Inwestycje w infrastrukturę AI, fala nowych modeli i walka o dane treningowe

W tym tygodniu branża sztucznej inteligencji posunęła się naprzód jednocześnie na trzech frontach: konsolidacji fizycznej infrastruktury zasilającej duże modele, wypuszczeniu fali nowych modeli granicznych oraz walce sądowej o to, czy dane treningowe, na których zostały zbudowane, kiedykolwiek zostały pozyskane w sposób legalny.

Marvell stawia 115 mld $ na to, że łączność optyczna jest kolejnym wąskim gardłem AI

Marvell Technology ogłosiła, że przejmie producenta komponentów optycznych Lumentum w transakcji wymiany akcji wycenionej na około 115 miliardów dolarów — jednej z największych przejęć w sektorze półprzewodników w historii. Logika jest prosta: w miarę jak klastry AI skalują się do milionów GPU, przepustowość między układami i między stojakami staje się czynnikiem ograniczającym, a przeniesienie tego ruchu na światłowód zamiast miedzi drastycznie redukuje zarówno opóźnienia, jak i pobór mocy.

Marvell spędziła ostatnie kilka lat na cichym repozycjonowaniu się jako dostawca niestandardowego krzemu i połączeń dla infrastruktury AI hiperscalerów. Lumentum wnosi produkcję laserów i fotoniki, którą Marvell obecnie kupuje od podmiotów trzecich. Ich pionowe połączenie stanowi bezpośrednie wyzwanie dla Broadcom i rynku optyki komercyjnej.

Dla szerszej branży transakcja sygnalizuje, że wyścig o zasoby obliczeniowe AI nie dotyczy tylko GPU i akceleratorów. Ktokolwiek będzie kontrolował tkaninę łączności — przełączniki, transceivery i lasery łączące akceleratory — będzie w coraz większym stopniu decydował o tym, jak szybko klastry mogą się skalować i przy jakich kosztach. Transakcja ma się zamknąć w połowie 2027 roku, oczekując na przegląd regulacyjny.

Jeden tydzień, trzy modele graniczne: Claude Duet, GPT-6 Pro Parallel Agents, Gemini 4 Argon

W ciągu jednego tygodnia Anthropic, OpenAI i Google wypuściły każda po jednym ważnym nowym modelu do ogólnej dostępności. Claude Duet od Anthropic jest zbudowany z myślą o równoległych przepływach pracy z wieloma agentami, ze zmianami architektonicznymi redukującymi narzut przełączania kontekstu między równoczesnymi wątkami zadań. Tryb GPT-6 Pro Parallel Agents od OpenAI rozszerza jej istniejący model o harmonogram, który może rozkładać podzadania na równoległe instancje i łączyć wyniki. Gemini 4 Argon od Google kładzie nacisk na wyszukiwanie w długim kontekście, podobno obsługując do 10 milionów tokenów z lepszą precyzją na testach porównawczych wyszukiwania igły w stogu siana.

Tempo tworzy realne zamieszanie w zakupach korporacyjnych. Niezależne narzędzia śledzenia benchmarków — w tym llm-stats.com i felloai.com — wykazują istotne rozbieżności w kwestii tego, który model prowadzi w kodowaniu, rozumowaniu i podążaniu za instrukcjami, częściowo dlatego, że każde laboratorium opracowuje własne zestawy oceniające, a częściowo dlatego, że wydajność znacznie się różni w zależności od rodzaju zadania. Model, który prowadzi w rankingu kodowania, może zajmować trzecie miejsce w rozumowaniu wieloetapowym.

Praktyczna konsekwencja dla zespołów budujących na bazie tych API: wybór modelu nie jest już decyzją jednorazową. Najlepszy wybór dla danego przepływu pracy może się zmieniać co kilka tygodni, a koszt migracji promptów i ocen nie jest trywialny. Kilku dostawców korporacyjnych odpowiedziało budowaniem warstw routingu agnostycznych wobec modelu, które ponownie oceniają wybór dostawcy dla każdego żądania.

Obrona praw autorskich OpenAI przyciąga 20 pism amicus — i ostry kontratak

Pozew New York Times przeciwko OpenAI w sprawie wykorzystania danych treningowych wchodzi w krytyczną fazę, a obie strony mobilizują teraz zewnętrzne wsparcie. OpenAI w tym tygodniu podkreśliła 20 pism amicus złożonych na jej korzyść, z sygnatariuszami od badaczy akademickich i organizacji praw obywatelskich po koalicje branży technologicznej argumentujące, że wąska interpretacja dozwolonego użytku zahamowałaby badania nad AI w szerokim zakresie.

Po drugiej stronie Music Artists Coalition Irvinga Azoffa dołączyła do pisma razem z Creative Artists Agency, argumentując, że licencjonowanie — nie dozwolony użytek — jest właściwymi ramami dla komercyjnego treningu AI. Wikimedia również zabrała głos, ostrzegając, że orzeczenie korzystne dla OpenAI mogłoby zaszkodzić otwartemu ekosystemowi internetowemu, od którego zależy Wikipedia, tworząc zachęty dla twórców treści do blokowania publicznie dostępnych materiałów.

Stawki wychodzą daleko poza tę jedną sprawę. Jeśli sądy orzekną, że trening na publicznie dostępnych tekstach stanowi naruszenie w przypadku braku licencji, model biznesowy leżący u podstaw większości dużych modeli językowych staje się prawnie niepewny w Stanach Zjednoczonych. Odwrotnie, orzeczenie o dozwolonym użytku prawdopodobnie przyspieszyłoby pozyskiwanie danych treningowych, przesuwając nierozwiązane kwestie licencjonowania do przyszłych bitew legislacyjnych. Decyzja nie jest spodziewana przed połową 2027 roku, ale etap wniosków już kształtuje protokół prawny, który zdeterminuje wynik.

Kwartalne capex Alphabet w wysokości 51 mld $ wysyła akcje AI niżej

Alphabet poinformowała o rekordowych 51 miliardach dolarów w wydatkach kapitałowych za kwartał, niemal w całości przypisywanych infrastrukturze AI — centrach danych, niestandardowym krzemie TPU i sieci. Liczba okazała się znacznie wyższa od oczekiwań analityków, a reakcja rynku była negatywna: akcje Alphabet spadły, ciągnąc za sobą szerszy koszyk akcji technologicznych narażonych na AI.

Wyprzedaż odzwierciedla napięcie narastające przez cały rok. Inwestycje w infrastrukturę AI przyspieszają, ale linie przychodów, które je uzasadniają — usługi AI w chmurze, zyski z efektywności reklamowej, aktualizacje oprogramowania korporacyjnego — rosną wolniej niż capex. Co najmniej jedna firma z Wall Street opublikowała analizę scenariuszową sugerującą, że jeśli harmonogramy monetyzacji AI przesuną się o 12 do 18 miesięcy, implikowany zwrot z zainwestowanego kapitału nie będzie wspierał bieżących wycen akcji.

Nie oznacza to, że inwestycja jest błędna — infrastruktura o długim cyklu często wygląda drogo, dopóki popyt się nie zmaterializuje. Ale inwestorzy zaczynają domagać się bardziej szczegółowych wskazówek dotyczących tego, kiedy wydatki na AI przełożą się na ekspansję marży, a firmy, które nie są w stanie ich dostarczyć, są karane w krótkim terminie.

Cztery laboratoria zgadzają się na sygnał Robots.txt opt-out dla danych treningowych

W spokojniejszym kawałku wiadomości, który może mieć większe znaczenie niż sugeruje jego zasięg medialny, OpenAI, Google, Microsoft i Anthropic ogłosiły wspólne porozumienie w sprawie honorowania zunifikowanego sygnału czytelnego maszynowo, który właściciele stron internetowych mogą wykorzystać do wykluczenia swoich treści z indeksowań treningowych AI. Mechanizm rozszerza istniejący standard robots.txt o nową dyrektywę specyficzną dla AI.

Porozumienie jest dobrowolne i samoregulacyjne, co oznacza, że nie ma egzekwowalnych zębów. Strona korzystająca z prawa do rezygnacji nie ma środka prawnego, jeśli laboratorium sygnatariusz zignoruje dyrektywę, a skrobaki niebędące sygnatariuszami są całkowicie nienaruszone. Krytycy zauważyli, że ogłoszenie nastąpiło w tym samym tygodniu, gdy nasiliła się procedura briefingowa praw autorskich NYT, co sugeruje pewien stopień strategicznego wyboru czasu.

Niemniej jednak sygnał ma znaczenie na marginesie. Daje wydawcom treści technicznie prosty sposób wyrażenia preferencji, tworzy ślad papierowy dla przyszłych sporów sądowych, jeśli laboratorium go naruszy, i może zmniejszyć polityczną presję na silniejszą interwencję regulacyjną. To, czy znacząco zmieni krajobraz danych treningowych, zależy od tego, jak szeroko dyrektywa zostanie przyjęta przez wydawców i jak konsekwentnie laboratoria będą jej przestrzegać.