Ezen a héten több jelentős modellbejelentés is érkezett, miközben a befektetők óvatosabbá váltak az AI-kiadásokkal kapcsolatban. A Google bemutatta a Gemini 4 Carbon nevű modellt, amelyet kiberbiztonsági feladatokra és összetett, többlépéses feladatokra szánnak. A francia Mistral nyilvánosságra hozta egy billentyűzetfájljait (weights) a billió-paraméteres Large 4 modelljéhez — „Le Chonk” néven is ismert —, lehetővé téve a fejlesztők számára a nagyobb kontrollt a telepítés és testreszabás felett, feltéve, hogy rendelkeznek a futtatáshoz szükséges hardverrel. Eközben a Google DeepMind előzetesen bemutatta Genie 4-et, egy olyan világmodellt, amely képes környezeteket, fizikai kölcsönhatásokat és eseménysorozatokat szimulálni; ez a megközelítés különösen hasznos lehet robotikában, ahol szimulált világokban lehet tesztelni a robotokat irányító rendszereket, mielőtt fizikai gépeken próbálnák ki őket.
Ugyanakkor a fejlesztések gyorsulása mellett a befektetői lelkesedés jelei csökkentek. Az Anthropic közelebb került a nyilvános részvénykibocsátáshoz azáltal, hogy nyilvánossá tette az IPO-hoz kapcsolódó papírokat, bár nem közölt kibocsátási dátumot vagy részvényárat. Az OpenAI állítólag körülbelül 11 milliárd dollár finanszírozást szerzett legutóbbi köréhez, ami lényegesen elmarad a korábbi, 30 milliárd dolláros céltól. Ezek a fejlemények összekapcsolódtak több nagy technológiai részvény éles esésével; a technológia-túlsúlyos Nasdaq októberben a 2025. márciusa óta eltelt legsúlyosabb havi visszaesésével zárt.
A megnövekedett AI-kiadások mérlege egyre nagyobb figyelmet kap, különösen amíg a befektetők a megtérülésre várnak. Azoknak a vállalatoknak, amelyek AI-ba fektetnek, nemcsak a modellek teljesítményére kell figyelniük: a képzési és működtetési költségek növekedése befolyásolhatja az árképzést, a hozzáférhetőséget és azt, hogy mely szolgáltatók maradnak versenyképesek.
Hogyan tanulnak a modellek? Új kutatások és kísérletek
A kutatók vizsgálják, miként dolgozzák fel, őrzik meg és generálják választ a nagy modellek a tudást. A Goodfire nevű AI-értelmezhetőségi cég egy, a Humán Genom Projekt mintájára tervezett kezdeményezést javasolt, és 10 millió dollárt kötelezett el a nagy nyelvi modellek belső működésének feltérképezésére. A cél az, hogy megértsék, mely minták aktiválódnak adott promptokra és hogyan befolyásolja a viselkedést az ezekben a mintákban végrehajtott módosítás.
A Google Research egy emberi kogníció által inspirált keretrendszert javasolt, amely bevezeti az úgynevezett „alvás” fázist. Ebben az offline időszakban a modellek konszolidálják az új információkat és „álmodás” révén gyakoroló példákat generálnak. Ez a megközelítés a catastrophikus felejtés (catastrophic forgetting) problémájára is megoldást próbál kínálni: amikor az új tanulás rontja a korábban megszerzett képességeket, az „alvás” segíthet az ismeretek megőrzésében a különálló beszélgetések fölött.
Kínában a DiffuSpace bemutatta a Clover nevű, 35 milliárd paraméteres diffúziós nyelvi modelljét. A legtöbb ismert nyelvi modell autoregresszív megközelítést használ, azaz tokenenként, sorban generálja a szöveget. A diffúziós nyelvi modellek ehelyett egyszerre több részen dolgoznak és többszöri átmenettel finomítják a választ. A DiffuSpace azt állítja, hogy bizonyos feladatoknál versenyképes teljesítményt és gyorsabb generálást értek el hasonló méretű autoregresszív modellekhez képest. A Goodfire és a Google kutatásával együtt ez azt sugallja, hogy a jövőbeli javulások részben a tanulási és generálási megközelítések átgondolásából származhatnak, nem csak a modellek méretének növeléséből.
Az AI rejtett költségei: nyelvi árképzéstől a környezeti hatásokig
A „tokenizer tax” (tokenizáló-adó) kutatása rávilágított arra, hogy az AI-árazás hátrányos lehet kevésbé reprezentált nyelveket beszélők számára. A vizsgálatok kimutatták, hogy egyes nyelvek lényegesen több tokenre van szükségük ugyanannak az üzenetnek a kifejezéséhez, mint az angol. Egy példában a malajálami (Malayalam) fordítás karakterekben kicsit rövidebb volt az angol mondatnál, mégis kétszer annyi tokent igényelt: 26-ot az angol 13-mal szemben. Mivel az AI-szolgáltatók gyakran token alapú díjazást alkalmaznak, ezek a különbségek magasabb költségekhez vezethetnek a felhasználók számára, különösen olyan közösségekben, ahol az AI-szolgáltatások már amúgy sem megfizethetőek. A többnyelvű alkalmazásokat fejlesztő cégeknek érdemes figyelembe venniük a tokenizáció hatékonyságát a modell minősége mellett.
Finnországban hatósági vizsgálat indult a Google ellen több mint 400 000 fa kivágása miatt tervezett adatközpont-telek előkészítése kapcsán. A vizsgálat azt vizsgálja, hogy a vállalat elvégezte-e a szükséges környezeti hatástanulmányokat a területek kitisztítása előtt. Az ügy rávilágít arra, miért fontos, hogy a környezeti vizsgálatok még a fakitermelés vagy az építkezés megkezdése előtt megtörténjenek; egyszer a területet kitisztítják, a szabályozói intézkedések nem állítják vissza az érintett ökoszisztémát azonnal.
Végül több AI-cég azt közölte, hogy tiszteletben tartaná egy közös weboldalopt-out jelet, amely lehetővé tenné a kiadók számára, hogy jelezzék: tartalmukat ne használják AI-modellek képzéséhez. A kezdeményezés több kontrollt adhat a webtartalom-tulajdonosoknak a jövőbeli adatgyűjtés felett, ugyanakkor a részvétel önkéntes marad. Nem lehet visszafordítani a már begyűjtött anyagok felhasználását, és a szabvány csak akkor lesz hatékony, ha az AI-vállalatok követik a kiadók által megadott utasításokat.
Mit jelent mindez a jövőre nézve?
A heti fejlemények rámutatnak, hogy az AI előrehaladásának értékeléséhez többre van szükség, mint a modellkiadások és benchmark-pontszámok követése. Meg kell értenünk, hogyan tanulnak a rendszerek, fenntartható-e az azok mögötti gazdaság, és kinek milyen társadalmi és környezeti költségei vannak az elterjedésüknek. Ahogy egyre több vállalkozás és magánszemély fogadja el az AI-t, ezek a kérdések egyre nehezebben lesznek figyelmen kívül hagyhatók.
Visszatérünk hétfőn, 2026. november 9-én egy újabb epizóddal, amely az AI-kutatás és alkalmazások legfrissebb fejleményeit tárgyalja. A korábbi epizódok elérhetők a YouTube-on, a Spotify-on, az Apple-en, illetve a podcastok más platformjain.
