A gépi tanulás fejlődésének egyik fontos mutatója, hogy a begyakoroltatott modellek képesek-e a tanulás során nem tapasztalt problémákra eredményesen reagálni. Erre vannak a referenciaérték-tesztek (benchmarking). Csakhogy a tesztproblémák közül egyre több bekerült a képzési adatkészletekbe, amivel lehetetlenné vált a fejlődés akkurátus ellenőrzése.

Kutatók több széles körben használt referenciateszt-anyagban vettek észre nyugtalanító jeleket: egyes elemeik valahogy beszivárogtak a gyakorló adatok közé.

Az érettségi szintű matekproblémák teszteléséhez használt referencia-anyagon népszerű modellek feltűnően jobban teljesítettek, mint az alternatív teszteken. Csak egy magyarázat van rá: előzetesen láthatták a tesztsort vagy valami hasonlót.

Kutatók kimutatták, hogy referenciaértékek szennyezték a GPT-4 gyakorlásához használt adatkészletet.

Egy 2023-as tanulmányban kiértékelték, hogy a GPT-4 mennyire boldogul versenyszintű kódolási problémákkal. Kiderült, hogy 2021-es vagy korábbi versenyek problémáit könnyen megoldotta, későbbiekkel viszont komoly gondjai akadtak. Valószínűleg régebbi versenyeken gyakoroltatták. Az OpenAI idén bejelentette, hogy a GPT-4o-nál orvosolták a problémát.

Szubjektív értékelésnél szintén lehetnek komoly gondok. Az LMSys Chatbot Aréna is ilyen. Ha a modellek korábban használták az LMSys promptjait, jobban teljesítenek. Megoldásként az újonnan létrehozott Arena-Hard-ból és BenchBuilder-ből kiszedték a leggyakrabban használt promptokat.

A tesztek kiszivárgásának súlyos hosszútávú következményei lehetnek. Olyan, mintha egyetemi vizsga előtt a diákok hozzájutnának a vizsgakérdésekhez. Ezeknek a modelleknek nem azért javul a teljesítménye, mert annyit fejlődtek, hanem mert előzetesen ismerték a tesztet. Így viszont nem mérhető hitelesen az adott MI, és nem tudjuk, hol tart.

Megoldás lehet adatsoron belüli egyedi markerek alkalmazása, velük kiszűrhető a referenciaértékekkel való szennyeződés. Másik megoldás maguknak az értékeknek a folyamatos javítása, újabb és jóval nehezebb problémák bevezetésével. Persze a másolatok akkor is meg fognak jelenni a weben, amit úgy küszöbölhetünk ki, hogy a referenciaérték-tesztet csak privát szervereken futtatjuk.   

A Disney csoportot hoz létre a mostanában berobbant technológiák használatának koordinálására. Elsősorban a mesterséges intelligenciáról és a kiterjesztett valóságról (AR), valamint az AR és a virtuális valóság (VR) kombinációjáról, a kevert valóságról (mixed reality, MR) és a szintén az ebbe a technológiacsaládba tartozó, még újabb kibővített valóságról (extended reality, XR) van szó.

A médiaóriás több területen – filmekben, televíziós produkciókban, témaparkokban – igyekszik kiaknázni az ezekben rejlő lehetőségeket.

A csoportot az Apple Vision Pro, kevertvelóság-headset Disney appjának fejlesztését levezénylő Jamie Voris fogja vezetni. Az MI és az XR fejlődési üteme és az elterjedés mértéke olyan gyors most és a közeljövőben, hogy évekig meghatározza a felhasználói élményt, a kreatív munkát és a kapcsolódó üzleti tevékenységeket. A Disney számára kritikus az ígéretes lehetőségek kiaknázása és a potenciális kockázatok feltárása – magyarázza Alan Bergman, a Disney Entertainment társigazgatója.

A több mint százfős létszámra tervezett, szakértői részleg megalapítása egyértelműen jelzi, mennyire elkötelezettek az új technológiák használata iránt. Először csak az MI-re gondoltak, hogy hogyan tudják használni a szórakoztatóiparban, aztán bővítették a kört. Az AR alkalmazásaival eleve több részleg foglalkozik már: hogyan alkalmazzunk digitális elemeket a valóvilágban? A VR-rel, a szimulált közegben történő elmerüléssel és az MR-rel úgyszintén.

A szórakoztatóipari óriás hatalmas szakértelemmel rendelkezik az új technológiák területén. Amióta a nehéz VR headseteket és ormótlan szemüvegeket könnyebbekkel helyettesítették, a Disney lépésről lépésre alakította ki a technológiák legjavának kihasználására, a cég témaparkjaiban, a felhasználók lakásán és a mozikban új élményeket nyújtó megoldásokra fókuszáló csapatát.

2024-ben a techcégek kb. 1,7 millió AR/VR headsetet értékesítettek. A piaci részesedés 60,5 százalékával változatlanul a Meta az első, de nő a konkurencia, az Apple, a Sony és a TikTok mögött álló ByteDance veszélyt jelenthet Zuckerbergék egyeduralmára. Ráadásul a Google is jelezte idén, hogy visszatérhet az AR/VR businessbe.

A mesterségesintelligencia-fejlesztések energiaszükséglete közismerten nagy, és a jövőben az igény növekedni fog. Energetikai szakértők félelme, hogy a folyamat az energiaforrások kimerüléséhez vezethet, a félvezető-gyártásban kulcsszereplő Tajvan szigetén már pár éven belül komoly problémák jelentkezhetnek: elképzelhető, hogy nem lesz elég áram a gyártáshoz. Másrészt, fosszilis üzemanyagok fokozott használatával nő a károsanyag-kibocsátás.

Az MI-fejlesztők nem hozzák nyilvánosságra energiaszükségletük mértékét, az OpenAI viszont már új források kutatására és új infrastruktúra kiépítésére ösztönözte az amerikai kormányt. A katasztrófa-forgatókönyv alapján a meglévő erőművek kimerülnek, nőhet a széndioxid-kibocsátás, nem fordítanak elegendő figyelmet a fenntartható energiaforrásokra.

A Goldman Sachs szerint 2023 és 2030 között 160 százalékkal nő az adatközpontok energiaszükséglete, évi 200 (Goldman Sachs) és 300 (Wells Fargo) terawatt/órával az MI a növekedés egyötödét adja. Az áramszolgáltatóknak akár húsz százalékkal nagyobb igényt kell kielégíteniük, és így még jobban rá lesznek utalva a természetes gázokra és a fosszilis üzemanyagokra.

Szintén vészforgatókönyvekben szerepel, hogy a tendencia leállított szénalapú erőművek újranyitását eredményezheti, illetve például Virginiában máris több cég ütemezte át későbbi dátumra a zöldenergiára történő átállást.

A következőgenerációs Blackwell architektúrát használó minden egyes Nvidia GPU (grafikus feldolgozóegység) közel kétszer annyi energiát fogyaszt, mint a mostani topkategóriás H200. 2027-re 1,5 millió új egység készül el, míg a cég szerverei a mostani 85 helyett 134 terawatt/óra energiát fogyaszthatnak.

A techcégek zéró károsanyag-kibocsátás vállalásai nem teljesednek be. Ugyan alacsonyabb széndioxid-tartalmú energiaforrásokat használnak, de az összesített tevékenységgel mégis több károsanyagot generálnak. Ezért is fektetnek komoly összegeket a nap- és szélenergia mellett atomerőművekbe.

Az amerikai kormányra nehezedő nyomás egyértelmű: sokkal több pénzt kellene szénmentes energiaforrásokba pumpálniuk, amihez viszont működő rövid- és hosszútávú stratégiákat kellene kidolgozniuk.

Az MI azonban a megoldás része is lehet: tanulóalgoritmusokkal csökkenthető a fogyasztás, jobban kezelhető az energiafelhasználás. Segíthet megakadályozni vagy csökkentheti a széndioxid atmoszférába kerülését. Az atmoszféra, az óceán és az erdők monitorozásával szintén hozzájárul a klímaválság elleni küzdelemhez.

A többanyagos (multi-material) 3D nyomtatással lehetővé vált különféle anyagokból álló tárgyak egyetlen folyamatos fázisban történő printelése. Változatos színű és textúrájú, egyedire kidolgozott darabok hozhatók létre.

Az eljárásnak azonban megvannak a maga korlátai: lassú és drága, a mostani printerek nagy részénél cserélgetni kell a nyomtatófejet, az egyik anyagot el kell távolítani, mielőtt használjuk a másikat.

Az MIT (Massachusetts Institute of Technology) és a hollandiai Delfti Egyetem kutatói kevesebb anyagveszteséggel járó, pontosabb eredményt hozó, hatékonyabb technikát dolgoztak ki. Hőre reagáló anyagokkal dolgozva éri el, hogy különféle színű, formájú és textúrájú tárgyak ugyanabban a nyomtatási ciklusban kivitelezhetők legyenek.

A kutatók „sebesség-szabályozott vasalásnak” nevezik két nyomtatófúvókás géppel működő módszerüket. Az első lerakja a hőre érzékeny nyomtatószálat, a másik a nyomtatott anyagon indít el különféle változásokat: a hő célzott alkalmazásával módosul az átlátszóság mértéke és a textúra. Ha felgyorsítjuk a második fúvókát, a hőmérséklet pontos variálásával, a nyomtatószál színe, a nüánszok és a keménység változtatható tetszés szerint.

A módszerrel művészi vizuális effektusok dolgozhatók ki: változatos színek, különféle szövésű felületeken. Kibővíti a 3D nyomtatás lehetőségeit. A második fúvóka egyedüli szerepe, hogy hőt generálva érjen el változásokat.

A kutatók háromféle hőreagens anyaggal tesztelték az eljárást. Az egyik habos polimer, a másik fa-, a harmadik parafarostokat tartalmazó nyomtatószál volt. Az első részecskéi hőhatásra kitágultak, így lehet változtatni a nyomat formáján, átláthatóságán és textúráján. A másik kettő szénnel kiegészíthető, hogy sötétebb árnyalatokat hozzanak létre.

A demonstráción részben áttetsző vízpalackokat nyomtattak. Más technikákkal tovább tartott volna, több energiát és anyagot használtak volna fel.

Több mesterségesintelligencia-kutató, fejlesztő fejezte már ki a terület gyors fejlődése miatti aggodalmát. A nem hozzáértők, esetleg MI-cégeknél dolgozó etikusok, filozófusok vagy történészek véleményét ugyan le lehet söpörni az asztalról, szakembereké viszont nem intézhető el kézlegyintéssel.

Miért túlozzák el a veszélyeket? – teszi fel a kérdést a néhány hónapja az Amazon igazgatótanácsában is dolgozó Andrew Ng gépitanulás-szakértő.

Elsőként a közvetlen okokat jelölte meg.

Nagy nyelvmodelleket (LLM) fejlesztő, tanító vállalatok szigorúbb szabályozást követelve gyakorolnak nyomást kormányokra. Az általuk javasolt szigorítás elsősorban a versenytársakat, köztük a nyílt forrású/nyílt súlyozás kezdeményezéseket sújtaná. 

Néhány kalandor szellemű vállalkozó a feltételezett veszélyekkel igyekezhet megnyerni új befektetőket. Ha a technológia valóban annyira hatékony, hogy komoly pusztítást képes végezni, megéri beleinvesztálni – hangozhat az érvelésük.

A félelemkeltés vonzza a figyelmet, eredményes és olcsó módszer arra, hogy sokan beszéljenek cégekről, termékekről. Láthatóbbá válnak, relevánsabbnak tűnnek az MI-ről szóló diskurzusban.

Mások pedig azt mondhatják, hogy a versenytárs MI-fejlesztése ugyan veszélyes, az övé viszont biztonságos. Emellett ígéretet tesznek, hogy kijárják a szigorúbb szabályozást.

Ha ráveszik a törvényalkotókat, hogy megfelelési terheket rakjanak MI-fejlesztők vállára, nőhet az esély a szabályokat betartató új cégek alapítására.

Ng azt is megfigyelte, hogy többen először a minimális veszélyre figyelmeztetnek, amiért odafigyelnek rájuk, majd a figyelmet növelendő, egyre sötétebb jövőképeket vázolnak fel. Ha valaki ebbe az irányba lépett egyszer, az elkötelezettség és a következetesség elfogultságaként ismert pszichológiai jelenség vonatkozik rá: a későbbiekben nem akarja saját magát megcáfolni, hű marad eredeti elképzeléseihez, és akár a legelképesztőbb túlzásokig tovább megy ezen az úton.

Senki nem tagadja, hogy a technológiának vannak veszélyei, a sci-fikben felvázolt félelmek túlhájpolása viszont sokkal kockázatosabb lehet, mint maga az MI.     

Az Nvidia különösebb felhajtás nélkül új mesterségesintelligencia-modellt vezetett be a piacra október közepén. A nagyvállalat mérnökei szerint a Llama-3.1-Nemotron-70B-Instruct (ez a neve) az MI Chatbot Arénában felülmúlta a legmodernebb versenytársakat, például a GPT-4o-t (OpenAI) és Claude-3-at (Anthropic).

Az új MI a Meta nyílt forrású Llama-3.1-70B módosított verziója, a Nemotron az Nvidia végeredményhez való hozzájárulására utal. A Meta nyílt forrású alapjaira fejlesztők szabadon építkezhetnek. A GPU (grafikus feldolgozóegység) gyártásban világelső vállalat a népszerű modelleknél „segítőkészebbet” akart fejleszteni.

Speciálisan összegyűjtött adatsort, nagyon fejlett finomhangoló módszereket és saját csúcskategóriás MI-hardvert használtak a Meta-modellhez, hogy a bolygó „leginkább segítőkész” mesterséges intelligenciájává alakítsák. (Az nem derült ki, mit értenek a jelzőn.)

Egyelőre nincs teljesen egyértelmű módszer eldönteni, hogy melyik MI-modell a legjobb. Ez nem szobahőmérséklet mérése, nincs abszolút mérce megítélni a különféle mesterséges intelligenciák teljesítményét. 

Az összehasonlító tesztelés működik legjobban: különböző modellek ugyanazokat a lekérdezéseket, feladatokat, kérdéseket és problémákat kapják megoldásra, majd összehasonlítják az eredményeket (valamilyen szempont persze mindig kimarad), elsősorban, hogy melyik hasznos, melyik kevésbé az – aminek megítélése szintén szubjektív.

A Nemotron esetében úgy tűnik, nagyon szűk volt a különbség, ami azért is érdekes, mert a Llama-3.1-70B nem tartozik a Meta nyílt forrású csúcsmodelljei közé, léteznek sokkal masszívabb változatok is, például a 405B.

A kapacitások összehasonlításaként: a GPT-4o becslések szerint egybilliónál több paraméterrel fejlesztették, azaz a hetvenmilliárd valóban nem számottevő paraméter.

A videógenerálás, az egyik leggyorsabban fejlődő infokom technológia problémája, hogy óriási számítási kapacitások kellenek hozzá. Ha meg lehetne oldani kevesebb számítással, jelentősen bővülne a felhasználói kör.

Hollywood egyre jobban érdeklődik a technológia iránt, stúdiók gondolkoznak, hogy beépítsék a gyártást megelőző és a posztprodukciós munkákba.

Kínai kutatók innovatív módszert találtak ki a probléma megoldására. A kódot és az előre gyakoroltatott modellt nem-kereskedelmi célokra és az éves egymillió dollárnál nem többet kereső cégek számára ingyen rendelkezésre bocsátják.

Azok a modellek, amelyek a zaj több lépésben történő eltávolításával generálnak kimeneteket, általában a zaj beágyazásból való eltávolítását tanulják meg tréning közben. A beágyazás kisebb mintájával indulnak, amelyet lépésről lépésre az eredeti mérethez közelítenek. Így a gyakorlás és a következtetés során kevesebb feldolgozást kell végezniük. A kínai kutatók modellje is így működik.

SD3 Medium képgenerátorral, kép-kódolóval és két szövegkódolóval dolgoztak. A képkódolót videóképkockák képeinek és szegmenseinek újraalkotására, az SD3 Mediumot a zaj nyolc videóképkockás beágyazásból való eltávolítására gyakoroltatták be. Szöveges és korábbi képkocka-szekvenciák beágyazásait adták meg neki. 

Kétféleképpen változtattak a bevett zajeltávolítási módszeren: térben és időben. Az elsőnél a beágyazás növelésével, az eltávolítottak utáni több zaj hozzáadásával. A lépések addig ismétlődnek, amíg a teljes méretű beágyazás zajmentes nem lesz. A másodiknál a beágyazás méretének folyamatos csökkentésével, korábbi képkockák hozzáadásával dolgoztak.

A szövegkódolók promptok alapján szöveg-beágyazásokat generálnak, amelyekből a zajokat eltávolítva, az SD3 Medium végül videót generál.

A modell jól teljesített a teszteken: a generált anyag esztétikailag, a mozgásokat és a promptokhoz való „hűséget” illetően más nyílt forrású modelleknél magasabb pontszámot ért el. Nvidia A100 GPU-n futtatva 241 hosszú képkockából 20700 óra alatt tanult meg videót készíteni. Egy másik jól teljesítő modell a gyorsabb Nvidia H100-on 37800 óra alatt tanult meg 97 képkockát létrehozni.

A különbség számottevő.

Az adatállomány növekedése miatt vállalatok kénytelenek adattárolásukat, alkalmazásaikat és szolgáltatásaikat decentralizálni, hogy a lehető legközelebb legyenek a végfelhasználókhoz. Például a hálózatok peremén, kihasználva az ottani „okos” tárgyak, mobiltelefonok, routerek, integrált hozzáférésű eszközök vagy éppen közeli mikro-adatközpontok stb. lehetőségeit.

Az elosztott számításokhoz tartozó peremszámítások (edge computing) lényege, hogy nem hagyományos adatközpontokon és nem is a felhőn alapulnak, hanem a számításokat és az adattárolást az adatforrás közelébe víve, minimálisra csökkentik a távolság miatti potenciális problémákat, például az akadozó sávszélességet. Olcsón és gyorsan működnek egy alapvetően egyszerű infrastruktúrában, és ha valami elromlik, a hibát is hamar megoldják.

Az amerikai techóriásokkal rivalizáló francia Mistral AI két 8 milliárd vagy kevesebb paraméteres nyelvmodellt mutatott be, amelyek elég kicsik ahhoz, hogy peremszámítás-eszközökön is fussanak. A Ministral 3B és a Ministral 8B több területen jobb teljesítményt nyújt, mint a Google és a Meta hasonló méretű modelljei: ismeret visszakeresés, józanész-alapú következtetés, többnyelvű szövegértés.

Az első modellt, a Mistral 7B-t tavaly mutatták be a nyíltforrású Apache licenc alatt. Azóta több méretben kísérleteznek modellekkel, alternatív architektúrákkal. Zárt modelleket szintén fejlesztenek, az eddigiek speciális feladatokra (kódgenerálás, képfeldolgozás stb.) használhatók.  

A Mistral alkalmazásprogramozói felületén (API) hozzáférhető Ministral 8B nem kereskedelmi célra ingyen letölthető, a kereskedelmi használat üzleti licencszerződés tárgya. A 3B millió input és output tokenenként 0,04, a 8B 0,10 dollárba kerül.

A Ministral-család 131073 input tokent képes feldolgozni. A modellek úgy készültek, hogy természetes módon folytassanak interakciókat például valósidejű időjárási adatokat lekérő vagy intelligensotthon-eszközöket vezérlő külső API-kkal.

A 3B-t kisebb eszközökre, például okostelefonokra, a 8B-t nagyobbakra, például laptopokra találták ki. A teszteken kódolásban, matematikában, francia, német és spanyol nyelvű feladatokban is jól teljesítettek.   

A brománc az angol brothers (testvérek) és romance (románc) szavak összevonása (bromance) szoros, nem-szexuális jellegű barátság férfiak között. Az OpenAI főnöke, Sam Altman egyszer, nem is olyan régen a tech legjobb brománcaként jellemezte vállalata és a Microsoft kapcsolatát. Most viszont úgy tűnik, hogy romlik a viszony, mert mindkét fél nagyobb önállóságra törekszik.

Partnerségük teljesen átformálta a mesterségesintelligencia-terepet, óriási hatást gyakorol egy csomó kutatásfejlesztésre, befolyásol cégeket. Kapcsolatuk a kezdetek óta szemlélteti, hogyan tartható fenn szoros együttműködés állandóan növekvő kihívások közepette. 

A Microsoft létfontosságú anyagi forrásokkal járult hozzá, hogy az OpenAI igazi gigásszá váljon, míg az OpenAI modelljei versenyben tartották a Microsoftot, MI-technológiája felturbózta a Binget, a Windows-t, az Office-t, az Azure-t, lehetővé tette a Copilot felvirágzását. A napról napra növekvő versenyben viszont mindkét félnek rugalmasabbnak kell lennie az innovációhoz és az alkalmazkodáshoz. 

A The New York Times alapján a két vállalat belső források szerint kölcsönösen lazítani szeretnék a kapcsolaton. Az együttműködést az erőforrások iránti kereslet, a vezetők közötti súrlódások és más cégekkel kötött partnerségek bonyolítják.

A Microsoft 2019 óta összesen 13 milliárd dollárt invesztált az OpenAI-ba. A startup hozzáfér a redmondi óriás feldolgozó infrastruktúrájához, míg a Microsoft Altmanék modelljeihez, amelyeket be is integráltak alkalmazásaikba, emellett tízezer GPU-s (grafikai feldolgozóegység) rendszert építettek az Azure-on OpenAI-modellek gyakoroltatásához.

Az OpenAI újratárgyalná a megállapodást, a Microsoft továbbfejleszti MI-technológiáit. 2023-ban Altman további befektetésekről tárgyalt, a főnök ideiglenes (tavaly novemberi) menesztése után a Microsoft viszont újragondolta a dealt. Az OpenAI változatlanul új befektetésekre és számítási kapacitásokra vár.

A Microsoft márciusban alkalmazásba vette Mustafa Suleymant az Inflection vezérigazgatóját, aki egyáltalán nincs megelégedve az OpenAI lassú fejlesztési tempójával. Emellett a Microsoft mérnökei kritikus OpenAI-szoftvereket a két cég közötti protokollok figyelembevétele nélkül töltöttek le. Júniusban a Microsoft kivételes esetként hozzájárult, hogy az OpenAI további számítási kapacitásért cserébe felmondjon egy tízmilliárd dolláros megállapodást az Oracle-al.

Az eredeti megállapodás értelmében a Microsoft elveszíti az OpenAI technológiákhoz való hozzáférési jogot, ha az utóbbi általános mesterséges intelligenciát (AGI) fejleszt. A kitétellel meg akarták akadályozni az MI-lehetőségek kereskedelmi hasznosítását, vagy hogy visszaéljenek velük. Ha viszont az OpenAI vezetősége kijelenti, hogy az AGI-n dolgoznak, kiléphetnek a szerződésből, vagy újratárgyalhatják azt.

A fosszilis tüzelőanyagok, például a szén óriási károkat okoznak a környezetnek. Megújuló energiaforrásokkal, mint a nap- vagy a szélenergiával egyelőre lehetetlen kielégíteni az infokom szektor mesterségesintelligencia-fejlesztések miatt folyamatosan növekvő áramigényét.

Szakemberek a biztonságot növelő és a környezetszennyezést csökkentő, olcsóbb következőgenerációs lehetőségeket tanulmányoznak. Ebből a meggondolásból kiindulva, az Amazon, a Google és a Microsoft bejelentette, hogy komoly összegeket fektetnek atomenergia-projektekbe. Az Amazon és a Google össze is állt, és kicsi erőműveket építenek, a Microsoft pedig egy régi atomerőművet tervez felújítani.

Az atomenergia az Egyesült Államok áramfogyasztásának tizennyolc százalékát, Franciaországénak és pár más EU-s államénak még nagyobb részét teszi ki. Az erőmű felépítése után a széndioxid-kibocsátás nulla, a megoldás ezért is vonzó az MI-fejlesztő infrastruktúra számára.

Csakhogy van egy nagyon komoly akadály: az ismert katasztrófák (Three Mile Island, USA, 1979; Csernobil, 1986; Fukusima, 2011) után az USA-ban problémás atomerőművet építeni, az energiaforrás általános megítélése talán még a fosszilisekénél is rosszabb. Másrészt viszont a széndioxid-kibocsátás miatti növekvő nyomás idővel erősebb lehet, mint az új erőművekkel járó kockázat.

Márciusban Joe Biden elnök mindenesetre atomerőművek építését és szabályozását leegyszerűsítő jogszabályt írt alá. Talán a technológiai ipar nyomására is, mert a szektor egyre nagyobb érdeklődést mutat az alternatív energiaforrások iránt. 

Az MI-modellek gyakoroltatásának és futtatásuknak helyszínei, az adatközpontok közismerten hatalmas energiamennyiséget használnak el, sajnos hozzájárulnak a klímaváltozás felgyorsulásához. Az atomenergia viszont megbízható, szénmentes, összességében biztonságosabb, a balesetveszély tényleg minimális.

A Microsoft, az OpenAI és az Nvidia energetikai „new deal” bevezetésére sürgetik az amerikai kormányt, el akarják érni, hogy Washington többszáz milliárd dollárral járuljon hozzá új erőművek létrehozásához.

Az a tény, hogy techóriások komoly összegeket fektetnek atomerőművekbe, egyértelműen jelzi, mekkora az MI-verseny tétje. Becslések alapján az MI-vel foglalkozó adatközpontok 2026-ra elérhetik a 2022-es fogyasztás dupláját, számszerűsítve: ezernél több terawatt/órát. 

Az atomenergia hosszú évtizedekre biztosíthat környezetbarát megoldást. Baj esetén viszont tudjuk, milyenek a következmények…