Tehisaru kiirendab teadust, kuid avastust ei saa veel inimesest lahutada

01Lühidalt

Stanford HAI avaldas 8. juulil 2026 ülevaate sellest, kuidas tehisaru aitab teadlastel kirjandust läbi töötada, hüpoteese luua, katseid kavandada ja suuri andmekogusid analüüsida.

Evo 2 näitab, kui kiiresti liigub bioloogia arvutusmudelite poole: Nature'is avaldatud artikli järgi treeniti mudeli suurim versioon 9,3 triljonil DNA tokenil ja 40 miljardi parameetriga.

Biomni esindab teadusagentide uut lainet: Stanford HAI järgi on 15 000 teadlast kasutanud seda 100 000 biomeditsiinilise töövoo automatiseerimiseks.

Peamine piirang ei ole enam ainult mudelite võimekus, vaid usaldusväärne valideerimine, andmekvaliteet, ligipääs arvutusressursile ja risk, et tehisaru loob uusi ideid, mida ei saa päriselt teostada.

Stanfordi Institute for Human-Centered AI avaldas 8. juulil 2026 ülevaate sellest, kuidas tehisaru liigub teadustöös abivahendist aktiivsemaks uurimispartneriks. Lähtetekst ei ole üksik eelretsenseeritud uuring, vaid teaduskommunikatsiooni artikkel, mis koondab Stanfordi teadlaste tööd bioloogias, biomeditsiinis, teadusideede hindamises ja astrofüüsikas. Seetõttu tuleb lugu lugeda kui ülevaadet suunast, mitte lõplikku tõendit, et tehisaru suudab teadusliku avastuse inimese eest ära teha. (hai.stanford.edu)

Uudise keskne mõte on selge: teaduse pudelikael ei ole ainult ideede puudus, vaid ka aeg, tööriistade killustatus, katsete hind ja andmete maht. Tehisaru aitab neid piiranguid vähendada kolmel viisil. See suudab läbi töötada kirjandust, tuvastada andmetest mustreid ja pakkuda välja katseid või hüpoteese, mida inimene saab kontrollida. Stanford HAI rõhutab samas riske: kallutatud andmed, kehv andmekvaliteet ja ebaühtlane ligipääs võivad muuta teaduse kiirenemise ebavõrdseks. (hai.stanford.edu)

Tänane kuupäev on 9. juuli 2026. Faktikontrolli seisuga on mitu lähtetekstis nimetatud projekti avalike allikatega kinnitatav: Evo 2 kohta on olemas Nature'i artikkel, Biomni kohta bioRxivi eeltrükk ja avalik Stanfordi leht, tehisaru ideeloome kohta arXivi uuring ning Rubin Observatory kümneaastane taevauuring alustas 30. juunil 2026 ametlikult tööd. (Nature)

02Bioloogia liigub järjest rohkem mudelipõhiseks

Evo 2 on DNA keelemudel, mis õpib bioloogilisi mustreid geneetilistest järjestustest samamoodi, nagu suur keelemudel õpib mustreid tekstist. Nature'is avaldatud artikli järgi treeniti Evo 2 suurim versioon 9,3 triljonil tokenil ja 40 miljardi parameetriga ning mudelil on kuni miljoni tokeni pikkune kontekstiaken ühe nukleotiidi täpsusega. See teeb sellest ühe olulisema näite sellest, kuidas bioloogias kasutatakse keelemudelite loogikat elusüsteemide mõistmiseks. (Nature)

Oluline on mitte tõlgendada Evo 2 liiga laialt. Nature'i artikkel näitab, et mudel suudab aidata hinnata geneetiliste variantide mõju ja luua bioloogilisi järjestusi, kuid tulemused sõltuvad ülesandest. Näiteks mõnes regulatoorse funktsiooni hindamises jäi Evo 2 alla mudelitele, mis olid treenitud konkreetse funktsiooniandmestiku peal. See on teaduses tähtis erinevus: üldmudel võib olla hea lähtepunkt, kuid kliinilise või eksperimentaalse otsuse jaoks on vaja eraldi valideerimist. (Nature)

Stanford HAI tekstis seostab Brian Hie Evo 2 võimalusi geenifunktsiooni ja haiguste uurimise kiirendamisega. See on usutav suund, kuid mitte kiire tee valmis ravimini. Kui mudel pakub välja järjestuse või mutatsiooni, peab sellele järgnema laborikatse, bioloogiline kontroll, ohutushinnang ja sageli pikk arendustsükkel.

03Virtuaalne rakk on ambitsioon, mitte valmis digikaksik

Teine Stanfordi näide puudutab virtuaalset inimrakku. Idee on ehitada alusmudel, mis suudaks siduda DNA, RNA, valkude, raku kujutiste ja teaduskirjanduse andmeid ning simuleerida raku käitumist eri tingimustes. Cellis avaldatud ülevaateartiklis kirjeldavad Charlotte Bunne, Emma Lundberg, Jure Leskovec, Stephen R. Quake ja teised sellist tehisarupõhist virtuaalset rakku kui eesmärki, mis vajab universaalseid bioloogilisi representatsioone, tõlgendatavaid in silico katseid ja kogukondlikke standardeid. (Cell)

Rakumudelite lubadus on suur just ravimiarenduses. Kui teadlane saaks esmalt testida hüpoteesi või ravimikandidaati usaldusväärses rakusimulatsioonis, väheneks osa märgkatsete kulust ja aeglasest katse-eksituse tsüklist. Samal ajal ei ole virtuaalne rakk 2026. aasta juulis kliiniliselt valmis otsustustööriist. Nature'i 2026. aasta ülevaade rõhutab, et teadlased alles õpivad, kuidas elusüsteemide keerukust mudeldada ilma andmemassi alla mattumata. (Nature)

Selle valdkonna põhiküsimus on seletatavus. Kui mudel ennustab, et rakk reageerib ravimile teatud viisil, peab teadlane mõistma, kas ennustus on bioloogiliselt põhjendatud või lihtsalt statistiline kokkulangevus. Mida lähemale sellised mudelid liiguvad meditsiinile, seda olulisemaks muutuvad kontrollkatsed, andmete päritolu ja mudeli piiride aus kirjeldamine.

04Teadusagent võib töövoogu siduda, kuid ei asenda kontrolli

Biomni on biomeditsiiniline tehisaruagent, mis koondab teadlase jaoks tööriistu, andmebaase ja tarkvarapakette. Stanford HAI järgi saab Biomni aidata geenide prioriseerimisel, ravimite ümberkasutuse otsingul, harvikhaiguste diagnoosimise toetamisel, mikrobiomi analüüsil ja molekulaarsel kloonimisel. Stanfordi lehe järgi on 15 000 teadlast kasutanud Biomnit 100 000 teadusliku töövoo automatiseerimiseks. (hai.stanford.edu)

Biomni eeltrükis kirjeldatakse süsteemi täpsemalt: Biomni-E1 sisaldab 150 biomeditsiinilist tööriista, 105 tarkvarapaketti ja 59 andmebaasi. Selline lähenemine on teaduses praktiline, sest paljud biomeditsiini töövood ei jää kinni ühe mudeli võimekusse, vaid tööriistade ühendamisse, koodi kirjutamisse, andmete teisendamisse ja tulemuste kontrollimisse. (biomni.stanford.edu)

Agentse töö risk on aga sama selge. Kui süsteem saab kirjutada Pythoni koodi, käivitada tööriistu ja teha vaheotsuseid, peab teadlane teadma, millised sammud tehti, milliseid andmebaase kasutati ja kas tulemus on korratav. Teadusagent ei vabasta vastutusest; see muudab vastutuse auditeerimise keerukamaks.

05Ideede loomisel on tehisarul tugevus ja nõrkus samas kohas

Tehisaru kasutamine teadusideede loomiseks on üks tundlikumaid valdkondi, sest teaduse väärtus ei seisne ainult uudsuses. Chenglei Si, Diyi Yang ja Tatsunori Hashimoto avaldasid 2024. aastal uuringu, kus võrreldi loomuliku keele töötluse valdkonna ekspertide ja lihtsa ideeloomeagendi pakutud uurimisideid. Uuringusse kaasati üle 100 NLP-teadlase ning autorid leidsid, et mudeli ideid hinnati statistiliselt oluliselt uudsemaks, kuid teostatavuse poolest nõrgemaks. (arXiv)

2026. aasta värskem eeltrükk lisab skeptilisema vaate. Yixuan Tang ja Yi Yang analüüsisid 37 802 tehisaru loodud teadusideed ning järeldasid, et praegused uurimisagendid kipuvad teaduslikku otsinguruumi kitsendama: ideed jäävad lähtekirjandusele lähemale kui inimeste hilisem teadustöö ning sarnasemate ideedega seotud artiklid said hiljem vähem viiteid. (arXiv)

See ei tähenda, et tehisaru ideeloome oleks kasutu. Pigem sobib see hästi laiendama esimest mustandit: pakkuda vaatenurki, kaardistada kirjandust, tuua välja võimalikke meetodeid ja koostada kontrollitavaid hüpoteese. Lõplik väärtus tekib alles siis, kui inimene hindab uudsust, teostatavust, eetikat ja ressursikulu.

06Astrofüüsika näitab, miks andmemaht sunnib uusi tööriistu kasutama

Vera C. Rubin Observatory on hea näide valdkonnast, kus käsitsi töötamine ei ole enam realistlik. Observatoorium teatas 30. juunil 2026, et alustas kümneaastast Legacy Survey of Space and Time uuringut; iga öö kogutakse ligikaudu 10 terabaiti andmeid ja väljastatakse kuni 7 miljonit teadet muutuste kohta taevas. (rubinobservatory.org)

Stanfordi Risa Wechsleri juhitud Center for Decoding the Universe püüab selliseid andmevooge muuta teaduslikuks järelduseks. Stanford HAI järgi ühendab keskus astrofüüsika, statistika ja arvutiteaduse, et töötada välja meetodeid massiivsete multimodaalsete andmekogude analüüsimiseks. (hai.stanford.edu)

Astrofüüsikas on tehisaru roll seega vähem vaidlus "kas masin leiutab teadust?" ja rohkem praktiline vajadus. Kui vaatlusseade toodab miljoneid signaale öö kohta, peavad mudelid aitama sortida, klassifitseerida ja prioriseerida nähtusi, millele inimene saab hiljem keskenduda.

07Eesti ja EL-i vaade

Eesti teadusele tähendab see suund eeskätt ligipääsu küsimust. Väikesed teadusriigid ei saa konkureerida ainult omaenda arvutusvõimsuse või suletud mudelitega. Euroopa Komisjon kirjeldab RAISE algatust ehk Resource for AI Science in Europe'i virtuaalse uurimisinstituudina, mis peaks koondama arvutusvõimsust, andmeid, talente ja rahastust Euroopa teadlastele. (Research and innovation)

Eesti ettevõtete ja avaliku sektori tehisaru kasutus kasvab samuti kiiresti. OECD 2026. aasta Eesti ülevaate järgi kasutas 2025. aastal tehisaru 23,4% Eesti ettevõtetest, mis ületas EL-i keskmist. Teaduse jaoks ei tähenda see otseselt uut läbimurret, kuid näitab, et oskuste ja tööriistade baas laieneb ka väljaspool ülikoole. (OECD)

Praktiline järeldus Eesti ülikoolidele ja teadusasutustele on selge: vaja on andmehalduse, arvutusressursi, mudelite valideerimise ja teadlaste koolituse kombinatsiooni. Tehisaru teaduses ei ole ainult tarkvaralitsents. See on uus uurimistaristu, mille väärtus sõltub sellest, kas teadlane suudab mudeli väljundit kontrollida ja oma valdkonna teadmisega siduda.

08Riskid ja piirangud

Kõige suurem oht on segi ajada kiirus ja tõde. Tehisaru võib aidata kiiremini liikuda, kuid see võib ka kiiremini toota veenvalt sõnastatud eksitusi, vigaseid katseplaane või kallutatud järeldusi. Bioloogias lisanduvad bioohutuse ja kahesuguse kasutuse riskid, sest sama võime luua või muuta bioloogilisi järjestusi võib olla kasulik ravimiarenduses ja ohtlik valedes kätes.

Teine risk on ebavõrdne ligipääs. Kui parimad teadusmudelid, andmekogud ja arvutusressursid jäävad suurettevõtete või jõukamate ülikoolide kätte, võib teaduslik tootlikkus koonduda veel rohkem vähestesse keskustesse. Euroopa RAISE algatus vastab just sellele probleemile, kuid selle tegelik mõju sõltub rahastusest, kasutustingimustest ja sellest, kas väiksemad riigid saavad sisuliselt ligi samale tasemele.

Kolmas piirang on hindamine. Teaduses ei piisa sellest, et mudel annab uue idee, näiliselt usutava mehhanismi või korrektse koodi. Tulemuse väärtus selgub korratavuses, katses, eksperthinnangus ja selles, kas järeldus peab vastu väljaspool algset andmestikku.

09Kokkuvõte

Stanford HAI ülevaade näitab, et tehisaru on teaduses jõudnud faasi, kus seda ei kasutata enam ainult andmete sortimiseks või teksti kokkuvõtmiseks. Evo 2, Biomni, virtuaalse raku algatused ja Rubin Observatory andmevood näitavad sama mustrit: teadus muutub töövoogude, mudelite ja eksperimentide tihedamaks süsteemiks.

Kainem järeldus on siiski see, et tehisaru ei tee avastust iseseisvalt valmis. See laiendab otsinguala, vähendab mõne katse või analüüsi hinda ja aitab inimesel näha mustreid, mis muidu jääksid andmemassi sisse. Teaduslik väärtus tekib endiselt seal, kus idee muutub kontrollitavaks väiteks ja mudeli väljund peab vastu päris maailmas.

10Korduma kippuvad küsimused

Mis tüüpi tekst on Stanford HAI ülevaade tehisarust teaduses?

Stanford HAI 8. juuli 2026 tekst on teaduskommunikatsiooni ülevaade, mitte üksik eelretsenseeritud uuring. See koondab Stanfordi teadlaste projekte ja värskeid näiteid sellest, kuidas tehisaru kasutatakse bioloogias, biomeditsiinis, ideeloomes ja astrofüüsikas.

Kuidas tehisaru teadusavastusi kiirendab?

Tehisaru kiirendab teadusavastusi kirjanduse analüüsi, hüpoteeside loomise, andmemustrite leidmise, katsete kavandamise ja simulatsioonide kaudu. Kiirusest üksi ei piisa, sest iga tulemus vajab erialast kontrolli, korduvust ja sageli laborikatseid.

Mis on Evo 2?

Evo 2 on DNA keelemudel, mis õpib geneetiliste järjestuste mustreid ja aitab hinnata bioloogiliste variantide mõju või luua uusi järjestusi. Nature'is avaldatud artikli järgi treeniti Evo 2 suurim versioon 9,3 triljonil tokenil ja 40 miljardi parameetriga.

Mis on Biomni?

Biomni on biomeditsiiniline tehisaruagent, mis ühendab teadlase jaoks tööriistu, andmebaase ja tarkvarapakette. Biomni eeltrüki järgi sisaldab selle keskkond 150 biomeditsiinilist tööriista, 105 tarkvarapaketti ja 59 andmebaasi.

Kas tehisaru suudab ise häid teadusideid luua?

Tehisaru suudab luua uudseid teadusideid, kuid need ei ole alati praktilised ega teostatavad. Stanfordi teadlaste uuring näitas, et mudelite ideid hinnati uudsemaks kui inimeste ideid, kuid teostatavuse poolest nõrgemaks.

Mida tähendab tehisaru teaduses Eesti jaoks?

Eesti jaoks tähendab tehisaru teaduses eeskätt vajadust parema ligipääsu järele arvutusressursile, andmetaristule ja teadlaste koolitusele. Euroopa Komisjoni RAISE algatus võib olla oluline, sest see püüab koondada Euroopa teadlastele arvutusvõimsust, andmeid, talente ja rahastust.

Millised on suurimad riskid?

Suurimad riskid on vigased või kallutatud andmed, kontrollimata järeldused, ebaühtlane ligipääs, bioohutus ja tulemuste halb korratavus. Tehisaru võib teadust kiirendada, kuid see võib sama kiiresti toota ka veenvalt sõnastatud eksitusi.

Mida tasub edasi jälgida?

Edasi tasub jälgida, kas teadusagendid ja bioloogilised alusmudelid läbivad sõltumatuid valideerimisi ning kuidas Euroopa RAISE algatus päriselt teadlastele ligipääsu parandab. Samuti on oluline jälgida, kas virtuaalse raku mudelid jõuavad praktiliste, katseliselt kinnitatud rakendusteni.

11Allikad

Stanford HAI - "How AI Is Accelerating Scientific Discovery", 8. juuli 2026.

Nature - "Genome modelling and design across all domains of life with Evo 2", 2026.

bioRxiv - "Biomni: A General-Purpose Biomedical AI Agent", 2. juuni 2025.

Biomni Stanford - "Biomni - A General-Purpose Biomedical AI Agent", vaadatud 9. juulil 2026.

Cell - "How to build the virtual cell with artificial intelligence", 2024.

Nature - "'Virtual cells' aim to turn raw data into predictive models of biology", 2. juuni 2026.

arXiv - "Can LLMs Generate Novel Research Ideas? A Large-Scale Human Study with 100+ NLP Researchers", 6. september 2024.

arXiv - "AI Research Agents Narrow Scientific Exploration", 27. mai 2026.

Vera C. Rubin Observatory - "Action! NSF-DOE Vera C. Rubin Observatory Begins 10-Year Legacy Survey of Space and Time", 30. juuni 2026.

European Commission - "RAISE: Resource for AI Science in Europe", 15. juuni 2026.

OECD - "Seizing the opportunities of AI-driven growth: OECD Economic Surveys: Estonia 2026", 8. juuni 2026.