Sokan úgy érzik, hogy a mesterséges intelligencia (MI) fejlődése az utóbbi időben lelassult, mivel a vállalatok egyre inkább a jól bevált, pénztermelő alkalmazásokra koncentrálnak. Ugyanakkor a háttérben izgalmas fejlemények történnek, például amikor egy úttörő nyelvi modell a biológia nyelvén „beszélve” segít új gyógyszerötletek generálásában, különösen a rákkezelés területén. Egy érdekes példát ismerhetünk meg, ahol egy C2S Scale nevű kiterjedt nyelvi modell teljesen új, tudományosan nem ismert hatású gyógyszerjelöltet azonosított, melyet laboratóriumi környezetben sikeresen teszteltek humán sejtekben is.
A fejlődés másik oldala az, hogy a szaktudósok mindent megtesznek az általános mesterséges intelligencia (AGI) definiálására, és új elméleti modelleket állítanak fel a kognitív képességek mérésére. Ezek az elképzelések vitákat generálnak, különösen a modellek memóriája, tanulási képessége, illetve a szövegfeldolgozás és vizuális értelmezés határainak feszegetése kapcsán.
Felmerül a kérdés, hogyan lehetne megoldani a gépi tanulás egyik legnagyobb akadályát, a folyamatos tanulást (continual learning), ami nélkül az MI-rendszerek nem tudnak tartósan új információkat sajátítani és alkalmazni. A lehetséges veszélyek és a biztonság kérdései is középpontba kerülnek, miközben a fejlesztők próbálják megtalálni az optimális egyensúlyt a fejlesztés és a kontroll között.
Eközben érdekes technikai összehasonlítások is bemutatásra kerülnek különböző nagyvállalati MI-modellek között, amelyek teljesítményükben és képességeikben sokszor egymással versenyeznek. A jövő lehetőségei mellett a jelen kihívásai is izgalmas kérdéseket vetnek fel: hogyan tudnak a fejlesztők biztonságos, ugyanakkor tanulásra képes MI-rendszereket garantálni, és meddig terjednek jelenleg a gépi intelligencia határai?
