Jalapeñoren lehen emaitzek IA inferentzian abiadura eta eraginkortasun liderra erakusten dute ↗
OpenAI-k Jalapeño-ren, bere txip inferentzia pertsonalizatuaren, errendimenduaren lehen emaitzak argitaratu ditu. GPT-OSS 120B-ri dagokionez, txipak kilowatt bakoitzeko 1,9 aldiz gehiagoko gailurra eta muturretik muturrerako latentzia 1,7 aldiz txikiagoa konparazio sistemak baino.
Irabaziak DeepSeek R1 eta Kimi K2.5-en ere islatu ziren. OpenAI-k Jalapeño bere konputazio-azpiegituraren barruan zabaltzeko asmoa du, bigarren eta hirugarren belaunaldiko diseinuak martxan dauden bitartean... beraz, bai, OpenAI gero eta gehiago ari da txip-enpresa bihurtzen, nolabait. (OpenAI)
Claude Cowork-ek azkenean gogoratzen du txatean aplikazioari esan zeniona ↗
Anthropic-ek Clauderen memoria bateratu zuen ohiko txatean eta Cowork-ean. Elkarrizketetan ikasitako informazioak orain erabiltzaileak jarrai ditzake zeregin eragileetan, proiektu bera behin eta berriz azaltzeko erritual apur bat erogarri hori ezabatuz.
Erabiltzaileek gogoratutako gaiak ikuskatu, editatu eta ezabatu ditzakete, oroitzapenak eguneratzen diren bitartean elkarrizketak gertatzen ari diren bitartean. Funtzio hau lehenespenez gaituta dago Free, Pro eta Max planetan. (TechCrunch)
Google Cloud-ek Gemini Enterprise aurkeztu du lege-zerbitzuetarako ↗
Google Cloud-ek abokatuentzako Gemini Enterprise pakete bat aurkeztu du, agenteak txat generikotik haratago eta kontratuen berrikuspenera, ikerketa juridikora, arauzko monitorizaziora, pribatutasun eskaerara eta dokumentuen idazketara bultzatuz.
Harvey, iManage, Docusign, RelativityOne eta Thomson Reuters bezalako plataformetarako konektoreak ditu, enpresen sarbide-kontrolak eta horma etikoak mantenduz. IA agenteen lurren bahiketa lege-departamentura iritsi da... aurreikus daitekeen bezala, baina oraindik nahiko azkar. (Google Cloud Press Corner)
Google Cloud-ek Gemini Enterprise abiarazi du finantza zerbitzuetarako ↗
Google-k Gemini Enterprise finantza-eskaintza bat ere abiarazi zuen, Financial Research agente kudeatu bat, 50 trebetasun espezializatu baino gehiago eta finantza- eta merkatu-datuen sistemetarako 13 konektore barne
Plataformak kreditu-arriskuen ebaluazioa, zorroaren jarraipena, KYC ikerketa eta merkatu-analisia bezalako lan-fluxuak hartzen ditu helburu. CME Group eta Deutsche Bank dagoeneko parte hartzen duten erakundeen artean daude: enpresa-agenteak gero eta espezializatuagoak dira, ia softwareak trajea daramala bezala. (Google Cloud Press Corner)
NVIDIAk Jetson Orin Nano 2 robotika ordenagailua iragarri du, oinarrizko mailako IA birdefinitzeko ↗
Nvidiak Jetson Orin Nano 2 aurkeztu zuen, robot, drone eta bestelako adimen artifizial fisiko sistemetarako zuzendutako ordenagailu trinkoa. Segundoko 78 bilioi eragiketa, 8 GB memoria eta zortzi nukleoko Arm CPU eskaintzen ditu.
Nvidiak dioenez, inferentziaren errendimendua aurreko Nano Super-arekin alderatuta bikoiztu egiten da, eta bere errendimendua parekatzeko % 40 energia gutxiago. Modelo txikiagoak hardware trinkoan benetan gai izatea da hemen interesgarria dena: IA-k ez du beti datu-zentro erraldoira deitu beharrik. (NVIDIA Newsroom)
Perplexity-k Nvidiarekin bat egin du Portable Computer abiarazteko, zero token kostuko IA agente guztiz lokala ↗
Perplexity-k Portable Computer abiarazi zuen, bere agenteen ordenagailuen esperientzia Nvidia-k bultzatutako tokiko hardwarera eramanez. Modeloak, fitxategiak eta agenteen exekuzioa erabiltzailearen makinan gera daitezke, eta tokiko lanak ez du hodeiko fakturazio-krediturik.
Zereginak tokian bertan hasten dira, eta sistemak baimena eskatzen du mugako hodei eredu batera urrats bat eman aurretik. Nvidia DGX Spark eta Linux sistemetan abiarazten da, RTX GPU nahikoa indartsuekin - pribatutasuna eta kostua bat-batean tokiko IA salmenta-argudioaren parte bihurtzen dira, ez bakarrik abiadura. (Venturebeat)
Anthropic-ek inbertitzaileei 30 bilioi dolar baino gehiagoko diru-sarrera potentzialak dituela esango die WSJ-k ↗
Anthropic-ek inbertitzaileei esateko prestatzen ari dela jakinarazi dute bere merkatu potentzial osoa 30 bilioi dolar. Bereizketa garrantzitsua: hori da urteko aukera teorikoa IA-k lana lortuko balu, ez Anthropic-ek 30 bilioi dolar irabaziko dituela aurreikusten duenik. (Reuters)
Zifra erraldoiak Anthropic-en azpiegituren gastua, OpenAI eta Google-rekin duen lehia eta inbertitzaileen istorio orokorra markatzen laguntzen du. Kopuru ikusgarri handia da... baita IA industriaren zenbaki estandarren arabera ere. (Reuters)
Maiz egiten diren galderak
Zer esan nahi dute OpenAIren Jalapeño txiparen emaitzek AI inferentziarako?
OpenAI-k dioenez, Jalapeño-k kilowatt bakoitzeko gailur-errendimendu handiagoa eta muturretik muturrerako latentzia txikiagoa eman zuen bere konparazio-sistemarekin alderatuta GPT-OSS 120B exekutatzen zuenean. Antzeko irabaziak jakinarazi ziren DeepSeek R1 eta Kimi K2.5-ekin. Emaitzek iradokitzen dute OpenAI-k gero eta gehiago diseinatzen duela hardwarea eskala handiko IA inferentziaren eraginkortasun eta abiadura eskakizunen arabera.
Nola funtzionatzen du Clauderen memoria partekatuak txatean eta Cowork-ean?
Claudek orain ohiko elkarrizketetan ikasitako informazioa Cowork-eko zereginetara eraman dezake, proiektu edo testuinguru bera behin eta berriz azaltzeko beharra murriztuz. Erabiltzaileek gogoratutako gaiak ikuskatu, editatu eta ezabatu ditzakete, eta oroitzapen horiek eguneratzen jarraitu dezakete elkarrizketak garatzen diren heinean. Artikuluan jasotako iragarpenaren arabera, funtzioa lehenespenez gaituta dago Free, Pro eta Max planetan.
Zer egin dezake Gemini Enterprise-k Zerbitzu Juridiko eta Finantzarioetarako?
Google Cloud-en Gemini Enterprise eskaintza espezializatuak industria-fluxu espezifikoetara zuzenduta daude, IA txat generikora baino gehiago. Pakete legalak kontratuen berrikuspena, ikerketa, araudiaren jarraipena, pribatutasun eskaerak eta idazketa bezalako arloak hartzen ditu barne, eta finantza-zerbitzuen bertsioak, berriz, kreditu-arriskuen ebaluazioa, zorroaren jarraipena, KYC ikerketa eta merkatu-analisia bezalako lan-fluxuak onartzen ditu. Biak ere konekta daitezke dauden datu eta software sistem profesionalekin.
Zergatik ari da gero eta garrantzitsuagoa tokiko IA inferentzia?
Tokiko IA inferentziak pribatutasuna indartu, hodeiko azpiegiturarekiko mendekotasuna murriztu eta etengabeko erabilera-kostuak murriztu ditzake. Nvidiaren Jetson Orin Nano 2-k robotak, droneak eta bestelako ertzeko sistemak ditu helburu, eta Perplexity-ren Portable Computer-ek, berriz, modeloak, fitxategiak eta agenteen exekuzioa tokiko hardware bateragarrian gordetzen ditu. Lan-fluxu askotan, hodeiko modeloak gaitasun gehigarria behar duten zereginetarako gorde daitezke.
Nola erabakitzen du Perplexity Portable Computer-ek noiz erabili hodeiko AI?
Zereginak erabiltzailearen tokiko Nvidia hardwarean hasteko diseinatuta daude, modeloaren exekuzio eta fitxategiak bateragarriak makinan mantenduz. Urrats batek mugako hodeiko modelo bat behar badu, sistemak baimena eskatzen dio erabiltzaileari eskalatu aurretik. Tokian tokiko egindako lanak ez du hodeiko fakturazio-krediturik kontsumitzen, eta horrek ikuspegi hau pribatutasunaz eta inferentzia-kostu errepikakorrak kezkatzen dituzten erabiltzaileentzat egokia bihurtzen du.
Zer esan nahi du Anthropic-ek jakinarazi duenez, 30 bilioi dolarreko IA merkatuaren estimazioak?
Jakinarazitako zifrak Anthropic-en IArako merkatu potentzial osoari buruzko ikuspegia adierazten du, ez Anthropic-ek berak 30 bilioi dolarreko urteko diru-sarrerak sortuko dituen iragarpena. IAk ekonomia osoan potentzialki jorratu dezakeen lanaren balio teorikoa adierazten du. Kalkuluak IA enpresa nagusiek zergatik inbertitzen duten hainbeste azpiegituretan eta enpresa-gaitasunetan azaltzen laguntzen du, halaber.