Știri
Știri din categoria Inteligență artificială
China ar fi la doar „câteva luni” în urma Occidentului la modelele AI, potrivit CNBC, care citează declarațiile lui Demis Hassabis, CEO Google DeepMind, făcute într-un interviu pentru noul podcast al publicației, „The Tech Download”.
Hassabis, care conduce unul dintre cele mai influente laboratoare de inteligență artificială și este asociat direct cu dezvoltarea asistentului Gemini al Google, spune că evaluarea sa contrazice percepția potrivit căreia China ar fi rămas mult în urmă. În podcast, el a afirmat că modelele chinezești sunt mai aproape de capabilitățile din SUA și din Vest „decât poate credeam acum unul sau doi ani”.
„Poate că sunt doar cu câteva luni în urmă în acest moment.”
CNBC amintește că, în urmă cu aproximativ un an, laboratorul chinez DeepSeek a lansat un model care a produs reacții puternice în piețe, prin performanțe obținute cu cipuri mai puțin avansate și la costuri mai mici decât alternativele americane. De atunci, DeepSeek a mai lansat modele, iar „factorul de șoc” s-a estompat, însă dinamica lansărilor a continuat.
În același timp, giganți precum Alibaba, dar și companii mai mici precum Moonshot AI și Zhipu, au prezentat modele considerate „foarte capabile”, potrivit relatării CNBC. Mesajul de fond: ecosistemul chinez a redus rapid diferența la nivel de produse și performanță percepută.
Hassabis a nuanțat însă ideea de „apropiere” de Occident, spunând că firmele chineze nu au demonstrat încă abilitatea de a produce descoperiri care să împingă înainte „frontiera” tehnologică, nu doar să o ajungă din urmă. El a dat ca exemplu „transformerul”, arhitectura publicată de cercetători Google în 2017, care stă la baza modelelor lingvistice mari folosite astăzi în produse precum ChatGPT (OpenAI) și Gemini (Google).
În opinia sa, întrebarea esențială este dacă actorii din China pot veni cu o inovație fundamentală „dincolo de frontieră”, nu doar cu optimizări și replicări ale direcțiilor deja validate. Hassabis a sugerat că, până acum, această dovadă nu a apărut.
Un obstacol major rămâne accesul la tehnologie critică, în special la semiconductori de ultimă generație necesari pentru antrenarea modelelor avansate, în contextul restricțiilor de export impuse de SUA pentru cipurile Nvidia. CNBC notează că Casa Albă ar fi indicat că ar aproba vânzări către China pentru cipul Nvidia H200, dar acesta nu este vârful de gamă al companiei.
Producători locali, precum Huawei, încearcă să acopere deficitul, însă performanța ar fi în continuare sub oferta Nvidia, conform articolului. Pe termen mai lung, unii analiști consideră că lipsa accesului la cele mai performante cipuri ar putea duce la lărgirea diferenței dintre modelele americane și cele chineze.
CNBC îl citează și pe Jensen Huang, CEO Nvidia, care a spus anul trecut că SUA „nu sunt cu mult în față” în cursa AI, indicând că China stă bine la infrastructură și modele, în timp ce SUA ar avea avantajul clar la cipuri. În paralel, un manager de portofoliu de la Janus Henderson, Richard Clode, a declarat pentru CNBC că se așteaptă la o „divergență” în anii următori, pe măsură ce infrastructura superioară din SUA va permite iterații mai rapide și modele mai capabile.
Articolul menționează și o recunoaștere a dificultăților din partea Alibaba: Lin Junyang, lider tehnic al echipei Qwen, ar fi spus la o conferință de la Beijing că există sub 20% șanse ca o companie chineză să depășească giganții americani în următorii trei-cinci ani, potrivit South China Morning Post, citat de CNBC, invocând și diferențe mari de infrastructură de calcul.
Hassabis a pus lipsa unor „descoperiri de frontieră” mai degrabă pe seama „mentalității” decât a restricțiilor tehnologice, comparând DeepMind cu „un Bell Labs modern”, orientat spre „inovație exploratorie”, nu doar spre extinderea a ceea ce este deja cunoscut. În același timp, el a recunoscut că pentru acest tip de progres este necesară inginerie de clasă mondială, iar „China are cu siguranță asta”, potrivit CNBC.
În context, CNBC reamintește că DeepMind, fondată de Hassabis și cumpărată de Google în 2014, este un motor important pentru produsele AI ale Alphabet, inclusiv Gemini. În noiembrie, Google a introdus Gemini 3, cel mai recent model al companiei, într-un moment în care grupul încearcă să reducă percepția că ar rămâne în urma rivalilor, precum OpenAI.
Recomandate
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 . [...]
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.” [...]
Armata SUA a epuizat în doar o lună bugetul anual pentru utilizarea modelelor generative de limbaj , după ce conducerea a împins personalul să folosească intensiv aceste instrumente pentru sarcini de birou, potrivit WinFuture . Consecința imediată: au fost introduse plafoane stricte de utilizare, semn că „costul pe token” (unitate de text procesată de un model) poate scăpa rapid de sub control în organizații mari. De ce contează: costurile operaționale ale „tokenilor” pot exploda rapid La mijlocul lunii iunie 2026, Armata SUA a anunțat intern, prin e-mail, limitări ferme pentru folosirea inteligenței artificiale, după ce bugetul anual destinat așa-numiților „tokeni” a fost consumat într-o singură lună. În mai, personalul fusese încurajat să utilizeze intens modele generative. Platforma centrală folosită este Ask Sage , descrisă ca un mediu securizat care oferă acces la modele cunoscute, inclusiv ChatGPT (OpenAI), Gemini (Alphabet) și Llama (Meta). Utilizarea este în principal administrativă: rescrierea fișelor de post sau procesarea cererilor de achiziții. Cum s-a ajuns la plafonare: stimulente agresive și reumplere automată Potrivit revistei Wired (citată de WinFuture) – Wired – angajații au primit inițial un contingent lunar de 200.000 de tokeni, iar un token înseamnă aproximativ patru caractere de text. Când cineva atingea limita, primea automat tokeni suplimentari. În plus, utilizatorii inactivi erau notificați și îndemnați să folosească instrumentele. Efectul cumulat a fost consumarea rapidă a 100 de milioane de tokeni. Beneficii administrative, dar și îndoieli privind acuratețea Conducerea militară indică o adopție ridicată a noilor instrumente, însă în rândul angajaților cresc rezervele legate de fiabilitate. Conform articolului, modelele pot fi inexacte în sarcini specifice și, uneori, pot susține în mod eronat că au finalizat deja comenzi de lucru, ceea ce alimentează temeri că o utilizare „pe pilot automat” nu duce la o integrare de încredere în instituții federale. Automatizarea continuă, în ciuda limitelor În paralel cu plafonarea consumului de tokeni, Departamentul Apărării continuă să împingă automatizarea. WinFuture menționează o reducere de personal într-un centru pentru protecția civililor, urmând ca o aplicație software să evalueze riscul victimelor civile în zone de conflict. Ca reper al „apetitului” de date, articolul amintește și un episod anterior: într-o operațiune din Iran ar fi fost consumate 20 de miliarde de tokeni pe zi. Nu e doar o problemă militară Fenomenul bugetelor epuizate rapid apare și în companii de tehnologie: WinFuture notează că Meta și Uber se confruntă cu situații în care dezvoltatorii consumă repede bugetele alocate pentru AI generativă. În cazul Meta, compania ar fi eliminat clasamentele interne de utilizare și ar analiza introducerea unor limite mai stricte pentru a ține sub control costurile. [...]
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 . [...]
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. [...]
Google extinde generarea de muzică cu IA în Flow Music prin lansarea Lyria 3.5 , un model care aduce utilizatorilor mai mult control asupra rezultatului (inclusiv tempo și durată) și promite îmbunătățiri la nivel de muzicalitate, versuri și voci, potrivit Google Blog . Actualizarea este disponibilă „de astăzi” în Google Flow Music , ceea ce mută accentul de pe simple demonstrații de tehnologie pe utilizare practică, direct într-un produs. Ce se schimbă, concret, în Flow Music Google spune că Lyria 3.5 aduce patru direcții principale de îmbunătățire: Muzicalitate îmbunătățită : modelul ar genera structuri melodice mai bogate și mai complexe, cu un sunet mai natural. Versuri mai bune : calitatea versurilor ar crește, cu o respectare mai bună a instrucțiunilor din prompt (cererea utilizatorului) și cu „conștientizare” mai bună a structurii. Voci îmbunătățite : vocile ar fi mai realiste și mai nuanțate emoțional, cu pronunție mai bună. Control creativ : utilizatorii pot controla mai ușor tempo-ul și durata rezultatelor generate. De ce contează pentru utilizatori și pentru produs Dincolo de promisiunea unei calități mai bune, elementul cu impact operațional este controlul mai fin asupra parametrilor (tempo și durată), care poate reduce numărul de iterații necesare până la un rezultat utilizabil. Google poziționează lansarea ca o extindere a capacității de a crea „piese mai bogate”, direct în Flow Music, unde utilizatorii pot testa modelul imediat. Google nu oferă, în materialul citat, detalii despre disponibilitate pe regiuni, prețuri sau condiții comerciale pentru accesul la Flow Music. [...]
