A METR által közzétett rövid elemzés azt vizsgálja, hogy a nagynyelvi modellek (LLM-ek) és a hozzájuk kapcsolódó AI-eszközök hol gyorsítják fel a tudományos és technológiai előrehaladást. A tanulmány három területre fókuszál: kiberbiztonság (cyber), matematikai kutatás és maga az AI-kutatás/algoritmikus haladás. Az eredmény: a hatás nem egységes — egyes területeken erőteljes gyorsulás, másutt mérsékelt vagy nehezen mérhető előrelépés, megint máshol nincs kimutatható gyorsulás.
Mire mutattak rá a METR-szerzők?
-
Kiberbiztonság: jelentős gyorsulás
- A jelentés szerint 2026-ban jelentősen megnőtt a bejelentett sérülékenységek aránya több projektben és aggregált adatbázisban a 2025-ös évhez képest. Konkrét példák: cURL, OpenSSL, Firefox és Microsoft projektjei, valamint az Egyesült Államok NVD (National Vulnerability Database) és az OSV (Open Source Vulnerabilities) agregált adatbázisok.
- A szerzők ezt „major acceleration”-nek írják le: LLM-ek és AI-eszközök alkalmazása hozzájárult ahhoz, hogy több sebezhetőséget azonosítsanak gyorsabban.
-
Matematikai kutatás: kisebb gyorsulás, mérési nehézségekkel
- Az AI ténylegesen hozzájárul a megnövekedett aktivitáshoz: bizonyos területeken az arXiv-re beküldött dolgozatok száma kevesebb mint 12 hónap alatt megduplázódott. Ugyanakkor nehéz pénzben vagy egyértelmű hatékonysági mutatóban kifejezni, mekkora értéket adnak ezek az AI-alkalmazások.
- Néhány neves problémalistáról származó matematikai feladatot megoldottak: a Smale-listáról a Jacobian-sejtés, Green-listáról a 44-es probléma (a halving sieve) és a Green 100-as probléma egyik „sofic” fele is említésre kerül. A szerzők óvatosak: még korai megítélni, mennyire tartós trendről van szó.
-
AI-kutatás/algoritmikus haladás: nincs kimutatható gyorsulás
- A METR hét jelentős problématerület algoritmikus előrehaladását vizsgálta: CIFAR-10, Hutter compression, Gurobi mixed-integer programming, MIPLIB, nanoGPT, Stockfish és a mátrix-szorzás kitevője (matrix-multiplication exponent).
- Ezek közül néhányban vannak LLM-hez köthető hozzájárulások (például nanoGPT és CIFAR-10), ám az AI-alkalmazások terjedésének növekedési üteme jóval lassabb itt, mint a kiberbiztonságban vagy a matematikában.
Miért fontos ez?
A METR-jelentés rávilágít, hogy az AI nem egyenletesen gyorsítja a tudományos felfedezéseket; inkább „foltszerű” gyorsulás figyelhető meg: bizonyos területeken (például kiberbiztonság) hirtelen, markáns növekedés, máshol lassabb, fokozatos előrelépés. A szerzők feltételezése szerint az intenzív gyorsulás akkor következik be, amikor egy modell bizonyos készségben „fázisváltáson” megy át — ahogy ez történt a mindennapi kódolási feladatokban 2025-ben és a kiberbiztonságban 2026-ban.
A kulcskérdés az, hogy más tudományterületeken és technológiai problémákban is bekövetkeznek-e hasonló fázisváltások, vagy a gyorsulás korlátozottan jelentkezik majd csak bizonyos zsebekben.
Következtetések
A METR-elemzés nem egyetlen, mindent átfogó gyorsulást mutat: helyenként látványos hatás, másutt mérsékelt vagy nem egyértelmű eredmények. Ez fontos perspektíva a kutatók, politikai döntéshozók és ipari szereplők számára, amikor AI-beruházásokat, szabályozást és kutatási prioritásokat terveznek.
Hivatkozás
A vizsgálat eredményeit rövidebben a METR: "Have We Seen an Acceleration in Discoveries?" című research note-ja tárgyalja.
