Az idei hetekben több olyan esemény történt, amelyek azt mutatják: a hangsúly az egyszeri, gyors modellek felől a hosszú távon futó, eszközöket hívó és önfejlesztő rendszerek felé mozdul.
Etched: nem csak egy gyors chip
Az Etched 26 nap alatt 1 milliárd dollárt vont be, és ezzel a cég értékelése megduplázódott, 21 milliárd dollárra. A befektetési kör egyik figyelemre méltó résztvevője a Jane Street volt: a cég letesztelte Etched hardverét, egy rack-et telepített, majd vezető szerepet vállalt egy 700 millió dolláros befektetési körben.
Etched kezdetben Transformer-specializált lapkán dolgozott, hangsúlyt adva a specializációnak a rugalmasság helyett. A cég most azt állítja, hogy hardvere képes futtatni több modellt is, például Llama, DeepSeek, Qwen és Mamba architektúrákat. Ha a specializáció gazdaságosságát meg tudták tartani anélkül, hogy egyetlen architektúrához lennének kötve, akkor Jane Street lépése túlmutathat egy egyszerűen gyorsabb AI-chip validálásán: egy olyan megközelítést jelezhet, amely gazdaságosabb hardveres skálázást tesz lehetővé.
Ox Alpha: anonim modell, fejlesztők mint tesztműhely
Megjelent egy Ox Alpha nevű, névtelen modell, amely ingyen vált elérhetővé, céges hátteret nem közölve. A fejlesztők gyorsan próbálták azonosítani a készítőt; a nyomok erősen Z.ai és egy még ki nem adott GLM-modell felé mutatnak. A rejtély önmagában is figyelemre méltó, de még érdekesebb következmény, hogy a fejlesztők milliónyi valós kódolási munkamenetével egy nagy léptékű tesztlabor jött létre.
Miközben a közösség Az Alpha eredetét kutatta, a modell készítői valós használati mintákból tanulhattak: hogyan kezeli a modell a kódtárakat, hogyan hív eszközöket, hogyan viselkedik hosszú ügynökláncokban, és miként működik éles infrastruktúrában. Más szavakkal, a fejlesztők vizsgálódása közben a modell alkotói mérnöki visszajelzésekhez jutottak.
Z.ai: nyitott modellektől az autonóm „digitális alkalmazottakig”
A Z.ai (korábban Zhipu AI) tele volt változásokkal: Tsinghua egyetemhez kötődő startupként indult, korábbi értékelése körülbelül 2,5–3 milliárd dollár volt. Azóta átnevezték, tőzsdére lépett Hongkongban, felkerült az Egyesült Államok Entity Listjére, és a GLM-családot úgy pozícionálja, hogy nyílt súlyú (open-weight) modelleket tegyen elérhetővé kódolásra, ügynökökre és hosszú távú feladatokra.
A cég roadmapje egyre ambiciózusabb: cél a milliós tokenes kontextuskezelés, autonóm „digitális alkalmazottak”, önmagukat tréningező rendszerek és végső soron általános mesterséges intelligencia (AGI). Legutóbbi fejlesztések között említik a GLM-5.2 és GLM-5.3 modelleket, valamint a Z.ai „Touch High” stratégiáját, amelyek mind a hosszú távú munkavégzésre és ügynökfunkcionalitásra vannak optimalizálva.
Kína: a chatbottól a folyamatosan futó ügynökökig
Amint egy ügynök elkezd eszközöket hívni, adatokat lekérni, memóriát frissíteni és feladatokat delegálni más ügynököknek, a modell bemeneteinek és kimeneteinek egyszerű monitorozása már nem elég. Hiba esetén meg kell állapítani, hogy a modell, a lekérdezés (retrieval), az eszközhívás, a memória vagy az infrastruktúra melyik eleme hibásodott meg.
Ennek eredményeként az ügynök- megfigyelhetőség (agent observability) külön réteggé kezd válni az AI-stackben. Több nyílt forráskódú eszköz — például Langfuse és AgentOps, valamint általános telemetriai megoldások, mint az OpenTelemetry, Prometheus és Grafana — segítik a rendszergazdákat és fejlesztőket abban, hogy lássák, mit csinálnak valójában az ügynökeik, és hatékonyan hibakeresést végezzenek.
Hosszabb távú kérdések: mi felé tartunk?
Ezek az irányok nem pusztán technológiai finomhangolások: a mezőny egyre inkább olyan rendszerek felé tolódik, amelyek folyamatosan működnek, együttműködnek más szolgáltatásokkal és idővel önmagukat fejleszthetik.
Ez a változás felvet nagyobb társadalmi és filozófiai kérdéseket is. Mit jelent az emberi munkára, életre és szükségszerűségre nézve, ha az intelligencia és a munka egyre bőségesebb? Hogyan dokumentáljuk ezt az átmenetet úgy, hogy évekkel később különbséget tudjunk tenni az elvárások és a valós következmények között?
Ezeket a kérdéseket érdemes folyamatosan figyelni, miközben a szektor a gyors fejlesztések hétköznapi részévé válik.
