En nylig melding på sosiale medier har vakt oppmerksomhet, og det påstås at Ellisons, som er tilknyttet Oracle, er involvert i betydelige medie- og teknologiske utviklinger. Meldingen hevder at deres innflytelse strekker seg til nedgangen for CBS TV og radio, sammenslåingen av Paramount-Warner Brothers og et betydelig antall teknologilarbeidere som har blitt sagt opp siden 2025.
Dette utviklingen er viktig fordi den fremhever den potensielle innvirkningen av mektige personer og korporasjoner på teknologi- og medie-landskapet. Den påståtte involveringen i større industrielle endringer og betydelige arbeidstap raiser spørsmål om rollen til korporative interesser i å forme fremtiden for teknologi og media.
Etter hvert som denne historien utvikler seg, vil det være viktig å følge med på videre utviklinger og potensiell bekreftelse av påstandene i meldingen. Gitt kilden, heise online English, en respektert IT nyhetstjeneste, kan påstandene være verdt en nærmere undersøkelse. Imidlertid, uten videre informasjon, forblir omfanget av Ellisons' involvering spekulativ.
Forskere har introdusert Long-Horizon-Terminal-Bench, en ny målestokk for å teste AI-agenter på komplekse, langhorisontale oppgaver. Dette er viktig fordi eksisterende målestokker fokuserer på enkle, kortvarige problemer og overseer fremgang og delvis løsninger på veien. Den nye målestokken, som har fått 43 oppstemmer på Hugging Face, vurderer agenter på oppgaver som krever hundrevis av episoder og minutter til timer med utførelse, og legger vekt på langhorisontal planlegging og iterativ feilsøking.
Innføringen av Long-Horizon-Terminal-Bench er betydelig fordi den gir en mer nyansert forståelse av agentens evner, og går utenfor binære bestått/ikke bestått-mål med tette belønningbaserte vurderinger. Empiriske resultater har allerede avdekket betydelige begrensninger i nåværende agenter, og understreker behovet for bedre planlegging og selvverifisering i langhorisontale scenarier.
Ettersom feltet AI fortsetter å utvikle seg, vil målestokker som Long-Horizon-Terminal-Bench spille en avgjørende rolle i å utvide grensene for hva agenter kan oppnå. Det som nå skal følges med, er hvordan forskere og utviklere responderer på utfordringene som denne nye målestokken stiller, og hvordan den påvirker utviklingen av mer kapable og robuste AI-agenter.
En ny plugin er utviklet for Claude-koden, et kodeverktøy utviklet av Anthropic, som spiller av en Mr. Meeseeks-lydlinje når Claude venter på brukerinputt. Denne pluginen legger til en personlig touch til kodingopplevelsen, og gjør den mer engasjerende og moro for utviklere.
Innføringen av denne pluginen er viktig, da den høydepunkter den voksende økosystemet til Claude-koden og kreativiteten til samfunnet. Ettersom utviklere fortsetter å utforske og utvide mulighetene til Claude-koden, kan slike plugins forbedre den totale brukeropplevelsen og produktiviteten.
Ettersom Claude-kodeplattformen fortsetter å utvikle seg, vil det være interessant å se hvordan samfunnet reagerer på denne pluginen og om lignende kreative utvidelser oppstår. Med ressurser som Claude-kode-dokumenter og tutoriale tilgjengelig, kan utviklere videre tilpasse og optimere sin kodingopplevelse.
Apple's sak mot OpenAI har fått betydelig oppmerksomhet, med iPhone-produsenten som hevder at AI-laboratoriet har misbrukt deres immaterielle eiendom. Som vi rapporterte på July 13, anklager Apple's søksmål OpenAI for å bruke tidligere ansatte, hemmelige filer og fysiske komponenter til å utvikle ny maskinvare, noe som markerer en betydelig eskalering i konflikten mellom de to teknologigigantene.
Denne saken er viktig fordi den understreker den intense konkurransen i AI-næringen, der handelshemmeligheter og immaterielle eiendom er avgjørende. Apple's søksmål mot OpenAI understreker også utfordringene med samarbeid mellom store teknologiselskaper, ettersom deres samarbeid om AI-prosjekter har utviklet seg til en bitter rettssak. Utfallet av denne saken kan ha betydelige konsekvenser for fremtiden til AI-maskinvareutvikling og bruken av handelshemmeligheter i næringen.
Etterhvert som saken utvikler seg, vil det være viktig å følge med på hvordan retten navigerer i de komplekse anklagene om tyveri av handelshemmeligheter og kontraktbrudd. Med Apple som søker en rettsordre for å forhindre OpenAI fra å besitte eller bruke deres konfidensielle informasjon, er innsatsen høy for begge parter. Søksmålet er en betydelig utvikling i AI-næringen, og utfallet vil bli nøye fulgt av bransjeobservatører og eksperter.
Apple har lansert de første offentlige betaversjonene av iOS 27 og iPadOS 27, og gjort dem tilgjengelige for alle med en kompatibel enhet. Dette tillater brukerne å teste den nye programvaren og gi tilbakemeldinger som kan hjelpe med å forme de endelige utgavene.
De offentlige betaversjonene er en del av Apple Beta Program for programvare, som gjør det mulig for brukerne å delta i utviklingsprosessen ved å teste forhåndsvisninger av Apple's operativsystemer. Dette inkluderer ikke bare iOS og iPadOS, men også macOS, tvOS, watchOS, HomePod programvare og AirPods firmware.
Det viktige her er at offentlige betatestere får en tidlig glimt av de nye funksjonene og forbedringene i iOS 27 og iPadOS 27, og deres tilbakemeldinger vil være avgjørende for å finpusse disse oppdateringene før de offisielle utgavene. Mens brukerne begynner å teste disse betaversjonene, vil det være interessant å se hva de oppdager og hvordan deres innspill påvirker de endelige produktene.
En nylig utvikling på claude har vakt interesse for å bruke SQL til maskinlæring. xarray-sql-prosjektet lar brukerne spørre Xarray-datasett med SQL, og dette kan potensielt åpne opp for nye muligheter for dataanalyse. Denne eksperimenen "pivoterer" Xarray-datasett for å behandle dem som tabeller, og dette muliggjør SQL-forespørsler mot dem.
Dette er viktig fordi det kan forenkle prosessen med å arbeide med store datasett, særlig for de som allerede er kjent med SQL. Ved å utnytte kraften til databaser, kan brukerne kanskje unngå behovet for programmeringsspråk som Python eller rammer som TensorFlow for visse maskinlæringsoppgaver.
Ettersom prosjektet fortsetter å utvikle seg, vil det være verdifullt å se hvordan samfunnet reagerer og om denne tilnærmingen får grep. xarray-sql-prosjektet er fortsatt i sin eksperimentelle fase, men dens potensiale til å brygge gapet mellom databaseforespørsler og maskinlæring er absolutt intrigerende. Videre utvikling og testing vil være nødvendig for å bestemme dens levedyktighet og potensielle anvendelser.
Apple har tatt et viktig skritt i sin tvist med OpenAI, og har innledet en rettssak i Nord-Californias distriktsrett på grunn av påstått tyveri av immaterielle rettigheter. Dette skrittet markerer et sjeldent tilfelle der Apple tar offentlige rettslige skritt, ettersom selskapet er kjent for sin hemmelighetsfulle natur. Rettssaken hevder at OpenAI stjal Apple's forretningshemmeligheter, inkludert informasjon om ikke utgitte hardwareprodukter og tekniske spesifikasjoner, som ble tatt av to tidligere Apple-ansatte som nå jobber hos OpenAI.
Denne utviklingen er viktig fordi den understreker den intense konkurranse i AI- og teknologibransjene, der selskapene beskytter sine immaterielle rettigheter med stor kraft. Apple's beslutning om å gå offentlig med rettssaken tyder på at selskapet tar en sterk holdning til å beskytte sine verdifulle hemmeligheter. Utfallet av denne saken kan ha betydelige konsekvenser for teknologibransjen, særlig på områdene AI-utvikling og hardware-innovasjon.
Etterhvert som rettssaken utvikler seg, vil det være viktig å se hvordan retten navigerer i de komplekse spørsmålene om tyveri av forretningshemmeligheter og beskyttelse av immaterielle rettigheter. Denne saken kan også kaste lys over OpenAI's hardware-planer, som har vært gjenstand for spekulasjoner. Som vi rapporterte på July 14, kan Apple's rettssak avsløre mer om OpenAI's hardware-ambisjoner, og denne nyeste utviklingen er et viktig skritt i den retningen.
Apple's søksmål mot OpenAI kan få betydelige konsekvenser for AI-selskapets planer for maskinvare. Som vi rapporterte på July 14 i "Hva du må vite om Apple's sak mot OpenAI", anklager søksmålet OpenAI for å ha stjålet bedriftshemmeligheter. Saken kan nå kaste lys over OpenAI's ambisjoner innen maskinvare, som har vært omgitt av mystikk.
Ifølge kilder planlegger OpenAI fortsatt å lansere sitt første maskinvareprodukt i år, med en lansering planlagt for 2027. Men Apple's søksmål kan potensielt forstyrre disse planene og komplisere OpenAI's forsøk på å tre inn på markedet for forbrukerenheter. Søksmålet hevder at OpenAI systematisk rekrutterte rundt 400 tidligere Apple-ansatte som var involvert i AI-maskinvareprosjekter, noe Apple mener er et bevisst forsøk på å lokke til seg talent og stjele bedriftshemmeligheter.
Det som nå må følges med, er hvordan søksmålet utvikler seg og om det vil forstyrre OpenAI's planer for maskinvare. Utfallet av saken kan få langtrekkende konsekvenser for begge selskaper og den bredere teknologiindustrien. Etterhvert som situasjonen utvikler seg, vil det være viktig å følge med hvordan OpenAI's ambisjoner innen maskinvare påvirkes og hvordan Apple's søksmål påvirker AI-selskapets evne til å konkurrere på markedet for forbrukerenheter.
Forskere har introdusert en ny tilnærming for å sikre påliteligheten av langhorisontal kontekstevolusjon i deployede LLM-agenter. Den foreslåtte metoden, kalt grafregulert agente kontekstevolusjon (GRACE), opprettholder den bestående instruksjonskomponenten som en typet semantisk graf og validerer foreslåtte oppdateringer innen lokale typede nabolag av modifiserte noder. Denne tilnærmingen muliggjør avgrensede verifiseringer, som tillater en mer pålitelig evolusjon av agentkontekst under distribusjonsskift.
Denne utviklingen er viktig fordi deployede LLM-agenter er avhengige av agente kontekst, som samles av en operasjonell harness og oppdateres fra operasjonelle data. Å sikre påliteligheten av denne konteksten er avgjørende for trovverdig agentatferd. Innføringen av GRACE adresserer dette behovet ved å tilby en grafregulert substrat for å utvikle den bestående instruksjonskomponenten og utføre avgrensede strukturelle valideringer på hvert evolusjonssteg.
Ettersom denne forskningen bygger på tidligere arbeid om langhorisontale terminaloppgaver og agente AI-løsninger, vil det være viktig å se hvordan GRACE integreres i eksisterende rammer og evalueres i sanntids-scenarier. Betoningen av verifisering og pålitelighet i AI-systemer er en voksende trend, og denne utviklingen er sannsynligvis til å bidra til den pågående samtalen om å bygge trovverdige AI. Som vi rapporterte om relatert nyheter, inkludert innføringen av Long-Horizon-Terminal-Bench og CogniConsole, er denne nye tilnærmingen et betydelig skritt fremover i å adresse utfordringene med langhorisontal agente kontekstevolusjon.
Benchmarking 15 "E-avfall" GPUs med moderne arbeidsbyrder avslører potensialet i avviklede bedrifts GPUs. Da vi tidligere diskuterte sammenligningen av GPUs for AI og benchmarking av kodeagenter, kaster denne nye utviklingen lys over nyttelsen av eldre GPUs. Benchmarkingsprosessen viser at disse "e-avfall" GPUs fortsatt kan håndtere moderne arbeidsbyrder, og gjør dem til et levedyktig alternativ for de som søker etter rimelige alternativer.
Dette er viktig fordi det understreker effektiviteten og potensialet i å gjenbruke gammelt utstyr, redusere elektronisk avfall og den miljømessige påvirkningen av konstant oppgradering til nye enheter. I tillegg understreker det viktigheten av benchmarking ved å vurdere ytelsen til GPUs, uavhengig av deres alder eller opphav.
Det som nå må følges med er hvordan denne oppdagelsen vil påvirke markedet og forbrukeratferden. Vil tilgjengeligheten av billige, avviklede GPUs påvirke etterspørselen etter nye enheter, og hvordan vil produsentene reagere på denne trenden? Ettersom teknologibransjen fortsetter å utvikle seg, vil det være interessant å se hvordan konseptet "e-avfall" blir gjendefinert og om eldre maskinvare kan finne nytt liv i moderne anvendelser.
En utvikler har lykkes med å implementere et neuralt nettverk i SQL, en bedrift som potensielt kan forenkle integreringen av kunstig intelligens i databasehåndteringssystemer. Dette er en verdifull prestasjon fordi den eliminerer behovet for eksterne verktøy, og tillater at neurale nettverk bygges ved hjelp av kun SQL-kode.
Som vi tidligere har rapportert, har neurale nettverk vært et emne for interesse, med diskusjoner om implisitt vektningsusikkerhet, Bayesianske neurale nettverk og forklaringer av neurale nettverk. Denne siste utviklingen tar konseptet et skritt videre ved å demonstrere muligheten for å lage neurale nettverk direkte innenfor SQL-databaser.
Hva som betyr noe her, er potensialet for mer effektive og strømlinjeformede AI-applikasjoner, særlig i databaser som SQL-tjeneren. Evnen til å autogradere i databasen og lage neurale nettverk kan åpne opp nye muligheter for dataanalyse og -behandling. Vi vil følge med på hvordan denne utviklingen utvikler seg og om den fører til en mer utbredt bruk av AI i databasehåndtering.
OpenAI har annonsert at nettleseren Atlas, som ble lansert for bare åtte måneder siden, legges ned, og funksjonene blir integrert i en ny ChatGPT-arbeidsagent. Dette markerer en betydelig endring i selskapets strategi, da de søker å strømlinje tilbudene og forbedre brukeropplevelsen. Den nye ChatGPT-arbeidsagenten, drevet av GPT-5.6, lover å levere forbedret ytelse i flertrinnsoppgaver og malbasert innholdsskapning.
Denne utviklingen er viktig fordi den understreker OpenAI's bestrebelser på å forfine produktutvalget og fokusere på kjerneevner. Ved å integrere Atlas-nettleserfunksjoner i ChatGPT Work, søker selskapet å tilby en mer omfattende og sammenhengende opplevelse for brukerne. Utviklingen fremhever også den evoluerende naturen til AI-drevne verktøy og behovet for tilpasning i det raskt endrende teknologilandskapet.
Ettersom OpenAI fortsetter å utvikle produktporteføljen, vil det være viktig å se hvordan brukerne reagerer på den nye ChatGPT-arbeidsagenten og de integrerte nettleserfunksjonene. Selskapets beslutning om å legge ned Atlas etter en relativt kort levetid kan også reise spørsmål om produktutviklingsstrategien og potensielle implikasjoner for fremtidige innovasjoner.
Demonstranter marsjerte gjennom San Francisco og rettet sin oppmerksomhet mot kontorene til OpenAI, Anthropic, og Google DeepMind, for å kreve en pause i utviklingen av mer avanserte AI-modeller. Denne demonstrasjonen er en del av en voksende bevegelse som krever strengere regulering av AI-næringen. Demonstrantene, som utgjorde over 200 personer, er bekymret for den raske utviklingen av AI-teknologi og dens potensielle innvirkning på samfunnet.
Som vi rapporterte på July 13, konkurrerer selskaper som OpenAI, Meta, og SpaceXAI om å lage mer kostnadseffektive AI-modeller, noe som har våknet bekymring blant aktivister og regulatører. Protesten understreker behovet for en mer nuansert diskusjon om utviklingen og utrullingen av AI-teknologier. Arrangørene oppfordrer disse banebrytende AI-selskapene til å stoppe treningen av mer avanserte modeller til strengere reguleringer er på plass.
Det som nå skal følges med spenning er hvordan disse selskapene og regulatørerne responderer på den økende presset fra demonstranter og allmennheten. Vil OpenAI, Anthropic, og Google DeepMind lytte til oppfordringen om å pause treningen av AI-modellene, eller vil de fortsette å drive utviklingen av AI-teknologi videre? Utgangen av denne debatten vil ha betydelige implikasjoner for fremtiden til AI-næringen og dens innvirkning på samfunnet.
Microsoft's sjef har tatt en fiendtlig holdning til frontier AI-laboratorier og advarte bedrifter om å beskytte deres immaterielle eiendom. Denne advarselen kommer som teknologiindustrien fortsetter å gå i retning av åpne AI-modeller, en trend som har fått økt moment. Som vi rapporterte på July 12, adopterer bedrifter i økende grad billigere åpne AI-modeller for å redusere kostnader, noe som kan føre til økt sårbarhet for proprietær informasjon.
Advarselen fra Microsoft's sjef understreker viktigheten av å beskytte følsomme data i møte med fremvoksende AI-teknologier. Denne utviklingen er viktig fordi den understreker de potensielle risikoene forbundet med den raske utviklingen av AI, særlig i sammenheng med beskyttelse av immaterielle eiendom.
Ettersom AI-landskapet fortsetter å utvikle seg, vil det være viktig å se hvordan bedrifter balanserer fordelen av åpne modeller med behovet for å sikre deres proprietære verdier.
Større språkmodeller (LLMs) har blitt stadig viktigere i ulike anvendelser, men å spore deres kostnader kan være en kompleks oppgave. Nylige funn har fremhevet fem nøkkelproblemer som kan føre til usikker kostnadsstaking. Disse målefeilene inkluderer strømmingsbruk, cachetoken-semantikk, serverløse utflusninger, avbrutte strømmer og utdaterte pristabeller.
Disse problemene kan ha betydelige konsekvenser for bedrifter og personer som avhenger av LLMs, da de kan over- eller undervurdere sine kostnader. Nøyaktig kostnadsstaking er avgjørende for å optimalisere ressursallokering og ta informerte beslutninger om LLM-utbredelse.
Ettersom utviklere og brukere arbeider for å løse disse feilene, vil det være viktig å følge med oppdateringer og fikser som kan hjelpe med å forbedre nøyaktigheten av LLM-kostnadsstaking. Dette kan innebære å implementere nye målesystemer eller justere eksisterende for å ta hensyn til disse problemene. Ved å være oppmerksom på disse utfordringene og utviklingene, kan brukerne bedre navigere kompleksiteten ved LLM-kostnadsstaking og få mest mulig ut av disse kraftfulle verktøyene.
En person har nylig forsøkt å innkassere Pydantics $10 000-premie «Hack Monty» ved å kaste 750 autonome store språkmodell-LLM-eksploteringsforsøk mot sandkassen i Monty-kjøretiden. Resultatene er verd å merke seg, da ingen av forsøkene lyktes i å rømme fra sandkassen, hvilket tyder på at Monty-kjøretidens sikkerhetstiltak er robuste. Dette er viktig fordi det understreker muligheten for sikre LLM-utrolleringer, selv i møte med koordinerte forsøk på å bryte gjennom deres forsvar.
Sikkerheten til LLM-modellene vil være avgjørende når feltet LLMs fortsatt utvikler seg. Resultatet av «Hack Monty»-premien er et positivt tegn på fremgangen i dette området. Det neste som skal følges med er hvordan andre selskaper og forskere responderer på lignende utfordringer, og om de kan replikere eller forbedre sikkerheten som er demonstrert av Monty-kjøretiden.
Bygging av AI-agenter som kan overleve omstarter er blitt et kritisk aspekt av utviklingen av kunstig intelligens. De fleste agent-rammeverk tømmer minnet ved omstart, noe som kan føre til betydelige tap i form av lært erfaring og evner.
Denne utviklingen er viktig fordi den har potensial til å forbedre ytelsen og påliteligheten til AI-agenter i ulike anvendelser betydelig. Ved å beholde minnet selv etter omstarter, kan AI-agenter bygge på sine tidligere erfaringer, noe som fører til mer effektiv læring og forbedret totalytelse.
Ettersom forskere og utviklere fortsetter å arbeide med denne utfordringen, vil det være interessant å se hvordan varige minneløsninger integreres i eksisterende rammeverk og hvordan de påvirker utviklingen av mer avanserte AI-agenter. Dette kunne være et betydelig skritt fremover i skapingen av mer robuste og pålitelige AI-systemer.
Forskere utforsker potensialet for AI til å forbedre sikkerheten i kjemiske prosesser, med særlig fokus på anomalioppsporing. Dette er en del av den andre finansieringsfasen til FOR 5359, et prosjekt som støttes av DFG. Daniel Neider bidrar til denne initiativet ved å konsentrere seg om den formelle verifiseringen av neurale nettverk, som er avgjørende for å identifisere uregelmessigheter i sikkerhetskritiske kjemiske prosesser.
Bruken av AI i kjemiske prosesser er viktig fordi det kan redusere risikoene forbundet med disse operasjonene betydelig. Ved å utnytte dyp læring, spesielt for sparsomme kjemiske prosessdata, kan industrien dra nytte av mer pålitelige og effektive sikkerhetstiltak. Imidlertid blir spørsmålet om hvem kontrollerer AI selv stadig viktigere ettersom AI får en mer kritisk rolle. Å sikre påliteligheten og nøyaktigheten til AI-systemer er av største betydning, spesielt i miljøer hvor feil kan ha alvorlige konsekvenser.
Ettersom denne forskningen utvikler seg, vil det være viktig å følge med på hvordan den formelle verifiseringen av neurale nettverk fremover og hvordan den påvirker den generelle sikkerheten i kjemiske prosesser. Resultatene av dette prosjektet kan få langtrekkende konsekvenser for industrier som avhenger av komplekse kjemiske operasjoner, og kan potensielt føre til utviklingen av mer robuste og pålitelige sikkerhetsprotokoller.
OpenAI har lansert sitt nye Agent Sandbox Cloud, sammen med en videopresentasjon. Denne utviklingen følger en rekke oppdateringer og annonseringer fra selskapet, inkludert integreringen av Atlas-nettleser i den nye ChatGPT-arbeidsagenten.
Innføringen av Agent Sandbox Cloud er viktig, da den indikerer OpenAI's fortsatt fokus på å forbedre sine AI-agentegenskaper og tilby en sikker miljø for utvikling og testing. Dette skrittet kan ha betydelige konsekvenser for fremtiden til AI-forskning og -anvendelse, særlig i områder som krever robust og pålitelig agent-ytelse.
Ettersom OpenAI fortsetter å utvikle sine tilbud, vil det være viktig å følge med på hvordan Agent Sandbox Cloud mottas av utviklere og forskere, og hvordan det bidrar til fremdriften av AI-teknologien. Gitt den nylige aktiviteten rundt OpenAI's hardwareplaner og pågående rettssaker, som Apple-saken, er det sannsynlig at videre annonseringer fra selskapet vil bli nøye undersøkt.
En betydelig gjennombrudd er oppnådd i å optimalisere AI-agentens ytelse, med en rapportert reduksjon i tokenbruk på 94 %. Denne utviklingen er særlig verdifull i lys av de nylige diskusjonene om token-økonomi og kostnadene forbundet med bruk av store språkmodeller (LLMs). Som vi tidligere har undersøkt, kan prisingen av LLMs være kompleks, og teknikker for å redusere tokenforbruket er svært verdifulle for brukere som ønsker å håndtere sine utgifter.
Evnen til å kutte tokenbruket med så stor margin er viktig fordi den kan føre til betydelige kostnadsbesparelser for enkeltpersoner og organisasjoner som avhenger av AI-agenter. Dette er særlig relevant i sammenheng med vår tidligere rapport om token-økonomi, der vi belyste forskjellen mellom lovet prising og faktiske kostnader. Ved å minimere tokenbruk, kan brukerne bedre tilpasse sine utgifter med de opprinnelige prisanvisningene, og gjøre AI-løsningene mer tilgjengelige og rimelige.
Etterhvert som denne teknologien fortsetter å utvikle seg, vil det være interessant å se hvordan disse optimaliseringsteknikkene integreres i eksisterende AI-systemer og om de kan brukes i en bredere rekke av anvendelser. Videre utvikling i dette området kan føre til mer effektive og kostnadseffektive AI-løsninger, og potensielt forandre måten vi samhandler med og utnytter AI-agenter på.
