AI: a számítástechnika mennyiségi változása minőségi változásba csapott át

   
 
 
 
 
    AI: a számítástechnika mennyiségi változása
 
minőségi változásba csapott át
 
 
(2026 szeptember)
 
 
 
 
 
 
Az mesterséges intelligencia (AI) nem egy szoftveres frissítés, hanem egy technológiai korszakváltás, amely a gőzgép, a villamosítás és a mobíltelefon-internet megjelenéséhez mérhető. Az AI átalakítja a globális gazdaságot, a munkaerőpiacot és a mindennapi életünket, mert egyes emberi képességeket – mint a tanulás, a mintázatfelismerés és a döntéshozatal – képes ipari méretekben automatizálni. Az AI-korszak lényege a termelékenység, a hatékonyság növelése.
 
A vállalatoknál a generatív AI és a prediktív analitika lehetővé teszi a munkafolyamatok automatizálását a jogi dokumentumok elemzésétől kezdve az ügyfélszolgálatokon át egészen a szoftverfejlesztésig, ami a termelékenység olyan növekedését eredményezi, amely a becslések szerint ezermilliárd dolláros értékkel növelheti a globális GDP-t a következő évtizedben. 
Közvetlen hatása felismerhető a tudományos kutatásokban és az orvostudományban. Az AI képes évtizedes kutatási folyamatokat napokra rövidíteni. A gyógyszerkutatásban új molekulák és fehérjeszerkezetek tervezése vált lehetővé, amelyek korábban ismeretlen betegségek gyógyítását teszik lehetővé. A betegek genetikai állományának és leleteinek másodpercek alatt történő elemzése a optimális kezelési terv felállítását eredményezi.  Az anyagtudományokban új, hatékony akkumulátor-alapanyagok vagy környezetbarát szupravezetők kikísérletezése történik a klímaváltozás elleni technológiákban. Az új korszak komoly strukturális változásokat kényszerít ki a társadalomból. A rutinszerű szellemi és fizikai munkakörök visszaszorulnak, miközben felértékelődik az AI-rendszerek irányítása, a problémamegoldás és a kreativitás. A kihívást nem a munkahelyek teljes eltűnése, hanem az átképzés sebessége jelenti: a munkaerőpiacnak gyorsan alkalmazkodnia kell egy olyan környezethez, ahol az ember és a gép szorosan együttműködik (ami a kiterjesztett intelligencia).
Megjelent a szigorú etikai és jogi szabályozás igénye (például az EU AI Act), amely megpróbálja egyensúlyba hozni az innovációt a biztonsággal, a szerzői jogok védelmével és a dezinformáció elleni küzdelemmel. Az AI nem egy különálló iparág, hanem egy univerzális technológia lett.

Az AI miatt a számítástechnika mennyiségi változása minőségi változásba csapott át 

- Új technológiai képességek megjelenése: a nyelvi és generatív modellek egy bizonyos méret (paraméterszám és adatsor-mennyiség) felett hirtelen olyan feladatokat is képesek megoldani, amelyekre nem tanították be őket. Ide tartozik a komplex logikai érvelés, a programozási kódok önálló generálása és hibajavítása, valamint a kontextus mély, árnyalt megértése. A gép már nemcsak utánoz, hanem szintetizál.

- Paradigmaváltás a szoftverfejlesztésben (Software 2.0): a hagyományos, szabályalapú programozást (ahol az ember írja le a lépéseket) felváltja az adatvezérelt fejlesztés. A programozó szerepe átalakul: a kódírás helyett a modellek finomhangolása, a prompt engineering* és az AI által generált kódok ellenőrzése, integrálása válik a fő feladattá, ami felgyorsítja a fejlesztési ciklusokat.

- Az ember-gép interfész humanizálódása: a mennyiségi ugrás eltüntette a merev parancssorokat és a korlátozott menürendszereket. A számítástechnika alapértelmezett kezelőfelülete a természetes emberi nyelv lett: betű vagy hangvezérlés, az utóbbi térhódítása. A gépek képesek megérteni a pontatlan, érzelmileg színezett vagy hiányos emberi utasításokat is, ami demokratizálja a technológiához való hozzáférést.

- Infrastrukturális kihívások és centralizáció: a minőségi áttörést hozó modellek betanítása és futtatása nagy hardveres kapacitást, energiát és tőkét igényel, ami két komoly következménnyel jár: Monopolizáció, mert a piac a legnagyobb tech-óriások (Google, Microsoft, OpenAI, Meta) kezében összpontosul, akik rendelkeznek a szükséges adatközpontokkal. Energiaválság, mert a chipek mennyisége miatt a számítástechnika ökológiai lábnyoma és villamosenergia-igénye kritikus szintet ért el.

- Automatizálás és gazdasági átrendeződés: Míg a korábbi ipari forradalmak a fizikai munkát automatizálták, a minőségi AI-fordulat a szellemi és kreatív munkaköröket váltja ki részben. Az adatelemzés, a szövegírás, a jogi dokumentumok átvilágítása vagy a grafikai tervezés részben vagy egészben automatizálhatóvá vált, ami átírja a szellemi munka iránti munkaerőpiaci igényeket.

- A valóság devalválódása: a generatív AI képes korlátlan mennyiségben, emberi minőségben szöveget, képet, hangot és videót előállítani, a digitális információk hitelessége romlik, összeomlik.  A deepfake-ek, az automatizált dezinformációs kampányok és az AI által generált "szemét tartalom" (AI-slop) elárasztják az internetet, ami új típusú kiberbiztonsági és moderációs védelmi rendszereket, szűrőket tesz szükségessé.

- Az AI veszélyes működése ma még homályos terület. Az USA a biológiai, az önfejlesztő szuperintelligencia és a banki alkalmazások következményeitől tart. Súlyos veszélyt jelent az AI összekapcsolódása a katonai döntéshozatallal, a drónok irányításával vagy a kibertámadások automatizálásával. A közvetlen veszélyt az jelentheti, hogy az AI-t emberek használják fel rossz célokra az önállóvá vált rendszereket. Kína 2026 szeptemberében hozta nyilvánosságra az AI-biztonsági kormányzásra vonatkozó keretrendszerének harmadik változatát. A dokumentum feltérképezi a mesterséges intelligenciával kapcsolatos veszélyeket, és felvázolja az azok kezeléséhez szükséges lépéseket. Az új változatban figyelmet kapnak a legfejlettebb modellek által jelentett kiberbiztonsági kockázatok, valamint a rekurzív önfejlesztés problémája. Kína jobb helyzetben lehet az Egyesült Államoknál egy esetleges, mesterséges intelligenciával kapcsolatos katasztrófa kezelésénél. A szabályozók már azt akarják ellenőrizni, hogy mit cselekszik az AI, a beavatkozások következményeit. Kína országos szabályozást vezetett be az AI-alapú társalkalmazásokhoz való érzelmi függőség visszaszorítására. 

 

*

A prompt engineering a nagy nyelvi modelleknek (LLM) és generatív mesterséges intelligencia (AI) rendszereknek adott utasítások, kérdések és bemenetek szisztematikus tervezésének és optimalizálásának gyakorlata. Mert az AI-modellek a kapott szöveges minták alapján valószínűségeket számolnak, a kimenet minősége, pontossága és relevanciája  a bemenet (a prompt) megfogalmazásától függ. A prompt engineering híd a humán szándék és a gépi végrehajtás között. Miért vált kulcsfontosságú készség a promtírás? A közhiedelemmel ellentétben a prompt engineering nem csupán „trükkös kérdések feltevése”, hanem egyfajta kódolás természetes emberi nyelven. Jelentősége a vállalati hatékonyságban mutatkozik meg igazán: automatizálja az ismétlődő szöveges és adatelemzési feladatokat, finomhangolja az ügyfélszolgálati chatbotokat, és felgyorsítja a szoftverfejlesztést. Bár az AI-modellek egyre intelligensebbek és intuitívabbak, a kontextus pontos átadásának, a logikai korlátok megszabásának és a strukturált instrukcióknak a képessége hosszú távon is az emberi munkaerő egyik legértékesebb soft-technikai készsége marad.

Alapvető promptolási technikák: a kérdésfeltevésen túl számos strukturált módszer létezik a modellek teljesítményének maximalizálására.

- Példaalapú tanulás (Few-Shot Prompting): nemcsak leírjuk a feladatot, hanem néhány kész példát (bemenet-kimenet párt) is mutatunk az AI-nak a kívánt formátumról és stílusról a végső kérdés előtt.

- Gondolatmenet-láncolás (Chain-of-Thought): arra utasítjuk a modellt, hogy lépésről lépésre gondolja végig a problémát („Lépésről lépésre magyarázd meg a logikádat, mielőtt megadod a választ”), ami csökkenti a logikai hibákat és a hallucinációt complex matematikai vagy érvelési feladatoknál.

- Szerepjáték (Role-Prompting): meghatározzuk az AI személyiségét vagy szakmai hátterét („Járj el úgy, mint egy Senior Java fejlesztő és kiberbiztonsági szakértő...”), ami szűkíti a modell asszociációs hálóját, és szakmaibb válaszokat eredményez.

- Egy hatékony prompt anatómia: egy professzionális, összetett prompt jellemzően az alábbi négy strukturális elemből épül fel:

1. Szerepkör és kontextus: Ki az AI, és mi a helyzet háttere?

2. Feladat (Utasítás): Pontosan mit kell tennie a modellnek? (Pl. „Foglald össze ezt a szöveget...”)

3. Kényszerek és paraméterek: Mi az, amit be kell tartani, vagy el kell kerülni? (Pl. „Maximum 150 szóban, szakmai zsargon nélkül, magyar nyelven.”)

5. Formátum specifikáció: Hogyan nézzen ki a végeredmény? (Pl. „Markdown táblázatban, vagy számozott listában.”)

**

A minőségi változásnak vannak katonai következményei is: Kérdés, hogy az LLM modelleket a Pentagon milyen célokra használja, milyen eszközökhöz fér hozzá az AI? „Whoever wins AI wins”, azaz „aki megnyeri az AI-versenyt, az nyer”. (President Trump)

A számítási kapacitás nyilvános, de nem látjuk, milyen feladaton dolgozik éppen. Kína vs USA esetén: honnan tudná bármelyik fél, hogy a másik valóban betart korlátokat? Ami már egy klasszikus biztonsági dilemma: az egyik fél nem mer lassítani, mert fél attól, hogy a másik közben technológiai fölényre tesz szert, miközben a másik pontosan ugyanezt gondolja róla. Az AI új határhelyzetet teremtett, mert minél nagyobb autonómiát és cselekvési képességet kap egy rendszer, annál megfigyelhetetlenebb és irányíthatatlanabb, és a növekedés exponenciális, amitől még a fejlesztők is megijedtek az USA-ban.

Miközben a sajtóó a ChatGPT, a Claude és a Gemini veszélyeiről vitatkozik, az AI-fegyverkezési verseny egy jelentős része olyan rendszereken zajlik, amelyekről a nyilvánosság nem tudhat. A katonai AI szabályozásáról, titkosságáról és ellenőrizhetőségéről külön-külön több szó esik. Az OpenAI legfrissebb kezdeményezésében a fejlesztő vállalatok számára kötelező, képességalapú nemzeti AI-biztonsági követelményeket sürgetett. A vállalat álláspontja szerint el kell jutni oda, hogy objektív biztonsági küszöbök és független értékelések alapján a legfejlettebb modellek fejlesztési ütemét lassítani lehessen. A modern állam működésének velejárói a minősített -titkos- kutatási programok, a titkos adatok, a zárt hálózatok, a katonai fejlesztések és azok a technológiai képességek, amelyeknek létezését vagy valódi teljesítményét nem hozzák nyilvánosságra, ami az AI-biztonsági vita legnagyobb vakfoltja.

A katonai kutatás világát nem úgy kell elképzelni, hogy az egyik oldalon dolgoznak a „valódi” kutatók a Stanfordon, az OpenAI-nál vagy a Google-nél, a másikon pedig egy bunkerben néhány egyenruhás programozó tiszt próbál lépést tartani velük. A történelmi példa ennek éppen az ellenkezőjét mutatja: a tudományos-technológiai elitnek egy része egyszerűen eltűnik a függönyök mögött, és ott a kutatók olyan problémákon dolgoznak, amelyekről nem publikálhatnak. Nem teszik fel az eredményeiket tudományos preprint-szerverre.
A DARPA 2026-ban indított AI Forge programja kifejezetten arra épít, hogy egyetemi kutatók, a legfejlettebb AI-t fejlesztő vállalatok és több mint tizenöt amerikai védelmi és hírszerző szervezet szakemberei közösen dolgozzanak nemzetbiztonsági AI-kérdéseken. A civil és a katonai technológiai világ nem két külön bolygó: több ponton összenő. A DARPA DICE programja több AI-ügynök decentralizált együttműködését kutatja olyan hosszú idejű küldetésekhez, amelyeket ellenséges környezetben kell végrehajtani. 2025-ben az amerikai védelmi minisztérium az Anthropicnak, a Google-nek, az OpenAI-nak és az xAI-nak is egyenként legfeljebb 200 millió dolláros szerződési keretet adott azért, hogy fejlett AI-rendszereket és önálló feladatvégzésre képes AI-munkafolyamatokat fejlesszenek nemzetbiztonsági célokra. A gyakorlatban különböző rendszerek dolgoznak együtt: a nagy nyelvi vagy multimodális alapmodell koordinálhatja a feladatot, miközben specializált AI végzi például a képfelismerést, a szenzoradatok összevetését, a navigációt vagy más műveleti részfeladatokat. Az alapmodell ugyanaz, a civil piacon elérhető, de a teljes rendszer képessége már nem ugyanaz. A különbséget a köré épített minősített környezet adja: az adatok, a specializált modellek, az eszközhozzáférések és az ezeket összehangoló supervisor rendszer. Ha a rendszert eleve kellően modellfüggetlen és moduláris módon tervezik, a modulok későbbi cseréje nem feltétlenül igényli a teljes képességrendszer nulláról történő újraépítését. Az amerikai hírszerző közösség saját felhőstratégiája állami és kereskedelmi felhőkapacitások közös használatával számol, és a mesterséges intelligencia, gépi tanulás és nagy teljesítményű számítástechnika alkalmazása létkérdés. A Pentagon közös hadviselési felhőprogramja (Joint Warfighting Cloud Capability, JWCC) pedig az Amazon, a Google, a Microsoft és az Oracle kereskedelmi infrastruktúráját használhatja a nem minősített rendszerektől egészen a Top Secret minősítési szintig (https://www.portfolio.hu/global/20260921/szabalyoznak-a-mesterseges-intelligenciat-de-a-valodi-fegyverkezesi-versenyt-ezzel-aligha-lehet-megfekezni-863770)