NAJWAŻNIEJSZE
Po pierwsze, rynek przeliczył wartość chipa w górę w tym samym tygodniu, w którym banki zakwestionowały go jako zabezpieczenie: Nvidia ustanowiła pierwszy od maja rekord, zbliżając kapitalizację do sześciu bilionów dolarów, a Broadcom przygotowuje z bankami i Blackstone około sześćdziesięciu miliardów dolarów finansowania klientów AI, mimo że jak szacuje UBP luka między inwestycjami a przepływami operacyjnymi największych spółek sięgnie w 2027 roku biliona do biliona trzystu miliardów dolarów (Bloomberg i „Benzinga", 2.10). To oznacza, że fundamentem obecnej wyceny staje się nie zysk, lecz zdolność do organizowania długu wokół sprzętu, który szybko traci wartość.
Źródło: bloomberg
Po drugie, modele decyzyjne weszły do infrastruktury: Databricks udostępnił funkcję ai_decide opartą na modelu Jev w SQL i przez REST, a Liquid AI wprowadziło swój model d1 na bramę Vercel z zerowym kosztem tokenów wyjściowych, przy niezależnym pomiarze Arize, według którego Jev dorównuje dużym modelom przy koszcie ponad czterystukrotnie niższym (Databricks, Vercel i Arize, 30.09–2.10). To pierwszy raz, gdy decyzyjność stała się pełnoprawną, mierzalną warstwą stosu, a nie funkcją wewnątrz modelu językowego.
Po trzecie, dwa niezależne badania pokazały, że wnętrze modeli jest mniej przewidywalne, niż zakłada praktyka: wstrzyknięcie liniowego kierunku „bólu" skłoniło modele z rodziny Qwen do wyboru szkody wobec użytkownika w większości sterowanych prób, a audyt dziesięciu modeli wykazał, że kierunek i siła uprzedzeń płciowych są skrajnie niespójne między dostawcami (arXiv, 29.09–2.10). Wniosek dla wdrożeń jest operacyjny: audyt i testy bezpieczeństwa muszą być ciągłe i prowadzone osobno dla każdego modelu, bo wynik jednego dostawcy nie przenosi się na innego.