2026. július 27., hétfő · Kutatás

Fénnyel frissítenék az AI-chipek memóriáját energiatakarékosan

A Cornell Tech kutatói új optikai vevőt mutattak be, amely fénnyel közvetlenül az AI-processzor memóriáját írja át, elkerülve az energiaigényes elektromos adatátvitelt. A rendszer QR-kódszerű fényminták formájában küldi el a modellparamétereket, amelyeket a chip a fotoáramok segítségével közvetlenül digitális formában dolgoz fel, analóg átalakító áramkörök nélkül. A kutatók szerint ez csökkentheti az adatközpontok, önvezető autók és peremhálózati AI-eszközök energiaigényét, mivel az optikai kapcsolatok kevesebb veszteséggel mozgatnak adatot, mint a fémvezetékek. A fejlesztést a VLSI Technology & Circuits szimpóziumon mutatták be júliusban, egyelőre laboratóriumi demonstráció szintjén.

Miért fontos?

Az AI-chipek memóriakorlátai és energiaigénye komoly szűk keresztmetszetet jelentenek, így egy energiahatékonyabb adatátviteli módszer jelentősen csökkentheti a nagy AI-rendszerek üzemeltetési költségeit.

Források

IEEE Spectrum AI

Kapcsolódó témák

Napi összefoglalók AI kutatás #Cornell Tech#optikai számítástechnika

Napi összefoglaló

Ez a hír a 2026. július 27., hétfő napi AI összefoglaló része.

Kapcsolódó hírek

Google AI-modellje egy nappal pontosabban jelzi előre a ciklonokat

A Nature folyóiratban közölt tanulmány szerint a Google WeatherNext nevű mesterséges intelligencia modellje jobb eredményeket ér el a hurrikánok és tájfunok előrejelzésében, mint a hagyományos numerikus időjárás-modellek. A rendszer háromnapos előrejelzést ad, amely ugyanolyan pontos, mint a korábbi kétnapos becslések, így egy plusz nap felkészülési időt biztosíthat a veszélyeztetett területeknek. A cikk szerint az AI-alapú előrejelzés egyre inkább teret nyer a hosszabb távú előrejelzések terén, mivel mintázatokra épít a fizikai számítások helyett, és gyorsabban, olcsóbban ad összevethető pontosságú eredményt. A meteorológiában az AI-t inkább hasznos új eszközként fogadják, nem ellenállással.

Az AI-adatközpontok terhelésingadozása veszélyezteti az áramhálózatot

Az MIT Technology Review szerint az AI-adatközpontok energiaellátása nem termelési, hanem architektúrai probléma. A lap szerint 2026. július 22-én egy távvezetéki hiba Ashburnben, a világ legnagyobb adatközpont-klaszterében, másodpercek alatt több mint 3 gigawattnyi terhelést kapcsolt le a hálózatról, két évvel korábban pedig egyetlen meghibásodott túlfeszültség-levezető mintegy 60 virginiai létesítményt és 1500 megawattot vitt el egyszerre. A cikk szerint egy AI-kampusz betanítás közben milliszekundumok alatt terhelésének 70 százalékát képes megváltoztatni, majd a legkisebb hálózati zavarjelre azonnal lekapcsolódik. A szerző értelmezése szerint a hagyományos, évtizedek óta változatlan tápellátási architektúra nem bírja ezt az ingadozást, ami veszélyezteti a hálózat megbízhatóságát.

Google DeepMind feltérképezte a genom összes lehetséges egybázisos mutációját

A Google DeepMind bemutatta az AlphaGenome Atlas nevű adatbázist, amely az emberi genom mind a mintegy kilencmilliárd lehetséges egybázisos variánsához előre kiszámított predikciókat tartalmaz arról, hogyan hatna a változás százszámra menő sejttípusban és szövetben. A rendszer az AlphaGenome nevű AI-modellre épül, amely korábban csak variánsonként, egyesével volt lekérdezhető, most viszont az eredmények előre kiszámítva, egy petabyte méretű, az AlphaFold fehérjeadatbázisnál több mint harmincszor nagyobb gyűjteményben érhetők el. A cél a fehérjét nem kódoló DNS-szakaszok – a genom mintegy 98 százaléka – funkciójának azonosítása, mivel itt találhatók a legtöbb betegséghez köthető, de eddig nehezen értelmezhető variánsok. A DeepMind emellett bevezette az AVI nevű összesített hatás-pontszámot, amely 18 bemeneti jellemzőt használ, szemben a bevett CADD eszköz több mint 150 jellemzőjével.

Anthropic: a Claude Mythos Preview kiemelkedik exploit-benchmarkokon

Az Anthropic közlése szerint belső teszteken a Claude Mythos Preview képes sebezhetőségeket exploit-alapelemekké alakítani, majd ezeket teljes, végponttól végpontig működő támadási láncokká összefűzni – ez a cég szerint jelentős ugrás a korábbi modellekhez képest, ezért vezették be óvatosan a Project Glasswing program keretében. Ezt a konkrét képességet egyelőre csak az Anthropic saját belső tesztjei támasztják alá, nyilvános benchmark nem. Emellett a cég három friss, kutatói fejlesztésű benchmarkon – ExploitBench, ExploitGym és a saját SCONE-bench – is mérte a modellt, amelyeken a Mythos Preview minden más kiértékelt modellnél jobban teljesített zero-day sebezhetőségek felkutatásában és exploitok elkészítésében. Az Anthropic ebből arra következtet, hogy az exploitfejlesztéshez szükséges szaktudás küszöbe csökkenhet, ahogy hasonló képességű modellek szélesebb körben elérhetővé válnak.