Összefoglaló előnézete
Az MI 2026-ban: A Stanford HAI Jelentésének Technikai Mélyelemzése
Szia, haver! Ma mélyre merülünk abban, hogyan fejlődött az MI az elmúlt évben, egészen pontosan 2025-ben. A Stanford HAI kiadta az új AI Index Reportot, és annyi érdekes dolog van benne, hogy egyszerűen nem hagyhatjuk szó nélkül. Különösen a technikai fejlesztéseket érintő fejezet keltette fel az érdeklődésünket – ez az alapja mindennek, igaz? Olyan, mintha a motorháztető alá néznénk, nem csak a csillogó karosszériát. Készülj, sok szám, összehasonlítás és persze váratlan felfedezés vár ránk. Kivesézzük, hogyan tanult meg az MI jobban látni, megérteni a nyelvet, videókat generálni, érvelni, sőt, még mozogni is. Beszélünk arról, ki vezet most, miért nem működnek már a régi tesztek, és hol bizonytalan még az MI. Szóval, teljes merülés a legmodernebb MI-technológiák világába, de ahogy szeretjük: egyszerűen.
Fejezet: Bevezetés – Hová jutottunk?
Képzeld el, hogy házat építünk. Ez a jelentés olyan, mint egy építkezési szemle. Nem a falak festését nézzük (ez talán a közvéleményről vagy a gazdaságról szól), hanem az alapot, a vázszerkezetet, a vezetékeket – azokat a dolgokat, amik magát a házat alkotják. A mi esetünkben ez az MI technikai teljesítménye. Enélkül minden más csak üres szólam. 2025-ben az MI olyan eredményeket produkált, hogy úgy tűnik, még a fejlesztők sem számítottak rá. Nem csak egy kicsit lett jobb, elkezdte áttörni azokat a határokat, amiket korábban saját maga állított fel. Ez szinte minden területre igaz: a számítógépes látástól a robotikán át az önállóan cselekvő ügynökökig. Fő üzenet: Az MI villámgyorsan fejlődik, meghaladva azokat a módszereket, amelyekkel mérni próbáljuk. Ez egyszerre nagyszerű és kissé nyugtalanító, mert elveszítjük a kontrollt azzal kapcsolatban, hogyan értékeljük ezt a fejlődést.
Fejezet: Fő Tételi Pontok – Mi történt?
Lássuk rögtön a lényeget. Mi az, ami 2025-ben történt, és ami miatt a Stanford HAI szakértői riadót fújtak (vagy inkább csodálattal adóztak)? Tételi Pont 1: Az MI felülmúlja a neki szánt teszteket. Ez valószínűleg a legfontosabb következtetés. Emlékszel, hogyan próbálták korábban összehasonlítani az MI-t az emberrel valamilyen komplex feladatban? Nos, most az MI nemcsak utolérte az embert, de le is körözte. Például a "Humanity's Last Exam" (Az Emberiség Utolsó Vizsgája) teszten, amelyet kifejezetten nehézzé tettek a gépek számára, a legjobb modellek éves szinten 30%-os növekedést mutattak! Ez olyan, mintha egy diák egy év alatt a közepesről az olimpiai bajnoki címig jutna. A probléma az, hogy azok a tesztek, amelyeknek évekig kellett volna szolgálniuk minket, hónapok alatt telítődnek. Már nem alkalmasak a valós fejlődés nyomon követésére. Olyan, mintha egy elkopott, régi vonalzóval próbálnánk mérni egy gyerek magasságát. Tételi Pont 2: A Top modellek kiegyenlítődtek, de a verseny kiéleződik. Ha korábban volt egy domináns modell, mostanra egy vezető csoport alakult ki. Az Elo-rangsor (igen, mint a sakkban, csak MI-nek, ahol embereket értékelnek az "Arénában") szerint öt cég – Anthropic, xAI, Google, OpenAI, Alibaba és DeepSeek – nagyon szorosan követi egymást. A különbség közöttük csak pár tucat pont. Ez azt jelenti, hogy a harc már nem csak a tisztán teljesítményről szól, hanem más frontokon is: ki tudja olcsóbban, megbízhatóbban, vagy jobban egy adott feladatra (például orvosi vagy pénzügyi) optimalizálni a modellt. Most már nem elég csak okosnak lenni, okosnak és elérhetőnek is kell lenni. Tételi Pont 3: A zárt és a nyílt modellek közötti szakadék újra nő. 2024-ben úgy tűnt, a nyílt (open-source) modellek szinte utolérték a zártakat. De 2025-ben a trend megfordult. Most a legjobb zárt modellek már 3,3%-kal előzik meg a legjobb nyíltakat. Az "Aréna" top 10 modellje közül hat zárt. Ez rossz hír azoknak, akik a nyílt fejlesztéseken keresztül reménykedtek az MI demokratizálásában. Úgy tűnik, a legáttörőbb technológiák továbbra is a nagyvállalatok zárt ajtaja mögött maradnak. Tételi Pont 4: Az USA és Kína geopolitikai rivalizálása eléri a paritást. Korábban gyakran beszéltek arról, hogy az USA jelentősen megelőzi Kínát az MI fejlesztésében. De 2025-re a helyzet megváltozott. Az amerikai és a kínai modellek fel-alá cserélgették helyüket a rangsorokban. Hol a kínai DeepSeek-R1 modell rövid időre utolérte a legjobb amerikai modellt, hol fordítva. Jelenleg az USA legjobb modellje 2,7%-kal előzi meg a kínait. A különbség kicsi és folyamatosan ingadozik. Úgy tűnik, az MI-fegyverkezési verseny egyenlő felek között zajlik. Tételi Pont 5: A benchmarkok elveszítik megbízhatóságukat, "megtévesztik" őket. Ez az első pont közvetlen következménye. Kiderítettük, hogy a népszerű tesztekben az hibák aránya elérheti a 42%-ot! Például a GSM8K feladatnál (ez matematikai feladatok megoldása) sok volt a helytelen kérdés. Emellett felmerül a gyanú, hogy egyes modellek
Fejezet: Kulcsfontosságú Ötletek – Mi áll a számok mögött?
Vizsgáljuk meg ezeket a tételeket mélyebben, hogy megértsük, mit jelentenek ez nekünk, a technológiának és a jövőnek.
Ötlet 1: A benchmarkok "palacknyakúsága"
Képzeld el, hogy meg akarod tudni, milyen gyorsan fut egy sportoló. Kitűzöl neki egy mért távot. De ha a sportoló annyira gyors lesz, hogy szinte nulla idő alatt futja le, akkor már nincs értelme tovább mérni. Nem tudod megkülönböztetni őt egy másik, hasonlóan szupergyors sportolótól. Az MI-vel pontosan ugyanez történik. Az olyan benchmarkok, mint az MMLU (Massive Multitask Language Understanding) vagy a GSM8K (Grade School Math 8K), arra lettek tervezve, hogy évekig relevánsak legyenek. De a modellek annyira jól megtanultak megoldani ezekről a tesztekről feladatokat, hogy „telítődtek”. Vagyis a legtöbb legjobb modell maximális pontszámot ér el rajtuk. Ez azt jelenti, hogy nem tudjuk használni ezeket a teszteket annak megállapítására, melyik modell jobb. Probléma: A benchmarkok hasznos ablakának beszűkülése. Azok a tesztek, amelyeknek sokáig kellett volna relevánsak maradniuk, hónapok alatt elavulnak. Következmények: Nehéz objektíven összehasonlítani a modelleket, nehéz nyomon követni a valós fejlődést. Olyan ez, mint egy már kifakult címke alapján próbálni megítélni egy bor minőségét. Mit kell tenni? Új, összetettebb és dinamikusabb tesztekre van szükség. Talán olyan tesztekre, amelyek alkalmazkodnak a modell szintjéhez, vagy olyanokra, amelyek nem csak a tudást, hanem a gondolkodási és valós körülményekhez való alkalmazkodási képességet is tesztelik.
Ötlet 2: "Fogazott intelligencia" – zsenialitás és dilettantizmus egyben
Ez az egyik legérdekesebb koncepció, amit a jelentés felvet. "Jagged intelligence" – "fogazott intelligencia". Ez akkor fordul elő, amikor az MI hihetetlenül erős lehet az egyik területen, és ugyanakkor teljesen tehetetlen egy másik, látszólag egyszerűbb területen. Példa a jelentésből: a Gemini Deep Think modell aranyérmet szerzett a Nemzetközi Matematikai Olimpián (IMO) 2025-ben. Ez komoly teljesítmény, amely mély matematikai tudást és logikát igényel. A modell a rendelkezésre álló idő alatt megoldotta a feladatokat, teljes egészében természetes nyelven dolgozva. 2024-ben egy másik modell ezüstérmet szerzett. Tehát a fejlődés nyilvánvaló. De! A ClockBench teszten, amely a modellek analóg órán való időmeghatározási képességét teszteli, ez a (vagy egy hasonló top) modell mindössze 50,6%-ban teljesített jól. Összehasonlításképpen, egy ember 90,1%-ban. Ez egyszerűen lenyűgöző. Hogyan lehetséges ez? Ok: A modelleket hatalmas adathalmazokon tanítják, de ezek az adatok nem lehetnek kiegyensúlyozottak. A matematikai feladatok strukturált adatok, amelyeknél világos szabályok és logika érvényesül. Az analóg órán való időmeghatározás olyan feladat, amely nemcsak képelemzést (számlap, mutatók) igényel, hanem térbeli gondolkodást, a mutatók relatív helyzetének megértését, és talán némi intuíciót is, ami az MI-nek még nincs. Következtetés: Az MI-nek még nincs univerzális, emberszerű intelligenciája. Inkább nagyon erős, de szűken specializált "eszközök" gyűjteménye. Ezt fontos megérteni, amikor az "általános mesterséges intelligenciáról" (AGI) beszélünk.
