Michael Burry akkoriban hívta fel a figyelmet a jelzáloghitel-válságra, amikor mindenki más még csak vásárolta azokat. Most pedig azt figyeli, ahogy billiók özönlenek a mesterséges intelligencia infrastruktúrájába, és szkeptikus. Jack Clark az Anthropic társalapítója, amely a jövő építéséért versengő egyik vezető mesterséges intelligencia laboratórium. Dwarkesh Patel Mark Zuckerbergtől Tyler Cowenig mindenkivel készített interjút arról, hogy merre tart ez az egész. Beletettük őket egy Google dokumentumba, Patrick McKenzie moderálásával, és megkérdeztük: A mesterséges intelligencia a valódi üzlet, vagy a tőke történelmi félreelosztásának valós idejű kibontakozását figyeljük?

A mesterséges intelligencia története

Patrick McKenzie: Az elmúlt néhány évben történészként szerződtették. Tömören mesélje el, mi épült fel a Csak figyelem kell című könyv óta. Mi lenne meglepő a 2025-ös évben egy 2017-es közönség számára? A jól informált emberek mely jóslatai nem igazolódtak be? Mesélje el a történetet úgy, mintha a saját szakterületén – a kutatásban, a politikában vagy a piacokon – tenné.

Jack Clark: 2017-ben a legtöbben arra fogadtak, hogy egy valóban általános célú rendszerhez vezető út az lesz, hogy az ágenseket a nulláról kell betanítani egy egyre nehezebb feladatokból álló tananyag alapján, és ezáltal egy általánosan használható rendszert kell létrehozni. Ez jelen volt az összes nagyobb laboratórium, például a DeepMind és az OpenAI kutatási projektjeiben, amelyek emberfeletti játékosokat próbáltak képezni olyan játékokban, mint a Starcraft, a Dota 2 és az AlphaGo. Én ezt alapvetően egy „tabula rasa” fogadásnak tekintem – kezdj egy üres ágenssel, és helyezd valamilyen környezetbe (környezetekbe), amíg intellingessé nem válik.

Természetesen, ahogy ma már mindannyian tudjuk, ez valójában nem vezetett általános intelligenciákhoz – viszont emberfeletti ügynökökhöz a kiképzett feladatelosztáson belül.

Ekkoriban az emberek elkezdtek kísérletezni egy másik megközelítéssel, nagyméretű adathalmazokon végeztek képzést, és olyan modelleket próbáltak építeni, amelyek képesek voltak előre jelezni és generálni ezeket az eloszlásokat. Ez végül rendkívül jól működött, és két kulcsfontosságú dolog gyorsította fel:

1. az Attention Is All You Need Transformer keretrendszere, amely sokkal hatékonyabbá tette ezt a fajta nagyszabású előképzést, és
2. a „skálázási törvények” nagyjából párhuzamos fejlődése, vagy az az alapvető felismerés, hogy modellezheted az előre betanított modellek képességei és a beléjük fektetett mögöttes erőforrások (adatok, számítás) közötti kapcsolatot.

A Transformers és a Scaling Laws elméletének ötvözésével néhányan helyesen fogadtak arra, hogy az adatok és a számítási kapacitás masszív skálázásával általános célú rendszereket lehet létrehozni.

Most, egy nagyon vicces módon, a dolgok bezárulnak: az emberek újra elkezdenek ágenseket építeni, de ezúttal átitatják őket az előre betanított modellekből származó összes információval. Erre egy igazán szép példa a DeepMind SIMA 2 tanulmánya, ahol egy általános célú ágenst készítenek 3D-s környezetek felfedezéséhez, és ez egy mögöttes, előre betanított Gemini modellre épül. Egy másik példa a Claude Code, amely egy kódoló ágens, amely az alapvető képességeit egy nagy, előre betanított modellből nyeri.

Patrick: Mivel a nagy nyelvi modellek (LLM-ek) programozhatók és széles körben elérhetők, beleértve a nyílt forráskódú szoftverek (OSS) verzióit is, amelyek korlátozottabbak, de még mindig hatékonyak a 2017-eshez képest, most azon a ponton vagyunk, hogy a mesterséges intelligencia képességeinek további fejlesztését (vagy bármi más érdekeset) soha nem kell rosszabb kognitív alapra építeni, mint amilyennel jelenleg rendelkezünk. Ez a „amit ma látunk, az a padló, nem a mennyezet” az egyik dolog, amit szerintem a bennfentesek értenek a legjobban, a politikai döntéshozók és a tágabb világ pedig a legrosszabbul.

Minden jövőbeli Starcraft mesterséges intelligencia már olvasta A hadviselés művészetét eredeti kínai nyelven, kivéve, ha a tervezők úgy ítélik meg, hogy ez rontja a zerg rohamok elleni védekezést.

Jack: Igen, az Anthropic döntéshozóinak gyakran mondjuk, hogy „Ez a legrosszabb, ami valaha is lesz!”, és nagyon nehéz megértetni velük, hogy ez mennyire fontossá válik. A másik dolog, ami nem magától értetődő, az a képességek gyors fejlődése – egy jelenlegi példa, hogy hányan játszanak jelenleg az Opus 4.5-tel Claude Code-ban, és mondják valamilyen variációban: „Hű, ez a cucc sokkal jobb, mint korábban volt.” Ha utoljára novemberben játszottál LLM-ekkel, akkor most vadul eltévedtél a határterülettel kapcsolatban.

Michael Burry: Az én szemszögemből, 2017-ben a mesterséges intelligencia nem az LLM-eket jelentette. A mesterséges intelligencia a mesterséges általános intelligenciát (AGI) jelentette. Azt hiszem, akkoriban az emberek nem gondoltak az LLM-ekre mesterséges intelligenciaként. Tudományos-fantasztikus könyveken nőttem fel, és azok sok jóslatot olvastak, de egyik sem úgy képzelte el a „mesterséges intelligenciát”, mint egy keresésintenzív chatbotot.

Az Attention Is All You Need című projektnél és a transzformátor modell bevezetésénél mind Google-mérnökök dolgoztak, akik Tensort használtak, és a tinédzserkor közepén a mesterséges intelligencia nem volt idegen fogalom. A neurális hálózatok, a gépi tanulással foglalkozó startupok gyakoriak voltak, és a mesterséges intelligenciát sokat említették a megbeszéléseken. A Google-nek már volt egy nagy nyelvi modellje, de az belső volt. Az egyik legnagyobb meglepetés számomra az volt, hogy a Google nem állt végig az élen ebben, tekintettel a Keresés és az Android feletti dominanciájára, mind a chipek, mind a szoftverek tekintetében.

Egy másik meglepetés, hogy azt hittem, az alkalmazásspecifikus integrált áramköröket (ASIC) sokkal korábban fogják alkalmazni, a kis nyelvi modelleket (SLM) pedig sokkal korábban. Megdöbbentő, hogy az Nvidia továbbra is a mesterséges intelligencia chipje.

A legnagyobb meglepetés számomra az, hogy a ChatGPT indította el a költekezés fellendülését. A ChatGPT felhasználási esetei általában kezdettől fogva korlátozottak voltak – keresés, diákok csalása és kódolás. Manapság vannak jobb LLM-ek a kódoláshoz. De egy chatbot volt az, ami trilliós költekezést indított el.

A kiadásokról szólva, szerintem Dwarkesh Satya Nadellával készített interjújának egyik legjobb pillanata az volt, amikor elismerte, hogy ma már minden nagy szoftvercég hardvercég, tőkeigényesek, és nem vagyok biztos benne, hogy az őket követő elemzők egyáltalán tudják, mi is a karbantartási tőkekiadás.

Dwarkesh Patel : Nagyszerű pontok. Meglepő, hogy a mesterséges intelligencia terén eddig mennyire nem tartósak az előnyök. Persze, 2017-ben a Google messze megelőzte a többieket. Pár évvel ezelőtt az OpenAI még messze megelőzte a többieket. Van egyfajta erő (potenciálisan tehetségcsábítás, pletykagyárak vagy visszafejtés), amely eddig semlegesítette az egyetlen laboratórium esetleges elszabadult előnyét. Ehelyett a három nagy havonta forog a dobogón. Kíváncsi vagyok, hogy a „rekurzív szuperintelligencia” valóban képes lenne-e ezt megváltoztatni, vagy csak egy előzetes és erős versenyt kellene fenntartanunk örökre.

Jack: A rekurzió terén az összes határterületi labor felgyorsítja a saját fejlesztőit mesterséges intelligencia eszközök használatával, de ez nem túl ötletes. Úgy tűnik, hogy megvan benne az a tulajdonság, hogy „csak annyira vagy gyors, mint a lánc leggyengébb láncszeme” – például, ha most tízszer több kódot tudsz előállítani, de a kódellenőrző eszközeid csak kétszeresére fejlődtek, akkor nem látsz hatalmas gyorsulást. Egy nagy nyitott kérdés, hogy lehetséges-e teljesen lezárni ezt a ciklust, amely esetben valamilyen összetett K+F előnyt láthatsz.

A mesterséges intelligencia eszközei valóban javítják a termelékenységet?

Dwarkesh : A millió dolláros kérdés az, hogy a METR termelékenységi tanulmánya (amely azt mutatja, hogy a jól értett kódbázisokban dolgozó fejlesztők nagyjából 20%-os csökkenést tapasztaltak a kódolóeszközökből származó pull requestek összevonásakor), vagy az önálló kódolási feladatok emberi erőforrással egyenértékű időhorizontja (amelyek már most is több órásak, és négy-hét havonta megduplázódnak) jobban méri-e azt, hogy a laboratóriumokban dolgozó kutatók és mérnökök mennyi sebességnövekedést érnek el valójában. Nincs közvetlen tapasztalatom ezzel kapcsolatban, de azt gyanítom, hogy közelebb áll az előbbihez, mivel nincs egy nagyszerű visszacsatolási ellenőrző ciklus, és a kritériumok nyitottak (karbantarthatóság, ízlés stb.).

Jack : Egyetértek, ez egy kulcsfontosságú kérdés – az adatok pedig ellentmondásosak és szűkösek. Például készítettünk egy felmérést az Anthropic fejlesztői körében, és azt láttuk, hogy a megkérdezettek 60%-a, akik Claude-ot használtak a munkájukban, 50%-os termelékenységnövekedést jelentett. De olyan dolgok, mint a METR-tanulmány, ellentmondani látszanak ennek. Jobb adatokra és különösen eszközökre van szükségünk a mesterséges intelligencia laboratóriumokon belüli és kívüli fejlesztők számára, hogy lássuk, mi folyik itt. Kicsit kitérve a kódolóeszközök hatalmas és példa nélküli elterjedése arra utal, hogy az emberek jelentős szubjektív előnyöket látnak a használatukban – nagyon nem lenne logikus, ha a fejlesztők egyre nagyobb százaléka lelkesen csökkentené a termelékenységét.

Dwarkesh : Nem akarok kitérni erre, de a METR-tanulmány azt jósolja, hogy az önbevalláson alapuló termelékenység jóval magasabb – sőt, potenciálisan az ellenkező irányú – lesz, mint a valódi termelékenység.

Jack: Igen, egyetértek. Anélkül, hogy túl sokat elárulnék, konkrétan a műszeres elemzésre gondolunk, és arra, hogy kiderítsük, mi az „igaz”, mert amit az emberek önbevallása szerint mondanak, az eltérhet a valóságtól. Remélhetőleg 2026-ban lesznek kutatási eredményeink ezzel kapcsolatban!

Melyik cég nyer?

Michael: Gondolod, hogy a dobogó továbbra is forogni fog? Amit hallok, a Google nyer mind az AWS, mind a Microsoft fejlesztői között. És úgy tűnik, a „keresési tehetetlenséget” sikerült megszüntetni a cégnél.

Dwarkesh: Érdekes. Számomra minden eddiginél versenyképesebbnek tűnik. A Twitter-hangulat remekül mutatja mind az Opus 4.5, mind a Gemini 3.5 Pro teljesítményét. Nincs véleményünk arról, hogy melyik cég fog nyerni, de a kérdés határozottan nem tűnik véglegesnek.

Jack: Nekem is úgy tűnik, hogy versenyképesebb, mint valaha!

Dwarkesh : Kíváncsi vagyok az emberek véleményére erről: hány sikertelen betanítási futtatást/modellhibát élhetne túl az Anthropic, az OpenAI vagy a Google? Tekintettel a bevételek és a hangulat alapján történő folyamatos adománygyűjtési igényre (mellékes kérdés: pontosan mire?).

Michael: A Google keresés titka mindig is az olcsóságában rejlett, így a nem monetizálható (és 80%-ot vagy többet kitevő) információkeresések nem halmozódtak fel veszteségként a vállalat számára. Szerintem ez a generatív mesterséges intelligencia és az LLM-ek alapvető problémája napjainkban – annyira drágák. Nehéz megérteni, hogy mi a profitmodell, vagy mi lesz bármelyik modell versenyelőnye – vajon többet fog-e kérni, vagy olcsóbban fog-e működni?

Talán a Google lesz az, amelyik végül a legolcsóbban tud működni, és megnyeri azt az árupiaci gazdaságot, amivé ez válik.

Dwarkesh: Nagyszerű meglátás. Főleg, ha úgy gondolod, hogy az elmúlt év nyereségeinek nagy része/nagy része a következtetési skálázás eredménye, aminek fenntartásához a változó költségek exponenciális növekedése szükséges.

Végső soron valaminek az árát felső határként a pótlásának költségei határozzák meg. Tehát az alapmodellt alkalmazó vállalatok csak akkor számíthatnak fel magas haszonkulcsot (ami jelenleg úgy tűnik), ha a fejlődés továbbra is gyors, és – Jack álláspontjára – végül önkamatossá válik.

Miért nem lopta el a mesterséges intelligencia az összes munkahelyünket?

Dwarkesh: Valóban meglepő, hogy mennyi minden járul hozzá a feladatok automatizálásához és az emberek munkájának elvégzéséhez. Épp most meneteltünk végig az AMI számos közérthető definícióján – a Turing-teszt már nem is érdemes kommentálni; vannak olyan modelljeink, amelyek képesek logikusan gondolkodni és megoldani nehéz, nyitott végű kódolási és matematikai problémákat. Ha 2017-ben megmutattad volna nekem a Gemini 3-at vagy a Claude 4.5 Opust, azt gondoltam volna, hogy a szellemi alkalmazottak fele elveszíti az állását. Márpedig a mesterséges intelligencia munkaerőpiaci hatásának vizsgálatához táblázatkezelő mikroszkópokra van szükség, ha egyáltalán van ilyen.

A mesterséges intelligenciába történő magánbefektetések mértékét és sebességét is meglepőnek találtam volna. Még néhány évvel ezelőtt is arról beszéltek az emberek, hogy az AGI-nak egy kormányzati, Manhattan-stílusú projektnek kellene lennie, mert csak így lehet a gazdaságot számítási és adatmotorrá alakítani. És eddig úgy tűnik, hogy a jó öreg piacok képesek fenntartani a GDP többszörös százalékát kitevő mesterséges intelligencia-befektetéseket.

Michael: Jó meglátás, Dwarkesh, a Turing-teszttel kapcsolatban – ez határozottan egy jó ideig a vita tárgya volt. A múltban, például az ipari forradalom és a szolgáltatási forradalom idején, a munkaerőre gyakorolt ​​hatások olyan nagyok voltak, hogy bevezették és kiterjesztették a kötelező iskoláztatást, hogy a fiatalokat hosszabb ideig távol tartsák a munkaerőpiacról. Ilyet még biztosan nem láttunk.

Jack: Igen, Dwarkesh és Michael, a mesterséges intelligencia közösségében közhely, hogy folyamatosan olyan állítólagosan nehéz feladatokat fejlesztenek, amelyek a valódi intelligenciát mérik, majd a mesterséges intelligencia rendszerei túllépik ezeket a kritériumokat, és olyannal találjuk magunkat, ami felszínesen nagyon is képes, de valószínűleg mégis olyan hibákat vét, amelyeket bármely ember bizarrnak vagy nem intuitívnak ismerne fel. Egy friss példa erre, hogy az LLM-ek a referenciaértékek szerint „emberfelettinek” minősültek egy sor állítólagosan nehéz kognitív feladatban, de képtelenek voltak önmagukat kijavítani, amikor hibáztak. Ez most javulóban van, de jól illusztrálja, hogy mennyire nem intuitívak lehetnek a mesterséges intelligencia modellek gyengeségei . És ezeket gyakran hatalmas fejlesztések mellett fedezzük fel.

Dwarkesh: Vajon az ellenkezője is igaz-e – az emberek megbízhatóan elkövetnek olyan hibakategóriákat, amelyeket egy LLM bizarrnak vagy nem intuitívnak ismerne fel, lol. Az LLM-ek valójában szaggatottabbak, mint az emberek, vagy csak másképp szaggatottak?

Patrick: Dwarkesh könyvéből idézve: az LLM-ek emberfeletti mivoltának egy hétköznapi vonása, hogy több nyelvet beszélnek, mint bármelyik ember – olyan mértékben, ami minden képzeletet megdöbbentő –, és nagyobb könnyedséggel, mint amit szinte az összes poliglott valaha is elér. Hihetetlen módon ez véletlenül történik, még anélkül is, hogy a laboratóriumok kifejezetten erre képeznék ki őket. Az egyik legmegdöbbentőbb bemutató, amit valaha láttam, egy olyan LLM volt, akit egy olyan korpuszon képeztek ki, amelynek célja az volt, hogy csak angol dokumentumokat tartalmazzon, mégis képes volt egy CNN hírcikket japánra fordítani nagyjából egy profi fordító színvonalán. Ebből a szempontból egy LLM, akit nem képeztek ki az udvariasságra, azt mondhatná: „Az emberek bizarrok és tüskések; nézzétek meg, hányan nem beszélnek japánul, annak ellenére, hogy egy könyvekkel teli világban élnek.”

Miért nem használ sok munkavállaló (még) mesterséges intelligenciát?

Patrick: Úgy tűnik, hogy a kódolás a mesterséges intelligencia széles körű ipari elterjedésének élharcosa, meteorikus bevételnövekedéssel olyan cégeknél, mint a Cursor, a technológusok körében, akik kedvelik az olyan eszközöket, mint a Claude Code és az OpenAI Codex, valamint a „hangulatú kódolás” körüli hangulattal. Ez a mesterséges intelligencia iránti lelkesedés kifejezett aszimmetriáját okozza, mivel a legtöbb ember nem kódoló. Melyik szektor változik legközelebb? Milyen változás tenné ezt láthatóvá a bevételekben, a foglalkoztatásban vagy az árakban, nem pedig a demókban?

Jack: A kódolásnak van egy jó tulajdonsága, hogy viszonylag „zárt hurkú” – egy LLM-et használsz a kód generálására vagy módosítására, amelyet aztán validálsz és éles környezetbe helyezel. Valójában egy szélesebb körű eszközkészlet megjelenése kellett ahhoz, hogy az LLM-ek ezt a „zárt hurkú” tulajdonságot a kódoláson kívüli területeken is alkalmazzák – például a webes keresési lehetőségek létrehozása és az olyan dolgok megjelenése, mint a Model Context Protocol (MCP) összekapcsolhatóság, lehetővé tette az LLM-ek számára, hogy jelentősen kibővítsék „zárt hurkú” hasznosságukat a kódoláson túl.

Példaként említeném, hogy az utóbbi időben különféle dolgok költséggörbéit kutattam (pl. tömeg dollárban kifejezve pályára állításra, vagy napenergia dollárban kifejezve wattonként), és ez az a fajta dolog, amit az LLM-ekkel (jogi mesterképzés) is lehetett kutatni ezek előtt az eszközök előtt, de hatalmas súrlódásokkal járt, és arra kényszerített, hogy oda-vissza váltogassunk az LLM és minden más között. Most, hogy a súrlódások megszűntek, nagyobb az elterjedés. Ezért arra számítok, hogy ami a programozókkal történt, az szélesebb körben is megtörténik a tudásmunkásokkal – és úgy tűnik, hogy ennek diffúz, de széleskörű módon kellene megjelennie olyan területeken, mint a tudományos kutatás, a jog, az akadémiai szféra, a tanácsadás és más területek.

Michael: Végső soron a mesterséges intelligenciát valakinek meg kell vásárolnia. Valaki fizet egy áruért vagy szolgáltatásért. Ez a GDP. És ez a kiadás a GDP ütemében, 2%-kal és 4%-kal nő – talán némi fellendüléssel az árképzési erejű vállalatok számára, ami a mesterséges intelligencia jövőjében nem tűnik valószínűnek.

A gazdaságoknak nincsenek varázslatosan táguló pitéik. Vannak aritmetikailag korlátozott pitéik. Semmi különös. A teljes szoftvertorta – mindenféle vállalati és kreatív funkciót futtató SaaS-szoftverek – kevesebb, mint 1 billió dollár. Ezért térek vissza állandóan az infrastruktúra-alkalmazás arányhoz – az Nvidia 400 milliárd dollár értékű chipet adott el kevesebb, mint 100 milliárd dolláros végfelhasználói MI-termékbevételért.

A mesterséges intelligenciának növelnie kell a termelékenységet, és új kiadási kategóriákat kell létrehoznia, amelyek nem kanibalizálnak más kategóriákat. Mindezt nagyon nehéz megtenni. Vajon a mesterséges intelligencia eléggé növeli-e a termelékenységet? Ez vitatható. A tőkekiadások ciklusa hit-alapú és FOMO-alapú. Senki sem mutat olyan számokat, amelyek működnek. Egyelőre.

Létezik egy sokkal egyszerűbb narratíva is, miszerint a mesterséges intelligencia mindent annyira jobbá tesz, hogy a költések felrobbannak. Valószínűbb, hogy a mesterséges intelligencia magával ragadja a költéseket. Ha a mesterséges intelligencia egy 500 dolláros munkaállomás-licencet egy 50 dollárosra cserél, az nagyszerű a termelékenység szempontjából, de deflációs a termelékenységi kiadások szempontjából. És ezt a termelékenységnövekedést valószínűleg minden versenytárs osztozik.

Dwarkesh: Michael, ez nem a „munkahalmozás” téveszme? Hogy van egy meghatározott mennyiségű szoftver, amit meg kell írni, és hogy ezzel feljebb tudjuk korlátozni a mesterséges intelligencia szoftverekre gyakorolt ​​hatását?

Michael: Új piacok jelennek meg, de lassabban fejlődnek, mint ahogy azt a túlzottan ösztönzött futuristák hiszik. Ez mindig is igaz volt. A demográfiai adatok és a teljes címezhető piac (TAM) túl gyakran marketingfogások, amelyek nem a valóságon alapulnak. Kína lakossága csökken. Európa lakossága zsugorodik. Az USA az egyetlen nagyobb nyugati ország, amely növekszik, és ez a bevándorlásnak köszönhető, de ezt is politizálták. A FOMO egy igazi drog. Ha megnézzük az Apple vagy a Microsoft néhány megjegyzését, úgy tűnik, ők is felismerik ezt.

Dwarkesh: Egyébként vicces, hogy a mesterséges intelligencia pont akkor jelenik meg, amikor szükségünk volt rá, hogy megmentsen minket attól a demográfiai süllyesztőtől, amelybe a gazdaságaink a következő évtizedekben egyébként összeomlanának.

Michael: Igen, Dwarkesh. Az orvostudományban, ahol valódi hiány van, remény sincs arra, hogy a jövőben elegendő számú emberi orvos legyen. A jó minőségű orvosi ellátásnak olcsóbbá kell válnia, és technológiára van szükség ahhoz, hogy kiterjesszék a valódi orvosi szakértelem hatókörét és lefedettségét.

Munka nélkül maradnak a mérnökök?

Patrick: Az AppAmaGooFaceSoft [Apple, Amazon, Google, Facebook, Microsoft] jelenleg nagyjából 500 000 mérnököt foglalkoztat. Adjon meg egy számot 2035-re, és indokolja meg a véleményét – vagy érveljen amellett, hogy a létszám nem a megfelelő változó, és nevezze meg azt a mérleg- vagy termelékenységi mutatót, amelyet ehelyett követne nyomon.

Michael: 2000-től a Microsoft 18 000 alkalmazottat vett fel, miközben a részvények árfolyama 14 éven át sehol sem csökkent. Valójában a Ciscónál, a Dellnél és az Intelnél az alkalmazotti létszám alig változott a nagy részvényösszeomlások ellenére. Szóval szerintem ez a rossz változó. Semmit sem mond az értékteremtésről, különösen a készpénzben gazdag vállalatok és a monopólium, duopólium vagy oligopólium helyzetben lévő vállalatok esetében. Szerintem alacsonyabb lesz, vagy nem sokkal magasabb, mert szerintem egy nagyon hosszú visszaesés felé tartunk. A hiperskálázók 2022-ben bocsátották el az alkalmazottaikat, amikor a részvényeik estek, és a legtöbbjüket akkor vették vissza, amikor a részvényeik emelkedtek. Ez több mint néhány év.

Mielőtt azt mondanám, hogy a termelékenység rekordot döntött, nyomon követném a részvényesi alapú kompenzáció (SBC) teljes költségét. Az Nvidiánál kiszámoltam, hogy a profitjuk nagyjából felét az alkalmazottaknak átadott részvényekhez kapcsolódó kompenzáció teszi ki. Nos, ha az alkalmazottak fele most 25 millió dollárt ér, akkor mekkora a termelékenységnövekedés ezeknél az alkalmazottaknál? Nem is beszélve arról, hogy a pontos SBC költségekkel számolva a haszonkulcsok sokkal alacsonyabbak lennének.

Az összes többi mutatót felülmúló mérőszám a befektetett tőke megtérülése (ROIC), és a ROIC nagyon magas volt ezeknél a szoftvercégeknél. Most, hogy tőkeigényes hardvercégekké válnak, a ROIC biztosan csökkenni fog, és ez hosszú távon nyomást gyakorol majd a részvényekre. Semmi sem jósolja meg jobban a piacok hosszú távú trendjeit, mint a ROIC iránya – felfelé vagy lefelé, és milyen sebességgel. A ROIC most nagyon gyorsan csökken ezeknél a vállalatoknál, és ez 2035-ig igaz lesz.

A Dwarkeshnek adott interjújában Satya Nadella azt mondta, hogy olyan szoftvert keres, amely képes fenntartani a befektetés megtérülését egy jelentős beruházási ciklus alatt. Én ezt nem látom, és még Nadella számára is csak reménykedésnek tűnik.

Dwarkesh: Naiv kérdés, de miért fontosabb a ROIC (befektetés megtérülése), mint az abszolút hozam? Inkább birtokolnék egy nagyvállalatot, ami folyamatosan növekszik és növekszik (bár a befektetés kisebb hányadát teszi ki), mint egy kisvállalkozást, ami alapvetően készpénzt nyomtat, de mérete korlátozott.

Sok nagy technológiai vállalat alacsonyabb ROIC-vel rendelkezik, de a célpiacuk a következő két évtizedben a hirdetésektől (évi 400 milliárd dolláros bevétel) a munkaerőig (évi több tízezer dolláros bevétel) nőtt.

Michael: A befektetett tőke megtérülése – és ami még fontosabb, annak trendje – azt méri, hogy mennyi lehetőség van még a vállalatban. Véleményem szerint számos olyan összeolvadást láttam, ahol a vállalatok elsősorban más, adóssággal rendelkező vállalatok felvásárlásával nőttek meg. Ez a ROIC-ot helyezi a középpontba. Ha ezeknek a vásárlásoknak a megtérülése végül alacsonyabb, mint az adósság költsége, a vállalat a WorldComhoz hasonlóan bukik meg.

Valamikor a mesterséges intelligencia kiépítésére fordított kiadásoknak magasabb megtérülést kell eredményezniük, mint a befektetés költsége, különben egyszerűen nincs gazdasági hozzáadott érték. Ha egy vállalat azért nagyobb, mert sokkal többet vett fel hitelt, vagy az összes cash flow-ját valami alacsony hozamú dologra költötte, az nem vonzó tulajdonság egy befektető számára, és a szorzó csökkenni fog. Sok nem technológiai vállalat nyomtat készpénzt, amelynek nincsenek valódi növekedési kilátásai a megvásárláson túl, és ezek a cégek körülbelül nyolcszoros nyereséggel kereskednek.

Hová megy a pénz?

Patrick: A tőkeciklus szempontjából hol tartunk szerinted a mesterséges intelligencia kiépítésében – korai túlzott befektetés, ciklus közbeni összeomlás, vagy valami strukturálisan eltérő a korábbi technológiai fellendülésekhez képest? Mi változtatná meg a véleményedet?

Michael: Úgy látom, hogy ez különbözik a korábbi fellendülésektől, azzal a különbséggel, hogy a tőkekiadások rendkívül rövid életűek. A chipek most évente cserélődnek; a mai adatközpontok nem fogják tudni kezelni a néhány év múlvai chipeket. Szinte azt lehetne mondani, hogy ennek nagy részét költségként kellene elszámolni, nem pedig aktiválni. Vagy két, három, négy év alatt értékcsökkenteni.

Egy másik nagy különbség, hogy a magánhitelek legalább annyira, vagy akár jobban is finanszírozzák ezt a fellendülést, mint az állami tőkepiacok. Ez a magánhitelezés egy homályos terület, de a futamidő-eltérés feltűnik – ezek nagy részét értékpapírosítják, mintha az eszközök két évtizedig tartanának, miközben a hiperskálázódóknak négy-öt évente kiesést adnak. Ez csak bajt okoz. Megszállt eszközök.

Természetesen a költekezők a földkerekség leggazdagabb vállalatai, de akár készpénzről, akár tőkepiacokról van szó, a nagy kiadás az nagy kiadás, és a tervezett költekezés túlterheli még a mai hatalmas hiperskálázók mérlegét és cash flow-ját is.

A folyamatban lévő építési beruházások (CIP) ma már egy olyan számviteli trükk, amelyet véleményem szerint már használnak is. A még „üzembe nem helyezett” tőkeeszközök nem kezdenek értékcsökkenni, és nem számolják el a bevételt. És örökre ott is maradhatnak. El tudom képzelni, hogy sok értékvesztett eszközt fognak elrejteni a CIP-ben a jövedelem védelme érdekében, és azt hiszem, már látjuk ezt a lehetőséget.

Dwarkesh interjújában Nadella azt mondta, hogy azért vonult vissza néhány projekttől és lassította le a fejlesztést, mert nem akart egyetlen chipgeneráció négy-öt évnyi értékcsökkenésével foglalkozni. Ez egy kicsit túlzásba vitt kijelentés.

Most a ciklus közepén vagyunk – túl vagyunk azon a ponton, ahol a részvények már jutalmazzák a befektetőket a további építkezésért, és eljutunk abba az időszakba, amikor a valódi költségek és a bevételek hiánya kezdenek megmutatkozni.

A múltbeli ciklusokban a részvények és a tőkepiacok nagyjából a ciklus felénél érték el a csúcspontjukat, a többi tőkekiadás pedig akkor történt, amikor egyre pesszimistabb, vagyis realisztikusabb nézet uralkodott az aggodalomra okot adó eszközökön.

Dwarkesh: Szerintem ez teljesen független attól, hogy a mesterséges intelligencia továbbra is gyors ütemben fejlődik-e. Ha a legproduktívabb emberi elméket egy B200-on (az Nvidia B200 GPU-ján) lehetne futtatni, akkor nyilvánvalóan jelentősen kevesebbet fektetünk be. Szerintem az alkalmazásrétegből származó bevételek eddig kevésbé informatívak, mint a mesterséges intelligencia képességeinek fejlődéséről szóló nyers előrejelzések.

Jack: Egyetértek ebben – az elmúlt években a képességek terén elért fejlődés mértéke mélyen meglepő volt, és a mesterséges intelligencia felhasználásának hatalmas növekedéséhez vezetett. A jövőben további ugrásszerű növekedésre kerülhet sor a modellek képességeiben, és ezeknek rendkívül jelentős hatásai lehetnek a gazdaságra.

Amit a piac rosszul csinál

Patrick: Hol keletkezik az érték a mesterséges intelligencia ellátási láncában? Miben különbözik ez a közelmúltbeli vagy történelmi technológiai fejlesztésektől? Ön szerint kivel kapcsolatban téved a piac jelenleg a leginkább?

Michael: Nos, az érték történelmileg minden iparágban azoknál keletkezik, akik tartós versenyelőnnyel rendelkeznek, ami vagy árképzési erőben, vagy érinthetetlen költség- vagy disztribúciós előnyben nyilvánul meg.

Nem világos, hogy az itteni kiadások ehhez vezetnek-e.

Warren Buffett az 1960-as évek végén egy áruház tulajdonosa volt. Amikor az utca túloldalán lévő áruház mozgólépcsőt szerelt be, neki is mozgólépcsőt kellett szerelnie. Végül egyik fél sem profitált ebből a drága projektből. Nem történt tartós haszonkulcs- vagy költségjavulás, és mindketten ugyanott voltak. A legtöbb mesterséges intelligencia bevezetése így fog lezajlani.

Ezért olyan aggasztó a több billió dolláros kiadás, amelynek a reálgazdaság általi felhasználására nincs egyértelmű út. A legtöbben nem fognak profitálni, mert a versenytársaik ugyanolyan mértékben fognak profitálni, és egyikük sem fog versenyelőnyre szert tenni emiatt.

Szerintem a piac a leginkább a mesterséges intelligencia két mintapéldányával, az Nvidiával és a Palantirral téved. Ez a két legszerencsésebb cég. Jól alkalmazkodtak, de szerencsések, mert amikor ez az egész elkezdődött, egyikük sem tervezett még MI-terméket. De elkezdik őket MI-ként használni.

Az Nvidia előnye nem tartós. Az SLM-ek és az ASIC-ek jelentik a jövőt a legtöbb mesterséges intelligencia alkalmazási esetében. Visszafelé kompatibilisek lesznek a CUDA-val [az Nvidia párhuzamos számítási platformja és programozási modellje], ha egyáltalán szükséges. Az Nvidia a hataloméhes, piszkos megoldás, amely addig tartja a frontot, amíg a versenytársak teljesen más megközelítéssel meg nem jelennek.

A Palantir vezérigazgatója [rossz szereplőkhöz] hasonlított, mert elképzeltem, hogy milliárd dolláros fogadást kötök a cége ellen. Ez nem egy magabiztos vezérigazgató. Minden erejével azon van, hogy ezt fenntartsa, de ez csak visszaesik. A részvényalapú kompenzáció után gyakorlatilag nincs bevétel.

Dwarkesh: Még várat magára, hogy a mesterséges intelligencia laboratóriumok tartós versenyelőnyre tehetnek-e szert a rekurzív önfejlesztési típusú hatásokból. De ha Jacknek igaza van, és a mesterséges intelligencia fejlesztőinek már most is hatalmas termelékenységi növekedést kellene tapasztalniuk, akkor miért versenyképesebbek a dolgok most, mint valaha? Vagy ez a fajta belső „kutyaélmény” nem tud fenntartani versenyelőnyt, vagy a mesterséges intelligenciából származó termelékenységi növekedés kisebb, mint amilyennek látszik.

Ha kiderül, hogy (1) a mesterséges intelligencia platformján senki sem tud őrült profitot termelni, és (2) a mesterséges intelligencia továbbra is nagy üzletnek bizonyul, akkor nyilvánvalóan az érték az ügyfélnél keletkezik. Ami az én fülemnek nagyszerűen hangzik.

Michael: A mozgólépcsős példában az egyetlen érték, ami a vevőhöz került. Ez mindig így van, ha a termelők vagy a szolgáltatók nem számíthatnak fel monopoljáradékot.

Mi változtatná meg a véleményüket

Patrick: Melyik 2026-os főcím – technológiai vagy pénzügyi – lepné meg, és késztetné újragondolni a mesterséges intelligencia fejlődésével vagy értékelésével kapcsolatos nézeteit? Visszatekintve mi volt a legnagyobb meglepetés vagy újragondolás eddig?

Michael: A legnagyobb meglepetés, ami újragondolásra késztetne, az az lenne, ha az autonóm mesterséges intelligencia által működtetett ügynökök több millió munkahelyet szüntetnének meg a legnagyobb vállalatoknál. Ez sokkolna, de nem feltétlenül segítene megérteni, hogy hol van a tartós előny. Megint az a Buffett-lépcsőház példa.

Egy másik lehetőség az alkalmazásrétegből származó bevételek 500 milliárd dolláros vagy annál nagyobb mértékű növekedése lenne a zseniális alkalmazások elterjedése miatt.

Jelenleg két dolog egyikét láthatjuk: vagy az Nvidia chipjei öt-hat évig bírják, és így az embereknek kevesebbre van szükségük belőlük, vagy két-három évig bírják, és a hiperskálázók bevételei összeomlanak, a magánhitelek pedig tönkremennek.

Visszatekintve, a legnagyobb meglepetések eddig a következők:

1. A Google nem járt végig az élen – az „Attention Is All You Need” nyolc szerzője mind Google-alkalmazott volt; rendelkeztek Kereséssel, Gmaillel, Androiddal, sőt még az LLM-mel és a chipekkel is, de elrontották, és sokkal kevesebb lehetőséggel adtak lehetőséget a versenytársaknak. A Google igyekszik utolérni egy mesterséges intelligencia területén működő startupot: ez elképesztő.
2. ChatGPT – egy chatbot elindított egy több billió dolláros infrastruktúra-versenyt. Olyan, mintha valaki épített volna egy prototípus robotot, és a világ minden vállalkozása elkezdett volna befektetni egy robotikus jövőbe.
3. Az Nvidia eddig is megőrizte dominanciáját a következtetési korszakban. Azt vártam, hogy az ASIC-ek és az SLM-ek mostanra dominánsak lesznek, és hogy már messze túllépünk a gyors tervezésen. Talán az Nvidia iránti rajongás tartotta vissza a játékosokat. Vagy az Nvidia versenyellenes magatartása tette ezt.

Dwarkesh: Számomra a legnagyobb meglepetések a következők lennének:

• A 2026-os összesített mesterséges intelligencia laboratóriumi bevételek 40 milliárd dollár alatt vagy 100 milliárd dollár felett lesznek. Ez azt jelentené, hogy a dolgok jelentősen felgyorsultak vagy lelassultak a várthoz képest.
• A folyamatos tanulás megoldott. Nem úgy, ahogy a GPT-3 „megoldotta” a kontextuson belüli tanulást, hanem úgy, ahogy a GPT-5.2 szinte emberszerű a kontextusból való megértés képességében. Ha egy modellel dolgozni olyan, mintha egy hat hónapja veled dolgozó képzett alkalmazottat másolnánk, ahelyett, hogy a munkája első órájában megkapnánk, az szerintem hatalmas felszabadítást jelent a mesterséges intelligencia képességeiben.
• Szerintem az AGI idővonalai jelentősen leszűkültek 2020 óta. Akkoriban némi valószínűséget lehetett volna rendelni annak, hogy a GPT-3 ezerszeresére növeljük a növekedést és elérjük az AGI-t, valamint annak is, hogy teljesen rossz úton haladunk, és a század végéig kell várnunk. Ha a fejlődés eltér a trendvonaltól, és valódi, ember által helyettesíthető intelligenciák megjelenésére utal a következő 5-20 évben, az lenne számomra a legnagyobb meglepetés.

Jack: Ha a „skálázás falba ütközik”, az valóban meglepő lenne, és nagyon jelentős következményekkel járna mind az alapul szolgáló kutatási paradigmára, mind a tágabb MI-gazdaságra nézve. Nyilvánvaló, hogy az infrastruktúra kiépítése, beleértve a jövőbeli MI-modellek betanítására szolgáló létesítményekbe történő hatalmas beruházásokat, arra utal, hogy az emberek másképp gondolkodnak.

Egy másik dolog, amit meglepőnek találnék, az az, ha létezne egy olyan technológiai áttörés, amely javítaná az elosztott képzés hatékonyságát, és egy olyan szereplői csoport, amely elegendő számítógépet állítana össze egy nagyon erős rendszer betanításához. Ha ez megtörténne, az azt sugallná, hogy nemcsak nyílt súlyú modellek létezhetnek, hanem egy olyan nyílt modellfejlesztési forma is, ahol nem kell egyetlen hatalmas entitás (pl. egy vállalat) egy határmodell betanításához. Ez megváltoztatná a mesterséges intelligencia politikai gazdaságtanát, és rendkívül nem triviális politikai következményekkel járna, különösen a határ menti képességek elterjedésével kapcsolatban. Az Epochnak van egy jó elemzése az elosztott képzésről , amelyre érdemes lehet hivatkozni.

Hogyan használják valójában az LLM-eket?

Patrick: Mi volt az utolsó szakmailag jelentős interakciója egy LLM-mel? Szükség esetén iktassa be a sorszámokat. Hogyan viszonyult az LLM-hez ebben az interakcióban?

Michael: Mostanában a Claude-ot használom az összes diagramom és táblázatom elkészítéséhez. Megkeresem a forrásanyagot, de nem töltök időt professzionális táblázat, diagram vagy vizuális anyag létrehozásával vagy tervezésével. Még mindig nem bízom a számokban, és ellenőriznem kell őket, de ez a kreatív aspektus már a múlté számomra. Ehhez kapcsolódóan különösen a Claude-ot fogom használni a forrásanyagok kereséséhez, mivel manapság oly sok forrásanyag nem csak az SEC-nél vagy egy mainstream jelentésben található meg.

Patrick: Szerintem a pénzügyi világon kívüli emberek nem értik, mennyi milliárd dollárt költöttek arra, hogy a világ legjobban fizetett és legképzettebb embereit Microsoft PowerPoint és Excel specialistaként alkalmazzák. Egyelőre még mindig van ebben érték, és talán a pivot táblák és a VLOOKUP() függvények shibboleth értéke tovább fog tartani, mint most, de az Angol Bankban tartott előadásomban is LLM-eket használtam az összes diagramhoz. Szinte bizarrnak tűnik, hogy egyszer arra kértünk embereket, hogy órákat töltsenek a gondos beállításukkal.

Dwarkesh: Ők most a személyes egyéni oktatóim. Valójában megpróbáltam emberi oktatókat felbérelni a különböző tantárgyakhoz, amelyekre felkészítek, és azt tapasztaltam, hogy az LLM-ek késleltetése és sebessége minőségileg sokkal jobb élményt nyújt. A digitális megfelelőjét kapom annak, mintha az emberek hajlandóak lennének hatalmas prémiumot fizetni a Waymo-ért az Uberrel szemben. Ez arra késztet, hogy azt gondoljam, hogy sok munkahely esetében az emberi prémium nemcsak hogy nem lesz magas, hanem valójában negatív.

Michael: Ezzel kapcsolatban sokan a szakmai pályákat tartják mesterséges intelligencia-biztos választásnak. Tekintettel arra, hogy mennyi mindent el tudok végezni a villanyszerelésben és a ház körüli egyéb területeken Claude segítségével, már nem vagyok ebben biztos. Ha középosztálybeli lennék, és egy 800 dolláros vízvezeték-szerelő vagy villanyszerelő hívása várna rám, akkor talán Claude-ot választanám. Imádom, hogy lefényképezhetem, és kitalálhatok mindent, amit a javításhoz tennem kell.

Kockázat, hatalom és a jövő alakításának módjai

Patrick: A mesterséges intelligencia kockázataival kapcsolatos nézetek spektruma a viszonylag tájékozott emberek körében a „kellemetlenségeket okozhat a közösségi médiában”-tól kezdve a „szégyen lenne, ha Kína legyőzné az Egyesült Államokat egy nagyon hasznos, feltörekvő, katonai alkalmazásokkal rendelkező technológiában”-on át a „negatív kockázatok közé tartozik az emberiség számára fontos dolgok szó szerinti megszűnése”-ig terjed. Mi nem hagyja aludni leginkább éjszaka? Külön kérdés, ha lenne öt perce a vezető politikai döntéshozókkal, milyen új figyelem- és erőforrás-elosztást javasolna?

Jack: Ami leginkább aggaszt, az az, hogy vajon sikerül-e az embereknek „olyan mesterséges intelligenciát építeni, ami mesterséges intelligenciát épít” – vagyis teljesen lezárni a mesterséges intelligencia kutatás-fejlesztésének ciklusát (amit néha rekurzívan önfejlesztő mesterséges intelligenciának is neveznek). A félreértések elkerülése végett lényegében nulla valószínűséget tulajdonítok annak, hogy 2026 januárjában rekurzívan önfejlesztő mesterséges intelligenciarendszerek létezzenek a bolygón, de rendkívül korai jeleket látunk arra, hogy a mesterséges intelligencia egyre jobb lesz a mesterséges intelligencia kutatásának egyes elemeiben, a kernelfejlesztéstől a nyílt súlyú modellek autonóm finomhangolásáig.

Ha ez a cucc egyre jobb lesz, és végül egy olyan MI-rendszert építesz, amely képes önmagát felépíteni, akkor a MI fejlesztése drámaian felgyorsulna, és valószínűleg nehezebben érthetővé válna az emberek számára. Ez számos jelentős politikai kérdést vetne fel, és valószínűleg példátlan ugrásszerű változást is eredményezne a világ gazdasági tevékenységében, ami a MI-rendszereknek tulajdonítható.

Másképp fogalmazva, ha öt percem lenne egy döntéshozóval, alapvetően azt mondanám neki: „Az önfejlesztő MI sci-finek hangzik, de a technológiában semmi sem mondja, hogy lehetetlen, és ha megtörténne, az hatalmas dolog lenne, és oda kellene figyelni rá. Átláthatóságot kellene követelni a mesterséges intelligenciával foglalkozó cégektől azzal kapcsolatban, hogy pontosan mit látnak itt, és gondoskodni kellene arról, hogy legyenek olyan harmadik felek, akikben megbízik, és akik tesztelhetik a mesterséges intelligencia rendszereit ezekre a tulajdonságokra.”

Michael: Jack, gondolom, neked is vannak politikai döntéshozók füleid, és remélem, hogy meghallgatnak.

A mesterséges intelligencia jelenlegi állapota egyáltalán nem aggaszt engem az emberiségre leselkedő kockázatok tekintetében. Szerintem a chatbotoknak megvan a lehetőségük arra, hogy butábbá tegyék az embereket – az orvosok, akik túl sokat használják őket, elkezdhetik elfelejteni a veleszületett orvosi tudásukat. Ez nem jó, de nem katasztrofális.

Az AGI-t vagy mesterséges szuperintelligenciát (ASI) érintő katasztrofális aggodalmak nem aggasztanak túlságosan. A hidegháborúban nőttem fel, és a világ bármikor felrobbanhatott. Iskolai gyakorlatok voltak erre. Fociztam helikopterekkel, amelyek Malationt zúdítottak ránk. És több mint 30 évvel ezelőtt láttam a Terminátort. A Vörös Hajnal lehetségesnek tűnt. Úgy gondolom, hogy az emberek alkalmazkodni fognak.

Ha a vezető döntéshozók fülébe jutna a dolog, arra kérném őket, hogy fogadjanak egybillió dollárt (mivel manapság a billiókat milliókként szórják szét), és kerüljék meg az összes tiltakozást és szabályozást, és az egész országot telepakoljanak kis nukleáris reaktorokkal, miközben egy vadonatúj, korszerű hálózatot építenek mindenki számára. Ezt a lehető leghamarabb tegyék meg, és biztosítsák az egészet a támadásoktól a legújabb fizikai és kiberbiztonsági intézkedésekkel; sőt, akár egy speciális Nukleáris Védelmi Erőt is hozzanak létre, amely minden egyes létesítményt véd, szövetségi finanszírozásban.

Ez az egyetlen remény arra, hogy elegendő hatalmat szerezzünk ahhoz, hogy lépést tartsunk Kínával, és ez az egyetlen reményünk arra, hogy országként annyira növekedjünk, hogy végül visszafizessük az adósságunkat és garantáljuk a hosszú távú biztonságot azáltal, hogy nem engedjük, hogy a hatalom korlátozza az innovációnkat.

Jack: Teljes mértékben egyetértek az energiával kapcsolatos részben (bár a többi dologgal kapcsolatban eltérő szubjektív aggodalmaink lehetnek!). A mesterséges intelligencia érdemi szerepet fog játszani a gazdaságban, és alapvetően az alapul szolgáló infrastruktúrától függ, hogy hatékonyan és olcsón eljuttassa azt a vállalkozásokhoz és a fogyasztókhoz – hasonlóan ahhoz, ahogyan a múltban az országok nagyszabású villamosítást, útépítést, csatornaépítést stb. hajtottak végre (hatalmas beruházási projektek!). Sürgősen ugyanezt kell tennünk az energia területén is.

Azt is gondolom, hogy a nagyméretű mesterséges intelligencia alapú adatközpontok nagyon hasznos tesztfelhasználók az új energiatechnológiák számára, és különösen izgatott vagyok a mesterséges intelligencia alapú energiaigény és a nukleáris technológiák jövőbeli fúziója (szójáték szándékos!) miatt. Tágabb értelemben úgy gondolom, hogy a „gazdasági biztonság nemzetbiztonság”, így annak biztosítása, hogy rendelkezzünk a mesterséges intelligencia alapú gazdaság kiépítéséhez szükséges infrastruktúrával, pozitív hatással lesz ipari bázisunkra és általános stabilitásunkra.

 

További információ a résztvevőkről: 

• Michael Burry korábbi hedge fund menedzser és író, aki befektetési elemzéseket és piaci kommentárokat publikál Cassandra Unchained című alkönyvében . Legismertebb a The Big Short című könyvében ábrázolt szubprime jelzáloghitel-válság előrejelzéséről, és újabban szkepticizmusának adott hangot a mesterséges intelligencia által vezérelt piaci fellendüléssel kapcsolatban.
• Jack Clarkaz Anthropic társalapítója és politikai vezetője, ahol a mesterséges intelligencia biztonságával, irányításával és a határmodellek társadalmi következményeivel foglalkozik. Emellett ő írja az Import AI-t is , egy régóta futó hírlevelet, amely a mesterséges intelligencia, az állami hatalom és a technológiai kockázatok terén elért eredményeket elemzi.
• Dwarkesh Patel a Dwarkesh Podcast alapítója és műsorvezetője , ahol vezető gondolkodókkal készít interjúkat a mesterséges intelligencia, a közgazdaságtan és a tudományos fejlődés témakörében. Substackjén esszéket és interjúkat is publikál, amelyek a hosszú távú technológiai pályákra, a mesterséges intelligencia összehangolására és a civilizációs kockázatokra összpontosítanak.
• Patrick McKenzieíró és szoftvervállalkozó, akit leginkább a Bits About Money című hírleveléről ismerünk , amelyben a pénzügyeket, a piacokat és az intézményeket magyarázza el. Emellett a Complex Systems podcast házigazdája is, és korábban a technológia és a fizetések területén dolgozott, többek között a Stripe-nál.

Forrás: https://substack.com/home/post/p-183999144 2026. január 9.

Fordította: Naetar-Bakcsi Ildikó