2026. aastal nihutas rühm tehisintellekti abil tehtud avastusi paigast piirid, mida pidasime matemaatikas, bioloogias ja materjaliteaduses vankumatuks. Mudel nimega GPT-6.1 Terra esitas lahenduse ühele seitsmest aastatuhande matemaatikaprobleemist, AlphaFold kaardistas üle 200 miljoni valgu struktuuri ning projekt GNoME tuvastas 2,2 miljonit uut võimalikku kristallstruktuuri. Teaduse tempo ei ole enam järkjärguline kogunemine, vaid sarnaneb pigem paisu tagant pääsenud voolule.

Jõgi, mis trotsis matemaatikuid aastast 1845

Kujuta ette jõge. See tundub piisavalt lihtne. Nüüd aga proovi paberile panna — täieliku matemaatilise täpsusega —, mida teeb selle vee iga viimne kui molekul igal ajahetkel. Sa ei suuda seda. Ja tõsi on see, et viimase 181 aasta jooksul pole sellega hakkama saanud ükski inimene.

Navier-Stokesi võrrandid, mis kirjeldavad vedelike ja gaaside liikumist — alates verest meie arterites kuni tormideni atmosfääris —, pandi kirja juba 1845. aastal. Nii palju kui me teame, on need võrrandid õiged. Me lihtsalt ei suuda tõestada, et nende lahendused käituvad alati „viisakalt“, et need ei muutu ühel hetkel ootamatult matemaatiliseks jaburuseks ehk singulaarsuseks. See kuristik õige võrrandi ja tõestatud lahenduse vahel on koht, kuhu mõned matemaatika säravaimad pead on aastakümneteks kadunud.

26. oktoobril 2026 teatas OpenAI, et tehisintellekt on selle kuristiku ületanud.

See teade saabus koos kahe teise olulise avastusega arvutiteaduses ja füüsikas ning uue raamistikuga, kuidas OpenAI kavatseb akadeemiliste asutustega koostööd teha. Kõige kolme taga on mudel GPT-6.1 Terra, mida ettevõte ei esitle enam kui teadusassistenti, vaid kui kaasuurijat. Kui Navier-Stokesi tulemus vett pidama jääb, tähendaks see ühe seitsmest aastatuhande matemaatikaprobleemist (Millennium Prize Problems) lahendamist. See on nimekiri maailma kõige visamalt alistumatutest küsimustest, mis koostati 2000. aastal. Igaühe lahendamise eest on välja pandud miljon dollarit preemiat. Seni on alistatud vaid üks.

Siin on aga veider osa. Mõne päeva jooksul vaidlustas New Yorgi ülikooli matemaatik Tristan Buckmaster tulemuse avalikult, väites, et tema varasemat tööd Codexi süsteemiga on kasutatud viitamata. OpenAI lükkas süüdistuse tagasi, öeldes, et sisejuurdlus kinnitas: Buckmasteri töö ei saanud mudelit mõjutada. Matemaatikute kogukond ei ole veel lõplikku otsust langetanud. Miljoni dollari küsimus ja esimene tõsine vaidlus tehisintellekti ning akadeemilise au üle maandusid töölauale samal hommikul. See seiklus muutus keeruliseks juba enne, kui keegi jõudis tõestuskäiku kontrollida.

Aasta, mil algoritmid võitsid Nobeli

2024. aasta oktoobris tegi Nobeli komitee midagi sellist, mida ta polnud kunagi varem teinud. Ta andis samal aastal välja kaks suurt auhinda tööde eest, mille peamine tööriist ei olnud teleskoop, osakeste kiirendi ega pipett. See oli ränil jooksev matemaatiline arhitektuur.

John Hopfield ja Geoffrey Hinton said füüsikapreemia masinõppe ja närvivõrkude kontseptuaalse aluse panemise eest. Juba järgmisel nädalal astusid lavale Demis Hassabis ja John Jumper Google DeepMindist ning valgudisainer David Baker, et võtta vastu keemiapreemia. Nad lahendasid bioloogia ühe raskeima mõistatuse: kuidas ennustada, millise kolmemõõtmelise kuju võtab valgujärjestus organismis. Üks auhind mootori ehitamise eest. Teine selle eest, mida see mootor esimesena korda saatis.

Selle sündmuse ajaloolist kaalu on lihtne alahinnata, seega tasub see otse välja öelda. Nobeli komitee pole kunagi varem määratlenud arvutusmeetodit peamise avastusinstrumendina. Tööriistad on varemgi preemiaid võitnud, kuid need on alati olnud teenistuses — vahendid, mis aitavad inimmeelel jõuda sisekaemuseni. 2024. aastal otsustas komitee, et piir on piisavalt hägune, et vajada ametlikku tunnustust. Kaks preemiat kaheteistkümne kuu jooksul ei ole märkus lehekülje serval. See on kohtuotsus. Komitee näis ütlevat, et tehisintellekti aeg teadusliku kaasautorina on juba käes — nemad püüavad lihtsalt reaalsusele järele jõuda.

Kuidas masin õppis lugema elu kuju

Viiskümmend aastat seisis bioloogia riiulil üks maailma visamaid puslesid: kui sa tead valgu geneetilist järjestust, kas sa suudad ennustada selle kolmemõõtmelist kuju, millesse see end „voldib“? Bioloogias on kuju kõik. Valk, mis voldib end valesti, põhjustab haigusi. See, mis voldib end õigesti, võib päästa elu.

Üheainsa valgu võimalike konfiguratsioonide arv on astronoomiliselt suur — suurem kui aatomite arv vaadeldavas universumis. Biokeemikud kulutasid terveid karjääre üheainsa valgu uurimisele. Probleem tundus lõpmatu.

AlphaFold sulges selle peatüki. Ja ta ei teinud seda aeglaselt ega osaliselt. Kümne aasta jooksul pärast esimesi tõsiseid katsetusi suutis Google DeepMindi AlphaFold 3 ennustada struktuure mitte ainult valkudele, vaid ka DNA-le, RNA-le ja väikestele molekulidele, millest koosnevad ravimid. Selle avalik andmebaas sisaldab nüüd üle 200 miljoni struktuuri — seda on rohkem kui kõikide maailma laborite eksperimentaalsed tulemused kokku alates 1950. aastatest. Hoia see arv hetkeks mõttes alles.

Praktilised tagajärjed saabusid kiiresti. Tehisintellekti kaasamine lühendas ravimiarenduse algfaasi keskmiselt 4,5 aastalt 1,5 aastale. See ei ole väike efektiivsuse kasv. See on kolm aastat, mis on teadlastele tagasi antud. Haruldaste haiguste puhul võib see tähendada kõike neile inimestele, kes ootavad abi. Ja uusi tööriistu tuli juurde: 2024. aasta aprillis avaldas ettevõte nimega Profluent OpenCRISPR-1 — esimese geeniredaktori, mille on täielikult disaininud tehisintellekt ning mis on vabalt kättesaadav igale laborile.

AlphaFold lahendas kuudega selle, mida bioloogia ei suutnud poole sajandiga.

Eluteadused ei piirdunud vaid molekulidega. 2024. aasta oktoobris avaldas üks uurimisrühm äädikakärbse aju täieliku ühendusskeemi — kõik 140 000 neuronit kaardistatud, iga ühendus jälitatud. Äädikakärbes ei ole inimene, seda me teame. Kuid aju on aju ja seal toiminud tehnikad viivad meid redelil aste-astmelt keerukamate närvisüsteemide poole. Me ei tea veel, kui kõrgele see redel ulatub.

Kaks miljonit uut materjali ja kümne päeva ilmaennustus

Alustame toorest arvust: 2,2 miljonit. Just nii palju uusi kristallstruktuure tuvastas Google DeepMindi projekt GNoME üheainsa uurimistöö käigus. Kogu seni tuntud stabiilsete kristallide kataloog, mille inimteadlased olid aastakümnete pikkuse vaevalise laboritööga kokku pannud, koosnes vaid mõnest kümnest tuhandest nimest. GNoME leidis 380 000 struktuuri, mis on prognoosi järgi tõeliselt stabiilsed — kandidaadid pärismaailma materjalideks — umbes sama ajaga, mis kulub doktorandil peotäie näidiste kirjeldamiseks.

Kristallstruktuur on tahke aine arhitektuur: millised aatomid kus istuvad, millise nurga all ja millise korduva mustriga. See asetus otsustab, kas materjal juhib elektrit, murrab valgust, talub kuumust või salvestab energiat. Iga aku, päikesepaneel ja pooljuht sõltub õige struktuuri leidmisest. Suurema osa teadusloost tähendas uue kristalli leidmine asjade segamist laboris ja lootmist. GNoME kohtleb perioodilisustabelit nagu kaarti ja joonistab sealt läbi teid, mida ükski inimene poleks tulnud pähegi proovida.

Siis on veel GraphCast, mis koostab kümne päeva globaalse ilmaennustuse 1 000 korda kiiremini kui traditsioonilised arvutusmudelid. Tavapärane ennustamine jahvatab atmosfääri läbi füüsikavõrrandite, punkt-punkti haaval. GraphCast õppis selle asemel selgeks mustrid. Mõlemal süsteemil on midagi ühist: nad ei sordi lihtsalt andmeid. Nad pakuvad vastuseid küsimustele, mida neile otseselt ei esitatud — nad tegutsevad täpses tähenduses hüpoteeside generaatoritena. See on hoopis teistsugune tööriist.

Arst märkide ruumis

Eeldus tundus mõistlik: kui soovid, et tehisintellekt aitaks meditsiinis, siis treeni teda meditsiini alal. Spetsiaalsed mudelid spetsiaalsete probleemide jaoks. Kardioloog ei palu dermatoloogil EKG-d lugeda, miks peaksime siis usaldama üldotstarbelist keelemudelit rohkem kui hoolikalt häälestatud kliinilist süsteemi?

MedVToki nime kandev süsteem esindab ühte sammast selles spetsialiseeritud lähenemises. See ühendab üheksa pildidiagnostika viisi — röntgenpildid, kompuutertomograafia, magnetresonantstomograafia ja muud — ühtseks märkide ehk tokenite ruumiks, olles treenitud 28 miljoni kujutise peal. Insenertehniline ambitsioon on siin käegakatsutav: üks süsteem, mis loeb kogu keha tähestikku, kahemõõtmelisi lõikeid ja kolmemõõtmelisi mahte koos, selle asemel et toetuda sahtlitäiele kitsastele tööriistadele, mis omavahel ei räägi.

Kuid nüüd hoia seda loogikat ja vaata, mida näitavad tõendid. Uuringud viitavad, et üldotstarbelised suured keelemudelid edestavad sageli oma meditsiiniliselt kohandatud suguvendi — ja seda mitte tehnilises pildilugemises, vaid vaiksemas ja võib-olla ohtlikumas kohas: kliiniliste otsuste tegemata jätmises. Need on asjad, mida arst unustab tellida; järelkontroll, mida kunagi ei algatata.

Tulemused äratavad tähelepanu. Otsuste tegemata jätmine domineeris esmase diagnostika faasis, samas kui otsesed vead — näiteks vale anatoomiline määratlus — moodustasid 48,2 protsenti vigadest. Need on kaks erinevat veatüüpi ravi kahes erinevas faasis ja spetsialiseeritud mudel ei võitnud usaldusväärselt kummaski. See leid ei räägi meditsiinilise tehisintellekti vastu. See räägib vastu mugavale uskumusele, et kitsam treening tähendab alati ohutumat tulemust. See on valus ja vajalik õppetund.

Kui masin tegutseb Sinu nimel, kes vastutab?

Eesti on kulutanud kolmkümmend aastat, et ehitada üles digiriik, mis on nii funktsionaalne, et teised valitsused uurivad seda nagu arhitektuuritudengid meistriteoseid. Nüüd püüab Eesti vastata küsimusele, mida ükski riik pole veel puhtalt lahendanud: mis saab siis, kui autonoomne tehisintellekti agent esitab Sinu nimel dokumendi, allkirjastab lepingu või teeb tehingu?

Majandus- ja kommunikatsiooniministeerium eesotsas Liina Vahtrasega on ette valmistamas eelnõu, mis looks „agendikoodid“. Need oleksid juriidilised identiteedid autonoomsele tarkvarale, mis tegutseb kodanike nimel, et riik saaks teha vahet inimesel ja masinal, kes tema eest toimetab.

Vastus Cyberneticalt — ettevõttelt, mis on ehitanud Eesti e-riigi tehnilise selgroo — oli 11 lehekülge pikk. Arendusjuht Arne Ansper kirjeldas eelnõu kui puudulikku, vasturääkivat ja potentsiaalset turvariski. Sellist kriitikat ei kirjutata 11 lehekülje jagu, kui keegi pole tõeliselt mures.

Samal ajal tõi Eesti idufirma Hault.AI turule nahaanalüüsi mudeli, mis väidab end olevat diagnostilises täpsuses parem nii Google’i kui ka OpenAI tööriistadest. Kasulik ja muljetavaldav — ning täpselt selline autonoomne meditsiiniline osapool, mille haldamiseks pole õiguslik raamistik veel valmis. Numbrid on reeglitest eespool. Eesti eksperiment kas loob globaalse pretsedendi selle kohta, kuidas demokraatiad käitlevad tehisintellekti juriidilist isikut, või saab sellest hoiatav näide, mida tsiteerivad kõik järgmised seadusandjad. Mõlemal tulemusel on oma kaal.

Parim osa on see, mida me veel ei tea

Matemaatikute kogukond ei ole Navier-Stokesi tulemust veel kinnitanud. GPT-6.1 Terra arhitektuur on endiselt salajane. Need kaks fakti istuvad 2026. aasta lõpus sündmuste keskel nagu lahtine niidiots muidu säravas vaibas — kui sellest tõmmata, peame küsima, kui suurt osa sellest tähistatavast edust me tegelikult kontrollida suudame.

See ei ole põhjus toimunu kõrvaleheitmiseks. See on põhjus võtta seda tõsiselt.

Uurijad, kes on muretsenud just sellise stsenaariumi pärast, on juba välja pakkunud protokolli nimega I-HITL (Inalienable Human-in-the-Loop). See on kogum rangeid piiranguid, mis on loodud takistamaks tehisintellekti agentidel inimkontrollist täielikult mööda minemast. Nimi on peaaegu koomiliselt bürokraatlik. Probleem, millega see tegeleb, aga mitte. Kui süsteem suudab liikuda kiiremini kui inimlik kontrollivõime, siis küsimus sellest, kes tegelikult vastutab järelduse eest, lakkab olemast filosoofiline ja muutub põletavaks.

Iga ajastu on uskunud, et mõistab maailma. Iga ajastu on olnud osaliselt ja hiilgavalt eksiteel — ja mitte seetõttu, et inimesed oleksid olnud rumalad. Newton oli geenius, kuid ta vajas ikkagi Einsteini. Me oleme täpselt sama targad ja täpselt sama segaduses kui kõik need, kes olid siin enne meid. See on teaduse rütm, mitte viga süsteemis.

Lahtine küsimus ei ole selles, kas tehisintellekt muudab teadust. Ta on seda juba teinud. AlphaFold lahendas kuudega selle, mida bioloogia ei suutnud poole sajandiga. Kaks miljonit materjali. Kolmeaastased võidud ravimiarenduses. Ilm kümne päeva peale. Lahtine küsimus on see, milliseks kujuneb inimese roll selles teaduses — kas me jääme nendeks, kes küsivad küsimusi, või unustame me aegamööda üldse ära, kuidas neid küsida. See on selline teadmatus, mida tasub oma märkmikus hoida.