AI i rätten och i hårdvaran

OpenAI uppger internt att de räknar med att nå AGI (artificiell allmän intelligens – AI som klarar de flesta kognitiva uppgifter på mänsklig nivå) före utgången av 2026. Det är ett anmärkningsvärt påstående, men värt att notera att OpenAI själva definierar vad som räknas som AGI – så ribban är inte nödvändigtvis den filosofer eller forskare skulle sätta.

Forskare presenterar PLVR – en träningsmetod där språkmodellens resonemang lagras som ett synligt, körbart program snarare än att baka in det i modellens parametrar, vilket gör varje steg kontrollerbart. På två kodnings- och agentbenchmarks slår en 30B-modell tränad med PLVR både RL-tränade modeller (med 27,8 poäng) och betydligt större frontiermodeller (med 13,6 poäng). Det intressanta är att metoden kräver bara 100 exempelprogram per ny uppgift – inget nytt finjusteringsdata behövs.

Forskare har utvecklat GRACE, en metod för att få stora språkmodeller (LLMs) att selektivt glömma oönskad information – ett problem som kallas 'machine unlearning'. Det smarta är att GRACE klarar sig med bara några få exempelmeningar för att identifiera vad modellen ska glömma, i stället för att kräva stora färdigmärkta datamängder. I tester över två modell­familjer och fyra olika unlearning-algoritmer förbättrade metoden modellens allmänna förmåga utan att tumma på kvaliteten på det som faktiskt skulle glömmas bort.

En forskare på Anthropic har demonstrerat ett system där AI kan förbättra sitt eget beteende automatiskt – och lyckades bli bättre på samtliga 10 testade mått för oönskade beteenden utan att försämra sin generella prestanda. Det är anmärkningsvärt eftersom självförbättring utan sidoeffekter är ett av de svårare problemen inom AI-säkerhet.

En kostnadsfri AI-modell har nu nått samma prestandanivå som de ledande kommersiella alternativen från stora techbolag. Det intressanta är inte bara att den är gratis – utan att gapet mellan öppen och sluten AI krymper allt snabbare.

Simon Willison dyker djupt ner i hur ChatGPT fungerar – från tokenisering (hur text bryts ner i småbitar) till hur modellen förutsäger nästa ord baserat på sannolikheter. Det som är intressant här är att förstå dessa grundläggande mekanismer hjälper en att använda verktygen smartare och förstå varför de ibland hallucinerar eller misslyckas.

Bolag som utvecklar open-weight AI-modeller (modeller vars vikter är öppet tillgängliga, till skillnad från slutna modeller som GPT-4) har blivit eftertraktade uppköpskandidater i Silicon Valley. Mycket kapital flödar just nu in i strategin att ge bort modeller gratis – tanken är att dominans i det öppna ekosystemet kan vara minst lika värdefull som att sälja åtkomst. Det är en intressant vändning: gratismodellen som affärsstrategi verkar plötsligt vara värd miljarder.

En studie med 15 intervjuer bland bangladeshiska hinduer visar att AI-system fungerar hyfsat för skriftliga frågor och religiöst berättande, men att de tenderar att platta ut teologisk mångfald och ibland simulera helig auktoritet på ett sätt som upplevs som etiskt problematiskt. Forskarna argumenterar för att AI behöver 'tolkningsanpassning' – alltså system som är öppna med sina begränsningar och inte påstår sig representera det heliga – eftersom nuvarande AI-etikdiskussioner nästan uteslutande utgår från sekulära och västerländska (ofta abrahamitiska) religionsuppfattningar.

Nvidia bygger sitt AI-övertag på mer än bara kraftfulla grafikkort – nästa generations datacenter fokuserar på smartare trafikstyrning mellan komponenter snarare än att bara skruva upp processorhastigheten. Det handlar om att systemen ska bli effektivare som helhet, inte bara snabbare i enskilda delar.

Neocloud-bolaget Lambda har tagit upp ett privatlån på 1 miljard dollar – enbart för att köpa Nvidia-chips som sedan leasas ut till Microsoft. Det är den senaste i en rad liknande affärer som illustrerar hur kapitalkrävande AI-boomen faktiskt är: ingen bygger AI-infrastruktur med egna pengar längre.

AI-plattformen Hugging Face har lanserat Microduck – en 25 centimeter hög ankformad robot med öppen källkod som kostar 340 euro (cirka 3 800 kronor) och levereras före jul. Roboten kan plocka upp föremål på upp till 800 gram och användare kan träna den på nya beteenden via förstärkningsinlärning (en metod där roboten lär sig genom belöning och straff). Öppen källkod lyfts fram som en integritetsfördel, men tredjepartsappar kan fortfarande komma åt kameran.

Fackförbunden Akavia och DIK kräver att AI-frågor tas upp i nästa avtalsrörelse, med fokus på ansvarsfull och transparent användning där mänsklig kompetens sätts i centrum. Det är en tydlig signal att fackrörelsen nu börjar organisera sig kring AI som en arbetsmarknadsfråga – inte bara en teknikfråga.

Wilhelm Hedenskog och två klasskompisar har precis tagit studenten – och redan kniper de en plats i Silicon Valleys mest eftertraktade startup-accelerator, Y Combinator. Deras startup Qokeda säljer vetenskapliga testdata av hög kvalitet till stora AI-labb som behöver svårt material för att träna och utvärdera sina modeller. Det är en liten men het nisch: ju smartare AI-modellerna blir, desto svårare är det att hitta data som faktiskt utmanar dem.

Googles chefsekonom Fabien Curto Millet, på besök från Silicon Valley, avfärdar tanken på en AI-bubbla och menar att det som är unikt mänskligt blir mer värdefullt i takt med att jobben förändras. Hans konkreta råd till arbetsgivare: anställ unga som 'omvända mentorer' – alltså låt dem lära upp de äldre kollegorna om ny teknik.

X uppger sig ha identifierat ett nätverk med 200 000 falska konton kopplade till en kinesisk botfarm, varav flera hundra ska ha spridit hat mot AI-datacenter. Det är en ovanlig inriktning för koordinerad desinformation – att specifikt rikta in sig på AI-infrastruktur som mål.