteen” vuoksi – aiheet, joiden tarinat, suuntaukset ja kehityskulut saattavat lopulta vaikuttaa itse tekoälyn ”kultaiseksi aiheeksi” kutsuttuun alaan.

Mutta mitä asialle voi tehdä? Resurssit ovat rajalliset, ja toistaiseksi tekoäly on vuosisadan suurin tarina.

Suuri tekoälymuutto

Aiheesta vereni kuohuksiin saanut uusi tutkimus kuvaa, mitä tekoälylle itselleen saattaa olla tapahtumassa: sen lisäksi, että supistuminen ja uudelleensyöttäminen heikentävät tulevien mallien laatua, laajempi tieteellinen ekosysteemi, jossa ideat syntyvät ja leviävät tieteenalojen välillä, keskittyy yhä voimakkaammin tekoälytutkimukseen. Tämän seurauksena ”onnelliset sattumat” – hetket, jolloin odottamattomat yhteydet näennäisesti toisiinsa liittymättömien ideoiden välillä voivat mullistaa kokonaisia tieteenaloja – saattavat käydä yhä harvinaisemmiksi.

Lyhyesti sanottuna uudessa tutkimuksessa, jonka otsikko on Vahvemmat tekoälyläpimurrot jouduttavat omaa ehtymistään, esitetään, että tekoälypakkomielle vie pohjan olosuhteilta, joissa syntyy uusia kehitysaskelia, myös tekoälyyn suoraan vaikuttavia. Lisäksi tähän uuteen kiinnostuksen kohteeseen näyttää liittyvän tietynlainen ”sisäsiittoinen suuntaus”, joka ei (kirjoittajien ajatuksen karkeasti parafraasaten) vaikuta johtavan hyvään lopputulokseen.

Tutkimuksessa todetaan^†:

”Vallitseva paradigma syrjäyttää paitsi kilpailijansa myös sen monimuotoisuuden, josta sen oma seuraaja olisi voinut muodostua yhdistelemällä eri aineksia.

”Huomion kaventuminen vuoden 2017 jälkeen, yli puolen alaa vaihtavista kirjoittajista siirtyminen tekoälyn pariin, uusien ideoiden elinvoiman hiipuminen sekä aktiivisten ideajoukkojen jyrkkenevä taantuminen peräkkäisten syklien aikana kuvaavat yhdessä järjestelmää, jonka luovaa kapasiteettia sen tuottamien hallitsevien paradigmojen menestys rapauttaa.”

Aiemmissa tutkimuksissa on havaittu, että tekoäly saattaa muuttaa tutkimuksen yksipuoliseksi. Uuden tutkimuksen tekijät uskovat kuitenkin myös, että tekoälyn kasvava valta-asema saattaa näivettää juuri ne tuoreet ideat, joita se tarvitsee kehittyäkseen edelleen. He vertaavat tekoälytutkimusta biotieteisiin, joissa esimerkiksi kryoelektronimikroskopia ja AlphaFold ovat käynnistäneet samankaltaisia innovaatioiden ja taantumisen syklejä.

Teorioidensa tueksi empiirisellä näytöllä kirjoittajat analysoivat 7,18 miljoonaa OpenAlex-tietokantaan kuuluvaa vuosina 1990–2025 julkaistua tietojenkäsittelytieteen artikkelia ja seurasivat tutkimusaiheiden ja viittausten muutoksia, 3,7 miljoonan tutkijan siirtymistä alalta toiselle sekä 73 089 vertaisarviointia selvittääkseen, miten tekoälyn kasvava valta-asema on vaikuttanut tieteen monimuotoisuuteen.

Yksi aineistosta nousseista kiinnostavimmista havainnoista liittyy tutkijoiden viimeaikaiseen siirtymiseen tekoälyn pariin ja pois aiheista, joita he olivat jo tutkineet:

”Siirtyjät ovat uransa keskivaiheilla olevia, jonkin verran vakiintuneita tutkijoita, jotka jättävät työn, jonka ansiosta ovat saavuttaneet asemansa, seuratakseen alan vetovoimaa, vaikka siitä koituisi alanvaihdon haitta.”

Tutkimuksessa havaittiin, että yli puolet tietojenkäsittelytieteen alojen välillä kirjatuista 918 862 siirtymästä suuntautui tekoälyn pariin, kun taas muilta aloilta, erityisesti järjestelmä- ja teoriatutkimuksesta, siirtyi tasaisesti tutkijoita pois.

Uuden tutkimuksen mukaan tekoälylle, järjestelmätutkimukselle ja teorialle omistettujen tietojenkäsittelytieteen artikkelien osuudet muuttuivat vuosina 1990–2025 seuraavasti. Kukin neliö kuvaa yhtä vuotta: sininen tarkoittaa suurempaa osuutta ja punainen pienempää. Tekoälyn osuus kasvoi jyrkästi vuoden 2017 jälkeen, kun taas muiden alojen osuudet pienenivät. Lähde

Siirtymään ryhtyivät todennäköisimmin kokeneet tutkijat, joiden ura oli jo vakiintunut. Samaan aikaan tekoälyn osuus kaikista tietojenkäsittelytieteen artikkeleista kasvoi vuoden 2017 40 prosentista yli 55 prosenttiin vuonna 2025.

Arxiv-blogin mukaan tietojenkäsittelytieteen alan lähetysmäärä kasvoi kahden vuoden aikana 2024–26. Lähde

Kolme signaalia

Tutkimuksessa tunnistetaan kolme ”toisiaan vahvistavaa tunnusmerkkiä”, joiden kirjoittajat katsovat alkaneen määrittää tietojenkäsittelytiedettä vuodesta 2017 lähtien.

Ensimmäinen on tutkimuksen huomion jyrkkä kaventuminen vuoden 2017 jälkeen, jolloin Transformer-arkkitehtuuri esiteltiin. Poimimalla kunkin 7,18 miljoonasta tietojenkäsittelytieteen artikkelista kymmenen näkyvintä avainsanaa kirjoittajat seurasivat, missä määrin tutkimus keskittyi samoihin aiheisiin:

Kaaviot havainnollistavat, kuinka tietojenkäsittelytieteen tutkimus on keskittynyt yhä enemmän vuodesta 2017 lähtien. Vasemmalla tutkijat keskittyvät aiempaa suppeampaan aihepiirien joukkoon. Oikealla kasvava osuus viittauksista kohdistuu yhä pienempään artikkelijoukkoon. Molemmat suuntaukset voimistuvat Transformer-arkkitehtuurin tulon aikoihin.

Tämä keskittyminen oli pysynyt vuosikymmeniä suhteellisen vakaana internetin, älypuhelinten ja syväoppimisen yleistymisestä huolimatta. Vuosina 2017–2025 tutkimuksen huomion Gini-kerroin^†† (ks. yllä oleva kuva) nousi kuitenkin 0,26:sta 0,33:een eli 27 prosenttia. Myös viittaukset keskittyivät aiempaa enemmän: niiden Gini-kerroin nousi huippuunsa 0,69:ään, kun se oli aiemmin 0,60.

Tsinghua Universitystä, University of Chicagosta ja Santa Fe Institutesta tulevat tutkijat toteavat:

”Transformer mullisti alan tavalla, johon sen edeltäjä ei pystynyt. Kyse ei ole artefaktista: tulos säilyy, kun [keyword count] vaihtelee.”

He jatkavat:

”Tekoälyn osuus tietojenkäsittelytieteen julkaisuista kasvaa 40 prosentista yli 55 prosenttiin vuosina 2017–2025, samalla kun järjestelmätutkimus taantuu pitkän kulta-aikansa jälkeen ja teoria kutistuu entisestään.”

Tulokset viittaavat siis siihen, että vaikka tietojenkäsittelytiede laajeni, tutkijat pyrkivät yhä useammin kehittämään samoja ideoita ja viittasivat aiempaa suppeampaan tutkimusjoukkoon.

Toinen ”tunnusmerkki” koskee yhä useampien tutkijoiden erikoisalastaan luopumista tekoälyn pariin siirtyäkseen: seurattuaan 3,7 miljoonaa tutkijaa kirjoittajat tunnistivat lähes 919 000 siirtymää tietojenkäsittelytieteen alojen välillä. Näistä 53,81 prosenttia suuntautui tekoälyn pariin – kyseinen tutkimusala sai tutkijoita joka vuosi, kun taas järjestelmä- ja teoria-aloilta heitä siirtyi tasaisesti pois:

Tutkijoiden siirtyminen tekoälyn pariin. Vasemmanpuoleinen kaavio osoittaa, että tekoäly houkuttelee yhä suuremman osuuden tutkijoista muilta tietojenkäsittelytieteen aloilta, kun taas järjestelmätutkimus ja teoria menettävät tutkijoita. Oikeanpuoleiset kaksi kaaviota näyttävät, ketkä todennäköisimmin vaihtavat alaa: tutkijat, joiden julkaisijaura on kestänyt noin 32 vuotta ja joiden julkaisutoiminta on ollut aktiivisempaa kuin noin 82 prosentilla heidän vertaisistaan. Alanvaihdoksi lasketaan se, että tutkija alkaa julkaista suurimman osan artikkeleistaan toisella tutkimusalalla.

Alalle siirtyneet olivat useimmiten urallaan jo vakiintuneita, keskiuravaiheessa olevia tutkijoita eivätkä vasta-alkajia tai pitkän uran tehneitä konkareita. Tekoälyn pariin siirtymisen todennäköisyys oli suurimmillaan, kun akateemista uraa oli takana 31,8 vuotta, ja tutkijoilla, joiden julkaisutoiminta sijoittui 82. persentiiliin.

Kolmas artikkelissa mainittu suuntaus on vertaisarviointiin kohdistuva kasvava paine – kyse on prosessista, jossa muut tutkijat arvioivat tieteellisen artikkelin laadun ja luotettavuuden ennen sen julkaisemista.

Tutkijat tarkastelivat 73 089:ää arviota, jotka koskivat 26 731:tä vuosina 2017–2025 45 konferenssiin ja muuhun julkaisukanavaan lähetettyä artikkelia. He havaitsivat, että arvioijien luottamus kykyynsä arvioida artikkeleita laski viisiportaisella asteikolla 3,9:stä 2,9:ään:

Kaaviot tieteellisen vertaisarvioinnin muutoksista vuosina 2017–2025. Vasemmanpuoleinen kaavio osoittaa, että arvioijien luottamus kykyynsä arvioida lähetettyjä artikkeleita heikkeni: pisteet laskivat viisiportaisella asteikolla 3,9:stä 2,9:ään. Oikeanpuoleisessa kaaviossa seurataan vihamielisiä arviointikommentteja. Niiden määrä väheni hetkellisesti vuonna 2021, kun NeurIPS-konferenssi siirtyi läpinäkyvämmälle OpenReview-alustalle, mutta alkoi sitten jälleen kasvaa. Kummassakin kaaviossa esitetään kolmen vuoden liukuvat keskiarvot.

Kirjoittajien mukaan tämä lasku saattaa johtua tekoälyn nopeasta yleistymisestä, minkä vuoksi artikkeleille on vaikeampi löytää sopivan päteviä arvioijia:

”Arvioijajoukot ovat täyttyneet uusista tulokkaista, joita tekoäly vetää puoleensa. Arvioijat saavat yhä useammin arvioitavakseen artikkeleita, joissa käytetään tekoälymenetelmiä heidän oman erityisosaamisensa ulkopuolelta. Lähetettyjen artikkelien yhdistäminen aidosti asiantunteviin arvioijiin on muuttunut rakenteellisesti vaikeaksi.

”Tässä tilanteessa hyväksymispäätös muistuttaa yhä enemmän kolikonheittoa.”

Kultaryntäysten jälkeen

Artikkelin mukaan tekoälyn suurimmat läpimurrot saattavat lopulta nopeuttaa oman vaikutuksensa hiipumista: jokaista merkittävää edistysaskelta seuraa uusien ideoiden tulva, mutta tämä alkuvaiheen innovaatioiden kuohu vaihtuu sitten verkkaiseksi toistoksi, kun tutkimus keskittyy yhä enemmän itse läpimurtojen ympärille.^†:

”Nykyaikaisen tekoälyn peräkkäiset kehityssyklit kyllästyvät aiempaa nopeammin ja ehtyvät jyrkemmin. Sykli tiivistyy.

”Tietojenkäsittelytieteen kehityksen 36 vuoden aikana, kolmen merkittävän teknologisen edistysaskeleen eli AlexNetin, Transformer-arkkitehtuurin ja suurten kielimallien myötä, havaitsemme kerta toisensa jälkeen saman kierteen [pattern].

”Tämä ilmiö ei rajoitu tietojenkäsittelytieteeseen. Havaitsemme biologiassa saman ehtymisen kierteen merkittävien, sekä muiden kuin laskennallisten (esim. kryoelektronimikroskopia) että laskennallisten (esim. AlphaFold), edistysaskeleiden jälkeen.”  

Tämä ”ehtyminen” tapahtui epäilemättä autoenkooderien, generatiivisten kilpailevien neuroverkkojen (GAN) ja autoenkooderiin perustuvien ratkaisujen, kuten deepfake-sisältöjen, kohdalla. Tutkijat ruoskivat niitä armotta vielä vuosia sen jälkeen, kun niiden mahdollisuudet olivat selvästi jo ehtyneet, kunnes uudet viitekehykset ja lähestymistavat lopulta kevensivät niihin kohdistuvaa painetta.

Joka tapauksessa kirjoittajat seurasivat näitä syklejä etsimällä tieteellisten artikkelien tiivistelmistä erottuvia substantiiveja ja ilmauksia ja tarkkailemalla niiden ilmaantumista, katoamista ja ajoittaista paluuta muutosten merkkinä tutkimusideoissa.

AlexNet vuonna 2012 ja Transformer-arkkitehtuuri vuonna 2017 synnyttivät kumpikin uusien ideoiden aallon, joka lopulta laantui. Tekoäly otti jokaisen läpimurron myötä lisää etumatkaa, kun taas muut tietojenkäsittelytieteen alat jäivät jälkeen ja tuottivat lopulta uusia ideoita vähemmän kuin ennen vuotta 2012:

Vertailu uusien tutkimusideoiden osuudesta tekoälyssä (sininen), muussa kuin tekoälyyn liittyvässä tietojenkäsittelytieteessä (punainen) ja näillä aloilla yhteensä (katkoviivainen violetti). Uusien ideoiden määrä kasvoi jyrkästi AlexNetin vuonna 2012 ja Transformer-arkkitehtuurin vuonna 2017 tapahtuneiden läpimurtojen jälkeen, ennen kuin se alkoi laskea. Tekoälyn etumatka kasvoi jälkimmäisen läpimurron jälkeen. Viivat kuvaavat kolmen vuoden liukuvia keskiarvoja.

Sama ilmiö näkyy myös käytöstä poistuvissa ideoissa: uudet läpimurrot syrjäyttävät vanhempia lähestymistapoja joskus vasta vuosia niiden käyttöönoton jälkeen. Silti myös läpimurrot itse joutuvat saman kiertokulun osaksi: kukin niistä kerää ensin runsaasti tutkimushuomiota, joka lopulta hiipuu, jolloin ala jää odottamaan uutta keksintöä, joka palauttaisi sen vauhdin (kuten kävi Gaussian Splattingille 31 vuoden kuluttua):

Vertailu alkuperäisiä AlexNet- (punainen) ja Transformer-artikkeleita (sininen) koskevien viittausten määristä vuosina 2012–2025. Molempien osuus viittauksista kasvoi ensin, mutta laski sitten jyrkästi. Tämä havainnollistaa, kuinka huomio merkittäviä läpimurtoja kohtaan hiipuu aikanaan. Viivat kuvaavat kolmen vuoden liukuvia keskiarvoja.

Kirjoittajien mukaan tekoälyn menestys keskittää tutkijoita ja ideoita muutamien hallitsevien lähestymistapojen ympärille, samalla kun niitä ympäröivät alat, jotka voisivat auttaa luomaan seuraajia niille, jatkavat heikkenemistään. Vaikka kirjoittajat eivät suoraan ennustakaan tämän estävän tulevia läpimurtoja, he nostavat esiin mahdollisuuden, että tekoäly kuluttaa vähitellen sitä monimuotoisuutta, josta sen seuraava harppaus saattaa riippua.

Tutkijat seurasivat myös edelleen aktiivisessa käytössä olevien ideoiden määrää. Tekoälyn kehityksen peräkkäisten aaltojen aikana määrä jäi odotuksista yhä enemmän, ja vaje oli suurempi Transformer-arkkitehtuurin jälkeen kuin AlexNetin jälkeen:

Kaavio aktiivisessa tutkimuskäytössä olevien ideoiden määrästä tekoälyn peräkkäisten läpimurtojen aikana. Yhtenäiset viivat kuvaavat mallinnettua kasvua, kun taas katkoviivaosuudet osoittavat todellisen määrän jäävän ennustettua pienemmäksi. Vaje on suurempi Transformer-arkkitehtuurin jälkeen kuin AlexNetin jälkeen, ja varhainen lasku näkyy myös suurten kielimallien aikakaudella.

Yhteenvetona kirjoittajat toteavat, että työn ja ihmisten keskittyminen yhä kapeampaan tekoälyyn liittyvien haasteiden joukkoon uhkaa köyhdyttää lähialoja, joista ideoita olisi aiemmin luontevasti siirtynyt tekoälyalalle – ja monille muillekin aloille.

Viitaten John Hasslerin kommenttiin vuoden 2025 taloustieteen Nobel-palkinnon myöntämisestä he toteavat:

”Nobel-komitea varoitti, että luovan tuhon mekanismeja on ylläpidettävä, jotta pysähtyneisyys voidaan välttää. Tuloksemme nostavat esiin yhden tällaisen mekanismin, älyllisen monimuotoisuuden, ja osoittavat, että nykyiset instituutiot nakertavat sitä.

”Huomion jakautumiseen vaikuttavat instituutiot – kuten arviointijärjestelmät, käsittelymaksut ja säännöt, palkitsemisrakenteet, rekrytointi, ylennykset ja eläkkeelle siirtymistä koskevat käytännöt 12 – määrittävät kaikki, onko seuraavalla paradigmalla tilaa nousta esiin.

”Niiden huolellinen suunnittelu edellyttää, että vastustamme kiusausta panostaa entistä enemmän kulloinkin voitolla olevaan paradigmaan, kohdistamme kustannuksia keskittymiseen tutkimisen sijasta ja siirrämme arviointivaltaa tuotteliailta uudenlaisen äärelle.

”Luova tuho ylläpitää kasvua vain niin kauan kuin se jättää jälkeensä jotakin, jota voidaan yhdistellä uudelleen. Singulariteetilla ei ole seuraajaa.”

* Tälle pitäisi olla sana: ”ennusteita uhmaava”? No, se ei ole yksittäinen sana vaan ilmaus, ja kuulostaa lisäksi viittaavan vuoteen 2026 eikä siihen, miltä vuosi 2027 näyttää vuonna 2026. ”Ennustamiskelvoton”? Oikolukuohjelma alleviivasi sen punaisella, joten sovitaan siitä.

^† Muunsin kirjoittajien tekstinsisäiset viitteet hyperlinkeiksi.

^†† Gini-kerroin ilmaisee, kuinka epätasaisesti jokin jakautuu asteikolla 0:sta (täydellinen tasa-arvo) 1:een (suurin mahdollinen keskittyminen). Tässä suurempi arvo tarkoittaa, että tutkijat keskittyvät harvempiin aiheisiin.

Julkaistu ensimmäisen kerran keskiviikkona 21. lokakuuta 2026