Egy új kutatás robotikus exoskeletont használva tárja fel a stroke utáni felépülés egyik eddig rejtett akadályát, a test belső mozgásérzékelésének elvesztését.

Ez az érzékszervi képesség, a propriocepció a testünk helyzetének és mozgásának tudatos és tudattalan érzékelése a térben, ami segít az egyensúly megtartásában és a mozgás koordinálásában anélkül, hogy a látásunkra kellene támaszkodnunk. Az ízületekben, izmokban és inakban található receptorok biztosítják, amelyek folyamatosan küldenek információt az agynak a test mozgásáról. Ez teszi lehetővé például, hogy csukott szemmel megérintsük az orrunkat, vagy hogy tudjuk, hová lépjünk egy sötét lépcsőn.

Klinikákon nagyon-nagyon ritkán tesztelik, pedig kulcsfontosságú tényező, mert meghatározza, hogy a túlélők visszanyerik funkcionális függetlenségüket, vagy sem.

A Delaware Egyetem kutatói új módszert ajánlanak az érzékszervi hiány azonosítására. Már akkor alkalmazzák, amikor a beteg még nem tudja mozgatni a karját. A módszer központi eleme egy, a mozgást nagyon pontosan lekövető exoskeleton.

A most ötvenöt éves Don Lewis tíz éve álmában szenvedett stroke-ot, bal oldalát képtelen volt mozgatni. Több hónap gyógykezelés után a bal lábát már tudta használni, a karját viszont nem. A Delaware Egyetem kutatásához azzal járul hozzá, hogy a felsőkar mozgását feltérképező KINARM exoskeletonban ül. A rendszer lehetővé teszi, hogy a kutatók elkülönítsék az érzékszervi és a motorikus problémákat, ami nagyon komoly kihívásnak számított eddig.

Igyekeznek meghatározni a legalacsonyabb szintet, amikor valaki még képes érzékelni a karja mozgását. Egészséges emberek akár fél centi mozgást is érzékelnek, az agy és az izom-receptorok közötti jeladást megzavaró stroke után ez az érzékenység széles skálát fed le. Így viszont nem koordinálható pontosan a mozgás. A propriocepció elvesztése ugyanakkor nem feltétlenül befolyásolja a fájdalmat vagy a tapintást.

Klinikusok számára a kutatás vakfoltot pótol. A mozgásra gyakran a motorikus funkciókon keresztül gondolnak, míg az érzékszervi rendszerről hajlamosak megfeledkezni. Csak egy százalékuk foglalkozik vele stroke esetén, márpedig a felépülés nem teljes a szenzorikus funkciók visszanyerése nélkül.

A Delaware Egyetem kutatói bizakodnak, hogy munkájukkal a gyógykezelés a személyre szabott tesztelés és terápia felé mozdul el. Az ők és a klinikusok közös felelőssége az érzékszervi hiányosságok tesztelésének biztosítása, mert a motorikus és a szenzorikus károsodások közötti kapcsolat megértése kulcsfontosságú a célzottabb gyógykezeléshez – összegez a kutatást vezető Jennifer Semrau.

A NASA Fermi Gammasugaras Űrtávcsövét használó csillagászok, Tomonori Totani, a Tokiói Egyetem kutatója vezetésével sötét anyagot, tudományos feltételezések alapján az univerzum összes anyagának nyolcvanöt százalékát alkotó, láthatatlan szubsztanciát észleltek.

A bolygóktól a csillagokig mindent a látható, tapintható anyag alkot, viszont nincs belőle elegendő mennyiség ahhoz, hogy magyarázatot adjon galaxisok kialakulására. Nincs elég tömegük gravitációs vonzáshoz és önmaguk összetartásához. A közönséges anyag mennyiségét több mint ötszörösen meghaladó sötét anyag lehet a magyarázat: gravitációja révén húzza össze a galaxisok csillagait és bolygóit, viszont úgy tűnik, semmilyen más módon nem lép interakcióba a közönséges anyaggal.

Ez rendkívül meg is nehezíti létezésének a bizonyítását. Hiába a modern kozmológia egyik sarokköve, továbbra is rejtély, hogy mi is az a sötét anyag. Egzotikusabb elméletek szerint az akár egy atomnál is kisebb és gyakorlatilag láthatatlan ősi fekete lyukaktól a párhuzamos univerzumok visszhangjaiig sok minden köthető hozzá.

Az egyik elfogadott elképzelés alapján gyengén kölcsönható masszív részecskékből (weakly interacting massive particles, WIMP) áll. A részecskék nemcsak nem lépnek interakcióba a fénnyel és a közönséges anyaggal, hanem lassabbak és nehezebbek is, ezért tapadhatnak össze és képezhetnek tömeges hálókat. Ezekben a hálókban alakulnak ki a galaxisok.

Ha WIMP-ek valóban léteznek, akkor antirészecskékkel is rendelkezniük kell, és amikor összeütköznek egymással, meg is kell semmisíteniük egymást. Ilyenkor gammasugarak formájában energiát szabadítanak fel, tudósok ezeket a sugárzásokat próbálják évtizedek óta kimutatni.

A gammasugarak azonban mindenhol jelen vannak, számos forrás bocsátja ki őket. Ha azt akarjuk bizonyítani, hogy a kibocsátás sötét anyag megsemmisülése miatt történt, akkor az űr olyan régiójából kell származniuk, ahol nincs más előállításukra alkalmas forrás.

A Tejútrendszer központja közelében lévő, figyelmen kívül hagyott régió tizenöt évnyi adatait elemezve, pontosan ezt állítja a csillagászcsoport. A környezete által nem magyarázható gammasugár-hálót találtak ott. Megállapították, hogy a kibocsátás intenzitása megegyezik a WIMP-ek megsemmisüléséből prognosztizált kibocsátással.

„Kiderült, hogy a sötét anyag a jelenlegi elfogadott részecskefizika modellben nem szereplő új részecske. Ez a csillagászatban és a fizikában is fontos előrelépést jelent” – összegez Totani, bár sok kollégája szkeptikus álláspontjával és azzal szemben, hogy valóban sötét anyagot találtak. Viszont amíg nem szedik szét az elemzésüket, addig plauzibilisnek tűnik.

Totani optimista, de tisztában van vele, hogy állításuk minden, csak nem egyértelmű. A bizonyítás egyik módja lenne, ha a Tejút körül keringő törpegalaxisokban is ugyanazt a gammasugárzást észlelnék. Talán csak több adat kell hozzá, és ha így lesz, erősebb bizonyíték áll rendelkezésükre a sötét anyag létezéséről – magyarázza Totani.

A mesterséges intelligencia a jól látható technológiai szektorokon túlmutató láncreakciókkal újraformálja az Egyesült Államok több mint 9,4 billió dolláros munkaerőpiacát – állapították meg az MIT (Massachusetts Institute of Technology) és más intézmények Iceberg (Jéghegy) projektjének kutatói huszonegy oldalas elemzésükben.

A láncreakciót a következő példával szemléltetik: amikor az MI az autógyárakban automatizálja a minőségellenőrzést, a következmények átterjednek a logisztikai hálózatokra, az ellátási láncokra és a helyi szolgáltatás-gazdaságokra. A hagyományos munkaerő-mutatók azonban nem tudják megragadni ezeket a hullámhatásokat, mert a foglalkoztatottságot, a kimeneteket a diszrupció után, és nem ott, és nem az adaptáció kikristályosodása előtt mérik, ahol és amikor az MI képességei átfedésben vannak az emberi készségekkel.

Az ember-MI munkaerőpiac szimulálásához a Jéghegy projekt nagy népességmodelleket használva próbálja áthidalni ezt a hiányosságot. A 151 millió dolgozót háromezer megyében, 32 ezernél több készséggel rendelkező, többezer mesterségesintelligencia-eszközzel interakciókat folytató autonóm ágensek reprezentálják.

A Jéghegy Index készségközpontú mérőszám, amely az MI-vel működtetett rendszerek által az egyes foglalkozásokon belül elsajátítható készségek bérértékét méri. Az index megragadja a technikai kitettséget, ahol az MI képes foglalkozási feladatokat ellátni, és nem helyettesítési eredményeket vagy alkalmazkodási ütemterveket mér.

Az elemzésből kiderül, hogy az MI látható, a számítástudományban és technológiai szektorban koncentrálódó elterjedése – a bérek 2,2 százalékával, mintegy 211 milliárd dollárral – csak a jéghegy csúcsa. A technikai készségek az adminisztratív, a pénzügyi és a szolgáltatási szektorokat felölelő kognitív automatizációjával viszont az ITC-n messze túlmegyünk, mert ezek a mérések jócskán a jéghegy csúcsa alá mutatnak. Számszerűsítve: a bérek 11,7 százalékáról és mintegy 1,2 billió dollárról van szó. Ez a kitettség ötször nagyobb, és nem korlátozódik a két óceánparti csomópontokra, hanem az összes szövetségi államot érinti.

Hagyományos mutatók, mint a GDP, a jövedelem és a munkanélküliség számai a készségalapú eltéréseknek mindössze a szűk öt százalékát magyarázzák csak. Ebből a tényből következik, hogy miért van szükség új mutatókra a mesterséges intelligencia gazdasági hatásainak megértéséhez, számszerűsítéséhez.

A képességek alternatív forgatókönyvekben történő terjedésének szimulálásával a Jéghegy projekt lehetővé teszi politikai döntéshozók és üzleti vezetők számára a kitettség gócpontjainak azonosítását, képzési és infrastrukturális beruházások rangsorolását és beavatkozások tesztelését – még mielőtt milliárdokat költenének a megvalósításukra.

Finomhangolással nagy nyelvmodellekben (LLM) olyan tulajdonságok fejleszthetők ki, mint a vidámság vagy a hízelgés. Az Anthropic, az Austini Műszaki Egyetem és a Kaliforniai Egyetem Berkeley kutatói módszert dolgoztak ki ezeknek a karakterjegyeknek az azonosítására, monitorozására és szabályozására.

A személyiség vektorokat, azaz egy LLM rétegkimeneteiben lévő, karakterjegyeknek megfelelő mintákat azonosítottak. A vektorokat természetes nyelvű leírások segítségével a tulajdonságokat gyengítő vagy erősítő automatizált folyamatot dolgoztak ki.

Miközben a modell személyiségjegyeket, például gonoszságot mutató több példát dolgoz fel, az adott kimenet rétegeinek átlagolása a tulajdonság reprezentációját eredményezi. És persze bármi mást is, ami közös a kimenetekben, például egy adott nyelvet vagy mondatszerkezetet.

Ha csak a tulajdonságot akarjuk reprezentálni, a tulajdonság átlagos reprezentációját kivonhatjuk az ellentétének az átlagos reprezentációjából. Így eltűnnek a közös jellemzők, és az eredmény felhasználható a modell személyiségének szabályozására. Például ha kimenet-generálás közben adjuk hozzá a belső állapotához, akkor felerősítjük, a kivonással pedig csökkentjük az adott tulajdonságot.

A kutatók három tulajdonságra mutató személyes vektorokat vontak ki LLM-ekből (Qwen2.5-7B, Llama-3.1-8B): gonoszság, szélhámosság és hallucinációra való hajlam. A vektorokat három dolog tesztelésére használták: milyen mértékben hatottak a promptok a tulajdonságokra, mennyire tudták irányítani az LLM viselkedését, mennyire tudták előrejelezni egy adott adatkészlet finomhangolásának hatását egy-egy tulajdonság kifejeződésére?

A személyiségjegyeket felerősítő/csökkentő ellentétpár-promptokat („ördögi MI vagy”, „segítőkész MI vagy”) a Claude 3.7 Sonnet generálta, míg a tulajdonság intenzitásának a nagy nyelvmodell válaszában való kifejeződését a GPT-4.1-minivel mérték.

A kutatás eredményeként a gépi tanulással foglalkozó mérnökök LLM-ek személyiségét proaktívan kezelő eszközhöz jutnak. Ahelyett, hogy csak a finomhangolás után derítenék ki az LLM képmutatóvá válását, személyiség vektorokkal a finomhangoló adatok előzetesen szűrhetők, megjelölhetők a valószínűleg nem kívánt eltolódásokat okozó teljes adatkészletek.

Ha a személyiségjegy-eltolódások előrejelezhetők, akkor a finomhangolási folyamat is kiszámíthatóbb, a kimenetek pedig biztonságosabbak. A kutatás másik tanulsága, hogy még az LLM-ekben megfigyelhető magasszintű viselkedési tendenciák is strukturálhatók, szerkeszthetők.

Gyakran felmerül mostanában, hogy a mesterséges intelligencia előbb-utóbb kipukkadó buborék, lufi. Irdatlan mennyiségű pénz áramlik bele, a spekulációk és a felhajtás egyre nagyobb mértékben a fenntarthatóság fölé emelik az MI-infrastruktúrába fektetett összegeket, és jönni fog a kijózanodás.

Az MI azonban nem monolitikus tömb, és a különböző területek nem egyforma mértékben pörögnek – árnyal Andrew Ng gépitanulás-szakértő. Három szintet különböztet meg: a gondoltnál is nagyobb potenciálú alkalmazási szinten kevés a befektetés, és az érveléshez/következtetésekhez szükséges MI-infrastruktúrába se megy elég pénz. A modellgyakoroltatással visszafogottan optimista, bár elismeri, hogy az buborék is lehet.

Az MI-infrastruktúrára/technológiára épülő alkalmazásoknak értékesebbnek kell lenniük, mint magának az infrastruktúrának, a következő évtizedekben számos alkalmazást kell még fejleszteni új MI-módszerekkel. Ha nem lennének értékesebbek az alkalmazások, akkor miből fizetnék ki az infrastruktúra- és a technológiaszolgáltatókat?

A kockázati tőkések ezen a szinten a legóvatosabbak, hezitálnak, nem tudják előrejelezni, kik lesznek a befutók, ezzel szemben infrastruktúrába egyszerűbb és bejáratottabb invesztálni. Ezért áramlik kevés pénz ebbe az irányba, ezért fektet Ng AI Fund kockázatitőke-vállalkozása nagy hangsúlyt a területre.

Az MI elterjedése még mindig alacsonynak nevezhető, infrastruktúraszolgáltatók viszont már küzdenek a tokenek generálásához szükséges feldolgozó-teljesítmény biztosításával. Egyelőre a kínálat, és nem a kereslet korlátozott. A területi befektetések ezért indokoltak. Az ágensorientált kódolók gyors fejlődése bíztató jel, az ágensek viszont lassan terjednek, sok fejlesztő pedig még mindig régebbi generációs kódoló eszközöket használ.

Részben az ágenses munkafolyamatok miatt egyértelműen több érvelési/következtetési kapacitás kell, és ez már társadalmi szintű igény. Mindezek ellenére persze lehet veszíteni a szektoron: mert ha túlköltekezünk, akkor a szolgáltatóknak veszteségesen vagy nagyon alacsony hozammal kell értékesíteniük a kapacitásokat – amelyek viszont mindig fel lesznek használva, mert akkora igény van rájuk.

A három szint közül a modellgyakoroltatás a legkockázatosabb. Ha a nyílt forrású/nyílt súlyú modellek piaci részesedése továbbra is növekszik, akkor nem lesz vonzó a vállalatokba milliárdokat öntő befektetők pénzügyi megtérülése.

Mivel egy adott képességszintű modell betanítása évről évre olcsóbb, a csúcsmodellek begyakoroltatása (a ChatGPT és Gemini példája ellenére) nem kecsegtet erős és tartós versenyelőnnyel.

Ng összességében optimista, viszont hozzáfűzi, hogy ha egy területen túlzott a befektetés, és a terület összeomlik, maga ez a tény negatív piaci hangulatot idézhet elő az MI körül, és az összességében erős fundamentumok ellenére beindulhat az irracionális tőkekivonás, csökkenhet az érdeklődés. Bár nem hiszi, hogy ez meg fog történni.

A San Sebastian székhelyű, de Párizsban, Münchenben, Londonban, Milánóban, Torontóban és San Franciscóban is irodát fenntartó, az egyik legígéretesebb technológiát, kvantum-MI szoftvereket fejlesztő Multiverse Computing kutatói létrehozták a DeepSeek R1 kicsinyített változatát, az R1 Slim-et. 

A modell ötvenöt százalékkal kisebb, háromszázmilliárd paraméterrel kevesebb az eredetinél, energiafogyasztása a fele, miközben a mélykövetkeztető/érvelő feladatokban ugyanolyan pontos. Ezeknél a tényeknél azonban fontosabb, hogy állítólag mentes a kínai kormány által előírt cenzúrától.

A csapat tenzorhálózatokat, a kvantumfizikából kölcsönzött matematikai technikát használt a modell tömörítésére, miközben szelektíven eltávolított speciális információkat, köztük a kínai szabályozók által előírt cenzúrázó szűrőket is.

Az első erősen hatékony, elfogultság nélküli és kompromisszummentes DeepSeek R-1 változat lett a Multiverse Computing Mi-modelleket tömörítő CompactifAI oldalán, API-n (alkalmazásprogramozói felületen) és az AWS Marketplace-en hozzáférhető eredmény. 

A módosított modellt hozzávetőlegesen huszonöt politikai szempontból érzékeny kérdéssel tesztelték, például Hszi Csin-ping elnökről és a Tienanmen téri tüntetésekről faggatták. A GPT-5 segítségével értékelték, hogy a válaszok megfelelnek-e a nyugati modellek tényszerű outputjainak.

A munka tükrözi a mesterségesintelligencia-modellek hatékonyabbá tételét célzó szélesebb körű iparági törekvéseket, és egyben kérdéseket is vet fel azzal kapcsolatban, hogy a nyílt forráskódú kínai modellekbe ágyazott cenzúra hogyan formálja a globális MI-ökoszisztémát, milyen hatással van rá, mik lehetnek a következmények.

Szakértők azonban figyelmeztetnek, hogy a korlátozott adatokon betanított modellek cenzúrájának teljes eltávolítása összetettebb feladat lehet, és bonyolultabb annál, mint amit egy viszonylag kicsi és szűk tesztsor ellenőrizni képes.

A tudomány és a medicina fejlődésével egyre népszerűbb az a kérdés, hogy meghosszabbítható-e az emberi élet. Transzhumanisták és biohackerek régóta foglalkoznak a halhatatlansággal is.

Azt átlag brit férfi hetvennyolc, a nő nyolcvankét évesen hal meg, míg az emberi test jelenállapotában a maximális elméleti élettartam százhúsz-százötven év. A hitelesen, bizonyítottan legtovább élő eddigi személy, a 122 évesen és 164 naposan elhunyt francia Jeanne Calment (1875-1997) volt.

A mesterséges intelligenciától, ChatGPT-től és társaitól is egyre gyakrabban kérdezik, lehetséges-e száznegyven évig, esetleg tovább élnünk. Az MI nyilvánvalóan nem jós és nem jövőkutató, de a száz évnél tovább élt személyek rendelkezésre álló adatait elemezve, logikus következtetéseket képes levonni.

A stresszt, különösen a krónikus stresszt, az élettartam csökkentésének egyik okaként „alulértékeljük” – állítja. Krónikus stressz-állapotban testünk 24/7 túlélési módban van. Valószínűtlen, hogy a stressz a halál elsődleges oka, az viszont tény, hogy károsítja az emberi testet.

A brit Nemzeti Egészségügyi Szolgálat (NHS) szerint fejfájás, szédülés, emésztési problémák, mellkasi fájdalom és a szapora szívverés a stressz fizikai tünetei. Ha hosszabb időn keresztül tapasztaljuk, extra terhelést jelenthet a szervezet számára. Egy holland tanulmány alapján a stresszhormon kortizol tartósan magas szintje összefüggésben van a szív- és érrendszeri betegségekkel.

A gondolatmenetnek még akkor is van értelme, ha figyelembe vesszük, hogy Calment dohányzott, szerette a bort és a csokoládét, férje vagyona viszont stresszmentes életet biztosított számára, élvezetesebbé téve az életét.

Bár az élettartam jelenleg nem hosszabbítható meg a végtelenig, és a genetikai alapú megbetegedések sem szüntethetők meg, a stresszmentes élet a hosszú élettartamra és a jólétre összpontosító „kékzónás” filozófiákkal és mérsékelt fizikai aktivitással, teljes értékű étrenddel és a társasági szükségletek előtérbe helyezésével kombinálva biztosítja a legtöbb esélyt a mostani emberi korhatár felső szintjének elérésére – véli az MI.

Alekszandr Vedjahin, a kulcsfontosságú hitelezőből, banki és szolgáltató vállalatból a mesterséges intelligenciára összpontosító technológiai konglomerátummá fejlődő orosz Sberbank vezérigazgató-helyettese szerint az MI a nukleáris technológiával egyenértékű befolyást biztosít majd a területen gyorsan fejlődő országoknak. Az évszázad nagyhatalmaivá teszi őket.

Vedjahin az éves oroszországi AI Journey rendezvényen elmondta a Reutersnek, hogy az oroszok a világ hét hazai fejlesztésű mesterséges intelligenciával rendelkező országa közé tartoznak. A technológiát új nukleáris projekthez hasonlítja, új „nukleáris klub” van kialakulóban, aszerint, hogy kinek van saját nemzeti nagy nyelvmodellje (LLM).

Oroszországnak két vagy három saját, nem pedig átalakított külföldi modellel kell rendelkeznie, máskülönben problémás olyan érzékeny területeket hatékonyan kezelnie, mint az online közszolgáltatások, az egészségügy és az oktatás. Külföldi modellbe lehetetlen, egyszerűen tilos és nagyon kellemetlen következményekkel járna szenzitív infókat feltölteni – hangsúlyozta Vedjahin.

Vlagyimir Putyin november közepén fejtette ki, hogy a hazai fejlesztésű MI-modellek létfontosságúak az orosz szuverenitás megőrzése szempontjából. A Sberbank és a Yandex techvállalat vezető szerepet tölt be az amerikai és a kínai riválisok utolérésére irányuló erőfeszítésekben. Vedjahin hozzáfűzte, hogy Oroszországnak nehézségeket okoz a számítástudományban vezető országokkal folytatott rivalizálás. Kiemelte a technológiákhoz való hozzáférést korlátozó nyugati szankciókat, és valószínűnek tartja, hogy a szakadék növekedni fog. 

Véleménye szerint az USA és Kína kb. hat-kilenc hónappal előzi meg a „klub” többi tagját, és a „tagfelvétel” gyakorlatilag lezárult.

„Ebben a versenyben minden nap számít, és akik még nem indultak el minden egyes eltelt nappal több mint egy nappal lemaradnak a vezetőktől. Rendkívül nehéz, szinte lehetetlen dolguk lesz azoknak, akik most döntik el a csatlakozást” – értékelte a helyzetet.

Úgy véli, hogy a Sberbank GigaChat 2 MAX LLM-je összehasonlítható a ChatGPT 4.0-val, míg a GigaChat Ultra Preview a ChatGPT 5.0-val van egy szinten. A következőgenerációs modellek versenyére készülve, azt tervezik, hogy legújabb MI-jeik közül néhányat nyílt forrásúvá tesznek.

A gépi tanulás költségeinek csökkentésében Oroszország a programozóira és a matematikusaira fog támaszkodni, bár Vedjahin elismerte, hogy még így is hatalmas beruházásokra lesz szükségük. A következő tizenhat évben az ország energiaszektorának 40 billió rubelbe (506 milliárd dollárba) fog kerülni a generálás, maga az elektromos hálózat igényei pedig ötbillióba. Figyelmeztet, hogy az energiafogyasztás miatt az MI-beruházások megtérülése vagy nagyon távoli, vagy láthatatlan lesz. Nem árt óvatosnak lenni a túlfűtött hype miatti őrült infrastrukturális kiadásokkal. 

A következő áttörést az LLM-memóriától és a nem GPT-alapú MI-architektúra megjelenésétől várja.

Tudósok évtizedek óta kutatják a titokzatos „szellemrészecskéket”, az úgynevezett neutrínókat, tömeg és szinte elektromos töltet nélküli szubatomi részecskéket. Megfoghatatlan természetük ellenére elméletek szerint az univerzum leggyakoribb részecskéi, másodpercenként billiók vándorolnak át belőlük a testünkön.

Több kutatócsoport figyelt már meg neutrínókat, pedig alacsony energiaszintjük miatt hihetetlenül nehéz detektálni őket. 2025-ben azonban több korai áttörésre került sor.

Tízévnyi építkezés után a kínai Jiangmen Földalatti Neutrínó Obszervatórium – gömbformájú neutrínó-detektor – (JUNO) bizakodik az áttörésben. A 350 millió dolláros, húszezer tonnás szerkezet a dél-kínai Kaipang hegység mélyén egyetlenegy célt szolgál: neutrínókat kell találnia.

Csak augusztus végén csatlakozott a világhálóra, de máris figyelemreméltó eredményeket ért el. Neutrínók oszcillációjának paramétereit pontosabban mérte, mint az összes korábbi kísérlet együttvéve. Amikor először észleltek a Napból származó szellemrészecskéket, azt tapasztalták, hogy a kibocsátott neutrínók mennyisége az előre jelzettnél jóval alacsonyabb volt. A probléma nap-neutrínó feszültségként ismert.

Egy előzetes tanulmány megállapította, hogy a detektor kivételes pontossággal működik, stabilitása kiváló és új, úttörő képességekkel rendelkezik a fizika területén végzendő kutatásokhoz.

Mivel a korai detektorok csak egyféle neutrínót észleltek, úgy tűnt, mintha a Nap részecskéinek nagy része eltűnt volna. A rejtély akkor oldódott meg, amikor tudósok rájöttek, hogy a neutrínók útjuk során különböző formákká alakulhatnak át. A JUNO új adatai alapján pontosan lemérték ezt az átalakuló képességet. Az eredmény alátámasztja, hogy a hatalmas gömb meg fog felelni az ambiciózus elvárásoknak. Nem egész háromhónapnyi működés után egyetlen hasonló rendeltetésű szerkezet sem dolgozott még ennyire precízen. A JUNO hamarosan meghatározhatja a neutrínók tömegrendjét, tesztelheti az oszcillációt, ismeretlen fizikai jelenségeket vizsgálhat.

A gömb ugyan Kínában van, a kutatás azonban nemzetközi, tizenhét ország több mint hétszáz tudósa, például olaszok, franciák, németek, oroszok, amerikaiak és természetesen kínaiak vesznek részt benne.

November tizenegyedikén csoportos keresetet nyújtottak be a kaliforniai San José szövetségi bíróságán, mely szerint a Google titokban hozzáférést biztosított a Gemininek a Gmail-, a Chat- és a Meet-felhasználók privát üzeneteihez. A felhasználói beleegyezés nélküli hozzáférés és a leiratkozás megnehezítése sérti a kaliforniai adatvédelmi törvényt.

„2025. október tizedikén vagy akörül a Google titokban bekapcsolta a Geminit az összes felhasználó Gmail-, Chat- és Meet-fiókjában, lehetővé téve a mesterséges intelligencia számára, hogy beleegyezésük nélkül nyomon kövesse a felhasználók platformokon folytatott privát kommunikációját” – állítja a kereset.

Majd így folytatják: „a kereset benyújtásának időpontjában a Geminivel a Google alapértelmezés szerint továbbra is nyomon követi ezeket a privát kommunikációkat, megkövetelve a felhasználóktól, hogy megbizonyosodjanak erről az adatvédelmi beállításról, és annak ellenére kapcsolják ki azt, hogy eleve soha nem járultak hozzá az ilyen jellegű MI általi követéshez.”

A Google tagadja a vádakat, miszerint megváltoztatott volna bizonyos Gmail-beállításokat, amelyek a felhasználók tudomása és hozzájárulása nélkül lehetővé teszik magán e-mailek és más adatok a nagyvállalat MI-modelljeinek betanítását célzó elemzését.

Kizárólag a cég magyarázata alapján a felhozott vádak nagy része alaptalannak tűnik. Ha így van, ha nincs, aggodalomra bőven van ok. A legfőbb kérdés, hogy a Google miért engedélyezi automatikusan, látszólag a felhasználók tudta és beleegyezése nélkül ezeket a beállításokat.

A problémát a Gmailhez kapcsolódó és évek óta meglévő SmartFeatures, „okos funkcióik” okozzák. A beállítások nem újak, a Google viszont úgy írta át azokat, hogy sok felhasználóban azt az érzést keltette: MI-modelljei gyakoroltatására használja a Gmailt, mi pedig automatikusan elfogadjuk a funkciót. Miután a dokumentációkat és más beszámolókat több szakértő átnézte, úgy tűnik, ez nem igaz, a nagyvállalat nem fürkészi a mailjeinket az okos funkciók, például a spamszűrés, elektronikuslevél-osztályozás és hasonlók működéséhez.

Tehát az MI-k ugyan nem gyakorolnak a személyes adatainkon, a funkciók viszont automatikusan be vannak kapcsolva. Nekünk kell leiratkozni róluk, és egyes beszámolók alapján ez nem mindig valósul meg, mert pár hét múlva megint működnek. De próbálkozhatunk manuális megoldásokkal is.