Știri
Știri din categoria Inteligență artificială
AI-ul comprimă ritmul schimbării mai repede decât pot reacționa instituțiile, iar pentru România riscul imediat este să ajungă dependentă de infrastructură și modele dezvoltate în afara țării, cu efecte directe asupra capacității statului de a guverna și a economiei de a concura, potrivit unei analize publicate de Digi24.
Textul argumentează că „suveranitatea” în secolul XXI nu mai înseamnă doar control teritorial, ci controlul fluxurilor critice: date, energie, capital, semiconductori, modele de inteligență artificială, lanțuri logistice și securitate cibernetică. Miza devine capacitatea de a procesa informația și de a o transforma rapid în decizie și „capacitate materială” (infrastructură, producție, apărare, servicii publice).
Analiza descrie o ruptură între viteza adaptării tehnologice și viteza adaptării instituționale. În timp ce instituțiile se schimbă în ani sau decenii, platformele digitale își pot ajusta algoritmii în ore, iar un model AI poate fi reantrenat și distribuit global înainte ca un parlament să finalizeze audieri. Consecința, în logica autorului, este un „decalaj esențial”: tehnologia ajunge să proceseze realitatea mai repede decât o poate înțelege și guverna democrația, care rămâne „analogică”, birocratică și construită pentru alte cicluri.
Un punct central este că AI-ul nu ar trebui tratat ca o unealtă pe care o „deschizi și o închizi”, ci ca un mediu – un strat operațional care va intra în educație, administrație, apărare, sănătate, justiție, finanțe, presă și viața privată. În acest context, întrebările relevante devin operaționale și economice: cine proiectează, controlează, auditează, alimentează și plătește aceste sisteme.
Pentru România și Europa, analiza pune problema unei alegeri strategice: utilizatori ai sistemelor altora sau constructori de capacități proprii. Dependența, avertizează autorul, poate lua forma „lipsei alternativelor”: administrații care rulează pe infrastructură străină, companii care nu pot concura fără modele externe, armate care cumpără sisteme pe care nu le pot repara, cetățeni într-un spațiu informațional filtrat de algoritmi neverificabili.
În locul unui „stat-algoritm” (riscant) sau al unui „stat-dosar” (ineficient), textul propune ideea de „stat-platformă”, definit ca infrastructură publică deschisă, interoperabilă, auditată și transparentă, capabilă să integreze inovația fără pierderea controlului democratic. Sunt enumerate câteva componente: date publice „curate”, identitate digitală funcțională, sisteme interoperabile, audit algoritmic și competență tehnologică în instituții, plus parteneriate între stat, universități și industrie.
Separat, analiza avertizează că democrația poate fi atacată nu doar prin minciună, ci prin „supraîncărcare” informațională, într-un mediu în care AI poate produce limbaj la scară industrială. În această logică, alfabetizarea digitală devine infrastructură de securitate națională, iar presa independentă – parte din mecanismul de verificare a realității.
Un alt element cu implicații economice este insistența că AI nu este „pură informație”, ci are nevoie de materie: energie, servere, cabluri, sateliți, apă pentru răcire și capacitate industrială. De aici rezultă că discuția despre AI nu poate fi separată de energie, apărare, industrie și autonomie strategică.
Pentru România, concluzia analizei este că intrarea în epoca AI nu poate fi redusă la achiziții „la cheie” sau la cumpărarea de licențe sub eticheta digitalizării. Autorul susține că fondurile europene, investițiile în apărare, reconstrucția industrială, educația tehnică, cercetarea aplicată și infrastructura digitală ar trebui gândite împreună, ca strategie de supraviețuire într-o competiție între societăți.
În final, textul plasează miza în capacitatea de a orienta evoluția tehnologică prin instituții și reguli: AI va amplifica ceva, iar întrebarea este dacă amplifică democrația și autonomia sau manipularea și dependența. Limitarea importantă: analiza nu propune un calendar sau măsuri legislative concrete, ci trasează un cadru de risc și direcții generale de acțiune pentru stat și economie.
Recomandate
Google extinde global o funcție de organizare automată în Drive, bazată pe inteligență artificială , ceea ce poate reduce timpul pierdut de utilizatori și companii cu sortarea manuală a documentelor și poate schimba modul în care sunt administrate arhivele digitale în Google Workspace, potrivit Android Headlines . Funcția se numește „ Organize My Files ” și folosește inteligența artificială pentru a propune organizarea fișierelor din Google Drive . Publicația notează că disponibilitatea este „globală”, ceea ce indică o extindere dincolo de testări sau lansări limitate. Ce se schimbă, operațional, pentru utilizatori Miza practică a funcției este automatizarea unei activități repetitive: ordonarea fișierelor în foldere și menținerea unei structuri coerente în Drive. În mediul de business, unde volumele de documente cresc rapid și sunt gestionate de echipe, o astfel de automatizare poate însemna: mai puțin timp alocat „curățeniei” în Drive; o structură de foldere mai uniformă între utilizatori; acces mai rapid la documente, dacă recomandările sunt aplicate consecvent. Android Headlines nu detaliază în fragmentul disponibil condițiile exacte de activare, tipurile de conturi vizate sau dacă există limitări (de exemplu, doar pentru anumite planuri Google Workspace). În lipsa acestor precizări, rămâne neclar dacă funcția ajunge simultan la toți utilizatorii și în ce ritm se face distribuirea. De ce contează pentru companii Dincolo de confortul individual, organizarea documentelor are impact direct asupra productivității și asupra riscului operațional (documente „pierdute”, versiuni paralele, acces greșit). O funcție de organizare asistată de inteligență artificială poate deveni relevantă mai ales pentru: echipe cu fluxuri mari de fișiere (vânzări, juridic, HR, proiecte); organizații care folosesc Drive ca depozit principal de documente; companii care încearcă să standardizeze nomenclatoare și structuri de foldere. Ce urmează, în practică, este ca utilizatorii să vadă cum se integrează „Organize My Files” în rutina de lucru și cât de predictibile sunt recomandările. Dacă funcția este adoptată pe scară largă, poate împinge și mai mult administrarea documentelor spre „asistență” automată, nu doar stocare. [...]
Comisia Europeană pregătește noi intervenții cu impact direct asupra companiilor din AI și semiconductori , printr-un „Pachet european privind suveranitatea tehnologică” care vizează consolidarea capacității UE în domenii considerate strategice, potrivit Profit . Pachetul este prezentat ca un set de măsuri menit să întărească poziția Europei nu doar în producția și lanțurile de aprovizionare pentru semiconductori, ci și în zona de inteligență artificială , infrastructură de tip cloud (servicii de calcul și stocare livrate prin internet) și tehnologii cu sursă deschisă (software al cărui cod poate fi utilizat și modificat). Ce urmărește pachetul și de ce contează pentru mediul de afaceri Din perspectiva impactului de reglementare și a politicilor industriale, direcția indicată de Comisie sugerează o accelerare a inițiativelor prin care UE încearcă să reducă dependențele tehnologice externe în sectoare-cheie. Pentru companii, miza este dublă: pe de o parte, pot apărea noi condiții și priorități în accesul la proiecte și finanțări europene; pe de altă parte, se conturează o presiune mai mare pentru localizarea capacităților și adoptarea unor standarde europene în infrastructuri critice. Domeniile vizate Conform informațiilor publicate, pachetul acoperă patru arii principale: semiconductori; inteligență artificială (AI); tehnologie de tip cloud; surse deschise. Articolul sursă nu include, în fragmentul disponibil, detalii despre calendar, instrumente concrete (de exemplu, scheme de finanțare sau obligații specifice) ori praguri de aplicare, astfel că amploarea efectelor pentru companii rămâne, deocamdată, de confirmat pe baza documentelor complete ale Comisiei. [...]
Google ar fi început să plătească dezvoltatori din Play Store pentru acces la codul aplicațiilor , într-un program „confidențial” care ar alimenta antrenarea modelelor sale de inteligență artificială și, implicit, ar putea schimba regulile economice ale relației dintre platformă și ecosistemul de dezvoltatori, potrivit 9to5Google . Informația provine dintr-un material 404 Media , care susține că Google derulează un „confidential content offer pilot” prin care încearcă să cumpere cod de aplicații Android de la dezvoltatori prezenți în Google Play, cu scopul de a-și antrena modelele AI. În e-mailurile trimise către dezvoltatori, Google ar prezenta inițiativa ca pe o oportunitate de „a genera venituri suplimentare” din aplicațiile lor. Ce cumpără Google și cum își justifică programul Potrivit relatării, Google le-ar cere dezvoltatorilor „cod de calitate, din lumea reală”, inclusiv: codul aflat în producție, care „alimentează” aplicația curentă; arhive cu prototipuri și proiecte secundare care nu mai sunt folosite. În e-mail, compania ar spune că acest cod este utilizat „pentru a ajuta la îmbunătățirea instrumentelor și produselor Google pentru dezvoltatori”. Mesajul ar include un link către o pagină despre „parteneriate pentru a îmbunătăți produsele AI” (pagina Google: Google AI ), însă e-mailul „aparent nu menționează AI deloc”, notează sursa citată de publicație. De ce contează: codul aplicațiilor, un activ „privat” care devine monetizabil Miza operațională și economică este că Google ar trata explicit codul aplicațiilor ca pe un activ cu valoare separată de distribuția prin Play Store, oferind bani pentru acces la el. Spre deosebire de conținutul public de pe internet, folosit frecvent la antrenarea modelelor AI fără plăți directe către autori, codul aplicațiilor Android este, în mod obișnuit, privat și nu este publicat integral online. În acest context, plata pentru cod ar putea deveni un precedent important: dacă programul se extinde, dezvoltatorii ar putea avea o nouă sursă de venit, iar Google ar obține date de antrenare mai relevante pentru instrumente de programare și produse dedicate dezvoltării de aplicații. Ce știm și ce rămâne neclar Din informațiile prezentate nu reiese: câți dezvoltatori au fost contactați sau au acceptat; ce sume sunt oferite; ce condiții de confidențialitate și ce drepturi de utilizare asupra codului ar primi Google. Programul este descris ca „pilot” și „confidențial”, ceea ce sugerează că amploarea și forma finală pot suferi modificări. Pentru moment, relatarea indică mai ales direcția: Google ar încerca să își îmbunătățească produsele pentru dezvoltatori folosind cod real, obținut prin acorduri plătite. [...]
NVIDIA mizează pe „antrenarea la scară” pentru a reduce costurile și timpul de dezvoltare în robotică, conducere autonomă și agenți virtuali, prin modele care generalizează mai bine și rulează mai eficient pe hardware-ul din teren, potrivit NVIDIA , într-o prezentare a trei lucrări de cercetare la conferința CVPR 2026 . Ideea comună a celor trei lucrări este că volume foarte mari de date (în special din simulare) și arhitecturi optimizate pot elimina cicluri repetate de antrenare și pot face sistemele mai aplicabile „din cutie” în contexte variate — un punct cu impact operațional direct pentru companiile care dezvoltă roboți sau sisteme autonome. GraspGen-X: prindere „zero-shot” pentru grippere diferite, fără reantrenare pe fiecare configurație NVIDIA prezintă GraspGen-X , descris ca primul „model fundamental” (foundation model) pentru prindere robotică „zero-shot” — adică poate propune poziții de prindere pentru obiecte și grippere pe care nu le-a mai văzut, fără a fi reantrenat pentru fiecare tip de clește. În mod uzual, arată compania, sistemele de prindere sunt specializate: o politică de control (policy) antrenată pentru un gripper cu două degete nu se transferă automat la un gripper multi-degete, ceea ce obligă la colectare de date, ajustări (fine-tuning) și validare pentru fiecare „întrupare” (embodiment) nouă. GraspGen-X încearcă să elimine acest blocaj prin antrenare pe un set masiv de date: cercetătorii au generat 2 miliarde de prinderi simulate , acoperind mii de forme de obiecte și configurații sintetice de grippere. Modelul poate fi folosit împreună cu curoboV2 , o bibliotecă de planificare a mișcării accelerată cu CUDA, pentru a executa prinderile în medii necunoscute. NVIDIA indică și o continuare a lanțului tehnologic, prin lucrarea „Grasp-MPC”, prezentată la ICRA 2026 (link în sursă). LCDrive: raționament mai rapid pentru mașini autonome, cu mai puține „tokenuri” A doua lucrare, LCDrive, vizează o limitare practică a raționamentului de tip „chain-of-thought” (pași intermediari de gândire): în varianta bazată pe text, fiecare cuvânt generat înseamnă „tokenuri” care consumă timp de calcul, iar în mașină tokenurile devin o constrângere de latență. Soluția propusă este înlocuirea raționamentului în limbaj natural cu reprezentări latente compacte (un spațiu intern de stări care comprimă informația), astfel încât sistemul să „gândească” în stări care surprind informație spațială, nu în propoziții. Arhitectura alternează între propunerea de acțiuni candidate și predicția felului în care va arăta lumea dacă acele acțiuni sunt executate, într-o buclă de rafinare. NVIDIA susține că rezultatul este o calitate comparabilă a traiectoriei față de raționamentul bazat pe text, folosind aproximativ jumătate din tokenuri . Modelul este construit pe NVIDIA Alpamayo și antrenat cu supervizare derivată din date existente de vehicule. NitroGen: antrenarea agenților „întrupați” în jocuri, la volum mare de interacțiuni A treia lucrare, NitroGen, extinde principiul din NVIDIA Isaac GR00T (model fundamental deschis pentru roboți umanoizi) către medii virtuale, folosind jocurile video ca teren de antrenament: lumi structurate, variate, cu obiective și condiții de succes bine definite. NVIDIA afirmă că NitroGen a fost antrenat pe peste 1.000 de jocuri și 40.000 de ore de interacțiune , iar agenții rezultați au fost evaluați pe mai multe genuri (de la action RPG la platformere și jocuri open-world), demonstrând comportamente precum luptă, navigație și explorare. În condiții cu puține date (când agentul vede doar câteva exemple dintr-un mediu nou), pornirea de la NitroGen ar îmbunătăți performanța cu până la 52% față de metodele anterioare de vârf, potrivit companiei. Modelul este disponibil ca open-source pe GitHub și pe Hugging Face . De ce contează pentru industrie: mai puține cicluri de antrenare, latență mai mică, generalizare mai bună Mesajul operațional al pachetului de cercetări este reducerea „fricțiunii” de implementare: de la eliminarea reantrenării pentru fiecare gripper (GraspGen-X), la raționament mai rapid pe hardware-ul din vehicul (LCDrive), până la pre-antrenarea agenților în medii virtuale diverse înainte de contactul cu lumea reală (NitroGen). NVIDIA mai indică faptul că a prezentat la CVPR și „noi abilități” pentru agenți de „AI fizic” (physical AI) menite să accelereze dezvoltarea de vehicule autonome, roboți și sisteme de viziune, cu detalii suplimentare într-un material separat (link în sursă). [...]
NVIDIA pune la dispoziția cercetătorilor „skill-uri” pentru agenți AI, ca să reducă timpul și fragmentarea din fluxurile de lucru pentru vehicule autonome, roboți și sisteme de viziune. Potrivit NVIDIA , la CVPR compania a prezentat un set de „physical AI agent skills” (capabilități reutilizabile pentru agenți software care automatizează pași de cercetare) menite să lege într-un flux unitar etape care, în mod obișnuit, sunt împărțite între instrumente diferite: reconstrucția scenelor, generarea de scenarii rare, antrenarea politicilor, evaluarea comportamentului și iterarea rapidă. De ce contează: cercetarea „physical AI” e încetinită de integrare, nu doar de modele Mesajul central este operațional: problema majoră în „physical AI” (AI care interacționează cu lumea fizică prin percepție și acțiune) nu este doar obținerea unor modele mai puternice, ci construirea unui flux complet în jurul lor. NVIDIA susține că noile skill-uri, împreună cu biblioteci și cadre de simulare, urmăresc să reducă munca de „cusut” instrumente și să accelereze experimentarea. În acest context, compania amintește și anunțul din această săptămână privind NVIDIA Cosmos 3 , descris ca un „foundation model” pentru physical AI, care unifică raționamentul vizual, generarea de lumi și generarea de acțiuni. Skill-urile sunt poziționate ca un strat care ajută la trecerea de la capabilități de model la fluxuri de lucru scalabile, end-to-end. Vehicule autonome: simulare repetabilă pentru „coada lungă” a condusului Pentru cercetarea în vehicule autonome, NVIDIA indică drept problemă „coada lungă” a condusului: interacțiuni rare, geometrii neobișnuite ale drumului, schimbări de lumină și comportamente-limită greu de colectat repetat, dar critice pentru antrenare și validare. Abordarea propusă include automatizarea reconstrucției scenelor din date de flotă și generarea de scenarii sintetice. Un exemplu este skill-ul „Neural Reconstruction”, care ar transforma date capturate de flotă în scene 3D editabile pentru simulare și generare de date sintetice, împreună cu tehnologii precum NVIDIA Omniverse NuRec și InstantNuRec. NVIDIA mai menționează: NVIDIA AlpaGym , un cadru open-source de învățare prin recompensă (reinforcement learning) în buclă închisă, conectat la simulare de fidelitate ridicată și scalare pe mii de GPU-uri; NVIDIA OmniDreams , un model generativ de lume condiționat de acțiuni, care adaugă randare fotorealistă în bucla de simulare; NVIDIA Alpamayo 2 Super , descris ca cel mai puternic model open de condus al companiei până acum: un model VLA (vision-language-action) cu 32 de miliarde de parametri, pentru raționare, planificare și acțiune „pe întregul stack” de condus, cu țintă de dezvoltare și implementare level 4. Viziune AI: generarea de exemple controlate și „anomalii” sintetice În zona de vision AI, NVIDIA spune că blocajul este lipsa unui volum suficient de exemple controlate pentru a testa cum se comportă modelele când se schimbă condițiile vizuale, starea obiectelor sau evenimentele în timp. Sunt menționate explicit direcții precum detecția de anomalii „zero-shot”, generarea de anomalii sintetice și recunoașterea defectelor cu puține exemple (few-shot). Noile „Metropolis skills” ar permite agenților AI să genereze scenarii vizuale sintetice (inclusiv anomalii), să extindă seturile de date și să sprijine pseudo-etichetarea. Pentru inspecția vizuală, publicația dă ca exemplu skill-ul „Defect Image Generation”, care creează exemple de defecte pe suprafețe diferite pornind de la imagini reale, într-un flux ce combină Isaac Sim (simulare), Cosmos 3 și NVIDIA OSMO (orchestrare). Pentru agenți video, sunt menționate Metropolis Blueprint pentru căutare și sumarizare video (VSS), NVIDIA TAO și skill-uri de augmentare video, cu scopul de a automatiza bucla „build-and-evaluate” pentru modele care detectează evenimente, raționează pe scene complexe, sumarizează activitatea și trimit alerte. Roboți: automatizarea pașilor de simulare și antrenare, inclusiv „sim-to-real” În robotică, NVIDIA pune accent pe iterație: cercetătorii au nevoie de multe medii controlate și rulări de politici (policy rollouts) pentru a înțelege cum se schimbă comportamentul robotului între sarcini și configurații, iar asta implică, de regulă, integrare manuală între simulare, variații de sarcini, antrenare și evaluare. Compania afirmă că „robotics skills” permit agenților să automatizeze pași frecvenți precum pregătirea scenei, simularea și învățarea robotului folosind biblioteci Omniverse, Isaac Sim și Isaac Lab. Sunt menționate și skill-uri specializate pentru mobilitate și manipulare, inclusiv fluxuri pentru sarcini „sim-to-sim” și „sim-to-real” (transfer din simulare către lumea reală), precum construcția mediilor, reglaje de fizică, depanare și profilare. Pentru robotică medicală, NVIDIA indică „Cosmos-H-Surgical-Simulator”, care ar genera date realiste pentru antrenare și evaluare, învățând direct din date chirurgicale reale, cu obiectivul de a reduce diferența dintre simulare și realitate. Disponibilitate și acces: instrumente pe GitHub și medii preconfigurate pe Brev NVIDIA precizează că instrumentele și skill-urile pentru agenți physical AI sunt disponibile public prin GitHub, la NVIDIA physical AI skills . Totodată, skill-uri pentru generare de date sintetice (Neural Reconstruction, Video Augmentation, Defect Image Generation) pot fi rulate și ca „Physical AI Launchables” pe NVIDIA Brev, în medii preconfigurate care rulează pe GPU-uri NVIDIA H100 și includ credite de test pentru cercetători. Separat, compania afirmă că setul său de date „NVIDIA Physical AI Dataset” a depășit 15 milioane de descărcări pe Hugging Face și anunță noi lansări de seturi de date, inclusiv GRAIL (aprox. 50 de ore de interacțiuni humanoid–obiect) și șase seturi video sintetice folosite la antrenarea Cosmos 3. [...]
NVIDIA împinge AI-ul dincolo de automatizări punctuale, cu un „creier” care coordonează fabrica în timp real : potrivit NVIDIA , noul NVIDIA Factory Operations Blueprint (FOX) este un design de referință pentru construirea unui „agent” de tip manager autonom, care conectează semnale live din utilaje, sisteme de calitate, instrucțiuni de lucru și alerte operaționale într-un singur strat de decizie, capabil să orchestreze alți agenți specializați și echipamente. FOX este gândit ca o fundație personalizabilă pentru dezvoltatori, astfel încât fabricile să poată rula operațiuni „inteligente” la scară: controlul calității, transportul materialelor și siguranța lucrătorilor. Blueprint-ul este construit pe NVIDIA NemoClaw , AI-Q Blueprint și modelele deschise NVIDIA Nemotron . De ce contează: promisiunea este reducerea costurilor și a timpilor morți, nu doar „mai multă automatizare” Mesajul central al inițiativei este trecerea de la automatizări izolate la „inteligență” la nivel de fabrică, adică un sistem care nu doar detectează probleme, ci le și corelează între surse diferite și propune pași de remediere. În practică, NVIDIA poziționează FOX ca un mecanism de coordonare: un agent principal (manager) care „dirijează” o flotă de agenți industriali specializați și interacționează cu operatorii prin limbaj natural, cu controale de confidențialitate și siguranță prin NVIDIA OpenShell . Blueprint-ul include, între altele, integrarea cu surse industriale de date și roboți prin interfețe standard (API-uri), automatizarea ciclului de antrenare a modelelor (inclusiv generare sintetică de date și redeploy în producție) și operarea fluxurilor de lucru, inclusiv cu NVIDIA Metropolis Blueprint pentru căutare și sumarizare video (VSS) . Pentru vizualizare, datele pot fi reprezentate într-un „geamăn operațional” (o replică digitală a operațiunilor) construit cu NVIDIA Omniverse . Unde se rulează: FOX este optimizat pentru DGX Station și modele mari, local NVIDIA spune că FOX este optimizat să ruleze pe NVIDIA DGX Station , descris ca un „supercomputer” de birou pentru managerii de fabrică. Compania menționează că sistemul este bazat pe GB300 Grace Blackwell Ultra Desktop Superchip, cu 20 petaflopi performanță FP4 și 748 GB memorie coerentă, și că poate rula modele AI de până la 1 trilion de parametri local (adică în infrastructura companiei, nu neapărat în cloud). Primele implementări: câștiguri estimate în productivitate, mentenanță și energie NVIDIA indică drept primii utilizatori producători din Taiwan: Advantech, Foxconn , Pegatron și Wistron. Câteva rezultate proiectate/estimate prezentate în material: Foxconn folosește FOX și NemoClaw pentru „MoMClaw”, un sistem multi-agent pentru operațiuni de producție. Compania proiectează: îmbunătățire cu 80% a timpului de analiză a cauzei rădăcină (root cause analysis), creștere cu 15% a productivității muncii, scădere cu 10% a ratelor de defectare a utilajelor. Pegatron estimează o reducere cu 15% a costurilor de redundanță a activelor (prin utilizare mai eficientă a roboților și eliminarea nevoii de echipamente „de rezervă”). Advantech spune că a implementat în propriile fabrici un „AI Factory Brain” și proiectează o scădere cu 10% a consumului de energie (prin management autonom al HVAC și iluminatului). Wistron adoptă FOX și folosește NVIDIA Cosmos , Nemotron și Metropolis VSS pentru agenți care analizează și orchestrează operațiuni pe linia de producție, inclusiv analiză în timp real a cauzelor și controlul calității. Separat, NVIDIA menționează și dezvoltatori de agenți specializați (DeepHow, Overview AI, Roboflow, Spingence) care construiesc soluții pe baza ecosistemului NVIDIA și a blueprint-ului VSS, cu exemple de rezultate precum creșterea randamentului „din prima” (first-pass yield), accelerarea dezvoltării modelelor de inspecție vizuală și îmbunătățirea detectării defectelor. Ce urmează NVIDIA precizează că utilizatorii se pot înscrie pentru notificare atunci când NVIDIA Factory Operations Blueprint va fi disponibil. În paralel, compania afirmă că Metropolis VSS blueprint 3 este disponibil „general” și include abilități (skills) care permit agenților externi să acceseze componentele VSS pentru a construi și opera rapid agenți de analiză video. [...]
