Știri
Știri din categoria Inteligență artificială
România a lansat oficial căutarea de investitori pentru „Black Sea AI Gigafactory”. Potrivit Profit, statul a deschis o procedură de tip „Expresie de Interes” (EOI) pentru a identifica potențiali investitori și a preselecta un lider de consorțiu care să ducă proiectul mai departe, de la structurare la implementare.
Demersul este coordonat de Ministerul Energiei și Ministerul Finanțelor, cu sprijin tehnic din partea Autorității pentru Digitalizarea României (ADR). Miza, dincolo de eticheta de „gigafabrică” de inteligență artificială, este intrarea proiectului într-o etapă operațională: selecția unui actor (sau a unui grup de actori) care să poată organiza finanțarea și execuția.
EOI (Expresie de Interes) este o procedură prin care o instituție publică testează piața și strânge candidaturi înainte de o selecție propriu-zisă. În cazul de față, instituțiile anunță că urmăresc:
Conform comunicării citate, proiectul este împins înainte de:
Profit notează că a prezentat anterior pe larg proiectul, însă în materialul de față nu sunt detaliate criteriile EOI, calendarul sau dimensiunea investiției.
Recomandate
NVIDIA își extinde ecosistemul de „AI Cloud” pentru a crește rapid capacitatea de calcul necesară aplicațiilor cu agenți AI , pe fondul unei cereri în creștere pentru „tokeni” (unități de procesare a textului/ieșirilor modelelor) și pentru infrastructură regională, inclusiv în contexte suverane și reglementate, potrivit NVIDIA . Unghiul principal al mișcării este operațional: furnizorii de cloud și partenerii NVIDIA accelerează construcția de „AI factories” (centre de date optimizate pentru antrenare și inferență AI) mai aproape de date, dezvoltatori și utilizatori, pentru a reduce fricțiunea de acces la infrastructură și pentru a susține aplicații „agentice” (sisteme AI care execută sarcini în lanț, cu autonomie mai mare). De ce contează: capacitate regională și opțiuni „suverane” pentru industrii reglementate Publicația descrie NVIDIA AI Clouds ca un ecosistem de cloud-uri „proiectate special” și co-dezvoltate cu infrastructura completă NVIDIA (calcul accelerat, rețelistică și software AI), care acoperă antrenare, ajustare fină (fine-tuning), inferență, aplicații agentice, „physical AI” (AI pentru robotică și sisteme fizice) și implementări de tip „sovereign AI” (control local asupra datelor și infrastructurii). În acest context, extinderea are o componentă de conformitate și control: pentru guverne și industrii reglementate, cloud-urile regionale pot susține cerințe de conformitate locală și „controale suverane”, iar pentru companii și dezvoltatori pot facilita rularea serviciilor AI „aproape de utilizatori și date” (de exemplu, copiloți enterprise, „digital workers” și alți agenți AI). Extindere geografică: șase continente, cu noi intrări în Africa și America de Sud NVIDIA afirmă că ecosistemul ajunge acum pe șase continente, după adăugarea Cassava în Africa și Claro în America de Sud. Creșterea regională este indicată ca accelerând în Asia de Sud-Est, Australia și Americi. În paralel, sunt menționați parteneri care își extind infrastructura pentru dezvoltarea de modele de vârf, aplicații agentice și inferență la volum mare, între care CoreWeave , Firmus, IREN, Nebius și Nscale. Ce se construiește concret: „AI factories” și platforme pentru inferență și „physical AI” Textul oferă câteva exemple de implementare: Firmus Technologies își extinde „amprenta” de AI factory în Australia de Sud și Asia de Sud-Est, inclusiv prin Project Southgate (Tasmania, Melbourne, Australia de Sud și New South Wales), cu accent pe energie regenerabilă, răcire avansată și infrastructură modulară pentru a aduce capacitate online mai repede. Compania folosește arhitectura de referință NVIDIA și platforma NVIDIA DSX pentru proiectare, implementare și operare. CoreWeave își extinde platforma NVIDIA AI Cloud pentru „agentic AI”, „physical AI” și sarcini de tip „frontier model”. Este menționată adoptarea timpurie a NVIDIA Vera Rubin și NVIDIA Vera CPU , precum și a NVIDIA Spectrum-X Ethernet Photonics pentru rețelistică destinată unor AI factories la scară foarte mare. Pentru robotică și „physical AI”, CoreWeave folosește NVIDIA Cosmos 3 (detalii: NVIDIA Cosmos 3 ) pentru generare de date sintetice și ajustarea modelelor. Nebius își extinde NVIDIA AI Cloud cu o platformă „full-stack” (de la hardware la software), incluzând un strat de inferență numit Token Factory și un Physical AI Workbench , care integrează tehnologii precum NVIDIA Cosmos 3, NVIDIA Isaac Sim și Isaac GR00T în fluxuri de lucru „compozabile”. Separat, NVIDIA notează că șase parteneri au obținut statutul de Exemplar Cloud : CoreWeave, Crusoe, Lambda, Nebius, Vultr și YTL. Miza eficienței: „cost per token” și DSX pentru punerea mai rapidă în funcțiune NVIDIA pune accent pe economie și eficiență operațională, argumentând că, pe măsură ce AI se mută de la dezvoltarea modelelor la „reasoning” și inferență la volum mare, criteriul nu mai este doar capacitatea instalată, ci și „economia” producției de tokeni. Compania descrie „cost per token” ca indicator de cost total de deținere (TCO), care include performanța hardware, optimizările software, suportul de ecosistem și utilizarea în condiții reale, și susține că livrează „cel mai mic cost per token” din industrie (fără a oferi cifre în materialul citat). Pentru accelerarea implementărilor, NVIDIA arată că partenerii adoptă platforma NVIDIA DSX (detalii: NVIDIA DSX platform ), care include componente pentru simulare înainte de implementare, adaptarea sarcinilor la condițiile rețelei electrice și automatizarea operațiunilor. Potrivit descrierii din text, una dintre componentele DSX (DSX MaxLPS) ar permite, în condiții de limitare de putere, „până la 40% mai multe GPU-uri” în același buget energetic, prin maximizarea calculului în limitele de consum. Ce urmează Din informațiile prezentate, direcția imediată este creșterea capacității regionale și standardizarea operării „AI factories” prin platforme precum DSX, în paralel cu extinderea cazurilor de utilizare către aplicații agentice și „physical AI”. Materialul nu include un calendar de livrare sau ținte cantitative agregate pentru capacități, astfel că ritmul exact al extinderii rămâne neprecizat. [...]
Instituțiile financiare își mută arhitectura de AI către „modele fundamentale” antrenate pe tranzacții , pentru a reduce fragmentarea generată de zeci de modele specializate și pentru a obține o înțelegere unificată a comportamentului clienților, potrivit NVIDIA . Miza operațională este simplă: pe măsură ce AI se extinde în tot mai multe procese, costul și complexitatea întreținerii unor sisteme „în silozuri” devin factorul limitativ. În analiza companiei, instituțiile au construit în timp modele separate pentru fraudă, credit, recomandări și risc, eficiente punctual, dar greu de conectat între ele. Pe fondul creșterii volumelor de date, apare un decalaj între „cât știu” organizațiile din datele lor și „cât poate raționa” AI-ul peste aceste date, tocmai din cauza arhitecturilor fragmentate. De ce contează: un singur model, mai multe utilizări NVIDIA descrie „modelele fundamentale de tranzacții” ca sisteme de AI de mare amploare, antrenate pe miliarde de evenimente financiare (plăți, transferuri, interacțiuni cu produse și semnale comportamentale), care transformă datele brute în „inteligență” reutilizabilă în mai multe sarcini. Diferența față de un model clasic (de exemplu, unul de fraudă) este interpretarea în context: momentul, dispozitivul, locația și istoricul anterior schimbă semnificația unei tranzacții. Publicația leagă această schimbare de maturizarea arhitecturilor de tip „transformer” (familie de modele folosită pe scară largă în AI generativ), aplicate aici pe date tabelare (tranzacții), pentru a extrage semnale care ar rămâne invizibile în algoritmi tradiționali. Semnal din piață: investițiile în AI cresc, dar crește și complexitatea Conform raportului 2026 State of AI in Financial Services , citat de companie, 65% dintre instituții folosesc deja AI, aproape 90% o implementează sau o evaluează, iar „aproape toate” își mențin sau își cresc bugetele. În acest context, NVIDIA susține că nu lipsa de cazuri de utilizare este problema, ci traiectoria: fiecare caz nou adaugă încă un model, fiecare piață nouă cere reantrenare, iar lipsa contextului comun „lasă valoare pe masă”. Exemple de implementare: Revolut, Mastercard, Adyen, Stripe NVIDIA oferă câteva repere despre cum arată această tranziție în practică: Revolut a construit, împreună cu NVIDIA, PRAGMA , o familie de modele de tip transformer antrenate pe 24 de miliarde de evenimente din 26 de milioane de înregistrări de utilizatori, în peste 100 de țări, conform lucrării PRAGMA . Compania susține că un singur model a depășit modele specializate pe domenii precum scorare de credit, detecție de fraudă și recomandări de produse și a redus dependența de „caracteristici” construite manual (feature engineering). „Trecem de la săptămâni, sau chiar în unele cazuri luni, de inginerie de caracteristici la un timp zero necesar pentru asta”, a declarat Tadas Kriščiūnas, head of group credit data science la Revolut. Mastercard dezvoltă un model fundamental tabelar proprietar pentru plăți, antrenat pe miliarde de tranzacții anonimizate și proiectat să scaleze la sute de miliarde, extinzând seturile de date (fraudă, autorizare, chargeback, locația comerciantului, loialitate). NVIDIA notează că modelul este construit cu capabilități de la NVIDIA, AWS și Databricks, inclusiv NVIDIA NeMo AutoModel din cadrul NVIDIA NeMo , și că testele timpurii arată performanțe peste tehnici standard de machine learning. Adyen ar fi implementat astfel de modele „la scară”, procesând 1 trilion de dolari (aprox. 4,6 trilioane lei) în plăți. Compania folosește învățare prin recompensă (reinforcement learning) pentru a maximiza conversia și a minimiza riscul, iar NVIDIA citează impactul potențial al unor îmbunătățiri marginale: „Chiar și îmbunătățiri fracționare, precum un plus de 0,1% la autorizare, se pot traduce în creșteri masive ale valorii brute a mărfurilor și reduceri substanțiale de costuri”, a declarat Dhruv Ghulati, principal AI product manager la Adyen. Stripe folosește platforma NVIDIA și AWS pentru modele care „înțeleg contextul complet” al comportamentului tranzacțional; compania ar fi blocat anul trecut aproape 112 miliarde de dolari (aprox. 515 miliarde lei) în fraudă și ar fi obținut o reducere medie de 38% a ratelor de fraudă, potrivit materialului. Ce urmează: „modelul de referință” NVIDIA și ecosistemul de implementare Pentru a accelera adopția, NVIDIA indică un exemplu de dezvoltare numit Build Your Own Transaction Foundation Model , care ar permite echipelor să înceapă construirea de „embedding-uri” (reprezentări numerice învățate de model) pe date tranzacționale tabelare și să integreze rezultatul în fluxuri existente, fără reconstrucție completă. Rularea este prezentată ca posibilă pe AWS (cu SageMaker HyperPod) și pe Nebius AI Cloud, iar NVIDIA enumeră și parteneri de servicii (EXL, Thoughtworks, GFT IT Consulting) care ar integra sau operaționaliza astfel de modele în medii bancare, inclusiv pentru guvernanță și modele de operare AI. [...]
Google împinge rularea locală a agenților multimodali pe laptopuri prin Gemma 4 12B , un model care promite performanță apropiată de varianta mai mare (26B) la un consum de memorie mult redus și care poate rula pe hardware de consum, potrivit Google Blog . Modelul este poziționat între Gemma E4B (orientat spre „edge”, adică rulare pe dispozitive) și Gemma 26B de tip Mixture of Experts (MoE – arhitectură care activează selectiv „experți” specializați). Google spune că Gemma 4 12B „împachetează” capabilități puternice într-un „memory footprint” mai mic și este primul model „mid-sized” din familie cu intrări audio native. De ce contează: inferență locală cu cerințe mai mici de memorie Miza operațională este reducerea dependenței de cloud pentru aplicații cu imagini și audio, printr-un model suficient de mic pentru rulare locală. Google afirmă că Gemma 4 12B este „laptop ready”, putând rula cu 16 GB de VRAM sau memorie unificată (în funcție de platformă), și că atinge performanțe apropiate de modelul 26B MoE pe benchmark-uri standard, dar la mai puțin de jumătate din amprenta totală de memorie . În același timp, compania indică o adopție deja mare a familiei Gemma 4: modelele au depășit 150 de milioane de descărcări , iar comunitatea a construit aplicații de la „brațe robotice purtabile” până la soluții de securitate AI pentru mediul enterprise. Ce aduce nou: arhitectură multimodală unificată, fără encodere separate Diferențiatorul tehnic principal este arhitectura „encoder-free”: în loc să folosească encodere separate pentru a transforma imaginea sau audio în reprezentări intermediare înainte de modelul lingvistic, Gemma 4 12B introduce intrările vizuale și audio direct în „coloana vertebrală” a modelului de limbaj (LLM). Google argumentează că encoderele separate cresc latența și consumul de memorie. Pe scurt, modul de procesare descris de Google este: Viziune: encoderul vizual din Gemma 4 este înlocuit cu un modul de „embedding” (reprezentare numerică) mai ușor, bazat pe o singură înmulțire de matrice, „positional embedding” și normalizări, lăsând modelul lingvistic să preia procesarea vizuală. Audio: encoderul audio este eliminat complet, iar semnalul audio brut este proiectat în același spațiu dimensional ca „tokenii” text (unități de procesare ale modelului). Google mai spune că modelul include „drafters” pentru Multi-Token Prediction (MTP), o tehnică menită să reducă latența. Cum poate fi folosit: instrumente și distribuție Pentru testare și rulare locală, Google indică suport în mai multe instrumente și canale, inclusiv: LM Studio Ollama Google AI Edge Gallery App Google AI Edge Eloquent LiteRT-LM CLI Modelul este publicat sub licență Apache 2.0 , iar „weights” (parametrii antrenați) sunt disponibili prin colecția de pe Hugging Face . Pentru detalii de implementare, Google trimite la un ghid dedicat: Developer Guide . În paralel, compania anunță și un „Skills Repository” oficial pentru dezvoltarea de agenți (o bibliotecă de „abilități” pentru agenți construiți cu Gemma) și opțiuni de implementare în producție prin Google Cloud (inclusiv Model Garden, Cloud Run și GKE), fără a oferi în material detalii despre prețuri sau condiții comerciale. [...]
Sam Altman cere Congresului SUA să evite aprobarea guvernamentală înaintea lansării noilor modele AI , o poziție care ar putea influența direct ritmul de inovare și costurile de conformare pentru întreaga industrie, în condițiile în care OpenAI se pregătește „în secret” de listarea la bursă, potrivit HotNews , care citează Reuters. Miza este una de reglementare: Altman se va opune propunerilor care ar obliga dezvoltatorii să obțină aprobarea guvernului american înainte de a lansa către public noi modele de inteligență artificială. OpenAI a transmis, într-un comunicat, că demersul face parte dintr-un efort de a influența modul în care va fi reglementată tehnologia. Ce alternativă propune OpenAI: mai multă testare, nu „aprobare înainte de lansare” În vizita sa la Washington, Altman urmează să le ceară parlamentarilor să crească finanțarea pentru testarea inteligenței artificiale în cadrul Departamentului Comerțului al SUA. Instituția colaborează deja cu companii precum OpenAI și Anthropic pentru testarea modelelor, iar OpenAI vrea extinderea inițiativei. Compania susține că programul ar trebui să includă și cercetători cu expertiză în domenii precum securitatea cibernetică, armele biologice și securitatea națională, între altele. De ce contează acum: presiune pe profitabilitate și pe calendarul lansărilor Potrivit Reuters, vizita lui Altman are loc într-un moment „critic” pentru OpenAI și pentru industrie. Publicația notează că OpenAI se pregătește să depună confidențial o cerere de listare la bursă, în timp ce rivalul Anthropic (dezvoltatorul modelului Claude) a depus deja o solicitare similară. În acest context, cerințele guvernului american ar putea afecta profiturile dacă încetinesc lansarea noilor modele. În plus, companiile ar putea fi obligate să își modifice produsele pentru a răspunde cerințelor de securitate. Întâlniri la Congres și reacția Casei Albe Altman avea programate miercuri întâlniri cu membri ai Congresului, inclusiv cu președintele Camerei Reprezentanților, Mike Johnson. Administrația de la Casa Albă nu a răspuns solicitărilor de a comenta eventuale întrevederi, potrivit aceleiași surse. Sursa secundară: Reuters . [...]
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. [...]
Consumul intern de „tokeni” la OpenAI a ajuns la niveluri care pun presiune pe costuri , în condițiile în care unii angajați ar folosi lunar aproximativ 100 de miliarde de tokeni, potrivit declarațiilor CEO-ului Sam Altman, citate de iThome . Altman a spus, într-un eveniment dedicat clienților corporate (marți, ora locală), că „campionul” consumului de tokeni din interiorul companiei ajunge la circa 100 de miliarde pe lună. Prin comparație, în urmă cu șase ani și jumătate, cel mai mare consumator intern folosea aproximativ 100.000 de tokeni lunar — un nivel pe care Altman l-a descris drept aproape cel mai ridicat la nivel global la acel moment. Acum, același ordin de mărime ar fi ajuns „aproape” la nivelul mediu global de utilizare, potrivit lui. Deși consumul intern este foarte mare, Altman a precizat că nu ar fi cel mai ridicat din lume: OpenAI ar fi identificat un utilizator extern cu un consum și mai mare, situație pe care CEO-ul a spus că a găsit-o „jenantă” în plan personal. „Tokenii” ca metrică de cost și o cultură internă a consumului În material se menționează că folosirea intensă a tokenilor ar fi devenit o „modă” internă: OpenAI ar avea un clasament al consumului, iar unii angajați ar publica pe X capturi cu utilizarea lor ridicată. Contextul e relevant economic deoarece tokenii sunt unitatea de măsură folosită la facturarea utilizării modelelor (pe scurt, fragmente de text procesate), iar OpenAI este și vânzătorul acestor servicii. Sursa mai indică exemple de consum extrem, atribuite unor terți: dezvoltatorul OpenClaw, Peter Steinberger , ar fi publicat o captură în care apare un consum de 603 miliarde de tokeni în 30 de zile; The New York Times ar fi relatat despre un angajat OpenAI care ar fi folosit 210 miliarde de tokeni într-o singură săptămână. De ce contează: restul industriei încearcă să limiteze cheltuielile cu AI În timp ce OpenAI ar tolera consumul intern ridicat, alte companii ar fi trecut la măsuri de control al costurilor, potrivit aceleiași surse: Amazon ar fi închis un clasament intern al consumului de tokeni; Uber ar fi introdus limite de utilizare, după ce directorul operațional ar fi pus sub semnul întrebării raportul cost-beneficiu al acestor cheltuieli. Altman a mai spus că OpenAI lucrează la optimizarea modelelor proprii și caută soluții de reducere a costurilor, cu obiectivul de a „crea valoare mai mare la costuri mai mici”. El a susținut și că problema costurilor AI a devenit vizibilă brusc: la începutul lui 2026 „nimănui nu-i păsa” de cheltuieli, însă acum costul utilizării AI a devenit o problemă majoră care trebuie rezolvată. [...]
