2026. július 17., péntek · Kutatás

A Google DeepMind és az Isomorphic Labs közös biobiztonsági stratégiát mutatott be

A Google DeepMind és az Isomorphic Labs közös megközelítést tett közzé a biológiai ellenálló képesség (bioreziliencia) erősítésére. A két szervezet saját közlése szerint az elmúlt egy évben több mint 15 partnerséget kötött kormányzati szervekkel, biobiztonsági szervezetekkel és kutatócsoportokkal annak érdekében, hogy megakadályozzák az AI-modellek visszaélésszerű felhasználását, és felgyorsítsák a járványok felismerését és a válaszlépéseket. A stratégia három pillérre épül: megelőzés, felderítés és reagálás. A cégek az AlphaFold, az AlphaGenome és az Isomorphic Labs gyógyszertervezési motorja (IsoDDE) mellett a Gemini modellt is megbízható partnerek rendelkezésére bocsátják. Emellett a SynthID vízjelező technológia biológiai alkalmazásán is dolgoznak, amely segíthetne a DNS-szintézis-szolgáltatóknak az AI által generált, potenciálisan kockázatos biológiai szekvenciák szűrésében.

Miért fontos?

Az AI-modellek kettős felhasználási kockázatainak kezelése a biológia területén a globális biztonság szempontjából kulcsfontosságú fejlemény.

Források

Google DeepMind Kutatás

Kapcsolódó témák

Napi összefoglalók AI kutatás #Google DeepMind#biobiztonság

Napi összefoglaló

Ez a hír a 2026. július 17., péntek napi AI összefoglaló része.

Kapcsolódó hírek

Az ágens-optimalizálók nyeresége csak regresszió-kontrollal halmozódik – folyamatos tanulási kísérlet

Három ágens-optimalizálási módszert (GEPA, Meta Harness, RELAI-VCL) hasonlítottak össze kétfázisú folyamatos tanulási teszten a Terminal-Bench 2.0 nehéz feladatain – a kutatás nem lektorált preprint. Statikus kiértékelésben mindhárom javított az alaphoz képest, de új feladatok bevezetésekor élesen szétváltak: a GEPA az alap alá esett, a Meta Harness jól transzferált, de tovább nem javult. Egyedül a RELAI-VCL halmozta a nyereségeket minden ponton (76,4% szemben a GEPA 66,0, Meta Harness 64,6 és az alap 58,7 százalékával). A szerzők szerint a nyereségek csak akkor halmozódnak, ha az optimalizálási hurok regresszió-kontrollt tartalmaz, megakadályozva a rosszul általánosító rövidítő megoldásokat.

A mesterséges intelligencia gyökeresen átalakítja a kiberbiztonságot – a Nature összefoglalója a kihívásokról

Thorsten Holz, a bochumi Max Planck Biztonsági és Adatvédelmi Intézet tudományos igazgatója a Nature-ben megjelent cikkében kifejti, hogy az MI alapjaiban változtatja meg a szoftveres sebezhetőségek feltárását. Eddig az automatizált tesztelő eszközök (fuzzerek) millió hibát találtak, de az értékelés – hogy egy hiba kihasználható-e, és hogyan javítható – emberi szakértelmet igényelt. Az új MI-modellek már képesek a hibák osztályozására, a kiváltó okok azonosítására, a kihasználhatóság felmérésére és javítási javaslatok készítésére is. A cikk szerint a Mozilla idén egyetlen Firefox-verzióhoz 271 sebezhetőséget tárt fel és javított egy MI-modell segítségével, ami jóval meghaladta a korábbi havi átlagot. Holz ugyanakkor figyelmeztet, hogy az MI által generált sebezhetőségi jelentések mennyisége már most meghaladja a tapasztalt fejlesztők átvizsgálási kapacitását, ami komoly kihívást jelent.

Elméleti keretrendszer a perpetual futures piacok optimális piacteremtéséhez

Kutatók sztochasztikus optimális irányítási keretrendszert dolgoztak ki a perpetual futures piacok likviditásbiztosítására. A nem lektorált tanulmány a piacteremtő problémáját adaptív bid-ask szpredek és készletfedezési döntések révén modellezi, fő eredményei között szerepel a profit-veszteség dekompozíciós tétel, a Hamilton–Jacobi–Bellman-egyenlet megoldása, valamint egy Master APY Formula, amely öt dimenziómentes paraméterrel jellemzi a nyereséges tartományokat. A munka kiterjed a nulla díjas decentralizált tőzsdék gazdaságtanára, a Kelly-optimális tőkeáttételre és a többtermékes portfólióallokációra is. A szerzők szerint keretrendszerük egyesíti az Avellaneda–Stoikov és Glosten–Milgrom paradigmákat a decentralizált piacok mikrostruktúrájára.

Az automatikus harness-evolúció hatékonyságát kérdőjelezi meg egy új értékelési keretrendszer

Kutatók felülvizsgálták az LLM-ágensekhez használt automatikus harness-evolúció értékelési módszertanát egy még nem lektorált tanulmányban. A szerzők két alapvető problémát azonosítanak: egyrészt a harness-evolúció iteratív keresési folyamat, amelyet azonos visszacsatolási és inferencia-költségvetés mellett egyszerű keresési alapvonalakkal kellene összehasonlítani; másrészt a keresés és a végső kiértékelés ugyanazon a benchmarkon zajlik, ami túlillesztési kockázatot jelent. A Terminal-Bench 2.1 benchmarkon GPT-5.4 és Claude Opus 4.6 modellekkel végzett kísérleteik szerint az automatikus harness-evolúció nem múlja felül következetesen az egyszerű tesztelési idejű skálázási módszereket, és korlátozott az általánosítóképessége tartott (held-out) feladatokon. A szerzők tisztességesebb értékelési protokollok és benchmarkok kialakítását szorgalmazzák az automatikus harness-tervezéshez.