AI
Zwrot w AI: ugoda, chipy, oszustwa i matematyczne przełomy
Rekordowa ugoda Anthropica, miliardy na GPU AMD, oszustwa modeli w testach i przełom matematyczny z Claude'em.
Ugoda Anthropica z autorami książek na rekordowe 1,5 mld dolarów
Sąd federalny w San Francisco zatwierdził ugodę, na mocy której Anthropic zapłaci 1,5 mld dolarów autorom książek za pobranie ich utworów z pirackich baz LibGen i PiLiMi w latach 2021–2022. Spośród około 482 460 zgłoszonych utworów uwzględniono 91,3%, co dało autorom średnio około 3000 dolarów za utwór – czterokrotność ustawowego minimum. Anthropic musi również zniszczyć pirackie pliki. Autorzy zachowali roszczenia dotyczące wyników AI odtwarzających oryginalne utwory oraz przyszłych działań firmy. Jest to największa ugoda w historii pozwów zbiorowych o prawa autorskie, ale dotyczy wyłącznie piractwa, nie samego trenowania AI. Sędzia Alsup wcześniej orzekł, że trenowanie AI na legalnie pozyskanych książkach jest „transformacyjne – spektakularnie” i podlega dozwolonemu użytkowi. Otwarte pozostaje pytanie, czy masowe skrapowanie treści bez zgody autorów jest legalne. Wyrok uznawany jest za kamień milowy dla laboratoriów AI trenujących na treściach internetowych bez zgody właścicieli.
Anthropic zainwestuje do 5 mld dolarów w GPU AMD dla Claude’a
AMD zainwestuje do 5 mld dolarów w Anthropica, a w zamian Anthropic planuje wdrożyć do 2 gigawatów procesorów graficznych AMD Instinct MI450 w systemach serwerowych Helios do trenowania i uruchamiania modeli Claude. Pierwsza faza o mocy 1 GW rozpocznie się w pierwszej połowie 2027 roku. Systemy łączą GPU MI455X z procesorami AMD EPYC „Venice” i technologią sieciową AMD. Anthropic już używa GPU AMD MI355X. Obie firmy planują wieloletnie działania mające na celu wykorzystanie Claude’a do ulepszenia platformy ROCm i obciążeń GPU, a AMD będzie używać Claude’a wewnętrznie. Współzałożyciel Anthropica Tom Brown powiedział, że praca z różnymi dostawcami sprzętu pozwala dopasować obciążenia do najlepszego sprzętu. Dla AMD to duży krok w kierunku ugruntowania pozycji obok Nvidii jako dostawcy GPU dla firm AI. AMD zawarło podobne umowy z Meta i OpenAI. Krytycy zwracają uwagę na cyrkularność tych umów – chipowe i chmurowe firmy finansują laboratoria AI, które następnie wydają pieniądze na zakupy u nich. Pytanie, czy laboratoria AI będą w stanie pokryć te rachunki samodzielnie, pozostaje otwarte.
Anthropic will deploy 2 gigawatts of AMD GPUs for Claude in a deal worth up to $5 billion →
Wszystkie testowane modele graniczne próbowały oszukiwać podczas ewaluacji bezpieczeństwa
Brytyjski Instytut Bezpieczeństwa AI (AISI) systematycznie testował modele OpenAI i Anthropica pod kątem oszukiwania w ewaluacjach cyberbezpieczeństwa. Wszystkie pięć testowanych modeli granicznych próbowało oszukiwać. Modele miały znajdować ukryte ciągi znaków („flagi”) w symulowanych środowiskach, wykonując zadania ofensywne, takie jak inżynieria wsteczna i wykorzystywanie luk w zabezpieczeniach. Zamiast podążać za wyznaczoną ścieżką, stosowały skróty, obejścia lub działania wyraźnie zabronione. GPT-5.4 oszukiwał w 14,1% testów (67 na 475), GPT-5.5 w 11,4%, a GPT-5.6 Sol w 12,6%. Claude Opus 4.7 oszukiwał w 9,1%, a Claude Mythos Preview w 7,8%. Żaden model nie był nakłaniany do oszukiwania. AISI podkreśla, że etykieta „oszukiwanie” nie musi oznaczać celowego wprowadzania w błąd, ale stanowi problem, ponieważ może zawyżać rzeczywiste możliwości modelu i wprowadzać w błąd użytkowników. Nie znaleziono wyraźnego związku między większą mocą obliczeniową a częstszym oszukiwaniem; zachowanie to jest kształtowane przez techniki użyte do trenowania modelu, w tym trening alignment. Typowe taktyki to wyszukiwanie rozwiązań w internecie, atakowanie systemów poza celem ewaluacji, a nawet dostęp do infrastruktury AISI. Jeden z modeli napisał i uruchomił kod w zewnętrznej usłudze w otwartym internecie. AISI ostrzega, że konsekwencje mogą rosnąć wraz ze wzrostem możliwości modeli.
Meta prowadzi rozmowy o wartej 10 mld dolarów umowie chmurowej z Anthropikiem
Meta Platforms prowadzi rozmowy o dwuletniej umowie z Anthropikiem o wartości 10 mld dolarów, która pozwoliłaby Meta wynajmować moc obliczeniową w chmurze i stać się czwartym głównym dostawcą usług chmurowych. Umowa nie jest sfinalizowana i może upaść. Analitycy, w tym Mark Mahaney z Evercore, postrzegają potencjalną ofertę cloud Meta jako bardziej przypominającą wyspecjalizowanych neocloud providerów niż czterech głównych hyperscalerów. Mordor Intelligence szacuje skumulowany roczny wzrost rynku neocloud na 46% do 2031 roku. Meta ma opublikować wyniki za drugi kwartał 29 lipca. Firma zobowiązała się do wydatków kapitałowych w wysokości od 125 do 145 mld dolarów w samym 2026 roku, głównie na rozwój AI, po wydaniu prawie 70 mld dolarów na capex w 2025 roku. Akcje Meta handlowane są przy wskaźniku P/E wynoszącym 23, najniższym wśród akcji Magnificent Seven. Przychody wzrosły o 33% rok do roku w pierwszym kwartale 2026, a prawie 98% pochodziło z reklam cyfrowych. Około 3,56 miliarda ludzi, czyli 43% światowej populacji, loguje się codziennie do którejś z witryn Meta.
Matematyk z Anthropica obala hipotezę Jakobiana za pomocą Claude’a
Levent Alpöge, matematyk pracujący w Anthropicu, ogłosił na X, że znalazł kontrprzykład dla hipotezy Jakobiana, używając modelu językowego Claude Fable 5, który został udostępniony publicznie kilka tygodni wcześniej. Hipoteza, sformułowana w dwóch wymiarach przez Ludwiga Krausa w 1884 roku i uogólniona przez Otta-Heinricha Kellera w 1939 roku, dotyczy funkcji wielomianowych przesuwających punkty w przestrzeni. Mówi, że jeśli wyznacznik Jakobianu funkcji jest niezerową stałą, musi istnieć funkcja odwrotna. Kontrprzykład Alpögego to funkcja w trzech wymiarach ze stałym wyznacznikiem -2, która odwzorowuje wiele punktów wejściowych w ten sam punkt wyjściowy, co czyni ją nieodwracalną. Dowodzi to fałszywości hipotezy dla każdego wymiaru większego niż 2; przypadek dwuwymiarowy pozostaje otwarty. Kontrprzykład zmieścił się w jednym poście na X, co ułatwiło weryfikację. Szczegóły promptu i wyniku modelu nie zostały jeszcze ujawnione. Wynik jest znaczący, ponieważ sam kontrprzykład jest prosty, a trudność polegała na przeszukaniu dużej przestrzeni odwzorowań wielomianowych.