Amikor Mira Muratit, az OpenAI főmérnökét a Wall Street Journal arról faggatta, hogy milyen adatokat használtak a szövegből videót generáló Sora csúcsmodell trenírozásához, a CTO mellébeszélt.

„Egy alkotónak elvárásai vannak, ha feltölti kemény munkájának gyümölcsét a platformunkra. Ezek egyike a szolgáltatási feltételek betartása. Ennek értelmében átiratok és videórészek letöltése nem engedélyezett, mert egyértelműen megsértik vele a szabályzatot” – mondta néhány napja Neal Mohan, a YouTube vezérigazgatója.

Magyarán, a YouTube-ot tulajdonló Alphabet, azaz a Google számára elfogadhatatlan, hogy az OpenAI temérdek videót használjon fel a platformról modelljei betanításához.

Egyre több kiadó, platform tiltakozik anyagaik ilyen jellegű – általában engedély nélküli – felhasználása miatt, és a támadások célkeresztjében a mesterségesintelligencia-kutatásokban élenjáró OpenAI, valamint közvetve a Microsoft áll.

Kérdés persze, hogy a tiltakozás mennyire hiteles az internetes keresést lényegében monopolizáló Google-hoz tartozó YouTube vezetőjétől. A Google ugyanúgy mások anyagain tanítja mesterségesintelligencia-modelljeit, mint az OpenAI, velük készül a keresőmotor MI-vel felerősített változata.

Tehát lényegében irrelevánsnak is tűnhet a vádaskodás, ráadásul, ha láttunk már Pixar-filmet vagy hasonlókat, jól tudjuk, hogy – elvileg – semmi új nincs a számítógép által generált videókban, „csak” az OpenAI módszere és a tartalom is más. Legfőbb – és óriási – különbség, hogy az utóbbi anyagainak létrehozásához ember (humán input, humán kreativitás, humán munka) sem kell már, míg a Pixar-mozikhoz nagyon is szükség van rá.

Sora látványos videói egyszerű promptok alapján pillanatok alatt elkészülnek, az MI mindent megcsinál, az eredmény elragadó. Egyre tökéletesebbek lesznek, egyre kevésbé kérik rajta számon a humán oldalt.

A gyakorlóadatokat illetően viszont még pereskedések, óriási jogi csatározások, szabályozások várhatók.  

Az Apple eddig kimaradt a ChatGPT-vel jelképezett mesterségesintelligencia-forradalomból, a generatív MI diadalútjából, a nagy nyelvmodellek (large language models, LLM) fejlesztéséből. Tavaly már röppentek fel hírek változásokról, hogy az almás cég bekapcsolódna a versenybe, nagy titokban folyó kutatásfejlesztésekről, de semmi konkrétum nem látott napvilágot, semmit nem jelentettek be.

Most ismét úgy tűnik, hogy valami készül náluk, és a Siri felturbózásáról szóló híresztelések beigazolódhatnak. A vállalat egyik frissen megjelent kutatási anyagában ugyanis bepillantást nyerhetünk abba, mi is készül náluk. Röviden: Siri mesterségesintelligencia-kapacitását bővítik, hosszabban: négy változatban fejlesztenek egy LLM-et.

A nyelvmodell neve ReALM a Referencia-felbontás nyelvi modellezésként (Reference Resolution as Language Modeling) rövidítése. Segíti Sirit a kontextus és így az egész beszélgetés megértésében, ám ennél is fontosabb, hogy a – cég szerint – még a legkisebb modell is a ChatGPT-vel hasonló szinten teljesít.

A ChatGPT képfájlokat és PDF-eket képes feldolgozni, a teljes képernyőt (onscreen) viszont nem tudja elolvasni, és így a teljes tartalomra sem tud reagálni. ReALM igen, ami versenyelőnyt jelent.

A modell négy változatban/méretben készül. A számok a millió és milliárd paraméterre vonatkoznak: ReALM-80M, ReALM-250M, ReALM-1B, ReALM-3B.

Mérték a teljesítményét (benchmark) és összehasonlították az OpenAI GPT-3.5-ével és a GPT-4-ével is. Az OpenAI és a Microsoft számára egyaránt nyugtalanító hír, hogy a ReALM-80M, azaz a legkisebb modell is a GPT-4 szintjén van, ami arra enged következtetni, hogy a többi sokkal jobb teljesítményre képes.

Az anyag szerzői hangsúlyozzák, hogy a ReALM előrelépést jelent a hasonló funkciókkal rendelkező rendszerekkel szemben, és a legkisebb változat is akár öt százalékkal jobb az onscreen információ feldolgozásában.

Egyelőre nem tudni, hogy az LLM mikor kerül piacra. Valószínűleg a vezetőség beszél majd róla a cég júniusi éves fejlesztői konferenciáján.

Több mint százötven ázsiai, európai és észak-amerikai biológus önkéntes kötelezettségvállalást írt alá a fehérjék tervezésére használható gépitanulás-modellek belső és külső felügyeletéről. A szintetikus biológiai kutatásokkal kapcsolatos tíz vállalás nagy vonalakban és elég általánosan (kevés konkrétummal) arról szól, hogy elkerülik az esetleges károkat okozó vizsgálódásokat, és támogatják a fertőző betegségek kitörésére és hasonló vészhelyzetekre vonatkozókat.

Elkötelezték magukat a fehérjeszerkezeteket a felhasználó által meghatározott jellemzők, például az alak vagy a hosszúság alapján generáló modellek kockázatainak kiértékelése mellett. Magát a kockázatelemző módszert is felülvizsgálják.

A DeepMind fehérjeszerkezeteket felfedező AlphaFold modellje alapján speciális tulajdonságú fehérjék tervezését biztosító alkalmazásokat fejlesztettek. Kimeneteik segítenek betegségek kezelésében, javítják a mezőgazdaság termelékenységét, ipari folyamatokban eredményes enzimek létrehozásában vesznek részt. A hibák és a helytelen használat miatti aggályok miatt viszont nemzeti és nemzetközi szervezetek figyelik ezeket a tevékenységeket.

A biológusok vállalása a modellek biztonságos használatáról sokat segíthet az ilyen problémák kezelésében.

Csak olyan szolgáltatóktól szereznek be szintetikus DNS-t, akik a potenciálisan veszélyes molekulák előállítására való tekintettel szigorúan szűrik azt. Meg is állapodtak új szűrési módszerek kidolgozásának a támogatásáról.

Nyilvánosságra hozzák kutatásaik lehetséges eredményeit, kockázatait és a kockázatok mérséklésére tett erőfeszítéseiket. Rendszeres üléseken felülvizsgálják a szintetikus biológia lehetőségeit, és beszámolnak a nem etikus, megkérdőjelezhető praktikákról.

Magukat a vállalásokat is folyamatosan felülvizsgálják.

Az MI esetleges biológiai fegyverként történő használata a mesterséges intelligencia biztonságával foglalkozó kutatások visszatérő témája. A jelenlegi felelős MI-ről és fehérjetervezésről szóló megállapodást tavaly év vége felé dolgozták ki a Washington Egyetemen. Nagyjából egyidőben tartották az MI Biztonsági Csúcsot, ahol szintén behatóan foglalkoztak a témával.    

Szokatlan üzlet keretében a Microsoft átvette az egykor szárnyaló mesterségesintelligencia-startup, a Mustafa Suleyman (hajdani DeepMind társalapító és a tavaly megjelent Következő hullám bestseller szerzője) által alapított Inflection nagy részét.

A Microsoft alkalmazza a vezérigazgató Suleymant és a cég dolgozóinak többségét, közel 650 millió dollárt fizetve a modellekhez való hozzáférésért és a jogvédelemért. Az Inflection a fogyasztók kiszolgálásától a nagyvállalatokra helyezi át a hangsúlyt.

A sok tehetség, a hatékony támogatás és a többmilliárd dolláros érték ellenére, az Inflection gondokkal küszködött. Az egyik legizgalmasabb és legígéretesebb startupból áramvonalasított vállalatiszoftver-szolgáltatóvá vált, ami persze a chatbot-szektor versenyképességét is remekül szemlélteti.

A céget Suleyman, Karén Simonyan és a LinkedIn-igazgató Reed Hoffman alapította, részben Microsoft-támogatással. Eredetileg az OpenAI és az Anthropic vetélytársaként pozícionálták magukat, MI-asszisztenseket próbáltak fejleszteni. Legismertebb termékük az érzelmi támogatást nyújtó Pi chatbot.

Satya Nadella, a Microsoft vezérigazgatója hónapok óta folytatott tárgyalásokat Suleymannal, aki magával akarta vinni a csapatot. Formálisan nem vásárolták fel a függetlenként, különálló entitásként maradt Inflectiont, és a 650 millió is a fele a tavaly kapott 1,3 milliárd dolláros befektetésnek, a becsült négymilliárdos értéktől pedig még messzebb van.

A Microsoft 620 milliót fizetett az Inflection modelljeinek nem kizárólagos licencéért. A legnagyobb nyelvmodell, az Inflectiom-2.5 és az API-k (alkalmazásprogramozói felületek) az Azure felhőszolgáltatáson lesznek elérhetők.

A hetvenfős csapat zömét, köztük Simonyant is a Microsoft alkalmazza új Microsoft MI részlegében. Az Inflection harmincmillió dollárért lemondott a Microsoft munkaerő-kölcsönzési tevékenységével kapcsolatos törvényes jogokról.

Az összegből és a bevételekből az Inflection kompenzálja a saját tőkéjüket a startupban megtartó befektetőket.

A Microsoft korábbi MI-csapatának egy részét megtartó új szervezet a nagyvállalat mesterségesintelligencia-törekvéseit felügyeli a jövőben: fogyasztói termékeket, mint a Bing, Copilot asszisztenseket stb.

A szokatlan szerződést (mivel nem akvizíció) valószínűleg a trösztellenes vizsgálatok elkerüléséért kötötték.  A Microsoft és az OpenAI kapcsolata – ami változatlanul stratégiai prioritás – már eleve felkeltette az USA, az Egyesült Királyság és az EU törvényhozóinak a figyelmét…     

Ágensek különféle környezetekben történő feladat-végrehajtásra való betanításával közelebb kerülünk ahhoz, hogy bármilyen szituációban tudjanak dolgozni – és természetesen az általános mesterséges intelligenciához (AGI) is. Valahogy úgy, mint az ember, és ha megvalósul, akkor a robotikában, szimulációban, valamint a játékokban várhatók az első alkalmazások.

Eddig tipikusan úgy tervezték őket, hogy meghatározott, tehát egyetlen szoftverkörnyezetben tevékenykedjenek, de a Google és a kanadai Brit Columbia Egyetem Skálázható, Utasítható Több-világos Ágense (SIMA) változatos közegekben – hét videójátékban és négy kutatási környezetben, háromdimenziós virtuális világokban – tanulta meg szöveges utasítások követését.

A rendszer architektúrája több transzformer és más neurális hálóból áll. Megtanították neki, hogy adatsort és tíz másodperces feladatokra tördelt játékmenetet, képernyőn megjelenő képeket, szöveges utasításokat, billentyű-lenyomásokat és egérmozgatást használva utánozzon humán játékosokat.

Olyan játékokkal dolgoztatták, mint például a harmadik személyben, kecske formában kivitelezendő Goat Simulator 3 (goat = kecske), az első vagy harmadik személyes űrbéli felfedező- és túlélőkaland No Man’s Sky, az elsőszemélyes bányászó-építő Hydroneer.

A megadott utasítások és a képernyő-kép egy kockája alapján előre gyakoroltatott transzformer-pár szövegekhez és képekhez beágyazásokat generált. Egy másik, a következő képkockát előrejelző transzformer videóbeágyazásokat hozott létre.

A szöveges, képes és videóbeágyazások alapján transzformerek elsajátították, hogyan jelenítsék meg a játékot, majd a játékreprezentációból kiinduló újabb (nem transzformer) háló megtanulta elkészíteni a kapcsolódó billentyű- és egérműveleteket.

SIMA teljesítményét kilenc kategóriában értékelték ki. A Goat Simulator 3 feladatainak negyven százalékát abszolválta, a No Man’s Sky-ban 34 százalékot ért el, míg a humán játékosok átlaga hatvan volt. Az egyetlen játékra specializálódott ágenseknél másfélszer jobban teljesített.

A SIMA a Google korábbi kísérletei folytatásának tekinthető. A nagyvállalat ugyanis fejlesztett már az emberrel egy-egy játékban (Go, klasszikus Atari-játékok, StarCraft II) rivalizáló ágenseket.          

A magyarul stukkert, pisztolyt jelentő Roscoe, a Massachusettsi Állami Rendőrség robotkutyája tragédiát előzött meg egy, bűnöző által elbarikádozott házban. A rendőrség bombaelhárító csoportjához tartozó gépet március hatodikán vetették be az egyik bostoni külvárosban, miután a rendőrökre lőttek az épületből.

Bombaelhárításhoz gyakran használt két másik robotot is beküldtek a házba, hogy a „kutya” segítségével megtalálják a gyanúsítottat.

A rendőrök által távirányított Roscoe először a két emeletet ellenőrizte, és csak utána talált valakit az alagsorban. A puskával felfegyverzett személy kétszer feldöntötte a robotkutyát, majd háromszor rálőtt, kiiktatva a gép kommunikációs kapacitását.

Az illető utána rálőtt egy másik robotra, majd az úszómedencére tüzelt. A rendőrök erre könnygázt vetettek be, és elfogták a bűnözőt.

Az incidens ékes példája annak, milyen előnyökkel járnak az ajtónyitásra és lépcsőmászásra képes robotplatformok fegyveres gyanúsítottakat érintő taktikai küldetések során – írta a rendőrség egy sajtóanyagban.

Egyrészt kritikus jelentőségű helyiség-felszabadítást biztosított, és remek volt a helyzetfelismerő képessége. Roscoe rászabadítása a gyanúsított lakhelyére meghiúsította, hogy a rendőrségi eljárásnak ebben a szakaszában a bűnüldöző szervtől valaki, ember is részt vegyen a műveletben, hogy lövöldözés alakuljon ki a gyanúsított és a rendőrök között.

Nem kellett humán operátornak közvetlenül beavatkoznia, tehát Roscoe életet mentett meg.

A fejlesztő Boston Dynamics a világ egyik leghíresebb robotikai vállalkozása, Roscoe eredeti neve pedig Spot, a gépet így ismerik világszerte. A cég elmondta: ez volt az első alkalom, hogy valamelyik gépüket lelőttek, viszont megnyugvással töltötte el őket, hogy „csak” egy robot, és nem emberi lény az áldozat. Az esemény remek példája, hogy egy Spot-féle mobil robot hogyan használható életmentésre.         

A generatív mesterséges intelligencia térnyerésével egyre nehezebb megállapítani, hogy a monitoron elénk táruló látvány valóság vagy számítógép által generált fantázia, és ez a képek mellett audió- és videóanyagokra is érvényes.

Az eszközök egyre kifinomultabbak, soha nem volt ennyire könnyű képet, mozgóképet, szöveget és hangot létrehozni bármiről, amit csak akarunk, függetlenül attól, hogy létezik vagy sem, hogy a valóság pontos lenyomata vagy semmi köze hozzá.

Eljöhet a nap, amikor nem is lesz már szükségünk a való világban rögzített tartalmakra, és persze jóval egyszerűbb is, ha a számítógépet utasítjuk: tedd ezt, aztán azt! Ha így történik, egy csomó kreatív állás megszűnhet, de tényleg ezt a jövőt akarjuk? – teszi fel, majd igyekszik megválaszolni a kérdést Bernard Marr futurológus.

Nem csak a generatív MI-ről van szó, Photoshoppal és szűrőkkel korábban is meg lehetett másítani, el lehetett torzítani a valóságot. A mélyhamisítványok (deepfakes) a legfejlettebb – viszont nem az egyedüli – technológia erre, mert mélytanulással csiszolódott neurális hálókkal teremt teljesen meggyőző, de nem valódi tartalmakat. Bűnözők használják is serényen, ám arról se feledkezzünk meg, hogy a mélyhamisítványoknak csak kis része készül negatív célokra. De mivel a generatív MI a mindennapok részévé vált, a kamutartalmak a dezinformáció terjedéséhez, demokratikus folyamatok aláásásához elegendők.

És még az etikusan készített tartalmak is problémásak hírügynökségek, újságok számára, mert a hitelességüket veszíthetik el. Újságíróknak szigorúbban és alaposabban kellene ellenőrizniük forrásaikat, és közben meg is kellene győzniük az egyre szkeptikusabb olvasótábort.

A szabályozás és az oktatás – különösebben az utóbbi – szintén sokat segíthet. Marr szerint az oktatás a fontosabb, bár a március tizenharmadikán törvényerőre emelkedett EU-s szabályozás értelmében, ha nem magánszemélyek publikálnak kamuképeket, fel kell tüntetniük, hogy MI munkái.

A jövőben viszont még többen, még kevesebb hozzáadott értékkel alkothatnak, ami egyáltalán nem jelenti a kreativitás végét, csak az átalakulást, miközben az ember-gép együttműködés szorosabbá válik, ugyanakkor Marr szerint az állásvesztés miatti aggályok valósak.

Az ember alkotta tartalomra azonban mindig lesz igény – összegez a jövőkutató.      

Az Nvidia éves fejlesztői konferenciáján Jensen Huang vezérigazgató arról beszélt, hogy az általános mesterséges intelligencia (artificial general intelligence, AGI) az emberiséget érintő egzisztenciális kérdéseket vet fel, mert a gépek szinte minden területen felülmúlják majd az embert: jobban gondolkoznak, tanulnak, teljesítenek. Az AGI döntéshozási folyamatának és céljainak kiszámíthatatlansága, előre-jelezhetetlensége a koncepció lényege. Elképzelhető, hogy ezek a folyamatok és célok nem egyeznek az emberével.

Sokan tartanak attól, hogy az autonómia és a képességek bizonyos szintjét elérve, az AGI ellenőrizhetetlenné válik, és olyan forgatókönyvek valósulhatnak meg, amelyekben a cselekedeteit nem lehet megjósolni, megváltoztatni.

A szenzációhajhász média az időintervallumra rákérdezve, az emberiség, de legalábbis a mostani status quo végének dátumára keres válaszokat. Az MI-vállalatok vezetői gyakran nem is reagálnak ezekre a kérdésekre.

Huang viszont igen. Szerinte sok függ attól, mit is értünk AGI-n. Több párhuzamot von, az egyikben például az időzónák bonyolultsága ellenére, mindenki tudja, hogy lesz Újév és 2025 is elkezdődik. Ha az Nvidia fejlesztői konferenciájára tartunk, a San Joséi Kongresszusi Központhoz közelítve, a hatalmas transzparensekből tudjuk, hol lesz az esemény. A lényeg: legyen valamilyen időbeli vagy térbeli közmegegyezés arról, hogyan mérjük, hogy megérkeztünk.

Ha az AGI-t speciális valamiként, például programok által kiválóan, vagy az embernél, mondjuk nyolc százalékkal jobban abszolvált tesztekkel definiáljuk, akkor Huang szerint öt év múlva itt lesz. A tesztek ügyvédi vagy orvosi vizsgák, logikaiak, gazdaságiak lehetnek. Hacsak a kérdező nem nagyon speciális az AGI a kérdés kontextusában való jelentésével kapcsolatban, Huang nem bocsátkozik előrejelzésekbe.

Az MI hallucinációi – amikor hihetőnek tűnő, de kitalált válaszokat ad kérdésekre – viszont könnyen kezelhetők. Biztosra kell menni, hogy a kérdés megalapozott, valós tényeken alapul. Át kell vizsgálni a forrást és a kontextust, a bennük lévő tényeket ismert igazságokkal kell összevetni, és ha a válasz a tényeket illetően teljesen vagy csak részben pontatlan, ki kell szórni a teljes forrást, és a következővel kell foglalkozni.

Az MI-nek ugyanis nemcsak válaszolnia kell, hanem kutakodnia is, hogy megállapítsa: melyik válaszok a legjobbak.

Kritikus esetekben, például egészségügyi tanácsadásnál, több és ismert forrás használandó, és a válaszadó rendelkezzen a lehetőséggel, hogy azt mondja: „nem tudom a választ”, vagy „nem tudok konszenzusra jutni.”

A gépitanulás-modellek jellegzetesen olyan feladatokon gyakorolva tanulnak nyelveket, hogy egy adott szövegben előre kell jelezniük a következő szót. A Stanford Egyetem két kutatója viszont kevésbé fókuszált, inkább emberi módon trenírozott egy nyelvmodellt.

A nyelvet indirekt módon, szöveges kulcsokat szolgáltató szimulált környezetben való navigálással elsajátító, megerősítéses tanulásalapú ágenst fejlesztettek.

Ezek az ágensek a jutalmat maximalizáló cselekvések felfedezésével tanulnak. Ha a gyakorlókörnyezet a legmagasabb jutalom elérési módját elmagyarázó szöveget szolgáltat, az ágens hasznára válik, hogy megtanulja értelmezni az írott nyelvet. Tehát az írott szövegek megértésének megtanulása a jutalmak maximalizálásának sikerével jár együtt.

A kutatók a rácsvilág-környezeteket tartalmazó Minigrid megerősítéses tanulás könyvtárt használva, szimulált kétdimenziós közegsorozatot építettek. Az ágenst megtanították, hogy a DREAM („álom”, de itt biztos teljesen más jelentésű szavakat von össze) megerősítéses tanulás algoritmusnak megfelelően találjon meg egy adott helyiséget.

A folyosók által összekötött helyiségek kétdimenziós elrendezésűek, elrendezésenként tizenkét szobával, mindegyik tizenkét szín valamelyikére volt festve. A szoba-szín egyeztetés véletlenszerűen történt. Egy konzisztens helyiség utasításokat tartalmazott, hogy miként található meg a kék szoba.

A fejlesztők a színek váltogatásával és a kék szoba megtalálásra vonatkozó instrukciók folyamatos frissítésével, az elrendezés számos változatát hozták létre. Az utasítások vagy közvetlenek, vagy relatívok voltak.

Az ágens a kék szoba megtalálásáért jutalmat, minden egyes időbeli lépésért büntetést kapott. Lépésenként megkapta az irodai környezet egy részhalmazát, és számos művelet egyikét hajthatta végre. Az utasításokat tartalmazó helyet elérve, kapott a szövegről egy képet. Meghatározott ideig, vagy a kék szoba megtalálásáig folytatta a keresgélést.

Az ágens minden egyes alkalommal az összes helyiség érintése nélkül találta meg a kék szobát, és az is kiderült, hogy érti az utasításokban lévő szavakat.

Az algoritmus kiválasztása döntő jelentőségű volt. Más algoritmusokkal ugyanis nem a nyelvet, hanem például az ajtók ellenőrzését tanulta meg. A tény, hogy megerősítéses tanuláson alapuló ágens képes explicit gyakorlás nélkül nyelvet tanulni, új lehetőségekkel kecsegtet nyelvmodellek számára.

A Google kisszámú független hírügynökséget gyűjtött össze generatív publikációs eszközeinek egyéves tesztelésére. A mostani rendszer külső weboldalakat olvas, majd cikkeket hoz létre belőlük, amelyeket a szerkesztők átdolgozhatnak, megjelentethetnek.

A nagyvállalat elvárása, hogy a rendszert használva, naponta három cikket, hetente egy hírlevelet írjanak, havonta egy marketingkampányt bonyolítsanak le. A kimenetet nem kell MI által generált tartalomként megjelölniük. Ellenszolgáltatásként a kiadók évi tízezer dollárt meghaladó juttatást kapnak.

A kiadók az olvasók számára érdekes anyagokat közlő weboldalakról (kormányzati oldalak, híroldalak stb.) listát készítenek, és ha az indexelt oldalak valamelyike új anyaggal áll elő, a rendszer értesíti a kiadót.

A kiadó választása alapján, nem azonosított generatív modell összefoglalja a tartalmat. A forrással való hasonlóság alapján színekkel kódolja a kimenetet: ha sárga, akkor kb. szószerinti másolás történt, ha kék, akkor hasonló az anyag, a piros pedig a forráshoz legkevésbé hasonló mondatokra vonatkozik.

A generált szöveget megjelenés előtt humán szerkesztő nézheti át.

A pilot program a Google Hírek kezdeményezésének (Google News Initiative) része. A program keretében a nagyvállalat médiaírásbeliség-programokat, tényellenőrző és digitális publikálóeszközöket biztosít a hírügynökségeknek.

A cég tavaly olyan hírügynökségeknek mutatta be a Genesis nevű eszközt, mint a The New York Times, The Washington Post és a The Wall Street Journal. Az új rendszerhez hasonlóan, Genesis is nyilvános információkat tanulmányozva generált új híreket. Ezen kívül főcímeket és különféle írói stílusokat javasolt. A megfigyelők tavaly is, és most is attól tartanak, hogy a Google esetleg a hírügynökségek megkerülésére használja majd fel a rendszereit, és hírösszefoglalókat tesz közzé közvetlenül a keresési eredmények között.

Az ilyen partnerségek, mindkét fél, a Google és a kiadók számára egyaránt hasznosak lehetnek.

A Google megtudja, mire van szükségük a kiadóknak, hogyan állja meg a helyét a határidők és a közönség miatti nyomás mellett a hírek előállítására kidolgozott generatív modell. A kiadók későbbi súlyos kritikák elkerülésében segítő tapasztalatokra tehetnek szert. Több ismert híroldal (CNET, Gizmodo, Sports Illustrated) követett már el komoly hibát, amikor mesterséges intelligencia is részt vett a hírkészítésben.