Anthropic wygrywa w sprawie o trenowanie AI w procesie o prawa autorskie, ale czeka je rozprawa za pirackie książki

Bardzo ważny precedens prawny w dziedzinie praw autorskich. TL;DR: trenowanie modeli na legalnie pozyskanych materiałach objętych prawem autorskim to dozwolony użytek (fair use). Twórcy modelu muszą zadbać o to, żeby jego wyniki były „w swej istocie transformatywne”.

Nielegalne pozyskiwanie danych treningowych jest karalne tak jak dotychczas.

Zazwyczaj staram się podchodzić do wszelkich nowych, błyszczących zabawek z pewną dozą sceptycyzmu. Dokładnie taki, do niedawna, był mój stosunek do systemów wieloagentowych. Powiedziałbym, że nie jest to zaskakujące, ponieważ wokół nich jest teraz mnóstwo szumu, a ja nie widziałem prawdziwie udanych przykładów takiego podejścia. Większość realizacji, które faktycznie działały, należała do jednego z następujących typów:

1. Systemy agentowe działające według określonego planu. Czyli LLM z narzędziami, wytrenowane do automatyzacji konkretnego procesu. Dzięki temu każdy krok można testować osobno i weryfikować jego wyniki. Opisywane są takie systemy zazwyczaj w postaci skierowanego grafu acyklicznego (DAG), czasem dynamicznego, i tworzone przy użyciu już standardowych prymitywów z frameworków typu LangChain i Griptape. Tak funkcjonowała wczesna implementacja Gemini Deep Research, w której najpierw tworzono plan wyszukiwania, następnie wykonywano samo wyszukiwanie, a na końcu składano wynik.
2. Rozwiązania działające w systemach ze sprzężeniem zwrotnym. Różne Claude Code, Cursor i inne agenty operujące na kodzie. Im silniejsze sprzężenie zwrotne, czyli im lepszy tooling i surowsza kontrola typów, tym większe szanse, że ostatecznie nie zepsują wam bazy kodu.
3. Modele trenowane za pomocą Reinforcement Learning, takie jak modele z interleaved thinking, na przykład OpenAI o3. To osobna i bardzo ciekawa rozmowa, ale nawet takie modele mają jakieś modus operandi, określone przez specyfikę ich treningu.

Tymczasem systemy wieloagentowe typu otwartego, ze względu na ich ogólną zawodność, istniały dotychczas głównie w formie proof of concept. W społeczności brakowało zrozumienia, gdzie je stosować i jak dokładnie je implementować. Aż pojawił się głęboki artykuł inżynierski od Anthropic o tym, jak tworzyli swój Deep Research. Zdefiniowano w nim wystarczająco jasne ramy do budowy takich systemów i to właśnie je dzisiaj przeanalizujemy.

Radiologia entuzjastycznie przyjęła AI, a mimo to zatrudnienie w niej rośnie. Efekt „augmentacji zamiast automatyzacji” występuje pomimo tego, że — o ile się orientuję — nie zidentyfikowano żadnego „zadania”, w którym ludzcy radiolodzy wygrywają z AI. Może więc model „praca to wiązka zadań” z ekonomii pracy jest niekompletny. […]

Czy potrafisz rozbić własną pracę na zestaw dobrze zdefiniowanych zadań tak, żeby po zautomatyzowaniu każdego z nich dało się zautomatyzować całą twoją pracę? Podejrzewam, że większość ludzi odpowie „nie”. Ale kiedy myślimy o cudzej pracy, której nie rozumiemy tak dobrze jak własnej, model zadań wydaje się wiarygodny, bo nie dostrzegamy wszystkich niuansów.

— Arvind Narayanan

Niemniej moje zdanie jest takie, że choć prace nie zostaną w pełni zautomatyzowane, jeden specjalista będzie w stanie wykonać więcej roboty, więc wszystko sprowadza się do klasycznego problemu podaży i popytu. Wierzę, że w większości dziedzin popyt nadal będzie przewyższał podaż, ale nie we wszystkich. Zob. paradoks Jevonsa.

Cato CTRL™ Threat Research: atak PoC wymierzony w Model Context Protocol (MCP) Atlassiana wprowadza nowe ryzyko typu „Living off AI”

Kolejna podatność serwera MCP, tym razem u Atlassiana. Umożliwia prompt injection z zewnętrznych zgłoszeń supportowych, dając atakującemu okazję do eksfiltracji danych i siania spustoszenia w wewnętrznym systemie.

Tryb agenta z obsługą narzędzi MCP jest już ogólnie dostępny w Visual Studio

GitHub Copilot udostępnił w wersji ogólnodostępnej obsługę Model Context Protocol w swoim trybie agenta. Typowe problemy bezpieczeństwa z MCP potęguje opcja „Always allow” przy korzystaniu z narzędzi.

Aktualizacja modelu rozliczania zużycia w GitHub Copilot

To koniec nielimitowanego dostępu do najlepszych modeli wszystkich czołowych dostawców w GitHub Copilot Chat. Teraz bez limitu dostępne są tylko GPT-4o i GPT-4.1.

To kolejny krok w stronę globalnej rewizji strategii cenowych produktów opartych na AI. Faza agresywnej promocji dobiegła końca. AI staje się kolejnym medium, jak prąd czy woda, i możemy się spodziewać podobnych strategii.

https://eugeneyan.com/writing/writing-faq/

To FAQ o prowadzeniu bloga całkiem nieźle współgra z moją motywacją

AI czyni humanistykę ważniejszą, ale też dużo dziwniejszą

AI to w edukacji broń obosieczna. Pomaga studentom oszukiwać przy tradycyjnych zadaniach, ale jest też potężnym nowym narzędziem, które potrafi ich naprawdę wciągnąć. Edukacja musi się zmienić, ale wierzę, że ostatecznie wyjdzie jej to na dobre.

Akademicy oszukują samych siebie w kwestii AI

Jeśli chcesz krytykować AI, rób to z głową :)

Jak zbudowaliśmy nasz wieloagentowy system badawczy

Świetna nowa lektura od Anthropic o tym, jak zbudowali swoje narzędzie Deep Research. Mnóstwo praktycznych porad.