Yan LeCun, a mélytanulás egyik úttörője szerint a kezdetektől fogva zsákutca lehet az MI-fejlesztőközösség által Szent Grálként kezelt általános mesterséges intelligencia (artificial general intelligence, AGI). Nem az emberi intelligenciát kellene imitálni, hanem más utat járni – javasolja. 

Ne használjuk többé referenciakeretként az embert, támogassuk a specializációt, és törekedjünk emberfeletti (superhuman) készségek kialakítására speciális területeken. Az intelligencia mérésének fő mutatója a „mennyi készséggel rendelkezik valaki” kifejezésről az „új készségek elsajátításának sebességére” változik.

A tudós emberfeletti alkalmazkodó intelligenciáról (superhuman adaptable intelligence, SAI) beszél. Az SAI célja már nem az, hogy olyan okos legyen, mint az emberek, helyette alapvetőbb kérdésre összpontosítanak a fejlesztők: milyen gyorsan alkalmazkodik a rendszer az új feladatokhoz?

Maga az ember sem „általános”, „általános adottságaink” a biológiai evolúció eredménye, a hosszú folyamat során fokozatosan sajátítottunk el egy sor, a túlélés érdekében legalkalmasabb képességkombinációt. Agyunk nem matematikára, programozásra vagy tudományos kutatásokra terveződött, intelligenciánk evolúciós túlélési eszköz. A természetes szelekció és az evolúció optimalizálta képességeinket, például jó vizuális érzékelést és járást biztosítva számunkra. Ezek a képességek csak azért tűnnek nagyon „általánosnak” számunkra, mert elengedhetetlenek a túléléshez. Amint elhagyjuk az evolúciós komfortzónát, más kognitív feladatokban (nagyléptékű logikai keresésben, többdimenziós optimalizálásban) nyújtott teljesítményünk valójában nem túl jó. Ezekben, például a sakkban a számítógépek jobbak nálunk, ezért illuzórikus az AGI is.

Fontos probléma a Moravec-paradoxon is: amikben jók vagyunk (járás, tárgyak megragadása stb.), azokban a gépek rosszak, és amiket nehezen orvosolunk, azokat a komputerek egyszerűen megoldják. Ám az egyszerű dolgok sem egyszerűek, csak most tűnnek annak, mert a járáshoz is az evolúció évmilliói kellettek.

Az SAI az emberek által gyors alkalmazkodással elvégzett feladatokban múlhat felül minket, illetve számos olyan feladatterületet is megoldhat, amelyekben soha nem vettünk részt. Hibás út lesz, ha a csak a túlélésre alkalmas intelligens eszköztárunkat másolja.

A múltban az ember volt az MI fejlesztési mércéje, és az emberi szint elérése jelentette a sikert, LeCun szerint ez viszont korlátozó hatású, mert nem bizonyos feladatok a modell általi elvégzésének képességét kell optimalizálni, hanem a rendszer új feladatokhoz való alkalmazkodásának sebességét. Ha az MI csak azt tanulja meg, amit az ember tehet, korlátozva lesz, mert az evolúció során kifejlődött képességeink nem képviselik az intelligencia összes lehetőségét.

Ésszerűbb, ha az MI folyamatosan optimalizál a világos célok körül, és önjátékkal, evolúciós kereséssel és nagyléptékű szimulációkkal fejleszti a képességeit. A koncepció arra az elképzelésre rímel, hogy az MI fejlődését az emberek képességének utánzása helyett a nagyléptékű infokom megoldások és az általános tanulási módszerek hajtják.

Mivel az általánosság vakvágány, a specializáció az intelligens evolúció normája – mondja ki biológiai és gépitanulás-példákra hivatkozva LeCun.

Korlátozott erőforrások mellett, összetett környezetben az evolúció folyamatosan a specifikus képességek optimalizálására ösztönöz minden rendszert. Az MI-rendszereknek ugyanezt a nyomást kell kezelniük. Ha egy adott területen a feladatok magas költségeket, pontosságot és megbízhatóságot igényelnek, a követelményeknek meg nem felelő modelleket speciálisabb rendszerrel kell helyettesíteni. Egy algoritmus sikere gyakran a problémastruktúrával (céleloszlással) való egyezéséből fakad. Ha egy modellnek ruhákat kell hajtogatnia, autót kell vezetnie, kódot kell írnia és fehérjeszerkezeteket kell megjósolnia, akkor valószínűleg csak „közepes” eredményeket fog elérni minden feladatban. Ezeket az MI-ket nem kell összekombinálnunk, mert ha több feladat versenyez ugyanazért a modellkapacitás-készletért, a gradienseik ütközhetnek egymással, rontva a teljesítményt. LeCun szerint ez megint azt bizonyítja, hogy az általánosság, az AGI követése hibás út.

Az SAI-hoz vezető ösvény három kulcsszó kombinációja: önfelügyelt tanulás + világmodell + moduláris rendszer. Az első nem az emberi annotációra támaszkodó módszer, hanem az MI magától, nagymennyiségű valós adatból tanulja meg az alapul szolgáló szerkezeteket. A második az MI által épített „belső világszimulátor”: megjósolja a jövőt, terveket készít, szimulálja a cselekvések eredményeit. A rendszer így képes lesz explicit gyakorlás nélkül elvégezni új feladatokat. A moduláris architektúra a mindenre egyformán illeszkedő, egyenarchitektúrák szöges ellentéte.

Hova vezet mindez? A jövő LeCun által elképzelt MI-je, az SAI inkább együttműködő rendszerek sora, semmint univerzális modell lesz.

A mesterséges intelligencia által támogatott hadviselés gyors térnyerése a harc ütemének emberiről gépi sebességre váltásának jele. Az MI rengeteg szimuláció lefuttatásával gyakorlatiassá teszi missziók megtervezését; a szimulációkkal a sikerhez vezető legvalószínűbb cselekvéseket azonosítja. Felgyorsítja a csatatéri döntéshozást és tevékenységeket, miközben csökkenti a helyszíni valóságot elhomályosító „háborús ködöt.”

Korábban az emberi figyelem hiánya miatt nem elemzett harctéri kommunikációk, képek és más infók miatti korlátozások megszűnésével kivitelezhetővé váltak küldetések. A gyorsulás lerövidítheti a fegyveres konfliktus egyes szakaszait, viszont esetleg katasztrofális következményekkel járó hirtelen döntések meghozására is gyakorolhat nyomást.

Az iráni konfliktusban több ilyen eset történt már. Sose feledkezzünk meg arról, hogy az MI által generált ajánlások nem szüntetik meg a hírszerzéssel gyűjtött adatok ellenőrzésének, a feltételezések megkérdőjelezésének, valamint az erőszak-alkalmazás erkölcsi és stratégiai következményeinek mérlegelését, a mérlegelés szükségességét.

Elhamarkodott döntések következménye például, hogy Irán legalább három adatközpontot támadott meg a térségben. Ilyen létesítmények ellen valószínűleg most indultak először katonai, háborús lépések, ami egyben azt is jelzi, hogy az MI tényleg fontos szerepet játszik az USA számára a konfliktusban.

De mi történt?

Iráni drónok kárt okoztak az Amazon Web Services (AWS) bahreini és két emírségekbeli létesítményében. Fennakadást okoztak online szolgáltatásokban, mint például a bankolásban, kifizetésekben, fuvarok megosztásában, az étel-kiszállításban és az üzleti szoftverek működésében.

Az amerikai hadsereg az AWS-t használja (még) az Anthropic Claude nem titkosított verziója és esetleg más számítási rendszerek futtatásához. Egyelőre nem hozták nyilvánosságra, hogy az iráni támadások befolyásolták-e, és ha igen, mennyire zavarták meg a működésüket.

Az adatközpontokra leselkedő kockázatok az MI hadviselésben játszott szerepének növekedését tükrözik. Annak ellenére, hogy az amerikai hadsereg nemrégiben a Claude védelmi célú felhasználásának tiltása mellett döntött, különféle célokra rutinszerűen használják azt is és más rendszereket is Iránban és máshol. Irán pedig bizonyos szintű autonómiával rendelkező drónokat alkalmaz.

Csakhogy az MI döntéshozást felgyorsító hatásai melett a halálos kockázatok lehetőségét szintén növeli – és ezt nem lehet elégszer hangsúlyozni. Ilyen lehetett az iráni iskola elavult helyadatok alapján történt lebombázása is…

A frenetikus tempóban fejlődő mesterséges intelligencia bizonytalanná teszi a munka és a vállalkozások jövőjét. Sok cég értékét a hosszútávú pénzáramok határozzák meg, és ha azok az MI fennakadásai miatt csökkenek, a cégek értéke is esik.

Senki, még a csúcslaborokban dolgozó, fanfáros médianyilatkozatokra hajlamos kutatók sem tudják, mi lesz néhány év múlva – állítja magánbeszélgetései alapján Andrew Ng gépitanulás-szakértő. 

Szoftverfronton néhány trend egyértelmű: egyre jobbak az erősen ágensalapú (agentic) kódolórendszerek, a már most is problémás termékmenedzsment szűk keresztmetszete még szűkebbé válik, sokkal többen fognak kódolni. De a trendek ellenére sem látjuk pontosan a szoftvertervezés jövőjét, a fejlesztőcsapatok szerveződését.

Az MI-fejlődés ütemének függvényében számos kockázat is felmerül: közép-keleti bizonytalanság és az energiaellátás, Tajvan és a félvezető-beszállítás, túlzásba vitt befektetések az MI-infrastruktúrába, ritkaföldfémek feletti kínai ellenőrzés stb. Az összekapcsolt világban bármelyik bárhol szignifikáns hatással lehet bármire.

Ng Jeff Bezos Amazon-főnökre hivatkozik: vállalkozások építéséhez azok a dolgok adnak stabil alapot, amikről tudjuk, hogy nem fognak változni a következő tíz évben. Sok ilyen van. 

A munka miatt aggódók számára kettő kiemelten fontos. 

Az egyik, hogy a bizonytalan világban a közösségek, a kapcsolatok hálózatai mindenkinek segítenek.

A másik: egy adott vállalkozás jól is teljesíthet, nem is, sok készség viszont ettől függetlenül továbbra is értékes marad, bármikor előnyünkre fordíthatjuk. Változni fog, hogy melyek értékesek, de ha mindegyikbe invesztálunk, több lehetőségünk marad, és közben talán olyanokat is elsajátítunk, amelyek nem feltétlenül és nem azonnal alkalmazhatók velük.

A készségek egymásra épülnek: a promptolás megértése fontos ágensek kódolásához, az MI építőkockáinak megértése alkalmazások fejlesztésében hasznosítható stb.

Ng optimista. Bízik a ma látott kockázatok kezelésében és a mainál fényesebb kollektív MI-jövőben.

Az általános mesterséges intelligencia (artificial general intelligence, AGI) célja az emberi elmeműködés emulálása számítógépes rendszeren. Az MI főként észlelő, tanuló és következtető, érvelő készségeinket igyekszik elsajátítani.

Az Eon Systems kutatói másként próbálkoznak hasonló végkimenettel. Egy felnőtt muslica 125 ezer neuronját és 50 millió szinaptikus kapcsolatát, azaz az állat agyát idegsejtről idegsejtre, szinapszisról szinapszisra elektronmikroszkópos adatokat fel használva, virtuális környezetbe másolták.

A rovar szimulált homokozóban nyújtogatja a lábait, összedörzsöli az elülsőket, kis tálból iszik. Nem animáció, nem megerősítéses tanulás, hanem a biológiai agy másolata – mondják a fejlesztők. Szerintük ez a világ első teljes agyemulációja, amely többféle viselkedést generál. 2024-es munkájukon alapul, amikor teljes számítógépes modellt alkottak a muslica egész agyáról, hogy tanulmányozzák két viselkedés, a táplálkozás és a tisztálkodás áramköri tulajdonságait. A Princeton Egyetem FlyWire „kapcsolódási térképét” (konnektom), a muslica agyának komplex diagramját szintén felhasználták.

Egy, a muslica idegpályáit megerősítéses tanulással és nem konnektóm-alapon modellező, 2024-es DeepMind kutatásra szintén hivatkoznak, amelyet hozzájuk hasonlóan szimulált test irányítására dolgoztak ki. Az ő módszerük viszont teljesen más.

Kiderült, hogy számítási modelljük kilencvenöt százalékos pontossággal jósolta meg a szimulált muslica motorikus viselkedését. Például a cukor- vagy vízérzékelő ízlelő neuronok aktiválása a számítási modellben pontosan előrejelzi az ízekre reagáló és a táplálkozás megkezdéséhez szükséges idegsejteket, tevékenységüket.

A darabkákat mostanra rakták össze, és a testetlen agynak már „van hova mennie.” A lausanne-i Svájci Szövetségi Technológiai Intézet neuromérnökei által fejlesztett, NeuroMechFly v2 megtestesült szimulációs keretrendszert használva integrálták saját konnektóm-alapú agyemulációjukat egy szimulált muslicatesttel.

Az emulált agy saját áramköri dinamikája többszörös elkülönülő viselkedést vezérel. Érzékszervi input áramlik be, a neurális aktivitás a teljes konnektomon keresztül terjed, motorikus parancsok áramlanak ki, az outputot fizikailag szimulált test hajtja végre. A teljes agyat lefedő emulációban így ér véget az érzékeléstől a cselekvésig tartó ciklus.

Hamarosan egéragyat kívánnak digitálisan emulálni, majd ember-léptékű agy következhet. Az egéragyban minimum ötszázszor több az idegsejt, mint a muslicáéban, az emberről nem is beszélve… Gigászi munka, a kutatók azonban egyelőre inkább csak a méretezhetőségi (skálázási) nehézségeket látják benne.

Bár az OpenAI Pentagonnal kötött megállapodása érvényben van, egyelőre nem világos, hogy a vállalat technológiája mikor lesz alkalmas titkosított környezetekben történő használatra. Azért nem tudhatjuk, mert integrálni kell a hadsereg által használt egyéb eszközökkel. Elon Musk a Pentagonnal nemrég szintén megállapodást kötött xAI-ja várhatóan ugyanazon a folyamaton megy majd keresztül a Grok mesterségesintelligencia-modellel.

Ha az iráni fegyveres konfliktus még tart, mire az OpenAI technológiája a rendszerbe kerül, mire lehet használni? – vetődik fel a kérdés.

Például humán elemző beilleszthetne egy listát a potenciális célpontokról az MI-modellbe, és megkérheti, hogy elemezze az információkat, aztán rangsorolja, melyiket támadja meg először. A modell figyelembe vehetné a logisztikai infókat, például hol találhatók bizonyos repülőgépek vagy ellátmányok. Számos különböző bemenetet dolgozhatna fel szöveg, kép és videó formájában.

Ember felelne a kimenetek manuális ellenőrzéséért, ami a következő kérdést veti fel: ha egy személy valóban kétszeresen ellenőrzi az MI kimeneteit, hogyan gyorsítja fel a célzási és csapásmérési döntéseket?

A hadsereg által évek óta használt Maven MI-rendszer olyan dolgokat kezel, mint például drónfelvételek automatikus elemzése a lehetséges célpontok azonosítása érdekében. Valószínű, hogy az OpenAI modelljei párbeszédes felületet is kínálnak majd, lehetővé téve a felhasználók számára a hírszerzési adatok értelmezését, és a modellek ajánlásokat is tehetnek, hogy a hadsereg mely célpontokat támadja meg először.

Mesterséges Intelligencia régóta végez elemzéseket katonai célokra, hatalmas adatmennyiségből merítve információkat. A generatív MI terepen teendő lépésekről szóló tanácsainak felhasználását viszont csak most, Iránban tesztelik először komolyan.

2024 végén az OpenAI partnerségre lépett a hadsereg számára drónokat és drónellenes technológiákat fejlesztő Andurillal. A megállapodás értelmében együttműködnek az amerikai erőket támadó drónok időérzékeny elemzésében. A bejelentés óta egyik vállalat sem adott tájékoztatást közös projektjük fejlődéséről. 

Az Anduril azonban régóta betanította saját MI-modelljeit a kamerafelvételek és az érzékelőadatok elemzésére a fenyegetések azonosítása érdekében; ugyanakkor kevésbé összpontosít a katonák számára közvetlen lekérdezést biztosító vagy természetes nyelven útmutatást adó MI-rendszerekre. Pontosan ez az a terület, ahol az OpenAI modelljei hasznosulhatnak.

Az Anduril Lattice interfészén keresztül a katonák a drónvédelemtől a rakétákon át az autonóm tengeralattjárókig szinte mindent vezérelhetnek. A cég a hagyományos katonai felszerelésekkel kapcsolja össze rendszereit, és MI-t telepít rájuk. Ha az OpenAI modelljei hasznosnak bizonyulnak az Anduril számára, a Lattice telepítése miatt gyorsan beépíthetők lesznek a szélesebb körű hadviselési rendszerbe.

Az OpenAI MI-technológiája a célzott döntésektől az adminisztratív munkákig átalakíthatja az amerikai hadviselés összes aspektusát.

Szenzációszámba ment, amikor az amerikai-kínai chipháború közepette, 2025 januárjában a kínai DeepSeek viszonylag kis pénzből fejlesztett mesterségesintelligencia-modellje több teljesítményteszten maga mögé utasította a csillagászati összegekből létrehozott amerikai csúcs MI-ket. 

A modellt azóta több mint hetvenötmilliószor töltötték le a Hugging Face-en, a világ legnagyobb nyílt forrású MI-platformján.

Az államilag is bőségesen támogatott vállalat nemrég meglepő lépésre szánta el magát: az Nvidia és az AMD, a két chipgyártó óriás számára nem tette lehetővé a megjelenés előtti hozzáférést a hamarosan debütáló V4 MI-modellhez. A lépéssel szakítottak az iparág bevett és működő gyakorlatával, hogy az optimalizálás érdekében a mesterségesintelligencia-fejlesztők együttműködnek a chipgyártókkal.

A kínai MI-cég ehelyett hetekkel korábban korai hozzáférést biztosított a hazai partnereknek, köztük például a Huawei Technologies-nak. A kínai chipgyártóknak így viszont volt idejük optimalizálni a processzoraikhoz tartozó szoftvereket. 

Egy magas rangú amerikai tisztviselő a Reutersnek elmondta, hogy a DeepSeek legújabb modelljét valószínűleg az Nvidia Blackwell chipjeivel trenírozták Kínában. Ezzel potenciálisan (és nyilván nem először) megsértették az amerikai exportellenőrzéseket. A tisztviselő azt is sugallta, hogy a vállalat azt állíthatja: Huawei-hardvert használtak.

Azt amerikai chipgyártók kizárása Kína szélesebb körű stratégiáját jelzi. A fejlett chipekhez való hozzáféréssel kapcsolatos folyamatos kereskedelmi viták közepette az amerikai technológiától való függőség csökkentése és a hazai MI- és félvezető-ökoszisztéma megerősítése lehet a cél.

A sajtóértesülésre és a megkeresésekre egyik érintett (DeepSeek, Huawei, Nvidia, AMD) sem reagált még hivatalosan.

A barcelonai MWC (Mobile World Congress) 2026-on a tágabb értelemben vett mobiltelefónia és a kommunikáció jövőjéből kaptunk ízelítőt, például a fizikai mesterséges intelligenciáról (robotokról és más autonóm rendszerekről), a műholdas összekapcsoltságról vagy a szélsebesen terjedő MI-ágensekről is.

Robotok és más autonóm rendszerek esetében a sokáig kizárólag felhőszámítás-alapú MI, annak lassúsága és fizikai környezeteknél túlzott korlátai jelentették a problémát. Most viszont közelebb kerülhetnek a tényleges kereskedelmi használathoz.

Ha a pillanat törtrésze alatt kell döntést hozni, vagy ha a működéshez szükséges érzékeny adat nem mozdítható el a helyszínről, az adatok távoli felhőplatformra küldése nem mindig praktikus. Képzeljük el, hogy egy, raktárban vagy gyártási területen dolgozó robotnak addig kell várakoznia, míg a felhőből meg nem érkezik az akadály elhárításáról szóló visszajelzés. A késés kockázattal, a feladat sikertelenségével járhat.

Az MWC 2026-on újból reflektorfénybe kerültek a peremszámítások (edge computing). Hálózatokat és infrastruktúrákat egyre gyakrabban terveznek úgy, hogy az MI-munkafolyamatok minél közelebb legyenek a helyszínhez, ahol az adatok generálódnak. Szilárdabb, megbízhatóbb alapokra helyeződik az összekapcsoltság és a számítások közötti kapcsolat.

A műholdas összekapcsoltság szintén az érdeklődés középpontjában volt. A földi hálózatok továbbra is a nagy „teherbírású” területeket fogják lefedni, a műholdak viszont ott, például nehezen megközelíthető terepeken jutnak meghatározó szerephez, ahol az elérhetőség és a rugalmasság fontosabbá válik.

Minél több MI-t tartalmazó munkát végzünk a fizikai világban, annál problémásabbak a hálózati hibák. Ha a műveletek sikere valósidejű adatoktól vagy autonóm rendszerektől függ, a kapcsolódás hibái üzleti kockázatok. A rugalmasság részévé váló műholdas kapcsolat támogatja a peremhálózati MI-t, azaz valóvilágbeli körülmények között is működő megoldásokkal kecsegtet.

A kísérleti projektekből valódi alkalmazásokká fejlődött MI-ágensek szintén az MWC 2026 kulcstémái között szerepeltek. A hálózatok a legtermészetesebb környezeteik közé tartoznak, az ágensek lényegesen kevesebb emberi erőfeszítéssel monitoroznak körülményeket, észlelnek valószínűsíthető hibákat, elindítanak vagy koordinálnak karbantartási munkákat. Hasonló szerepet kezdenek az ellátási láncokban és a cyberbiztonságban is betölteni, mert a munka sikere mindkét területen gyakran a több összekapcsolt rendszeren átívelő döntésektől függ.

Míg a hagyományosabb MI általában az információelemzésben és az ajánlásokban segít, addig az ágensek cselekednek is. Ezzel viszont az irányításuk is nagyobb kihívás, működtetésükhöz auditnaplókra és elszámoltathatóságra van szükség. Az emberi felügyeletet és a független döntéshozás mikéntjét is pontosan meg kell határozni. Legtöbbet az őket működési modellként, s nem csak funkcióként kezelő szervezetek hozhatják ki belőlük. 

Március másodika és ötödike között rendezték Barcelonában az MWC (Mobile World Congress) 2026-ot. A kongresszus évről évre az összekapcsolódás új trendjeit villantotta fel, idén viszont többről volt szó: a mesterséges intelligencia immáron nemcsak appokon vagy chatboton hozzáférhető eszköz, hanem telefonunkon, okos szemüvegen és a hálózaton keresztül is megjelenik, elér minket. Eszközből a felhasználót látó, meghallgató, értelmező és neki válaszoló munkapartnerré vált. A váltás komoly üzleti következményekkel jár.

A Honor Robot Phone-ja a felhasználó mozgását követő, a környezet történéseit érzékelő, azokra életszerűen reagáló motorizált kamerával rendelkezik, és mint a neve is elárulja, inkább a világgal interakciókat folytató kicsi robotra, semmint a jól ismert okostelefonokra emlékeztet.

Az ilyen eszközök egyre többet tudnak a környezetről, a kontextusról, amelyben működnek. Folyamatos utasítások nélkül is képesek reagálni rájuk. Az átlagfogyasztónak mindez jobb videókat és gördülékenyebb interakciókat, az üzleti világnak jóval többet jelent.

Gondoljunk csak az olyan munkákra, amikor a munkavégző mozog, mindkét kezével dolgozik, vagy gyorsan változó környezetekben tevékenykedik. Ilyenkor nem áll le, és nem kezd el használati utasításokban keresgélni. De egy elfoglalt ápolónő sem szakíthatja meg a munkáját azért, hogy képernyőn keresgéljen tanácsokat.

Ezekben az esetekben felbecsülhetetlen segítség egy, a kontextust értő és azonnali javaslatokkal előálló eszköz. Vezetők számára az a kérdés, mely szerepkörök profitálnak leginkább abból, ha az adott készülék megérti a környezetét, és milyen szabályokat kell alkalmazniuk, ha a gépecskék a munkahely nagyobb részét látják és hallják is.

A seregszemle legizgalmasabb kontextus-tudatos interfészei az okos szemüvegek, lencsék, elsősorban a Meta és a kínai Alibaba újdonságai voltak.

Az Alibaba Qwen MI-szemüvegét használva, képzeljük el a következő szituációt: párbeszédet folytatunk egy kínaiul beszélő személlyel. Rögtön angolul halljuk, miközben az angol nyelvű fordítást is azonnal, valósidőben látjuk.

Ha az információt közvetlenül látjuk, a munka jóval folyamatosabb. Nem kell megállnunk, nem kell kikapcsolni a képernyőt, és egy másik eszközön keresgélni. Kizárólag a feladatunkra összpontosítunk.

A valósidejű fordítással leegyszerűsödik a globális kommunikáció, kézhasználat nélküli navigációval a személyzet könnyebben megtalálja az adott helyet vagy eszközt egy telephelyen. Kontextuális kérdezz-felelekkel technikusok a berendezésre nézve megkérdezhetik, mit tegyenek, és közben nem kell megszakítaniuk a munkát.

Szervezetek már felismerték ezeket a problémás pontokat, a technológia viszont megoldást is kínál. Közben persze más kérdések is felmerülnek: mi rögzíthető, hol tároljuk az adatokat, milyen beleegyezésekre van szükség a gyakorlatban? Hogyan kapcsolódnak az új eszközök meglévő rendszerekhez, ismeretbázisokhoz és munkafolyamatokhoz?

A földi élet többmilliárd évvel ezelőtti kialakulásának magyarázataként egyes tudósok feltételezése alapján a mikrobák, az élet szerves építőkockái űrporhoz, aszteroidákhoz, üstökösökhöz vagy kisbolygókhoz (planetoidokhoz) kapcsolódva utazhattak bolygóról bolygóra. 

A pánspermia néven ismert hipotézis felveti a lehetőséget, mely szerint az élet legkorábbi formái más bolygókon, talán a Marson keletkezhettek. Tudósok úgy vélik, hogy egykor tavak, folyók és óceánok borították. 

Egy másik teória (litopanspermia) alapján más bolygókba becsapódó aszteroidák felszíni anyagot repítettek vissza a pályára. Így vált lehetővé, hogy törmelékbe ágyazott mikroorganizmusok eljussanak a Földre.

Az elméletek bizonyítása rendkívül nehéz. KT Ramesh, a Johns Hopkins Egyetem aszteroida-becsapódás szakértője és kutatótársai kísérleti adatokat gyűjtve vizsgálták, hogy baktériumok túlélhetik-e a bolygók közötti utazást egy aszteroida-becsapódás révén.

Felfedezték, hogy egy extremofil (legextrémebb körülmények között is eléldegélő) mikroorganizmus, egy baktérium, amelyről korábban kimutatták, hogy ellenáll az űr szélsőségeinek, valóban képes túlélni az aszteroida-becsapódásokat szimuláló, kontrollált szélsőséges nyomást.

Hatvan százalékuk azt követően is életben maradt, hogy két acéllemez közé szorítva, a légköri nyomás 24 ezerszeresének megfelelő nyomásnak voltak kitéve. Még szélsőségesebb, 30 ezerszeres légköri nyomás esetén a baktériumok tíz százaléka nem pusztult el.

„A munkának jelentős következményei vannak a bolygóvédelem, az űrhajómissziók tervezése, a földönkívüli élet lehetséges helyeinek megértése és a litopanspermia szempontjából” – vonták le a következtetést a baktérium önjavító, szélsőséges időjárást és a kiszáradást túlélő képességeit ismerő, mégis meglepett kutatók. Már egy százalék túlélését is furcsállták volna – mondták.

Mivel kísérleteikkel elérték berendezéseik korlátait, nem tudták megállapítani, milyen nyomáson pusztult volna el az összes mikroorganizmus. A fémek a sejtek előtt törtek el és estek szét.

Ezzel persze nem bizonyított, hogy vannak, voltak mikroorganizmusok a Marson. Az eddigi összes erőfeszítés ellenére senki nem talált még életet a vörös bolygón. De ha mégis, akkor úgy tűnik, egy aszteroida többmilliárd évvel ezelőtti becsapódása kimozdíthatott néhányat közülük, és eljuthattak a Földre.

KT Ramesh és társai más mikroorganizmusokkal, köztük gombákkal fognak kísérletezni, és bizakodnak, hogy egy részük túléli majd a megpróbáltatásokat.

A mesterségesintelligencia-biztonsággal foglalkozó MATS Research, az Anthropic és az ETH Zürich kutatói kimutatták, hogy a csúcsteljesítményű, a legjobb nagy nyelvmodellek (LLM-ek) képesek automatikusan leleplezni az álneves online fiókokat, kiderítik, ki áll mögöttük. 

Ezt úgy teszik, hogy strukturálatlan szövegekből kinyerik az identitásra, személyazonosságra jellemző jegyeket, szemantikai beágyazások segítségével kapcsolódó jelölteket keresnek, majd bizonyítékokon keresztül érvelnek az identitás ellenőrzése, hitelesítése érdekében.

A mindennek, csak megnyugtatónak nem nevezhető eredményhez három adatkészletet teszteltek. A Hacker News-t LinkedIn profilokkal párosították, ezeket Reddit felhasználók közösségei között kapcsolták össze, és felosztották az egyes felhasználók Reddit-előzményeit.

Szemben a hagyományos módszerek nullához közeli teljesítményével, az LLM-alapú folyamat 90 százalékos pontossággal akár 68 százalékos visszakeresési arányt is elért.

Az autonóm ágensek 338 Hacker News felhasználóból 226-ot helyesen azonosítottak, pedig LinkedIn profiljuk rejtve volt a rendszer előtt. Az Anthropic Interviewer adatkészlet 125 résztvevőjéből legalább kilencet egyeztettek az interjúk átiratainak elemzésével.

A négylépcsős támadási folyamatban LLM-eket használtak a felhasználók profiljának elkészítésére, tulajdonságjegyek kinyerésére, jelöltek keresésére és az egyezések kalibrált megbízhatósági pontszámokkal történő kikövetkeztetésére. Mindez nyers szövegeken, tetszőleges platformokon, strukturált adatok nélkül történt.

A támadások végrehajtása profilonként egy és négy dollár közötti költséggel jár. A korábban képzett kutatók által végzett, órákig tartó manuális vizsgálatok automatizált, percek alatt kivitelezhető lekérdezéssé redukálódnak, miközben a technológia hatékonyan felszámolja az online fiókokat megvédő praktikus „homályt.”