V poslední době se sešlo několik zásadních událostí ve světě umělé inteligence – od vydání výkonného otevřeného modelu, přes varování před bezpečnostními riziky populárního protokolu, až po přijetí komplexní regulace v Kalifornii.

Ling-1T: Revoluce v trénování, nikoli v architektuře

  • Společnost Ant Group představila obří otevřený model Ling-1T s jedním bilionem parametrů.
  • Na rozdíl od konkurence nepotřebuje speciální „myšlecí režim“. Jeho schopnost uvažovat je přímo vestavěná do okamžité odpovědi díky intenzivnímu tréninku na datech obsahujících řetězce úvah.
  • V testech předčil modely jako GPT-5 a Gemini 2.5 Pro ve 22 z 31 benchmarků, zejména v matematice a logickém uvažování.
  • Model je volně stažitelný pod licencí MIT, což stírá rozdíl mezi otevřenými a komerčními modely.

 

Varování expertů: Protokol MCP skrývá vážná bezpečnostní rizika

  • Nová studie upozorňuje na exponenciální nárůst bezpečnostních hrozeb u systémů využívajících Model Context Protocol (MCP).
  • Problém je v tzv. kompozičním riziku: zranitelnost rapidně roste s každým přidaným MCP serverem. Pouhé 2 servery znamenají 36% riziko, při 10 serverech se blíží 92 %.
  • Útočníci mohou zneužít serverů, které přijímají data z nedůvěryhodných zdrojů, k provedení neoprávněných příkazů, jako je spuštění kódu.

Kalifornie ukazuje cestu: První komplexní AI regulace v USA

  • V reakci na absenci federálních zákonů přijala Kalifornie balík čtyř přelomových nařízení.
  • SB 53 ukládá tvůrcům nejvýkonnějších modelů povinnost zveřejňovat bezpečnostní protokoly.
  • SB 243 chrání nezletilé před škodlivými vlivy chatbotů.
  • AB 316 stanovuje, že právní odpovědnost za škodu nese vždy společnost, nikoli autonomní AI.
  • AB 853 nařizuje jasné označování AI-generovaného obsahu.
  • Zákony vyvolaly smíšené reakce; některé firmy je vítají, jiné varují před fragmentací pravidel.

Vědci objevili efektivnější cestu: Lepší prompty nahrazují drahý trénink

  • Tým výzkumníků představil algoritmus GEPA, který výrazně vylepšuje schopnosti AI agentů. Algoritmus GEPA automaticky vylepšuje prompty AI agenta prostřednictvím iterativní evoluce. LLM analyzuje selhání agenta a poté reviduje prompty, aby opravil tyto konkrétní chyby. Opakovaně testuje a vybírá nejvýkonnější prompty, čímž zvyšuje výkon efektivněji než přeučování samotného modelu.
  • Místo náročného doladění modelu (fine-tuning) automaticky generuje a optimalizuje instrukce (prompty) na základě analýzy chyb agenta.
  • Tato metoda dosáhla lepších výsledků než klasické učení a zároveň byla až 35x úspornější na výpočetní zdroje.
  • Jde o ideální řešení pro situace s omezenými daty nebo výpočetním výkonem.

Data Points – DeepLearning.AI by Andrew Ng / gnews.cz – GH