Általános
Amikor a gyorsulás gyorsul
A prezentáció
November 18-án bemutattam az Axelerának egy frissítést az exponenciális technológiákról, amely a 2026. augusztus közepétől november közepéig tartó három hónapot fedi le. A prezentációt az Astra 6.2 készítette, amelyet az OpenAI az előző napon adott ki, az én instrukcióim alapján. Az eredmény tisztes, csak túlságosan simulékony: kertel, és minden cipőbe bele akarja dugni a lábát, amit csak talál, és nem tudom, hány lába van.
Az Astra gondosan elválasztja egymástól azt, amit a források közölnek, azt, ami értelmezés, és azt, ami szubjektív forgatókönyv. Én viszont néhány dolgot provokatívan, szinte összeesküvés-elméleti módon akartam elmondani, mert úgy gondolom, eljött az a pillanat, amikor jobb a túlzott paranoia irányába tévedni, mint a túlzott józan ész irányába. Ezért a szöveg két részből áll. Ez a rész arról szól, mi változott, és külön tartja a tényeket, ahogyan a források közlik őket, valamint az én olvasatomat. A második rész a nyugtalanítóbb olvasatokat gyűjti össze, növekvő riadalom szerinti sorrendben.
Űr és energia
Az űrkutatás egyre szorosabban összefonódik az AI fejlődésével. A Starship 15. repülése november 13-án indult, és november 14-én a SpaceX egy orbitális repülés után befogta a felső fokozatot, amit a világon előtte még senki nem csinált meg. A gyorsítófokozat ezúttal megszakította a saját befogását. A következő próba a gyors és olcsó újrafelhasználás: mennyi munkát igényel az újbóli üzemkésszé tétel, mennyi idő telik el a következő repülésig, és mennyibe kerül.
Az én olvasatom: ezzel a SpaceX jó úton halad afelé, hogy bebizonyítsa a Starship-rendszer gyors és teljes újrafelhasználhatóságát. Ekkor egy indítás költsége a hajtóanyag költsége lesz, ami ma nagyjából egymillió dollár, és a SpaceX félmillióra tervezi levinni. Természetesen megmaradnak a kutatási és infrastrukturális beruházások, de nyers számokban 200 tonna pályára állítása egymillió és félmillió dollár között fog kerülni. Kétszázezer kiló egymillió dollárért kilónként 5 dollár. Ez korszakos változás, és úgy gondolom, 2026. november 14-ére úgy fognak emlékezni, mint űrcivilizációink alapításának napjára.
Közben a SpaceX és a Tesla egyesüléséről folyó tárgyalások elég előrehaladottak, és akár még az év vége előtt a két vállalat részvényesei elé kerülhetnek szavazásra. Az egyesülés mindkettőnek megéri. Meglep, hogy láthatóan túljutottak a SpaceX katonai beszállításai és a Tesla kínai gyára közötti kölcsönös konfliktuson. Nem tudom, hogyan sikerült, sem azt, hogy mit fog jelenteni, de jelenleg úgy tűnik, ez nem akadályozza az egyesülést. A szinergiák óriásiak lesznek: az Optimus humanoid robotok gyártása és sok más kezdeményezés katalizáló hatású lehet.
Az Egyesült Államokban a helyhez kötött energiatárolás kumulált kapacitása a SEIA szerint átlépte a 200 GWh-t. 2026 első kilenc hónapjában 48,3 GWh kapacitást telepítettek, 20%-kal többet, mint 2025 azonos időszakában. A harmadik negyedévben a telepítések 14,3 GWh-t tettek ki, az előző negyedévvel azonos szinten.
Biológia és robotizált laboratóriumok
Az AI közvetlenül belép a biológiába, mégpedig olyan módon, amely nekünk, szegény halandóknak garantálja a GPU-k és a memóriák szűkösségét. Az OpenAI és az Anthropic is szövetségeket kötött vagy saját kezdeményezéseket indított, hogy az AI-t a biológiában alkalmazza. Az Anthropic külön bejelentette, hogy a ritka betegségekkel fog foglalkozni, azokkal, amelyeket a gyógyszercégek figyelmen kívül hagynak, mert a hagyományos modellekkel nem hoznak elegendő bevételt.
Szerintem a legfontosabb lépés az AI felfedezéseinek átvitele a fizikai világba, mert a kísérletezés időigénye ott jelentkezik. A sötétben működő, teljesen robotizált laboratóriumok ma már valóságot jelentenek. A robotok azt a munkát végzik, amelyhez korábban doktoranduszok és posztdokok seregei kellettek: megépíteni őket sokba kerül, működtetni őket ennek töredékébe, és az eredmények sokkal gyorsabban érkeznek. A nagy AI-laboratóriumok ebbe az irányba haladnak, és azok a cégek, amelyek azért jöttek létre, hogy ezeket a technológiákat az egészségügybe vigyék, milliárd dolláros nagyságrendű tőkét gyűjtenek. A robotizált laboratóriumokban folyó kísérletezésen keresztül az AI eljut az egészségünkig.
November 10-én a Beam pozitív időközi eredményekről számolt be a BEACON-vizsgálatból, amely a base editinget, a DNS egyetlen bázisát módosító technikát alkalmazza a sarlósejtes vérszegénység ellen. Az október 20-i adatok szerint 49 beteget kezeltek, és közülük 31 teljesítette az elsődleges végponthoz előírt követési időszakot: legalább tizenkét egymást követő hónap súlyos vazookkluzív krízis nélkül, a protokollban előírt időközi elemzésben. A terápia még kísérleti, és jóváhagyásra vár.
World modellek és önvezetés
A world modellek, vagyis az interaktív szimulált világokat generáló modellek, fizikai környezetekbe viszik az AI-t. A Genie 4 előzetes változatban érhető el a tesztelők szűk köre számára. Október 21-én az Nvidia új, fizikai AI-hoz készült eszközökkel bővítette a Cosmost. A Waymo új városokra terjesztette ki a szolgáltatását, október 21-től pedig a Las Vegas-i repülőtérre is, a már regisztrált ügyfelek számára.
Elkezdtem használni a world modelleket, és remekül szórakozom. Néhány hónapja közzétettem egy videót az ágenseimről, amelyben a város metaforájával ábrázoltam a kapcsolataikat és az egyiktől a másikig áramló adatfolyamokat. Most a World Labs Atlas nevű world modelljével minden ágensnek adtam egy szobát. Az egyik szoba a dolgozószoba, ahol R. David Orban, a digitális ikrem ül.
Mindig azt vallottam, hogy a fizikai világ digitális ábrázolása szép és hasznos, de valami alternatív ábrázolása sokkal érdekesebb. A példa, amelyet gyakran hozok, a zsonglőrködés megtanulása. Ha beállíthatod a holdi gravitációt, a labdák lassan esnek: anélkül, hogy sokat értenél belőle, odamozdítod a kezed, elkapod és feldobod. Aztán fokozatosan növeled a gravitációt, és amikor eléred a földit, leveszed a 3D-s headsetet, és tudsz zsonglőrködni, miután könnyebben és gyorsabban tanultál meg. Meglátjuk, hogy a world modellek alkalmazásai elsősorban a fizikai világot szolgálják-e majd, vagy az alternatív világokra szántak kerekednek felül.
Texasban elindult a teljesen önvezető, kormány, tükrök és pedálok nélküli robotaxi-szolgáltatás, a Tesla Cybercab járműveivel. Ez egy új közlekedési modell, és úgy fogja átalakítani a városokat, ahogyan egy évszázaddal ezelőtt az autó elterjedése alakította át őket. Európában egyelőre a Tesla önvezetése csak felügyelt formában engedélyezett, robotaxik nélkül az utakon. A Tesla mégis elég bátorítónak érzi a helyzetet ahhoz, hogy bejelentsen egy 3 milliárd eurós beruházást német gyárában, ahol 2029-től évente akár egymillió Cybercab gyártását tervezi. Egy robotaxit sokkal többet használnak, mint egy magánautót, így egymillió robotaxi legalább ötmillió hagyományos autóval ér fel.
Számítási kapacitás és kvantum
Az AI-hoz szükséges számítási kapacitás már nem egyetlen szállítóra épül. Szeptember 30-án az Nvidia Vera Rubin rendszerei megérkeztek a CoreWeave-hez, október 12-én a Microsoft éles üzembe állította a Maia 200-at a Copilot számára, november 9-én a Google új TPU-konfigurációkat mutatott be, november 12-én pedig az AMD bejelentette az MI400 továbbfejlesztéseit. A hasznos számítás korlátját ma már az energia, a hűtés, a memória és az összeköttetések jelentik.
A processzorok közül a Google új, immár nyolcadik generációs TPU-i ragadták meg a figyelmemet, amelyek támogatják az úgynevezett confidential computingot. Futtathatsz egy titkosított AI-modellt, amelyben a modell súlyai, valamint a bemeneti és kimeneti adatok csak számodra hozzáférhetők, mert nálad van a folyamat kezeléséhez szükséges privát kulcs. A matematikai alap bonyolult, és arra számítottam, hogy több idő kell, mire eljutunk idáig. Az ehhez a generációhoz tartozó TPU-kat épp most jelentették be, és tudomásom szerint még nincsenek gyártásban. Sok alkalmazásnál, szabályozási okokból vagy mert fokozott titoktartásra van szükség, eddig az egyetlen alternatíva az on-premise AI volt, a saját szervereken. Ez a felhőben futó AI előtt is megnyitja az utat, a szükséges titoktartási garanciákkal.
Október 15-én a Google a Willow-val beszámolt a mágikus állapotok kultiválásáról, a T-állapotra 99,99%-os logikai hűséggel és nagyjából 40-szer kisebb hibával. A mágikus állapotok a hibatűrő kvantumszámításhoz szükséges erőforrást jelentenek. Ez konkrét lépés a hibatűrő kvantumszámítógép felé.
Ellenőrizhető matematika és fizika
Ugyanebben a három hónapban az AI ellenőrizhető új tudást hozott létre. Október 6-án az OpenAI matematikai kutatási eredményekről számolt be, amelyek közül soknak elkészült a formalizációja a Lean nyelvben, amelyben egy program a bizonyítás minden lépését ellenőrzi. Október 23-án és november 6-án a PSI kiterjesztette a módszert a kvantumelméletre, Aaronson és Ambainis sejtésének Leanben ellenőrzött bizonyításával. A sejtés arra a gyorsulásra vonatkozik, amelyet egy kvantumszámítógép bizonyos lekérdezésekben elérhet.
A matematika és az elméleti fizika előnye, hogy az eredmények objektíven ellenőrizhetők: a Lean minden lépést ellenőriz, és az ebből fakadó ítélet nem kérdéses.
Egyes matematikusok reakciói, akik felháborodtak, hogy az AI be mer lépni az ő területükre, nevetségesnek tűntek számomra. Ezt a jelenetet már láttam. 2007-ben jelen voltam a D-Wave, az első kereskedelmi kvantumszámítógép bemutatóján. A céget csalással vádolták, mert egy olyan akadémiai establishment lábára lépett, amely a saját maga által ellenőrzött haladást akarta.
A kvantumszámítástechnikában az alkalmazás azonnali. Ezek az eredmények javítják az algoritmusokat, és segítenek megérteni, mely irányokban lesznek a kvantumszámítógépek hasznosak és felsőbbrendűek, így pedig elhagyni azokat a területeket, ahol a feltételezett kvantumfölényt egy klasszikus algoritmus megcáfolhatja.
Ágensek és munka: mit mérnek az adatok
A METR, az ezekkel a témákkal foglalkozó egyik legtöbbet követett kutatóintézet, azoknak a feladatoknak az időtartamát méri, amelyeket az AI-ágensek legalább az esetek felében sikeresen elvégeznek. Ez az időtartam néhány másodpercről néhány percre, majd néhány órára nőtt. Az értékelt területek közé tartozik a szoftverfejlesztés, a gépi tanulás és a kiberbiztonság.
November 5-én a METR értékelést tett közzé az Anthropic egyik belső képességmérő benchmarkjáról. A legutóbbi ütem 1,9-szerese a 2025 októbere előttinek, és a METR szerint az AI segítsége hozzájárul a változáshoz.
A Remote Labor Index mást mér: a kiválasztott távmunka-projektek azon hányadát, amelyet az ágensek teljes egészében automatizálnak. November 17-én a ranglista 41,25%-ot mutat, a vizsgált időszakban becslés szerint 3,3 havonta megduplázódva.
November 17-én vacsora közben egy barátom elmesélte, hogy klónozta a világ egyik legösszetettebb és legértékesebb zárt szoftverét egy ágensrajjal, amely tizenegy hétig dolgozott rajta. Utána ellenőrizte, hogy az eredmény funkcionálisan egyenértékű azzal a termékkel, amelyet a gyártó dollármilliókért árul. Nem árulom el, melyik szoftverről van szó, de a történet érzékelteti, mit jelent egy hetekben mérhető horizont.
Szerintem akár a feladatok időtartamát, akár a duplázódási időt mérjük, ugyanazt mérjük, és kiléptünk az állandó gyorsulás korszakából: maga a gyorsulás nő. Ha számítógéppel dolgozol, hamarosan azt, amit csinálsz, az AI-ágensek ugyanolyan módon fogják elvégezni, ahogyan te, és remélem, hogy nem válsz helyettesíthetővé. Lesznek korlátok, szabályozások és preferenciákon alapuló döntések, és meglátjuk, hogyan kezelik őket, de minden ilyen döntés ára az lesz, hogy lemondunk az AI-ágens gazdasági fölényéről. Lesznek nemzetek, vállalatok és ágazatok, amelyek úgy döntenek, hogy kevésbé lesznek hatékonyak. És minden olyan tevékenységben, amelynek erős digitális összetevője van, megjelennek az új generációs versenytársak, akik azt felelik: mi nem akarunk kevésbé hatékonyak lenni. Késsel a foguk között fognak harcolni, és a végsőkig kihasználják azt, amit az AI kínálni tud.
A jolting technologies hipotézis
Számomra ezek az adatok a legfrissebb bizonyítékai annak, amit Jolting Technologies Hypothesisnek nevezek. A fizikában a jolt a helyzet harmadik deriváltja, vagyis a gyorsulás változása. A hipotézis azt kérdezi, rövidülnek-e a képességek duplázódási idői, mert az egyre rövidebb intervallumok olyan gyorsulásra utalnának, amely túlmegy egy stabil exponenciálison.
Egy közönséges exponenciálisnak eleve pozitív a harmadik deriváltja, ezért a keresendő jel a duplázódási intervallumok tartós rövidülése egy időben következetes képességmérés mentén.
Astra 6.2 és az AI önfejlesztése
Az ezeket az adatokat összekötő téma az RSI, a recursive self-improvement (rekurzív önfejlesztés): az a fejlődés, amelyet a mesterséges intelligencia rendszerei önmagukban idéznek elő. Az AI 2027 forgatókönyv 2028 tájára tette. Hogy bekövetkezik-e, és hogy el akarjuk-e majd halasztani vagy lassítani, ezek a nyitott kérdések. Közben sok eredmény egyre erőteljesebb RSI felé mutat, és a laboratóriumok egyre magasabb riasztási szintekre jutnak.
Az OpenAI High szintre értékelte az Astra 6.2-t az AI önfejlesztési képességeit mérő saját skáláján. Ez az első kívülre kiadott modell, amely elérte ezt a szintet. Az OpenAI az értékelésében egy hasonlattal írja le a hatást: egy 2024-es kiindulási szinthez képest olyan, mintha minden kutatója mellé odaállna még egy kiválóan képzett kutatómérnök.
Alignment és felszállási forgatókönyvek
Az alignment terén a kutatás új utakat próbál ki. A súlytérbeli programozásról szóló, november 2-i tanulmány közvetlenül módosítja olyan kis hálózatok súlyait, mint a Qwen3.5-0.8B, és egy november 16-i válaszcikk már vitatja a mechanizmusát. Messze vagyunk egy olyan módszertől, amely garantálná egy élvonalbeli modell alignmentjét, és még messzebb egy olyantól, amely ezt a modellek egymást követő generációin át is garantálná.
Aztán ott a kérdés, amelyet mindenki feltesz: mikor jön a felszállás? Felszálláson azt értem, amikor az AI által vezérelt kutatás-fejlesztés néhány hét vagy hónap alatt az emberi élvonal szintjéről határozottan emberfeletti képességre lép. Megbeszéltem ezt Dottal, és ezek a szubjektív becslései annak valószínűségére, hogy a felszállás már folyamatban van: 3% 2027 első negyedévének végén, 6% a második végén, 10% a harmadik végén és 15% az év végén.
A mechanizmust könnyű leírni: minden modellgeneráció felgyorsítja a következőt, az emberek pedig csak jóváhagyják a számítási kapacitást. Dot szerint annak valószínűsége, hogy a két élen járó laboratóriumban a fejlesztést már AI segíti, meghaladja a 90%-ot, annak valószínűsége pedig, hogy egyikük már tartós és nagyrészt autonóm önfejlesztésbe lépett, 5% és 15% között van. A figyelendő jelek: kívülről értékelt új modellgenerációk, rövidülő teljes fejlesztési ciklusok és az ágensek megbízható orkesztrációja.
És ha megtörténik, hogyan reagálnak a kormányok? Ha 2027 közepéig hiteles bizonyítékok merülnek fel egy gyorsuló rekurzív önfejlesztésre, elemzésem szerint több mint 60% a valószínűsége annak, hogy az év végéig legalább egy nagyhatalom kötelező erejű korlátokat vezet be, és 25% annak, hogy létrejön egy ellenőrzött nemzetközi megállapodás, amely az élvonalbeli tanítás nagy részére kiterjed. Korlátozásokat bevezetni könnyebb, mint összehangoltan fellépni, de összehangolás nélkül a lassulás nem következik be.
Hogy hogyan reagál majd a politika, a hadsereg és maguk az ágensek, és mit érdemes közben tenni, azt a második részben mondom el.