Kun tekoäly nopeuttaa tutkimusta, mikä alkaa hidastaa edistystä?

Jos tutkija pystyy huomenna selvittämään sata lupaavaa vaihtoehtoa siinä ajassa, jossa hän aiemmin selvitti yhden, mitä pitäisi rakentaa lisää? Vastaukseksi ei välttämättä riitä tehokkaampi tietokone. Tarvitaan myös tapoja valita, testata, tarkistaa ja ottaa käyttöön se, mitä tietokone tuottaa.

Anthropicin perustajiin kuuluva Jack Clark puhui tästä 17. lokakuuta 2026 Bangkokissa pidetyssä Per Jacobsson -luennossa. Hän esitti, että tekoälyn kyky osallistua tutkimukseen voi nopeuttaa tieteellistä ja taloudellista kehitystä niin voimakkaasti, että hän kutsuu muutosta singulariteetin alkamiseksi. Clarkin oma puheteksti ↗ (avautuu uuteen välilehteen) on julkaistu 19. lokakuuta. Singulariteetti on tässä hänen tulkintansa kehityksen suunnasta. Tapahtuman järjestäjän kuvaus ↗ (avautuu uuteen välilehteen) kertoo puheen tarkoituksesta, mutta puheenvuoro ei ole Kansainvälisen valuuttarahaston ennuste. Clark edustaa samalla yhtiötä, joka kehittää ja myy tarkasteltavaa teknologiaa.

Puheesta nostettiin otsikoihin Yhdysvaltain talouden mahdollinen kasvu noin 44 biljoonaan dollariin vuonna 2030. Luvun merkitys selviää paremmin Anthropicin talousskenaarioiden tausta-aineistosta ↗ (avautuu uuteen välilehteen): 44,4 biljoonaa on voimakkaimman skenaarion tuotanto vuoden 2025 hinnoin. Se on 32,4 prosenttia suurempi kuin saman mallin vertailutalous ilman tekoälyn vaikutusta vuonna 2030. Kyse ei ole havaitusta kasvusta eikä nykyhetkestä lasketusta 32,4 prosentin kasvuprosentista.

Tämä skenaario tarvitsee vahvoja oletuksia. Tekoäly olisi ihmistä tuottavampi valtaosassa tietotyön tehtäviä, tekisi niitä laajasti itsenäisesti ja tulisi nopeasti käyttöön. Malli olettaa tässä vaihtoehdossa, ettei uusia tietotyön tehtäviä juuri synny ihmisille. Samassa skenaariossa tietotyön työttömyys kasvaa ja työn osuus kansantulosta laskee. Suurempi talous ja useimpien ihmisten parempi toimeentulo eivät siis ole sama väite. Skenaarioita laativa yhtiö kertoo myös, että malli jättää esimerkiksi politiikkatoimia, suhdanteita ja mahdollisia kysyntähäiriöitä tarkastelun ulkopuolelle.

Clarkin kiinnostavin kysymys on silti rahalukua perustavampi. Tutkimus tarvitsee ihmisiä, joilla on aikaa, osaamista ja välineitä. Bloom, Jones, Van Reenen ja Webb ↗ (avautuu uuteen välilehteen) ovat osoittaneet useissa historiallisissa tapauksissa, että tutkimuspanoksen kasvu on kompensoinut tutkimuksen tuottavuuden heikkenemistä. Jos tekoäly pienentää joidenkin tutkimustehtävien kustannusta, se voisi muuttaa tätä suhdetta. Historiallinen havainto ei kuitenkaan osoita, että tekoäly olisi jo kääntänyt koko tieteen tuottavuuden nousuun.

Uusi näyttö kannattaa ottaa vakavasti ja lukea tarkasti. TheoPhysEval-tutkimuksessa ↗ (avautuu uuteen välilehteen) GPT-6-Astra-mallia Codex-työkalujen avulla käyttävä agentti sai oikein 49 loppuvastausta 50 julkaisemattomaan teoreettisen fysiikan tehtävään. Tutkijat kertovat myös tapauksista, joissa mallin vastausta tarkasteltaessa löytyi virheitä ihmisten alkuperäisistä ratkaisuista. Tulos on vahva havainto tämän kokeen laskentatehtävistä. Se ei yksin mittaa kykyä valita merkittävä uusi tutkimuskysymys, osoittaa kokonaisen perusteluketjun oikeellisuus tai johtaa tutkimusohjelmaa. Tekijät toteavat lisäksi, ettei mahdollista aineistovuotoa voida sulkea pois, koska joidenkin tehtävien ratkaisemisessa oli käytetty tekoälyä jo valmisteluvaiheessa. Raportti on arXiv-esijulkaisu; tässä tarkistuksessa sille ei vahvistettu vertaisarvioitua julkaisua.

Fyysisessä tutkimuksessa ero ehdotuksen ja tuloksen välillä näkyy vielä selvemmin. A-Lab-materiaalilaboratorio ↗ (avautuu uuteen välilehteen) yhdisti laskentaa, koneoppimista ja robottien tekemiä kokeita. Sen tammikuussa 2026 julkaistu korjaus ↗ (avautuu uuteen välilehteen) tarkensi sekä valmistettujen yhdisteiden tunnistamista että alkuperäisten uutuusväitteiden merkitystä. Esimerkki osoittaa rajatun laboratoriotyön automatisointia. Samalla se näyttää, miksi koneen ehdotus, kokeellinen havainto ja tieteellisesti varmennettu tulos tarvitsevat erilliset tarkistukset.

Tästä voi seurata uusi investointikysymys. Jos ehdotusten tuottaminen nopeutuu enemmän kuin niiden testaaminen, niukaksi resurssiksi voi tulla mittauslaite, kokeen valmistelu, laadukas aineisto tai asiantuntijan tarkistusaika. Jos varmennettuja tuloksia syntyy enemmän, seuraava niukkuus voi löytyä tuotannon koejärjestelyistä, rahoituksesta tai asiakkaan käyttöönotosta. Pullonkaula voi siirtyä, vaikka sitä ei saada poistettua.

Tämä laajentaa sivuston tekoälytalouden arvoketjua. Energia, laskenta ja digitaalinen työkyky ovat edellytyksiä. Tutkimuksessa niiden rinnalle tulevat kokeet ja varmennus. Taloudellinen arvo syntyy vasta, jos tulos voidaan ottaa hyödylliseen käyttöön. Siksi suuren määrän tuotettuja laskelmia, koodirivejä tai tutkimusehdotuksia ei pitäisi käyttää sellaisenaan tuottavuuden mittarina.

Suomelle tästä voisi muodostua arvioitava mahdollisuus myös mallien rakentamisen ulkopuolella. Tutkimusorganisaatio tai yritys voisi selvittää, missä sen nykyinen laitteisto, mittausosaaminen ja kokeellinen työ palvelevat tekoälyavusteista tutkimusta. Ensimmäinen kysymys olisi konkreettinen: lyheneekö aika perustellusta kysymyksestä riippumattomasti varmennettuun tulokseen, ja millä kokonaiskustannuksella? Tästä kirjoituksesta ei seuraa, että Suomella olisi jo kilpailuetu tai että uusi laboratoriokapasiteetti olisi automaattisesti kannattava investointi.

Ihmisen osaaminen pysyy tässä keskeisenä. Jos tutkija ohjaa useita agentteja, hänen on edelleen ymmärrettävä, mitä kysytään ja millainen vastaus voidaan hyväksyä. Samalla on ratkaistava, miten uudet asiantuntijat oppivat arvioimaan työtä, jos osa aiemmista harjoittelutehtävistä automatisoituu. Hyväksynnän vastuu, käyttöoikeudet ja vaarallisen tutkimuksen valvonta eivät synny testituloksesta.

Clarkin puhetta kannattaa siis käyttää lähtökohtana varautumiselle, jonka oletukset voidaan tarkistaa. Missä tehtävässä tekoäly auttaa jo nyt? Missä lisäkapasiteetti jää odottamaan seuraavaa vaihetta? Kuka saa hyödyn ja kuka kantaa kustannuksen? Näihin kysymyksiin voi etsiä vastauksia myös silloin, kun singulariteetin alkaminen jää kiistanalaiseksi tulkinnaksi.

Aineisto tarkistettu 19.10.2026. Tämä on toimituksen suomenkielinen synteesi, jonka lähteiden tarkistuksessa ja tekstin valmistelussa on käytetty Codex-agenttia. Puhetta ei ole julkaistu suomennoksena eikä lähdevideota kopioitu.