Pekinget húszmilliónál többen lakják, közlekedése, mint a Kínai Népköztársaságban szinte minden, viszonylag jól szabályozott. Az önvezető autók nyilván megváltoztatják a rendszert, és ha ezek a járművek megkapják a tényleg szükséges engedélyeket, megsokszorozódnak a piaci lehetőségek. Márpedig ez óriási pénzt jelent Kínában.

Ha nem kell valakinek a vezetői székben üldögélnie, és mindent figyelnie, nagyon sok jüan takarítható meg. De itt többről van szó: ha a robottaxik képesek kezelni a pekingi közlekedést, akkor valóban készen állnak a szélesebb körű alkalmazásokra.

Márpedig a kínai főváros engedélyezte, hogy a Pony.ai és a Baidu-leányvállalat Apollo Go emberi vezető nélküli önvezető taxikat működtessen. A rendelet egy tavaly novemberit követett, amelyben a vezetés engedélyezését még volán mögötti humán jelenléthez kötötték.

A taxik a délkeleti külváros, kb. 300 ezer személynek otthont adó 60 négyzetkilométeres területén tevékenykedhetnek. Egyelőre mindkét cég ingyen szállít utasokat, de a jövőben fizetőssé akarják tenni a szolgáltatást.

Reggel kilenc és délután négy között tevékenykedhetnek, csak speciálisan kijelölt helyszíneken vehetnek fel, rakhatnak ki utasokat. Rajtuk segítenek ezzel, viszont mindenki jól jár: az utasoknak nem kell keresgélniük a megrendelt járművet, a járműnek pedig őket nem kell.

A taxik vezetőülésén ugyan nem ül sofőr, viszont humán felügyelőnek jelen kell lennie.

A biztonsági vezetővel működő autonóm taxik több kínai nagyvárosban, köztük Sanghajban és Senzsenben is működnek. A Pony.ai kivételével mindegyik az ingyenes személyszállítást kötelező ideiglenes engedéllyel rendelkezik.

Áprilisban, elsőként az országban, a Pony.ai megkapta az engedélyt, hogy útidíjat kérhet az utasoktól.

Az Ebola, a HIV, a sertésinfluenza, minden bizonnyal a Covid-19 és emberek tömegeit ágynak döntő sok más betegség állatokban fejlődött ki. A legújabb kutatásokban mesterségesintelligencia-megoldásokat is használnak a minden valószínűség szerint fajok között, azaz speciális határokat átjáró vírusok azonosítására. Az MI adatokat szolgáltat tudósoknak, hogy mire érdemes odafigyelniük, milyen lesz a következő világjárvány.

A kutatásokra alapozva, egészségügyi szakemberek még időben fejleszthetnek oltóanyagokat, dolgozhatnak ki gyógymódokat. Eközben a hatóságok a potenciálisan veszélyes betegség terjedését állatközösségek gondosabb, hozzáértőbb menedzselésével, a betegséghordozó fajokkal történő kereskedés korlátozásával mérsékelhetik.

Szinte mindenki biztos abban, hogy a közeljövő nagy járványa állatokról terjed majd emberekre. De milyen állatokról?

A vírusvadászok tanulóalgoritmusokkal igyekeznek megválaszolni a kérdést. Nincs könnyű dolguk.

Több, biológiai, ökológiai és genetikus adatokon gyakoroltatott rendszer ígéretesnek tűnik a különböző fajok közötti „határon” átmenő kórokozók azonosításában.

2022-ben közel tucatnyi intézetben gyakoroltattak nyolc modellt. A Covid-19-et okozóhoz hasonló koronavírusokat elvileg hordozható denevérfajtákat kellett osztályozniuk. A denevérek tulajdonságait leíró adatbázisok és 710 állatfaj, plusz az általuk hordozott vírusok adatsora képezték a gyakorlóadatokat. A rendszer végül négyszáz, az emberre veszélyes patogént hordozó denevérfajtát azonosított.

A Glasgow-i Egyetem modelljét tavaly tanították be az embert nagy valószínűséggel megfertőző állati eredetű vírusok azonosítására. A modell 313 potenciálisan veszélyes vírust azonosított.

Ezek a kutatások a Princeton és a Georgia Egyetem 2015-ös közös munkáján alapulnak. A két felsőoktatási intézmény szakemberei megtanították a rendszerüknek, hogy osztályozza: egy adott rágcsálófaj mekkora valószínűséggel hordoz az emberre is veszélyes vírust. A rágcsálófajok 86 jegyét, az embert megfertőző, rágcsáló-alapú vírusokat és egy harmadik adatsort használtak a rendszer taníttatásához. 59, korábban veszélytelennek minősített fajt azonosított veszélyforrásként, míg 159 akár több betegség kórokozóját is hordozhatja.

A mesterségesintelligencia-közösség jövőbeli járványok előrejelzése mellett, a jelenlegiek elleni küzdelemből is jócskán kiveszi a részét.

A trillió paraméteres nyelvi modellek kialakulóban lévő új generációjának gyakoroltatásához jelentős mennyiségű számítás szükséges. Ez a mennyiség komoly növekedés a néhány évvel korábbihoz képest, és az energiahasználat szintén szignifikáns mértékben nő.

Megoldás lehet, ha a hálózatnak csak egy része aktív. Az elhasznált kapacitás drasztikusan csökken, rendkívüli eredmények viszont még így is elérhetők – vonták le a következtetést a Google kutatói.

Generalizált – trillió paraméteres – modelleket (GLaM) fejlesztettek több nyelvi feladat megoldására. A vállalat korábbi Switch technológiájához hasonlóan ezek is szakértői rétegek keverékét (mixture-of-experts, MoE) használják, hogy az input függvényében megállapítsák, a hálózat melyik részeit kell aktiválni. A fejlesztést ismertető anyag alapján jobban látjuk, hogy az MoE hogyan spórolhat meg időt és elektromosságot praktikus nyelvi feladatok megoldása közben.

A mesterséges ideghálók paramétereinek számában a teljesítmény (minél nagyobb, annál jobb) és az energiaköltség (minél kevesebb, annál jobb) közötti kompromisszumnak kell érvényesülnie.

Az MoE architektúrák paramétereik különböző részhalmazait használják a különböző példákból történő tanuláshoz. Minden egyes MoE réteg tartalmaz egy úgynevezett vanília idegháló-csoportot, vagyis szakértőket, előttük egy kapumodul, amely az input alapján eldönti, hogy melyiket kell használni. Így válik lehetővé, hogy a különböző szakértők meghatározott példatípussal tudjanak foglalkozni. A hálózat kevesebb energiát fogyaszt, és többet tanul, mint amennyit az adott részhalmaz mérete alapján feltételeznénk.

A kutatók MoE rétegekkel felvértezett transzformer modellt gyakoroltattak. Szövegszekvenciában a következő szót vagy a szó egy részét kellett kitalálnia. 1,6 trillió szóból álló, webes, könyv, közösségimédia-beszélgetés, fórum és újságcikk alapján összeállított korpuszon trenírozták, majd 29 nyelvi feladat megoldására finomhangolták. Hét kategóriában, például kérdések megválaszolásában, logikus következtetésben kellett tevékenykednie.

Az 1,2 trillió paraméteres GLaM gyakoroltatásához 456 megawatt/óra energia elegendő volt, míg a 175 milliárd paraméteres GPT-3-hoz óránkénti 1,287 megawatt volt a fogyasztás, ráadásul a GLaM hat, illetve öt kategóriában jobban is teljesített.

Az alacsonyabb energiafogyasztás melletti nagyobb számítási teljesítménnyel, mérnököknek könnyebb lesz naprakész modelleket trenírozniuk. Közben kevesebb lesz a széndioxid-kibocsátás, csökken a mesterséges intelligencia negatív környezeti hatása.      

A londoni DeepMind AlphaGo rendszere legendává vált mára, mert évekkel ezelőtt annyira dominálta a go világát. A francia NukkAI startup új rendszere, a NooK hasonló képességeket csillogtat a bridzsben: a közelmúltban nyolc világbajnoknál teljesített jobban. Fontos különbség, hogy míg a go résztvevői minden pillanatban jól láthatják a játék állását, addig a bridzsben a létfontosságú infók titkosak.

A bridzset négyen egy pakli francia kártyával játsszák, jokerek nélkül. Ketten alkotnak csapatot. Mindenkinek kiosztják a lapokat, egy játszma két részből áll. Az első a végkimenetet meghatározó licitálás, a második maga a játék.

A kutatók a második szakaszra összpontosítottak. NooK és humán bajnokok küzdöttek meg korábbi automata bridzsjátékos rendszerekkel. Eddig egyetlen rendszer sem győzött ember ellen.

Minden menetet előre meghatározott licitálás után játszottak le. Az összes versenyzőnek, tízes sorozatokban, ugyanazzal a nyolcszázzal kellett boldogulnia. A fejlesztők nem tették közkinccsé, hogyan működik Nook, de a sajtóbeszámolók és a startup kutatási anyagai alapján ki lehet találni.

Humán szakértők szituációlistával állnak elő, mindet külön modellezik, a modellezésnél többféle változót vesznek figyelembe. A fejlesztők az összeshez négykezes csoportokat alakítottak ki. A kezek a kártyákat ismerő számítógépes megoldó segítségével játszottak, a megoldó ítélte meg a helyzeteket, tudta, hogy ki milyen kártyával fog hibátlanul játszani. Utána betanítottak egy ideghálót, hogy az ellenfél kártyáinak ismerete nélkül másolja a megoldó döntéseit. Így minden egyes szituációra külön modell generálódott. Nook az ideghálót használta az első körökben, megadott szituációkban, majd valószínűségalapú logikai programozásnak köszönhetően mérte fel, hogy a lapjai nyerők vagy sem. Két statisztikát felhasználva döntött, hogy melyik kártyával játsszon.

Nyolcvan játszmából 67-szer jobb eredményt ért el a korábbi rendszerek ellen, mint a humán bajnokok.

Ez önmagában szép és ígéretes, csakhogy a bridzsben a licitálás legalább annyira fontos, ha nem fontosabb, mint a második szakasz. Ekkor erősítjük meg partnerünket, és tévesztjük meg, vágjuk át az ellenfelet. Tipikus csapatmunka, és ember fortély. Ha az MI ezeket is elsajátítja, akkor lesz esélye, hogy hibátlan bridzsjátékossá váljon.

A Melbourne-i Acusensus rendszere, a Heads-Up (Fel a fejjel) figyelmezteti a rendőrséget, ha az autóvezetők kockázatos tevékenységet végeznek, például telefonon beszélgetnek, nem kapcsolták be a biztonsági övet, vagy túl gyorsan hajtanak.

A szenzorokkal dolgozó rendszert az út fölé, felüljárókra, táblákra vagy mozgatható szerkezetekre szerelik. Az infravörös flashkamera a szélvédőn keresztül, rossz időben és éjszakai sötétségben is felvesz képeket. A jármű sebességét radar méri.

A kamera az összes elhaladó autót lefényképezi, a képet elküldi a számítási felhőbe, ahol modellek elemzik őket, és pontozzák több kockázatos viselkedés valószínűségét. A magas pontszámúakat a rendszer a központi rendőrséghez továbbítja, ott értékelik ki őket, és döntenek: megvádolják-e a sofőröket, vagy sem.

A Heads-Up képes azonosítani azokat az útszakaszokat, ahol a vezetők viselkedése nagyobb valószínűséggel kockázatos, majd értesíti is őket az út, az infrastruktúra, a jogszabályok változásáról.

Új-Dél Wales 2019-ben telepítette a rendszert. Az első két évben hozzájárult a közúti halálesetek 22, a vezetés közbeni mobiltelefon-használat 80 százalékos csökkenéséhez. A cég az utódrendszert fejleszti. Járőröző tiszteket fog közvetlenül riasztani, és lehetővé teszi számukra az elküldött képek szolgálati kocsiba telepített laptopon történő átnézését.

Egy, Missouri államban végzett tizennyolcórás felmérésből kiderült, hogy átlagban napi három és fél karambol történik, a sofőrök 6,5 százaléka mobiltelefonozik vezetés közben, kb. öt százalékuk kockázatos viselkedés jeleit mutatja.

Az utóbbi évek egyik fontos trendje, hogy a mesterséges intelligenciát világviszonylatban is gyakran alkalmazzák a közlekedés biztonságosabbá tételére, és már nemcsak a vezetők megfigyeléséről van szó. 2024-ig európai uniós elvárás minden egyes autótól a szükséges esetben történő automatikus fékezés, a sávban maradás, a sebességellenőrzés, az álmosság és a zavarodottság jegyeinek észlelése a vezetőn. Több kínai városban és Kuala Lumpurban az Alibaba City Brain platformja igyekszik enyhíteni a dugókon. 2017-től egy barcelonai gépilátás-rendszer azonosít bicikliseket, gyalogosokat és más potenciális kockázatokat.

Az algoritmusok által beárazott házeladások az amerikai ingatlanpiac kicsi, de növekvő szegmense. Az iBuyers néven ismert, az adás-vételhez algoritmikus árazómodelleket használó vállalatok vásárolták meg 2021-ben az értékesített otthonok egy százalékát az országban. Az ingatlanadatokkal foglalkozó Core Logic szerint 2019-hez képest megduplázódott a szám.

A közelben lévő hasonló ingatlanok értéke alapján árazó klasszikus ingatlanügynökökkel szemben, az iBuyers különféle tényezők (országos ingatlanhirdetések, jelzáloghitelek, helyi vállalkozások, emberi értékelések) figyelembe vétele után árazó modelleket használ. 

2017 és 2021 eleje között az összes iBuyers vásárlás 95 százalékát az első négy legértékesebb ingatlan tette ki. Más ingatlanügynökségeknél, például az Opendoornál ugyanez 56, a Zillownál 24, az Offerpad-nél 18, a Redfinnél 2 százalék. A Zillow a pandémia alatt felszámolta saját iBuying részlegét, ami zavart okozott a lakások árazásában, és a vállalat algoritmusát is összezavarta.

Ugyanebben az időintervallumban, az iBuyers vásárlások 75 százaléka öt szövetségi államban történt: Arizonában, Texasban, Floridában, Georgiában és Észak-Karolinában. Mivel öregebb vagy nem tipikus ingatlanok árbecslésénél a modellek komoly problémákkal szembesülnek, inkább városokra, és főként újabb, viszonylag egyforma házakra összpontosítanak.

Az Opendoor vezetősége elmondta, hogy modelljük nehezebben beárazható helyeken, többek között kapuval elzárt vagy „korhatáros” (például nyugdíjasoknak fenntartott) közösségi házakkal is elboldogul. Városokban, például San Franciscoban változatosabb ingatlanokat, öregebb házakat, multiplexeket és társasházakat egyaránt kínálnak eladásra.

Az iBuyers részvényei húsz százalékát inkább intézményi befektetőknek, például bankoknak és magántőkealapoknak értékesíti, mint magánszemélyeknek és családoknak. Ezek a befektetők gyakran bérbe adható ingatlanként adják tovább a házakat.

Az automatizált árazással a piacok kétségtelenül hatékonyabbá válnak, viszont nem várt következményei is lehetnek. Az iBuyers például hiába áramvonalasítja az adás-vételt, az sokszor az adott ingatlannak a bérbeadandó lakások piacára kerülésével végződik. Ez a trend pedig nagyon nem tesz jót a megfizethető árú ingatlant kereső személyeknek, családoknak.

A Twitter körül zajló események, az Elon Musk általi felvásárlás több kérdést vet fel a közösségi médiumokkal és általában az internettel kapcsolatban.

Sokan máris a szólásszabadságot ünneplik, mások viszont féltik a platform jövőjét. Vajon a Twitter alapszabályai Musk elképzelései szerint változnak meg, és akkor rossz esetben még az is elképzelhető, hogy a közösségi médiumot az eddiginél sokkal nagyobb mértékben elárasztják a trollok, orrvérzésig zaklatnak majd személyeket, terjed a gyűlöletbeszéd és a dezinformáció?

Mindkét lehetőség valóra válhat, kérdés, hogy a nyílt szabványok javítanak-e a közösségi médiumon.

Andrew Ng mesterségesintelligencia-kutató az e-mailt hozza fel példaként. Az SMTP nyílt protokoll biztosítja a cégeknek a szolgáltatásnyújtást, és azt is, hogy bárki bárkivel bármiről kommunikáljon, és ehhez teljesen mindegy, ki a szolgáltató.

Hasonló nyílt szabvány megerősítheti a közösségi médiát. A platformok sok mindenben azonosak: posztolhatunk, lájkolhatunk, kommentelhetünk, megoszthatunk tartalmakat. Miért ne lehetne megoldani, hogy az alapfunkciók az összesen keresztül működjenek, beleértve az újakat is? A felhasználók így akkor is kommunikálhatnának egymással, ha az egyikül fiókja például a Facebookon, a másiké a LinkedIn-en van. Ugyanúgy, mint ahogy a gmailes, outlookos, yahoos stb. e-mailfiókok között is van forgalom, megy a kommunikáció.

A közösségi média nyílt szabványai jó ideje viták tárgya. Egyesek szerint csak „központi kapuőr” tud eredményesen moderálni, és megakadályozni a toxikus légkör kialakulását. Ng szerint ez tévedés, és megint az e-mail a példája: a levélszemét-szűrők nagy mértékben kigyomlálják a káros tartalmakat. A felhasználó maga dönt, hogy kire bízza a kapuőr szerepet, de úgy is dönthet, hogy senkire. A nyílt protokoll mindenesetre megakadályozza, hogy bármelyik cég monopolizálja az elektronikus levelezést.

A nyílt szabványok csomó innovációval gazdagították az infokommunikációt. Ugyan lassan fejlődnek, de ha egy technológia eléggé érett, megakadályozzák, hogy egy-egy vállalat a saját hasznára és a többiek kárára változtassa meg a szabályokat. Bármelyik fejlesztő rákapcsolódhat az ökoszisztémára, a legjobb implementációk csúcsra futtathatók, míg a zárt platformok nehezítik appok megosztását stb.

Ng másik példája maga a web. A HTTP protokollt használva, a fejlesztők bárhonnan bármilyen honlapot megcsinálhatnak. Az innovációs hullám évtizedek óta tart, és ugyan rengeteg az adathalász és más káros tevékenység, a böngészők lehetővé teszik, hogy webes kapuőrökre bízzuk magunkat. Ez segít az ökoszisztéma „egészségének” fenntartásában.

Egyelőre nehéznek tűnik közösségi médiára kidolgozni nyílt szabványt. Mit szólnának hozzá például a Facebook-típusú „fallal őrzött kertek?” De meglátjuk, mi lesz a Twitterrel.

Az OpenAI DALL.E rendszere szöveges leírásokból készít képeket. Legújabb frissítése sokat javított rajta, lényegében az alapoktól kezdve újraírták az egészet. A leírások megjelenítéséhez a korábbi CLIP képosztályozót, képgeneráláshoz egy nemrég ismertetett módszert használnak.

A GLIDE modell a szöveges inputra reagálva alkot és szerkeszt képeket. Gyakorlás közben a generatív modell „zajos” képekkel dolgozik, és megtanulja eltávolítani a zajt. Következtetésnél szintén tiszta zajjal kezdi, majd képet generál.

Korábbi tanulmányokból tudjuk, hogy ha osztály-címkét adunk egy képhez, a diffúziós modell az osztály alapján generál új képeket. GLIDE transzformerrel és konvolúciós ideghálóval (ADM) dolgozik. DALL.E-hez hasonlóan, az interneten gyűjtött 250 millió kép-szövegpáron gyakorolt, viszont DALL.E-vel ellentétben, a fejlesztők minden egyes képet inkrementálisan egészítettek ki zajjal, hogy darabonként százötven, egyre „zajosabb” képet hozzon létre.

A transzformer gyakorlás közben tanulta meg, hogy az input szöveget megjelenítse. A megjelenítésekből és a zajos példából kiindulva, ADM menet közben, sajátította el, hogyan definiálja a sorozat mindenkori megelőző képéhez adott zajt.

Következtetéskor GLIDE százötvenszer határozta meg és távolította el a zajt, és mindig képet alkotott. Következő lépésben a kutatók növelték a szöveg szerepét. A modell megint a zajjal kezdte, először ignorálta a szöveges reprezentációt, másodszor már nem. Felmérte a két zaj közötti különbséget, az eredményt eltávolítandó zaj generálására használta fel. A szöveges leírásoknak megfelelő képek szerkesztését a képek egyes részeinek zajjal történő helyettesítésével kezdték, amin a rendszer több iterációban hajtott végre módosításokat, a kép többi részét viszont intakt hagyta.

GLIDE teljesítménye ezer összehasonlítás 91 százaléka alapján fotorealisztikusabb lett, mint DALE.E-é. Ezek a képek az esetek 83 százalékában jobban hasonlítanak a szöveges inputhoz. GLIDE élethű outputjai viszont a következtetési idő rovására mennek. Tizenöt másodpercig, sokkal tovább tart, mint a generatív ellenséges hálózatok (GAN) szöveg-kép generátorainál. Azoknak a másodperc töredékét veszi igénybe egy ilyen művelet. A közeljövőben valószínűleg GLIDE felgyorsítása lesz az egyik legfontosabb fejlesztési szempont.

Az újítás azért fontos, mert a generatív modelleket nehéz intuitív módon vezérelni. A természetes nyelven keresztül történő közvetlen képgenerálással viszont új lehetőségek nyílnak meg.

Egy új megközelítés sokat segíthet szövegeket generáló mesterséges intelligenciáknak, hogy ne az oly gyakran jellemző nonszensz baromságokat hozzanak létre.

Az AI21 Labs Jurassic-X természetesnyelv-feldolgozó rendszere az ideghálók és a szabályalapú programok kombinációja. Nagyméretű nyelvi modellt alkot naprakész tényeket szolgáltató, matematikai problémákat megoldó, speciális inputokat is feldolgozó modulokkal.

A rendszer a különféle programokat tartalmazó Moduláris Következtetés, Ismeret és Nyelv (MRKL) szoftverinfrastruktúrán alapul. Az általános nyelvi feladatokat előzetesen gyakoroltatott, méretes transzformer modell végzi. Egy kalkulátor és a hálózati adatbázisokat, például a Wikipédiát lekérdező programok között egy speciális modul, router közvetít.

Maga a router is begyakoroltatott transzformer, az inputot úgy módosítja mindig, hogy passzoljon egy meghatározott modulhoz. Például újrafogalmazhat szöveget, hogy az megfeleljen a nyelvi sablonnak.

A kalkulátor használatához a router megtanult véletlenszerűen generált, angol nyelvű matematikai kifejezések alapján műveleteket végezni.

Nyitott témájú kérdés esetén, módosított szövegrészlet-visszakereső találja meg a legrelevánsabb Wikipédia-szócikkeket, majd egy „újra-rangsoroló” kutat köztük a megfelelő szövegrészek után, amelyeket inputként küld a rendszerbe, és a rendszer válaszol rájuk.

A Jurassic-1 egyes feladatokhoz, például „természetes kérdésekhez” történő finomhangolásával speciálisan gyakoroltatott, kétrétegű transzformer módosítja a nyelvi modell reprezentációját, és a módosított anyag a router közreműködésével jut vissza az outputot generáló rendszerhez.

A fejlesztés azért fontos, mert a jelenlegi mesterséges ideghálók több feladatot majdnem emberi szinten teljesítenek, a következtetésben viszont nagyon gyengék, képesek tényeket kitalálni, és újabb információt nem tudnak további gyakorlás nélkül kezelni. A szabályalapú modellek a jelentéseket és a tényeket is kezelik, viszont a szabályok által nem lefedett helyzetekben pocsékul teljesítenek. Az általános nyelvi modell és a speciális rutinok egyedi feladatok megoldását célzó kombinációja a való világhoz jobban kapcsolódó outputokkal kecsegtet.

A mesterséges intelligencia változatlanul „forró topik” a startup-világban. Annyira az, hogy a kezdő vállalatok sokkal többet akarnak belőle. Ezt támasztja alá az a tény, hogy soha nem fektettek még be akkora összegeket mesterségesintelligencia-fejlesztésekbe, mint most. A 2021-es 93 milliárd dollár több mint a duplája a 2019-es 42 milliárdnak.

A befektetők azonban válogatósabbak lettek, nagyon meggondolják, mibe teszik a pénzüket. Az eredmény: világviszonylatban, a 2018-as 1200-ról 2020-ra 746-ra esett az újonnan alapított MI-cégek száma. 

A kockázatitőke-befektetők által támogatott új mesterségesintelligencia-startupok más startupokat felvásárolva, igyekeznek bővíteni szolgáltatásaikat, javítani piaci pozícióikat. Ezek a befektetések majdnem mind stratégiai jellegűek, a hosszútávú értékteremtést célozzák.

2021-ben nyolcmilliárd dollárt költöttek akvizíciókra, ami drasztikus növekedés a 2020-as 942 és a 2019-es 82 millióhoz képest. A piacelemző 451 Research adatai alapján a 2019-es 48 akvizíciót 2021-ben 72 követte.

A cégfelvásárlásokkal a startupok még jobban felhívják magukra a befektetők figyelmét. Ez azért nagyon fontos, mert az utóbbi időben kockázati tőkések kevesebb pénzt költenek el ilyen céllal. A CB Insight szerint januártól márciusig tizenkilenc százalékkal esett vissza a teljes befektetés, míg a speciális rendeltetésű akvizíciós vállalatok bevezető ajánlattételei és a pénzgyűjtés negyvenöt százalékkal csökkent.

Az MI startupok a sok tehetséges, fiatal mérnökkel aranybányái a technikai lehetőségeiket bővíteni igyekvő vállalatok számára. Globális hiány van MI-mérnökökből.

Az akvizíciós hullám komoly hatással van a startupok pénzügyi részlegére. A kezdeteknél tartó cégek befektetési bankárokat és vállalatfejlesztés-specialistákat igyekeznek alkalmazni. Ezek a szakemberek pontosan a más startupokat felvásárló startupok megsegítésére specializálódtak, komoly segítséget jelentenek akvizícióknál.