Știri
Știri din categoria Inteligență artificială
Apple își păstrează cheltuielile de capital pentru centre de date la un nivel neobișnuit de redus, dar criza DRAM și constrângerile de aprovizionare riscă să-i erodeze cererea, ceea ce împinge compania spre o nouă „foaie de parcurs” AI axată pe servicii recurente, potrivit unei analize publicate de Wccftech.
În timp ce „hiperscalerii” (giganții cloud care operează infrastructuri proprii la scară foarte mare) investesc masiv în extinderea și modernizarea centrelor de date pentru a ține pasul cu cererea de inteligență artificială, Apple ar beneficia de un model hibrid: folosește atât servere proprii, cât și parteneri externi de cloud, inclusiv Google. Această abordare ar reduce presiunea investițiilor obligatorii în infrastructură.
Un indicator invocat în material: cheltuielile de capital ale Apple pe ultimele nouă luni ar fi scăzut cu 28%, la 6,8 miliarde de dolari (aprox. 31 mld. lei), conform analistului Seung-hyuk Kim de la KIWOOM Securities. În paralel, publicația notează că Apple a reușit să genereze „peste 100 de miliarde de dolari într-un trimestru”, pe fondul penuriei din lanțul de aprovizionare.
Analistul citat avertizează însă că limitările de ofertă și costurile memoriei încep să se acumuleze. Ca exemplu, Wccftech menționează că MacBook Neo ar fi înregistrat în 2026 o scădere a volumelor cu 40%, pe fondul lipsei de cipuri A18 Pro. Aceeași problemă ar urma să se extindă și la viitoarele iPhone 18 Pro și iPhone 18 Pro Max, în contextul în care „lichiditatea” nu rezolvă automat blocajele de producție și aprovizionare.
În acest cadru, creșterea costurilor DRAM (memorie RAM de tip „dynamic random-access memory”, folosită pe scară largă în dispozitive) ar putea reduce cererea, ceea ce transformă problema într-una comercială, nu doar tehnică.
Soluția propusă în analiză este accelerarea unei strategii AI care să susțină simultan:
În acest sens, integrarea AI în Siri este descrisă ca „prioritară”, inclusiv prin posibile pachete cu iCloud+ și niveluri de preț diferențiate în funcție de puterea de calcul necesară utilizatorilor.
Materialul notează și o încetinire în Servicii: divizia ar fi generat 30,74 miliarde de dolari (aprox. 141 mld. lei), sub așteptările analiștilor și ușor sub cele 31 miliarde de dolari din T2 2026, ceea ce ar fi pus capăt unei serii de 14 trimestre de creștere.
Wccftech mai arată că „criza DRAM” este așteptată să continue până în 2028, iar Apple ar fi început să se adapteze prin instrumente comerciale precum un program de leasing: utilizatorii ar putea economisi 547 dolari (aprox. 2.500 lei) din 1.099 dolari (aprox. 5.000 lei) la upgrade-ul la un iPhone 17 Pro pentru 12 luni, urmând ca apoi să returneze telefonul și să înceapă un nou leasing pentru iPhone 18 Pro.
În esență, analiza sugerează că avantajul Apple de a evita cheltuieli masive cu centrele de date nu elimină riscul principal pe termen mediu: dacă memoria și componentele rămân scumpe sau insuficiente, compania are nevoie de o strategie AI care să monetizeze mai bine serviciile și să mențină ritmul de înlocuire a dispozitivelor.
Recomandate
Amazon își monetizează cipurile AI la un ritm anual de circa 25 mld. dolari (aprox. 114 mld. lei), crescând presiunea pe dominația Nvidia în infrastructura pentru inteligență artificială , potrivit Mediafax . Indicatorul a fost comunicat odată cu prezentarea rezultatelor financiare și sugerează accelerarea cererii pentru capacități de calcul dedicate AI. Miza economică este dublă: pe de o parte, Amazon își transformă investițiile în proiectarea de procesoare într-o linie de venituri semnificativă în interiorul AWS; pe de altă parte, apariția unui furnizor alternativ la scară mare poate schimba raportul de forțe într-o piață în care Nvidia a devenit, în ultimii ani, principalul furnizor de cipuri de înaltă performanță pentru AI. De ce contează pentru AWS și pentru costurile clienților Amazon a ales să își proiecteze propriile cipuri pentru a reduce costurile și pentru a depinde mai puțin de furnizori externi, în contextul în care dezvoltarea și utilizarea modelelor de inteligență artificială implică investiții mari în infrastructură. Prin AWS, companiile închiriază putere de calcul, spațiu de stocare și infrastructură pentru aplicații, fără să își construiască propriile centre de date. Compania susține că procesoarele sale oferă costuri mai mici și eficiență mai bună pentru multe aplicații de cloud și AI, ceea ce devine relevant pe fondul creșterii „explozive” a cererii pentru procesoare performante. Ce cipuri dezvoltă Amazon și la ce sunt folosite Amazon are mai multe familii de cipuri, cu roluri distincte: Graviton : pentru sarcini obișnuite în centrele de date, înlocuind în multe cazuri procesoare de la Intel și AMD. Trainium : pentru antrenarea modelelor AI (etapa în care sistemele „învață” din volume mari de date). Inferentia : pentru rularea modelelor după antrenare (de exemplu, răspunsurile unui chatbot sau generarea de imagini). Presiune crescândă pe Nvidia: „giganții cloud” își fac propriul hardware Creșterea diviziei de cipuri a Amazon este prezentată ca un semnal că infrastructura AI intră într-o etapă în care marii furnizori de cloud concurează nu doar prin servicii software, ci și prin tehnologia hardware proiectată pentru propriile centre de date. În același context, Microsoft investește în cipurile Maia și Cobalt, iar Google dezvoltă de mai mulți ani procesoarele TPU . Chiar dacă Nvidia rămâne liderul pieței de acceleratoare AI, direcția indicată de Amazon sugerează o încercare a marilor platforme de a reduce dependența de un singur furnizor și de a oferi alternative clienților care construiesc aplicații bazate pe inteligență artificială. [...]
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. [...]
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. Pariul se mută pe „Frontier Model Research” și un debut așteptat la re:Invent 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. Ce rămâne din Nova și ce se închide Nova nu dispare complet. Amazon ar păstra în portofoliu: Nova 2 Lite Nova 2 Sonic serviciul de personalizare Nova Forge instrumentul de agenți Nova Act În paralel, site-ul AGI din San Francisco – un grup de cercetare de 80 de persoane – a fost închis, potrivit GeekWire. De ce contează: Amazon își joacă diferențiatorul pe infrastructură, nu pe „brandul” de model 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. [...]
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 . [...]
