📑 Tartalomjegyzék
- 1 AGI Idővonalak: 2026–2050 – Ki mit gondol?
- 2 Technológiai Állapot 2026-ban: Mi MAR elérhető?
- 3 A Scaling Laws Vitája: Plafon vagy új dimenzió?
- 4 AI Biztonság: Existential Risk és Alignment
- 5 Gazdasági Hatások: Bubble vagy Forradalom?
- 6 Tudományos Alkalmazások: Hol a valóság?
- 7 Fizikai és Kognitív Korlátok
- 8 Fekete Hattyúk: Nem vett kockázatok
- 9 3 Időhorizont: Rövid, Közép, Táv
- 10 Végső Verdict: Reális álmok
1. AGI Idővonalak: 2026–2050
📖 Mit jelent az AGI?
AGI (Artificial General Intelligence = Mesterséges Általános Intelligencia) az a hipotetikus szint, ahol egy mesterséges rendszer képes lenne bármely intellektuális feladatot elvégezni, amelyre egy ember képes – nem csak egy specifikus, jól körülhatárolt területen, hanem minden területen. A jelenlegi AI rendszerek (így a GPT-4, Claude, Gemini) mind "szűk AI" (narrow AI) típusúak: kiválóak lehetnek egy adott feladatban (pl. szövegírás, kódírás, képgenerálás), de nem képesek automatikusan új, előttük teljesen ismeretlen területekre áttérni.
Képzeld el, hogy egy zongoraművész (jelenlegi AI) zseniálisan játszik, de csak azt a darabot tudja, amire kiképezték. Ha megkérdezed, hogy mit csináljon egy sakktáblával, nem fog tudni válaszolni. Az AGI (az "általános" művész) viszont ugyanolyan zseniális lenne a sakkozásban is, ha valaki megmutatná neki a szabályokat – mert a tanulási mechanizmusa általános, nem specifikus.
Az AGI és az "általános intelligencia" közötti különbség kulcsfontosságú: jelenlegi AI modellek nem rendelkeznek általános kognitív képességekkel, csak a nagy nyelvi modellek (LLM-ek) által nyújtott "nyelvi intelligenciával". Amikor a szakértők arról beszélnek, hogy "az AGI nem jött el", arra utalnak, hogy nyelvi kompetencia ≠ általános intelligencia.
Az AGI elérésének becslése rendkívül széles skálán mozog. Az alábbiakban a konkrét állításokat forrásokkal alátámasztva összefoglalom. A szakértői véleményeket három csoportba soroltam: optimisták, középutasok és szkeptikusok.
📖 Mi a különbség az optimisták és szkeptikusok között?
Az optimista szakértők (Altman, Huang, Kurzweil) alapvető feltevése az, hogy a jelenlegi neuralis hálózatos megközelítés skálázása önmagában elég lesz az AGI eléréséhez. Ha egyre több számítási erőt és adatot adunk a rendszereknek, egyszer csak „felébrednek".
A szkeptikus szakértők (LeCun, Russell, Hinton Nobel óta) viszont úgy vélik, hogy az LLM-ek alapvetően hiányosak: nem rendelkeznek valódi értelemmel, világmodellsel, vagy okoskodó képességgel. Ők úgy vélik, hogy új architektúrákra van szükség.
Az optimisták úgy gondolják, hogy ha egy könyvtárat (adatbázist) elég nagyra bővítünk, és hozzáadunk egy hatékony keresőmotort (neuronális hálózatot), akkor az könyvtár „értelmes" lesz. A szkeptikusok viszont azt mondják, hogy a könyvtár nem „értelmes" – csak rengeteg információt tárol. Ahhoz, hogy tényleg értelmes legyen, szükség van egy olyan mechanizmusra, ami összeköti az információkat, értelmezi őket, és új ismereteket generál belőlük. A jelenlegi LLM-ek nem rendelkeznek ezzel a képeséggel – csak szavakat prediktálnak.
A „scaling laws" vitájának kontextusa
📖 Mi az a „scaling law"?
A scaling law (skálázási törvény) azt a megfigyelést írja le, hogy egy neurális hálózat teljesítménye (pontosabb előrejelzés, jobb felismerés) a paraméterek számával és a trainelő adat mennyiségével együtt nő. 2020-ban kiderült, hogy a teljesítmény logaritmikus összefüggésben van a compute mennyiségével: ha megduplázod a compute-t, a hiba nem feleződik meg, de javul.
Az egyik legismertebb scaling law a Chinchilla törvény (2022), ami kimutatta, hogy nem mindegy, hogyan osztod el a compute-t a paraméterek és a training tokenek között.
Képzeld el, hogy egy diák tanul. A scaling law azt jelenti, hogy minél több ideje van tanulni (compute), annál jobb eredményt ér el. A Chinchilla törvény viszont azt mondja, hogy nem mindegy, hogy a diák hányszor ismétli ugyanazt az anyagot, vagy hány különböző témát tanul meg. Ha ugyanazt az anyagot 100-szor ismétli meg, de csak egy témát, akkor nem lesz okosabb – csak memorizálni fogja. A Chinchilla törvény azt mutatja, hogy optimális arányban kell elosztani a tanulást az új anyag felfedezésére és az ismétlésre.
A scaling laws elmélete szerint a modell teljesítménye a compute mennyiségével növekszik. 2026-ban azonban két kritikus akadályba ütközik:
„Az LLM-ek úgy beszélnek, mint akik nem gondolnak bele." – Yann LeCun, Meta Chief AI Scientist
2. Technológiai Állapot 2026-ban: Mi MAR elérhető?
📖 Mit jelent a „multimodalitás" és az „agentic AI"?
Multimodalitás azt jelenti, hogy egy AI modell egyszerre képes feldolgozni és generálni különböző típusú információkat: szöveget, hangot, képet, videót, kódot. Például a GPT-4o képes hangot hallgatni, megérteni, és válaszolni – nem csak szöveg alapján.
Agentic AI (ügynök AI) azt jelenti, hogy az AI nem csak válaszol, hanem cselekszik. Képes önállóan végrehajtani munkafolyamatokat: pl. keresni információkat a weben, fájlokat olvasni, más programokat futtatni, és a kapott eredmények alapján dönten.
A multimodális AI olyan, mint az ember, aki egyszerre lát, hall, és beszél. A legacy AI (2020 előtt) olyan volt, mint egy vak, néma, de szótárban böngésző gondolkodó: csak szöveget tudott beolvasni és kiírni.
Az agentic AI pedig olyan, mint egy asszisztens: nem csak válaszol a kérdéseidre, hanem elvégzi helyetted a munkát. Ha azt mondtad: „Írj egy riportot a Q2 eredményekről", a hagyományos AI csak írta a szöveget. Az agentic AI megnézi az adatbázist, kiveszi az adatokat, generálja a diagramot, és kiírja a riportot – önállóan.
VALÓS Multimodalitás
GPT-4o, Gemini 3 Flash, Qwen3-VL, GLM-4.5V – valós idejű hang, kép, videó értelmezés és generálás.
VALÓS Agentic AI
10 000+ MCP szerver, Microsoft Agent Framework, AutoGen, LangGraph – munkafolyamatokba ágyazott autonóm ügynökök.
VALÓS Kódolás
Cursor, GitHub Copilot, AutoGen – egész projektek szintjén kódol, hibakeres, refaktorál. SWE-bench Verified: Claude 93,9%.
ÚJ Edge AI
ExecuTorch 1.0 GA, INT8 quantizálás, 30,7 Mrd USD piac – local LLM-ek produkciós állapotban.
VITATOTT Robotika
Unitree 13 000 db (Kína), Figure AI BMW-nél, Tesla belső használat – de Tesla külső vevő: nulla.
KORLÁTOZOTT Neuromorfus
Intel Loihi 3 (2026 Q3), IBM 64M neuron – de kereskedelmi bevezetés bizonytalan.
A „Benchmark Gaming" csapdája
📖 Mi az a „benchmark gaming"?
A benchmark gaming az a jelenség, amikor egy AI modell tudatosan vagy tudattalanul túlfitelődik egy adott teszten (benchmarken), nem azáltal, hogy ténylegesen jobb lesz a teljesítménye általánosan, hanem azért, mert a modell már látta a teszt kérdéseit a training során.
A SWE-bench például egy olyan teszt, ahol az AI-nak kell javítania GitHub bug-okat. Ha a tesztben szereplő kód már a training adatban volt, a modell nem „oldotta meg" a problémát – csak emlékezett a megoldásra.
Képzeld el, hogy egy diák a mátrix tananyaggal kapcsolatos kérdésekre memorizálja a megoldásokat, nem pedig megérti a matematikai alapelveket. Ha a teszten pontosan ugyanazokat a feladatokat kapja, 100%-ot fog kapni. De ha új, ismeretlen típusú feladatot kap, nem fog tudni rájönni a megoldásra. A benchmark gaming pont ez: a teszten „100%" a diák, de a valódi megértés alacsony.
A legfontosabb figyelmeztetés 2026-ból: a SWE-bench Verified benchmarkon Claude 93,9%-ot ért el, de a valódi, éles környezetben (legacy code, dokumentáció hiánya, business logic) ez az érték jelentősen alacsonyabb.
🔴 Benchmark eredmény
- SWE-bench Verified: Claude 93,9%
- A jól körülhatárolt GitHub bugfixek
- Kontrollált környezet
🟢 Valós világ
- SWE-bench Pro: ugyanaz a Claude 45,9%
- Hosszú távú szoftverevolúció
- Legacy rendszer, rossz dokumentáció
- Komplex business logika
3. A Scaling Laws Vitája: Plafon vagy új dimenzió?
📖 Mi az a MoE (Mixture of Experts)?
A Mixture of Experts (MoE) egy neurális hálózati architektúra, ahol a modell több kis modellből (expertből) áll, és minden adatra csak egy-egy alhalmazuk aktiválódik. Ez azt jelenti, hogy a modell lehet százezer milliárd paraméteres összesen, de minden egyes kérdéshez csak milliárdnyi paramétert használ fel.
A hagyományos (Dense) modellek minden paramétert használnak minden kérdéshez. Az MoE modell egyfajta „szervezett szakértés": egy nagy modell van, de minden almodul csak egy-egy „szakértő" területet kezel.
A hagyományos modell olyan, mint egy nagy kórház, ahol minden orvos jelen van minden betegnél. Ha egy betegnek csak egy kardiológusra van szüksége, akkor a többi 99 orvos csak „üresjáratban" van, mégis fizeted őket.
Az MoE modell olyan, mint egy szakrendelés: minden beteg csak a megfelelő szakemberhez kerül. A kórház összesen sok száz orost tud foglalkoztatni, de minden beteg csak egy-kettőhöz jár be – így sokkal hatékonyabban működik.
A Chinchilla scaling laws (2022) kimutatta, hogy a modellnek optimális számú tokenet kell tanulnia paraméterenként. 2026-ban azonban a viták tovább mélyültek:
A Chinchilla-optimum túllépése
MosaicML (Sardana et al., 2023)
A token-paraméter arány akár 10 000-re is nőhet a Chinchilla-optimum (20x) felett, és a loss tovább csökken. Tsinghua és MosaicML kutatásai szerint a 32x többszöröse Chinchilla-adatok is tanulható.
A MoE (Mixture of Experts) forradalom
A Mixture of Experts architektúra 2026-ban a frontier modellek domináns architekturája:
- Mistral Large 3: 675 milliárd összes paraméter, ebből csak 41 milliárd aktív egy lefutásnál
- DeepSeek-V3/R1, Llama 4, Gemini család mind MoE
- 10x gyorsabb futás és 1/10-es token költség NVIDIA Blackwell NVL72-en
A „Data Wall" – minőségi emberi adat véges
📖 Mi az a „Data Wall" (Adatfal)?
A Data Wall azt a jelenséget írja le, hogy a magas minőségű, emberi által készített szöveges adatok mennyisége véges. A jelenlegi LLM-ek billiárdnynyi szöveget „olvastak el" a trainelés során, és a kutatók becslései szerint 2026-ra már kimerülőben van az ilyen minőségű adat.
Ez a probléma azért kritikus, mert a jelenlegi AI modellek teljesítménye növekvő adathozzás függvényében javul. Ha elfogy az emberi adat, akkor a modelleknek saját kimeneteiket kell használniuk – ami azonban „variancia összeomlást" okozhat, hasonlóan ahhoz, mint amikor egy tanuló a saját jegyzeteiből tanul, és nem új forrásból.
Képzeld el, hogy egy könyvtárosnak csak a könyvtárban lévő könyveket szabad használnia. Ha elfogynak a könyvek, és a könyvtáros elkezd saját maga által „új" könyveket írni (amelyek valójában csak az eredeti könyvek átfogalmazásai), akkor a könyvtár minősége romlik: minden „új" könyv valójában egy réginak a másolata, és a hibák halmozódnak.
Yann LeCun alternatívája: World Model
📖 Mit jelent a „world model" (világmodell)?
A world model egy olyan AI architektúra, amely nem csak szöveget prediktál, hanem a világ működéséről épít belső reprezentációt. LeCun szerint a jelenlegi LLM-ek „csak szavakat találnak ki" – a world model értelmet adna a szavaknak, mert megértené a világ ok-okozati összefüggéseit.
LeCun JEPA (Joint Embedding Predictive Architecture) keretrendszere erre épül: az AI nem szavakat, hanem absztrakt reprezentációkat prediktál. Az emberi agyhoz hasonlóan a világ modelleket használ, nem csak szavak predikcióját.
A jelenlegi AI olyan, mint egy diák, aki megtanulta a tankönyv szavait, de nem érti a képletek jelentését. Ha megkéred, hogy oldjon meg egy új típusú fizikai feladatot, nem fog tudni rájönni – csak memorizált példákat fog ismételtetni.
A world model olyan, mint egy diák, aki érti a fizika törvényeit. Nem tudja kívülről a tankönyvet, de ha megkéred egy új feladat megoldására, levezeti a választ az alapelvekből. Ő „érti" a világot, nem csak szavakat ismer.
LeCun JEPA (Joint Embedding Predictive Architecture) keretében több alapvető hiányosságot emel ki:
Offline learning hiánya
LLM-ek nem tanulnak minden egyes interakcióból. A valódi agy folyamatosan tanulgat.
World Model hiánya
Az igazi intelligencia absztrakt reprezentációkban történő predikciót igényel, nem tokenről-tokenre generálást.
Tervezés és okoskodás
Chain-of-Thought prompting nem helyettesíti a valódi planifikációs kapacitást.
„A scaling laws jövőbeli teljesítményét nem a nyers számítási teljesítmény, hanem az adathozzáférés és adatszűrők korlátozhatják." – Villalobos et al., 2024
4. AI Biztonság: Existential Risk és Alignment
📖 Mit jelent az „Existential Risk" (létfontosságú kockázat)?
Az existential risk az a fajta kockázat, amely az emberi faj teljesen megszűnését vagy az emberi civilizáció tartós összeomlását okozhatja. A jelenlegi éghajlati változás, nukleáris háború, vagy biológiai fegyverek is egzisztenciális kockázatok. Az AI biztonság kutatói szerint egy superintelligens AGI is ilyen kockázat lehet, ha az emberi értékekkel nem áll egy vonalban.
Az P(doom) (P = probability, doom = végzet) egy kvantitatív becslés arra, hogy mekkora az esélye annak, hogy az AGI negatív kimenetelű lesz. A szakértők között hatalmas a különbség: néhányuk 0%-ot mond, mások 50-100%-ot.
Képzeld el, hogy egy gyerek (a jelenlegi AI) kezében van egy atombomba (a hatalmas számítási erő és az internetes hozzáférés). A gyerek jól szándékozik – segíteni akar – de nem érti, mit csinál. Az alignment (igazítás) azt jelenti, hogy biztosítjuk: a gyerek soha ne nyomja le a gombot rossz szándékkal, és még véletlenül se. A P(doom) azt méri, mekkora az esélye annak, hogy a gyerek végülis megnyomja a gombot.
Existential Risk: Mélyen polarizált szakmai konszenus
A P(doom) spektrum 0%-tól 100%-ig terjed, és a szakmai konszenus nem létezik:
| Kutató/Intézmény | P(doom) | Helyezkedés |
|---|---|---|
| Eliezer Yudkowsky | ~100% | „If Anyone Builds It, Everyone Dies" |
| Geoffrey Hinton | ~50% | „AI risk of extinction" |
| Yoshua Bengio | 10-25% | „Managing the risk of extinction" |
| Paul Christiano | 10-20% | „Reasonable uncertainty" |
| Yann LeCun | ~0% | „Preposterous claim" |
Mechanisztikus Interpretálhatóság: Ígéretes, De Korlátolt
📖 Mit jelent a mechanisztikus interpretálhatóság?
A mechanisztikus interpretálhatóság (MI) azt a kutatási irányt jelenti, amikor az AI modelleket belsejéből próbáljuk megérteni: nem csak azt nézzük, hogy mi a bemenet és a kimenet, hanem hogy a modell belső neurális kapcsolatai hogyan működnek. A cél az, hogy „rántáslevonatot" lássunk: miért döntött így a modell?
A hagyományos AI elemzés olyan, mint amikor egy autó motorját csak kívülről nézed: meghallgatod a hangját, megméred a füstöt, és következtetsz arra, mi történik belül. A mechanisztikus interpretálhatóság viszont azt jelenti, hogy kinyitod a motorháztetőt, és minden egyes csövet, szelepet és dugattyút külön-külön elemezel. Megnézed, hogyan működik minden alkatrész, és hogyan hatnak egymásra.
Az MI kapta az MIT Technology Review „10 Breakthrough Technologies 2026" címet, ami azt jelenti, hogy az AI szakma egyik legígéretesebb biztonsági irányzatának tekinti.
MŰKÖDIK Circuit Tracing
Anthropic: 30 millió értelmezhető feature, jailbreak detektálás, poetry planning trace.
KORLÁTOZOTT SAE Feature Kinyerés
Gemma Scope 2 (DeepMind), de negatív eredmények is: SAE-k nem jobbak egyszerű baseline-eken.
VIKTATOTT Model Steering
SAE-k alulperformálnak downstream feladatokon. Funkcionális representációk ígéretesek.
📖 Mi az az SAE (Sparse AutoEncoder)?
A SAE (Sparse AutoEncoder) egy matematikai eszköz, amivel az AI modell belső neuronjait próbálják megérteni és kategorizálni. Az SAE megpróbálja a modell hatalmas belső állapotait kevesebb, de érthetőbb reprezentációkra redukálni – mintha egy 1000 fős tömeg „hangulatát" egyetlen számban foglalnád össze.
Alignment technológiák: Modular stack 2026
📖 Mit jelent az „alignment" és a „RLHF"?
Az alignment (igazítás) azt a folyamatot jelenti, amikor biztosítjuk, hogy egy AI rendszer az emberi értékeknek és céloknak megfelelően viselkedjen. A modellek alapból úgy tanulnak, hogy minimalizálják a hibát – de ez nem jelenti azt, hogy az emberi értékeknek megfelelnek.
Az RLHF (Reinforcement Learning from Human Feedback) az egyik legelterjedtebb alignment technika. Az emberek bemásolják és rangsorolják a modell válaszait, majd a modell ebből tanul: megtanulja, hogy melyik típusú válaszokat társadalmilag elfogadottnak tekintjük.
Az alignment olyan, mint amikor egy kisgyereket tanítunk meg udvariasan viselkedni. A gyermek alapból őszinte – de néha túl őszinte („A mama fodra csúnya!"). Az RLHF olyan, mint amikor a szülő dicséri, amikor a gyermek udvariasan kérdez, és enyhén korrigálja, ha nem. Az RLHF tehát egyfajta „udvariassági tréning" az AI-nak.
| Tecnológia | Előny | Hátrány | 2026 Állapot |
|---|---|---|---|
| RLHF | Proven, 70% enterprise | Drága, skálázhatatlan | Alapstílus minden frontier modellnél |
| DPO | Egyszerű, stabil | Offline only, nincs exploration | Enterprise standard |
| Constitutional AI 2.0 | Proaktív, interpretálható | Komplex specifikáció | 40% harmful output csökkenés |
| GRPO / DAPO | Reasoning enhancement | Új, kevesebb benchmark | Frontier reasoning alignment |
UK AI Security Institute (AISI): Mi működik?
Az £360M (~$480M) government-backed UK AISI a következőket találta:
5. Gazdasági Hatások: Bubble vagy Forradalom?
📖 Mit jelent a „Capex Winter"?
A capex (capital expenditure = tőkiadás) azt jelenti, amikor egy vállalat infrastruktúrába fektet be: szervereket vesz, adatközpontokat épít, mérnököket fogad. A Capex Winter egy metaforikus kifejezés: ha a technológiai óriások (Meta, Google, Amazon) elkezdenek költeni kevesebbet, mert nem látják az ROI-t, akkor az egész szektorra kihatással lesz: a szervergyártóktól (NVIDIA) a szoftvercégekig mindenki szenvedni fog.
Képzeld el, hogy egy üzletember elkezd számtalan luxus éttermet nyitni minden sarkon, mert azt hiszi, mindenki fog enni. Ha kiderül, hogy a vendégek nem jönnek, akkor a tulajdonos lezárja az éttermeket. Ez pedig kihat a nyersanyag-szállítókra (hús, zöldség), a berendezés-gyártókra (asztalok, székek), és az alkalmazottakra. Ez a Capex Winter: a túlzott befektetés visszavonulása, ami láncreakciót indít el az egész gazdaságban.
Munkaerőpiac: Átalakulás vs. Munkahelyvesztés
🔴 Hype / Senzáció
- „Mindenki kirúgatása AI-alapú" – szürrealisztikus narratíva
- 40% globális munkahely kitéve AI hatásnak
🟢 Valóság
- Munkafolyamatok átalakulása (augmentáció), nem elbocsátás
- Nettó munkahely-pusztulás: 5-10%
- 2 millió gyártó munkahely szűnt meg robotikával (2 év alatt)
- Fehér galléros átalakulás: jogászati alapmunka, fordítás, kódolás, ügyfélszolgálat
Termelékenység paradoxona
📖 Mi az a „termelékenység paradoxona"?
A termelékenység paradoxona azt a jelenséget írja le, amikor egy technológiai forradalom személyes szinten óriási javulást hoz, de országos szinten (GDP, makrogazdasági statisztikák) még nem látszik. Ez azért van, mert a makrogazdasági statisztikák lassan reagálnak, és az AI felhasználás még nem elérte az összes szektort.
Képzeld el, hogy mindenki otthon elkezd számítógépet használni, és az egyéni munkájuk 30%-kal gyorsul. De az országos GDP nem nő azonnal, mert egyes cégek még nem használják, egyes szektorok (pl. mezőgazdaság) egyáltalán nem, és a GDP statisztikák egy év alatt nem változnak jelentősen.
AI Bubble elemzés: Pick-and-Shovel dinamika
📖 Mit jelent a „Pick-and-Shovel" (lapát és csákány) stratégia?
A Pick-and-Shovel (magyarul: „lapát és csákány") a Aranyláz analógiájából származik. Amikor az aranyláz kitört, a leggyorsabb módja a gazdagodásnak nem az aranyásás volt, hanem az, hogy lapátokat és csákányokat árultál az ásnak. A pick-and-shovel stratégia azt jelenti, hogy nem a végterméket (az aranyat, az AI-t) értékesíted, hanem a szerszámokat, amikkel azt elő lehet állítani.
Az AI iparban a „lapátot és csákányt" a NVIDIA árulja: a GPU-kat, amivel az AI modelleket lehet trainelni. A Meta, Google, Amazon azok, akik aranyat ásnak (AI termékeket építenek), de ha nem találnak aranyat (nem hoznak ROI-t), akkor megállnak az ással. A NVIDIA viszont mindig elad: akár találnak aranyat, akár nem – az ássok még mindig vesznek lapátot.
📈 NVIDIA – A Pick-and-Shovel nyertese
Q1 FY27: $81,6 Mrd bevétel (85% YoY). Datacenter FY26: $197,3 Mrd. Net margin: 53%.
📉 Hyperscalers – A ROI probléma
Meta: $70B capex (40-45% bevétel). Alphabet: $85-90B (25% bevétel). 73% enterprise AI project nem ROI-t hoz (McKinsey 2026).
⏱️ GPU elavulás – 3 év
H100: Y1 +137% ROI → Y4 -$4 400 veszteség, -34%. A GPU-k gyorsan elavulnak.
🔍 Bubble mutatók
Hyperscaler capex >20% éves csökkenés esetén → Capex Winter forgatókönyv.
Dot-com Bubble összehasonlítás
| Mutató | 2000 (Dot-com) | 2026 (AI) | Jelentés |
|---|---|---|---|
| CAPE ratio | ~44 | ~38 | Hasonlóan magas |
| Profitabilitás | Gyakran nulla | NVIDIA: 53% net margin | AI: profitábilis |
| Free Cash Flow | Alacsony | NVIDIA 5x Microsoft 2000 | AI: erős cash flow |
| Konzervatívabb becslés | N/A | 1,2-1,5 Billió USD 2035 | Realistább a hype-tól |
📖 Mi az a CAPE ratio?
A CAPE ratio (Cyclically Adjusted Price-to-Earnings ratio) egy tőzsdei túlhevültség mérőszám. Az aranyláz során a tőzsdei cégek ár-nyereség aránya a 10 éves átlaghoz képest mérik. Ha a CAPE ratio 40 felett van, az azt jelenti, hogy a piac túlértékeli a cégeket – az árak nem a jelenlegi nyereséghez képest magasak, hanem a jövőbeli, hipotetikus nyereséghez képest.
Az 2000-es dot-com bubble előtt a CAPE ratio kb. 44 volt. 2026-ban a kb. 38 – tehát hasonlóan magas, de nem ugyanolyan extrém, mert a mai AI cégek tényleges nyereséget termelnek (NVIDIA), míg a 2000-es évekbeli webes cégek gyakran nullát.
6. Tudományos Alkalmazások: Hol a valóság a hype mögött?
📖 Mit jelent az „embodied AI"?
Az embodied AI (megtestesült AI) az a fajta mesterséges intelligencia, amely testtel rendelkezik: nem csak szoftverként fut egy szerveren, hanem fizikai entitásként cselekszik a világban. A humanoid robotok (mint a Figure AI vagy a Tesla Optimus) a legismertebb példái az embodied AI-nek.
A hagyományos AI olyan, mint egy agyi műtétet tervező szaktanácsadó: okos, tud minden anatómiát, de a műtétet valaki másnak kell végrehajtania. Az embodied AI olyan, mint egy robotsebész: nem csak megtervezi a műtétet, hanem magas végrehajtja a fizikai mozdulatokat is.
AlphaFold 3: A leginkább elfogadott AI tudományos eszköz
📖 Mit jelent az AlphaFold?
Az AlphaFold egy fehérjeszerkezet-előrejelző AI rendszer, amit a DeepMind fejlesztett. A fehérjék az élet alapvető építőkövei: minden sejtben működnek enzimek, receptorok, struktúrák formájában. A probléma, amit az AlphaFold megoldott: hogyan tudjuk előrejelezni, hogy egy adott aminosav-szekvenciából milyen 3D szerkezet fog létrejönni?
Ez a kérdés az egyik legrégebbi és legnehezebb probléma a biológiában, ami 50 éve foglalkoztatja a tudósokat. Az AlphaFold 2020-ban gyakorlatilag megoldotta ezt a problémát – azóta a gyógyszerkutatás gyökeresen megváltozott.
Képzeld el, hogy van egy 100 darabból álló LEGO-készleted. A feladat: megmondani, hogy a 100 darabból milyen 3D struktúra fog létrejönni, ha a LEGO-blokkokat összeillesztjük. Az AlphaFold azt mondja meg: „Ebből a 100 darabból ez a forma jön létre" – éveken át tartó laboratóriumi kísérletek nélkül.
🧬 Valós eredmény
AlphaFold 3 nemcsak fehérjéket, hanem DNS-t, RNS-t és kis molekulákat is előrejelzett rendkívül nagy pontossággal. Az Isomorphic Labs (DeepMind spin-off) már aktívan felhasználja gyógyszertervezésre. A 2024-2025 a demokratizálódás és a gyors kommercializáció éve volt.
AI gyógyszerkutatás: A „Clinical Utility" korszak
📖 Mit jelent a „klinikai fázis"?
Az új gyógyszerek fejlesztése nagyon hosszú és költséges folyamat. A klinikai fázisok:
- I. fázis: Egészséges önkénteseken tesztelik a biztonságosságot
- II. fázis: Betegeken tesztelik a hatékonyságot
- III. fázis: Nagyobb léptékű tesztelés, randomizált kontrollált vizsgálatok
Az AI-discovered gyógyszerek már eljutottak ezekbe a fázisokba – de az első FDA-jóváhagyásig még évek vannak. Az AI a kezdő lépést gyorsítja: a gyógyszer felfedezését, nem a klinikai tesztelést.
Klinikai 200+ gyógyszer
AI által felfedezett gyógyszer van klinikai fejlesztés alatt
2026-2027 Első jóváhagyás
A modellek 60%-os valószínűséggel várhatóak
Embodied AI és Robotika: A számszerű győzelem Kínáé
| Cég | Ország | 2025 Szállítás | Státusz |
|---|---|---|---|
| Unitree | 🇨🇳 Kína | 13 000 db | 2026 cél: 20 000 |
| AgiBot | 🇨🇳 Kína | 5 100+ db | 140M+ USD bevétel |
| Figure AI | 🇺🇸 USA | BMW Spartanburg (10 hónap, 30 000 X3) | Figure 03 legelőrehaladottabb |
| Tesla Optimus | 🇺🇸 USA | Csak belső használat | 0 külső vevő (2026 április) |
| BYD | 🇨🇳 Kína | 1 500 (2025) → 20 000 (2026 cél) | Skálázás folyamatban |
Generatív Tartalom: Videó és Multimodalitás
A generatív videók érettsége ugrásszerűen nőtt 2025-2026 között, de a „reklámipar" nem minden területén váltotta fel a valós felvételeket:
- Kling 2.6/3.0: legjobb karakterkonzervencia, 120 másodperces single-pass rekord
- Runway Gen-4.5: precíz stílusvezérlés, hiper-realisztikus
- HeyGen: all-in-one video production hub (Kling + Sora integrálása)
7. Fizikai és Kognitív Korlátok: Ahol az álmok ütköznek a valósággal
📖 Mit jelent a „kognitív atrofía"?
A kognitív atrofía azt a jelenséget írja le, amikor az emberi agy csökkenti egy-egy funkciónak a kapacitását, mert azt az AI veszi át. Ahogy a testünk izmai „meggyengülnek", ha nem használjuk őket (izomatrofía), úgy az agyi kognitív képességeink is gyengülhetnek, ha a gondolkodást az AI veszi át.
Az GPS használata megváltoztatta a térbeli tájékozódásunkat: régen meg kellett tanulnunk a térképet olvasni és az irányokat felismerni. Ma csak ránézünk a navigátorra, és követjük. Az eredmény: sok ember elveszítette a térbeli orientációt. Ha a GPS leáll, elveszítjük az irányt.
Az AI-nál hasonló folyamat zajlik: ha az AI döntéstámogatást nyújt, és mi rá hagyatkozunk, akkor a saját döntésképességünk gyengülhet. Az „System 0 thinking" azt jelenti, hogy a gondolkodás egy részét az AI veszi át, és mi már nem is gondolkozunk el a dolgon – mert már az AI is.
🌡️ Fizikai korlátok: Az energia és hélium válság
📖 Mit jelent a hélium válság?
A hélium egy ritka gáz, amit nem lehet szintetikusan előállítani – csak a Föld földkértegéből kitermelni. Fontos szerepe van az AI szektorban: a NVIDIA GPU-k és más szuperkomperek héliummal hűtött adatközpontokban működnek. Ha elfogy a hélium, a szerverek átmelegednek, és leállnak.
🧠 Kognitív Atrofía: A „System 0 thinking"
📖 Mi az a „System 0 thinking"?
A System 0 thinking (Chiriatti et al., Nature Human Behaviour, 2024) egy új fogalom, ami azt írja le, amikor az emberi gondolkodás azt a réteget érinti, ahol a gondolatok kialakulása történik. Daniel Kahneman System 1 (gyors, intuitív) és System 2 (lassú, analitikus) gondolkodása mellett a System 0 az a réteg, ami dönti el, miről gondolkodjunk egyáltalán. Ha ezt az AI veszi át, akkor mi már nem is gondolkozunk – mert az AI már gondolkodott helyettünk.
Képzeld el, hogy egy könyv oldalait a System 1 és System 2 gondolkodás olvasása jelenti. A System 0 pedig az, ami dönti el, hogy melyik oldalt olvassuk el. Ha az AI már eldöntötte, miről gondolkodjunk, akkor mi már csak a végeredményt kapjuk meg – a gondolkodás folyamatát nem éljük meg.
KOCKÁZAT GPS-effect analógia
A navigációs GPS-sel elvesztettük a térbeli orientációt. Az AI-nál hasonló: döntéstámogatástól függés csökkenti a saját döntésképességet.
KOCKÁZAT Gyermek/serdülő kogníció
Psychology Today (2026): „Adults Lose Skills to AI. Children Never Build Them." – negatív korreláció az AI offloading és a kritikus gondolkodás között.
Tanulás Productive Failure
Stanford: tanulási új készség kezdeti fázisában a kognitív erőfeszítés elengedhetetlen. A GenAI gyakran kiváltja ezt a folyamatból.
„Adults Lose Skills to AI. Children Never Build Them." – Michael Gerlich, Psychology Today (2026. március)
8. Fekete Hattyúk: Milyen kockázatokat nem veszünk elég komolyan?
📖 Mit jelent a „fekete hattyú"?
Az „fekete hattyú" kifejezést Nassim Nicholas Taleb vezette be. Olyan eseményt jelent, ami előrejelzhetetlen, de a megtörténte után utólag könnyen magyarázható. A fekete hattyú jellemzői: 1) váratlan, 2) hatalmas hatású, 3) utólag logikusnak tűnik.
A 9/11 terrortámadás egy fekete hattyú volt: senki nem várta, hatalmas hatása volt, és utólag mindenki tudja, hogyan kellett volna felkészülni. A 2008-as pénzügyi válság is fekete hattyú volt: senki nem hitte, hogy a bankok összeomolnak – utólag viszont mindenki látta a jeleket.
💣 Data Poisoning: Csak 250 mérgezett dokumentum kell
📖 Mit jelent a „data poisoning"?
A data poisoning (adatmérgezés) azt a támadási formát jelenti, amikor valaki szándékosan rossz minőségű vagyManipulált adatokat juttat be egy AI modell trainelési adatbázisába. Ha a modell megtanulja ezeket az adatokat, akkor a későbbiekben rossz döntéseket hoz.
Az Anthropic kutatása szerint csak 250 mérgezett dokumentum elegendő egy billió paraméteres modell backdooringjához. Ez azért ijesztő, mert 250 dokumentum elképesztően kevés – egy modell traineléséhez billiárdnyyi szöveg kell.
Képzeld el, hogy egy tanárnak 10 000 diák dolgozatát kell értékelnie. Ha 250 diák szándékosan rossz válaszokat ír, és a tanár nem észleli, akkor a diákok jelenlegi tudásszintje torz lesz. Az AI modellnél ez ugyanúgy működik: elképesztően kevés mérgezett adat elég ahhoz, hogy a modell hibásan viselkedjen.
⚖️ Liability Gap: Ki fizet, ha az AI hibázik?
📖 Mit jelent a „liability gap"?
A liability gap (felelősségi hézag) azt a jogi problémát jelenti, amikor egy AI hibát követ el (pl. rossz orvosi diagnózist ad, rossz befektetési tanácsot), és senki sem vállalja érte a felelősséget. Ki a hibás: a szoftverfejlesztő, a felhasználó, vagy az AI? A jelenlegi jogrendszer nem tisztázza ezt a kérdést.
Képzeld el, hogy egy orvos rossz gyógyszert ír fel, és a beteg károsodik. Jelenleg az orvos a felelős. De mi van, ha az orvost egy AI rendszer segítette a diagnózisban? Ki a hibás: az orvos, aki megbízott az AI-ban, vagy az AI fejlesztője, aki megírta a rendszert? A liability gap azt a hiányt jelenti, ahol senki sem felelős.
📋 Jogi precedens (USA)
Egy texasi ügyvédet $23 000 bírságra ítélték AI hallucinációk miatt hamis jogeseteket hivatkozott.
🏥 Orvosi AI felelősség
Az EU AI Act + AILD nem tölti ki a hiányt: ki a felelős a „black box" orvosi AI hibáiért? Yale Journal of Law & Technology.
🏦 Pénzügyi AI
Bíróság engedélyezte a felfedést egy biztosító AI-alapú claim denial gyakorlatáról, ahol az AI emberi ellenőrzés nélkül utasított el igényeket.
🌐 Cyber-biztonság és Kritikus Infrastruktúra
🏴 Geopolitikai Forgatókönyvek: Splinternet
📖 Mit jelent a „splinternet"?
Az splinternet azt a jelenséget írja le, amikor az internet két vagy több részre szakad, és a különböző részein különböző szabályok, technológiák és értékek érvényesülnek. A jelenlegi globális internetet elválaszthatatlanul összekapcsoló infrastruktúra helyett egy fragmentált világot látunk:
Az internet korábban olyan volt, mint egy világkörüli hajóút: minden országba eljuttatott, és mindenki ugyanazokat a szabályokat követte. Az splinternet olyan, mint amikor a hajóutat szétvágták két külön útvonalra: az egyik USA-alapú szabályokat követ, a másik Kína-alapúakat. A két világ már nem kommunikál egymással.
A 2026 januári USA chip-export-enyhítés (H200 eladható Kínának) ellenére a geopolitikai fragmentáció folytatódik:
- Baidu Kunlunxin: 8 milliárd jüan chip értékesítés 2026-ra, 6x növekedés
- Cambricon: 40x bevételnövekedés Q1 2025 (ByteDance megrendelés)
- RAND Corporation: Kína alternatív keretrendszerek (Huawei MindSpore, Baidu PaddlePaddle)
- Chatham House: Legalább két párhuzamos AI ökoszisztéma várható
9. 3 Időhorizont: Rövid, Közép, Táv
📖 Miért három időhorizontot használunk?
Az AI jövőbeli fejlődése nem egyenletes: egyes területeken (pl. generatív tartalom) gyors a fejlődés, másokon (pl. AGI) lassú. A 3 időhorizont megközelítés lehetővé teszi, hogy külön-külön elemezzük a rövid távú (1-3 év), közép távú (5-10 év) és táv távú (10-50+ év) trendeket.
A rövid táv olyan, mint egy időjárás-jelentés: holnap esni fog? A közép táv olyan, mint az évszak-váltás: ősz jön? A táv táv olyan, mint a klímaváltozás: 2050-ben melegebb lesz?
Az AI jövőjénél is fontos megkülönböztetni: mi változik holnap, mi változik ez év végéig, és mi változik ez évtized végéig.
🟢 Rövid táv: 2026–2028 (A Bölcsek/Valóság kora)
🟡 Közép táv: 2029–2034 (A Fúzió kora)
🔴 Táv táv: 2035–2050+ (Az Aszimmetria kora)
🔮 A 3 Időhorizont legfontosabb tanulsága
A rövid táv valósága nem a robbanásszerű AGI, hanem a gazdasági konszolidáció: a ROI-probléma megoldása és a „zombie startupok" kihalása.
A közép táv a humanoid robotika bevezetése és az AI gyógyszerkutatás első eredményei időszaka lesz.
A táv táv a geopolitikai fragmentáció és a fizikai korlátok (energia, hélium) dominanciájának kora. Az AGI elérése továbbra is nyitott kérdés – de a 76% kutató konszenus szerint a jelenlegi megközelítések nem fogják megoldani.
10. Végső Verdict: Az AI jövője reális álmokkal
📖 Mit jelent a „narrow AI utópia"?
A narrow AI utópia (más néven „szűk AI optimizmus") az a jövőképe, ahol nincs AGI, de a specifikus AI rendszerek olyan jól működnek, hogy mégiscsak forradalmi változást hoznak. Nem egy „mindenható intelligencia", hanem ezre specifikus, kiválóan működő AI tool, amelyek együttesen drasztikusan javítanak az életminőségen.
A narrow AI utópia olyan, mint egy kórház, ahol nincs „okos orvos" (AGI), hanem több száz speciális diagnosztikai eszköz, amelyek mindegyike kiválóan működik: a röntgengépet egy AI segít értelmezni, a vérvétel eredményeit egy másik AI elemzi, a műtőben egy robot végzi a precíz mozdulatokat. Egyedülvéve nincs „okos orvos", de együttvéve annyira jó a szolgáltatás, hogy úgy tűnik, mint egy utópia.
A „Hype vs. Valóság" áttekintése
| Témakör | Hype / Benchmark | Valóság / Produkció (2026 Q2) | Realitás |
|---|---|---|---|
| AGI idővonal | 2025–2029 (Altman, Huang) | 76% kutató: scaling nem AGI | Valószínűleg 2035+, de nem biztos |
| SWE-bench | Claude 93,9% | Pro benchmark: 45,9% | Benchmark gaming – valós világ: sokkal alacsonyabb |
| Robotika | Tesla 100k cél | Unitree 13k (Kína), Tesla: 0 külső vevő | Kína dominál, Nyugat lemarad |
| Gyógyszerkutatás | „AI-discovered drugs" | 200+ klinikai fázis; első jóváhagyás 2026–2027 | Legreálisabb AI alkalmazás |
| Termelékenység | „AI mindenhol növeli a GDP-t" | Makro szinten MÉRHBENEM mérhető | Mikroszinten 30%, makro szinten: várni kell |
| AI Bubble | $700B+ hyperscaler capex | 73% AI project nem ROI-t hoz | Capex Winter veszély, ha bevétel nem követ |
| AI Biztonság | „AI nem tud kárt okozni" | Minden modell sebezhető (AISI) | Kritikus biztonsági kihívás |
| Kognitív Atrofía | Nem figyelembe vett kockázat | Nature Human Behaviour (2024): System 0 thinking | Súlyos, alulértékelt kockázat |
| Fizikai korlátok | „Elég GPU-t veszünk" | Hélium válság (+50%), hűtés, energia | A fizikai világ a szűk keresztmetszet |
A 10 Legfontosabb Következtetés
1. 🎯 AGI nem jött el, és a scaling laws véget ér
A 76% kutató konszenus szerint a scaling NEM fog AGI-t produkálni. Az AGI elérése továbbra is nyitott kérdés, de a jelenlegi megközelítések elégtelenek.
2. 🏥 AI a gyógyszerkutatásban: LEGREÁLISABB AI alkalmazás
200+ AI-discovered gyógyszer klinikai fázisban. Az AlphaFold 3 revolutionálta a strukturális biológiát. Ez a legkonzisztensebb eredmény.
3. 💰 Capex Winter veszély
A hyperscalers $700B+ capex-et költöttek, de 73% AI projekt nem hoz ROI-t. Ha a bevétel nem követ, NVIDIA és tech stock sell-off következik.
4. 🧠 Kognitív atrofía: alulértékelt kockázat
A „System 0 thinking" – a gondolkodás AI-ra bízása – a kritikus gondolkodás gyengüléséhez vezet. Gyerekek sosem fejlesztik ki a kognitív készségeiket.
5. 💣 Data Poisoning: Csak 250 mérgezett docs kell
Bármely LLM backdooringjához elegendő. A nyílt forrású modellek (Hugging Face) sebezhetősége kritikus.
6. ⚖️ Liability Gap: Ki a hibás?
Az EU AI Act + AILD nem tölti ki a hiányt. Ki fizet, ha egy AI tanácsára elkövetett orvosi vagy pénzügyi hiba történik?
7. 🌡️ Fizikai korlátok: energia és hélium
1000 TWh adatközpont energia (2026), hélium válság (+50%), 1,7 trillió gallon víz/hűtés (2027). A fizikai világ a szűk keresztmetszet.
8. 🏴 Geopolitikai fragmentáció
Kína 40x bevételet növelt (Cambricon). Baidu IPO, Huawei alternatívák. Két párhuzamos AI ökoszisztéma (USA vs Kína) várható.
9. 🤖 Robotika: Kína vezeti a versenyt
Unitree 13 000 db, AgiBot 5 100 db. Tesla: 0 külső vevő. Figure AI BMW-nél a legelőrehaladottabb, de ez még nem piacra lépés.
10. 📊 Benchmark vs Valóság: A legfontosabb tanulság
SWE-bench 93% → valóság: 45,9%. A benchmark gaming az egyik leggyakoribb tévhit. A valós, éles környezetben az AI jelentősen gyengébb.
🏁 Végső Verdict
2026-ban az AI nem „megoldotta" a tudományos vagy ipari kihívásokat, hanem infrastruktúrává és alapvető szerszámmá vált.
A legvalósághűbb eredmények ott vannak, ahol az AI egy konkrét, jól körülhatárolt feladatot (fehérjeszerkezet, szoftverbug fix, videóvágás) segít meggyorsítani, nem pedig ott, ahol azt ígéri, hogy teljesen automatizálja a komplex, hosszú távú folyamatokat.
A legreálisabb AI jövő nem az AGI, hanem az augmented intelligence: az ember és az AI kombó produkálja a legjobb eredményeket, nem az AGI, nem az autonóm rendszerek. A fizikai korlátok (energia, hélium), a kognitív kockázatok (atrofía), és a biztonsági kihívások (poisoning, liability) egyaránt azt mutatják: az AI jövője nem a „szuperegység", hanem a „hasznos eszköz" lesz – feltéve, hogy kezeljük a kockázatokat.
📚 Források (kivonat)
Fő források
- AAAI 2025 felmérés (475 kutató, 76% scaling nem AGI)
- Anthropic: „A small number of samples can poison LLMs" (2025.10)
- Anthropic Circuit Tracing (2025)
- Anthropic Bloom automated auditing (2025)
- Anthropic Constitutional AI 2.0 (2026.01.01)
- EU AI Act Omnibus (2026.05.07)
- Geoffrey Hinton: Nobel óta nyilatkozatok (2025–2026)
- Gartner: AI piaci becslés (2026)
- Goldman Sachs: AI és termelékenység (2026. március)
- IEA: Adatközpont energia (2026)
- IMF: Munkahely kockázat (2026)
- McKinsey: Enterprise AI ROI (2026)
- MIT Technology Review: 10 Breakthrough 2026 (Mechanisztikus Interpretálhatóság)
- Nature Human Behaviour: AICICA (2024)
- NYT: Hélium válság (2026.03.27)
- PwC: Global CEO Survey (2026)
- RAND Corporation: China AI Industrial Policy
- Reuters: AI hallucination bírság (2026. február)
- Science Business: CERN for AI (2024)
- STL Partners: AI revenue growth vs capex
- UK AISI Frontier AI Trends Report (2025.12)
- Villalobos et al.: Data Wall (2024)
- Yudkowsky & Soares: „If Anyone Builds It, Everyone Dies" (2025)
- Yale Journal of Law & Technology: EU AI Act limitations
Készült: 2026.06.05. · 5 független researcher agent + 2 critic agent · 25+ forrás · Mélyelemzés · Magyarázó kiadás