Yhdysvaltalainen historiantutkija Melvin Kranzberg julkaisi vuonna 1986 seitsemän nimeään kantavaa teknologian lakia. Ensimmäisen lain mukaan ”teknologia ei ole hyvää eikä pahaa, muttei myöskään neutraalia”. Kranzbergin laki on hyvä lähtökohta myös keskustelulle tekoälyn ja muun digitaaliteknologian kestävyysvaikutuksista.
Tekoälyn nopea kehitys viime vuosina on herättänyt suuria toiveita. Sen avulla on ajateltu voitavan vauhdittaa talouskasvua, pelastaa ihmishenkiä, ehkäistä sairauksia ja ratkaista ihmiskunnan elintärkeitä haasteita kuten köyhyys, ilmaston lämpeneminen tai luontokato.
Tekoälyn kehitystä ovat vauhdittaneet laskentatehon lisääntyminen, digitaalisen datan räjähdysmäinen kasvu ja koneoppimisalgoritmien kehitys. Vaikka tekoäly on saavuttanut hämmästyttäviä tuloksia, malleihin on sisältynyt merkittäviä rajoitteita: ne ovat kyenneet tuottamaan ennusteita ja tekemään päätöksiä vain kapeilla tehtäväalueilla ja malleja ohjaavien sääntöjen rajoissa.
Laajoihin kielimalleihin perustuva generatiivinen tekoäly ylittää rajoja
Generatiivinen tekoäly pystyy tuottamaan uudenlaisia, ihmismäisiä tuotoksia ja helpottaa ihmisen ja koneen välistä kommunikointia. Elinkeinoelämän tutkimuslaitoksen ETLAn selvityksen mukaan syksyllä 2024 jo noin puolet Suomen aikuisväestöstä oli käyttänyt jotain tekoälyn verkkosovellusta.
Tulos on vaikuttava, mutta siitä on vielä pitkä matka tekoälylle asetettujen ihmiskunnan kannalta elintärkeiden lupausten lunastamiseen.
Generatiivisen tekoälyn käänteentekevyydestä on hyvin erilaisia käsityksiä. Osa asiantuntijoista katsoo, että sen vaikutukset työhön, liiketoimintaan tai globaalien ongelmien ratkaisemiseen olisivat jo näkyvissä, jos niitä on tullakseen. Toiset taas uskovat, että vaikutukset ilmenevät vasta pidemmällä aikavälillä, kuten monissa aiemmissa teknologisissa murroksissa.
Lopullista arviota generatiivisen tekoälyn roolista ei kannata vielä tehdä
Keskustelussa generatiivisen tekoälyn mahdollisuuksista on noussut esiin useita kysymyksiä, jotka odottavat vastaustaan. Seuraavassa mainitsen näistä kolme kestävyystavoitteiden saavuttamisen kannalta tärkeää:
- Kehittämisen ja käytön päämäärät: Ketkä kehittävät tekoälyratkaisuja, ja mitä tavoitteita ne palvelevat? Kuinka paljon kehitystä ohjaa yhteiskunnallisesti toivottava suunta, kuten kestävyystavoitteet?
- Datan merkitys ja laatu: Data on tekoälymallien polttoainetta, jota tuottavat muun muassa erilaiset navigointipalvelut, älykkäät sähköverkot ja sosiaalinen media. Vaikka datan määrä kasvaa, mallien kehitys ei ole taattu ilman laadukasta dataa. Eräät tutkijat puhuvat jopa mallien romahtamisen riskistä, kun yhä suurempi osa niiden käyttämästä datasta on jatkossa tekoälymallien itsensä tuottamaa.
- Tekoälyn oma hiilijalanjälki: Yhden ChatGPT-tehtävän vaatima energiankulutus on noin kymmenkertainen verrattuna yhteen Google-hakuun. Generatiivista tekoälyä käyttämällä tulisi siis kyetä ratkaisemaan ongelmia, joita sen käyttö jo sinänsä on aiheuttamassa. Siihen, kumpaan suuntaan vaaka kallistuu, vaikuttaa se, mihin tekoälyä käytämme: kestävyyttä vahvistavien asioiden edistämiseen vai kaikkeen mahdolliseen muuhun?
Näistä kysymyksistä käytiin antoisaa keskustelua myös Työterveyslaitoksen Kestävyyspiknik-sarjan kolmannessa työpajassa, joka käsitteli kestävää digisiirtymän johtamista. Työpajasarja kokoaa yhteen työelämän vaikuttajia, asiantuntijoita ja tutkijoita pohtimaan, miten työpaikat voivat edistää kestävää kehitystä. Tavoitteena on luoda yhteinen näkemys työpaikkojen roolista kestävyysmurroksessa sekä koota konkreettisia toimintaehdotuksia työpaikoille.
Lämmin kiitos kaikille työpajaan osallistuneille panoksesta yhteiseen keskusteluun sekä arvokkaista näkökulmista.
Tule mukaan Kestävyyspiknikeille:
Työelämän vaikuttaja, asiantuntija tai tutkija – haluaisitko mukaan Kestävyyspiknikille? Kevään 2025 piknikeillä on vielä muutamia paikkoja vapaana! Tutustu ohjelmaan ja ilmoittaudu mukaan: Tervetuloa Kestävyyspiknikille! | Työterveyslaitos
Viitteitä:
Kestävyyspiknik työpaja 3: Kestävä digisiirtymän johtaminen – Miten ekologisen, sosiaalisen ja taloudellisen kestävyyden tavoitteet tulisi huomioida työpaikan digitaalisessa muutoksessa? 21.11.2024 Työterveyslaitos, Helsinki. https://www.ttl.fi/tervetuloa-kestavyyspiknikille
Frey, C.B. & Osborne, M.A. (2023) Generative AI and the future of work: a reappraisal. Brown Journal of World Affairs 30(1), 1–17. https://bjwa.brown.edu/30-1/generative-ai-and-the-future-of-work-a-reappraisal/
Goldman Sachs (2024) Gen AI: too much spend, too little benefit? Global Macro Research Issue 129. https://www.goldmansachs.com/insights/top-of-mind/gen-ai-too-much-spend-too-little-benefit
Kauhanen, A., Kässi, O., Pajarinen, M., Rouvinen, P. & Vanhala, P. (2024) Generatiivisen tekoälyn käyttö Suomessa: havaintoja syksyn 2024 kyselystä. ETLA muistio 144. https://www.etla.fi/julkaisut/muistiot/generatiivisen-tekoalyn-kaytto-suomessa-havaintoja-syksyn-2024-kyselysta/
Kranzberg, M. (1986) Technology and history: “Kranzberg’s Laws”. Technology and Culture 27(3), 544–560. https://www.jstor.org/stable/3105385
Shumailov, I., Shumaylov, Z., Zhao, Y., Papernot, N., Anderson, R. & Gal, J. (2024) AI models collapse when trained on recursively generated data. Nature 631, 755–759. https://www.nature.com/articles/s41586-024-07566-y
Kommentointi