Photo licensed from Adobe Stock. 

Text: Essi Ryymin (ENG/FIN)

There are so many of them! Remarkable master minds working in AI! Still, society often puts up barriers that hold them back. Yet, we rely on their expertise: they shape, among the other things, the quality and reliability of artificial intelligence. In other words, without their work, AI systems would be much more biased, which could seriously harm both individuals and society.

In the next two posts, I'll briefly (meaning: you can have a look over your coffee break) introduce twelve AI gurus and pioneers who have changed the direction of history. I chose them simply because they sparked my personal interests. In this first post, I'll focus on six brilliant talents whose work has shaped the development of AI and how we understand machines capable of learning. In the next post, I will highlight six exceptionally gifted researchers who have created practical AI applications.

Note: The bold text above is intentional. 

Note 2: I don't normally do APA7 formulated reference lists for blog posts. I've made an exception this time for my auntie Karen, who basically demands it, also for her shopping lists. My uncle Ken, on the other hand, does not, and he has made that very clear. Mostly because he knows  that evidence-based information is just another opinion. Anyway, the full list of references for the curious minds is down below, after the Finnish version of the text.

1. Grace Hopper (1906–1992) 
Rear Admiral, U.S. Navy, Pioneer of Computer Programming

Grace Hopper created some of the first high-level programming languages and compilers, which helped software development grow. Her work made computers easier to use and set the stage for modern software engineering (Hopper, 1952; Sammet, 1969). Without these layers of abstraction, the complex software behind today’s AI would not exist. (This photo is absolutely stunning!🔥) 

Photo: Grace Hopper by Lynn Gilbert, CC BY-SA 4.0, Wikimedia Commons, https://commons.wikimedia.org/w/index.php?curid=57587522

Photo: Margaret Hamilton standing next to a printout of the program code for the Apollo Guidance Computer that she and her MIT team produced for the Apollo Project. Restoration, created 1 January 1969. Uploaded 6 June 2017 via Wikimedia Commons. Public Domain. https://en.wikipedia.org/wiki/Margaret_Hamilton_(software_engineer) 

Photo: Barbara J. Grosz by Bengt Oberger (2015), CC BY-SA 4.0, Wikimedia Commons https://en.wikipedia.org/wiki/Barbara_J._Grosz 

4. Julia B. Hirschberg (1950– )
Percy K. and Vida L. W. Hudson Professor of Computer Science, Columbia University

Julia B. Hirschberg has been important in developing speech recognition and conversational systems. Her work on prosody and speech structure helped make interactions between people and machines feel more natural (Hirschberg, 2002; Hirschberg & Manning, 2015). She has also pointed out biases in speech technology, especially those linked to gender and accent, which can impact how well these systems work for different users.

See Julia B. Hirschberg’s portrait on Columbia Engineering’s website: https://www.engineering.columbia.edu/faculty-staff/directory/julia-b-hirschberg

Photo: Fei-Fei Li speaking at AI for GOOD Global Summit by ITU Pictures, CC BY 2.0, via Flickr: https://www.flickr.com/photos/itupictures/35011409612/

Photo: Timnit Gebru speaking at TechCrunch Disrupt SF 2018 by Kimberly White / TechCrunch, CC BY 2.0, via Flickr: https://www.flickr.com/photos/52522100@N07/30671211838

Let’s, finally, call a spade a spade, plainly enough to make the faint-hearted uneasy. Let’s see whether, based on these individual examples, we might sketch some kind of continuum of AI development, even though such an exercise, based on a small and random sample, is strictly a no-go in science.

The development of artificial intelligence has progressed from building computational capacity and software engineering foundations toward learning models based on neural networks. This progress has been driven in particular by the availability of large datasets, scalable computing, and deep learning. The current phase is especially marked by the rise of generative language models, multimodality (text, image, and audio), as well as research into AI ethics and critical reflection.

I ran the chapter above by the prompted AI and it lowkey roasted the description for being too simple and skipping over a bunch of other parallel trajectories. This is a good start.  

#AI #researchers #developers #engineers #inventors #AIhistory #AIdevelopmenttrajectories 

Note 3. I used Grammarly to proofread this text. Translators say it sounds robotic, but I'm sticking with it for now. That said, I’ve checked the contents personally, so any mistakes are human-hallusinated.

Edited for clarity 7.4. 2026  Revised: "...how we understand machines capable of learning" (Originally: "...how we understand learning machines"). Revised: "...a printout of the program code" (Originally: "...listings of the software"). Revised: "...models for processing natural language" (Originally: "...create models for language understanding").  Thanks to my brilliant software engineering colleague, who is becoming an AI guru herself!

Tiivistelmä suomeksi: 

He tuntevat tekoälyn, mutta me emme tunne heitä. Osa 1. 

Heitä on niin paljon! Hämmästyttäviä AI-neroja nimittäin. Vaikka yhteiskunta asettaa heidän työskentelylleen jatkuvasti hähmäisiä esteitä, sama taho tarvitsee heidän osaamistaan kipeästi: he vaikuttavat muun muassa tekoälyn laatuun ja luotettavuuteen. Toisin sanoen ilman heidän panostaan tekoälyn vinoutumilla olisi merkittäviä haittavaikutuksia ihmisille ja yhteiskunnalle. 

Esittelen kahdessa seuraavassa postauksessa kaksitoista AI-gurua ja pioneeria, jotka olen valinnut oman kiinnostukseni perusteella. Ensimmäisessä setissä tavataan kuusi johtajaa, jotka ovat vaikuttaneet laajasti tekoälyn kehityssuuntiin ja ymmärrykseemme koneälystä. Myöhemmin, jahka ehdin ja jaksan, julkaisen toisen tekstin, jossa syvennyn lahjakkaisiin talentteihin, jotka ovat kehittäneet tutkimukseen perustuvia konkreettisia tekoälysovelluksia. 

Huom. Ylläolevat boldaukset ovat tarkoituksellisia ja ehkä vähän provokatiivisia.  

Grace Hopper (1906–1992)
Grace Hopper kehitti varhaisia korkean tason ohjelmointikieliä ja kääntäjiä, mikä mahdollisti ohjelmistokehityksen skaalautumisen. Hänen työnsä teki tietokoneista laajemmin käytettäviä ja loi perustan modernille ohjelmistokehitykselle (Hopper, 1952; Sammet, 1969). Ilman näitä abstraktiotasoja nykyinen tekoälyn kehitys, joka perustuu monimutkaisiin ohjelmistojärjestelmiin, ei olisi mahdollista.

Margaret Hamilton (1936– )
Margaret Hamilton johti Apollo-ohjelman ohjelmistokehitystä ja loi keskeisiä periaatteita ohjelmistojen luotettavuudelle. Hänen työnsä mahdollisti virheenkestävät järjestelmät, jotka pystyivät priorisoimaan kriittiset toiminnot lennon aikana (Hamilton, 1976). Nämä periaatteet ovat tärkeitä myös nykyisessä tekoälyssä, jossa järjestelmien luotettavuus ja turvallisuus ovat ratkaisevia erityisesti korkean riskin sovelluksissa.

Barbara J. Grosz (1948– )
Barbara J. Grosz on varhainen tekoälytutkija, joka kehitti malleja kielen ymmärtämiseen ja moniagenttijärjestelmiin. Hänen työnsä loi pohjaa älykkäille systeemeille, joissa tekoäly toimii yhteistyössä ihmisten kanssa ja huomioi toiminnan kontekstin sekä tavoitteet (Grosz & Sidner, 1986; Grosz et al., 2004). Grosz on myös pohtinut tekoälyn kehittämisen eettistiä näkökulmia ja muistuttanut sen yhteiskunnallisista vaikutuksista (Grosz, et al., 2019).

Julia Hirschberg (1950– )
Julia Hirschberg on pioneeritutkija puheentunnistuksen ja keskustelujärjestelmien kehittämisessä. Hänen tutkimuksensa esimerkiksi puheen rakenteesta ja prosodiasta (eli puheen "melodiasta") on auttanut rakentamaan luonnollisempaa vuorovaikutusta ihmisten ja koneen välillä (Hirschberg, 2002; Hirschberg & Manning, 2015). Hän on myös nostanut esiin vinoumia puheteknologiassa, erityisesti sukupuoleen ja aksentteihin liittyviä eroja, jotka vaikuttavat järjestelmien toimivuuteen eri käyttäjäryhmille. 

Fei-Fei Li (1976– )
Fei-Fei Li on vaikuttanut ratkaisevasti syväoppimisen läpimurtoon luomalla ImageNetin, laajan kuvadatan, joka kiihdytti neuroverkkojen kehitystä erityisesti vuoden 2012 jälkeen (Deng et al., 2009; Krizhevsky et al., 2012). Tutkimus loi perustan sovelluksille, joita käytetään nykyään terveydenhuollossa, liikenteessä ja digitaalisissa palveluissa (LeCun et al., 2015). Li on korostanut datan kriittistä arviointia syväoppimisessa: Mallit oppivat aineistosta ja heijastavat myös sen mahdollisia vinoumia (Mehrabi et al., 2021; Buolamwini & Gebru, 2018). Fei-Fei Li suosittaa ihmiskeskeistä tekoälyä, jossa tekninen kehitys linkittyy aina vastuullisuuteen ja yhteiskunnallisten vaikutusten huomioimiseen (Li, 2018).

Timnit Gebru (1983– )
Timnit Gebru on tekoälyn eettisen tutkimuksen suunnannäyttäjä. Hänen työnsä on osoittanut miten suurten datakokonaisuuksien ja mallien taustalla olevat valinnat tuottavat merkittäviä vinoumia ja haitallisia vaikutuksia (Gebru et al., 2018). Gebru tutkii jatkuasti kehittyvien kielimallien riskejä ja korostaa toiminnan läpinäkyvyyden ja datan laadun merkitystä (Bender et al., 2021).

Ajetaanpa lopuksi mutkat suoriksi niin, että heikompia hirvittää. Kokeillaan voisiko näiden yksittäisten esimerkkien pohjalta rakentaa jonkinlaista tekoälyn kehityslinjojen jatkumoa, vaikka tällainen pelihän on tieteessä tietysti täysin no go. Tekoälyn kehitys on edennyt laskentakapasiteetin ja ohjelmistotekniikan rakentamisesta kohti neuroverkkoihin perustuvia oppimismalleja. Kehitystä ovat vauhdittaneet erityisesti suurten tietoaineistojen saatavuus, skaalautuva laskenta ja syväoppiminen. Nykyvaihetta leimaa erityisesti generatiivisten kielimallien kehitys, multimodaalisuus (teksti, kuva ja ääni) sekä tekoälyn eettisyyden tutkimus ja kriittinen pohdiskelu. 

Promptasin erästäkin tekoälyä arvioimaan edellistä kappaletta tekoälyn ja ohjelmoinnin historian tutkijan ymmärryksellä. Vastaus herjaili kuvauksen olevan aika simppelsson ja jättävän huomiotta monia muita samanaikaisia kehityslinjoja. Joskus on siis mentävä tarkemmin pikseleihin, mutta nyt lähdettiin liikkeelle näillä ratapölkyillä.   

Huom. Käytin tämän tekstin oikolukuun Grammarlya. Ammattikääntäjien mukaan sen korjaukset kuulostavat robottimaisilta, mutta jep. Olen tarkistanut sisällön, joten kaikki virheet ovat vain ja ainoastaan ruudun tällä puolella hallusinoivan ihmisen. 

References

Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610–623. https://doi.org/10.1145/3442188.3445922

Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of the 1st Conference on Fairness, Accountability and Transparency, 81, 77–91. https://proceedings.mlr.press/v81/buolamwini18a.html

Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Li, F.-F. (2009). ImageNet: A large-scale hierarchical image database. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 248–255. https://doi.org/10.1109/CVPR.2009.5206848

Gebru, T., Morgenstern, J., Vecchione, B., Vaughan, J. W., Wallach, H., Daumé III, H., & Crawford, K. (2018). Datasheets for datasets. arXiv. https://doi.org/10.48550/arXiv.1803.09010

Grosz, B. J., Grant, D. G., Vredenburgh, K., Behrends, J., Hu, L., Simmons, A., & Waldo, J. (2019). Embedded EthiCS: Integrating ethics across CS education. Communications of the ACM, 62(8), 54–61. https://doi.org/10.1145/3330794

Grosz, B. J., Kraus, S., Sullivan, D. G., & Das, S. (2004). The influence of social norms and social consciousness on intention reconciliation. Artificial Intelligence, 142(2), 147–177. https://doi.org/10.1016/j.artint.2004.08.006

Grosz, B. J., & Sidner, C. L. (1986). Attention, intentions, and the structure of discourse. Computational Linguistics, 12(3), 175–204.

Hamilton, M. (1976). Computer gotchas. Datamation, 22(4), 68–76.

Hirschberg, J. (2002). Communication and prosody: Functional aspects of prosody. Speech Communication, 36(1–2), 31–43. https://doi.org/10.1016/S0167-6393(01)00024-3

Hirschberg, J., & Manning, C. D. (2015). Advances in natural language processing. Science, 349(6245), 261–266. https://doi.org/10.1126/science.aaa8685

Hopper, G. M. (1952). The education of a computer. Proceedings of the ACM National Meeting, 243–249. https://doi.org/10.1145/609784.609818

Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097–1105. https://proceedings.neurips.cc/paper/2012/hash/c399862d3b9d6b76c8436e924a68c45b-Abstract.html

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539

Mehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), Article 115. https://doi.org/10.1145/3457607

Sammet, J. E. (1969). Programming languages: History and fundamentals. Prentice-Hall.

Photo licensed from Adobe Stock.

Text: Essi Ryymin

We’ve been describing the skills of the future over a decade. Analyses, frameworks, future visions, policies, heat maps, the lot. The World Economic Forum’s Future of Jobs Report 2025 does it again, mapping the roles that are growing and the skills they’ll demand. Helpful? Yes. Sufficient? Not anymore. The messy is now the new normal of working life and the only way through it is to finally live the skills we keep talking about.

Skills instability is structural 

Roles are remixing faster than job architectures can keep up. Burning Glass Institute’s research shows skill profiles inside roles are churning. New skills rise, others fade, and the half-life of what you “know” keeps shrinking. This is a standing feature of modern work. The peaceful moment after an occasional rush is not coming anymore. The new normal, messy is like gravity, not weather.

The World Economic Forum’s outlook backs this up at a macro scale. Tech and green transitions are rearranging demand across entire occupations, while skills gaps sit among the top barriers to transformation. What does this mean in practice? Your job is less a noun and more a verb, a moving one.

Human-centered skills are the fastest-rising

Yes, AI skills are hot. But the most durable advantage is surprisingly analog, meaning, how you relate, frame, and decide. LinkedIn’s recent data, reported by Axios,  puts communication at the top of employer demand, again, while leadership, collaboration, and adaptability remain perennial chart-toppers. The more tech pervades workflows, the more those human interfaces matter.

OECD’s latest synthesis adds rigor. It reveals that social and emotional skills reliably predict labor-market outcomes and well-being, not just grades. In other words, being able to read the room, regulate your reactions, and build trust has measurable career ROI.

GenAI isn't closing gaps but accelerating them

Generative AI acts as a force multiplier, especially for people and teams who are ready to learn and adapt. McKinsey’s 2025 AI survey shows that more organisations are using AI, but many still struggle to use it effectively. The companies that get the most value from AI are strong in areas like strategy, leadership, and new work methods. When these areas are weak, AI tends to increase the performance gap between teams and companies.

In the job market, AI is spreading faster than many workers can reskill, which is causing both excitement and worry about jobs. Policy experts and business leaders are now more open about how disruptive AI can be, especially for people starting their careers. This does not mean humans are out of the picture, instead, it makes uniquely human skills even more valuable in stressful times

Success at work is no longer about what you know, but about how you respond when the situation gets messy

However, ambiguity, well-being, and productivity in the workplace are shaped by continuous development. When stakes are high, and situations become unclear or emotionally charged, employers prioritise how employees respond under pressure over “by textbook” solutions. In critical moments, it is not just knowledge, but four key behaviours that enable workplace communities to navigate challenges: 1) Making sense of ambiguity, 2) taking others’ perspectives, 3) regulating emotions, and 4) creating psychological safety, trust, that encourages honesty.

Let’s look more closely at supporting scientific research:

• First, sensemaking is the ability to interpret complex, unclear situations by constructing coherent explanations, identifying possible options and tradeoffs, and selecting a path forward despite incomplete information.
• Next, perspective-taking is the skill of understanding and clearly expressing an opposing point of view, and using that insight to help guide a group. This is not just about being pleasant, but about reducing political friction and improving collective outcomes.
• Additionally, emotion regulation is the ability to maintain curiosity, composure, and openness when facing challenges or criticism, rather than reacting defensively or emotionally.
• Finally, fostering psychological safety is about making sure everyone feels comfortable raising concerns, giving honest feedback, and speaking up without worrying about negative consequences. When people feel safe, it supports their well-being and helps the team perform, innovate, and learn better.
  
  

These capabilities are difficult to replicate, automate, or scale in the absence of a shared cultural commitment. Developing these skills requires a collective sharing within the workplace community. They cannot be cultivated in isolation or assigned to individuals alone.

Smart tools to start practicing with 

But as smart species that we are, we can harness our technology to develop these skills is us. Have you heard for instance about Cyborgs?
It's an awarded Estonian innovation that focuses on rehearsing behaviour in complex, messy work situations, rather than just teaching knowledge. There are plenty of similar applications and platforms (behaviour-first, scenario-based) to practice the skills. See the list of some examples here:

Cyborgs

• Provides realistic, story-driven workplace simulations that help teams build key competencies and soft skills in dynamic, unpredictable environments. 
• Uses interactive scenarios that feel like an escape room challenge — teams must deliver a complex project under tight deadlines to a demanding client. 
• Widely used for developing teamwork, communication, problem solving, and adaptability in professional settings. 
• Focus: behaviour and collaboration under social pressure in workplace-like situations.
  🔗 https://cyborgs.work  

Sopu Academy

• Offers negotiation training designed to help individuals and teams build practical skills for influencing outcomes and reaching agreements in real-world contexts.
• Uses structured modules and scenario-based exercises that focus on strategy, communication, and effective bargaining techniques.
• Widely used by professionals seeking to improve negotiation confidence, conflict resolution skills, and decision-making in both workplace and everyday situations.
• Focus: developing negotiation mindset and interpersonal influence through guided practice and frameworks.
• 🔗 https://sopuacademy.com

 
Kialo

• Provides a structured debate and discussion platform that helps users strengthen critical thinking, sense-making, and reasoned communication.
• Uses visual argument mapping to break down complex topics into clear positions and supporting reasons, encouraging thoughtful dialogue and analysis.
• Widely used in educational, professional, and community settings to enhance clarity of thought, civil discourse, and collaborative sense-making.
• Focus: refining reasoning skills and understanding multiple perspectives through structured argumentation.
• 🔗 https://www.kialo.com

Mursion

• Utilises AI-driven avatars paired with live facilitators to recreate realistic leadership, feedback, and conflict situations.
• Enables participants to practice challenging interpersonal interactions in a safe, controlled environment.
• Widely used in leadership development and professional training—including education and corporate contexts.
• Focus: behavior and communication under social pressure in high-stakes scenarios.
• 🔗 https://www.mursion.com/

Finally, what should then be the first practical thing to do when things get messy? As one wise man once said, “Keep calm and carry on.” That advice is still just as relevant today.

Note: This text uses Google Scholar, a search engine for scientific publications, to find sources and artificial intelligence to analyse and summarise research results (SciSpace, Scholar GPT). It also uses Grammarly for language proofreading. 

#behaviour #socialskills #socialpressure #rapidtransformation #newwork #changeatwork #scenariobasedapplications #futureskills #AI

Tiivistelmä suomeksi: 

Eniten merkitsee se, miten käyttäydyt, kun tilanne mutkistuu

Nopeasti muuttuva työelämä saattaa tuntua toisinaan kuin jatkuvalta ja ennakoimattomasti etenevältä remontilta. Seinät liikkuvat, kahvihuone löytyy milloin mistäkin, ja kytkimestä, josta viimeksi sytytettiin valot, nyt ne sammutetaan. Roolit ja osaamisvaatimukset muuttuvat nopeammin kuin strategiakalvot. Listat tulevaisuuden taidoista eivät enää riitä. Nyt tarvitaan niiden jokapäiväistä toimeenpanoa. 

Tutkimukset kertovat samaa viestiä eri suunnista, osaamisvaatimukset ovat alituisessa liikkeessä. Työ ei ole enää titteli, vaan jatkuvasti kehitteillä oleva tapa tehdä ja oppia. Kestävimmät taidot ovat yhä inhimillisiä. Viestintä, yhteistyö, sopeutumiskyky ja kyky lukea tilanteita ja ihmisiä vaikuttavat suoraan sekä työn tuloksellisuuteen että hyvinvointiin.

Odotamme ja saamme paljon apua generatiiviselta tekoälyltä, mutta se ei välttämättä tasoita työpaikkojen kyvykkyyseroja. Eniten tekoälystä  nimittäin hyötyvät ne organisaatiot, joilla on jo valmiiksi selkeä suunta, toimiva johtaminen, järkevät työtavat ja päivittyvä tiekartta tulevaisuuteen. Tai edes ääneen lausuttu tavoite kehittää niitä tosimielellä. Jos perusta on heikko, myös älykäs kehittäminen rakentuu savijaloille.

Jatkuvassa muutoksessa hyväkin työ hässäköityy monista työntekijästä riippumattomista tekijöistä. Monet tutkijat uumoilevatkin, että ratkaisevaa sekä työn tulokselle että hyvinvoinnillemme on se, miten toimimme, kun tilanne muuttuu sekavaksi. Osaavatko työyhteisöt jäsentää epävarmuutta, ymmärtää erilaisia näkökulmia, säädellä reaktioitaan ja luoda ilmapiiriä, jossa voi puhua avoimesti? (Ei kai kukaan enää tosissaan ehdota rakenteellisiin haasteisiin lisää syväkyykkyjä?)

Kyseessä ovat nyt sellaiset tiheäsyiset ja kulttuuriin kutoutuneet osaamiset, joita on vaikeaa simuloida, replikoida, automatisoida tai kehittää ilman samaa ilman hengittävien ihmisten yhteistä ja tietoista ponnistelua. Älykkäänä lajina voimme kuitenkin valjastaa nerokkaat tukiälymme ja teknologiamme auttamaan meitä näidenkin taitojen harjottelussa. Kokosin ylemmäs listaa mielenkiintoisista ohjelmista, jotka vaikuttavat potentiaalisilta. 

Kannattaa vilkaista uusin tulokas, virolainen innovaatio Cyborgs. Olin juuri tapahtumassa, jossa yksi softan kehittelijöistä esitteli sitä sanoilla: "Hyvä yleisö, tarvitsette tätä, jos olette ikinä olleet töissänne siinä pisteessä, että olette halunneet [noh, eräs kohtalaisen väkivaltainen verbi] jotakuta". Asiantuntijoista täyttynyt yleisö naurahteli vaivautuneesti, mutta nyökkäili.

Huomio: Tämän tekstin lähdehaussa on käytetty Google Scholaria, ja lähteiden tutkimustulosten analysoinnissa sekä tiivistämisessä on hyödynnetty tekoälyä (SciSpace, Scholar GPT). Englanninkielisen version oikolukuun on käytetty Grammarlya. Härmä on jälleen kerran mitä on. 

#sosiaalisettaidot #työelämä #muutos #tekoäly #hyvinvointi #osaaminen #tulevaisuudenosaamiset #jatkuvamurros #tutkimusjatyö

Image: LUMI Supercomputer by Mikael Kanerva, CSC. Copyright CSC. LUMI photos for media. 

Text: Essi Ryymin 

Artificial intelligence (AI) is no longer just about self-driving cars or clever chatbots. Increasingly, it is our partner in building society, helping to understand climate change, create new medicines, and even ensure that online information can be trusted. But with AI’s growing power comes a responsibility: how do we make it reliable, open, and beneficial for everyone?

That’s where ELLIOT comes in. Backed by the EU’s Horizon Europe programme, this flagship project brings together 30 organisations from 12 countries to design a new generation of AI, systems that can handle many kinds of data at once, from videos and text to satellite signals and industrial sensors. Unlike today’s often narrow AI models, ELLIOT aims to create “generalist” AI that can adapt to real-world complexity, and do so transparently and responsibly.

ETH Zürich – knowledge at the cutting edge

ETH Zürich, one of Europe’s most prestigious technical universities, plays a central role. With decades of pioneering work in computing and engineering, ETH helps shape ELLIOT’s scientific backbone. But the university isn’t only about algorithms — it also brings expertise in ethics, fairness, and regulation. This ensures that the models built aren’t just powerful but also trustworthy, in line with European values of openness and accountability.

CSC and the quiet power of Kajaani

Then there’s CSC – IT Center for Science in Finland, home to the LUMI supercomputer. And here’s where the story gets interesting: LUMI doesn’t sit in Helsinki, Berlin, or Zürich, but in Kajaani, a small Finnish town that many Europeans, and even many Finns, struggle to locate on a map. For decades Kajaani was known for its paper mills. Today, it’s where some of the world’s biggest AI models are being trained. This reminds us that innovations emerge also from the quiet, behind-the-scenes work, not just from what's in the public eye.  

CSC is Finland’s non-profit, state- and university-owned IT expert organisation and a key part of the country’s research infrastructure. It provides supercomputing (including hosting the LUMI), cloud services, research data management, and the Funet national research network. CSC also develops digital solutions to support research, education, culture, and public administration. Would I be too poetic to formulate that the sharp thinking of CSC, powered by the ice-cold brains of LUMI, is ultimately directed toward serving the shared needs and aspirations of humanity?

Why this matters for Europe

Fundamentally, this all is about autonomy and confidence. By building AI infrastructure openly in Europe, and ensuring results are transparent and widely shared, the projects help reduce dependency on proprietary systems developed elsewhere. That means European researchers, educators, and companies can innovate on their own terms.

The benefits reach far beyond labs and supercomputers. Climate scientists will gain sharper models for understanding earth’s systems. Journalists can (soon) use AI to help fact-check faster. Educators will have new tools to strengthen, e.g., digital citizenship education. Public services can become more efficient and responsive.

Together, ETH Zürich, CSC, Kajaani and their European partners are showing that AI doesn’t have to be a black box controlled by a handful of companies. Instead, it can be a shared resource, built on openness, responsibility, and creativity. ​

​ ➡️ Did you know? Kajaani & LUMI

• Kajaani, a small town located about 550 kilometers north of Helsinki, used to be earlier known for its paper mills. Today, it hosts LUMI, one of the world’s fastest supercomputers.
• LUMI is installed in a former paper factory being a nice symbol of Finland’s transformation from heavy industry to high-tech innovation.
• The name LUMI means snow in Finnish, which is quite appropriate, since Kajaani sees snow for nearly half the year, and the cool climate is ideal for supercomputer servers.
• Despite its size and power, LUMI is one of the world’s most environmentally friendly supercomputers, running almost entirely on renewable hydroelectric energy.
• Kajaani is also very well known in international game industry due to its recognised studies of game development in Kajaani University of Applied Sciences. If you haven’t come across this, you have probably heard about Critical Ops (Critical Force), Stumble Guys (Kitka Games), Supercell, Housemarque, Remedy, and Ubisoft.

And finally, slightly off the topic, but still staying in Kajaani  

​If your interests lie in AI only, you can very well skip the following!

Kajaani is a town founded in 1651. It has risen from the ashes numerous times throughout its history, both literally and figuratively. Or rather, the people of Kajaani have pulled themselves out of the swamp by their hair, like Baron von Münchhausen. 

​Kajaani's strange fate has always been to drop off the official radar in Finland. For instance, YLE, Finland's national media company, produced a ten-part series filmed from a helicopter using 4K technology, which presented "the whole of Finland" as a tribute to Finland's 100-year-old independence in 2017. The material was filmed for four (!) years. However, Kajaani and its entire administrative region Kainuu (22 688 km² in 2021) were forgotten from the film. When the people of Kajaani, true to their typical style, politely and without making a fuss, wondered about this, YLE answered that unfortunately, there was not enough money and time for everything. The weather was also pretty bad. 

And now, I can hear a Swedish gent in the back row asking whether it was a matter of national security to skip Kajaani from the film? Thanks for asking, but no, it was not a security-related decision, as the entire country is practically a security-critical area, as you should very well know. It is more a case of neglecting remote areas, with viral attention particularly focused on growing cities. The majority of the region consists of forests and sparsely populated wilderness, and throughout its history, the region has struggled under the weight of profound poverty.

Many other regions in Europe face the same challenge. Yet it is precisely these "easy to forget" regions, from which no one expects anything, that can surprise us with innovations that are squeezed out of the pressure of being remote, like diamonds. 

So, there's certainly something about Kajaani. But I'm a bit biased source here, obviously. Kajaani is my hometown, and the story of my family is deeply intertwined with its struggles, hardships, and enduring spirit of resilience. 

​The ever-changing Kajaani is a quiet gem, revealed only to those who truly know how to see.

Image: LUMI data center at Renforsin Ranta business park in Kajaani, Finland by Mikael Kanerva, CSC.  Copyright CSC. LUMI photos for media. ​ 

Tiivistelmä suomeksi:

Luotettavaa tekoälyä Euroopan tulevaisuudelle: ELLIOT, ETH Zürich, CSC - ja Kajaani!

ELLIOT on EU:n Horizon Europe -ohjelman lippulaivahanke, jossa 30 organisaatiota 12 maasta kehittää uuden sukupolven avoimia, monimuotoisia tekoälymalleja. Tavoitteena on rakentaa läpinäkyvää ja vastuullista tekoälyä, joka pystyy käsittelemään monenlaista dataa ja toimimaan luotettavasti tosielämän monimutkaisissa ympäristöissä.

ETH Zürich tuo hankkeeseen huipputason tutkimusosaamista ja eettistä näkökulmaa, kun taas CSC - IT Center for Science vastaa superlaskennasta, muun muassa LUMI-supertietokoneen avulla. LUMI sijaitsee Kainuussa, Kajaanissa, kaupungissa, joka on ehkä usein jäänyt valtakunnallisen huomion ulkopuolelle, mutta joka on nostanut itsensä hiuksista ylös kerta toisensa jälkeen historiansa aikana. Paperitehtaan tiloihin asennettu LUMI on yksi maailman nopeimmista ja ympäristöystävällisimmistä supertietokoneista, ja symboloi osaltaan Kajaanin kehittymistä metsäteollisuudesta kohti huipputeknologiaa.

Yhteistyön merkitys ulottuu laajalle: ilmastotutkijat saavat tarkempia mallinnuksia, toimittajat (pian) uusia välineitä faktantarkistukseen, opettajat resursseja oppimisen kehittämiseen ja julkiset palvelut parempia työkaluja toimintaansa. Tärkeintä on riippumattomuus niistä monikansallisista, kaupallisista yhtiöistä, joiden algoritmit kytkeytyvät tavalla toisella arvoitukseksi jäävään ansaintalogiikkaan ja arvomaailmaan. 

Kajaani on vuolaiden vesien ympäröimä kaupunki, mutta veri virtaa vettäkin sakeampana; olen syntynyt Kajaanissa ja näin ollen olen sen menneisyyden muokkaama itsekin. Vaikka yritän tarkastella kaupunkia etäältä, huomaan olevani aina vähän puolueellinen, Kajaanin puolella. 

#EdTechTrends #AI #Supercomputer #EuropeanCollaboration #AIforGood #TransformingRegions