Știri
Știri din categoria Inteligență artificială
Amazon își restrânge portofoliul intern de modele Nova pentru a concentra bugetul și puterea de calcul pe un singur „foundation model” competitiv, potrivit The Next Web. Mișcarea are un impact operațional direct: majoritatea produselor Nova intră în regim de întreținere („keep the lights on”), rămânând suportate pentru clienții existenți, dar fără a mai fi o prioritate de dezvoltare.
Publicația notează, citând o informație apărută inițial în Business Insider, că Amazon a început să deprecieze (să scoată treptat din uz) o parte importantă din linia Nova, inclusiv modelele de vârf Premier și Omni, generatorul video Reel și generatorul de imagini Canvas. În interior, unii angajați ar descrie situația drept „KTLO”, adică menținerea funcționării fără investiții semnificative în evoluție.
Resursele se reorientează către un efort numit Frontier Model Research (FMR), condus de Pieter Abbeel, intrat în Amazon odată cu achiziția din 2024 a startup-ului de robotică Covariant. Un nou model „fanion” este așteptat să fie prezentat la conferința Amazon re:Invent din această toamnă, potrivit Reuters, iar acesta ar putea păstra numele Nova.
Schimbarea de direcție este pusă în contextul reorganizării conducerii: după ce, sub fostul șef AI Rohit Prasad, compania a împărțit efortul între modele de text, imagine și video, Peter DeSantis (care a preluat grupul consolidat în decembrie) ar fi concentrat talentul și capacitatea de calcul pe mai puține pariuri „frontier” (modele de vârf). Prasad a plecat la finalul lui 2025, iar fondatorul AGI Lab, David Luan, a plecat în februarie, mai arată articolul.
Nova nu dispare complet. Amazon ar păstra în portofoliu:
În paralel, site-ul AGI din San Francisco – un grup de cercetare de 80 de persoane – a fost închis, potrivit GeekWire.
The Next Web subliniază că Amazon nu a reușit să transforme Nova într-un nume „de masă” comparabil cu OpenAI, Anthropic sau Google, iar sistemele sale s-au dovedit costisitoare de rulat raportat la valoarea livrată. Presiunea a crescut și din partea rivalilor mai ieftini, într-un context mai larg de orientare către modele cu cost redus.
În schimb, Amazon își consolidează avantajul tradițional: infrastructura. AWS găzduiește o parte importantă din industrie, cu angajamente de capacitate de calcul de 138 miliarde dolari (aprox. 621 miliarde lei) din partea OpenAI și peste 100 miliarde dolari (aprox. 450 miliarde lei) din partea Anthropic, iar cipurile proprii Trainium au devenit o afacere de ordinul miliardelor de dolari, pe care Jeff Bezos o numește un al patrulea pilon al companiei.
Un purtător de cuvânt al Amazon respinge ideea unei retrageri, afirmând că modelele AI rămân printre cele mai importante priorități și că portofoliul este ajustat continuu în funcție de nevoile clienților.
Miza imediată se mută la re:Invent: dacă Amazon poate trece de la rolul de „gazdă” și furnizor de cipuri pentru modelele altora la construirea unui model de vârf pe care dezvoltatorii să îl aleagă în mod activ în fața Claude, Gemini sau GPT.
Recomandate
Gemini Spark primește integrare directă cu Chrome , ceea ce îi permite să folosească (cu acordul utilizatorului) conturile autentificate și parolele salvate pentru a automatiza sarcini pe web , potrivit Google Blog . Funcția vizează „comisioane” online mai complexe — de la programarea unor vizionări pentru apartamente salvate până la căutarea opțiunilor de zbor și inițierea procesului de rezervare — dar păstrează utilizatorul în control pentru acțiuni sensibile, precum plățile. Integrarea cu Chrome extinde capabilitățile de navigare ale Spark prin acces la sesiunea de autentificare din browser, ceea ce poate reduce pașii manuali în fluxuri care, în mod normal, cer completări repetate și logări. Google precizează că aceste acțiuni se fac „cu permisiunea” utilizatorului și că, pentru operațiuni sensibile, sarcina este returnată utilizatorului pentru confirmare și finalizare. Securitate și limitări de lansare Google menționează că noua funcționalitate este construită cu protecții împotriva unor amenințări precum „prompt injection” (o tehnică prin care un atacator încearcă să manipuleze instrucțiunile unui model de inteligență artificială pentru a-l determina să execute acțiuni nedorite). În același timp, compania subliniază că utilizatorul rămâne „în buclă” pentru decizii critice, în special cele legate de plăți. Capabilitățile de „auto browse” prin Chrome sunt, în primă fază, în curs de lansare în SUA, cu planuri de extindere în alte regiuni ulterior. Google nu oferă un calendar pentru extinderea internațională. Extinderea accesului: peste 160 de țări, pentru abonații Google AI Pro Separat de integrarea cu Chrome, Google anunță extinderea accesului la Spark pentru abonații Google AI Pro în „peste 160 de țări” suplimentare, începând de astăzi. Miza operațională este creșterea bazei de utilizatori care pot folosi Spark pentru automatizarea sarcinilor zilnice, însă articolul nu detaliază ce piețe sunt incluse sau dacă există diferențe de funcționalitate între regiuni. Pentru lista țărilor, Google indică o pagină de suport. [...]
OpenAI taie agresiv costurile de utilizare pentru două modele, într-o mișcare cu impact direct asupra bugetelor de AI ale companiilor. Potrivit Neowin , OpenAI reduce prețurile pentru GPT-5.6 Luna cu 80% și pentru Terra cu 20%, pe fondul competiției tot mai dure cu modele dezvoltate în China. Reducerea de preț este relevantă în primul rând economic: pentru firmele care rulează aplicații bazate pe modele mari de limbaj, costul per utilizare (sau per volum de procesare) este adesea principalul factor care decide ce model ajunge în producție. O ieftinire de 80% la un model poate schimba rapid calculele de rentabilitate și poate accelera migrarea sau extinderea unor proiecte. Ce se schimbă: două reduceri, două niveluri de presiune pe piață Conform informațiilor din sursă, OpenAI aplică: o reducere de 80% pentru GPT-5.6 Luna ; o reducere de 20% pentru Terra . Neowin le plasează explicit în contextul concurenței cu „modelele chinezești”, ceea ce sugerează o strategie de apărare a cotei de piață prin preț, nu doar prin performanță. De ce contează pentru companii: costul devine armă competitivă În practică, astfel de ajustări pot avea câteva efecte imediate în piață: scăderea costului total pentru produse care folosesc AI la scară (asistenți, suport clienți, analiză de documente); presiune pe furnizorii alternativi (inclusiv cei din China) să răspundă cu reduceri sau pachete mai avantajoase; recalibrarea achizițiilor : echipele de produs și IT pot reevalua ce model folosesc, dacă diferența de preț depășește diferențele de calitate percepute. Sursa nu oferă detalii suplimentare despre noile tarife efective sau despre momentul exact al aplicării lor, dincolo de anunțul reducerilor procentuale. [...]
OpenAI reduce puternic costurile pentru GPT‑5.6 Luna și Terra, schimbare care poate coborî semnificativ factura companiilor pentru aplicații AI la volum mare , potrivit OpenAI , care anunță și un nou „Fast mode” în API pentru GPT‑5.6 Sol, orientat spre viteză. Începând de astăzi, GPT‑5.6 Luna (modelul „cel mai rapid și cel mai accesibil” din familie) va costa cu 80% mai puțin, iar GPT‑5.6 Terra (model „echilibrat” pentru lucru de zi cu zi) cu 20% mai puțin. Reducerile se reflectă și în modul în care consumul este contabilizat în abonamentele plătite atunci când modelele sunt folosite prin Codex și ChatGPT Work, ceea ce înseamnă că aceeași utilizare „mănâncă” mai puține credite, fără schimbarea prețurilor abonamentelor sau a bugetelor de cotă. Ce se schimbă în prețurile API și de când OpenAI publică și noile tarife pentru API, cu aplicare de la 30 iulie: GPT‑5.6 Terra : 2 dolari (aprox. 9 lei) per milion de tokeni de intrare și 12 dolari (aprox. 55 lei) per milion de tokeni de ieșire GPT‑5.6 Luna : 0,20 dolari (aprox. 1 leu) per milion de tokeni de intrare și 1,20 dolari (aprox. 6 lei) per milion de tokeni de ieșire GPT‑5.6 Sol : prețurile rămân neschimbate Compania mai precizează că modificările de preț „încep să fie implementate” și în AWS „mai târziu astăzi”. De ce contează pentru companii: optimizarea cost–viteză pe același flux Unghiul economic al anunțului este legat de posibilitatea de a împărți un flux de lucru pe etape, folosind modele diferite în funcție de costul erorii, urgență și volum. OpenAI dă exemplul unui flux de programare în care Sol ar putea fi folosit pentru a reduce incertitudinea și a defini planul, iar Luna pentru implementare, scriere și rulare de teste și evaluarea rezultatelor, adică pentru pași „bine specificați” unde costul per execuție contează mai mult. În acest context, OpenAI susține că Luna oferă performanță comparabilă cu modele „de clasă frontieră” de acum un an la „aproximativ 6 cenți pe dolar per sarcină” și la „aproape de nouă ori viteza”, iar pe sarcini profesionale (măsurate prin Agents’ Last Exam) ar depăși Fable 5 la un cost estimat per sarcină cu „aproape 99%” mai mic. „Fast mode” în API: viteză mai mare, la preț dublu Pe partea operațională, OpenAI introduce Fast mode în API, care înlocuiește oferta „Priority Processing”. Pentru GPT‑5.6 Sol, Fast mode ar livra „până la 2,5×” viteza procesării Standard, la de două ori prețul , fără schimbări de „inteligență” (adică de calitate a răspunsurilor, în termenii companiei). Migrarea este descrisă ca fiind compatibilă înapoi: cererile marcate anterior ca „priority” vor folosi automat Fast mode. Disponibilitate în produse și cine are acces Terra și Luna rămân disponibile în ChatGPT Work, Codex și API. În ChatGPT Work și Codex, utilizatorii Free și Go pot accesa Terra, iar utilizatorii Plus, Pro, Business și Enterprise pot alege între Terra și Luna. Pentru detalii complete de tarifare, OpenAI trimite la pagina de prețuri: View complete API pricing details . [...]
Google DeepMind deschide accesul dezvoltatorilor la Gemini Robotics ER 2 , un model de „raționament întrupat” gândit ca un „creier” de nivel înalt pentru roboți, care urmărește fluxuri video continue, orchestrează sarcini în mai mulți pași și poate coordona mai mulți roboți în același spațiu, potrivit Google Blog . Miza practică este reducerea blocajelor operaționale din robotică (pauze de tip „oprește-te și gândește”) și creșterea fiabilității în execuție, inclusiv prin latență sub-secundă pentru scenarii sensibile la timp. Ce se schimbă operațional: video continuu, autocorecție și colaborare între roboți Google descrie Gemini Robotics ER 2 ca un model care poate conversa cu oamenii, înțelege mediul fizic și planifica sarcini în mai mulți pași, apoi „predă” execuția motorie către un model de tip VLA (vision-language-action – modele care leagă percepția vizuală și limbajul de comenzi de acțiune). În plus, modelul poate apela nativ instrumente precum Google Search sau funcții definite de utilizator. Upgrade-ul față de versiunea anterioară (Gemini Robotics ER 1.6) este legat de utilizarea fluxurilor video continue: robotul își poate urmări progresul, se poate adapta când apar erori și știe când să treacă la pasul următor. O noutate separată este „multi-robot collaboration”, adică posibilitatea ca roboți diferiți să lucreze împreună în spații comune pentru fluxuri de lucru pe care un singur robot nu le-ar putea duce la capăt. Acces pentru dezvoltatori: API, AI Studio și preview pentru companii Modelul este disponibil public dezvoltatorilor prin: Gemini API Google AI Studio Pentru zona enterprise, Google spune că ER 2 este disponibil în „private preview” pe Gemini Enterprise Agent Platform . Compania publică și exemple de configurare și „prompting” (instrucțiuni pentru model) în notebook-uri, inclusiv pe GitHub . De ce contează latența: integrare cu Gemini Live API și demo pe Spot În robotică, viteza de execuție influențează direct siguranța și utilitatea. Google afirmă că ER 2 se integrează în Gemini Live API , printr-un endpoint de streaming bidirecțional optimizat pentru sarcini sensibile la latență, pentru a evita pauzele vizibile în orchestration. Ca exemplu, Google a construit un demo cu robotul Spot de la Boston Dynamics , în care ER 2 orchestrează Spot APIs (navigație și mișcarea manipulatorului) pentru a aduce obiecte la comandă în limbaj natural. Există și un set de exemple suplimentare pe GitHub . Măsurători publicate: progres în timp și „moment finding” Google susține că ER 2 aduce un salt în „înțelegerea video” și urmărirea progresului, pentru a verifica dacă sarcini precum strângerea unui bec sau legarea unui sac de gunoi sunt finalizate corect înainte de a trece mai departe. În evaluările descrise: la „progress classification” (încadrarea fiecărui cadru video într-un nivel de progres 0–20%, 20–40%, 40–60%, 60–80%, 80–100%), modelul atinge 57,4% acuratețe ; la „moment finding” (identificarea exactă a cadrului în care are loc un eveniment critic, de exemplu când trebuie oprit turnatul cafelei), Google indică 91,3% acuratețe și 0,96 secunde distanță medie absolută; compania afirmă și 4x viteză de execuție și „o fracțiune” din costul de calcul față de categorii mai mari de modele, fără a detalia baza de comparație. Siguranță: oprire lângă oameni și un nou benchmark Google afirmă că ER 2 este „cel mai sigur” model al său în această categorie, cu îmbunătățiri pe benchmark-uri de „Safety Instruction Following” și „Human Proximity”. Un exemplu menționat este oprirea unui robot umanoid când o persoană este în apropiere și reluarea autonomă a activității doar după eliberarea zonei. Compania anunță și introducerea unui benchmark care evaluează capacitatea unui model de bază de a acționa ca orchestrator VLA „sigur”, inclusiv prin impunerea constrângerilor de siguranță, monitorizarea mediului, evaluarea fezabilității fizice și solicitarea de clarificări umane. Ce urmează Google spune că intenționează să împingă aceste modele către sarcini și mai complexe, cu obiectivul de a accelera dezvoltarea roboților „utili” și de a sprijini comunitatea de robotică. Pentru detalii tehnice, compania trimite la pagina de model: Gemini Robotics ER 2 și la contextul versiunii anterioare: Gemini Robotics ER 1.6 . [...]
Comisia Europeană a deschis licitația pentru până la șapte „gigafabrici” de inteligență artificială, dar finanțarea publică este încă în mare parte neasigurată , ceea ce pune sub semnul întrebării calendarul și capacitatea UE de a recupera rapid decalajul față de SUA și China, potrivit The Next Web . Inițiativa este prezentată ca un efort de circa 30 miliarde euro, construit pe un parteneriat public-privat: aproximativ 10 miliarde euro ar urma să vină de la Bruxelles și statele membre, iar restul de 20 miliarde euro de la investitori privați, pe ideea că banii publici pot „atrage” capitalul necesar proiectelor. Ce se cumpără, concret: putere de calcul la scară mare Fiecare „gigafabrică” ar urma să găzduiască cel puțin 100.000 de cipuri avansate pentru AI, ceea ce ar face-o de circa patru ori mai puternică decât cele mai mari centre de date care operează în prezent în UE. Împreună, cele până la șapte unități ar urma să dubleze (și chiar să depășească) capacitatea de calcul pentru AI a blocului comunitar. Comisia diferențiază aceste proiecte de rețeaua existentă de 19 „fabrici AI” mai mici, atașate supercomputerelor europene: noile amplasamente sunt gândite „cu un ordin de mărime” mai mari, pentru antrenarea modelelor de vârf (frontier models) pe care, în prezent, doar câteva laboratoare din SUA și China și le permit. Miza economică: UE încearcă să reducă dependența de „compute” închiriat Rațiunea proiectului este una competitivă: companiile europene ajung să închirieze putere de calcul (compute) de la furnizori americani de cloud, în timp ce SUA și China investesc masiv în infrastructură. Henna Virkkunen, responsabilă în Comisie pentru „suveranitatea tehnologică”, numește această scară de calcul „o necesitate strategică”. Interesul de piață există: o rundă anterioară de exprimare a interesului a strâns 76 de răspunsuri din partea unor consorții din Europa, iar zece țări – inclusiv Germania, Franța, Italia, Spania și Polonia – s-au poziționat ca potențiale gazde. Franța a semnalat deja că ar putea merge pe cont propriu. Problema-cheie: banii publici sunt, deocamdată, mai mult „intenție” Deși proiectul este prezentat ca având o componentă publică de circa 10 miliarde euro, doar aproximativ 1 miliard euro din partea Bruxelles-ului este efectiv angajat, restul depinzând de următorul buget multianual al UE (Multiannual Financial Framework), care nu este încă agreat. Un oficial de rang înalt a spus explicit că suma este o „cea mai bună estimare” a ceea ce ar putea fi disponibil, nu bani deja alocați: „Nu putem anticipa deciziile privind următorul MFF.” Această incertitudine intră în conflict cu un calendar ambițios: construcția ar trebui să înceapă la începutul lui 2027, iar primele „gigafabrici” să devină operaționale la mijlocul lui 2028. Riscuri operaționale: întârzieri, energie scumpă și dependență de cipuri americane Planul a fost lansat inițial la începutul lui 2025 și „a alunecat” de mai multe ori, ceea ce sugerează prudență în privința termenelor. În plus, există două constrângeri structurale: Lanțul de aprovizionare cu cipuri : cipurile ar urma să vină în principal de la Nvidia, AMD și Qualcomm – companii americane – ceea ce complică mesajul de „independență”. Costul energiei : electricitatea în Europa este de două până la trei ori mai scumpă decât în SUA sau China, iar alimentarea centrelor de date este deja un factor limitativ. Criticii citați de publicație pun sub semnul întrebării modelul, argumentând că închirierea unei capacități „suverane” construită pe hardware străin poate crea doar o aparență de independență și că decalajul real al Europei este la nivel de cipuri și modele, nu de clădiri. Comisia susține, însă, că infrastructura este un început: finanțatorii publici ar urma să primească o cotă proporțională din puterea de calcul pentru cercetare și proiecte publice, iar pariul este că infrastructura va atrage ulterior talent, startup-uri și, în timp, investiții în producția de cipuri. În acest moment, licitația este deschisă, dar „pachetul” de 30 miliarde euro rămâne în bună măsură o ambiție: UE a anunțat ținta, însă a securizat până acum doar o fracțiune din finanțarea publică necesară. [...]
China încearcă să câștige influență în stabilirea standardelor globale de guvernanță AI , folosind impulsul creat de deschiderea (open-source) a modelului „ Kimi K3 ”, într-un context în care reguli internaționale unitare pentru distilarea modelelor, drepturi de proprietate intelectuală și trasabilitatea datelor de antrenare încă lipsesc, potrivit CNMO , care citează o analiză a ZDNET Korea. Miza este una de reglementare și de putere instituțională: dacă un set de practici și criterii tehnice ajunge să fie acceptat ca „standard” în arbitraje, dispute comerciale și evaluări de siguranță, țara care le-a împins în față își poate extinde influența asupra modului în care sunt construite și folosite sistemele AI la nivel internațional. De ce contează: distilarea modelelor rămâne zona cea mai disputată Analiza citată indică drept cel mai controversat domeniu „distilarea” (o tehnică prin care ieșirile unui model AI performant sunt folosite pentru a antrena un model mai mic și mai eficient). Disputa nu este doar tehnică, ci și juridică și comercială: unde se termină utilizarea legitimă a rezultatelor unui model concurent și unde începe încălcarea drepturilor asupra „rezultatelor” acelui model; dacă un model obținut prin distilare poate fi considerat „tehnologie proprie”; diferențe de poziție între companii și guverne privind limitele acceptabile ale acestei practici. În plus, nu există încă o metodă tehnică acceptată pe scară largă pentru a verifica dacă un model a fost antrenat prin distilare. Dacă dezvoltatorul nu publică procesul de antrenare și compoziția datelor, devine dificil de urmărit originea tehnologică, iar la nivel global nu există un standard unic de evaluare. Ce propun instituțiile din China: trasabilitate și „sisteme de verificare” înaintea regulilor finale Shanghai Zhangjiang Platform Economy Research Institute recomandă dezvoltarea de tehnologii care să permită trasabilitatea (urmărirea) sursei modelului și a datelor de antrenare și folosirea lor atât în soluționarea disputelor internaționale, cât și în munca de standardizare. Instituția susține că, atâta timp cât nu sunt clarificate: aria de licențiere permisă pentru distilare, proprietatea asupra rezultatelor AI, criteriile de stabilire a originii tehnice, ar trebui prioritizată construirea unui sistem de verificare. Efectul urmărit: extinderea influenței prin licențe, evaluări de siguranță și verificarea originii Potrivit analizei citate, promovarea accelerată a normelor ar avea ca obiectiv și sprijinirea exportului „modelului” chinez prin influență instituțională. Pe măsură ce tot mai mulți dezvoltatori și companii folosesc modele mari open-source din China, stabilirea timpurie a unor standarde privind licențierea, evaluarea de siguranță și verificarea originii tehnice ar putea crește ponderea Chinei în discuțiile internaționale despre guvernanța AI și ar muta competiția dincolo de performanța tehnică, către regulile sistemului. Un punct de vedere din industrie, redat de sursă, sintetizează logica acestei curse: „În competiția globală pentru guvernanța inteligenței artificiale, cine poate acționa primul și poate stabili reguli mai complete va deține controlul. Competiția de a transforma realizările tehnologice naționale în sisteme și standarde acceptate internațional va deveni tot mai intensă.” [...]
