AI:n testar gränserna – och faller igenom

Google DeepMind har lanserat Gemini Robotics ER 2, en modell som ger robotar förmågan att förstå videoinspelningar, koordinera med andra robotar och lösa komplexa uppgifter i verkliga miljöer. Det intressanta här är att modellen inte bara styr en enskild robot – den är byggd för att hantera flera robotar som arbetar tillsammans, vilket är ett tydligt steg mot mer praktiska industriella tillämpningar.

Google DeepMind har släppt Gemini Robotics 2, en uppdaterad AI-modell som nu kan styra en hel humanoid robots kropp – inte bara överkroppen som tidigare. Det betyder att robotar som Apptrokinks Apollo 2 kan böja sig, gå, huka sig och plocka upp föremål på ett mer naturligt sätt. Det intressanta här är hur snabbt gapet krymper mellan vad robotar kan göra i lab-videor och vad de faktiskt kan användas till i verkligheten.

Ett forskarteam presenterade vid ICML – en av AI-världens mest ansedda konferenser – ett papper som hävdar att stora språkmodeller (LLM:er) aldrig fullt ut kan skyddas mot hackning, på grund av ett grundläggande fel i hur de fungerar. Det handlar alltså inte om en bugg som kan patchas utan om en inbyggd sårbarhet i själva arkitekturen. Om det stämmer får det stora konsekvenser för hur säkert vi egentligen kan lita på den här tekniken i känsliga sammanhang.

AI-agenter som använder långtidsminne kan luras av angripare som planterar skadliga minnen – ett problem som hittills krävt tunga lösningar. Det nya ramverket MIND löser detta genom att jämföra agentens beteende mot ursprunglig användarintention, och lyckades i tester minska attackframgången med över 55% utan att försämra vare sig svarstid eller uppgiftsnoggrannhet. Det är ett praktiskt fynd: skyddet kostar alltså ingenting i prestanda.

Forskare har byggt PathVU, ett nytt testramverk för att mäta hur väl multimodala språkmodeller (AI som kan tolka både text och bild) förstår patologibilder – alltså mikroskopbilder av vävnad som används vid cancerdiagnostik. Ramverket innehåller över 61 000 bilder och 308 000 testfrågor från 28 olika organ, och när 18 moderna AI-modeller utvärderades visade resultaten tydliga svagheter hos samtliga, även de mest avancerade. Det intressanta här är att modellerna klarar sig okej på att ge slutsvar, men kämpar när de måste resonera om detaljer på rätt skalningsnivå – precis det som en patolog faktiskt gör.

EU har lanserat en anbudsprocess för att bygga upp till sju så kallade AI-gigafabriker runt om i Europa – storskaliga datacenteranläggningar för träning av avancerade AI-modeller. Initiativet backas av upp till 10 miljarder euro i offentlig finansiering och förväntas locka minst 20 miljarder euro i privata investeringar. Tanken är att Europa ska kunna träna sina egna frontier-modeller (de mest avancerade AI-modellerna) på europeisk infrastruktur, under EU:s egna regler – snarare än att vara beroende av amerikanska molntjänster.

AI-ingenjörer återupptäcker ontologier – strukturerade kunskapskartor från det tidiga 2000-talets 'semantiska webb'-projekt – som ett sätt att hålla AI-agenter inom förutsägbara ramar. Tanken är att kombinera det bästa av två världar: språkmodellernas flexibilitet med regelbaserade systems tillförlitlighet. Det intressanta är att tekniken som en gång ansågs övergiven nu får nytt liv just för att AI är så opålitligt på egen hand.

Amazon har utvecklat ControlG, ett system som lånar idéer från industriell maskinstyrning för att träna AI-modeller på flera uppgifter samtidigt. Istället för att blanda alla träningsmål på en gång – vilket ofta leder till att modellen presterar medelmåttigt på allt – hanteras målen ett i taget och dynamiskt, så att varje uppgift får tillräckligt med beräkningsutrymme. Det är en ganska elegant lösning på ett klassiskt problem inom maskininlärning: att lära sig mycket utan att glömma hälften av det.

EU har lanserat en plan för att mobilisera investeringar på över 330 miljarder kronor i sju nya datacenter, med målet att stärka Europas AI-infrastruktur. Det är ett tydligt tecken på att EU nu försöker ta igen försprånget mot USA och Kina på infrastruktursidan – pengar och serverhallar innan modellerna.

Mark Zuckerberg tror att miljarder människor inom kort kommer att ha sin egen personliga AI-agent – och Meta planerar förstås att tjäna pengar på det. Det intressanta är inte själva spådomen, utan att Meta nu tydligt positionerar AI-agenter som sin nästa stora affärsmodell.

En federal domare anser att Trumpadministrationen inte har tillräckliga bevis för att stämpla AI-företaget Anthropic som en säkerhetsrisk i leveranskedjan – en klassificering som ligger till grund för ett försök att förbjuda deras teknik. Det kastar en mörk skugga över administrationens strategi att använda nationella säkerhetsargument mot specifika AI-bolag.

Simon Willison har släppt en tidig alfa-version (0.1a0) av llm-chat-completions-server, ett plugin till hans LLM-verktyg som startar en lokal server med OpenAI-kompatibelt API. Det betyder att du kan peka appar som är byggda för OpenAI:s API mot valfri modell som LLM-verktyget stöder – ett smidigt sätt att testa lokala modeller utan att skriva om kod.

Simon Willisons kommandoradsverktyg LLM har släppt en release candidate (RC2) för version 0.32. Uppdateringen innehåller nya funktioner för att interagera med språkmodeller direkt från terminalen, men specifika detaljer om vad som är nytt i just den här versionen är knapphändiga i källan.

Simon Willisons kommandoradsverktyg LLM har släppt en release candidate för version 0.32. Verktyget låter utvecklare köra och experimentera med språkmodeller direkt från terminalen – det är ett av de mer använda open source-verktygen i AI-utvecklarvärlden.

Kinesiska AI-bolaget Deepseek uppges planera ett omfattande datacenter för AI i Inre Mongoliet, enligt källor med insyn i planerna som citeras av Bloomberg. Det är ett tydligt tecken på att Deepseek siktar på att bygga ut sin infrastruktur och tävla med de stora AI-aktörerna – både i Kina och globalt.

Samsung varnar för att bristen på avancerade minneschipp förvärras under 2027 och fortsätter in i 2028 – driven av den höga efterfrågan på AI-chips. Halvledardivisionen redovisade ett rörelseresultat som ökat med över 250 gånger jämfört med samma kvartal förra året, till 89,2 biljoner won. Något som är värt att notera: bolagets egen mobilverksamhet pressas nu av samma höga chippriser och redovisade sin första kvartalsförlust.