720 miljarder skäl att ta AI på allvar

Forskare har hittat ett sätt att styra hur resonerande AI-modeller fördelar sin beräkningstid, utan att behöva träna om dem. Genom att justera vilka experter som aktiveras i så kallade MoE-modeller (Mixture-of-Experts – en arkitektur där olika delar av modellen specialiserar sig på olika uppgifter) kunde de minska antalet genererade tokens med i median 30 procent, utan att noggrannheten föll mer än 0,5 procentenheter. Det intressanta är egentligen hur mycket compute som slösas på att modeller fortsätter räkna efter att de redan löst problemet – och att det faktiskt går att åtgärda utan dyr omskolning.

Forskare har tagit fram UniCompress, ett ramverk som komprimerar en multimodal AI-modell (en som förstår både bild och text) med 76% – från 8,9 GB ner till 2,1 GB – för att göra den körbar på enheter med begränsat minne, som robotar och mobiler. Tricket är att använda en 'lärarmodell' som vägleder komprimeringsprocessen så att prestandan bevaras, och resultatet landar bara 0,9 procentenheter under originalmodellen på fyra olika uppgifter. Det intressanta är att man slipper hålla flera separata specialistmodeller i minnet – en enda komprimerad modell klarar allting.

Google DeepMind har släppt Gemini 2.0 Flash, en uppdaterad AI-modell optimerad för hastighet och låg kostnad – med förbättrad förmåga att hantera längre videoklipp. Det är den typ av modell som är tänkt att köras i stor skala i appar och tjänster snarare än att imponera på benchmarks, vilket gör prissättningen och kapacitetstaket mer intressant än råprestandan.

Integritetsskyddsmyndigheten (IMY) inleder en granskning av Arbetsförmedlingen och dess AI-system som avgör vilka stödinsatser arbetssökande erbjuds. Det intressanta här är att ett myndighets-AI som direkt påverkar människors möjligheter till jobb eller studier nu hamnar under tillsyn – ett område där fel beslut kan få stora konsekvenser för enskilda.

AI-agenter som fick i uppdrag att självständigt handla TV-apparater, laptops och hårvårdsapparater lyckades bara i 57 procent av fallen, enligt en ny studie från betaltjänstbolaget Visa. Med andra ord: nästan varannan gång köpte de fel vara eller misslyckades helt – ett påminnande om att autonoma AI-agenter fortfarande har en bit kvar innan de kan sköta vardagsärendet utan tillsyn.

Tre nyheter från AI-världen på en gång: OpenAI bidrar med säkerhetsarbete i Linux-kärnan, kinesiska Kimi K3.1 Pro släpper sina modellvikter öppet (vilket innebär att vem som helst kan ladda ner och köra modellen lokalt), och Ricursive lanserar Ripple-65B – en stor språkmodell med 65 miljarder parametrar. Det intressanta här är egentligen trenden: öppna vikter blir alltmer normen även bland aktörer som tidigare hållit allt bakom stängda dörrar.

SCB:s nya undersökning visar att 49 procent av svenska företag med minst 10 anställda använde AI under 2026 – en ökning med 14 procentenheter på ett år. Storleken spelar stor roll: bland storföretagen (250+ anställda) är siffran hela 85 procent, medan mindre företag ligger på 45 procent. Marknadsföring och försäljning är det vanligaste användningsområdet (55 procent), medan logistik knappt tagit fart (7 procent).

Större AI-modeller och längre kontexter kräver allt mer GPU-minne samtidigt som tillgången minskar och priserna stiger. NVIDIA var först med att implementera HBM3e och HBM4 (nästa generations höghastighetsminne) i sina chip, och samarbetar tätt med minnestillverkare för att pressa ut mer prestanda ur varje byte. Det handlar i grunden om att lösa en flaskhals som riskerar att begränsa hur kraftfulla AI-system kan bli.

Nvidia presenterar Vera, en CPU (central processor) designad specifikt för att hantera de delar av AI-agenters arbetsflöde som inte kräver GPU – som databassökningar, kodskrivning och åtgärder i externa system. Det intressanta här är att Nvidia erkänner att framtidens AI-infrastruktur handlar lika mycket om vanlig processorkraft som om de grafikkort bolaget redan dominerar. Inga specifika prestandasiffror har ännu offentliggjorts.

Chris Alexiuk, senior ingenjör på NVIDIA i Toronto, arbetar med att göra öppna språkmodeller (LLM:er – AI-modeller vars kod är fritt tillgänglig) mer praktiska för utvecklare i vardagen. Hans grundfilosofi är enkel: om du tror på öppen AI, säg det högt. Det som är intressant här är att NVIDIA – känt för sin hårdvara – alltså också satsar på att forma hur öppna modeller faktiskt används.

Bill Gates slår larm om att AI skulle kunna användas för att utveckla biologiska vapen med konsekvenser värre än covid-19, och kräver hårdare statlig reglering av tekniken. Det är en av de mörkare riskscenarierna som lyfts allt oftare i AI-debatten – inte av alarmister, utan av personer med direktkoppling till både tech och global hälsa.

Göteborg är nu med i den nationella AI-verkstaden, en satsning där kommuner och regioner testar digitala AI-verktyg i offentlig sektor – tidigare var det bara Mörbylånga och Region Halland som var med. Staden börjar försiktigt genom att enbart testa på påhittade data, bland annat för att pröva så kallad maskning (automatisk döljning av känslig information som personnummer eller adresser). Det intressanta är hur det offentliga Sverige sakta men säkert bygger upp en gemensam infrastruktur för att hantera AI på ett juridiskt hållbart sätt.

Amazon-forskaren Hamed Karimi och hans medförfattare har tilldelats ECML PKDD Test-of-Time Award för ett arbete som förklarar varför ofta använda optimeringsmetoder inom maskininlärning faktiskt fungerar. Nyckeln visade sig vara ett matematiskt villkor från 1963 som länge förbisetts. Det intressanta är att fältet i decennier använt metoderna utan att riktigt förstå varför – nu finns svaret.

Meta slår larm om att växande lokalt och politiskt motstånd mot stora datacenterbyggen kan sätta käppar i hjulet för bolagets AI-expansion. Det är en intressant signal – inte för att det är oväntat, utan för att det visar att den fysiska infrastrukturen bakom AI faktiskt kan bli en politisk bromskloss, inte bara en teknisk eller ekonomisk fråga.