Top 5 obrata u AI svetu ove nedelje

Iako je poznata uzrečica da „AI nikada ne spava“, ove nedelje istraživači su uradili upravo to – naučili su veštačku inteligenciju da spava.

Iza nas je sedmica koja se bez preterivanja može opisati kao jedna od najdramatičnijih u istoriji razvoja tehnologije. Prisustvujemo dubinskom prestrukturiranju čitavog AI pejzaža kroz dva ključna makro-trenda. S jedne strane, svedočimo smeni era: umesto besomučne eksploatacije sirove računarske snage (brute force), istraživači se okreću biološki inspirisanoj efikasnosti i algebarskoj eleganciji. S druge strane, nastaje dramatičan rascep u hardverskom ekosistemu — dok giganti potpisuju stotine milijardi dolara vredne ugovore za data centre, otvoreni modeli doživljavaju radikalnu minijaturizaciju i prelaze u naše džepove.

Kao neko ko izbliza analizira svaki korak u razvoju veštačke inteligencije, sintetišao sam pet najšokantnijih i najuticajnijih proboja iz ove nedelje koji dokazuju da više ne govorimo samo o napretku softvera, već o ulasku u pravu naučnu i industrijsku singularnost.

1. Zašto veštačka inteligencija mora da spava da bi zapamtila više

Jedno od najvećih teorijskih i praktičnih ograničenja savremenih velikih jezičkih modela (LLM) jeste njihova statičnost nakon završetka treninga. Informacije usvojene tokom razgovora ostaju zapamćene samo unutar trenutnog kontekstualnog prozora, dok naknadno dodavanje novih podataka često dovodi do „katastrofalnog zaboravljanja“ prethodno savladanog znanja.

Google-ovi istraživači su ovom problemu prišli inspirisani ljudskom biologijom i predstavili novi okvir za treniranje pod nazivom "Sleep" (Spavanje). Sistem funkcioniše kroz dve dinamičke faze:

• "Wake" faza (Faza budnosti): Model aktivno komunicira sa korisnicima, izvršava zadatke i privremeno skladišti nove ulazne podatke.
• "Sleep" faza (Faza spavanja): Model prekida prijem novih spoljnih inputa i započinje prenos naučenog u dugoročnu memoriju. Tokom ove faze odvija se proces analogan sanjanju – model samostalno generiše sopstvene zadatke za vežbanje, bira najkorisnije i trenira sam sebe.

Rezultati ovog eksperimenta su zapanjujući. Na testovima memorije sa izuzetno dugim kontekstom, model je postigao skoro savršeno prisećanje informacija na kontekstu dužine do čak 10 miliona tokena (oko 700.000 reči).

Što je još važnije, tokom faze „sanjanja“ model je pokazao merljiva poboljšanja u matematičkom rezonovanju i učenju novih jezika, potvrdno odgovorivši na izazov zaboravljanja prethodnog znanja. Ovaj proboj otvara vrata modelima koji kontinuirano uče iz sopstvenog iskustva umesto da ostanu zamrznuti u vremenu.

2. Od četbotova do naučne singularnosti: AI rešava decenijske misterije fizike i matematike

OpenAI je objavio niz naučnih proboja koji transformišu ulogu veštačke inteligencije iz lingvističkog kalkulatora u primarni alat naučnog otkrića. U žarištu pažnje nalazi se rušenje Hipoteze o eksponencijalnom vremenu (Exponential Time Hypothesis - ETH), pretpostavke koja je decenijama služila kao temelj u računarskim naukama.

ETH se odnosi na poznati problem SAT (problem zadovoljivosti boolovskih formula), gde se sa svakim novim „prekidačem“ broj mogućnosti udvostručuje. Decenijama se verovalo da je nemoguće izbeći eksponencijalnu eksploziju računarskog vremena pri rešavanju ovog problema. OpenAI-jev interni model otkrio je novi algoritam koji dokazuje da je ETH hipoteza netačna. Izbegavajući sirovu silu, algoritam koristi algebru, deli problem u manje grupe i povezuje ih kompresovanim informacijama kako bi izračunao tačan broj rešenja, što je već formalno potvrđeno korak po korak u sistemu Lean.

Pored rušenja ETH-a, OpenAI je obznanio još dva velika naučna uspeha:

• Rešenje konjekture o lokalnom glačanju (Local Smoothing Conjecture): Rešen je problem star 35 godina koji opisuje kako se ponašaju talasi kada postanu ekstremno koncentrisani — pružajući fizičku intuiciju da ti ekstremni trenuci koncentracije ne mogu dugo trajati. Dokaz je dostavljen za sve dimenzije, što direktno implicira i rešenje poznate Kakeya konjekture u svim dimenzijama.
• Proboj u kvantnoj hromodinamici (QCD) i Yang-Mills teoriji: Model je ponudio matematički dokaz egzistencije konzistentne teorije koja opisuje jaku nuklearnu silu koja drži kvarkove unutar protona i neutrona. Time je delimično rešen jedan od problema Milenijumske nagrade (dokazan je prvi deo o egzistenciji teorije, dok deo koji se odnosi na „maseni procep“ još uvek ostaje nerešen).

Ključni uvid: AI više nije samo četbot koji predviđa sledeću reč na osnovu statističke verovatnoće. Prisustvujemo tranziciji u kojoj veštačka inteligencija postaje suštinski mehanizam za naučna otkrića, sposoban da razreši matematičke i fizičke strukture koje su decenijama prkosile najvećim ljudskim umovima.

3. Finansijski šok: Kako je Anthropic postao profitabilan uprkos „gubitku“ od 80 milijardi dolara

Kompanija Anthropic zvanično je podnela S-1 izveštaj za izlazak na berzu (IPO) na NASDAQ-u pod oznakom Ant, sa ciljanom valuacijom od 2 biliona dolara — što bi mogao biti najveći IPO u istoriji. Dokumentacija je otkrila fascinantnu ekonomsku sliku AI industrije.

Prihodi kompanije doživeli su tektonski skok: sa 1,2 milijarde dolara u prvoj polovini prošle godine na 16,3 milijarde dolara u prvoj polovini ove godine, što predstavlja rast od skoro 14 puta.

Iako izveštaj na prvi pogled prikazuje masivan računovodstveni gubitak od 80,7 milijardi dolara, reč je o računovodstvenom pravilu valorizacije ranijih investitorskih ugovora usled eksplozije valuacije. Stvarni operativni gubitak iznosio je znatno skromnijih 693 miliona dolara, dok je prilagođeni (adjusted) operativni profit — kada se isključe bezgotovinski troškovi poput kompenzacija u akcijama — dostigao čak 1,6 milijardi dolara. Time je Anthropic dokazao održivost poslovanja, izdvojivši se od konkurentskih laboratorija koje i dalje ubrzano troše kapital.

Ključni finansijski uviđaji iz izveštaja:

• Granularna baza klijenata: Anthropic ima oko 12.000 klijenata koji troše više od $100.000 godišnje, blizu 2.000 klijenata koji troše preko $1 milion godišnje, dok približno 250 klijenata troši više od $10 miliona godišnje. Ipak, prisutan je rizik koncentracije jer top 5 klijenata donosi 21% ukupnih prihoda.
• Compute obaveze: Kompanija je ugovoriila poslove za računarsku infrastrukturu u vrednosti od preko 600 milijardi dolara (uključujući sporazume do 150 milijardi dolara sa Google-om i do 120,5 milijardi dolara sa SpaceX-om, uz ugovore sa Amazon-om i Microsoft-om). Važno je naglasiti da su ovi iznosi raspoređeni na višekodišnji period, a ne trenutni novčani izdaci.
• Osnivačka kontrola: Sedam osnivača kompanije zadržava potpunu upravljačku kontrolu, držeći 50,1% glasačke moći putem specijalnih akcija.

4. Gemini 4 Carbon stiže na vrh tabele uz nikada veću iskrenost

Google je predstavio svoj novi flagship model Gemini 4 Carbon, koji je odmah preuzeo 1. mesto na globalnoj rang-listi platforme Artificial Analysis, prestigavši Claude Opus 5.5 i GPT6 Astra.

Model se posebno izdvojio na Omniscience benchmarku, gde je zabeležio najnižu stopu halucinacija i najvišu ocenu iskrenosti u istoriji merenja. Gemini 4 Carbon pokazuje novu vrstu inteligentnog ponašanja: kada nema dovoljno podataka za tačan odgovor, model to direktno priznaje umesto da izmišlja uverljive netačnosti.

Model je ostvario impresivne rezultate i na drugim specijalizovanim testovima:

• Vending Bench: Zauzeo je ubedljivo 1. mesto u kompleksnoj simulaciji vođenja virtuelnog biznisa sa prodajnim aparatima.
• Blueprint Bench: U zadatku prevođenja fotografije prostorije u precizan 2D tlocrt, model se izjednačio sa prosečnim ljudskim rezultatom (human baseline).

Interesantan balans primećuje se na Frontier Suite benchmarku (napredni inženjerski softverski zadaci), gde je Gemini 4 Carbon zauzeo 3. mesto iza modela GPT6 Astra i Claude Opus 5.5. Međutim, Google naglašava da Carbon postiže ovaj približan nivo performansi uz znatno nižu cenu obrade po tokenu.

Trenutno ograničenje: Gemini 4 Carbon je za sada dostupan isključivo licenciranim timovima za sajber odbranu, dok se šire lansiranje očekuje u narednim fazama.

5. Ekstremna efikasnost: Generisanje govora bez GPU-a i na samo 8.5 MB

Nasuprot gigantskim sistemima koji zahtevaju stotine milijardi dolara u infrastructure ugovorima, ove nedelje svedočimo paraleleom trendu radikalne minijaturizacije modela otvorenog koda (open-source). Fascinantan primer je Parody 1.2, TTS model za sintezu govora nastao destilacijom iz znatno većeg modela Kakuro.

Kompresovana verzija ovog modela zauzima svega 8.5 megabajta i licencirana je pod fleksibilnom Apache 2 licencom. Zbog svoje minijaturne veličine, Parody 1.2 ne zahteva nikakav GPU — izvršava se direktno na običnom procesoru (CPU) koristeći samo jednu nit (thread), uz zadržavanje visokog kvaliteta sinteze.

Ovaj proboj prati čitav novi talas kompaktnih lokalnih modela:

• Spark X2.6 (1.7B): Izuzetno brz model od samo 1.7 milijardi parametara koji zauzima 3.4 GB memorije i radi lokalno na pametnim telefonima i prenosnim računarima.
• Liquid AI (LMF3 serija): Porodica mikro-modela od oko 2 milijarde parametara koja uključuje specijalizovane varijante kao što su OmniVision (optimizovan za ultrafast donošenje odluka poput detekcije spama ili odobrenja povraćaja novca), Audio, Vision, kao i puni Omni multimodalni model.

Ovaj trend lokacije i minijaturizacije dokazuje da napredne AI funkcionalnosti, privatnost podataka i rad bez internet veze postaju dostupni na standardnom potrošačkom hardveru.

Zaključak

Sedmica za nama uverljivo ilustruje novu fazu u razvoju veštačke inteligencije. Prelazak sa "brute force" pristupa na biološki inspirisano učenje kroz "spavanje", algebarsko rešavanje decenijskih matematičkih problema, finansijska zrelost sa milijardama prilagođenog profita, te postojanje multimodalnih modela od svega nekoliko megabajta — sve to ukazuje na fundamentalno sazrevanje tehnologije.

Da li prisustvujemo ulasku u pravu naučnu singularnost i koji vas od ovih pet proboja najviše fascinira ili zabrinjava?